論文の概要: An Indoor Localization Dataset and Data Collection Framework with High
Precision Position Annotation
- arxiv url: http://arxiv.org/abs/2209.02270v1
- Date: Tue, 6 Sep 2022 07:41:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 13:25:43.035941
- Title: An Indoor Localization Dataset and Data Collection Framework with High
Precision Position Annotation
- Title（参考訳）: 高精度位置アノテーションを用いた屋内局所化データセットとデータ収集フレームワーク
- Authors: F. Serhan Dani\c{s}, A. Teoman Naskali, A. Taylan Cemgil, Cem Ersoy
- Abstract要約: この技術は、無線信号パラメータデータサンプルのアノテートに使用される拡張現実(AR)ベースの位置決めシステムを実装している。
我々は、ARマーカーで装飾された領域において、実用的で低コストで操作可能なカメラとBluetooth Low Energy(BLE)ビーコンの位置を追跡する。
以上の結果から,AR位置決めシステムの位置誤差を0.05m以下に抑えることができることがわかった。
- 参考スコア（独自算出の注目度）: 7.152408514130423
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a novel technique and an associated high resolution dataset that
aims to precisely evaluate wireless signal based indoor positioning algorithms.
The technique implements an augmented reality (AR) based positioning system
that is used to annotate the wireless signal parameter data samples with high
precision position data. We track the position of a practical and low cost
navigable setup of cameras and a Bluetooth Low Energy (BLE) beacon in an area
decorated with AR markers. We maximize the performance of the AR-based
localization by using a redundant number of markers. Video streams captured by
the cameras are subjected to a series of marker recognition, subset selection
and filtering operations to yield highly precise pose estimations. Our results
show that we can reduce the positional error of the AR localization system to a
rate under 0.05 meters. The position data are then used to annotate the BLE
data that are captured simultaneously by the sensors stationed in the
environment, hence, constructing a wireless signal data set with the ground
truth, which allows a wireless signal based localization system to be evaluated
accurately.
- Abstract（参考訳）: 本稿では,無線信号を用いた屋内位置推定アルゴリズムの精度向上を目的とした,新しい手法と高分解能データセットを提案する。
この技術は、無線信号パラメータデータサンプルを高精度な位置データでアノテートするために使用される拡張現実(AR)ベースの位置決めシステムを実装している。
我々は、ARマーカーで装飾された領域において、実用的で低コストで操作可能なカメラとBluetooth Low Energy(BLE)ビーコンの位置を追跡する。
冗長なマーカー数を用いてarベースローカライズの性能を最大化する。
カメラが捉えたビデオストリームは、一連のマーカー認識、サブセット選択、フィルタリング操作によって高精度なポーズ推定を行う。
以上の結果から,ar位置推定システムの位置誤差を0.05m以下まで低減できることがわかった。
そして、位置データは、環境に駐在するセンサによって同時に取得されたBLEデータをアノテートするために使用されるので、地上の真実とセットされた無線信号データを構築することにより、無線信号ベースのローカライゼーションシステムを正確に評価することができる。
関連論文リスト
- SOLVR: Submap Oriented LiDAR-Visual Re-Localisation [13.434340164323473]
SOLVRは、センサーのモード間で位置認識と6-DoF登録を実行する。
我々は,SOLVRがLiDAR-Visual 位置認識と登録のための最先端性能を実現していることを示す。
論文 参考訳（メタデータ） (2024-09-16T12:58:03Z) - Landmark-based Localization using Stereo Vision and Deep Learning in
GPS-Denied Battlefield Environment [1.19658449368018]
本稿では、受動カメラセンサのみを用いた非GPS戦場環境におけるローカライズのための新しいフレームワークを提案する。
提案手法では,距離推定にカスタムキャリブレーションされたステレオカメラと,実世界のランドマーク認識のためのデータセットを用いて訓練および微調整を行うYOLOv8sモデルを用いる。
実験の結果,提案手法は既存のアンカーベースDV-Hopアルゴリズムよりも優れた性能を示し,ローカライゼーション誤差(RMSE)の点で最も効率的な視覚ベースアルゴリズムと競合することがわかった。
論文 参考訳（メタデータ） (2024-02-19T21:20:56Z) - Improved Indoor Localization with Machine Learning Techniques for IoT
applications [0.0]
本研究では, 教師付き回帰器, 教師付き分類器, RSSIを用いた屋内位置推定のためのアンサンブル手法の3段階に機械学習アルゴリズムを適用した。
実験の結果は、屋内環境におけるローカライズ精度とロバスト性の観点から、異なる教師付き機械学習技術の有効性に関する洞察を与える。
論文 参考訳（メタデータ） (2024-02-18T02:55:19Z) - Velocity-Based Channel Charting with Spatial Distribution Map Matching [4.913210912019975]
指紋による位置決めによる位置決め性能の向上は,NLoS(N-line-of-sight)が室内環境を支配下に置く上での課題である。
チャネルチャーティングは、記録された無線信号と相対座標を暗黙的に関連付けるため、このラベル付けの労力を避ける。
モデルの最新状態を維持するために参照位置を必要としない新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-14T09:21:09Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳（メタデータ） (2023-04-27T20:21:18Z) - Collaborative Learning with a Drone Orchestrator [79.75113006257872]
インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。
提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
論文 参考訳（メタデータ） (2023-03-03T23:46:25Z) - 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) - LaMAR: Benchmarking Localization and Mapping for Augmented Reality [80.23361950062302]
異種ARデバイスでキャプチャされたリアルな軌跡とセンサストリームを共登録する,包括的キャプチャとGTパイプラインを備えた新しいベンチマークであるLaMARを紹介する。
私たちは、ヘッドマウントとハンドヘルドARデバイスで記録された多様な大規模シーンのベンチマークデータセットを公開します。
論文 参考訳（メタデータ） (2022-10-19T17:58:17Z) - Radar Image Reconstruction from Raw ADC Data using Parametric
Variational Autoencoder with Domain Adaptation [0.0]
本研究では,パラメータ制約付き変分オートエンコーダを提案し,レンジ角画像上でクラスタ化および局所化されたターゲット検出を生成する。
実際のレーダデータを用いて可能なすべてのシナリオにおいて,提案するニューラルネットワークをトレーニングする問題を回避すべく,ドメイン適応戦略を提案する。
論文 参考訳（メタデータ） (2022-05-30T16:17:36Z) - LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法
提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。
推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
論文 参考訳（メタデータ） (2022-02-01T20:27:46Z) - 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)
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。