論文の概要: DynamicSLAM: Leveraging Human Anchors for Ubiquitous Low-Overhead Indoor Localization

• arxiv url: http://arxiv.org/abs/2004.06621v1
• Date: Mon, 30 Mar 2020 19:49:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-27 11:53:20.585899
• Title: DynamicSLAM: Leveraging Human Anchors for Ubiquitous Low-Overhead Indoor Localization
• Title（参考訳）: DynamicSLAM:ユビキタスローオーバーヘッド屋内ローカライゼーションのための人間アンカーの活用
• Authors: Ahmed Shokry, Moustafa Elhamshary, Moustafa Youssef
• Abstract要約: DynamicSLAM は室内でのローカライゼーション技術であり、キャリブレーションの手間を省く。 我々は,携帯電話の慣性センサーを用いてユーザの進路を追跡する。 DynamicSLAMは、環境内の他のユーザとの遭遇に基づいて、モバイルヒューマンアンカーという新しい概念を導入している。
• 参考スコア（独自算出の注目度）: 5.198840934055703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present DynamicSLAM: an indoor localization technique that eliminates the need for the daunting calibration step. DynamicSLAM is a novel Simultaneous Localization And Mapping (SLAM) framework that iteratively acquires the feature map of the environment while simultaneously localizing users relative to this map. Specifically, we employ the phone inertial sensors to keep track of the user's path. To compensate for the error accumulation due to the low-cost inertial sensors, DynamicSLAM leverages unique points in the environment (anchors) as observations to reduce the estimated location error. DynamicSLAM introduces the novel concept of mobile human anchors that are based on the encounters with other users in the environment, significantly increasing the number and ubiquity of anchors and boosting localization accuracy. We present different encounter models and show how they are incorporated in a unified probabilistic framework to reduce the ambiguity in the user location. Furthermore, we present a theoretical proof for system convergence and the human anchors ability to reset the accumulated error. Evaluation of DynamicSLAM using different Android phones shows that it can provide a localization accuracy with a median of 1.1m. This accuracy outperforms the state-of-the-art techniques by 55%, highlighting DynamicSLAM promise for ubiquitous indoor localization.
• Abstract（参考訳）: 本稿では,daunting calibration stepの必要性をなくす屋内ローカライズ手法であるdynamicslamを提案する。 dynamicslamは、新しい同時ローカライズ・マッピング(slam)フレームワークで、反復的に環境の機能マップを取得し、同時にユーザをこのマップにローカライズする。 具体的には,携帯電話の慣性センサーを用いてユーザの経路を追跡する。 低コスト慣性センサによる誤差の蓄積を補償するため、dynamicslamは環境(アンカー)のユニークな点を観測として活用し、推定位置誤差を低減した。 dynamicslamは、環境中の他のユーザとの出会いに基づいて、アンカーの数とユビキタスを著しく増加させ、ローカライズ精度を高める、移動型人間アンカーという新しい概念を紹介している。 ユーザの位置のあいまいさを軽減するため、異なる遭遇モデルを示し、それらを統一確率フレームワークに組み込む方法を示す。 さらに,システム収束と人間のアンカーによる累積誤差のリセット能力に関する理論的証明を提案する。 異なるAndroid端末を用いたDynamicSLAMの評価は、中央値1.1mのローカライズ精度を提供できることを示している。 この精度は最先端技術よりも55%向上し、ユビキタス屋内ローカライゼーションにおけるDynamicSLAMの約束を強調している。

