論文の概要: Data-Driven Distributed State Estimation and Behavior Modeling in Sensor Networks

• arxiv url: http://arxiv.org/abs/2009.10827v2
• Date: Thu, 24 Sep 2020 15:12:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 23:28:13.371117
• Title: Data-Driven Distributed State Estimation and Behavior Modeling in Sensor Networks
• Title（参考訳）: センサネットワークにおけるデータ駆動分散状態推定と振舞いモデリング
• Authors: Rui Yu, Zhenyuan Yuan, Minghui Zhu, Zihan Zhou
• Abstract要約: センサネットワークにおける状態推定と行動学習の同時学習の問題を定式化する。 本稿では,ガウス過程に基づくベイズフィルタ(GP-BayesFilters)をオンライン分散環境に拡張することで,シンプルで効果的な解を提案する。 提案手法の有効性は,マルチロボットプラットフォームから収集した合成データとデータの両方を用いて,未知の動作行動を持つ物体の追跡に評価される。
• 参考スコア（独自算出の注目度）: 5.817715558396024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, the prevalence of sensor networks has enabled tracking of the states of dynamic objects for a wide spectrum of applications from autonomous driving to environmental monitoring and urban planning. However, tracking real-world objects often faces two key challenges: First, due to the limitation of individual sensors, state estimation needs to be solved in a collaborative and distributed manner. Second, the objects' movement behavior is unknown, and needs to be learned using sensor observations. In this work, for the first time, we formally formulate the problem of simultaneous state estimation and behavior learning in a sensor network. We then propose a simple yet effective solution to this new problem by extending the Gaussian process-based Bayes filters (GP-BayesFilters) to an online, distributed setting. The effectiveness of the proposed method is evaluated on tracking objects with unknown movement behaviors using both synthetic data and data collected from a multi-robot platform.
• Abstract（参考訳）: 近年,センサネットワークの普及により,自律運転から環境モニタリング,都市計画に至るまで,幅広い用途の動的物体の状態の追跡が可能になった。 第一に、個々のセンサーの制限のため、状態推定は協調的で分散的な方法で解決する必要がある。 第2に,物体の運動挙動は未知であり,センサによる観察から学ぶ必要がある。 本研究では,センサネットワークにおける同時状態推定と行動学習の問題を初めて形式的に定式化する。 そこで我々は,ガウス過程に基づくベイズフィルタ(gp-ベイズフィルタ)をオンライン分散設定に拡張して,この問題に対する単純かつ効果的な解法を提案する。 提案手法の有効性は,マルチロボットプラットフォームから収集した合成データとデータの両方を用いて,未知の動作行動を持つ物体の追跡に評価される。

関連論文リスト

• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• DynST: Dynamic Sparse Training for Resource-Constrained Spatio-Temporal Forecasting [24.00162014044092]
  地球科学システムは、センサーの広範な展開に大きく依存している。 従来のセンサー配置アプローチでは、特定のアルゴリズムを使用してセンサーを設計および展開する。 本稿では,ダイナミックスパーストレーニングのコンセプトを初めて紹介し,重要なセンサデータを動的にフィルタリングすることを約束する。
  論文  参考訳（メタデータ） (2024-03-05T12:31:24Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• Know Thy Neighbors: A Graph Based Approach for Effective Sensor-Based Human Activity Recognition in Smart Homes [0.0]
  スマートホームにおけるヒューマンアクティビティ認識(HAR)のためのグラフ誘導ニューラルネットワーク手法を提案する。 スマートホームにおけるセンサネットワークを表す,より表現力のあるグラフ構造を学習することで,これを実現する。 本手法は,アテンション機構の適用により,個別の入力センサ計測を特徴空間にマッピングする。
  論文  参考訳（メタデータ） (2023-11-16T02:43:13Z)
• Simultaneous Clutter Detection and Semantic Segmentation of Moving Objects for Automotive Radar Data [12.96486891333286]
  レーダセンサは、自動運転車の環境認識システムにおいて重要な部分である。 レーダーポイント雲の処理における最初のステップの1つは、しばしば乱れの検出である。 もう一つの一般的な目的は、移動道路利用者のセマンティックセグメンテーションである。 我々は,RadarScenesデータセットのセマンティックセマンティックセグメンテーションにおいて,我々の設定が極めて効果的であることを示し,既存のネットワークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-13T11:29:38Z)
• Point Cloud Forecasting as a Proxy for 4D Occupancy Forecasting [58.45661235893729]
  有望な自己管理タスクの1つは、注釈のないLiDARシーケンスからの3Dポイントクラウド予測である。 本課題は,(1)センサ外在物(自動運転車の移動),(2)センサ内在物(特定のLiDARセンサに特有のサンプリングパターン),(3)シーン内の他の物体の形状と動きを暗黙的にキャプチャするアルゴリズムを必要とすることを示す。 センサ外在性および内在性に関する4D占有率予測のポイントクラウドデータをレンダリングすることにより、注釈のないLiDARシーケンスで占有率アルゴリズムをトレーニングし、テストすることができる。
  論文  参考訳（メタデータ） (2023-02-25T18:12:37Z)
• Because Every Sensor Is Unique, so Is Every Pair: Handling Dynamicity in Traffic Forecasting [32.354251863295424]
  トラフィック予測は、サイバー物理インフラから価値を抽出するための重要なタスクである。 本稿では,まず実世界の交通データを解析し,各センサがユニークなダイナミック性を持つことを示す。 次に,空間グラフ変換器 (SGT) と呼ばれる新しいモジュールを提案する。 最後に,グラフ自己注意型ウェーブネット(G-SWaN)を,複雑で非線形な時間的トラフィックのダイナミクスに対処するために提案する。
  論文  参考訳（メタデータ） (2023-02-20T12:57:31Z)
• Feeling of Presence Maximization: mmWave-Enabled Virtual Reality Meets Deep Reinforcement Learning [76.46530937296066]
  本稿では,無線モバイルユーザに対して,超信頼性でエネルギー効率のよいバーチャルリアリティ(VR)体験を提供するという課題について検討する。 モバイルユーザへの信頼性の高い超高精細ビデオフレーム配信を実現するために,コーディネートマルチポイント(CoMP)伝送技術とミリ波(mmWave)通信を利用する。
  論文  参考訳（メタデータ） (2021-06-03T08:35:10Z)
• On the Role of Sensor Fusion for Object Detection in Future Vehicular Networks [25.838878314196375]
  異なるセンサの組み合わせが車両の移動・運転環境の検出にどのように影響するかを評価します。 最終的な目標は、チャネルに分散するデータの量を最小限に抑える最適な設定を特定することです。
  論文  参考訳（メタデータ） (2021-04-23T18:58:37Z)
• TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
  TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。 実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。 評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
  論文  参考訳（メタデータ） (2021-04-08T20:01:00Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)

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。