論文の概要: Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference

• arxiv url: http://arxiv.org/abs/2001.04061v1
• Date: Mon, 13 Jan 2020 04:41:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 23:51:25.341267
• Title: Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference
• Title（参考訳）: 深層学習に基づく歩行者慣性ナビゲーション:メソッド、データセット、オンデバイス推論
• Authors: Changhao Chen, Peijun Zhao, Chris Xiaoxuan Lu, Wei Wang, Andrew Markham, Niki Trigoni
• Abstract要約: 慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。 正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。 我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
• 参考スコア（独自算出の注目度）: 49.88536971774444
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern inertial measurements units (IMUs) are small, cheap, energy efficient, and widely employed in smart devices and mobile robots. Exploiting inertial data for accurate and reliable pedestrian navigation supports is a key component for emerging Internet-of-Things applications and services. Recently, there has been a growing interest in applying deep neural networks (DNNs) to motion sensing and location estimation. However, the lack of sufficient labelled data for training and evaluating architecture benchmarks has limited the adoption of DNNs in IMU-based tasks. In this paper, we present and release the Oxford Inertial Odometry Dataset (OxIOD), a first-of-its-kind public dataset for deep learning based inertial navigation research, with fine-grained ground-truth on all sequences. Furthermore, to enable more efficient inference at the edge, we propose a novel lightweight framework to learn and reconstruct pedestrian trajectories from raw IMU data. Extensive experiments show the effectiveness of our dataset and methods in achieving accurate data-driven pedestrian inertial navigation on resource-constrained devices.
• Abstract（参考訳）: 現代の慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。 正確で信頼性の高い歩行者ナビゲーションサポートのために慣性データを活用することは、新しいインターネット・オブ・シングのアプリケーションやサービスにとって重要なコンポーネントである。 近年、モーションセンシングと位置推定にディープニューラルネットワーク(DNN)を適用することへの関心が高まっている。 しかし、アーキテクチャベンチマークのトレーニングと評価に十分なラベル付きデータがないため、IMUベースのタスクにおけるDNNの採用は制限されている。 本稿では,深層学習に基づく慣性航法研究のための初等的公開データセットであるoxford inertial odometry dataset (oxiod) を,全シーケンスについて細粒度で公開する。 さらに,より効率的なエッジ推定を実現するために,生のimuデータから歩行者の軌跡を学習し,再構成する新しい軽量フレームワークを提案する。 大規模な実験により,データ駆動型歩行者慣性航法を資源制約装置上で正確に実現するためのデータセットと手法の有効性が示された。

関連論文リスト

• Scale-Translation Equivariant Network for Oceanic Internal Solitary Wave Localization [7.444865250744234]
  内部孤立波(英:internal Solitary wave、ISW)は、内部の海洋でしばしば観測される重力波である。 光リモートセンシング画像における雲のカバーは、地表面の情報を可変的に曖昧にし、ぼやけたり、表面の観察を欠いたりする。 本稿では,ISWを自動検出するアルゴリズムを用いた機械学習ソリューションを提案する。
  論文  参考訳（メタデータ） (2024-06-18T21:09:56Z)
• Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
  軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。 トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。 特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
  論文  参考訳（メタデータ） (2024-03-21T05:57:27Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• Topics in Deep Learning and Optimization Algorithms for IoT Applications in Smart Transportation [0.0]
  この論文は、最適化アルゴリズムと機械学習の異なる手法をどのように活用してシステム性能を向上するかを考察する。 第1のトピックでは、分散ADMM方式を用いた最適な伝送周波数管理方式を提案する。 第2のトピックでは、共有自転車の需要予測にグラフニューラルネットワーク(GNN)を活用する。 最後のトピックでは、頻繁に車線変更行動が発生するハイウェイ交通ネットワークのシナリオについて考察する。
  論文  参考訳（メタデータ） (2022-10-13T11:45:30Z)
• CTIN: Robust Contextual Transformer Network for Inertial Navigation [20.86392550313961]
  Inertial Navigation(CTIN)のための頑健なCon Transformerベースのネットワークを提案し,速度と軌道を正確に予測する。 CTINは非常に堅牢で、最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-12-03T19:57:34Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• IMU Data Processing For Inertial Aided Navigation: A Recurrent Neural Network Based Approach [8.638738538496778]
  ディープニューラルネットワーク(DNN)を用いた慣性補助ナビゲーションのための新しい手法を提案する。 IMUキネマティック方程式の動作条件の詳細な解析を行い、IMUデータ処理のための専用ネットワーク設計、損失関数、トレーニング戦略を提案します。
  論文  参考訳（メタデータ） (2021-03-26T06:21:37Z)
• A Deep Learning Method for Complex Human Activity Recognition Using Virtual Wearable Sensors [22.923108537119685]
  センサに基づくヒューマンアクティビティ認識(HAR)は、現在、複数のアプリケーション領域で研究ホットスポットとなっている。 本研究では,実シーンにおける複雑なHARの深層学習に基づく新しい手法を提案する。 提案手法は驚くほど数イテレーションで収束し、実際のIMUデータセット上で91.15%の精度が得られる。
  論文  参考訳（メタデータ） (2020-03-04T03:31:23Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)
• Large-Scale Gradient-Free Deep Learning with Recursive Local Representation Alignment [84.57874289554839]
  大規模データセット上でディープニューラルネットワークをトレーニングするには、重要なハードウェアリソースが必要である。 これらのネットワークをトレーニングするためのワークホースであるバックプロパゲーションは、本質的に並列化が難しいシーケンシャルなプロセスである。 本稿では、深層ネットワークのトレーニングに使用できるバックプロップに代わる、神経生物学的に有望な代替手段を提案する。
  論文  参考訳（メタデータ） (2020-02-10T16:20:02Z)

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。