Fugu-MT 論文翻訳(概要): RFID-Based Indoor Spatial Query Evaluation with Bayesian Filtering Techniques

論文の概要: RFID-Based Indoor Spatial Query Evaluation with Bayesian Filtering Techniques

arxiv url: http://arxiv.org/abs/2204.00747v1
Date: Sat, 2 Apr 2022 02:52:19 GMT
ステータス: 処理完了
システム内更新日: 2022-04-05 14:47:49.898024
Title: RFID-Based Indoor Spatial Query Evaluation with Bayesian Filtering Techniques
Title（参考訳）: ベイズフィルタを用いたrfidを用いた屋内空間問合せ評価
Authors: Bo Hui, Wenlu Wang, Jiao Yu, Zhitao Gong, Wei-Shinn Ku, Min-Te Sun, Hua Lu
Abstract要約: 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。
参考スコア（独自算出の注目度）: 15.551753101355622
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: People spend a significant amount of time in indoor spaces (e.g., office buildings, subway systems, etc.) in their daily lives. Therefore, it is important to develop efficient indoor spatial query algorithms for supporting various location-based applications. However, indoor spaces differ from outdoor spaces because users have to follow the indoor floor plan for their movements. In addition, positioning in indoor environments is mainly based on sensing devices (e.g., RFID readers) rather than GPS devices. Consequently, we cannot apply existing spatial query evaluation techniques devised for outdoor environments for this new challenge. Because Bayesian filtering techniques can be employed to estimate the state of a system that changes over time using a sequence of noisy measurements made on the system, in this research, we propose the Bayesian filtering-based location inference methods as the basis for evaluating indoor spatial queries with noisy RFID raw data. Furthermore, two novel models, indoor walking graph model and anchor point indexing model, are created for tracking object locations in indoor environments. Based on the inference method and tracking models, we develop innovative indoor range and k nearest neighbor (kNN) query algorithms. We validate our solution through use of both synthetic data and real-world data. Our experimental results show that the proposed algorithms can evaluate indoor spatial queries effectively and efficiently. We open-source the code, data, and floor plan at https://github.com/DataScienceLab18/IndoorToolKit.
Abstract（参考訳）: 人々は屋内空間(オフィスビル、地下鉄システムなど)で日常生活でかなりの時間を過ごす。したがって,様々な位置対応アプリケーションを支援するために,効率的な屋内空間探索アルゴリズムを開発することが重要である。しかし,室内空間は室内のフロアプランに従わなければならないため,屋外空間とは異なる。さらに、屋内環境における位置決めは主にGPSデバイスではなく、センサーデバイス(例えばRFIDリーダー)に基づいている。その結果,この新しい課題に対して,既存の空間的問合せ評価手法を屋外環境に適用することは不可能である。そこで本研究では,ベイズフィルタを用いた位置推定手法を提案する。ベイズフィルタは,ノイズの多いrfid生データを用いて室内空間クエリを評価するための基礎として,ベイズフィルタに基づく位置推定手法を提案する。さらに,屋内環境における物体位置追跡のために,屋内歩行グラフモデルとアンカーポイント索引モデルという2つの新しいモデルを作成した。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。合成データと実世界のデータの両方を用いてソリューションを検証する。提案手法は室内空間クエリを効果的かつ効率的に評価できることを示す。コード、データ、フロアプランはhttps://github.com/DataScienceLab18/IndoorToolKit.orgで公開しています。

