論文の概要: Fusion-DHL: WiFi, IMU, and Floorplan Fusion for Dense History of Locations in Indoor Environments

• arxiv url: http://arxiv.org/abs/2105.08837v1
• Date: Tue, 18 May 2021 21:26:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-20 23:22:55.627878
• Title: Fusion-DHL: WiFi, IMU, and Floorplan Fusion for Dense History of Locations in Indoor Environments
• Title（参考訳）: Fusion-DHL:WiFi, IMU, Floorplan Fusion for Dense History of Locations in Indoor Environments
• Authors: Sachini Herath, Saghar Irandoust, Bowen Chen, Yiming Qian, Pyojin Kim, Yasutaka Furukawa
• Abstract要約: 本稿では,WiFi,IMU,フロアプラン情報を融合して屋内環境における正確な位置履歴を推定するマルチモーダルセンサ融合アルゴリズムを提案する。 このアルゴリズムは,1)IMUセンサデータから相対的な運動軌跡を推定する慣性ナビゲーションアルゴリズム,2)位置制約を取得し,その軌跡をジオローカライズする業界におけるWiFiベースのローカライゼーションAPI,3)フロアプランと整合する位置履歴を洗練するための畳み込みニューラルネットワークを使用する。
• 参考スコア（独自算出の注目度）: 31.758461149157725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The paper proposes a multi-modal sensor fusion algorithm that fuses WiFi, IMU, and floorplan information to infer an accurate and dense location history in indoor environments. The algorithm uses 1) an inertial navigation algorithm to estimate a relative motion trajectory from IMU sensor data; 2) a WiFi-based localization API in industry to obtain positional constraints and geo-localize the trajectory; and 3) a convolutional neural network to refine the location history to be consistent with the floorplan. We have developed a data acquisition app to build a new dataset with WiFi, IMU, and floorplan data with ground-truth positions at 4 university buildings and 3 shopping malls. Our qualitative and quantitative evaluations demonstrate that the proposed system is able to produce twice as accurate and a few orders of magnitude denser location history than the current standard, while requiring minimal additional energy consumption. We will publicly share our code, data and models.
• Abstract（参考訳）: 本稿では,WiFi,IMU,フロアプラン情報を融合して屋内環境における正確な位置履歴を推定するマルチモーダルセンサ融合アルゴリズムを提案する。 このアルゴリズムは,1)IMUセンサデータから相対的な運動軌跡を推定する慣性ナビゲーションアルゴリズム,2)位置制約を取得し,その軌跡をジオローカライズする業界におけるWiFiベースのローカライゼーションAPI,3)フロアプランと整合する位置履歴を洗練するための畳み込みニューラルネットワークを使用する。 4つの大学ビルと3つのショッピングモールで、wi-fi、imu、フロアプランデータを使った新しいデータセットを構築するためのデータ取得アプリを開発した。 定性的かつ定量的な評価により,提案システムは現在の標準よりも2倍の精度と数桁の高密度な位置履歴を生成でき,エネルギー消費は最小限であることが示された。 私たちはコード、データ、モデルを公開します。

関連論文リスト

• Neural 5G Indoor Localization with IMU Supervision [63.45775390000508]
  無線信号は、ユビキタスであるため、ユーザのローカライゼーションに適しており、暗黒環境で動作し、プライバシを維持することができる。 多くの先行研究は、チャネル状態情報(CSI)と完全に監督された位置の間のマッピングを学ぶ。 本研究は,慣性測定ユニット(IMU)から算出した擬似ラベルを用いて,本要件を緩和するものである。
  論文  参考訳（メタデータ） (2024-02-15T13:51:21Z)
• 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)
• Semi-supervised Learning from Street-View Images and OpenStreetMap for Automatic Building Height Estimation [59.6553058160943]
  本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。 提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。 予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
  論文  参考訳（メタデータ） (2023-07-05T18:16:30Z)
• A Grid-based Sensor Floor Platform for Robot Localization using Machine Learning [0.0]
  センサフロア(Sensor Floor)と呼ばれる新しいグリッドベースのWSNプラットフォームを用いて機械学習手法を検討する。 私たちのゴールは、すべてのロジスティックなエンティティをローカライズすることであり、この研究にはモバイルロボットを使用します。 正規化を伴うCNNモデルは15cmの局所化精度でランダムフォレストを上回っている。
  論文  参考訳（メタデータ） (2022-12-09T08:29:50Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Neural Inertial Localization [24.854242481051383]
  53時間単位の慣性センサデータと関連する地中真理位置を含むリッチデータセットを提示する。 我々は、ニューラルネットワークの慣性ナビゲーション技術を用いて、センサ履歴をベロシティベクターのシーケンスに変換する、NILOC(Neural Inertial Localization)と呼ばれるソリューションを開発した。 フロアプランが必要で,20～30倍遅く動作する最先端の手法と比較しても,アプローチは極めて高速かつ競合的な結果が得られる。
  論文  参考訳（メタデータ） (2022-03-29T18:45:27Z)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)
• STEM: A Stochastic Two-Sided Momentum Algorithm Achieving Near-Optimal Sample and Communication Complexities for Federated Learning [58.6792963686231]
  フェデレートラーニング(FL)とは、複数のワーカノード(WN)がローカルデータを用いてジョイントモデルを構築するパラダイムを指す。 WNの最小更新方向、最初のミニバッチサイズ、ローカル更新頻度をどうやって選択するかは明らかになっていない。 局所的な更新頻度と局所的なミニサイズとの間にはトレードオフ曲線があることを示し、上記の複雑さを維持できることを示す。
  論文  参考訳（メタデータ） (2021-06-19T06:13:45Z)
• FedLoc: Federated Learning Framework for Data-Driven Cooperative Localization and Location Data Processing [12.518673970373422]
  データ駆動学習モデルに基づく協調的ローカライゼーションと位置データ処理について考察する。 我々はまず,フェデレート学習の文脈における最先端のアルゴリズムについて検討する。 本稿では,標準,新刊,未公開の各作品から要約した様々な実用事例を紹介する。
  論文  参考訳（メタデータ） (2020-03-08T01:51:56Z)
• 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。