論文の概要: Hierarchical Multi-Building And Multi-Floor Indoor Localization Based On Recurrent Neural Networks

• arxiv url: http://arxiv.org/abs/2112.12478v1
• Date: Thu, 23 Dec 2021 11:56:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-24 16:24:20.558037
• Title: Hierarchical Multi-Building And Multi-Floor Indoor Localization Based On Recurrent Neural Networks
• Title（参考訳）: リカレントニューラルネットワークによる階層型マルチビルディングとマルチフロア屋内定位
• Authors: Abdalla Elmokhtar Ahmed Elesawi and Kyeong Soo Kim
• Abstract要約: Wi-Fiフィンガープリントを用いたリカレントニューラルネットワーク(RNN)に基づく階層型マルチビルディングとマルチフロア屋内ローカライゼーションを提案する。 提案手法は建物と床をそれぞれ100%と95.24%の精度で推定し、三次元位置決め誤差は8.62mである。
• 参考スコア（独自算出の注目度）: 2.0305676256390934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There has been an increasing tendency to move from outdoor to indoor lifestyle in modern cities. The emergence of big shopping malls, indoor sports complexes, factories, and warehouses is accelerating this tendency. In such an environment, indoor localization becomes one of the essential services, and the indoor localization systems to be deployed should be scalable enough to cover the expected expansion of those indoor facilities. One of the most economical and practical approaches to indoor localization is Wi-Fi fingerprinting, which exploits the widely-deployed Wi-Fi networks using mobile devices (e.g., smartphones) without any modification of the existing infrastructure. Traditional Wi-Fi fingerprinting schemes rely on complicated data pre/post-processing and time-consuming manual parameter tuning. In this paper, we propose hierarchical multi-building and multi-floor indoor localization based on a recurrent neural network (RNN) using Wi-Fi fingerprinting, eliminating the need of complicated data pre/post-processing and with less parameter tuning. The RNN in the proposed scheme estimates locations in a sequential manner from a general to a specific one (e.g., building->floor->location) in order to exploit the hierarchical nature of the localization in multi-building and multi-floor environments. The experimental results with the UJIIndoorLoc dataset demonstrate that the proposed scheme estimates building and floor with 100% and 95.24% accuracy, respectively, and provides three-dimensional positioning error of 8.62 m, which outperforms existing deep neural network-based schemes.
• Abstract（参考訳）: 近代都市では、屋外から屋内のライフスタイルに移行する傾向が強まっている。 大型ショッピングモール、屋内スポーツ複合施設、工場、倉庫などが出現し、この傾向が加速している。 このような環境では、屋内ローカライズが必須のサービスの一つとなり、展開すべき屋内ローカライズシステムは、それらの屋内施設の期待される拡張をカバーするのに十分なスケーラビリティを持つべきである。 屋内ローカライゼーションにおける最も経済的かつ実践的なアプローチの1つはWi-Fiフィンガープリントであり、既存のインフラを変更することなくモバイルデバイス(例えばスマートフォン)を使って広く展開されているWi-Fiネットワークを利用する。 従来のWi-Fiフィンガープリント方式は複雑なデータ前処理と時間を要する手動パラメータチューニングに依存している。 本稿では,Wi-Fiフィンガープリントを用いたリカレントニューラルネットワーク(RNN)に基づく階層型マルチビルディングとマルチフロア屋内ローカライゼーションを提案する。 提案手法におけるRNNは, マルチビルディング環境とマルチフロア環境における局所化の階層的性質を活用するために, 一般から特定の場所(例えば, ビル>フロア>ロケーション)まで連続的に位置を推定する。 UJIIndoorLocデータセットによる実験の結果、提案手法は、それぞれ100%と95.24%の精度で建物と床を推定し、既存のディープニューラルネットワーク方式よりも優れた8.62mの3次元位置決め誤差を提供する。