関連論文リスト

Implementation of Real-Time Lane Detection on Autonomous Mobile Robot [0.0]
カメラを用いたSEATER P2MC-BRINプロトタイプのリアルタイム適用を目的としたUltra Fast Lane Detectionアルゴリズムの実現を目指している。データ処理速度と精度の観点からアルゴリズムの性能を評価するための予備実験を行った。
論文参考訳（メタデータ） (2024-11-22T11:53:33Z)
Inferring Neural Signed Distance Functions by Overfitting on Single Noisy Point Clouds through Finetuning Data-Driven based Priors [53.6277160912059]
本稿では,データ駆動型およびオーバーフィット型手法のプロースを推進し,より一般化し,高速な推論を行い,より高精度なニューラルネットワークSDFを学習する手法を提案する。そこで本研究では,距離管理やクリーンポイントクラウド,あるいは点正規化を伴わずに,データ駆動型プリエントを微調整できる新しい統計的推論アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-10-25T16:48:44Z)
IndoorGNN: A Graph Neural Network based approach for Indoor Localization using WiFi RSSI [3.495640663645263]
我々は,グラフニューラルネットワーク(GNN)に基づくアルゴリズムを用いて,特定の位置を特定の領域に分類する手法「屋内GNN」を開発した。この分類を行うMLアルゴリズムのほとんどは、多数のラベル付きデータポイントを必要とする。実験の結果,IndoorGNNは現状の既存手法やGNNベースの手法と比較して,位置予測精度が向上していることがわかった。
論文参考訳（メタデータ） (2023-12-11T17:12:51Z)
Automated classification of pre-defined movement patterns: A comparison between GNSS and UWB technology [55.41644538483948]
リアルタイム位置情報システム(RTLS)は、人間の動きパターンからデータを収集することができる。本研究の目的は、小さな領域における人間の動きパターンを分類する自動化された枠組みを設計し、評価することである。
論文参考訳（メタデータ） (2023-03-10T14:46:42Z)
HPointLoc: Point-based Indoor Place Recognition using Synthetic RGB-D Images [58.720142291102135]
本稿では,屋内環境における視覚的位置認識能力の探索を目的とした,HPointLocという新しいデータセットを提案する。データセットは人気のあるHabitatシミュレータに基づいており、独自のセンサーデータとオープンデータセットの両方を使用して屋内シーンを生成することができる。
論文参考訳（メタデータ） (2022-12-30T12:20:56Z)
Robust Change Detection Based on Neural Descriptor Fields [53.111397800478294]
我々は、部分的に重なり合う観測結果とノイズのある局所化結果に頑健なオブジェクトレベルのオンライン変化検出手法を開発した。形状符号の類似性を利用して物体を連想させ, 局所的な物体近傍の空間配置を比較することにより, 観測重複や局所雑音に対する頑健性を示す。
論文参考訳（メタデータ） (2022-08-01T17:45:36Z)
Position Tracking using Likelihood Modeling of Channel Features with Gaussian Processes [2.3977391435533373]
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。
論文参考訳（メタデータ） (2022-03-24T15:06:01Z)
Learning Indoor Layouts from Simple Point-Clouds [0.8376091455761261]
そこで我々は,GoogleのTangoのようなスマートフォンで得られた点雲から部屋を認識するフロアプランを自動生成するシステムを提案する。特に、ポインタネットワークを用いたリカレントニューラルネットワークと、Mask-RCNNを用いた畳み込みニューラルネットワークに基づくアプローチの2つのアプローチを提案する。
論文参考訳（メタデータ） (2021-08-07T06:47:09Z)
Multimodal Approaches for Indoor Localization for Ambient Assisted Living in Smart Homes [0.0]
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。
論文参考訳（メタデータ） (2021-06-29T17:46:21Z)
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)
The Case for Learned Spatial Indexes [62.88514422115702]
我々は、空間範囲の問合せに答えるために、最先端の学習した多次元インデックス構造(すなわちFlood)から提案した手法を用いる。 i) パーティション内の機械学習検索は、1次元でフィルタリングを使用する場合の2進探索よりも11.79%速く、39.51%高速であることを示す。また、2次元でフィルタする最も近い競合相手の1.23倍から1.83倍の速さで機械学習インデックスを精査する。
論文参考訳（メタデータ） (2020-08-24T12:09:55Z)

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。