論文の概要: Indoor Smartphone SLAM with Learned Echoic Location Features
- arxiv url: http://arxiv.org/abs/2210.08493v1
- Date: Sun, 16 Oct 2022 09:41:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 22:09:41.884651
- Title: Indoor Smartphone SLAM with Learned Echoic Location Features
- Title（参考訳）: 音像位置を学習した室内スマートフォンSLAM
- Authors: Wenjie Luo, Qun Song, Zhenyu Yan, Rui Tan, Guosheng Lin
- Abstract要約: スマートフォン内蔵オーディオハードウェアと慣性計測ユニット(IMU)を用いた屋内同時位置決めマッピング(SLAM)システムを提案する。
我々のシステムは、スマートフォンのスピーカーを使って、ほぼ可聴のチャープを出力し、マイクを使って室内環境から音響エコーを記録する。
ELFベースのSLAMは、リビングルーム、オフィス、ショッピングモールの再建軌道上で、0.1,textm$、0.53,textm$および0.5,textm$の平均的なローカライゼーション誤差を達成します。
- 参考スコア（独自算出の注目度）: 47.264724701407545
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Indoor self-localization is a highly demanded system function for
smartphones. The current solutions based on inertial, radio frequency, and
geomagnetic sensing may have degraded performance when their limiting factors
take effect. In this paper, we present a new indoor simultaneous localization
and mapping (SLAM) system that utilizes the smartphone's built-in audio
hardware and inertial measurement unit (IMU). Our system uses a smartphone's
loudspeaker to emit near-inaudible chirps and then the microphone to record the
acoustic echoes from the indoor environment. Our profiling measurements show
that the echoes carry location information with sub-meter granularity. To
enable SLAM, we apply contrastive learning to construct an echoic location
feature (ELF) extractor, such that the loop closures on the smartphone's
trajectory can be accurately detected from the associated ELF trace. The
detection results effectively regulate the IMU-based trajectory reconstruction.
Extensive experiments show that our ELF-based SLAM achieves median localization
errors of $0.1\,\text{m}$, $0.53\,\text{m}$, and $0.4\,\text{m}$ on the
reconstructed trajectories in a living room, an office, and a shopping mall,
and outperforms the Wi-Fi and geomagnetic SLAM systems.
- Abstract（参考訳）: 屋内の自在化はスマートフォンにとって非常に要求されるシステム機能である。
慣性、電波周波数、地磁気センシングに基づく現在の解は、その制限要因が作用すると性能が低下する可能性がある。
本稿では,スマートフォン内蔵オーディオハードウェアと慣性測定ユニット(IMU)を利用した屋内同時位置決めマッピングシステムを提案する。
我々のシステムは、スマートフォンのスピーカーを使って、ほぼ可聴のチャープを出力し、マイクを使って室内環境から音響エコーを記録する。
プロファイリング測定の結果,エコーは位置情報をサブメートルの粒度で保持していることがわかった。
SLAMを実現するために、コントラスト学習を適用して、対応するELFトレースからスマートフォンの軌道上のループクロージャを正確に検出できるように、エコー位置特徴抽出器(ELF)を構築する。
検出結果はIMUに基づく軌道再構成を効果的に制御する。
ELFベースのSLAMは, リビングルーム, オフィス, ショッピングモールの再構成軌道上で, 0.1\,\text{m}$, $0.53\,\text{m}$, $0.4\,\text{m}$の中央値局所化誤差を達成し, Wi-Fiおよび地磁気SLAMシステムより優れていることを示す。
関連論文リスト
- Neural 5G Indoor Localization with IMU Supervision [63.45775390000508]
無線信号は、ユビキタスであるため、ユーザのローカライゼーションに適しており、暗黒環境で動作し、プライバシを維持することができる。
多くの先行研究は、チャネル状態情報(CSI)と完全に監督された位置の間のマッピングを学ぶ。
本研究は,慣性測定ユニット(IMU)から算出した擬似ラベルを用いて,本要件を緩和するものである。
論文 参考訳（メタデータ） (2024-02-15T13:51:21Z) - A New Paradigm for Device-free Indoor Localization: Deep Learning with
Error Vector Spectrum in Wi-Fi Systems [7.010598383249521]
本稿では,デバイスレス屋内ローカライゼーションのための新しい誤りベクトル支援学習手法を提案する。
提案手法はディープニューラルネットワークを用いて屋内環境における人物の位置を分類する。
実験の結果,提案手法は従来の機械学習手法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） (2023-03-25T04:33:37Z) - Few-Shot Audio-Visual Learning of Environment Acoustics [89.16560042178523]
室内インパルス応答 (RIR) 関数は、周囲の物理的環境がリスナーが聴く音をどう変換するかをキャプチャする。
我々は、空間で観測された画像とエコーのスパースセットに基づいて、RIRを推測する方法を探る。
3次元環境のための最先端オーディオ視覚シミュレータを用いた実験において,本手法が任意のRIRを生成できることを実証した。
論文 参考訳（メタデータ） (2022-06-08T16:38:24Z) - 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) - AcousticFusion: Fusing Sound Source Localization to Visual SLAM in
Dynamic Environments [19.413143126734383]
音源方向をRGB-D画像に融合する新しい音声-視覚融合手法を提案する。
提案手法は、非常に小さな計算資源を用いて、非常に安定した自己ローカライゼーション結果を得る。
論文 参考訳（メタデータ） (2021-08-03T02:10:26Z) - LIFT-SLAM: a deep-learning feature-based monocular visual SLAM method [0.0]
従来のジオメトリベースのVSLAMと深層学習に基づく特徴記述子の可能性を組み合わせることを提案する。
KITTIとEurocのデータセットを用いた実験では、ディープラーニングが従来のVSLAMシステムの性能向上に有効であることが示されている。
論文 参考訳（メタデータ） (2021-03-31T20:35:10Z) - Moving Object Classification with a Sub-6 GHz Massive MIMO Array using
Real Data [64.48836187884325]
無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。
本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
論文 参考訳（メタデータ） (2021-02-09T15:48:35Z) - Intelligent Luminaire based Real-time Indoor Positioning for Assisted
Living [0.0]
本稿では,屋内位置推定の精度を実験的に評価する。
この研究は、高齢者ケアのためのICTソリューションの作成を目的とした欧州連合プロジェクトの一環として実施された。
論文 参考訳（メタデータ） (2020-09-05T07:19:20Z) - Real-time Localization Using Radio Maps [59.17191114000146]
パスロスに基づく簡易かつ効果的なローカライゼーション法を提案する。
提案手法では, 受信した信号強度を, 既知の位置を持つ基地局の集合から報告する。
論文 参考訳（メタデータ） (2020-06-09T16:51:17Z) - DynamicSLAM: Leveraging Human Anchors for Ubiquitous Low-Overhead Indoor
Localization [5.198840934055703]
DynamicSLAM は室内でのローカライゼーション技術であり、キャリブレーションの手間を省く。
我々は,携帯電話の慣性センサーを用いてユーザの進路を追跡する。
DynamicSLAMは、環境内の他のユーザとの遭遇に基づいて、モバイルヒューマンアンカーという新しい概念を導入している。
論文 参考訳（メタデータ） (2020-03-30T19:49:31Z)
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。