論文の概要: Semi-Sequential Probabilistic Model For Indoor Localization Enhancement
- arxiv url: http://arxiv.org/abs/2001.02400v1
- Date: Wed, 8 Jan 2020 07:22:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 12:55:21.760557
- Title: Semi-Sequential Probabilistic Model For Indoor Localization Enhancement
- Title(参考訳): 半系列確率モデルによる屋内局在化の促進
- Authors: Minh Tu Hoang, Brosnan Yuen, Xiaodai Dong, Tao Lu, Robert Westendorp,
and Kishore Reddy
- Abstract要約: 本稿では,半逐次確率モデル(SSP)を提案する。
SSPは最大エラーを減らし、既存の確率的アプローチのパフォーマンスを25%から30%向上させる。
- 参考スコア(独自算出の注目度): 9.139828473147459
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a semi-sequential probabilistic model (SSP) that applies
an additional short term memory to enhance the performance of the probabilistic
indoor localization. The conventional probabilistic methods normally treat the
locations in the database indiscriminately. In contrast, SSP leverages the
information of the previous position to determine the probable location since
the user's speed in an indoor environment is bounded and locations near the
previous one have higher probability than the other locations. Although the SSP
utilizes the previous location information, it does not require the exact
moving speed and direction of the user. On-site experiments using the received
signal strength indicator (RSSI) and channel state information (CSI)
fingerprints for localization demonstrate that SSP reduces the maximum error
and boosts the performance of existing probabilistic approaches by 25% - 30%.
- Abstract(参考訳): 本稿では,短期記憶を付加した半系列確率モデル(ssp)を提案する。
従来の確率的手法は通常、データベース内の位置を無差別に扱う。
対照的に、SSPは、屋内環境におけるユーザの速度が制限されており、前の位置に近い位置が他の位置よりも高い確率を持つため、以前の位置の情報を活用して、予測可能な位置を決定する。
SSPは、以前の位置情報を利用するが、ユーザの正確な移動速度と方向を必要としない。
受信信号強度インジケータ(RSSI)とチャネル状態情報(CSI)指紋を用いた現場実験により、SSPは最大誤差を低減し、既存の確率的アプローチの性能を25%から30%向上させることを示した。
関連論文リスト
- Pseudo-Likelihood Inference [16.934708242852558]
Pseudo-Likelihood Inference (PLI)は、ABCに神経近似をもたらす新しい方法であり、ベイズシステムの識別に挑戦するタスクと競合する。
PLIは、勾配降下による神経後葉の最適化を可能にし、要約統計に頼らず、入力として複数の観察を可能にする。
PLIの有効性は、4つの古典的SBIベンチマークタスクと非常にダイナミックな物理システムで評価される。
論文 参考訳(メタデータ) (2023-11-28T10:17:52Z) - Out of Distribution Detection via Domain-Informed Gaussian Process State
Space Models [22.24457254575906]
ロボットが見えないシナリオを安全にナビゲートするためには、オンラインのトレーニング外配布(OoD)状況を正確に検出することが重要である。
我々は,既存のドメイン知識をカーネルに埋め込む新しい手法を提案し,また(ii)遅延水平予測に基づくOoDオンラインランタイムモニタを提案する。
論文 参考訳(メタデータ) (2023-09-13T01:02:42Z) - Neural Likelihood Surfaces for Spatial Processes with Computationally
Intensive or Intractable Likelihoods [0.24578723416255752]
本稿では,畳み込みニューラルネットワークを用いて空間過程の確率関数を学習する。
本手法は信頼性の高い不確実性定量化法を用いて高速かつ正確なパラメータ推定を行う。
論文 参考訳(メタデータ) (2023-05-08T11:27:32Z) - PRISM: Probabilistic Real-Time Inference in Spatial World Models [52.878769723544615]
PRISMはエージェントの動きと視覚知覚の確率的生成モデルにおけるリアルタイムフィルタリングの手法である。
提案手法は10Hzでリアルタイムに動作し,小型・中型屋内環境における最先端SLAMと同等に精度が高い。
論文 参考訳(メタデータ) (2022-12-06T13:59:06Z) - On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。
本稿では,密集市街地における局所化問題について検討する。
まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
論文 参考訳(メタデータ) (2022-11-28T00:31:02Z) - Optimal Scaling for Locally Balanced Proposals in Discrete Spaces [65.14092237705476]
離散空間におけるMetropolis-Hastings (M-H) アルゴリズムの効率は、対象分布に依存しない受容率によって特徴づけられることを示す。
最適受容率の知識は、連続空間におけるステップサイズ制御と直接的に類似して、離散空間における提案分布の近傍サイズを自動的に調整することを可能にする。
論文 参考訳(メタデータ) (2022-09-16T22:09:53Z) - An unsupervised approach for semantic place annotation of trajectories
based on the prior probability [6.710030919235883]
本稿では,セマンティック・プレイス・アノテーション・トラジェクトリのための教師なし手法UPAPPを提案する。
本手法は, 候補地点を空間的確率, 期間的確率, 訪問時間的確率にアノテートするために特に用いられる。
提案手法は, それぞれ0.712と0.720の総合的, 平均的精度を達成し, 外部データを使わずに, 訪れた場所を正確にアノテートできることを示唆した。
論文 参考訳(メタデータ) (2022-04-20T01:10:25Z) - LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法
提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。
推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
論文 参考訳(メタデータ) (2022-02-01T20:27:46Z) - Real-time Outdoor Localization Using Radio Maps: A Deep Learning
Approach [59.17191114000146]
LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。
我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
論文 参考訳(メタデータ) (2021-06-23T17:27:04Z) - Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic
Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。
既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文 参考訳(メタデータ) (2021-06-03T08:32:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。