Fugu-MT 論文翻訳(概要): CarSpeedNet: A Deep Neural Network-based Car Speed Estimation from Smartphone Accelerometer

論文の概要: CarSpeedNet: A Deep Neural Network-based Car Speed Estimation from Smartphone Accelerometer

arxiv url: http://arxiv.org/abs/2401.07468v1
Date: Mon, 15 Jan 2024 04:51:34 GMT
ステータス: 処理完了
システム内更新日: 2024-01-17 18:11:41.336681
Title: CarSpeedNet: A Deep Neural Network-based Car Speed Estimation from Smartphone Accelerometer
Title（参考訳）: CarSpeedNet: スマートフォン加速度計によるディープニューラルネットワークによる車速推定
Authors: Barak Or
Abstract要約: CarSpeedNetはスマートフォンの3軸加速度計データを用いて車速を推定するために導入された。訓練されたモデルでは, 自動車走行速度推定において異常な精度を示し, 走行試験中に0.72[m/s]未満の精度を達成した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this study, a novel deep neural network (DNN) architecture, CarSpeedNet, is introduced to estimate car speed using three-axis accelerometer data from smartphones. Utilizing 13 hours of data collected from smartphones mounted in vehicles navigating through various regions in Israel, the CarSpeedNet effectively learns the relationship between measured smartphone acceleration and car speed. Ground truth speed data was obtained at 1[Hz] from the GPS receiver in the smartphones. The proposed model enables high-frequency speed estimation, incorporating historical inputs. Our trained model demonstrates exceptional accuracy in car speed estimation, achieving a precision of less than 0.72[m/s] during an extended driving test, solely relying on smartphone accelerometer data without any connectivity to the car.
Abstract（参考訳）: 本研究では,スマートフォンから3軸加速度計データを用いて車速を推定する新しいディープニューラルネットワーク(dnn)アーキテクチャcarspeednetを提案する。イスラエルのさまざまな地域を走行する車両に搭載されたスマートフォンから収集された13時間のデータを利用して、carspeednetは計測されたスマートフォンの加速度と車の速度の関係を効果的に学習する。スマートフォンのGPS受信機から1[Hz]の地中真理速データを得た。提案モデルにより,過去の入力を組み込んだ高速速度推定が可能となる。トレーニングされたモデルでは,自動車との接続なくスマートフォン加速度計のデータにのみ依存しながら,走行試験中に0.72[m/s]未満の精度を達成した。

関連論文リスト

Detecting Car Speed using Object Detection and Depth Estimation: A Deep Learning Framework [0.0]
オーバースピード化の傾向は通常、道路の様々な部分のチェックポイントを使って制御されるが、全ての交通警察がLIDARベースやレーダーベース銃のような既存の速度推定装置で速度をチェックする装置を持っているわけではない。現在のプロジェクトは、ディープラーニングフレームワークを使用して速度を推定するために、携帯電話やウェアラブルカメラなどのハンドヘルドデバイスによる車両速度推定の問題に対処しようとしている。
論文参考訳（メタデータ） (2024-08-08T10:47:02Z)
EgoSpeed-Net: Forecasting Speed-Control in Driver Behavior from Egocentric Video Data [24.32406053197066]
本稿では,新しいグラフ畳み込みネットワーク(GCN),すなわちEgoSpeed-Netを提案する。我々は、時間とともに物体の位置が変わることが、将来の速度変化を予測する上で非常に有用な手がかりとなるという事実に動機づけられている。本研究では,ホンダ研究所ドライビングデータセットの広範な実験を行い,EgoSpeed-Netの優れた性能を実証する。
論文参考訳（メタデータ） (2022-09-27T15:25:57Z)
Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文参考訳（メタデータ） (2022-05-28T03:11:48Z)
Learning Car Speed Using Inertial Sensors [0.0]
ディープニューラルネットワーク(DNN)は、都市部で運転する車の速度を推定するために訓練される。イスラエルのアシュドッド市では、グローバルなナビゲーション衛星システムを備えた車で3時間分のデータを収集した。トレーニングされたモデルでは、位置更新を使わずに、4分間のドライブで位置精度を大幅に向上することが示されている。
論文参考訳（メタデータ） (2022-05-15T17:46:59Z)
A Machine Learning Smartphone-based Sensing for Driver Behavior Classification [1.552282932199974]
我々は,速度,加速度,方向,3軸回転角(ヨー,ピッチ,ロール)を用いて運転者の動作を分類するために,スマートフォンで利用可能なデータセンサ(加速度計,ジャイロスコープ,GPS)を収集することを提案する。第2に、複数のセンサからの軸間データを単一のファイルに融合した後、時系列分類のための異なる機械学習アルゴリズムを探索し、どのアルゴリズムが最も性能が高いかを評価する。
論文参考訳（メタデータ） (2022-02-01T10:12:36Z)
Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文参考訳（メタデータ） (2021-09-16T13:10:27Z)
Achieving Real-Time Object Detection on MobileDevices with Neural Pruning Search [45.20331644857981]
本稿では,2次元および3次元物体検出のための自律走行車における高速推論を実現するために,コンパイラ対応のニューラルプルーニング検索フレームワークを提案する。提案手法は, YOLOv4 を用いた2次元物体検出と PointPillars による3次元物体検出において, 実時間, 55ms および 99ms の推論時間を実現する。
論文参考訳（メタデータ） (2021-06-28T18:59:20Z)
Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文参考訳（メタデータ） (2021-05-20T17:52:37Z)
Driver2vec: Driver Identification from Automotive Data [44.84876493736275]
Driver2vecは、センサーデータの短い10秒間隔からドライバを正確に識別することができる。 Driver2vecは、Nervtechが提供する51人のドライバーのデータセットでトレーニングされている。
論文参考訳（メタデータ） (2021-02-10T03:09:13Z)
IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文参考訳（メタデータ） (2021-01-20T00:31:52Z)
LaNet: Real-time Lane Identification by Learning Road SurfaceCharacteristics from Accelerometer Data [12.334058883768977]
我々は,車線車両が乗っている車線を周期的に分類し,LSTMニューラルネットワークモデルであるLaNetを開発した。 LaNetは、路面イベント(バンプ、ひび割れなど)のレーン固有のシーケンスを学習し、200mの運転データで100%レーン分類精度を得る。
論文参考訳（メタデータ） (2020-04-06T17:09:50Z)

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。