論文の概要: Multiclass Permanent Magnets Superstructure for Indoor Localization
using Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2107.07425v1
- Date: Wed, 14 Jul 2021 09:59:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-16 13:55:41.211354
- Title: Multiclass Permanent Magnets Superstructure for Indoor Localization
using Artificial Intelligence
- Title（参考訳）: 人工知能を用いた屋内定位のための多種永久磁石上部構造
- Authors: Amir Ivry, Elad Fisher, Roger Alimi, Idan Mosseri, and Kanna Nahir
- Abstract要約: スマートフォンは,ユーザの屋内位置推定や位置推定に人気がある。
既存のソリューションは主にWi-Fi、RFID、磁気センシング技術を用いて、混雑した会場での動きを追跡する。
本稿では,そのアルゴリズムを拡張したマルチスーパーストラクチャローカライゼーション手法を提案する。
- 参考スコア（独自算出の注目度）: 1.3048920509133808
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Smartphones have become a popular tool for indoor localization and position
estimation of users. Existing solutions mainly employ Wi-Fi, RFID, and magnetic
sensing techniques to track movements in crowded venues. These are highly
sensitive to magnetic clutters and depend on local ambient magnetic fields,
which frequently degrades their performance. Also, these techniques often
require pre-known mapping surveys of the area, or the presence of active
beacons, which are not always available. We embed small-volume and large-moment
magnets in pre-known locations and arrange them in specific geometric
constellations that create magnetic superstructure patterns of supervised
magnetic signatures. These signatures constitute an unambiguous magnetic
environment with respect to the moving sensor carrier. The localization
algorithm learns the unique patterns of the scattered magnets during training
and detects them from the ongoing streaming of data during localization. Our
contribution is twofold. First, we deploy passive permanent magnets that do not
require a power supply, in contrast to active magnetic transmitters. Second, we
perform localization based on smartphone motion rather than on static
positioning of the magnetometer. In our previous study, we considered a single
superstructure pattern. Here, we present an extended version of that algorithm
for multi-superstructure localization, which covers a broader localization area
of the user. Experimental results demonstrate localization accuracy of 95% with
a mean localization error of less than 1m using artificial intelligence.
- Abstract（参考訳）: スマートフォンは,ユーザの屋内位置推定や位置推定に人気がある。
既存のソリューションは主にWi-Fi、RFID、磁気センシング技術を用いて、混雑した会場での動きを追跡する。
これらは磁気クラッタに対して高い感度を持ち、しばしば性能を低下させる局所環境磁場に依存する。
また、これらの技術は地域の地図調査や活動ビーコンの存在を必要とすることが多いが、これは必ずしも利用できない。
既知の場所に小型・大型のマグネットを埋め込み、特定の幾何学的星座に配置し、磁気的超構造パターンを作成します。
これらのシグネチャは、移動センサキャリアに対するあいまいな磁気環境を構成する。
ローカライズアルゴリズムは、トレーニング中に散在する磁石のユニークなパターンを学習し、ローカライズ中のデータの流れからそれらを検出する。
私たちの貢献は2倍です。
まず、アクティブな磁気送信機とは対照的に、電源を必要としない受動永久磁石を配置する。
第2に,磁力計の静的位置決めではなく,スマートフォンの動作に基づく位置決めを行う。
前回の研究では、単一超構造パターンを検討した。
本稿では,そのアルゴリズムを拡張したマルチスーパー構造ローカライゼーション手法を提案する。
実験により,人工知能を用いた1m未満の平均局在誤差で95%の局在精度を示した。
関連論文リスト
- Random forests for detecting weak signals and extracting physical
