要約
慣性センサーは多くのアプリケーションに不可欠なコンポーネントであり、ロボット工学や私たちの日常生活において重要な機能を支えている。近年、ディープラーニングは慣性センシングの性能と堅牢性を大幅に向上させている。ディープラーニング技術は、ネットワーク性能を向上させるために様々なドメインやプラットフォームで使用されているが、共通のベンチマークは存在しない。後者は、標準化されたフレームワークでの公正な比較と評価だけでなく、現場での開発にとっても重要である。このギャップを埋めるために、ニューラル慣性回帰ネットワークを改善するための13のデータ駆動技術を定義し、徹底的に分析する。ニューラルネットワークの3つの側面、すなわちネットワーク・アーキテクチャ、データ増強、データ前処理に焦点を当てる。クワッドローター、ドア、歩行者、移動ロボットを含む様々なプラットフォームから収集された6つの多様なデータセットで広範な実験を行った。合計で、120-200Hzの間でサンプリングされた1079分以上の慣性データが分析された。その結果、回転とノイズ付加によるデータ増強が一貫して最も大きな改善をもたらすことが実証された。さらに、本研究は、ニューラル慣性回帰ネットワークを強化するためのベンチマーク戦略を概説している。
要約(オリジナル)
Inertial sensors are integral components in numerous applications, powering crucial features in robotics and our daily lives. In recent years, deep learning has significantly advanced inertial sensing performance and robustness. Deep-learning techniques are used in different domains and platforms to enhance network performance, but no common benchmark is available. The latter is critical for fair comparison and evaluation in a standardized framework as well as development in the field. To fill this gap, we define and thoroughly analyze 13 data-driven techniques for improving neural inertial regression networks. A focus is placed on three aspects of neural networks: network architecture, data augmentation, and data preprocessing. Extensive experiments were made across six diverse datasets that were collected from various platforms including quadrotors, doors, pedestrians, and mobile robots. In total, over 1079 minutes of inertial data sampled between 120-200Hz were analyzed. Our results demonstrate that data augmentation through rotation and noise addition consistently yields the most significant improvements. Moreover, this study outlines benchmarking strategies for enhancing neural inertial regression networks.
arxiv情報
| 著者 | Victoria Khalfin Fekson,Nitsan Pri-Hadash,Netta Palez,Aviad Etzion,Itzik Klein |
| 発行日 | 2025-01-02 16:27:56+00:00 |
| arxivサイト | arxiv_id(pdf) |