Object Location Prediction in Real-time using LSTM Neural Network and Polynomial Regression

要約

この文書では、オブジェクトの位置座標を予測および補間するシステムの設計と実装について詳しく説明します。
当社のソリューションは、Long Short-Term Memory (LSTM) ニューラル ネットワークと多項式回帰を介した慣性測定と全地球測位システム データの処理に基づいています。
LSTM はリカレント ニューラル ネットワーク (RNN) の一種で、データ シーケンスを処理し、長期的な依存関係の問題を回避するのに特に適しています。
実世界の車両と全地球測位システム (GPS) センサーからのデータを採用しました。
センサー周波数の変化や一貫性のない GPS タイム ステップとドロップアウトに対処するために、重要な前処理ステップが開発されました。
LSTM ベースのシステムのパフォーマンスをカルマン フィルターと比較しました。
このシステムは、低遅延かつ高精度でリアルタイムに動作するように調整されています。
加速、旋回、減速、直線路など、さまざまな運転条件の道路でシステムをテストしました。
私たちは、提案したソリューションの精度と推論時間をテストし、リアルタイムで実行できることを示しました。
当社の LSTM ベースのシステムでは、推論時間 2 ミリ秒で平均誤差 0.11 メートルが得られました。
これは、LSTM ベースのシステムと同様の推論時間で平均誤差が 0.46 メートルである従来のカルマン フィルター法と比較して、誤差が 76\% 減少することを表します。

要約(オリジナル)

This paper details the design and implementation of a system for predicting and interpolating object location coordinates. Our solution is based on processing inertial measurements and global positioning system data through a Long Short-Term Memory (LSTM) neural network and polynomial regression. LSTM is a type of recurrent neural network (RNN) particularly suited for processing data sequences and avoiding the long-term dependency problem. We employed data from real-world vehicles and the global positioning system (GPS) sensors. A critical pre-processing step was developed to address varying sensor frequencies and inconsistent GPS time steps and dropouts. The LSTM-based system’s performance was compared with the Kalman Filter. The system was tuned to work in real-time with low latency and high precision. We tested our system on roads under various driving conditions, including acceleration, turns, deceleration, and straight paths. We tested our proposed solution’s accuracy and inference time and showed that it could perform in real-time. Our LSTM-based system yielded an average error of 0.11 meters with an inference time of 2 ms. This represents a 76\% reduction in error compared to the traditional Kalman filter method, which has an average error of 0.46 meters with a similar inference time to the LSTM-based system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google