• Treffer 5 von 19
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

  • ROBOT2022_pdf.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
Koautor*innen:O. Kotlyar, E. Schaffernicht, H. Fan, H. Matsukura, H. Ishida, Patrick P. Neumann, A. J. Lilienthal
Dokumenttyp:Vortrag
Veröffentlichungsform:Präsentation
Sprache:Englisch
Jahr der Erstveröffentlichung:2022
Organisationseinheit der BAM:8 Zerstörungsfreie Prüfung
8 Zerstörungsfreie Prüfung / 8.1 Sensorik, mess- und prüftechnische Verfahren
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
Verfügbarkeit des Dokuments:Datei im Netzwerk der BAM verfügbar ("Closed Access")
Datum der Freischaltung:29.11.2022
Referierte Publikation:Nein
Eingeladener Vortrag:Nein
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.