論文の概要: MoE-Gyro: Self-Supervised Over-Range Reconstruction and Denoising for MEMS Gyroscopes
- arxiv url: http://arxiv.org/abs/2506.06318v1
- Date: Tue, 27 May 2025 13:18:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-16 03:13:19.052826
- Title: MoE-Gyro: Self-Supervised Over-Range Reconstruction and Denoising for MEMS Gyroscopes
- Title（参考訳）: MoE-Gyro:MEMSジャイロの自己監督型オーバーランジ再構成とデノナイジング
- Authors: Feiyang Pan, Shenghe Zheng, Chunyan Yin, Guangbin Dou,
- Abstract要約: MoE-Gyroは、オーバレンジ信号の再構築とノイズ抑圧を同時に行うために設計された、自己監督型のフレームワークである。
また,MoE-Gyroは測定範囲を450deg/sから1500deg/sに大きく拡張し,バイアス不安定度を98.4%低減し,最先端性能を実現した。
- 参考スコア（独自算出の注目度）: 3.305383548025311
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: MEMS gyroscopes play a critical role in inertial navigation and motion control applications but typically suffer from a fundamental trade-off between measurement range and noise performance. Existing hardware-based solutions aimed at mitigating this issue introduce additional complexity, cost, and scalability challenges. Deep-learning methods primarily focus on noise reduction and typically require precisely aligned ground-truth signals, making them difficult to deploy in practical scenarios and leaving the fundamental trade-off unresolved. To address these challenges, we introduce Mixture of Experts for MEMS Gyroscopes (MoE-Gyro), a novel self-supervised framework specifically designed for simultaneous over-range signal reconstruction and noise suppression. MoE-Gyro employs two experts: an Over-Range Reconstruction Expert (ORE), featuring a Gaussian-Decay Attention mechanism for reconstructing saturated segments; and a Denoise Expert (DE), utilizing dual-branch complementary masking combined with FFT-guided augmentation for robust noise reduction. A lightweight gating module dynamically routes input segments to the appropriate expert. Furthermore, existing evaluation lack a comprehensive standard for assessing multi-dimensional signal enhancement. To bridge this gap, we introduce IMU Signal Enhancement Benchmark (ISEBench), an open-source benchmarking platform comprising the GyroPeak-100 dataset and a unified evaluation of IMU signal enhancement methods. We evaluate MoE-Gyro using our proposed ISEBench, demonstrating that our framework significantly extends the measurable range from 450 deg/s to 1500 deg/s, reduces Bias Instability by 98.4%, and achieves state-of-the-art performance, effectively addressing the long-standing trade-off in inertial sensing.
- Abstract（参考訳）: MEMSジャイロスコープは慣性ナビゲーションやモーションコントロールの応用において重要な役割を担っているが、一般的には測定範囲とノイズ性能の基本的なトレードオフに悩まされている。
この問題を軽減することを目的とした既存のハードウェアベースのソリューションには、さらなる複雑さ、コスト、スケーラビリティの課題が導入されている。
ディープラーニング手法は主にノイズ低減に重点を置いており、通常は正確に整合した地道信号を必要としており、実践的なシナリオに展開することは困難であり、基本的なトレードオフは未解決のままである。
これらの課題に対処するため,我々はMEMSジャイロスコープのためのMixture of Experts (MoE-Gyro)を紹介した。
MoE-Gyroは、飽和セグメントを再構築するためのガウス・デカイ注意機構を備えたOver-Range Reconstruction Expert (ORE)と、FFT誘導によるノイズ低減のための2分岐補完マスクを併用したDenoise Expert (DE)という2つの専門家を雇用している。
軽量ゲーティングモジュールは、入力セグメントを適切な専門家に動的にルーティングする。
さらに、既存の評価では、多次元信号拡張を評価するための包括的な標準が欠如している。
このギャップを埋めるために、GyroPeak-100データセットからなるオープンソースのベンチマークプラットフォームであるISEBench(ISMU Signal Enhancement Benchmark)を導入し、IMU信号強調手法の統一評価を行った。
