論文の概要: Machine Learning-based Positioning using Multivariate Time Series
Classification for Factory Environments
- arxiv url: http://arxiv.org/abs/2308.11670v1
- Date: Tue, 22 Aug 2023 10:07:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-24 17:29:29.605339
- Title: Machine Learning-based Positioning using Multivariate Time Series
Classification for Factory Environments
- Title(参考訳): 工場環境における多変量時系列分類を用いた機械学習に基づく位置決め
- Authors: Nisal Hemadasa Manikku Badu and Marcus Venzke and Volker Turau and
Yanqiu Huang
- Abstract要約: 最先端のソリューションは外部インフラストラクチャに大きく依存しており、潜在的なプライバシー侵害にさらされている。
機械学習(ML)の最近の進歩は、IoTデバイスのオンボードセンサーのデータのみに依存する、これらの制限に対処するソリューションを提供する。
本稿では,移動体をプライバシ関連工場環境に局在させるため,モーションセンサと環境センサを用いた機械学習による屋内位置決めシステムを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Indoor Positioning Systems (IPS) gained importance in many industrial
applications. State-of-the-art solutions heavily rely on external
infrastructures and are subject to potential privacy compromises, external
information requirements, and assumptions, that make it unfavorable for
environments demanding privacy and prolonged functionality. In certain
environments deploying supplementary infrastructures for indoor positioning
could be infeasible and expensive. Recent developments in machine learning (ML)
offer solutions to address these limitations relying only on the data from
onboard sensors of IoT devices. However, it is unclear which model fits best
considering the resource constraints of IoT devices. This paper presents a
machine learning-based indoor positioning system, using motion and ambient
sensors, to localize a moving entity in privacy concerned factory environments.
The problem is formulated as a multivariate time series classification (MTSC)
and a comparative analysis of different machine learning models is conducted in
order to address it. We introduce a novel time series dataset emulating the
assembly lines of a factory. This dataset is utilized to assess and compare the
selected models in terms of accuracy, memory footprint and inference speed. The
results illustrate that all evaluated models can achieve accuracies above 80 %.
CNN-1D shows the most balanced performance, followed by MLP. DT was found to
have the lowest memory footprint and inference latency, indicating its
potential for a deployment in real-world scenarios.
- Abstract(参考訳): 屋内測位システム (IPS) は多くの産業用途で重要になった。
最先端のソリューションは、外部インフラストラクチャに大きく依存しており、潜在的なプライバシーの妥協、外部情報要件、仮定などに直面しているため、プライバシや長期機能を必要とする環境では好ましくない。
屋内位置決めのための補助的なインフラを配置する環境は、実現不可能で費用がかかる可能性がある。
機械学習(ML)の最近の進歩は、IoTデバイスのオンボードセンサーのデータのみに依存する、これらの制限に対処するソリューションを提供する。
しかし、IoTデバイスのリソース制約を考慮すると、どのモデルが最適かは定かではない。
本稿では,移動体をプライバシ関連工場環境に局在させるため,モーションセンサと環境センサを用いた機械学習による屋内位置決めシステムを提案する。
この問題は多変量時系列分類(MTSC)として定式化され、それに対応するために異なる機械学習モデルの比較分析を行う。
本稿では,工場の組立ラインをエミュレートした時系列データセットを提案する。
このデータセットを使用して、選択したモデルの精度、メモリフットプリント、推論速度を評価し、比較する。
その結果,すべての評価モデルが80%以上の精度を達成できることがわかった。
CNN-1Dは最もバランスのとれた性能を示し、MLPが続く。
DTはメモリフットプリントと推論のレイテンシが低く、実際のシナリオへのデプロイの可能性を示している。
関連論文リスト
- On-device Training: A First Overview on Existing Systems [8.0653715405809]
リソース制約のあるデバイスにいくつかのモデルをデプロイする努力も行われている。
この研究は、デバイス上でモデルトレーニングを可能にする最先端のシステム研究を要約し、分析することを目的としている。
論文 参考訳(メタデータ) (2022-12-01T19:22:29Z) - Incremental Online Learning Algorithms Comparison for Gesture and Visual
Smart Sensors [68.8204255655161]
本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。
以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
論文 参考訳(メタデータ) (2022-09-01T17:05:20Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳(メタデータ) (2022-09-01T03:27:33Z) - Applied Federated Learning: Architectural Design for Robust and
Efficient Learning in Privacy Aware Settings [0.8454446648908585]
古典的な機械学習パラダイムは、中央にユーザーデータの集約を必要とする。
データの集中化は、内部および外部のセキュリティインシデントのリスクを高めることを含むリスクを引き起こす。
差分プライバシーによるフェデレーション学習は、サーバ側の集中化落とし穴を避けるように設計されている。
論文 参考訳(メタデータ) (2022-06-02T00:30:04Z) - Multi-Edge Server-Assisted Dynamic Federated Learning with an Optimized
Floating Aggregation Point [51.47520726446029]
協調エッジ学習(CE-FL)は、分散機械学習アーキテクチャである。
CE-FLの過程をモデル化し,分析訓練を行った。
実世界のテストベッドから収集したデータを用いて,本フレームワークの有効性を示す。
論文 参考訳(メタデータ) (2022-03-26T00:41:57Z) - Parallel Successive Learning for Dynamic Distributed Model Training over
Heterogeneous Wireless Networks [50.68446003616802]
フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。
我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。
我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
論文 参考訳(メタデータ) (2022-02-07T05:11:01Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳(メタデータ) (2021-12-22T14:45:37Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳(メタデータ) (2021-10-28T08:14:57Z) - LIMITS: Lightweight Machine Learning for IoT Systems with Resource
Limitations [8.647853543335662]
我々は、IoTシステムのための新しいオープンソースのフレームワークLIghtweight Machine Learning(LIMITS)を紹介する。
LIMITSは、ターゲットIoTプラットフォームの実際のコンパイルツールチェーンを明示的に考慮した、プラットフォーム・イン・ザ・ループのアプローチを適用している。
LIMITSを携帯電話データレート予測と無線車種分類に応用し,その妥当性を検証した。
論文 参考訳(メタデータ) (2020-01-28T06:34:35Z)
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。