論文の概要: Inertial Navigation Meets Deep Learning: A Survey of Current Trends and Future Directions

• arxiv url: http://arxiv.org/abs/2307.00014v2
• Date: Sun, 25 Feb 2024 16:24:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-27 19:26:02.888170
• Title: Inertial Navigation Meets Deep Learning: A Survey of Current Trends and Future Directions
• Title（参考訳）: ディープラーニングによる慣性ナビゲーションの現状と今後の方向性
• Authors: Nadav Cohen and Itzik Klein
• Abstract要約: 近年,慣性センシングやセンサ融合の分野では,機械学習や深層学習技術の発達が著しく進んでいる。 本稿では,慣性センシングとセンサ融合のための深層学習手法を詳細に検討する。 キャリブレーションとデノナイズのための学習手法と、純粋な慣性航法とセンサ融合を改善するためのアプローチについて議論する。
• 参考スコア（独自算出の注目度）: 15.619053656143564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inertial sensing is used in many applications and platforms, ranging from day-to-day devices such as smartphones to very complex ones such as autonomous vehicles. In recent years, the development of machine learning and deep learning techniques has increased significantly in the field of inertial sensing and sensor fusion. This is due to the development of efficient computing hardware and the accessibility of publicly available sensor data. These data-driven approaches mainly aim to empower model-based inertial sensing algorithms. To encourage further research in integrating deep learning with inertial navigation and fusion and to leverage their capabilities, this paper provides an in-depth review of deep learning methods for inertial sensing and sensor fusion. We discuss learning methods for calibration and denoising as well as approaches for improving pure inertial navigation and sensor fusion. The latter is done by learning some of the fusion filter parameters. The reviewed approaches are classified by the environment in which the vehicles operate: land, air, and sea. In addition, we analyze trends and future directions in deep learning-based navigation and provide statistical data on commonly used approaches.
• Abstract（参考訳）: 慣性センシングは、スマートフォンのような日々のデバイスから、自動運転車のような非常に複雑なデバイスまで、多くのアプリケーションやプラットフォームで使われている。 近年,慣性センシングやセンサ融合の分野において,機械学習やディープラーニング技術の発展が顕著に進んでいる。 これは、効率的なコンピューティングハードウェアの開発と、公開されているセンサデータのアクセシビリティが原因である。 データ駆動型アプローチは主にモデルに基づく慣性センシングアルゴリズムを強化することを目的としている。 慣性航法・融合とディープラーニングの統合に関するさらなる研究を奨励し,その能力を活用すべく,慣性センシングとセンサフュージョンのための深層学習手法の詳細なレビューを行う。 本稿では,キャリブレーションとデノイジングのための学習手法と,純粋慣性ナビゲーションとセンサ融合の改善手法について考察する。 後者は、フュージョンフィルタパラメータのいくつかを学ぶことで実現される。 レビューされたアプローチは、車両が運転する環境(陸、空、海)によって分類される。 さらに,深層学習に基づくナビゲーションにおけるトレンドと今後の方向性を分析し,一般的な手法に関する統計データを提供する。

関連論文リスト

• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
  軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。 トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。 特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
  論文  参考訳（メタデータ） (2024-03-21T05:57:27Z)
• Federated Learning on Edge Sensing Devices: A Review [0.0]
  プライバシ、ハードウェア、接続性の制限に対するソリューションとして、フェデレートラーニング(FL)が登場している。 FLの主要な原則、ソフトウェアフレームワーク、テストベッドに重点を置いています。 また,現在のセンサ技術,センサ装置の特性,FLを利用したセンサアプリケーションについても検討する。
  論文  参考訳（メタデータ） (2023-11-02T12:55:26Z)
• End-to-end Autonomous Driving using Deep Learning: A Systematic Review [0.0]
  エンドツーエンドの自律運転(End-to-end autonomous driving)は、センサーの入力データやその他のメタデータを事前情報として取り込み、エゴ車の制御信号や計画された軌跡を直接出力する、完全に微分可能な機械学習システムである。 本稿では, 物体検出, セマンティックシーン理解, 物体追跡, 軌道予測, 軌道計画, 車両制御, 社会行動, コミュニケーションなど, 最新の機械学習技術をすべて体系的に検証し, このエンドツーエンドのタスクを実行する。
  論文  参考訳（メタデータ） (2023-08-27T17:43:58Z)
• Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
  本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。 両センサと融合に関する概念と特徴を提示する。 本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
  論文  参考訳（メタデータ） (2023-03-08T00:48:32Z)
• Deep Learning for Inertial Positioning: A Survey [4.188058836787458]
  慣性センサーによる位置決めは、パーソナルナビゲーション、ロケーションベースのセキュリティ、ヒューマンデバイスインタラクションなど、さまざまなアプリケーションにおいて不可欠である。 深層学習技術が開発され、慣性位置決めの問題に対処するための重要な研究が進められている。 本稿は,深層学習技術が慣性的位置決め問題を解決する可能性に関心を持つ研究者や実践者を含む,さまざまなバックグラウンドから読者を引きつけることを目的としている。
  論文  参考訳（メタデータ） (2023-03-07T09:33:49Z)
• Exploring Contextual Representation and Multi-Modality for End-to-End Autonomous Driving [58.879758550901364]
  最近の知覚システムは、センサー融合による空間理解を高めるが、しばしば完全な環境コンテキストを欠いている。 我々は,3台のカメラを統合し,人間の視野をエミュレートするフレームワークを導入し,トップダウンのバードアイビューセマンティックデータと組み合わせて文脈表現を強化する。 提案手法は, オープンループ設定において0.67mの変位誤差を達成し, nuScenesデータセットでは6.9%の精度で現在の手法を上回っている。
  論文  参考訳（メタデータ） (2022-10-13T05:56:20Z)
• Inertial Sensing Meets Artificial Intelligence: Opportunity or Challenge? [12.244109673209769]
  本稿では,AI技術を用いて様々な側面からの慣性感覚を高める研究について概説する。 センサーの設計と選択、キャリブレーションとエラーモデリング、ナビゲーションとモーションセンシングアルゴリズム、マルチセンサー情報融合、システム評価、実用的な応用が含まれる。 AIによって強化された慣性センシングの9つの利点と9つの課題をまとめた上で、今後の研究方向性を指摘する。
  論文  参考訳（メタデータ） (2020-07-13T22:33:21Z)
• A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial Machine Intelligence [48.67755344239951]
  包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。 オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。 この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
  論文  参考訳（メタデータ） (2020-06-22T19:01:21Z)
• Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
  慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。 正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。 我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
  論文  参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。