論文の概要: Crowdsourced Smartphone Sensing for Localization in Metro Trains

• arxiv url: http://arxiv.org/abs/2003.10531v1
• Date: Sun, 8 Mar 2020 06:22:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-30 05:10:59.414123
• Title: Crowdsourced Smartphone Sensing for Localization in Metro Trains
• Title（参考訳）: 都市電車におけるローカライズのためのクラウドソーシング型スマートフォンセンシング
• Authors: Haibo Ye, Tao Gu, Xianping Tao, Jian Lu
• Abstract要約: MLocは、地下鉄の中でモバイルユーザーを見つけるための、インフラのない新しいローカライゼーションシステムである。 スマートフォン上で加速度計、磁力計、気圧計を収集し、これらのセンサデータを解析してパターンを抽出する。 我々は,M-Locの精度,スケーラビリティ,ロバスト性を実証するためにフィールドスタディを実施している。
• 参考スコア（独自算出の注目度）: 10.273037443227663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional fingerprint based localization techniques mainly rely on infrastructure support such as RFID, Wi-Fi or GPS. They operate by war-driving the entire space which is both time-consuming and labor-intensive. In this paper, we present MLoc, a novel infrastructure-free localization system to locate mobile users in a metro line. It does not rely on any Wi-Fi infrastructure, and does not need to war-drive the metro line. Leveraging crowdsourcing, we collect accelerometer,magnetometer and barometer readings on smartphones, and analyze these sensor data to extract patterns. Through advanced data manipulating techniques, we build the pattern map for the entire metro line, which can then be used for localization. We conduct field studies to demonstrate the accuracy, scalability, and robustness of M-Loc. The results of our field studies in 3 metro lines with 55 stations show that M-Loc achieves an accuracy of 93% when travelling 3 stations, 98% when travelling 5 stations.
• Abstract（参考訳）: 従来の指紋ベースのローカライゼーション技術は主にRFID、Wi-Fi、GPSなどのインフラサポートに依存している。 それらは、時間と労働集約の両方がかかる空間全体を、戦争で駆動する。 本稿では,メトロライン内のモバイルユーザを特定するための,インフラストラクチャフリーの新しいローカライズシステムMLocを提案する。 Wi-Fiのインフラは一切必要とせず、地下鉄路線を警戒する必要はない。 クラウドソーシングを利用して、加速度計、磁力計、気圧計をスマートフォンで収集し、これらのセンサデータを分析してパターンを抽出する。 高度なデータ操作技術により、私たちはメトロライン全体のパターンマップを構築し、ローカライゼーションに使用できる。 我々は,M-Locの精度,スケーラビリティ,堅牢性を実証するためにフィールドスタディを実施している。 55駅の3路線を対象に検討した結果,M-Locは3駅で93%,5駅で98%の精度で走行できることがわかった。

関連論文リスト

• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• AndroCon: Conning Location Services in Android [0.4143603294943439]
  本報告では,モバイル端末から1年間4万平方キロメートルの地域で半処理されたGPSデータを用いた縦断的研究について述べる。 データは航空機、クルーズ船、高度の高い場所から取得された。 われわれの研究であるAndroConは、lin-ear判別分析、無香のカルマンフィルター、勾配向上、ランダムな森林学習を組み合わせて、正確な環境と人間の活動センサーを提供する。
  論文  参考訳（メタデータ） (2024-07-28T04:20:26Z)
• On the Computation of Accessibility Provided by Shared Mobility [1.1417805445492082]
  共有モビリティサービス(SMS)は、低密度地域の移動性を改善することができる。 経験的測定に基づいてSMSのアクセシビリティを定量化する手法は存在しない。 本稿では,PTの送り手として機能し,そのような旅行をグラフで要約したSMSの入力された旅行を時空間統計手法を提案する。
  論文  参考訳（メタデータ） (2023-07-06T17:23:52Z)
• Energy-Based Models for Cross-Modal Localization using Convolutional Transformers [52.27061799824835]
  GPSのない衛星画像に対して、距離センサを搭載した地上車両を位置決めする新しい枠組みを提案する。 本稿では, 畳み込み変換器を用いて, 高精度な計量レベルの局所化を行う手法を提案する。 我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。
  論文  参考訳（メタデータ） (2023-06-06T21:27:08Z)
• 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)
• TapNet: The Design, Training, Implementation, and Applications of a Multi-Task Learning CNN for Off-Screen Mobile Input [75.05709030478073]
  本稿では,スマートフォンのタップを検出するマルチタスクネットワークであるTapNetの設計,トレーニング,実装,応用について述べる。 TapNetはデバイス間のデータから共同で学習し、タップ方向やタップ位置を含む複数のタップ特性を同時に認識することができる。
  論文  参考訳（メタデータ） (2021-02-18T00:45:41Z)
• A Data-Driven Analytical Framework of Estimating Multimodal Travel Demand Patterns using Mobile Device Location Data [5.902556437760098]
  本稿では,スマートフォンの位置データからマルチモーダル旅行需要パターンを抽出するデータ駆動分析フレームワークを提案する。 トラベルモードインプテーションのための訓練された単層モデルとディープニューラルネットワークを開発した。 この枠組みは、近隣の鉄道、地下鉄、高速道路、バス路線への交通ルートの近接性を評価するためにマルチモーダル交通網も組み込んでいる。
  論文  参考訳（メタデータ） (2020-12-08T22:49:44Z)
• Crowding Prediction of In-Situ Metro Passengers Using Smart Card Data [11.781685156308475]
  本稿では,閉鎖型地下鉄システム内の乗客密度を推定する統計モデルを提案する。 予測結果に基づいて,将来の時刻の乗客密度の正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-09-07T04:07:37Z)
• Urban Sensing based on Mobile Phone Data: Approaches, Applications and Challenges [67.71975391801257]
  モバイルデータ分析における多くの関心は、人間とその行動に関連している。 本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
  論文  参考訳（メタデータ） (2020-08-29T15:14:03Z)
• Real-time Localization Using Radio Maps [59.17191114000146]
  パスロスに基づく簡易かつ効果的なローカライゼーション法を提案する。 提案手法では, 受信した信号強度を, 既知の位置を持つ基地局の集合から報告する。
  論文  参考訳（メタデータ） (2020-06-09T16:51:17Z)

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。