論文の概要: End-to-End Deep Learning Framework for Real-Time Inertial Attitude
Estimation using 6DoF IMU
- arxiv url: http://arxiv.org/abs/2302.06037v1
- Date: Mon, 13 Feb 2023 00:41:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-14 17:01:54.706759
- Title: End-to-End Deep Learning Framework for Real-Time Inertial Attitude
Estimation using 6DoF IMU
- Title（参考訳）: 6DoF IMUを用いた実時間慣性姿勢推定のためのエンドツーエンドディープラーニングフレームワーク
- Authors: Arman Asgharpoor Golroudbari, Mohammad Hossein Sabour
- Abstract要約: 実時間姿勢推定の問題を解決するために,2つのエンドツーエンドディープラーニングモデルを提案する。
提案モデルでは、加速度計とジャイロスコープの読み取りを入力とし、7つの公開データセットの組み合わせから収集する。
提案手法は, 精度とロバスト性の観点から, 最先端の手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Inertial Measurement Units (IMU) are commonly used in inertial attitude
estimation from engineering to medical sciences. There may be disturbances and
high dynamics in the environment of these applications. Also, their motion
characteristics and patterns also may differ. Many conventional filters have
been proposed to tackle the inertial attitude estimation problem based on IMU
measurements. There is no generalization over motion and environmental
characteristics in these filters. As a result, the presented conventional
filters will face various motion characteristics and patterns, which will limit
filter performance and need to optimize the filter parameters for each
situation. In this paper, two end-to-end deep-learning models are proposed to
solve the problem of real-time attitude estimation by using inertial sensor
measurements, which are generalized to motion patterns, sampling rates, and
environmental disturbances. The proposed models incorporate accelerometer and
gyroscope readings as inputs, which are collected from a combination of seven
public datasets. The models consist of convolutional neural network (CNN)
layers combined with Bi-Directional Long-Short Term Memory (LSTM) followed by a
Fully Forward Neural Network (FFNN) to estimate the quaternion. To evaluate the
validity and reliability, we have performed an extensive and comprehensive
evaluation over seven publicly available datasets, which consist of more than
120 hours and 200 kilometers of IMU measurements. The results show that the
proposed method outperforms the state-of-the-art methods in terms of accuracy
and robustness. Furthermore, it demonstrates that this model generalizes better
than other methods over various motion characteristics and sensor sampling
rates.
- Abstract（参考訳）: 慣性測定ユニット(IMU)は工学から医学への慣性姿勢推定に一般的に用いられる。
これらのアプリケーションの環境には乱れや高いダイナミクスがあるかもしれない。
また、その動きの特徴やパターンも異なる可能性がある。
IMU測定に基づく慣性姿勢推定問題に対処するために,多くの従来のフィルタが提案されている。
これらのフィルタには運動と環境特性の一般化はない。
その結果、従来のフィルタは様々な動作特性やパターンに直面するため、フィルタの性能は制限され、各状況でフィルタパラメータを最適化する必要がある。
本稿では,動作パターン,サンプリング速度,環境障害に一般化した慣性センサ計測を用いて,実時間姿勢推定の問題を解決するために,エンド・ツー・エンドの2つのディープラーニングモデルを提案する。
提案モデルでは、加速度計とジャイロスコープの読み取りを入力とし、7つの公開データセットの組み合わせから収集する。
モデルは畳み込みニューラルネットワーク(CNN)層と双方向長短項メモリ(LSTM)を結合し、四元数の推定のためにフルフォワードニューラルネットワーク(FFNN)が続く。
妥当性と信頼性を評価するため,120時間200km以上のIMU測定を行う7つの公開データセットに対して,広範囲かつ包括的な評価を行った。
