論文の概要: Leveraging arbitrary mobile sensor trajectories with shallow recurrent
decoder networks for full-state reconstruction
- arxiv url: http://arxiv.org/abs/2307.11793v1
- Date: Thu, 20 Jul 2023 21:42:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 19:36:53.001733
- Title: Leveraging arbitrary mobile sensor trajectories with shallow recurrent
decoder networks for full-state reconstruction
- Title（参考訳）: 浅層再帰デコーダネットワークを用いた任意移動センサトラジェクタのフルステート再構成への応用
- Authors: Megan R. Ebers, Jan P. Williams, Katherine M. Steele, J. Nathan Kutz
- Abstract要約: LSTM(long, short-term memory)ネットワークやデコーダネットワークのようなシーケンス・ツー・ベクター・モデルでは,動的情報を全状態空間推定にマッピング可能であることを示す。
ネットワークアーキテクチャの例外的な性能は、3つのアプリケーションで実証される。
- 参考スコア（独自算出の注目度）: 4.243926243206826
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sensing is one of the most fundamental tasks for the monitoring, forecasting
and control of complex, spatio-temporal systems. In many applications, a
limited number of sensors are mobile and move with the dynamics, with examples
including wearable technology, ocean monitoring buoys, and weather balloons. In
these dynamic systems (without regions of statistical-independence), the
measurement time history encodes a significant amount of information that can
be extracted for critical tasks. Most model-free sensing paradigms aim to map
current sparse sensor measurements to the high-dimensional state space,
ignoring the time-history all together. Using modern deep learning
architectures, we show that a sequence-to-vector model, such as an LSTM (long,
short-term memory) network, with a decoder network, dynamic trajectory
information can be mapped to full state-space estimates. Indeed, we demonstrate
that by leveraging mobile sensor trajectories with shallow recurrent decoder
networks, we can train the network (i) to accurately reconstruct the full state
space using arbitrary dynamical trajectories of the sensors, (ii) the
architecture reduces the variance of the mean-square error of the
reconstruction error in comparison with immobile sensors, and (iii) the
architecture also allows for rapid generalization (parameterization of
dynamics) for data outside the training set. Moreover, the path of the sensor
can be chosen arbitrarily, provided training data for the spatial trajectory of
the sensor is available. The exceptional performance of the network
architecture is demonstrated on three applications: turbulent flows, global
sea-surface temperature data, and human movement biomechanics.
- Abstract（参考訳）: センシングは、複雑な時空間システムの監視、予測、制御のための最も基本的なタスクの1つである。
多くのアプリケーションでは、限られた数のセンサーがモバイルであり、ウェアラブル技術、海洋監視ブイ、気象気球など、ダイナミクスを使って移動している。
これらの動的システム(統計に依存しない領域を除く)では、測定時間履歴は重要なタスクのために抽出できるかなりの量の情報をエンコードする。
ほとんどのモデルフリーセンシングパラダイムは、現在のスパースセンサの測定結果を高次元の状態空間にマッピングすることを目的としている。
現代のディープラーニングアーキテクチャを用いて、LSTM(long, short-term memory)ネットワークのようなシーケンス・ツー・ベクターモデルとデコーダ・ネットワークを用いて、動的軌跡情報を全状態空間推定にマッピング可能であることを示す。
実際、我々は、浅い再帰デコーダネットワークでモバイルセンサトラジェクタを利用することで、ネットワークを訓練できることを実証する。
一 センサの任意の動的軌跡を用いて全状態空間を正確に再構築すること。
(ii)このアーキテクチャは、イムモービルセンサと比較して、復元誤差の平均二乗誤差のばらつきを低減させる。
(iii)アーキテクチャはまた、トレーニングセット外のデータの迅速な一般化(動的パラメータ化)を可能にする。
また、センサの空間軌跡の訓練データが利用可能であれば、センサの経路を任意に選択することができる。
ネットワークアーキテクチャの例外的な性能は,乱流,大域海面温度データ,人体運動バイオメカニクスの3つの応用で実証されている。
関連論文リスト
- Scaling Wearable Foundation Models [54.93979158708164]
センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。
最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。
この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
論文 参考訳（メタデータ） (2024-10-17T15:08:21Z) - Graph Neural Networks for Virtual Sensing in Complex Systems: Addressing Heterogeneous Temporal Dynamics [8.715570103753697]
複雑なシステムの信頼性と効率的な運用にはリアルタイム状態監視が不可欠である。
本稿では,HTGNN(Heterogeneous Temporal Graph Neural Network)フレームワークを提案する。
HTGNNは多様なセンサーからの信号を明示的にモデル化し、動作条件をモデルアーキテクチャに統合する。
論文 参考訳（メタデータ） (2024-07-26T12:16:53Z) - DynST: Dynamic Sparse Training for Resource-Constrained Spatio-Temporal
Forecasting [24.00162014044092]
地球科学システムは、センサーの広範な展開に大きく依存している。
従来のセンサー配置アプローチでは、特定のアルゴリズムを使用してセンサーを設計および展開する。
本稿では,ダイナミックスパーストレーニングのコンセプトを初めて紹介し,重要なセンサデータを動的にフィルタリングすることを約束する。
論文 参考訳（メタデータ） (2024-03-05T12:31:24Z) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-08T13:50:30Z) - 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) - Deep Learning Method for Cell-Wise Object Tracking, Velocity Estimation
and Projection of Sensor Data over Time [0.7340017786387767]
我々は、ConvNetがこのタスクのアーキテクチャ上の制約にどのように悩まされているかを示す。
最後のステップでは、抽出した速度推定に基づいて、リカレントニューラルネットワークのメモリ状態を投影する。
論文 参考訳（メタデータ） (2023-06-08T07:33:05Z) - 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) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Global field reconstruction from sparse sensors with Voronoi
tessellation-assisted deep learning [0.0]
任意の数の任意の位置センサに対して,構造化格子を用いた深層学習に基づくデータ駆動型空間場復元手法を提案する。
提案手法は,実時間グローバルフィールド推定のためのニューラルネットワークの実用化に向けた新たな道を開く。
論文 参考訳（メタデータ） (2021-01-03T03:43:53Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z) - 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。