論文の概要: MountNet: Learning an Inertial Sensor Mounting Angle with Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2212.11120v1
• Date: Sat, 10 Dec 2022 07:50:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 03:12:15.812633
• Title: MountNet: Learning an Inertial Sensor Mounting Angle with Deep Neural Networks
• Title（参考訳）: mountnet:深層ニューラルネットワークを用いた慣性センサ搭載角度の学習
• Authors: Maxim Freydin, Niv Sfaradi, Nimrod Segol, Areej Eweida, and Barak Or
• Abstract要約: 車内のスマートフォンの取り付け角度を見つけることは、ナビゲーション、モーション検出、アクティビティ認識、その他の用途に不可欠である。 これらの問題に対処するために、ディープニューラルネットワーク(DNN)を用いたデータ駆動アプローチを提案する。 MountNetによって推定されるデバイス装着角度の遷移を検出し,円滑な遷移を検出するアルゴリズムを,リアルタイム展開のために定式化した。
• 参考スコア（独自算出の注目度）: 3.8377807283113183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Finding the mounting angle of a smartphone inside a car is crucial for navigation, motion detection, activity recognition, and other applications. It is a challenging task in several aspects: (i) the mounting angle at the drive start is unknown and may differ significantly between users; (ii) the user, or bad fixture, may change the mounting angle while driving; (iii) a rapid and computationally efficient real-time solution is required for most applications. To tackle these problems, a data-driven approach using deep neural networks (DNNs) is presented to learn the yaw mounting angle of a smartphone equipped with an inertial measurement unit (IMU) and strapped to a car. The proposed model, MountNet, uses only IMU readings as input and, in contrast to existing solutions, does not require inputs from global navigation satellite systems (GNSS). IMU data is collected for training and validation with the sensor mounted at a known yaw mounting angle and a range of ground truth labels is generated by applying a prescribed rotation to the measurements. Although the training data did not include recordings with real sensor rotations, tests on data with real and synthetic rotations show similar results. An algorithm is formulated for real-time deployment to detect and smooth transitions in device mounting angle estimated by MountNet. MountNet is shown to find the mounting angle rapidly which is critical in real-time applications. Our method converges in less than 30 seconds of driving to a mean error of 4 degrees allowing a fast calibration phase for other algorithms and applications. When the device is rotated in the middle of a drive, large changes converge in 5 seconds and small changes converge in less than 30 seconds.
• Abstract（参考訳）: 車内のスマートフォンの取り付け角度を見つけることは、ナビゲーション、モーション検出、アクティビティ認識、その他の用途に不可欠である。 それはいくつかの面で難しい課題です。 (i)運転開始時の取付角度が不明で、利用者間で大きく異なる場合がある。 二 運転中は、使用者又は悪用者が取付角度を変えることができる。 (iii)ほとんどのアプリケーションでは高速で計算効率の良いリアルタイムソリューションが必要となる。 これらの問題に対処するため、ディープニューラルネットワーク(DNN)を用いたデータ駆動アプローチを提案し、慣性測定ユニット(IMU)を備えたスマートフォンのヨー装着角度を学習し、車に縛り付ける。 提案モデルであるMountNetはIMUのみを入力とし、既存のソリューションとは対照的に、グローバルナビゲーション衛星システム(GNSS)からの入力を必要としない。 既知のヨー取付角度に装着されたセンサを用いて、IMUデータをトレーニング及び検証するために収集し、その測定に所定の回転を適用して、地中真理ラベルの範囲を生成する。 トレーニングデータには、実際のセンサー回転による記録は含まれなかったが、実および合成回転によるデータに対するテストも同様の結果を示した。 mountnetによって推定されるデバイス実装角度の遷移を検出・滑らかに検出するために、リアルタイムデプロイメントのためのアルゴリズムを定式化する。 MountNetは、リアルタイムアプリケーションにおいて重要な実装角度を急速に見つけることが示されている。 提案手法は,30秒未満で平均誤差4度に収束し,他のアルゴリズムやアプリケーションに対して高速な校正フェーズを実現する。 デバイスをドライブの中央で回転させると、大きな変化は5秒で収束し、小さな変化は30秒未満で収束する。

