論文の概要: Orientation-Free Neural Network-Based Bias Estimation for Low-Cost Stationary Accelerometers
- arxiv url: http://arxiv.org/abs/2511.13071v1
- Date: Mon, 17 Nov 2025 07:15:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:24.891424
- Title: Orientation-Free Neural Network-Based Bias Estimation for Low-Cost Stationary Accelerometers
- Title（参考訳）: 低Cost定常加速度計の指向性のないニューラルネットワークに基づくバイアス推定
- Authors: Michal Levin, Itzik Klein,
- Abstract要約: 低コストのマイクロエレクトロメカニカル加速度計は、ナビゲーション、ロボティクス、そしてモーションセンシングと位置推定のためのコンシューマーデバイスで広く使われている。
定常条件下での加速度計バイアスを推定するモデルフリー学習ベースキャリブレーション法を提案する。
- 参考スコア（独自算出の注目度）: 5.5217350574838875
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Low-cost micro-electromechanical accelerometers are widely used in navigation, robotics, and consumer devices for motion sensing and position estimation. However, their performance is often degraded by bias errors. To eliminate deterministic bias terms a calibration procedure is applied under stationary conditions. It requires accelerom- eter leveling or complex orientation-dependent calibration procedures. To overcome those requirements, in this paper we present a model-free learning-based calibration method that estimates accelerometer bias under stationary conditions, without requiring knowledge of the sensor orientation and without the need to rotate the sensors. The proposed approach provides a fast, practical, and scalable solution suitable for rapid field deployment. Experimental validation on a 13.39-hour dataset collected from six accelerometers shows that the proposed method consistently achieves error levels more than 52% lower than traditional techniques. On a broader scale, this work contributes to the advancement of accurate calibration methods in orientation-free scenarios. As a consequence, it improves the reliability of low-cost inertial sensors in diverse scientific and industrial applications and eliminates the need for leveled calibration.
- Abstract（参考訳）: 低コストのマイクロエレクトロメカニカル加速度計は、ナビゲーション、ロボティクス、そしてモーションセンシングと位置推定のためのコンシューマーデバイスで広く使われている。
しかし、その性能はバイアスエラーによって劣化することが多い。
定置条件下でキャリブレーション手順を適用することにより、決定バイアス項を除去する。
加速度エターレベリングや複雑な向きに依存した校正手順が必要である。
そこで本研究では,センサの向きの知識を必要とせず,センサの回転を必要とせず,静止条件下で加速度センサの偏差を推定するモデルフリー学習ベースキャリブレーション手法を提案する。
提案するアプローチは、高速で実用的でスケーラブルなソリューションで、高速なフィールド展開に適している。
6つの加速度計から収集した13.39時間データセットに対する実験的な検証により、提案手法は従来手法よりも52%低い誤差レベルを一貫して達成していることが示された。
より広い範囲において、この研究は、向きのないシナリオにおける正確なキャリブレーション手法の進歩に寄与する。
その結果、様々な科学的・工業的な応用において低コストな慣性センサーの信頼性が向上し、キャリブレーションのレベルを下げる必要がなくなる。
関連論文リスト
- Diffusion Denoiser-Aided Gyrocompassing [5.718538232143911]
本稿では,新しい拡散デノイザ支援ジャイロコンパス手法を提案する。
拡散に基づくdenoisingフレームワークと、強化された学習ベースの方向推定モデルを統合する。
ジャイロコンパスの精度はモデルベースのジャイロコンパスに比べて26%向上し、他の学習駆動アプローチに比べて15%向上する。
論文 参考訳（メタデータ） (2025-07-28T18:06:46Z) - Cal or No Cal? -- Real-Time Miscalibration Detection of LiDAR and Camera Sensors [0.8437187555622164]
安全の観点からは、センサーのキャリブレーションは自動運転の鍵となる。
オンラインキャリブレーションは厳格なリアルタイムとリソースの制約を受ける。
校正パラメータの直接回帰から校正状態のバイナリ分類に焦点を移す誤校正検出フレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-31T08:13:23Z) - CaLiV: LiDAR-to-Vehicle Calibration of Arbitrary Sensor Setups [0.8437187555622164]
自律システムでは、ダイナミック環境における安全かつ効率的なナビゲーションにはセンサキャリブレーションが不可欠である。
既存のLiDARキャリブレーション法の多くは、重なり合う視野を必要とするが、外部センサーデバイスを使ったり、機能豊富な環境を仮定するものもある。
本研究では,CaLiVと呼ばれるマルチLiDARシステムの外部センサ・センサ・センサ・バイヒクルキャリブレーションのための新しいターゲットベース手法を提案する。
このアルゴリズムは、重複しない視野で機能し、外部センサーデバイスを必要としない。
論文 参考訳（メタデータ） (2025-03-31T08:08:21Z) - DOGE: An Extrinsic Orientation and Gyroscope Bias Estimation for Visual-Inertial Odometry Initialization [7.706396165773557]
回転補正を遅らせることなく高精度で高剛性な視覚慣性オドメトリー(VIO)法を提案する。
本手法は,競争効率を維持しつつ,精度とロバスト性の両方で最先端の手法より優れる。
論文 参考訳（メタデータ） (2024-12-11T06:44:22Z) - Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
本稿では,自動車用レーダセンサの自動校正手法を提案する。
本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。
実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
論文 参考訳（メタデータ） (2023-06-23T07:01:10Z) - Parameterized Temperature Scaling for Boosting the Expressive Power in
Post-Hoc Uncertainty Calibration [57.568461777747515]
我々は新しいキャリブレーション手法であるパラメタライズド温度スケーリング(PTS)を導入する。
最新のポストホックキャリブレータの精度保持性能は、その本質的な表現力によって制限されることを実証します。
当社の新しい精度保存手法が,多数のモデルアーキテクチャやデータセット,メトリクスにおいて,既存のアルゴリズムを一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2021-02-24T10:18:30Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳（メタデータ） (2021-02-02T15:44:39Z) - Accurate Alignment Inspection System for Low-resolution Automotive and
Mobility LiDAR [125.41260574344933]
車両やロボットなどの移動システムにおいて,センサ装着後のLiDARアライメント誤差を正確に推定する検査システムを提案する。
提案手法は, 固定位置における1つのターゲットボードのみを用いて, 水平方向(回転, 傾き, ヨー)とLiDARアタッチメントの水平位置を, 水平方向の精度で推定する。
論文 参考訳（メタデータ） (2020-08-24T17:47:59Z) - 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)
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。