論文の概要: Generalizable End-to-End Deep Learning Frameworks for Real-Time Attitude
Estimation Using 6DoF Inertial Measurement Units
- arxiv url: http://arxiv.org/abs/2302.06037v2
- Date: Sun, 21 May 2023 13:00:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 04:09:16.947138
- Title: Generalizable End-to-End Deep Learning Frameworks for Real-Time Attitude
Estimation Using 6DoF Inertial Measurement Units
- Title（参考訳）: 6DoF慣性測定ユニットを用いたリアルタイム姿勢推定のための一般化可能な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: 本稿では、6DoF IMU測定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を提案する。
加速度計とジャイロスコープを入力とする2つのディープラーニングモデルを提案する。
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: This paper presents a novel end-to-end deep learning framework for real-time
inertial attitude estimation using 6DoF IMU measurements. Inertial Measurement
Units are widely used in various applications, including engineering and
medical sciences. However, traditional filters used for attitude estimation
suffer from poor generalization over different motion patterns and
environmental disturbances. To address this problem, we propose two deep
learning models that incorporate accelerometer and gyroscope readings as
inputs. These models are designed to be generalized to different motion
patterns, sampling rates, and environmental disturbances. Our models consist of
convolutional neural network layers combined with Bi-Directional Long-Short
Term Memory followed by a Fully Forward Neural Network to estimate the
quaternion. We evaluate the proposed method on seven publicly available
datasets, totaling more than 120 hours and 200 kilometers of IMU measurements.
Our results show that the proposed method outperforms state-of-the-art methods
in terms of accuracy and robustness. Additionally, our framework demonstrates
superior generalization over various motion characteristics and sensor sampling
rates. Overall, this paper provides a comprehensive and reliable solution for
real-time inertial attitude estimation using 6DoF IMUs, which has significant
implications for a wide range of applications.
- Abstract（参考訳）: 本稿では、6DoF IMU測定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を提案する。
慣性測定ユニットは工学や医学など様々な用途で広く使われている。
しかしながら、姿勢推定に用いられる従来のフィルタは、異なる動きパターンや環境障害に対する一般化が貧弱である。
この問題に対処するために,加速度計とジャイロスコープを入力とする2つのディープラーニングモデルを提案する。
これらのモデルは、異なる動きパターン、サンプリングレート、環境障害に一般化するように設計されている。
本モデルでは,畳み込みニューラルネットワーク層と双方向の長期記憶層,および四元数を推定する完全フォワードニューラルネットワークからなる。
提案手法は,120時間200kmのIMU測定を行い,利用可能な7つのデータセットに対して評価を行った。
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, 各種運動特性やセンサのサンプリング速度よりも優れた一般化を示す。
全体として,6dof imusを用いた実時間慣性姿勢推定のための包括的かつ信頼性の高いソリューションを提供する。
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。