論文の概要: Machine Learning Based Compensation for Inconsistencies in Knitted Force
Sensors
- arxiv url: http://arxiv.org/abs/2306.12129v2
- Date: Thu, 19 Oct 2023 07:31:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-20 19:36:23.451224
- Title: Machine Learning Based Compensation for Inconsistencies in Knitted Force
Sensors
- Title(参考訳): ニット力センサの不整合に対する機械学習による補償
- Authors: Roland Aigner and Andreas St\"ockl
- Abstract要約: 編まれたセンサーは、オフセット、緩和、漂流といった自然現象によってしばしば不整合に悩まされる。
本稿では,最小人工ニューラルネットワーク(ANN)を用いて処理することで,これに対応する方法を示す。
合計8個のニューロンを持つ3層ANNをトレーニングすることにより,センサ読み取りとアクティベーション力のマッピングを大幅に改善する。
- 参考スコア(独自算出の注目度): 1.0742675209112622
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Knitted sensors frequently suffer from inconsistencies due to innate effects
such as offset, relaxation, and drift. These properties, in combination, make
it challenging to reliably map from sensor data to physical actuation. In this
paper, we demonstrate a method for counteracting this by applying processing
using a minimal artificial neural network (ANN) in combination with
straightforward pre-processing. We apply a number of exponential smoothing
filters on a re-sampled sensor signal, to produce features that preserve
different levels of historical sensor data and, in combination, represent an
adequate state of previous sensor actuation. By training a three-layer ANN with
a total of 8 neurons, we manage to significantly improve the mapping between
sensor reading and actuation force. Our findings also show that our technique
translates to sensors of reasonably different composition in terms of material
and structure, and it can furthermore be applied to related physical features
such as strain.
- Abstract(参考訳): 編物センサーは、オフセット、リラクゼーション、ドリフトなどの自然効果のためにしばしば不整合に苦しむ。
これらの特性を組み合わせることで、センサーデータから物理アクチュエータへの確実にマッピングが困難になる。
本稿では,簡単な前処理と組み合わせて,最小の人工ニューラルネットワーク (ann) を用いた処理を適用することで,これに対抗する手法を示す。
再サンプリングされたセンサ信号に多数の指数的スムースティングフィルタを適用し、異なるレベルのセンサデータを保存し、組み合わせることで、以前のセンサアクティベーションの適切な状態を表す特徴を創出する。
合計8個のニューロンを持つ3層ANNをトレーニングすることにより,センサ読み取りとアクティベーション力のマッピングを大幅に改善する。
また, 本手法は, 材料や構造の観点から, 合理的に異なる組成のセンサに変換され, ひずみなどの関連する物理的特徴にも応用できることを示した。
関連論文リスト
- Deep convolutional neural networks for cyclic sensor data [0.0]
本研究では,センサによる条件モニタリングに焦点をあて,深層学習技術の応用について検討する。
本研究は,従来手法を用いたベースラインモデル,早期センサフュージョンを用いた単一CNNモデル,後期センサフュージョンを用いた2車線CNNモデル (2L-CNN) の3つのモデルの性能を比較した。
論文 参考訳(メタデータ) (2023-08-14T07:51:15Z) - Data-Induced Interactions of Sparse Sensors [3.050919759387984]
トレーニングデータによって引き起こされるセンサインタラクションの全体像を熱力学ビューで計算する。
これらのデータによって引き起こされるセンサーの相互作用をマッピングすることで、外部選択基準と組み合わせ、センサーの代替効果を予測することができる。
論文 参考訳(メタデータ) (2023-07-21T18:13:37Z) - Tactile-Filter: Interactive Tactile Perception for Part Mating [54.46221808805662]
人間は触覚と触覚に頼っている。
視覚ベースの触覚センサーは、様々なロボット認識や制御タスクに広く利用されている。
本稿では,視覚に基づく触覚センサを用いた対話的知覚手法を提案する。
論文 参考訳(メタデータ) (2023-03-10T16:27:37Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳(メタデータ) (2022-10-20T11:03:21Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳(メタデータ) (2022-09-26T21:59:14Z) - Learning Online Multi-Sensor Depth Fusion [100.84519175539378]
SenFuNetは、センサ固有のノイズと外れ値統計を学習するディープフュージョンアプローチである。
実世界のCoRBSとScene3Dデータセットで様々なセンサーの組み合わせで実験を行う。
論文 参考訳(メタデータ) (2022-04-07T10:45:32Z) - Comparison of end-to-end neural network architectures and data
augmentation methods for automatic infant motility assessment using wearable
sensors [7.003610369186623]
本研究では,ウェアラブルセンサから幼児の運動データを処理するためのエンド・ツー・エンドのニューラルネットワークアーキテクチャについて検討した。
実験は7カ月児のマルチセンサー運動記録データを用いて行った。
論文 参考訳(メタデータ) (2021-07-02T14:02:05Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳(メタデータ) (2021-02-02T15:44:39Z) - Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision
Action Recognition [131.6328804788164]
本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。
SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
論文 参考訳(メタデータ) (2020-09-01T03:38:31Z) - Towards Improved Human Action Recognition Using Convolutional Neural
Networks and Multimodal Fusion of Depth and Inertial Sensor Data [1.52292571922932]
本稿では,深度と慣性センサデータの融合によるヒューマンアクション認識(HAR)の精度向上を試みる。
我々は、深度データを逐次フロントビューイメージ(SFI)に変換し、これらの画像上でトレーニング済みのAlexNetを微調整する。
慣性データを信号画像(SI)に変換し、これらの画像上で別の畳み込みニューラルネットワーク(CNN)を訓練する。
論文 参考訳(メタデータ) (2020-08-22T03:41:34Z)
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。