論文の概要: PrNet: A Neural Network for Correcting Pseudoranges to Improve Positioning with Android Raw GNSS Measurements

• arxiv url: http://arxiv.org/abs/2309.12204v2
• Date: Fri, 22 Dec 2023 07:49:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-25 18:21:55.752635
• Title: PrNet: A Neural Network for Correcting Pseudoranges to Improve Positioning with Android Raw GNSS Measurements
• Title（参考訳）: PrNet:Android Raw GNSS測定による位置決めを改善するために擬似空間を補正するニューラルネットワーク
• Authors: Xu Weng, Keck Voon Ling, Haochen Liu
• Abstract要約: 本稿では,携帯端末から収集したデータによる局所化性能を向上させるために,疑似配列のバイアス誤差を緩和するニューラルネットワークを提案する。 サテライトワイド・マルチレイヤー・パーセプトロン (MLP) は、6つのサテライト、レシーバー、コンテキスト関連の特徴から擬似距離バイアスを抑えるように設計されている。 修正された擬似レンジは、位置を計算するためにモデルベースのローカライゼーションエンジンによって使用される。
• 参考スコア（独自算出の注目度）: 7.909678289680922
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present a neural network for mitigating biased errors in pseudoranges to improve localization performance with data collected from mobile phones. A satellite-wise Multilayer Perceptron (MLP) is designed to regress the pseudorange bias correction from six satellite, receiver, context-related features derived from Android raw Global Navigation Satellite System (GNSS) measurements. To train the MLP, we carefully calculate the target values of pseudorange bias using location ground truth and smoothing techniques and optimize a loss function involving the estimation residuals of smartphone clock bias. The corrected pseudoranges are then used by a model-based localization engine to compute locations. The Google Smartphone Decimeter Challenge (GSDC) dataset, which contains Android smartphone data collected from both rural and urban areas, is utilized for evaluation. Both fingerprinting and cross-trace localization results demonstrate that our proposed method outperforms model-based and state-of-the-art data-driven approaches.
• Abstract（参考訳）: 本稿では,携帯端末から収集したデータによる局所化性能を向上させるために,疑似配列のバイアス誤差を軽減するニューラルネットワークを提案する。 衛星方向多層パーセプトロン (mlp) は, 6つの衛星, 受信機, android raw global navigation satellite system (gnss) 測定から得られた文脈関連特徴から疑似範囲バイアス補正を緩和するように設計されている。 mlpを訓練するために,位置情報と平滑化手法を用いて疑似バイアスの目標値を慎重に算出し,スマートフォンのクロックバイアスの推定残差を考慮した損失関数を最適化する。 修正された擬似範囲は、モデルベースのローカライズエンジンによって位置を計算するために使用される。 Google Phone Decimeter Challenge (GSDC)データセットは、農村部と都市部から収集されたAndroidスマートフォンデータを含んでいる。 フィンガープリントとクロストレースの双方のローカライゼーションの結果から,提案手法はモデルベースおよび最先端のデータ駆動手法より優れていることが示された。

関連論文リスト

• 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)
• Landmark-based Localization using Stereo Vision and Deep Learning in GPS-Denied Battlefield Environment [1.19658449368018]
  本稿では、受動カメラセンサのみを用いた非GPS戦場環境におけるローカライズのための新しいフレームワークを提案する。 提案手法では,距離推定にカスタムキャリブレーションされたステレオカメラと,実世界のランドマーク認識のためのデータセットを用いて訓練および微調整を行うYOLOv8sモデルを用いる。 実験の結果,提案手法は既存のアンカーベースDV-Hopアルゴリズムよりも優れた性能を示し,ローカライゼーション誤差(RMSE)の点で最も効率的な視覚ベースアルゴリズムと競合することがわかった。
  論文  参考訳（メタデータ） (2024-02-19T21:20:56Z)
• Towards End-to-End GPS Localization with Neural Pseudorange Correction [6.524401246715823]
  疑似距離補正(PrNet)のためのニューラルネットワークをトレーニングするためのエンドツーエンドGPSローカライズフレームワークであるE2E-PrNetを提案する。 データ駆動型ニューラルネットワークとモデルベースDNLSモジュールを融合させる可能性については,Android端末が収集したGPSデータを用いて検証する。
  論文  参考訳（メタデータ） (2024-01-19T13:32:55Z)
• Learning-based NLOS Detection and Uncertainty Prediction of GNSS Observations with Transformer-Enhanced LSTM Network [2.798138034569478]
  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。
  論文  参考訳（メタデータ） (2023-09-01T14:17:02Z)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• Adaptive Self-supervision Algorithms for Physics-informed Neural Networks [59.822151945132525]
  物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。 これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。 モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
  論文  参考訳（メタデータ） (2022-07-08T18:17:06Z)
• LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
  LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法 提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。 推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
  論文  参考訳（メタデータ） (2022-02-01T20:27:46Z)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)
• Why Approximate Matrix Square Root Outperforms Accurate SVD in Global Covariance Pooling? [59.820507600960745]
  本稿では,前方通過のSVDと後方伝播のPad'e近似を用いて勾配を計算する新しいGCPメタ層を提案する。 提案するメタレイヤは,さまざまなCNNモデルに統合され,大規模および微細なデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-05-06T08:03:45Z)
• Estimation of Missing Data in Intelligent Transportation System [5.936402320555635]
  インテリジェント交通システム(ITS)における交通速度の欠落と走行時間推定に関する研究 MLに基づくマルチ方向性リカレントニューラルネットワーク(M-RNN)に焦点をあてる。 このアプローチの有効性をTomTomデータセットで評価し、平均車両速度と走行時間を測定します。
  論文  参考訳（メタデータ） (2021-01-09T05:42:31Z)
• 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)

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。