関連論文リスト

• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• DK-SLAM: Monocular Visual SLAM with Deep Keypoint Learning, Tracking and Loop-Closing [13.50980509878613]
  公開されているデータセットに対する実験的評価は、DK-SLAMが従来のSLAMシステムと学習ベースのSLAMシステムより優れていることを示している。 本システムでは,キーポイント抽出ネットワークの学習を最適化するために,モデル非依存メタラーニング(MAML)戦略を採用している。 累積的な位置決め誤差を軽減するため、DK-SLAMはループ閉鎖検出にバイナリ機能を利用する新しいオンライン学習モジュールを組み込んだ。
  論文  参考訳（メタデータ） (2024-01-17T12:08:30Z)
• PIN-SLAM: LiDAR SLAM Using a Point-Based Implicit Neural Representation for Achieving Global Map Consistency [30.5868776990673]
  PIN-SLAMは、弾性的かつコンパクトな点ベースの暗黙的ニューラルマップ表現に基づいて、一貫した一貫したマップを構築するシステムである。 我々の暗黙の地図は、ループを閉じる際の大域的なポーズ調整とともに、本質的に弾性で変形可能なスパース最適化可能なニューラルポイントに基づいている。 PIN-SLAMは、最先端のLiDARオドメトリーやSLAMシステムと同等のポーズ推定精度を達成する。
  論文  参考訳（メタデータ） (2024-01-17T10:06:12Z)
• DDN-SLAM: Real-time Dense Dynamic Neural Implicit SLAM [5.267859554944985]
  DDN-SLAMは,意味的特徴を統合した最初のリアルタイム高密度ニューラルネットワーク暗黙的SLAMシステムである。 既存の暗黙的SLAMシステムと比較して、動的データセットの追跡結果は平均軌道誤差(ATE)の精度が平均90%向上していることを示している。
  論文  参考訳（メタデータ） (2024-01-03T05:42:17Z)
• UncLe-SLAM: Uncertainty Learning for Dense Neural SLAM [60.575435353047304]
  我々は、高密度ニューラルネットワークの同時局所化とマッピング(SLAM)のための不確実性学習フレームワークを提案する。 本稿では,2次元入力データのみから自己教師付きで学習可能なセンサ不確実性推定のためのオンラインフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-19T16:26:25Z)
• Point-SLAM: Dense Neural Point Cloud-based SLAM [61.96492935210654]
  本稿では,モノクラーRGBD入力に対する高密度ニューラルネットワークの局所化とマッピング(SLAM)手法を提案する。 トラッキングとマッピングの両方が、同じポイントベースのニューラルシーン表現で実行可能であることを実証する。
  論文  参考訳（メタデータ） (2023-04-09T16:48:26Z)
• Using Detection, Tracking and Prediction in Visual SLAM to Achieve Real-time Semantic Mapping of Dynamic Scenarios [70.70421502784598]
  RDS-SLAMは、一般的に使用されているIntel Core i7 CPUのみを使用して、動的シナリオのためのオブジェクトレベルでのセマンティックマップをリアルタイムで構築することができる。 我々は, TUM RGB-DデータセットにおけるRDS-SLAMを評価し, 動的シナリオにおいて, RDS-SLAMはフレームあたり30.3msで動作可能であることを示した。
  論文  参考訳（メタデータ） (2022-10-10T11:03:32Z)
• Det-SLAM: A semantic visual SLAM for highly dynamic scenes using Detectron2 [0.0]
  本研究では,視覚的SLAMシステムであるORB-SLAM3とディテクトロン2を組み合わせて,Det-SLAMシステムを提案する。 Det-SLAMは従来の動的SLAMシステムよりも弾力性が高く、動的屋内シナリオにおけるカメラ姿勢推定誤差を低減できる。
  論文  参考訳（メタデータ） (2022-10-01T13:25:11Z)
• Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
  骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。 我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
  論文  参考訳（メタデータ） (2022-09-21T02:33:07Z)
• NICE-SLAM: Neural Implicit Scalable Encoding for SLAM [112.6093688226293]
  NICE-SLAMは階層的なシーン表現を導入することでマルチレベルローカル情報を組み込んだ高密度SLAMシステムである。 最近の暗黙的SLAMシステムと比較して、私たちのアプローチはよりスケーラブルで効率的で堅牢です。
  論文  参考訳（メタデータ） (2021-12-22T18:45:44Z)
• LatentSLAM: unsupervised multi-sensor representation learning for localization and mapping [7.857987850592964]
  低次元潜在状態記述子を生成する教師なし表現学習手法を提案する。 本手法はセンサ非依存であり,任意のセンサモダリティに適用可能である。 複数のセンサを組み合わせることで、偽の一致数を減らすことで堅牢性が向上することを示す。
  論文  参考訳（メタデータ） (2021-05-07T13:44:32Z)

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。