論文の概要: Neural Inertial Localization
- arxiv url: http://arxiv.org/abs/2203.15851v1
- Date: Tue, 29 Mar 2022 18:45:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-01 05:37:54.610669
- Title: Neural Inertial Localization
- Title（参考訳）: 神経慣性局在
- Authors: Sachini Herath, David Caruso, Chen Liu, Yufan Chen, Yasutaka Furukawa
- Abstract要約: 53時間単位の慣性センサデータと関連する地中真理位置を含むリッチデータセットを提示する。
我々は、ニューラルネットワークの慣性ナビゲーション技術を用いて、センサ履歴をベロシティベクターのシーケンスに変換する、NILOC(Neural Inertial Localization)と呼ばれるソリューションを開発した。
フロアプランが必要で,20～30倍遅く動作する最先端の手法と比較しても,アプローチは極めて高速かつ競合的な結果が得られる。
- 参考スコア（独自算出の注目度）: 24.854242481051383
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes the inertial localization problem, the task of estimating
the absolute location from a sequence of inertial sensor measurements. This is
an exciting and unexplored area of indoor localization research, where we
present a rich dataset with 53 hours of inertial sensor data and the associated
ground truth locations. We developed a solution, dubbed neural inertial
localization (NILoc) which 1) uses a neural inertial navigation technique to
turn inertial sensor history to a sequence of velocity vectors; then 2) employs
a transformer-based neural architecture to find the device location from the
sequence of velocities. We only use an IMU sensor, which is energy efficient
and privacy preserving compared to WiFi, cameras, and other data sources. Our
approach is significantly faster and achieves competitive results even compared
with state-of-the-art methods that require a floorplan and run 20 to 30 times
slower. We share our code, model and data at https://sachini.github.io/niloc.
- Abstract（参考訳）: 本稿では,慣性センサの連続測定から絶対位置を推定する課題である慣性局所化問題を提案する。
これは屋内ローカライゼーション研究のエキサイティングで未調査の領域であり、53時間の慣性センサーデータと関連する地上真実の場所を含む豊富なデータセットを提示する。
我々はNILOC(Neural Inertial Localization)と呼ばれるソリューションを開発した。
1)神経慣性ナビゲーション技術を用いて、慣性センサの履歴を一連の速度ベクトルに変換する。
2) 変圧器に基づくニューラルアーキテクチャを用いて、速度列からデバイスの位置を検出する。
IMUセンサーは、WiFiやカメラ、その他のデータソースと比べてエネルギー効率が高く、プライバシーを保護しています。
提案手法はフロアプランと20～30倍遅い動作を必要とする最先端の手法と比較して,極めて高速で,競争的な結果が得られる。
コード、モデル、データをhttps://sachini.github.io/nilocで共有しています。
関連論文リスト
- FlexLoc: Conditional Neural Networks for Zero-Shot Sensor Perspective Invariance in Object Localization with Distributed Multimodal Sensors [6.676517041445593]
我々は、条件付きニューラルネットワークを用いてノードの視点情報を注入し、ローカライゼーションパイプラインに適応するFlexLocを紹介した。
マルチモーダル・マルチビュー屋内追跡データセットを用いた評価では,ゼロショットの場合,FlexLoc はローカライズ精度を約50%向上することが示された。
論文 参考訳（メタデータ） (2024-06-10T21:02:53Z) - EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。
実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
論文 参考訳（メタデータ） (2024-05-27T17:19:02Z) - 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) - Deep Learning Method for Cell-Wise Object Tracking, Velocity Estimation
and Projection of Sensor Data over Time [0.7340017786387767]
我々は、ConvNetがこのタスクのアーキテクチャ上の制約にどのように悩まされているかを示す。
最後のステップでは、抽出した速度推定に基づいて、リカレントニューラルネットワークのメモリ状態を投影する。
論文 参考訳（メタデータ） (2023-06-08T07:33:05Z) - A Grid-based Sensor Floor Platform for Robot Localization using Machine
Learning [0.0]
センサフロア(Sensor Floor)と呼ばれる新しいグリッドベースのWSNプラットフォームを用いて機械学習手法を検討する。
私たちのゴールは、すべてのロジスティックなエンティティをローカライズすることであり、この研究にはモバイルロボットを使用します。
正規化を伴うCNNモデルは15cmの局所化精度でランダムフォレストを上回っている。
論文 参考訳（メタデータ） (2022-12-09T08:29:50Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - Wireless Localisation in WiFi using Novel Deep Architectures [4.541069830146568]
本稿では,コモディティ・チップセットと標準チャネル・サウンドによるWiFi機器の屋内位置推定について検討する。
本稿では、異なるアンテナで受信されたWiFiサブキャリアに対応するチャネル状態情報から特徴を抽出する、新しい浅層ニューラルネットワーク(SNN)を提案する。
論文 参考訳（メタデータ） (2020-10-16T22:48:29Z) - Temporal Pulses Driven Spiking Neural Network for Fast Object
Recognition in Autonomous Driving [65.36115045035903]
スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。
各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
論文 参考訳（メタデータ） (2020-01-24T22:58:55Z) - 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。