論文の概要: Data-Driven Gyroscope Calibration

• arxiv url: http://arxiv.org/abs/2410.12485v1
• Date: Wed, 16 Oct 2024 12:03:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-17 13:41:39.566020
• Title: Data-Driven Gyroscope Calibration
• Title（参考訳）: データ駆動ジャイロスコープ校正
• Authors: Zeev Yampolsky, Itzik Klein,
• Abstract要約: ジャイロスコープのスケール係数とバイアスを推定するためのデータ駆動型フレームワークを提案する。 提案手法は精度と収束時間の観点からモデルベース手法よりも優れていることを示した。
• 参考スコア（独自算出の注目度）: 2.915868985330569
• License:
• Abstract: Gyroscopes are inertial sensors that measure the angular velocity of the platforms to which they are attached. To estimate the gyroscope deterministic error terms prior mission start, a calibration procedure is performed. When considering low-cost gyroscopes, the calibration requires a turntable as the gyros are incapable of sensing the Earth turn rate. In this paper, we propose a data-driven framework to estimate the scale factor and bias of a gyroscope. To train and validate our approach, a dataset of 56 minutes was recorded using a turntable. We demonstrated that our proposed approach outperforms the model-based approach, in terms of accuracy and convergence time. Specifically, we improved the scale factor and bias estimation by an average of 72% during six seconds of calibration time, demonstrating an average of 75% calibration time improvement. That is, instead of minutes, our approach requires only several seconds for the calibration.
• Abstract（参考訳）: ジャイロスコープは、装着されるプラットフォームの角速度を測定する慣性センサーである。 ミッション開始前のジャイロスコープ決定誤差項を推定するために、校正手順を行う。 低コストのジャイロスコープを考えると、ジャイロが地球回転率を感知できないため、キャリブレーションはターンテーブルを必要とする。 本稿では,ジャイロスコープのスケール係数とバイアスを推定するデータ駆動型フレームワークを提案する。 このアプローチをトレーニングし、検証するために、ターンテーブルを使用して56分間のデータセットが記録された。 提案手法は精度と収束時間の観点からモデルベース手法よりも優れていることを示した。 具体的には,6秒間のキャリブレーション時間におけるスケール係数とバイアス推定を平均72%改善し,平均75%のキャリブレーション時間の改善を示した。 つまり、分ではなく、私たちのアプローチではキャリブレーションに数秒しかかからないのです。

関連論文リスト

• Advancing Machine Learning for Stellar Activity and Exoplanet Period Rotation [0.3926357402982764]
  本研究では、NASAケプラーミッションで得られた補正光曲線データから、機械学習モデルを用いて恒星回転周期を推定した。 従来の方法では、光曲線データにおけるノイズや変動性のために、回転周期を正確に見積もることに苦労することが多い。 我々は、決定木、ランダムフォレスト、K-Nearest Neighbors、Gradient Boostingなどの機械学習アルゴリズムを採用し、予測精度とロバスト性を改善するためにVoting Ensembleアプローチを利用した。
  論文  参考訳（メタデータ） (2024-09-09T10:25:13Z)
• Rapid Gyroscope Calibration: A Deep Learning Approach [2.915868985330569]
  我々は,ディープラーニング手法を用いて,低コストジャイロスコープ校正時間を削減することに注力する。 本稿では,複数の実・仮想ジャイロスコープを用いた深層学習フレームワークを提案する。 この研究の重要な成果の1つは、3つの低コストジャイロスコープを使用してジャイロスコープの校正時間を最大89%削減することである。
  論文  参考訳（メタデータ） (2024-08-31T15:47:31Z)
• Aligning GPTRec with Beyond-Accuracy Goals with Reinforcement Learning [67.71952251641545]
  GPTRecはアイテム・バイ・イテムレコメンデーションのためのTop-Kモデルの代替品である。 GPTRecは,従来のグリーディ・リグレード手法よりも精度とセカンダリ・メトリクスのトレードオフが優れていることを示す。 2つのデータセットに対する実験により、GPTRecのNext-K生成アプローチは、古典的なグリージーな再ランク技術よりも精度と二次メトリクスのトレードオフが優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-07T19:47:48Z)
• Vanishing Point Estimation in Uncalibrated Images with Prior Gravity Direction [82.72686460985297]
  我々はマンハッタンのフレームを推定する問題に取り組む。 2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。 また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
  論文  参考訳（メタデータ） (2023-08-21T13:03:25Z)
• TrajMatch: Towards Automatic Spatio-temporal Calibration for Roadside LiDARs through Trajectory Matching [12.980324010888664]
  我々は,道路沿いのLiDARを時間と空間の両方で自動調整できる最初のシステムであるTrajMatchを提案する。 実験の結果,TrajMatchは空間キャリブレーション誤差が10cm未満であり,時間キャリブレーション誤差が1.5ms未満であることがわかった。
  論文  参考訳（メタデータ） (2023-02-04T12:27:01Z)
• Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
  ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。 入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。 CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
  論文  参考訳（メタデータ） (2022-07-13T14:13:49Z)
• Improved Predictive Uncertainty using Corruption-based Calibration [64.49386167517582]
  モデル予測が正しいという信頼性/不確かさをデータ上で推定するための簡単なポストホック校正法を提案する。 我々は、既知の腐敗の強度の異なるキャリブレーションセットを破損させることにより、サロゲート校正セットを合成する。
  論文  参考訳（メタデータ） (2021-06-07T16:27:18Z)
• Uncertainty Quantification and Deep Ensembles [79.4957965474334]
  ディープアンサンブルが必ずしもキャリブレーション特性の改善につながるとは限らないことを示す。 そこで本研究では,混成正規化などの現代的な手法と併用して標準アンサンブル法を用いることで,キャリブレーションの少ないモデルが得られることを示す。 このテキストは、データが不足しているときにディープラーニングを活用するために、最も単純で一般的な3つのアプローチの相互作用を調べる。
  論文  参考訳（メタデータ） (2020-07-17T07:32:24Z)
• Unsupervised Calibration under Covariate Shift [92.02278658443166]
  ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。 実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
  論文  参考訳（メタデータ） (2020-06-29T21:50:07Z)
• Online Initialization and Extrinsic Spatial-Temporal Calibration for Monocular Visual-Inertial Odometry [19.955414423860788]
  本稿では,最適化に基づく単眼的視覚慣性眼球運動計測(VIO)のオンラインブートストラップ法を提案する。 この方法は、カメラとIMU間の相対変換(空間)と時間オフセット(時間)をオンラインに校正し、計量スケール、速度、重力、ジャイロスコープバイアス、加速度計バイアスを推定することができる。 公開データセットにおける実験結果から,初期値とパラメータ,およびセンサのポーズが,提案手法により正確に推定できることが示唆された。
  論文  参考訳（メタデータ） (2020-04-12T03:13:08Z)
• Stochastic Calibration of Radio Interferometers [2.4366811507669115]
  多くのデータ処理ステップは、限られた計算リソースを使用して処理する必要があるデータ量に圧倒されます。 そこで我々は,キャリブレーションの解を得るために,最小限のデータのみを読み込む「確率的」キャリブレーション戦略を提案する。
  論文  参考訳（メタデータ） (2020-03-02T16:04:38Z)

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。