Fugu-MT 論文翻訳(概要): Position Tracking using Likelihood Modeling of Channel Features with Gaussian Processes

論文の概要: Position Tracking using Likelihood Modeling of Channel Features with Gaussian Processes

arxiv url: http://arxiv.org/abs/2203.13110v1
Date: Thu, 24 Mar 2022 15:06:01 GMT
ステータス: 処理完了
システム内更新日: 2022-03-25 15:27:54.612679
Title: Position Tracking using Likelihood Modeling of Channel Features with Gaussian Processes
Title（参考訳）: ガウス過程を伴うチャネル特徴の度数モデリングによる位置追跡
Authors: Sebastian Kram, Christopher Kraus, Tobias Feigl, Maximilian Stahlke, J\"org Robert, Christopher Mutschler
Abstract要約: 最近のローカライゼーションフレームワークは、複雑なチャネル計測の空間情報を利用して正確な位置を推定する。本稿では,強力なマルチパス伝搬を持つスパースデータセットに順応する新しいフレームワークを提案する。本フレームワークでは,トレーニングされたGPと直視域と粒子フィルタのダイナミックスモデルを組み合わせる。
参考スコア（独自算出の注目度）: 2.3977391435533373
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent localization frameworks exploit spatial information of complex channel measurements (CMs) to estimate accurate positions even in multipath propagation scenarios. State-of-the art CM fingerprinting(FP)-based methods employ convolutional neural networks (CNN) to extract the spatial information. However, they need spatially dense data sets (associated with high acquisition and maintenance efforts) to work well -- which is rarely the case in practical applications. If such data is not available (or its quality is low), we cannot compensate the performance degradation of CNN-based FP as they do not provide statistical position estimates, which prevents a fusion with other sources of information on the observation level. We propose a novel localization framework that adapts well to sparse datasets that only contain CMs of specific areas within the environment with strong multipath propagation. Our framework compresses CMs into informative features to unravel spatial information. It then regresses Gaussian processes (GPs) for each of them, which imply statistical observation models based on distance-dependent covariance kernels. Our framework combines the trained GPs with line-of-sight ranges and a dynamics model in a particle filter. Our measurements show that our approach outperforms state-of-the-art CNN fingerprinting (0.52 m vs. 1.3 m MAE) on spatially sparse data collected in a realistic industrial indoor environment.
Abstract（参考訳）: 近年のローカライゼーションフレームワークでは,マルチパス伝搬シナリオにおいても,複雑なチャネル計測(CM)の空間情報を利用して正確な位置を推定している。最先端CMフィンガープリント(FP)ベースの手法では、畳み込みニューラルネットワーク(CNN)を用いて空間情報を抽出する。しかし、うまく機能するためには、空間的に密集したデータセット(高い獲得とメンテナンスの努力に関連している)が必要である。このようなデータが入手できない場合(またはその品質が低い場合)、統計的な位置推定を提供しないため、CNNベースのFPの性能劣化を補うことはできない。本稿では,マルチパス伝搬の強い環境内の特定の領域のcmsのみを含むスパースデータセットによく適応する新しいローカライズフレームワークを提案する。我々のフレームワークはCMを情報的特徴に圧縮し、空間情報を解き放つ。その後、それぞれにガウス過程(GP)を回帰させ、距離依存の共分散核に基づく統計的観測モデルを示す。本フレームワークでは,トレーニングされたGPと直視域と粒子フィルタの動的モデルを組み合わせる。実工業屋内環境において収集した空間的疎度データに対して,本手法は最先端のCNNフィンガープリント(0.52m vs. 1.3m MAE)よりも優れていた。

関連論文リスト

Positional Encoder Graph Quantile Neural Networks for Geographic Data [4.277516034244117]
我々は,PE-GNN,Quantile Neural Networks,および再校正技術を完全非パラメトリックフレームワークに統合する新しい手法である,位置グラフ量子ニューラルネットワーク(PE-GQNN)を紹介する。ベンチマークデータセットの実験では、PE-GQNNは予測精度と不確実性の定量化の両方で既存の最先端手法を著しく上回っている。
論文参考訳（メタデータ） (2024-09-27T16:02:12Z)
Domain Adaptive Graph Neural Networks for Constraining Cosmological Parameters Across Multiple Data Sets [40.19690479537335]
DA-GNNは,データセット間のタスクにおいて高い精度とロバスト性を実現する。このことは、DA-GNNがドメインに依存しない宇宙情報を抽出するための有望な方法であることを示している。
論文参考訳（メタデータ） (2023-11-02T20:40:21Z)
Out of Distribution Detection via Domain-Informed Gaussian Process State Space Models [22.24457254575906]
ロボットが見えないシナリオを安全にナビゲートするためには、オンラインのトレーニング外配布(OoD)状況を正確に検出することが重要である。我々は,既存のドメイン知識をカーネルに埋め込む新しい手法を提案し,また(ii)遅延水平予測に基づくOoDオンラインランタイムモニタを提案する。
論文参考訳（メタデータ） (2023-09-13T01:02:42Z)
Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文参考訳（メタデータ） (2022-11-18T17:25:14Z)
Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。 NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-06-23T09:35:03Z)
iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
iSDFは実時間符号付き距離場再構成のための連続学習システムである。より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
論文参考訳（メタデータ） (2022-04-05T15:48:39Z)
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)
PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization [64.39761523935613]
本稿では,画像中の異常を同時検出・ローカライズするPatch Distribution Modeling, PaDiMを提案する。 PaDiMは、パッチの埋め込みに事前訓練された畳み込みニューラルネットワーク(CNN)を使用している。また、CNNの異なるセマンティックレベル間の相関を利用して、異常のローカライズも改善している。
論文参考訳（メタデータ） (2020-11-17T17:29:18Z)
Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-11-01T19:24:27Z)
Localized convolutional neural networks for geospatial wind forecasting [0.0]
畳み込みニューラルネットワーク(CNN)は多くの空間データに関して正の特性を有する。本研究では,CNNがグローバルな特徴に加えて,局所的な特徴を学習することのできる局所畳み込みニューラルネットワークを提案する。どのような畳み込みレイヤにも追加可能で、簡単にエンドツーエンドのトレーニングが可能で、最小限の複雑さを導入でき、CNNは必要な範囲でそのメリットの大部分を維持できる。
論文参考訳（メタデータ） (2020-05-12T17:14:49Z)
Multi-Scale Representation Learning for Spatial Feature Distributions using Grid Cells [11.071527762096053]
本研究では,位置の絶対位置と空間的関係を符号化するスペース2Vecという表現学習モデルを提案する。その結果、Space2Vecはマルチスケール表現のため、確立されたMLアプローチよりも優れていることがわかった。
論文参考訳（メタデータ） (2020-02-16T04:22:18Z)

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。