• Treffer 9 von 47
Zurück zur Trefferliste

Learning From the Past: Sequential Deep Learning for Gas Distribution Mapping

  • To better understand the dynamics in hazardous environments, gas distribution mapping aims to map the gas concentration levels of a specified area precisely. Sampling is typically carried out in a spatially sparse manner, either with a mobile robot or a sensor network and concentration values between known data points have to be interpolated. In this paper, we investigate sequential deep learning models that are able to map the gas distribution based on a multiple time step input from a sensor network. We propose a novel hybrid convolutional LSTM - transpose convolutional structure that we train with synthetic gas distribution data. Our results show that learning the spatial and temporal correlation of gas plume patterns outperforms a non-sequential neural network model.

Volltext Dateien herunterladen

  • Sequential Deep Learning for GDM.pdf
    eng
  • front_matter.pdf
    eng

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:Nicolas P. WinklerORCiD, O. Kotlyar, E. Schaffernicht, H. Fan, H. Matsukura, H. Ishida, Patrick P. NeumannORCiD, A. J. Lilienthal
Persönliche Herausgeber*innen:D. Tardioli, V. Matellán, G. Heredia, M. F. Silva, L. Marques
Dokumenttyp:Beitrag zu einem Tagungsband
Veröffentlichungsform:Verlagsliteratur
Sprache:Englisch
Titel des übergeordneten Werkes (Englisch):ROBOT2022: Fifth Iberian Robotics Conference
Jahr der Erstveröffentlichung:2023
Organisationseinheit der BAM:8 Zerstörungsfreie Prüfung
8 Zerstörungsfreie Prüfung / 8.1 Sensorik, mess- und prüftechnische Verfahren
Verlag:Springer International Publishing
Erste Seite:178
Letzte Seite:188
DDC-Klassifikation:Naturwissenschaften und Mathematik / Chemie / Analytische Chemie
Freie Schlagwörter:Convolutional LSTM; Gas Distribution Mapping; Sequential Learning; Spatial Interpolation
Themenfelder/Aktivitätsfelder der BAM:Umwelt
Umwelt / Sensorik
Veranstaltung:ROBOT2022: Fifth Iberian Robotics Conference
Veranstaltungsort:Zaragoza, Spain
Beginndatum der Veranstaltung:22.11.2022
Enddatum der Veranstaltung:25.11.2022
DOI:10.1007/978-3-031-21062-4_15
ISBN:978-3-031-21061-7
Verfügbarkeit des Dokuments:Datei im Netzwerk der BAM verfügbar ("Closed Access")
Datum der Freischaltung:28.11.2022
Referierte Publikation:Ja
Datum der Eintragung als referierte Publikation:27.02.2023
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.