مقاله پیش بینی موقعیت مکانی شیء در زمان واقعی با استفاده از شبکه عصبی LSTM و رگرسیون چند جمله ای

چکیده

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.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله به طراحی و اجرای یک سیستم برای پیش بینی و درون یابی مختصات موقعیت مکانی شیء ارائه شده است.راه حل ما مبتنی بر پردازش اندازه گیری های اینرسی و داده های سیستم موقعیت یابی جهانی از طریق یک شبکه عصبی حافظه کوتاه مدت (LSTM) و رگرسیون چند جمله ای است.LSTM نوعی از شبکه عصبی مکرر (RNN) است که به ویژه برای پردازش توالی داده ها و جلوگیری از مشکل وابستگی طولانی مدت مناسب است.ما از داده های وسایل نقلیه در دنیای واقعی و سنسورهای سیستم موقعیت یابی جهانی (GPS) استفاده کردیم.یک مرحله قبل از پردازش مهم برای رسیدگی به فرکانس های مختلف سنسور و مراحل زمان و ترکیبی از GPS متناقض ایجاد شد.عملکرد سیستم مبتنی بر LSTM با فیلتر کالمن مقایسه شد.این سیستم برای کار در زمان واقعی با تأخیر کم و دقت بالا تنظیم شده است.ما سیستم خود را در جاده ها در شرایط مختلف رانندگی از جمله شتاب ، چرخش ، کاهش و مسیرهای مستقیم آزمایش کردیم.ما دقت و زمان استنباط راه حل پیشنهادی خود را آزمایش کردیم و نشان دادیم که می تواند در زمان واقعی انجام شود.سیستم مبتنی بر LSTM ما خطای متوسط 0.11 متر با زمان استنباط 2 میلی ثانیه به همراه داشت.این نشان دهنده کاهش 76 \ ٪ خطا در مقایسه با روش سنتی فیلتر Kalman است که دارای خطای متوسط 0.46 متر با زمان استنتاج مشابه به سیستم مبتنی بر LSTM است.