論文の概要: Multimodal Approaches for Indoor Localization for Ambient Assisted
Living in Smart Homes
- arxiv url: http://arxiv.org/abs/2106.15606v1
- Date: Tue, 29 Jun 2021 17:46:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-30 17:08:19.639254
- Title: Multimodal Approaches for Indoor Localization for Ambient Assisted
Living in Smart Homes
- Title（参考訳）: スマートホームにおける環境支援生活のための屋内配置のためのマルチモーダルアプローチ
- Authors: Nirmalya Thakur and Chia Y. Han
- Abstract要約: ユーザインタラクションのマルチモーダルコンポーネントを研究する,ビッグデータ駆動の方法論を提案する。
第二に、加速度計とジャイロスコープデータを解釈できる文脈に依存しないアプローチを導入する。
第3に,室内位置の空間座標を検出する手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work makes multiple scientific contributions to the field of Indoor
Localization for Ambient Assisted Living in Smart Homes. First, it presents a
Big-Data driven methodology that studies the multimodal components of user
interactions and analyzes the data from Bluetooth Low Energy (BLE) beacons and
BLE scanners to detect a user's indoor location in a specific activity-based
zone during Activities of Daily Living. Second, it introduces a context
independent approach that can interpret the accelerometer and gyroscope data
from diverse behavioral patterns to detect the zone-based indoor location of a
user in any Internet of Things (IoT)-based environment. These two approaches
achieved performance accuracies of 81.36% and 81.13%, respectively, when tested
on a dataset. Third, it presents a methodology to detect the spatial
coordinates of a user's indoor position that outperforms all similar works in
this field, as per the associated root mean squared error - one of the
performance evaluation metrics in ISO/IEC18305:2016- an international standard
for testing Localization and Tracking Systems. Finally, it presents a
comprehensive comparative study that includes Random Forest, Artificial Neural
Network, Decision Tree, Support Vector Machine, k-NN, Gradient Boosted Trees,
Deep Learning, and Linear Regression, to address the challenge of identifying
the optimal machine learning approach for Indoor Localization.
- Abstract（参考訳）: この研究は、スマートホームにおける環境支援生活の屋内局在の分野に、複数の科学的貢献をもたらしている。
まず,ユーザインタラクションのマルチモーダルコンポーネントを調査し,bluetooth low energy (ble) ビーコンおよびbleスキャナからデータを解析し,日常生活活動中の特定のアクティビティベースゾーンにおけるユーザの屋内位置を検出するビッグデータ駆動手法を提案する。
第2に、さまざまな行動パターンから加速度計とジャイロスコープデータを解釈して、IoT(Internet of Things)ベースの環境において、ユーザのゾーンベースの屋内位置を検出する、コンテキストに依存しないアプローチを導入する。
これらの2つのアプローチは、それぞれ81.36%と81.13%のパフォーマンス向上を達成した。
第3に、関連するルート平均二乗誤差(ISO/IEC18305:2016におけるパフォーマンス評価指標の1つ)と同様に、この分野における全ての類似の作業に優れるユーザの屋内位置の空間座標を検出する手法を提案する。
最後に、Random Forest、Artificial Neural Network、Decision Tree、Support Vector Machine、k-NN、Gradient Boosted Trees、Deep Learning、Linear Regressionを含む包括的な比較研究を示し、屋内ローカライゼーションの最適な機械学習アプローチを特定するという課題に対処する。
関連論文リスト
- Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。
私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
論文 参考訳（メタデータ） (2024-07-22T12:32:09Z) - Syn-to-Real Unsupervised Domain Adaptation for Indoor 3D Object Detection [50.448520056844885]
室内3次元物体検出における非教師なし領域適応のための新しいフレームワークを提案する。
合成データセット3D-FRONTから実世界のデータセットScanNetV2とSUN RGB-Dへの適応結果は、ソースオンリーベースラインよりも9.7%、9.1%のmAP25が顕著に改善されていることを示している。
論文 参考訳（メタデータ） (2024-06-17T08:18:41Z) - Improved Indoor Localization with Machine Learning Techniques for IoT
applications [0.0]
本研究では, 教師付き回帰器, 教師付き分類器, RSSIを用いた屋内位置推定のためのアンサンブル手法の3段階に機械学習アルゴリズムを適用した。
実験の結果は、屋内環境におけるローカライズ精度とロバスト性の観点から、異なる教師付き機械学習技術の有効性に関する洞察を与える。
論文 参考訳（メタデータ） (2024-02-18T02:55:19Z) - Indoor Localization for Personalized Ambient Assisted Living of Multiple
Users in Multi-Floor Smart Environments [0.0]
本論文は、パーソナライズされた環境支援生活の発展に、4つの科学的貢献を行う。
まず、ユーザインタラクションの可能なすべての形式をモデル化するための確率論的推論に基づく数学的アプローチを示す。
第2に、個々のユーザプロファイルとユーザ固有のユーザインタラクションをモデル化する機械学習手法を用いて、このアプローチを使用するシステムを提案する。
第3に、信頼性、信頼性、シームレスなユーザ受け入れを高めるための高精度な屋内ローカライズシステムの開発の必要性に対処するため、このフレームワークは、新しい方法論を導入している。
論文 参考訳（メタデータ） (2022-07-19T02:07:55Z) - RFID-Based Indoor Spatial Query Evaluation with Bayesian Filtering
Techniques [15.551753101355622]
屋内空間問合せアルゴリズムを多種多様な位置ベースアプリケーションに適用する。
本研究では,屋内空間問合せ評価の基盤としてベイズフィルタを用いた位置推定手法を提案する。
推論手法と追跡モデルに基づいて、革新的な屋内範囲とk近傍のクエリアルゴリズム(kNN)を開発する。
論文 参考訳（メタデータ） (2022-04-02T02:52:19Z) - Learning-based Localizability Estimation for Robust LiDAR Localization [13.298113481670038]
LiDARベースのローカライゼーションとマッピングは、多くの現代のロボットシステムにおける中核的なコンポーネントの1つである。
本研究では,ロボット動作中の(非)局所性を検出するニューラルネットワークに基づく推定手法を提案する。
論文 参考訳（メタデータ） (2022-03-11T01:12:00Z) - Triggering Failures: Out-Of-Distribution detection by learning from
local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。
私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。
3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文 参考訳（メタデータ） (2021-08-03T17:09:56Z) - 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) - Domain and Modality Gaps for LiDAR-based Person Detection on Mobile
Robots [91.01747068273666]
本稿では,移動ロボットのシナリオに着目した既存のLiDAR人物検出装置について検討する。
実験は3Dと2D LiDARのセンサー間のモダリティのギャップだけでなく、運転と移動ロボットのシナリオ間の領域ギャップを回避している。
その結果、LiDARに基づく人物検出の実践的な洞察を与え、関連する移動ロボットの設計と応用に関する情報決定を容易にする。
論文 参考訳（メタデータ） (2021-06-21T16:35:49Z) - Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。
本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。
空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
論文 参考訳（メタデータ） (2020-10-19T04:25:10Z)
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。