Fugu-MT 論文翻訳(概要): Object Location Prediction in Real-time using LSTM Neural Network and Polynomial Regression

論文の概要: Object Location Prediction in Real-time using LSTM Neural Network and Polynomial Regression

arxiv url: http://arxiv.org/abs/2311.13950v1
Date: Thu, 23 Nov 2023 12:03:02 GMT
ステータス: 処理完了
システム内更新日: 2023-11-27 23:54:51.379671
Title: Object Location Prediction in Real-time using LSTM Neural Network and Polynomial Regression
Title（参考訳）: LSTMニューラルネットと多項式回帰を用いたリアルタイム物体位置予測
Authors: Petar Stojkovi\'c, Predrag Tadi\'c
Abstract要約: 本稿では,物体位置座標の予測と補間を行うシステムの設計と実装について述べる。我々のソリューションは、Long Short-Term Memory(LSTM)ニューラルネットワークと回帰による慣性測定とグローバルな位置決めシステムデータに基づく。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper details the design and implementation of a system for predicting and interpolating object location coordinates. Our solution is based on processing inertial measurements and global positioning system data through a Long Short-Term Memory (LSTM) neural network and polynomial regression. LSTM is a type of recurrent neural network (RNN) particularly suited for processing data sequences and avoiding the long-term dependency problem. We employed data from real-world vehicles and the global positioning system (GPS) sensors. A critical pre-processing step was developed to address varying sensor frequencies and inconsistent GPS time steps and dropouts. The LSTM-based system's performance was compared with the Kalman Filter. The system was tuned to work in real-time with low latency and high precision. We tested our system on roads under various driving conditions, including acceleration, turns, deceleration, and straight paths. We tested our proposed solution's accuracy and inference time and showed that it could perform in real-time. Our LSTM-based system yielded an average error of 0.11 meters with an inference time of 2 ms. This represents a 76\% reduction in error compared to the traditional Kalman filter method, which has an average error of 0.46 meters with a similar inference time to the LSTM-based system.
Abstract（参考訳）: 本稿では,物体位置座標の予測と補間を行うシステムの設計と実装について述べる。本手法は,Long Short-Term Memory(LSTM)ニューラルネットワークと多項式回帰による慣性測定とグローバル位置決めシステムデータに基づく。 LSTMは、データシーケンスの処理と長期依存性の問題を回避するのに特に適した、リカレントニューラルネットワークの一種である。実世界の車両とGPS(グローバル測位システム)センサーのデータを応用した。様々なセンサ周波数とGPSの時間ステップとドロップアウトに対応するために、重要な前処理ステップが開発された。 LSTMベースのシステムの性能はカルマンフィルタと比較された。システムは低レイテンシと高精度でリアルタイムに動作するように調整された。我々は, 加速, 旋回, 減速, 直線経路など, 様々な運転条件下での走行試験を行った。提案手法の精度と推定時間を検証し,リアルタイムに実現可能であることを示した。従来のカルマンフィルタ法と比較して誤差は76\%減少し, 平均誤差は0.46mであり, 推定時間はlstm法と同程度であった。

関連論文リスト

SONNET: Enhancing Time Delay Estimation by Leveraging Simulated Audio [17.811771707446926]
学習に基づく手法は、合成データにもとづいても、新しい実世界のデータに基づいてGCC-PHATを著しく上回り得ることを示す。トレーニングされたモデルであるSONNETは、リアルタイムに実行可能で、多くの実データアプリケーションのために、最初から新しいデータに取り組んでいます。
論文参考訳（メタデータ） (2024-11-20T10:23:21Z)
Spatial-Temporal Bearing Fault Detection Using Graph Attention Networks and LSTM [0.7864304771129751]
本稿では,グラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しい手法を提案する。このアプローチは、センサデータ内の空間的および時間的依存関係を捕捉し、軸受故障検出の精度を向上させる。
論文参考訳（メタデータ） (2024-10-15T12:55:57Z)
Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
Parameter estimation for WMTI-Watson model of white matter using encoder-decoder recurrent neural network [0.0]
本研究では,ラットおよびヒト脳のデータセット上でのNLLS,RNN法および多層パーセプトロン(MLP)の性能を評価する。提案手法は,NLLSよりも計算時間を大幅に短縮できるという利点を示した。
論文参考訳（メタデータ） (2022-03-01T16:33:15Z)
COSMIC: fast closed-form identification from large-scale data for LTV systems [4.10464681051471]
データから離散時間線形時変系を同定するための閉形式法を提案する。我々は、最適性を保証するアルゴリズムを開発し、軌跡ごとに考慮されるインスタントの数を線形に増加させる複雑性を持つ。本アルゴリズムは,彗星インターセプタミッション用の低忠実度および機能工学シミュレーションの両方に適用した。
論文参考訳（メタデータ） (2021-12-08T16:07:59Z)
Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文参考訳（メタデータ） (2021-08-09T08:45:47Z)
Adaptive Machine Learning for Time-Varying Systems: Low Dimensional Latent Space Tuning [91.3755431537592]
本稿では,時間変化システムを対象とした適応機械学習手法を提案する。我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高次元(N>100k)の入力を低次元(N2)潜在空間にマッピングする。そこで本手法では,割り込みを伴わないフィードバックに基づいて,内部の相関関係を学習し,その進化をリアルタイムで追跡する。
論文参考訳（メタデータ） (2021-07-13T16:05:28Z)
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)
Estimation of Missing Data in Intelligent Transportation System [5.936402320555635]
インテリジェント交通システム(ITS)における交通速度の欠落と走行時間推定に関する研究 MLに基づくマルチ方向性リカレントニューラルネットワーク(M-RNN)に焦点をあてる。このアプローチの有効性をTomTomデータセットで評価し、平均車両速度と走行時間を測定します。
論文参考訳（メタデータ） (2021-01-09T05:42:31Z)
Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by Spiking Neural Network [68.43026108936029]
雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
論文参考訳（メタデータ） (2020-07-07T08:22:56Z)
Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文参考訳（メタデータ） (2020-04-15T06:13:33Z)

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。