文献

J-GLOBAL ID：201702281412874529   整理番号：17A1398540

LSTMネットワークを用いた学習運動学的パターンを用いたスウォーム飛行の3次元位置と方向の追跡【Powered by NICT】

Tracking the 3D position and orientation of flying swarms with learned kinematic pattern using LSTM network

著者 (6件)： Wang Shuo Hong (School of Computer Science, Shanghai Key Laboratory of Intelligent Information Processing, Fudan University, Shanghai, China) ,  Su Hai Feng (Institute of Neuroscience, State Key Laboratory of Neuroscience, CAS Center for Excellence in Brain Science and Intelligence Technology, Shanghai Institutes for Biological Sciences, CAS, Shanghai, China) ,  Cheng Xi En (Jingdezhen Ceramic Institute, Jindezhen, Jiangxi, China) ,  Liu Ye (College of Automation, Nanjing University of Posts and Telecommunications, Jiangsu, China) ,  Quo Aike (Institute of Neuroscience, State Key Laboratory of Neuroscience, CAS Center for Excellence in Brain Science and Intelligence Technology, Shanghai Institutes for Biological Sciences, CAS, Shanghai, China) ,  Chen Yan Qiu (School of Computer Science, Shanghai Key Laboratory of Intelligent Information Processing, Fudan University, Shanghai, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICME  ページ： 1225-1230  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 大飛行群における個人の3D位置と方向を追跡する正確で信頼性の科学的研究が実際応用だけでなく有用である。しかし,大量,頻繁な閉塞で,外観,小さな体の大きさと急激な運動は未解決の問題が残されているさせることができた。本論文で提案した3D飛行群追跡法は,粒子フィルタフレームワークを用いた群における個々の位置と配向を追跡した。粒子は長い短期記憶(LSTM)ネットワークを用いた単一ターゲットの学習運動学的パターンに基づく動的モデルによってより適切に散在している。さらに,観測モデルは各観点から重み付き占有率(WOR)と一過性出現コヒーレンス(TAC)の手掛かりを組み合わせた再構成体配向の精度とロバスト性を改善した。シミュレーションと実世界データセット上での実験を行い,提案した方法の有効性と優位性を示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *スウォーム ,  コヒーレンス ,  *三次元 ,  ダイナミックモデル ,  *ネットワーク ,  再構成 ,  信頼性 ,  *学習 ,  ロバスト性 ,  占有率
準シソーラス用語： 観測モデル ,  短期記憶 ,  粒子フィルタ , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (7件)： LSTMネットワーク ,  学習 ,  運動学 ,  スウォーム ,  飛行 ,  3次元 ,  追跡