Maximum Covariance Unfolding Regression: A Novel Covariate-based Manifold Learning Approach for Point Cloud Data

要約

タイトル：ポイントクラウドデータのための新しい共変量ベースの多様体学習手法である最大共分散展開回帰

要約：
– ポイントクラウドデータは、プロセス検査、モデリング、監視、最適化のために製造業界で広く使用されています。
– 構造化ポイントクラウドデータの分析には、一様グリッド上の測定値をテンソルにまとめる最新のテンソル回帰技術が効果的に使用されています。
– しかし、これらの技術は、多くが多様体の形で表される非構造化のポイントクラウドデータを処理することができません。
– 本論文では、最大共分散展開回帰という非線形次元削減手法を提案し、説明変数と最も相関の高いポイントクラウドの低次元多様体を学習することができます。
– この低次元多様体は、プロセス変数に基づいた回帰モデリングおよびプロセス最適化に使用されます。
– 提案手法の性能は、シミュレーションと鋼板製造に関する事例研究を通じて比較評価されます。

要約(オリジナル)

Point cloud data are widely used in manufacturing applications for process inspection, modeling, monitoring and optimization. The state-of-art tensor regression techniques have effectively been used for analysis of structured point cloud data, where the measurements on a uniform grid can be formed into a tensor. However, these techniques are not capable of handling unstructured point cloud data that are often in the form of manifolds. In this paper, we propose a nonlinear dimension reduction approach named Maximum Covariance Unfolding Regression that is able to learn the low-dimensional (LD) manifold of point clouds with the highest correlation with explanatory covariates. This LD manifold is then used for regression modeling and process optimization based on process variables. The performance of the proposed method is subsequently evaluated and compared with benchmark methods through simulations and a case study of steel bracket manufacturing.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI