論文の概要: A Grid-based Sensor Floor Platform for Robot Localization using Machine
Learning
- arxiv url: http://arxiv.org/abs/2212.04721v1
- Date: Fri, 9 Dec 2022 08:29:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 16:04:52.082378
- Title: A Grid-based Sensor Floor Platform for Robot Localization using Machine
Learning
- Title(参考訳): 機械学習を用いたロボット位置決めのためのグリッド型センサフロアプラットフォーム
- Authors: Anas Gouda, Danny Heinrich, Mirco H\"unnefeld, Irfan Fachrudin
Priyanta, Christopher Reining, Moritz Roidl
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wireless Sensor Network (WSN) applications reshape the trend of warehouse
monitoring systems allowing them to track and locate massive numbers of
logistic entities in real-time. To support the tasks, classic Radio Frequency
(RF)-based localization approaches (e.g. triangulation and trilateration)
confront challenges due to multi-path fading and signal loss in noisy warehouse
environment. In this paper, we investigate machine learning methods using a new
grid-based WSN platform called Sensor Floor that can overcome the issues.
Sensor Floor consists of 345 nodes installed across the floor of our logistic
research hall with dual-band RF and Inertial Measurement Unit (IMU) sensors.
Our goal is to localize all logistic entities, for this study we use a mobile
robot. We record distributed sensing measurements of Received Signal Strength
Indicator (RSSI) and IMU values as the dataset and position tracking from Vicon
system as the ground truth. The asynchronous collected data is pre-processed
and trained using Random Forest and Convolutional Neural Network (CNN). The CNN
model with regularization outperforms the Random Forest in terms of
localization accuracy with aproximate 15 cm. Moreover, the CNN architecture can
be configured flexibly depending on the scenario in the warehouse. The
hardware, software and the CNN architecture of the Sensor Floor are open-source
under https://github.com/FLW-TUDO/sensorfloor.
- Abstract(参考訳): 無線センサネットワーク(wsn)アプリケーションは倉庫監視システムのトレンドを再構築し、膨大な数のロジスティックエンティティをリアルタイムに追跡し発見する。
タスクをサポートするため、従来の無線周波数(rf)ベースのローカライズアプローチ(三角測量や三角測量など)では、ノイズのある倉庫環境でのマルチパスフェードや信号損失が問題となる。
本稿では,センサフロアと呼ばれるグリッドベースの新しいWSNプラットフォームを用いた機械学習手法について検討する。
Sensor Floorは、ロジスティック研究ホールの床に設置された345個のノードで構成され、デュアルバンドRFと慣性測定ユニット(IMU)センサーを備えている。
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。
我々は、受信信号強度指標(RSSI)とIMU値の分散センシングをデータセットとして、Viconシステムからの位置追跡を基礎として記録する。
非同期収集データはランダムフォレストと畳み込みニューラルネットワーク(cnn)を用いて事前処理され、訓練される。
正規化を伴うcnnモデルは, 位置推定精度で15cmのランダム林を上回っている。
さらに、CNNアーキテクチャは、倉庫のシナリオに応じて柔軟に設定できる。
センサーフロアのハードウェア、ソフトウェア、cnnアーキテクチャは、https://github.com/flw-tudo/sensorfloorでオープンソースである。
関連論文リスト
- 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) - A distributed neural network architecture for dynamic sensor selection
with application to bandwidth-constrained body-sensor networks [53.022158485867536]
ディープニューラルネットワーク(DNN)のための動的センサ選択手法を提案する。
データセット全体の固定選択ではなく、個々の入力サンプルに対して最適なセンササブセット選択を導出することができる。
無線センサネットワーク(WSN)の寿命を、各ノードの送信頻度に制約を加えることで、この動的選択をいかに利用できるかを示す。
論文 参考訳(メタデータ) (2023-08-16T14:04:50Z) - Efficient Model Adaptation for Continual Learning at the Edge [15.334881190102895]
ほとんどの機械学習(ML)システムは、トレーニングとデプロイメントの間、定常的で一致したデータ分散を前提としている。
データ分布は、環境要因、センサー特性、タスク・オブ・関心などの変化により、時間とともに変化することが多い。
本稿では,ドメインシフト下での効率的な連続学習のためのアダプタ・リコンフィグレータ(EAR)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-03T23:55:17Z) - Leveraging arbitrary mobile sensor trajectories with shallow recurrent
decoder networks for full-state reconstruction [4.243926243206826]
LSTM(long, short-term memory)ネットワークやデコーダネットワークのようなシーケンス・ツー・ベクター・モデルでは,動的情報を全状態空間推定にマッピング可能であることを示す。
ネットワークアーキテクチャの例外的な性能は、3つのアプリケーションで実証される。
論文 参考訳(メタデータ) (2023-07-20T21:42:01Z) - 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) - 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) - 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) - Neural Inertial Localization [24.854242481051383]
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。
論文 参考訳(メタデータ) (2022-03-29T18:45:27Z) - Neural RF SLAM for unsupervised positioning and mapping with channel
state information [51.484516640867525]
アイソメトリによるユーザ位置と環境マッピングを共同で学習するニューラルネットワークアーキテクチャを提案する。
提案モデルでは,物理ベースのデコーダを適用すれば,解釈可能な潜在能力,すなわちユーザ位置を学習できる。
論文 参考訳(メタデータ) (2022-03-15T21:32:44Z) - Kimera-Multi: Robust, Distributed, Dense Metric-Semantic SLAM for
Multi-Robot Systems [92.26462290867963]
Kimera-Multiは、最初のマルチロボットシステムであり、不正なインターループとイントラロボットループの閉鎖を識別し拒否することができる。
我々は、フォトリアリスティックシミュレーション、SLAMベンチマークデータセット、地上ロボットを用いて収集された屋外データセットの挑戦において、Kimera-Multiを実証した。
論文 参考訳(メタデータ) (2021-06-28T03:56:40Z) - 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)
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。