関連論文リスト

• Hierarchical Stage-Wise Training of Linked Deep Neural Networks for Multi-Building and Multi-Floor Indoor Localization Based on Wi-Fi RSSI Fingerprinting [3.86574270083089]
  本稿では,ニューラルネットワークを用いた大規模マルチビルディングとマルチフロア屋内ローカライゼーションの課題に対する新しい解を提案する。 階層的なステージワイドトレーニングフレームワークは、もともとのステージワイドトレーニングフレームワークを、複数のリンクネットワークの場合に拡張する。 提案したトレーニングフレームワークは、3次元の局所化誤差を11.78mから8.71mに著しく低減することができる。
  論文  参考訳（メタデータ） (2024-07-18T08:43:26Z)
• Sparse-DySta: Sparsity-Aware Dynamic and Static Scheduling for Sparse Multi-DNN Workloads [65.47816359465155]
  複数のディープニューラルネットワーク(DNN)を並列に実行することは、両エッジデバイスで新たなワークロードとなっている。 スパースマルチDNNスケジューリングに静的なスケジューラパターンと動的スケジューラ情報の両方を利用する新しいスケジューラDystaを提案する。 提案手法は, 遅延制約違反率を最大10%削減し, 平均正規化ターンアラウンド時間で約4倍に向上する。
  論文  参考訳（メタデータ） (2023-10-17T09:25:17Z)
• A Variational Auto-Encoder Enabled Multi-Band Channel Prediction Scheme for Indoor Localization [11.222977249913411]
  周波数領域から室内指紋位置決めの精度を向上する手法を提案する。 オフィスシナリオから収集したCOST 2100シミュレーションデータと実時間周波数分割多重化(OFDM)WiFiデータに基づいて提案手法を検証した。
  論文  参考訳（メタデータ） (2023-09-19T08:19:34Z)
• Federated Learning based Hierarchical 3D Indoor Localization [1.5469452301122177]
  深層ニューラルネットワークを用いた階層型3次元屋内位置決めのためのフェデレートラーニング(FL)フレームワークを提案する。 階層型学習方式を採用することで、最大24.06%の局所化精度を向上させることができることを示す。 また、建物と床の予測精度は、それぞれ99.90%と94.87%である。
  論文  参考訳（メタデータ） (2023-03-01T12:21:00Z)
• On the Multidimensional Augmentation of Fingerprint Data for Indoor Localization in A Large-Scale Building Complex Based on Multi-Output Gaussian Process [3.8310036898137296]
  Wi-Fiフィンガープリンティングは、大規模な屋内ローカライゼーションの主流のソリューションとなる。 位置化指紋の測定における基準点(RP)の数と分布は精度に大きな影響を及ぼす。 データ拡張は、RPの少ない数と不均一な分布を改善するための実現可能なソリューションとして提案されている。
  論文  参考訳（メタデータ） (2022-11-19T10:07:17Z)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)
• Multi-Output Gaussian Process-Based Data Augmentation for Multi-Building and Multi-Floor Indoor Localization [3.8310036898137296]
  RSSIに基づく位置情報のフィンガープリントは,新たなインフラの設置を必要としないという利点から,屋内のローカライズ技術として主流となる。 DNNのようなAI/ML技術を使用することで、位置フィンガープリントをより正確で信頼性の高いものにすることができる。 我々は,多出力ガウス過程(MOGP)に基づくRSSIデータ拡張の3つの異なる手法について検討した。 MOGPに基づくRSSIデータ拡張の可能性は、最先端のRNN屋内ローカライゼーションモデルとUJIに基づく実験によって実証される。
  論文  参考訳（メタデータ） (2022-02-04T05:15:52Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• A novel Deep Neural Network architecture for non-linear system identification [78.69776924618505]
  非線形システム識別のための新しいDeep Neural Network (DNN)アーキテクチャを提案する。 メモリシステムにインスパイアされたインダクティブバイアス(アーキテクチャ)と正規化(損失関数)を導入する。 このアーキテクチャは、利用可能なデータのみに基づいて、自動的な複雑性の選択を可能にする。
  論文  参考訳（メタデータ） (2021-06-06T10:06:07Z)
• 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)
• Large-Scale Gradient-Free Deep Learning with Recursive Local Representation Alignment [84.57874289554839]
  大規模データセット上でディープニューラルネットワークをトレーニングするには、重要なハードウェアリソースが必要である。 これらのネットワークをトレーニングするためのワークホースであるバックプロパゲーションは、本質的に並列化が難しいシーケンシャルなプロセスである。 本稿では、深層ネットワークのトレーニングに使用できるバックプロップに代わる、神経生物学的に有望な代替手段を提案する。
  論文  参考訳（メタデータ） (2020-02-10T16:20:02Z)

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。