Fugu-MT 論文翻訳(概要): Multiple and Gyro-Free Inertial Datasets

論文の概要: Multiple and Gyro-Free Inertial Datasets

arxiv url: http://arxiv.org/abs/2403.15494v1
Date: Thu, 21 Mar 2024 17:36:53 GMT
ステータス: 処理完了
システム内更新日: 2024-03-26 22:22:15.700515
Title: Multiple and Gyro-Free Inertial Datasets
Title（参考訳）: マルチおよびジャイロフリー慣性データセット
Authors: Zeev Yampolsky, Yair Stolero, Nitzan Pri-Hadash, Dan Solodar, Shira Massas, Itai Savin, Itzik Klein,
Abstract要約: 慣性ナビゲーションシステム(INS)は3つの加速度計とジャイロスコープを使用してプラットフォームの位置、速度、方向を決定する。ロボット工学、自律プラットフォーム、モノのインターネットなど、INSには数え切れないほどの応用がある。ジャイロフリーINS (GFINS) とMIMU (Multiple Inertial Measurement Unit) アーキテクチャにはデータセットがない。このデータセットは35時間の慣性データと対応する真理軌道を含む。
参考スコア（独自算出の注目度）: 1.989354417511267
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: An inertial navigation system (INS) utilizes three orthogonal accelerometers and gyroscopes to determine platform position, velocity, and orientation. There are countless applications for INS, including robotics, autonomous platforms, and the internet of things. Recent research explores the integration of data-driven methods with INS, highlighting significant innovations, improving accuracy and efficiency. Despite the growing interest in this field and the availability of INS datasets, no datasets are available for gyro-free INS (GFINS) and multiple inertial measurement unit (MIMU) architectures. To fill this gap and to stimulate further research in this field, we designed and recorded GFINS and MIMU datasets using 54 inertial sensors grouped in nine inertial measurement units. These sensors can be used to define and evaluate different types of MIMU and GFINS architectures. The inertial sensors were arranged in three different sensor configurations and mounted on a mobile robot and a passenger car. In total, the dataset contains 35 hours of inertial data and corresponding ground truth trajectories. The data and code are freely accessible through our GitHub repository.
Abstract（参考訳）: 慣性ナビゲーションシステム(INS)は3つの直交加速度計とジャイロスコープを使用してプラットフォームの位置、速度、方向を決定する。ロボット工学、自律プラットフォーム、モノのインターネットなど、INSには数え切れないほどの応用がある。最近の研究は、INSとデータ駆動手法の統合を探求し、重要なイノベーションを強調し、精度と効率を改善している。この分野への関心が高まり、INSデータセットが利用可能になったにも拘わらず、ジャイロフリーINS(GFINS)とMIMU(Multiple Inertial Measurement Unit)アーキテクチャ用のデータセットは存在しない。このギャップを埋め、この分野のさらなる研究を促進するために、9つの慣性測定ユニットにグループ化された54個の慣性センサを用いて、GFINSとMIMUデータセットを設計、記録した。これらのセンサーは、様々な種類のMIMUとGFINSアーキテクチャを定義し、評価するために使用することができる。慣性センサーは3つの異なるセンサー構成で配置され、移動ロボットと乗用車に搭載された。データセットには35時間の慣性データと、それに対応する地上の真実の軌跡が含まれている。データとコードはGitHubリポジトリから自由にアクセスできます。

関連論文リスト

M3LEO: A Multi-Modal, Multi-Label Earth Observation Dataset Integrating Interferometric SAR and Multispectral Data [1.4053129774629076]
M3LEOはマルチモーダルでマルチラベルの地球観測データセットである。 6つの地理的領域から約17M 4x4 kmのデータチップにまたがる。
論文参考訳（メタデータ） (2024-06-06T16:30:41Z)
VBR: A Vision Benchmark in Rome [1.71787484850503]
本稿では,RGBデータ,3次元点雲,IMU,GPSデータを含む,ローマで収集された視覚・知覚研究データセットについて述べる。我々は、自律ロボット工学とコンピュータビジョンの研究を進めるために、視覚計測とSLAMをターゲットにした新しいベンチマークを導入する。
論文参考訳（メタデータ） (2024-04-17T12:34:49Z)
GDTM: An Indoor Geospatial Tracking Dataset with Distributed Multimodal Sensors [9.8714071146137]
GDTMは、分散マルチモーダルセンサと再構成可能なセンサノード配置を備えた、マルチモーダルオブジェクトトラッキングのための9時間のデータセットである。我々のデータセットは、マルチモーダルデータ処理のためのアーキテクチャの最適化など、いくつかの研究課題の探索を可能にする。
論文参考訳（メタデータ） (2024-02-21T21:24:57Z)
UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
論文参考訳（メタデータ） (2023-07-03T04:10:55Z)
Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文参考訳（メタデータ） (2023-04-27T20:21:18Z)
Domain and Modality Gaps for LiDAR-based Person Detection on Mobile Robots [91.01747068273666]
本稿では,移動ロボットのシナリオに着目した既存のLiDAR人物検出装置について検討する。実験は3Dと2D LiDARのセンサー間のモダリティのギャップだけでなく、運転と移動ロボットのシナリオ間の領域ギャップを回避している。その結果、LiDARに基づく人物検出の実践的な洞察を与え、関連する移動ロボットの設計と応用に関する情報決定を容易にする。
論文参考訳（メタデータ） (2021-06-21T16:35:49Z)
MODISSA: a multipurpose platform for the prototypical realization of vehicle-related applications using optical sensors [0.0]
センサ付自動車MODISSAの開発状況について述べる。 3つの異なるアプリケーションの範囲内で、その特定の構成による実験についてより深い洞察を与えます。他の研究グループは、独自のモバイルセンサーシステムを構築する際に、これらの経験から恩恵を受けることができる。
論文参考訳（メタデータ） (2021-05-28T04:21:39Z)
Moving Object Classification with a Sub-6 GHz Massive MIMO Array using Real Data [64.48836187884325]
無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
論文参考訳（メタデータ） (2021-02-09T15:48:35Z)
LIBRE: The Multiple 3D LiDAR Dataset [54.25307983677663]
We present LIBRE: LiDAR Benchmarking and Reference, a first-of-in-kind dataset with 10 different LiDAR sensor。 LIBREは、現在利用可能なLiDARを公平に比較するための手段を提供するために、研究コミュニティに貢献する。また、既存の自動運転車やロボティクス関連のソフトウェアの改善も促進する。
論文参考訳（メタデータ） (2020-03-13T06:17:39Z)
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。