論文の概要: Deep Learning for Inertial Positioning: A Survey

• arxiv url: http://arxiv.org/abs/2303.03757v1
• Date: Tue, 7 Mar 2023 09:33:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-08 15:49:06.961832
• Title: Deep Learning for Inertial Positioning: A Survey
• Title（参考訳）: 慣性位置決めのための深層学習:調査
• Authors: Changhao Chen
• Abstract要約: 慣性位置決めは、いわゆるエラードリフト問題に悩まされる。 センサーデータと計算能力の増大により、ディープラーニングの急速な発展は、この問題に取り組むためのディープラーニングの導入において、多くの研究成果を刺激してきた。 本稿では、ディープラーニングに基づく慣性位置決めに関する関連する研究を包括的にレビューし、異なる分野からの取り組みを結びつけるとともに、センサキャリブレーション、位置決め誤差ドリフトの低減、センサ融合の解決にディープラーニングをどのように適用できるかを取り上げる。
• 参考スコア（独自算出の注目度）: 7.244231305148327
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inertial sensor has been widely deployed on smartphones, drones, robots and IoT devices. Due to its importance in ubiquitous and robust localization, inertial sensor based positioning is key in many applications, including personal navigation, location based security, and human-device interaction. However, inertial positioning suffers from the so-called error drifts problem, as the measurements of low-cost MEMS inertial sensor are corrupted with various inevitable error sources, leading to unbounded drifts when being integrated doubly in traditional inertial navigation algorithms. Recently, with increasing sensor data and computational power, the fast developments in deep learning have spurred a large amount of research works in introducing deep learning to tackle the problem of inertial positioning. Relevant literature spans from the areas of mobile computing, robotics and machine learning. This article comprehensively reviews relevant works on deep learning based inertial positioning, connects the efforts from different fields, and covers how deep learning can be applied to solve sensor calibration, positioning error drifts reduction and sensor fusion. Finally, we provide insights on the benefits and limitations of existing works, and indicate the future opportunities in this direction.
• Abstract（参考訳）: 慣性センサーはスマートフォン、ドローン、ロボット、IoTデバイスに広くデプロイされている。 ユビキタスでロバストなローカライゼーションにおいて重要であるため、慣性センサーによる位置決めは、パーソナルナビゲーション、ロケーションベースのセキュリティ、ヒューマンデバイスインタラクションなど、多くのアプリケーションにおいて重要である。 しかし、低コストのMEMS慣性センサの計測は様々な不可避誤差源で破損するため、慣性位置決めはいわゆるエラードリフト問題に悩まされ、従来の慣性ナビゲーションアルゴリズムに二重に統合された場合、非有界ドリフトが発生する。 近年,センサデータや計算能力の増大に伴い,深層学習の急速な発展が,慣性位置決め問題に対処するための深層学習の導入に多くの研究成果をもたらしている。 関連する文献は、モバイルコンピューティング、ロボット工学、機械学習の分野にまたがる。 本稿では,深層学習に基づく慣性測位に関する研究を包括的にレビューし,異なる分野からの努力を結びつけ,深層学習をセンサ校正,測位誤差ドリフト低減,センサ融合にどのように適用できるかを解説する。 最後に、既存の作業のメリットと限界についての洞察を提供し、この方向への今後の機会を示します。

関連論文リスト

• Inertial Navigation Meets Deep Learning: A Survey of Current Trends and Future Directions [15.619053656143564]
  近年,慣性センシングやセンサ融合の分野では,機械学習や深層学習技術の発達が著しく進んでいる。 本稿では,慣性センシングとセンサ融合のための深層学習手法を詳細に検討する。 キャリブレーションとデノナイズのための学習手法と、純粋な慣性航法とセンサ融合を改善するためのアプローチについて議論する。
  論文  参考訳（メタデータ） (2023-06-22T14:32:23Z)
• Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
  本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。 両センサと融合に関する概念と特徴を提示する。 本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
  論文  参考訳（メタデータ） (2023-03-08T00:48:32Z)
• Recent Advancements in Deep Learning Applications and Methods for Autonomous Navigation: A Comprehensive Review [0.0]
  レビュー記事は、主要な機能を扱うために使用される、最近のAIベースのテクニックをすべて調査する試みである。 Paperは、自律的なナビゲーションとディープラーニングのギャップを埋めることを目指している。
  論文  参考訳（メタデータ） (2023-02-22T01:42:49Z)
• Classifying Human Activities with Inertial Sensors: A Machine Learning Approach [0.0]
  HAR(Human Activity Recognition)は、現在進行中の研究課題である。 医療サポート、スポーツ、フィットネス、ソーシャルネットワーキング、ヒューマン・コンピュータ・インタフェース、シニア・ケア、エンターテイメント、監視などの分野に応用されている。 スマートフォンの慣性センサデータを用いて,人間活動認識のための機械学習と深層学習のアプローチを検討した。
  論文  参考訳（メタデータ） (2021-11-09T08:17:33Z)
• Domain and Modality Gaps for LiDAR-based Person Detection on Mobile Robots [91.01747068273666]
  本稿では,移動ロボットのシナリオに着目した既存のLiDAR人物検出装置について検討する。 実験は3Dと2D LiDARのセンサー間のモダリティのギャップだけでなく、運転と移動ロボットのシナリオ間の領域ギャップを回避している。 その結果、LiDARに基づく人物検出の実践的な洞察を与え、関連する移動ロボットの設計と応用に関する情報決定を容易にする。
  論文  参考訳（メタデータ） (2021-06-21T16:35:49Z)
• Federated Learning: A Signal Processing Perspective [144.63726413692876]
  フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。 本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-03-31T15:14:39Z)
• Task-relevant Representation Learning for Networked Robotic Perception [74.0215744125845]
  本稿では,事前学習されたロボット知覚モデルの最終的な目的と協調して設計された感覚データのタスク関連表現を学習するアルゴリズムを提案する。 本アルゴリズムは,ロボットの知覚データを競合する手法の最大11倍まで積極的に圧縮する。
  論文  参考訳（メタデータ） (2020-11-06T07:39:08Z)
• Inertial Sensing Meets Artificial Intelligence: Opportunity or Challenge? [12.244109673209769]
  本稿では,AI技術を用いて様々な側面からの慣性感覚を高める研究について概説する。 センサーの設計と選択、キャリブレーションとエラーモデリング、ナビゲーションとモーションセンシングアルゴリズム、マルチセンサー情報融合、システム評価、実用的な応用が含まれる。 AIによって強化された慣性センシングの9つの利点と9つの課題をまとめた上で、今後の研究方向性を指摘する。
  論文  参考訳（メタデータ） (2020-07-13T22:33:21Z)
• A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial Machine Intelligence [48.67755344239951]
  包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。 オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。 この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
  論文  参考訳（メタデータ） (2020-06-22T19:01:21Z)
• 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。