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
- 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) - Global Context Aggregation Network for Lightweight Saliency Detection of
Surface Defects [70.48554424894728]
我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。
まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。
3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
論文 参考訳(メタデータ) (2023-09-22T06:19:11Z) - 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) - UnLoc: A Universal Localization Method for Autonomous Vehicles using
LiDAR, Radar and/or Camera Input [51.150605800173366]
UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。
本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
論文 参考訳(メタデータ) (2023-07-03T04:10:55Z) - Multi-Modal 3D Object Detection by Box Matching [109.43430123791684]
マルチモーダル3次元検出のためのボックスマッチング(FBMNet)による新しいフュージョンネットワークを提案する。
3Dオブジェクトと2Dオブジェクトの提案を学習することで、ROI特徴を組み合わせることで、検出のための融合を効果的に行うことができる。
論文 参考訳(メタデータ) (2023-05-12T18:08:51Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - 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) - A Sensor Fusion-based GNSS Spoofing Attack Detection Framework for
Autonomous Vehicles [4.947150829838588]
本稿では,センサフュージョンをベースとしたGNSS(Global Navigation Satellite System)スプーフィング攻撃検出フレームワークを提案する。
複数の低コストの車載センサーからのデータを融合し、リカレントニューラルネットワークモデルに入力する。
我々は,k-Nearest Neighbors (k-NN) と Dynamic Time Warping (DTW) のアルゴリズムを組み合わせて,左旋回と右旋回を検出・分類した。
論文 参考訳(メタデータ) (2021-08-19T11:59:51Z) - Sensor Fusion-based GNSS Spoofing Attack Detection Framework for
Autonomous Vehicles [4.947150829838588]
自律走行車のための3つの同時戦略からなる,センサフュージョンに基づく攻撃検出フレームワークを提案する。
複数の低コストの車載センサーからのデータを融合し、リカレントニューラルネットワークモデルに入力する。
我々はk-Nearest Neighbors (k-NN) と Dynamic Time Warping (DTW) のアルゴリズムを組み合わせて、操舵角センサからのデータを用いて回転を検出する。
解析の結果,センサフュージョンに基づく検出フレームワークは,必要な計算遅延閾値内で,3種類のスプーフィング攻撃をすべて検出できることがわかった。
論文 参考訳(メタデータ) (2021-06-05T23:02:55Z) - 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) - Taurus: A Data Plane Architecture for Per-Packet ML [59.1343317736213]
本稿では,線数推論のためのデータプレーンであるTaurusの設計と実装について述べる。
Taurus スイッチ ASIC の評価は,Taurus がサーバベースコントロールプレーンよりも桁違いに高速に動作することを示す。
論文 参考訳(メタデータ) (2020-02-12T09:18:36Z)
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。