information: a case study of magnetic navigation [0.0]
貯水池計算と時間遅延フィードフォワードニューラルネットワークという2つの機械学習アーキテクチャは、GPSで測定された環境で地球の異常磁場を検出するために利用することができる。
我々は,複数の決定木の出力を組み合わせたランダム森林の機械学習モデルを利用して,物理量の最適値を与える。
ランダムフォレストアルゴリズムは, 弱い異常場の検出や航空機の位置のフィルタリングにおいて, 極めてよく機能することを示す。
論文 参考訳（メタデータ） (2024-02-21T21:10:12Z) - Mapping the magnetic field using a magnetometer array with noisy input
Gaussian process regression [1.0878040851637998]
ガウス過程は、空間的に変化する磁場の大きさを学ぶために用いられる。
しかし、磁力計の位置は、ほとんど知られていない。
本稿では,磁界マップの品質向上のために,磁力計のアレイをどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2023-10-25T12:00:45Z) - DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。
特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。
マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
論文 参考訳（メタデータ） (2023-08-03T17:59:04Z) - UnLoc: A Universal Localization Method for Autonomous Vehicles using
LiDAR, Radar and/or Camera Input [51.150605800173366]
UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。
本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
論文 参考訳（メタデータ） (2023-07-03T04:10:55Z) - Energy-Based Models for Cross-Modal Localization using Convolutional
Transformers [52.27061799824835]
GPSのない衛星画像に対して、距離センサを搭載した地上車両を位置決めする新しい枠組みを提案する。
本稿では, 畳み込み変換器を用いて, 高精度な計量レベルの局所化を行う手法を提案する。
我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。
論文 参考訳（メタデータ） (2023-06-06T21:27:08Z) - Utilizing Synthetic Data in Supervised Learning for Robust 5-DoF Magnetic Marker Localization [24.478974451501113]
受動的磁気マーカーの追跡は、医療やロボット工学の進歩において重要な役割を担い、システムの精度と効率を大幅に向上させる可能性がある。
伝統的に、繰り返し最適化手順を必要とするため、磁気マーカーの追跡は計算コストがかかる。
本稿では,これらの制限を回避し,マーカーの位置と向きを直接推定し,磁石の5DoFを正確に決定する,新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-11-14T17:22:50Z) - Spreading of a local excitation in a Quantum Hierarchical Model [62.997667081978825]
常磁性相における量子ダイソン階層モデルのダイナミクスについて検討する。
地磁気場状態の局所励起による初期状態を考慮する。
局所化機構が発見され、励起は任意の時間で初期位置に近づいたままである。
論文 参考訳（メタデータ） (2022-07-14T10:05:20Z) - Vector DC magnetic-field sensing with reference microwave field using
perfectly aligned nitrogen-vacancy centers in diamond [0.0]
基準直流磁場を伴わない完全整列NV中心を用いたベクトル直流磁界測定法を提案する。
本手法は高感度ベクトル直流磁界センサのための新しい手法である。
論文 参考訳（メタデータ） (2021-12-01T14:05:10Z) - Magnetic Field Sensing for Pedestrian and Robot Indoor Positioning [12.868722327487752]
本研究では、(i)携帯端末で収集されたデータと(ii)自家電磁界で磁気データを摂動させるローカライゼーションロボットの2つの設定において、磁場データを用いた屋内位置決めの問題に対処する。
まず, 異なる強磁性体によって生成される室内環境における磁気異常の利点を生かした, 新規な拡張パイプラインを提案する。
我々は、磁場時系列を画像シーケンスとして表現するために、Recurrence Plots、Gramian Angular Fields、Markov Transition Fieldsの手法を用いる。
第2のセットアップでは、磁場データがどのように取得されるかを分析する。
論文 参考訳（メタデータ） (2021-08-26T14:44:46Z) - 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) - Surpassing the Energy Resolution Limit with ferromagnetic torque sensors [55.41644538483948]
標準量子限界における熱力学ノイズと機械的検出ノイズを考慮した最適磁場分解能の評価を行った。
近年の文献で指摘されているエネルギー分解限界(ERL, Energy Resolution Limit)は, 桁違いに超えることがある。
論文 参考訳（メタデータ） (2021-04-29T15:44:12Z)
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。