TinyGC-Net: An Extremely Tiny Network for Calibrating MEMS Gyroscopes

要約

微小電気機械システム (MEMS) ジャイロスコープの誤差は複雑で非線形であるため、線形モデルや多数のパラメーターを含むネットワークに依存する現在の校正方法は、低コストの組み込みコンピューティング プラットフォームで精度とリアルタイム パフォーマンスの両方を達成するには不十分です。
本稿では、MEMS ジャイロスコープの測定モデルを特徴づける非常に小さなネットワーク (TGC-Net) を紹介します。
ネットワークには少数のパラメーターがあり、マイクロコントローラー ユニット (MCU) に展開する前に中央処理装置 (CPU) でトレーニングできます。
TGC-Net は、深層学習の堅牢なデータ処理機能を活用して、断片化されたジャイロスコープ データから非線形測定モデルを導き出します。
その後、このモデルはジャイロスコープ データの誤差を回帰するために使用されます。
さらに、コンパクトネットワークとMEMSジャイロスコープの従来の線形モデルとの関係を分析し、ネットワークをトレーニングするための適切な角運動刺激の重要性を強調します。
公開データセットと現実世界のシナリオに基づいた実験結果は、提案された方法の実用性と有効性を示しています。
これらの発見は、この技術が MEMS ジャイロスコープを必要とするアプリケーションの有力な候補であることを示唆しています。

要約(オリジナル)

As the errors of microelectromechanical system (MEMS) gyroscopes are complex and nonlinear, the current calibration methods, which rely on linear models or networks with numerous parameters, are inadequate for low-cost embedded computing platforms to achieve both precision and real-time performance. In this paper, we introduce a extremely tiny network (TGC-Net) that characterizes the measurement model of MEMS gyroscopes. The network has a small number of parameters and can be trained on a central processing unit (CPU) before being deployed on a microcontroller unit (MCU). The TGC-Net leverage the robust data processing capabilities of deep learning to derive a nonlinear measurement model from fragmented gyroscope data. Subsequently, this model is used to regress errors on the gyroscope data. Moreover, we analyze the relationship between the compact network and the traditional linear model for MEMS gyroscopes, and emphasize the significance of the adequate angular motion stimulation for train the network. The experimental results, based on public datasets and real-world scenarios, demonstrate the practicality and effectiveness of the proposed method. These findings suggest that this technique is a viable candidate for applications that require MEMS gyroscopes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google