論文の概要: Learning-based NLOS Detection and Uncertainty Prediction of GNSS
Observations with Transformer-Enhanced LSTM Network
- arxiv url: http://arxiv.org/abs/2309.00480v2
- Date: Thu, 12 Oct 2023 12:27:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 03:09:34.160077
- Title: Learning-based NLOS Detection and Uncertainty Prediction of GNSS
Observations with Transformer-Enhanced LSTM Network
- Title（参考訳）: Transformer-Enhanced LSTM Network を用いたGNSS観測の学習によるNLOS検出と不確かさ予測
- Authors: Haoming Zhang, Zhanxin Wang, Heike Vallery
- Abstract要約: 本研究では,NLOSの検出と誤りの予測を擬似時間的モデリング問題を用いて行う深層学習に基づく手法を提案する。
香港とAachenのデータセットを使って、提案したネットワークをトレーニングし、評価する。
提案手法は,NLOS観測の分類・排除により,実世界の車両位置の軌跡のばらつきを回避できることを示す。
- 参考スコア（独自算出の注目度）: 2.798138034569478
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The global navigation satellite systems (GNSS) play a vital role in transport
systems for accurate and consistent vehicle localization. However, GNSS
observations can be distorted due to multipath effects and non-line-of-sight
(NLOS) receptions in challenging environments such as urban canyons. In such
cases, traditional methods to classify and exclude faulty GNSS observations may
fail, leading to unreliable state estimation and unsafe system operations. This
work proposes a deep-learning-based method to detect NLOS receptions and
predict GNSS pseudorange errors by analyzing GNSS observations as a
spatio-temporal modeling problem. Compared to previous works, we construct a
transformer-like attention mechanism to enhance the long short-term memory
(LSTM) networks, improving model performance and generalization. For the
training and evaluation of the proposed network, we used labeled datasets from
the cities of Hong Kong and Aachen. We also introduce a dataset generation
process to label the GNSS observations using lidar maps. In experimental
studies, we compare the proposed network with a deep-learning-based model and
classical machine-learning models. Furthermore, we conduct ablation studies of
our network components and integrate the NLOS detection with data
out-of-distribution in a state estimator. As a result, our network presents
improved precision and recall ratios compared to other models. Additionally, we
show that the proposed method avoids trajectory divergence in real-world
vehicle localization by classifying and excluding NLOS observations.
- Abstract（参考訳）: グローバルナビゲーション衛星システム(GNSS)は、正確で一貫した車両位置決めのための輸送システムにおいて重要な役割を果たす。
しかし、GNSS観測は、都市キャニオンのような挑戦的な環境において、マルチパス効果や非視線受信(NLOS)により歪むことができる。
このような場合、故障したGNSS観測を分類・排除する従来の手法は失敗し、信頼性の低い状態推定と安全でないシステム操作につながる。
本研究では,GASS観測を時空間モデリング問題として解析することにより,NLOS受信を検出し,GASSの擬似乱数誤差を予測するディープラーニング手法を提案する。
先行研究と比較して,long short-term memory (lstm) ネットワークを強化し,モデル性能と一般化を向上させるトランスフォーマチックアテンション機構を構築した。
提案するネットワークのトレーニングと評価のために,香港とアーヘンの都市から得られたラベル付きデータセットを用いた。
また、ライダーマップを用いたGNSS観測のラベル付けのためのデータセット生成プロセスも導入する。
実験では,提案するネットワークをディープラーニングモデルと古典的機械学習モデルと比較する。
さらに、ネットワークコンポーネントのアブレーション研究を行い、NLOS検出とデータアウトオブディストリビューションを状態推定器に統合する。
その結果,本ネットワークは他のモデルと比較して精度とリコール率が向上した。
さらに,提案手法は,NLOS観測の分類・排除により,実世界の車両位置の軌跡分散を回避する。
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - A Survey of Machine Learning Techniques for Improving Global Navigation Satellite Systems [0.0]
本稿では,機械学習(ML)の最近の進歩とその限界に対処する可能性を強調する。
教師なし学習、教師なし学習、ディープラーニング、ハイブリッドアプローチなど、幅広いML手法をカバーする。
このサーベイは、信号解析、異常検出、マルチセンサー統合、予測、MLを用いた精度向上といった、位置決めアプリケーションに関する洞察を提供する。
論文 参考訳（メタデータ） (2024-03-29T18:31:50Z) - Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。
一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。
本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
論文 参考訳（メタデータ） (2024-03-27T09:14:36Z) - GNSS Positioning using Cost Function Regulated Multilateration and Graph
Neural Networks [0.0699049312989311]
衛星からの視線信号が高層物体によって頻繁に遮断される都市環境では、受信機は衛星範囲を測定する際に大きな誤差を受ける。
ヒューリスティック法は、これらの誤差を推定し、雑音測定が局所化精度に与える影響を減らすために一般的に用いられる。
本研究では,これらの誤り推定をグラフニューラルネットワークに基づくディープラーニングモデルに置き換える。
論文 参考訳（メタデータ） (2024-02-28T19:00:01Z) - Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。
本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。
エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。
さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文 参考訳（メタデータ） (2023-10-16T05:49:28Z) - Out of Distribution Detection via Domain-Informed Gaussian Process State
Space Models [22.24457254575906]
ロボットが見えないシナリオを安全にナビゲートするためには、オンラインのトレーニング外配布(OoD)状況を正確に検出することが重要である。
我々は,既存のドメイン知識をカーネルに埋め込む新しい手法を提案し,また(ii)遅延水平予測に基づくOoDオンラインランタイムモニタを提案する。
論文 参考訳（メタデータ） (2023-09-13T01:02:42Z) - Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution
Detection [55.028065567756066]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。
本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。
バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。
We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
論文 参考訳（メタデータ） (2022-06-26T16:00:22Z) - Integrating Recurrent Neural Networks with Data Assimilation for
Scalable Data-Driven State Estimation [0.0]
データ同化(DA)は機械学習と統合され、完全にデータ駆動のオンライン状態推定を実行する。
リカレントニューラルネットワーク(RNN)は、数値天気予報(NWP)においてDAサイクルの重要なコンポーネントを置き換えるために代理モデルとして実装される
これらのRNNがDAメソッドを使用して、ターゲットシステムの観測で隠れた/保存状態を直接更新する方法について示す。
論文 参考訳（メタデータ） (2021-09-25T03:56:53Z) - On the benefits of robust models in modulation recognition [53.391095789289736]
畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。
画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。
最新モデルの堅牢性をテストするための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） (2021-03-27T19:58:06Z) - Deep Learning Methods for Vessel Trajectory Prediction based on
Recurrent Neural Networks [13.193080011901381]
エンコーダデコーダリカレントニューラルネットワーク(RNN)に基づくシーケンシャル・トゥ・シークエンス容器軌道予測モデルを提案する。
提案アーキテクチャは,シーケンスモデリングのためのLong Short-Term Memory (LSTM) RNNを組み合わせて観測データをエンコードし,異なる中間アグリゲーション層で将来の予測を生成し,シーケンシャルデータの時空間依存性をキャプチャする。
デンマーク海事局が自由に利用できるAISデータセットからの船舶軌道に関する実験結果は、シーケンシャル・トゥ・シークエンスニューラルネットワークに基づく軌道予測のための深層学習方法の有効性を示しています。
論文 参考訳（メタデータ） (2021-01-07T11:05:47Z) - Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。
提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
論文 参考訳（メタデータ） (2020-06-07T07:06:35Z)
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。