その結果,提案手法は精度とロバスト性において最先端手法よりも優れていることがわかった。
さらに, このモデルでは, 様々な動作特性やセンササンプリング率に対して, 他の手法よりも優れることを示した。
関連論文リスト
- 3D Multi-Object Tracking with Semi-Supervised GRU-Kalman Filter [6.13623925528906]
3D Multi-Object Tracking (MOT)は、自律運転やロボットセンシングのようなインテリジェントなシステムに不可欠である。
本稿では,学習可能なカルマンフィルタを移動モジュールに導入するGRUベースのMOT法を提案する。
このアプローチは、データ駆動学習を通じてオブジェクトの動き特性を学習することができ、手動モデル設計やモデルエラーを回避することができる。
論文 参考訳（メタデータ） (2024-11-13T08:34:07Z) - A Practitioner's Guide to Continual Multimodal Pretraining [83.63894495064855]
マルチモーダル・ファンデーション・モデルは視覚と言語を交わす多くのアプリケーションに役立っている。
モデルを更新し続けるために、継続事前トレーニングの研究は主に、大規模な新しいデータに対する頻度の低い、差別的な更新、あるいは頻繁に行われるサンプルレベルの更新のシナリオを探求する。
本稿では,FoMo-in-Flux(FoMo-in-Flux)について紹介する。
論文 参考訳（メタデータ） (2024-08-26T17:59:01Z) - Time Series Analysis by State Space Learning [44.99833362998488]
状態空間モデルによる時系列解析は、説明変数とともに、レベルスロープや季節性のような観測不可能なコンポーネントの予測と抽出に広く用いられている。
本研究は,統計的学習の能力を活用し,時系列モデリングと予測のための総合的なフレームワークを構築するための新しいフレームワークとパラダイムであるState Space Learning(SSL)を紹介する。
論文 参考訳（メタデータ） (2024-08-17T07:04:26Z) - PAPM: A Physics-aware Proxy Model for Process Systems [12.94548495044072]
本稿では,プロセスシステムの一部の物理を組み込んだ物理対応プロキシモデル(PAPM)を提案する。
PAPMは平均性能が6.7%向上するのに対して、FLOPは少なく、パラメータの1%しか必要としない。
論文 参考訳（メタデータ） (2024-07-07T02:10:05Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing
Things [82.15959827765325]
環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。
我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。
我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
論文 参考訳（メタデータ） (2022-07-14T10:04:18Z) - Evaluating Short-Term Forecasting of Multiple Time Series in IoT
Environments [67.24598072875744]
IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。
この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。
これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
論文 参考訳（メタデータ） (2022-06-15T19:46:59Z) - Transformer Inertial Poser: Attention-based Real-time Human Motion
Reconstruction from Sparse IMUs [79.72586714047199]
本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。
提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
論文 参考訳（メタデータ） (2022-03-29T16:24:52Z) - Incremental learning of LSTM framework for sensor fusion in attitude
estimation [2.064612766965483]
本稿では,Long-Short Term Memory (LSTM) ネットワークの漸進的学習による3次元空間における物体の姿勢推定手法を提案する。
慣性センサデータはLSTMネットワークに送られ、徐々に更新され、実行時に発生する動作の動的変化を組み込む。
提案フレームワークは,高度に動的な環境であっても,従来の手法と比較して,結果を著しく改善する。
論文 参考訳（メタデータ） (2021-08-04T09:03:53Z) - Deep Inertial Odometry with Accurate IMU Preintegration [16.598260336275892]
慣性測定ユニット (IMU) は、環境要因に依存しないエゴモーション計測を提供する、インターセプティブなモダリティである。
本研究では,DIO(Deep Inertial odometry)のためのIMU運動モデルに対するより現実的な解として,正確な事前積分の有効性を検討する。
結果のdioは、モデル駆動とデータ駆動のアプローチの融合です。
論文 参考訳（メタデータ） (2021-01-18T13:16:04Z) - Motion Prediction Using Temporal Inception Module [96.76721173517895]
人間の動作を符号化するTIM(Temporal Inception Module)を提案する。
本フレームワークは,異なる入力長に対して異なるカーネルサイズを用いて,畳み込み層を用いて入力埋め込みを生成する。
標準的な動き予測ベンチマークデータセットであるHuman3.6MとCMUのモーションキャプチャデータセットの実験結果から,我々の手法は一貫して技術手法の状態を上回ります。
論文 参考訳（メタデータ） (2020-10-06T20:26:01Z)
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。