論文の概要: DeepLoc: A Ubiquitous Accurate and Low-Overhead Outdoor Cellular
Localization System
- arxiv url: http://arxiv.org/abs/2106.13632v1
- Date: Fri, 25 Jun 2021 13:34:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-28 17:11:39.442923
- Title: DeepLoc: A Ubiquitous Accurate and Low-Overhead Outdoor Cellular
Localization System
- Title（参考訳）: deeploc: ユビキタスな精度と低オーバヘッドな屋外セルローカライズシステム
- Authors: Ahmed Shokry, Marwan Torki, Moustafa Youssef
- Abstract要約: DeepLocはディープラーニングベースの屋外ローカライゼーションシステムである。
DeepLocは、都市部では18.8m、農村部では15.7mで、中央値のローカライゼーション精度を達成できる。
この精度は、最先端のセルベースシステムよりも470%以上優れており、GPSと比較して330%の省電力が可能である。
- 参考スコア（独自算出の注目度）: 6.780776591991887
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent years have witnessed fast growth in outdoor location-based services.
While GPS is considered a ubiquitous localization system, it is not supported
by low-end phones, requires direct line of sight to the satellites, and can
drain the phone battery quickly.
In this paper, we propose DeepLoc: a deep learning-based outdoor localization
system that obtains GPS-like localization accuracy without its limitations. In
particular, DeepLoc leverages the ubiquitous cellular signals received from the
different cell towers heard by the mobile device as hints to localize it. To do
that, crowd-sensed geo-tagged received signal strength information coming from
different cell towers is used to train a deep model that is used to infer the
user's position. As part of DeepLoc design, we introduce modules to address a
number of practical challenges including scaling the data collection to large
areas, handling the inherent noise in the cellular signal and geo-tagged data,
as well as providing enough data that is required for deep learning models with
low-overhead.
We implemented DeepLoc on different Android devices. Evaluation results in
realistic urban and rural environments show that DeepLoc can achieve a median
localization accuracy within 18.8m in urban areas and within 15.7m in rural
areas. This accuracy outperforms the state-of-the-art cellular-based systems by
more than 470% and comes with 330% savings in power compared to the GPS. This
highlights the promise of DeepLoc as a ubiquitous accurate and low-overhead
localization system.
- Abstract（参考訳）: 近年,屋外位置情報サービスの普及が進んでいる。
gpsはユビキタスなローカライズシステムと考えられているが、ローエンドの携帯電話ではサポートされておらず、衛星への直接の視線を必要とする。
本稿では,GPSライクな位置決め精度を限界なく獲得する深層学習型屋外位置決めシステムDeepLocを提案する。
特にDeepLocは、モバイル端末が受信した異なるセルタワーから受信したユビキタスなセル信号を、それをローカライズするためのヒントとして利用する。
そのため、異なるセルタワーから受信した信号強度情報をクラウドセンシングしたジオタグを用いて、利用者の位置を推定する深層モデルの訓練を行う。
deeploc設計の一環として,大規模領域へのデータ収集のスケールアップ,セル信号の固有ノイズ処理やジオタグデータ処理,低オーバヘッドのディープラーニングモデルに必要な十分なデータの提供など,多くの実用的な課題に対処するモジュールを導入する。
私たちはさまざまなAndroidデバイスにDeepLocを実装しました。
現実的な都市・農村環境の評価結果から、DeepLocは都市部では18.8m、農村部では15.7mの範囲で、中央値のローカライズ精度を達成できることが示された。
この精度は、最先端のセルベースシステムよりも470%以上優れており、GPSと比較して330%の省電力が可能である。
これはDeepLocがユビキタスで高精度かつ低オーバーヘッドなローカライゼーションシステムであることを示すものだ。
関連論文リスト
- 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) - DeepCell: A Ubiquitous Accurate Provider-side Cellular-based Localization [4.962238993531738]
DeepCell(ディープセル)は、携帯電話の指紋認証システムである。
一貫した中央値の精度は29mに達する。
この精度は最先端のクライアントベースシステムより75.4%以上優れている。
論文 参考訳（メタデータ） (2024-07-24T01:28:04Z) - 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) - 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) - CHISEL: Compression-Aware High-Accuracy Embedded Indoor Localization
with Deep Learning [4.657486836910778]
WiFi指紋認証による屋内のローカライゼーションは、この需要を満たす最も有望な方法の1つだ。
そこで我々は,CHISELと呼ばれる圧縮認識・高精度深層学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-07-02T17:00:01Z) - 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) - Markov Localisation using Heatmap Regression and Deep Convolutional
Odometry [59.33322623437816]
我々は,最新のディープラーニングハードウェアを活用する新しいCNNベースのローカライゼーション手法を提案する。
画像に基づくローカライゼーションと,1つのニューラルネットワーク内でのオドメトリーに基づく確率伝搬を行うハイブリッドCNNを作成する。
論文 参考訳（メタデータ） (2021-06-01T10:28:49Z) - 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) - 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) - 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。