論文の概要: Deep Learning for Inertial Positioning: A Survey
- arxiv url: http://arxiv.org/abs/2303.03757v2
- Date: Mon, 20 Mar 2023 06:05:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-23 23:07:22.517779
- 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, Xianfei Pan
- Abstract要約: 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、さまざまなアプリケーションにおいて不可欠である。
深層学習技術が開発され、慣性位置決めの問題に対処するための重要な研究が進められている。
本稿は,深層学習技術が慣性的位置決め問題を解決する可能性に関心を持つ研究者や実践者を含む,さまざまなバックグラウンドから読者を引きつけることを目的としている。
- 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 sensors are widely utilized in smartphones, drones, robots, and IoT
devices, playing a crucial role in enabling ubiquitous and reliable
localization. Inertial sensor-based positioning is essential in various
applications, including personal navigation, location-based security, and
human-device interaction. However, low-cost MEMS inertial sensors' measurements
are inevitably corrupted by various error sources, leading to unbounded drifts
when integrated doubly in traditional inertial navigation algorithms,
subjecting inertial positioning to the problem of error drifts. In recent
years, with the rapid increase in sensor data and computational power, deep
learning techniques have been developed, sparking significant research into
addressing the problem of inertial positioning. Relevant literature in this
field spans across mobile computing, robotics, and machine learning. In this
article, we provide a comprehensive review of deep learning-based inertial
positioning and its applications in tracking pedestrians, drones, vehicles, and
robots. We connect efforts from different fields and discuss how deep learning
can be applied to address issues such as sensor calibration, positioning error
drift reduction, and multi-sensor fusion. This article aims to attract readers
from various backgrounds, including researchers and practitioners interested in
the potential of deep learning-based techniques to solve inertial positioning
problems. Our review demonstrates the exciting possibilities that deep learning
brings to the table and provides a roadmap for future research in this field.
- 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デバイスで広く利用されており、ユビキタスで信頼性の高いローカライゼーションを実現する上で重要な役割を果たしている。
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、さまざまなアプリケーションにおいて不可欠である。
しかし、低コストのMEMS慣性センサの測定は、様々なエラーソースによって必然的に破壊され、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、慣性位置を誤差ドリフトの問題に従わなければならない。
近年,センサデータや計算能力の急速な増加に伴い,深層学習技術が開発され,慣性位置決めの問題に対処するための重要な研究が進められている。
この分野の関連文献は、モバイルコンピューティング、ロボット工学、機械学習にまたがる。
本稿では,歩行者,ドローン,車両,ロボットの追跡における,深層学習に基づく慣性測位とその応用に関する総合的なレビューを行う。
我々は,様々な分野からの取り組みを結びつけ,センサキャリブレーション,位置決め誤差ドリフト低減,マルチセンサ融合といった課題へのディープラーニングの適用について論じる。
本稿は,慣性ポジショニング問題を解決する深層学習技術の可能性に関心を持つ研究者や実践者など,さまざまなバックグラウンドの読者を惹きつけることを目的とする。
今回のレビューは、ディープラーニングがテーブルにもたらしたエキサイティングな可能性を示し、この分野における今後の研究のロードマップを提供します。
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。