我々は,提案したISEBenchを用いてMoE-Gyroを評価し,我々のフレームワークが450 deg/sから1500 deg/sまで測定可能な範囲を著しく拡張し,バイアス不安定を98.4%削減し,最先端性能を実現し,慣性センシングにおける長年のトレードオフに効果的に対処できることを実証した。
関連論文リスト
- Rethinking Range-View LiDAR Segmentation in Adverse Weather [65.22588361803942]
我々は、厳しい天候下でのLiDARセグメンテーションの一般化に影響を及ぼす固有の課題を特定し、分析する。
既存のモデルのコアアーキテクチャを変更することなく、ロバスト性を高めるモジュール式で軽量なフレームワークを提案する。
提案手法は,推定オーバーヘッドを最小限に抑え,悪天候への一般化を著しく改善する。
論文 参考訳（メタデータ） (2025-06-10T16:48:27Z) - SpectrumFM: A Foundation Model for Intelligent Spectrum Management [99.08036558911242]
既存のインテリジェントスペクトル管理手法は、通常は小規模モデルに基づいており、認識精度、収束速度、一般化の顕著な制限に悩まされている。
本稿では、スペクトルFMと呼ばれる新しいスペクトル基盤モデルを提案し、スペクトル管理のための新しいパラダイムを確立する。
実験により、SpectrumFMは精度、堅牢性、適応性、少数ショット学習効率、収束速度の点で優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-05-02T04:06:39Z) - HEROS-GAN: Honed-Energy Regularized and Optimal Supervised GAN for Enhancing Accuracy and Range of Low-Cost Accelerometers [9.98317903374184]
低コストの加速度計は、小型化、統合の容易さ、摩耗性、大量生産の利点により、現代社会において重要な役割を担っている。
しかし、この広く使われているセンサーは、厳しい精度と範囲制限に悩まされている。
本稿では,低コストのセンサ信号を高コストの等価値に変換するHEROS-GAN(honed-Energy regularized and optimal supervised GAN)を提案する。
論文 参考訳（メタデータ） (2025-02-25T10:31:01Z) - Sparse Hyperparametric Itakura-Saito NMF via Bi-Level Optimization [1.5379084885764847]
そこで我々は,行依存のペナルティハイパーパラメータを自動的に適応的に調整する二段階最適化フレームワーク「ShinBO」を提案する。
実験の結果,ShinBOは正確なスペクトル分解を保証し,合成および実世界の双方で優れた性能を示すことがわかった。
論文 参考訳（メタデータ） (2025-02-24T13:05:01Z) - Deep Active Speech Cancellation with Mamba-Masking Network [62.73250985838971]
アクティブ音声キャンセラ(ASC)のための新しい深層学習ネットワークを提案する。
提案したMamba-Maskingアーキテクチャは、符号化された参照信号と直接対話するマスキング機構を導入する。
実験の結果、ANCシナリオでは7.2dB、ASCでは6.2dBの改善が達成された。
論文 参考訳（メタデータ） (2025-02-03T09:22:26Z) - Achieving Generalization in Orchestrating GNSS Interference Monitoring Stations Through Pseudo-Labeling [44.24482830284491]
ジャミング装置はグローバルナビゲーション衛星システム(GNSS)受信機の精度を損なう。
本稿では,ハイウェイに沿って配置された監視局を介し,干渉の分類を高度に一般化するML手法を提案する。
本手法は,屋内環境から現実シナリオへの適応において,高い性能を示す。
論文 参考訳（メタデータ） (2024-10-03T11:07:17Z) - Evaluating ML Robustness in GNSS Interference Classification, Characterization & Localization [42.14439854721613]
ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害する
本稿では、低周波アンテナから得られたスナップショットからなる広範囲なデータセットを提案する。
本研究の目的は,機械学習モデル(ML)の環境変化に対するレジリエンスを評価することである。
論文 参考訳（メタデータ） (2024-09-23T15:20:33Z) - Frequency-Assisted Mamba for Remote Sensing Image Super-Resolution [49.902047563260496]
我々は、リモートセンシング画像(RSI)の超高解像度化のために、視覚状態空間モデル(Mamba)を統合するための最初の試みを開発した。
より優れたSR再構築を実現するため,FMSRと呼ばれる周波数支援型Mambaフレームワークを考案した。
我々のFMSRは、周波数選択モジュール(FSM)、ビジョン状態空間モジュール(VSSM)、ハイブリッドゲートモジュール(HGM)を備えた多層融合アーキテクチャを備えている。
論文 参考訳（メタデータ） (2024-05-08T11:09:24Z) - ROPO: Robust Preference Optimization for Large Language Models [59.10763211091664]
外部モデルの助けを借りずにノイズ耐性とノイズサンプルのフィルタリングを統合する反復アライメント手法を提案する。
Mistral-7BとLlama-2-7Bで広く使われている3つのデータセットの実験では、ROPOが既存の嗜好アライメント法を大幅に上回っていることが示されている。
論文 参考訳（メタデータ） (2024-04-05T13:58:51Z) - Improving Stability of LS-GANs for Audio and Speech Signals [70.15099665710336]
このベクトル空間で計算された正規性からジェネレータ最適化の定式化への切り離しの符号化は、より包括的な分光図を作成するのに役立つことを示す。
本手法をベースラインGANと比較してモード崩壊の少ないトレーニングにおける安定性向上に有効であることを示す。
論文 参考訳（メタデータ） (2020-08-12T17:41:25Z)
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。