関連論文リスト

• Improved LiDAR Odometry and Mapping using Deep Semantic Segmentation and Novel Outliers Detection [1.0334138809056097]
  高速移動プラットフォームのためのLOAMアーキテクチャに基づくリアルタイムLiDARオドメトリーとマッピングのための新しいフレームワークを提案する。 本フレームワークは,ディープラーニングモデルによって生成された意味情報を用いて,ポイント・ツー・ラインとポイント・ツー・プレーンのマッチングを改善する。 高速動作に対するLiDARオドメトリーのロバスト性に及ぼすマッチング処理の改善効果について検討した。
  論文  参考訳（メタデータ） (2024-03-05T16:53:24Z)
• Angle Robustness Unmanned Aerial Vehicle Navigation in GNSS-Denied Scenarios [66.05091704671503]
  本稿では、ポイントツーポイントナビゲーションタスクにおける飛行偏差に対処する新しい角度ナビゲーションパラダイムを提案する。 また、Adaptive Feature Enhance Module、Cross-knowledge Attention-guided Module、Robust Task-oriented Head Moduleを含むモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:41:20Z)
• DoorINet: A Deep-Learning Inertial Framework for Door-Mounted IoT Applications [2.915868985330569]
  磁気センサを使わずにドアマウントで低コストな慣性センサから方向角を計算するための,エンドツーエンドのディープラーニングフレームワークであるDoorINetを提案する。 加速度計とジャイロスコープによる391分間の観測と、それに対応する地道方向の角度を含む独自のデータセットを記録している。
  論文  参考訳（メタデータ） (2024-01-24T05:28:29Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• ARS-DETR: Aspect Ratio-Sensitive Detection Transformer for Aerial Oriented Object Detection [55.291579862817656]
  既存のオブジェクト指向オブジェクト検出手法では、モデルの性能を測定するために計量AP$_50$が一般的である。 我々は、AP$_50$は本来、角度偏差に大きな耐性があるため、オブジェクト指向物体検出には適さないと主張している。 本稿では,ARS-DETR(Aspect Ratio Sensitive Oriented Object Detector with Transformer)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T02:20:56Z)
• Support Vector Machine for Determining Euler Angles in an Inertial Navigation System [55.41644538483948]
  本稿では,機械学習(ML)法を用いたMEMSセンサを用いた慣性ナビゲーションシステムの精度向上について論じる。 提案アルゴリズムは,MEMSセンサに典型的なノイズの存在を正しく分類できることを実証した。
  論文  参考訳（メタデータ） (2022-12-07T10:01:11Z)
• Learning Car Speed Using Inertial Sensors [0.0]
  ディープニューラルネットワーク(DNN)は、都市部で運転する車の速度を推定するために訓練される。 イスラエルのアシュドッド市では、グローバルなナビゲーション衛星システムを備えた車で3時間分のデータを収集した。 トレーニングされたモデルでは、位置更新を使わずに、4分間のドライブで位置精度を大幅に向上することが示されている。
  論文  参考訳（メタデータ） (2022-05-15T17:46:59Z)
• IDOL: Inertial Deep Orientation-Estimation and Localization [18.118289074111946]
  多くのスマートフォンアプリケーションは、運動を感知するために慣性測定装置(IMU)を使用しているが、歩行者の局所化にこれらのセンサーを使用することは困難である。 近年,慣性航法の可能性が高まっている。 本稿では,まず端末の向きを推定し,次にデバイスの位置を推定するコモディティスマートフォンを用いた2段階のデータ駆動パイプラインを提案する。
  論文  参考訳（メタデータ） (2021-02-08T06:41:47Z)
• Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor Setups [68.8204255655161]
  本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。 提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
  論文  参考訳（メタデータ） (2021-01-12T12:02:26Z)
• Accurate Alignment Inspection System for Low-resolution Automotive and Mobility LiDAR [125.41260574344933]
  車両やロボットなどの移動システムにおいて,センサ装着後のLiDARアライメント誤差を正確に推定する検査システムを提案する。 提案手法は, 固定位置における1つのターゲットボードのみを用いて, 水平方向(回転, 傾き, ヨー)とLiDARアタッチメントの水平位置を, 水平方向の精度で推定する。
  論文  参考訳（メタデータ） (2020-08-24T17:47:59Z)
• Real-Time Point Cloud Fusion of Multi-LiDAR Infrastructure Sensor Setups with Unknown Spatial Location and Orientation [0.0]
  外部からの援助から完全に切り離され、完全に自動的に実行されるアルゴリズムを提案する。 本手法は,LiDAR点雲の高精度融合に焦点を当てる。 シミュレーションおよび実測値を用いた実験により,64層LiDARの連続点雲登録をリアルタイムに行うことを確認した。
  論文  参考訳（メタデータ） (2020-07-28T08:43:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。