論文の概要: A Foundation Model for Virtual Sensors

• arxiv url: http://arxiv.org/abs/2601.20634v1
• Date: Wed, 28 Jan 2026 14:17:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.967114
• Title: A Foundation Model for Virtual Sensors
• Title（参考訳）: 仮想センサの基礎モデル
• Authors: Leon Götz, Lars Frederik Peiss, Erik Sauer, Andreas Udo Sass, Thorsten Bagdonat, Stephan Günnemann, Leo Schwinn,
• Abstract要約: 既存の仮想センサアプローチでは、各センサに対して手入力のアプリケーション固有のモデルが必要である。 両方の制約に対処する仮想センサの最初の基礎モデルを紹介する。 我々のアーキテクチャは415倍の時間短縮と951倍のメモリ要求の削減を実現している。
• 参考スコア（独自算出の注目度）: 41.4965371110973
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Virtual sensors use machine learning to predict target signals from available measurements, replacing expensive physical sensors in critical applications. Existing virtual sensor approaches require application-specific models with hand-selected inputs for each sensor, cannot leverage task synergies, and lack consistent benchmarks. At the same time, emerging time series foundation models are computationally expensive and limited to predicting their input signals, making them incompatible with virtual sensors. We introduce the first foundation model for virtual sensors addressing both limitations. Our unified model can simultaneously predict diverse virtual sensors exploiting synergies while maintaining computational efficiency. It learns relevant input signals for each virtual sensor, eliminating expert knowledge requirements while adding explainability. In our large-scale evaluation on a standard benchmark and an application-specific dataset with over 18 billion samples, our architecture achieves 415x reduction in computation time and 951x reduction in memory requirements, while maintaining or even improving predictive quality compared to baselines. Our model scales gracefully to hundreds of virtual sensors with nearly constant parameter count, enabling practical deployment in large-scale sensor networks.
• Abstract（参考訳）: 仮想センサーは、機械学習を使用して、利用可能な測定値からターゲット信号を予測し、重要な応用における高価な物理的センサーを置き換える。 既存の仮想センサアプローチでは、各センサに対して手選択された入力を持つアプリケーション固有のモデルが必要であり、タスクのシナジーを活用できず、一貫したベンチマークが欠如している。 同時に、新しい時系列基盤モデルは計算コストが高く、入力信号の予測に限られており、仮想センサーと互換性がない。 両方の制約に対処する仮想センサの最初の基礎モデルを紹介する。 我々の統合モデルは、計算効率を維持しながら、相乗効果を利用した多様な仮想センサを同時に予測できる。 仮想センサーごとに関連する入力信号を学習し、説明可能性を加えながら専門知識の要求をなくす。 標準ベンチマークとアプリケーション固有のデータセットを用いた大規模評価では,ベースラインよりも予測品質を維持・改善しつつ,計算時間415倍,メモリ要求951倍の削減を実現している。 我々のモデルは、パラメータ数に近い数百の仮想センサに優雅にスケールし、大規模センサネットワークに実用的な展開を可能にする。

関連論文リスト

• TwinTac: A Wide-Range, Highly Sensitive Tactile Sensor with Real-to-Sim Digital Twin Sensor Model [4.668679765548824]
  我々は、物理的な触覚センサーとデジタルツインモデルを組み合わせたシステムであるTwinTacを紹介する。 ハードウェアセンサーは高感度で広い測定範囲に設計されている。 デジタルツインセンサによって生成されたシミュレーションデータにより,実世界のデータを効果的に増強し,精度を向上できることを示す。
  論文  参考訳（メタデータ） (2025-09-12T08:51:28Z)
• SMARTIES: Spectrum-Aware Multi-Sensor Auto-Encoder for Remote Sensing Images [17.304106221330414]
  最近のディープラーニングモデルは、単一のセンサーや固定された組み合わせに特化していることが多い。 SMARTIESは、センサ依存/依存の取り組みを持ち上げる汎用的で汎用的な基礎モデルである。 多様なセンサーにまたがる単一タスクとマルチモーダルタスクにおいて、SMARTIESはセンサー固有の事前訓練に依存する以前のモデルより優れている。
  論文  参考訳（メタデータ） (2025-06-24T12:51:39Z)
• Advances in Compliance Detection: Novel Models Using Vision-Based Tactile Sensors [0.7199733380797579]
  コンプライアンスは、工学、農業、生物医学の応用におけるオブジェクトを記述するための重要なパラメータである。 従来のコンプライアンス検出方法は、ポータビリティとスケーラビリティの欠如によって制限されており、特殊な高価な機器に依存しており、ロボット用途には適さない。 本稿では,LRCN(Long-term Recurrent Convolutional Networks)とTransformerアーキテクチャに基づく2つのモデルを提案する。
  論文  参考訳（メタデータ） (2025-06-17T21:10:05Z)
• SensorLM: Learning the Language of Wearable Sensors [50.95988682423808]
  本稿では,自然言語によるウェアラブルセンサデータ理解を可能にするセンサ言語基盤モデルのファミリーであるSensorLMを紹介する。 本稿では,センサデータから統計的,構造的,意味的な情報を収集する階層的なキャプション生成パイプラインを提案する。 このアプローチにより、これまでで最大のセンサー言語データセットのキュレーションが可能となり、103,000人以上から5970万時間以上のデータを収集した。
  論文  参考訳（メタデータ） (2025-06-10T17:13:09Z)
• MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
  我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。 そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-18T13:32:59Z)
• To Compute or not to Compute? Adaptive Smart Sensing in Resource-Constrained Edge Computing [1.7361161778148904]
  我々は,時間変化信号のサンプリングと基地局への更新をリモートグローバル監視のために送信するエッジコンピューティングアプリケーションのための,スマートセンサのネットワークを考察する。 センサーはセンサーと計算機能を備えており、生のデータを送信したり、送信前にオンボードで処理することができる。 計算と通信遅延の両方を埋め込んだ推定理論最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-05T23:46:42Z)
• Bayesian Imitation Learning for End-to-End Mobile Manipulation [80.47771322489422]
  RGB + 深度カメラのような追加のセンサー入力によるポリシーの強化は、ロボットの知覚能力を改善するための簡単なアプローチである。 畳み込みニューラルネットワークを正規化するために変分情報ボトルネックを用いることで、保持領域への一般化が向上することを示す。 提案手法は, シミュレーションと現実のギャップを埋めることと, RGBと奥行き変調をうまく融合できることを実証する。
  論文  参考訳（メタデータ） (2022-02-15T17:38:30Z)
• 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)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)

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。