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

要約

この論文では、微小電気機械システム (MEMS) ジャイロスコープの校正とノイズ除去のための学習ベースの方法を紹介します。この方法は畳み込みネットワークに基づいて設計されており、含まれるパラメーターは数百のみなので、事前にネットワークをグラフィックス プロセッシング ユニット (GPU) でトレーニングできます。
限られた計算リソースを持つマイクロコントローラー ユニット (MCU) に展開されます。
この方法では、ニューラル ネットワーク モデルはジャイロスコープからの生の測定値のみを入力値として受け取り、解釈可能性を確保するためにキャリブレーションとノイズ低減タスクを個別に処理します。
提案された方法は、既存の学習ベースの方法とは対照的に、トレーニングに特定のデータセットに依存することなく、公開データセットと現実世界の実験で検証されています。
実験結果は、提案された方法の実用性と有効性を実証しており、この技術が IMU 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)

This paper presents a learning-based method for calibrating and denoising microelectromechanical system (MEMS) gyroscopes, which is designed based on a convolutional network, and only contains hundreds of parameters, so the network can be trained on a graphics processing unit (GPU) before being deployed on a microcontroller unit (MCU) with limited computational resources. In this method, the neural network model takes only the raw measurements from the gyroscope as input values, and handles the calibration and noise reduction tasks separately to ensure interpretability. The proposed method is validated on public datasets and real-world experiments, without relying on a specific dataset for training in contrast to existing learning-based methods. The experimental results demonstrate the practicality and effectiveness of the proposed method, suggesting that this technique is a viable candidate for applications that require IMUs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google