論文の概要: EdgeLoc: An Edge-IoT Framework for Robust Indoor Localization Using Capsule Networks

• arxiv url: http://arxiv.org/abs/2009.05780v1
• Date: Sat, 12 Sep 2020 12:38:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 08:08:52.551118
• Title: EdgeLoc: An Edge-IoT Framework for Robust Indoor Localization Using Capsule Networks
• Title（参考訳）: EdgeLoc: カプセルネットワークを使用したロバストな屋内ローカライゼーションのためのエッジIoTフレームワーク
• Authors: Qianwen Ye, Xiaochen Fan, Gengfa Fang, Hongxia Bie, Chaocan Xiang, Xudong Song and Xiangjian He
• Abstract要約: カプセルネットワークを用いた効率的で堅牢な屋内ローカライズのためのエッジIoTフレームワークであるEdgeLocを提案する。 WiFi指紋データから階層情報を効率的に抽出する深層学習モデルをCapsNetで開発する。 我々は,33,600点以上のデータポイントを用いて実世界のフィールド実験を行い,オープンデータセットを用いた広範囲な合成実験を行った。
• 参考スコア（独自算出の注目度）: 3.659977669398194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the unprecedented demand for location-based services in indoor scenarios, wireless indoor localization has become essential for mobile users. While GPS is not available at indoor spaces, WiFi RSS fingerprinting has become popular with its ubiquitous accessibility. However, it is challenging to achieve robust and efficient indoor localization with two major challenges. First, the localization accuracy can be degraded by the random signal fluctuations, which would influence conventional localization algorithms that simply learn handcrafted features from raw fingerprint data. Second, mobile users are sensitive to the localization delay, but conventional indoor localization algorithms are computation-intensive and time-consuming. In this paper, we propose EdgeLoc, an edge-IoT framework for efficient and robust indoor localization using capsule networks. We develop a deep learning model with the CapsNet to efficiently extract hierarchical information from WiFi fingerprint data, thereby significantly improving the localization accuracy. Moreover, we implement an edge-computing prototype system to achieve a nearly real-time localization process, by enabling mobile users with the deep-learning model that has been well-trained by the edge server. We conduct a real-world field experimental study with over 33,600 data points and an extensive synthetic experiment with the open dataset, and the experimental results validate the effectiveness of EdgeLoc. The best trade-off of the EdgeLoc system achieves 98.5% localization accuracy within an average positioning time of only 2.31 ms in the field experiment.
• Abstract（参考訳）: 屋内シナリオにおける位置情報サービスへの前例のない需要により、モバイルユーザにとってワイヤレス屋内位置決めが不可欠になっている。 GPSは屋内では利用できないが、WiFi RSS指紋認証はユビキタスアクセシビリティーで普及している。 しかし、2つの大きな課題により、堅牢で効率的な屋内ローカライズを実現することは困難である。 まず,手作りの特徴を生の指紋データから簡単に学習する従来の局所化アルゴリズムに影響を及ぼすような,ランダムな信号ゆらぎによって局所化精度を劣化させることができる。 第二に、モバイルユーザはローカライズ遅延に敏感だが、従来の屋内ローカライズアルゴリズムは計算集約的で時間を要する。 本稿では,カプセルネットワークを用いた効率的で堅牢な屋内ローカライズのためのエッジIoTフレームワークであるEdgeLocを提案する。 CapsNetを用いた深層学習モデルを構築し,WiFi指紋データから階層情報を効率的に抽出し,位置推定精度を大幅に向上させる。 さらに,エッジサーバで十分にトレーニングされたディープラーニングモデルを用いて,ほぼリアルタイムなローカライズ処理を実現するために,エッジ計算プロトタイプシステムを実装した。 33,600以上のデータポイントを用いた実世界実験と,オープンデータセットを用いた広範囲な合成実験を行い,edgelocの有効性を検証した。 edgelocシステムの最良のトレードオフは、フィールド実験で平均測位時間2.31msで98.5%の測位精度を達成している。

関連論文リスト

• IndoorGNN: A Graph Neural Network based approach for Indoor Localization using WiFi RSSI [3.495640663645263]
  我々は,グラフニューラルネットワーク(GNN)に基づくアルゴリズムを用いて,特定の位置を特定の領域に分類する手法「屋内GNN」を開発した。 この分類を行うMLアルゴリズムのほとんどは、多数のラベル付きデータポイントを必要とする。 実験の結果,IndoorGNNは現状の既存手法やGNNベースの手法と比較して,位置予測精度が向上していることがわかった。
  論文  参考訳（メタデータ） (2023-12-11T17:12:51Z)
• A Variational Auto-Encoder Enabled Multi-Band Channel Prediction Scheme for Indoor Localization [11.222977249913411]
  周波数領域から室内指紋位置決めの精度を向上する手法を提案する。 オフィスシナリオから収集したCOST 2100シミュレーションデータと実時間周波数分割多重化(OFDM)WiFiデータに基づいて提案手法を検証した。
  論文  参考訳（メタデータ） (2023-09-19T08:19:34Z)
• FedSpeed: Larger Local Interval, Less Communication Round, and Higher Generalization Accuracy [84.45004766136663]
  フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。 これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。 本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
  論文  参考訳（メタデータ） (2023-02-21T03:55:29Z)
• Simple and Effective Augmentation Methods for CSI Based Indoor Localization [37.3026733673066]
  物理的考察により,チャネル状態情報に基づく屋内位置推定のための2つのアルゴリズムを提案する。 オリジナルのデータセットのサイズの10%は、オリジナルのデータセットと同じパフォーマンスを得るのに十分です。 提案手法によりさらにデータセットを増大させると、テスト精度は3倍以上に向上する。
  論文  参考訳（メタデータ） (2022-11-19T20:27:46Z)
• Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
  フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。 我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。 我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
  論文  参考訳（メタデータ） (2022-03-05T02:31:32Z)
• 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)
• QuickLoc: Adaptive Deep-Learning for Fast Indoor Localization with Mobile Devices [4.286327408435937]
  本稿では,深層学習に基づく屋内定位フレームワークの計算要件を削減する手法を提案する。 提案手法は,複数のスマートフォンに展開し,検証する。
  論文  参考訳（メタデータ） (2021-04-15T15:19:21Z)
• Wireless Localisation in WiFi using Novel Deep Architectures [4.541069830146568]
  本稿では,コモディティ・チップセットと標準チャネル・サウンドによるWiFi機器の屋内位置推定について検討する。 本稿では、異なるアンテナで受信されたWiFiサブキャリアに対応するチャネル状態情報から特徴を抽出する、新しい浅層ニューラルネットワーク(SNN)を提案する。
  論文  参考訳（メタデータ） (2020-10-16T22:48:29Z)
• Zero-Shot Multi-View Indoor Localization via Graph Location Networks [66.05980368549928]
  屋内ローカライゼーションは、位置ベースアプリケーションにおける基本的な問題である。 本稿では,インフラストラクチャフリーで多視点画像に基づく屋内ローカライゼーションを実現するために,新しいニューラルネットワークアーキテクチャであるGraph Location Networks(GLN)を提案する。 GLNは、メッセージパッシングネットワークを通じて画像から抽出されたロバストな位置表現に基づいて位置予測を行う。 新たにゼロショット屋内ローカライズ設定を導入し,提案したGLNを専用ゼロショットバージョンに拡張することで,その課題に対処する。
  論文  参考訳（メタデータ） (2020-08-06T07:36:55Z)
• Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
  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。
  論文  参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。