論文の概要: IndoorGNN: A Graph Neural Network based approach for Indoor Localization using WiFi RSSI

• arxiv url: http://arxiv.org/abs/2312.07609v1
• Date: Mon, 11 Dec 2023 17:12:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-14 17:58:00.906175
• Title: IndoorGNN: A Graph Neural Network based approach for Indoor Localization using WiFi RSSI
• Title（参考訳）: IndoorGNN: WiFi RSSIを用いた屋内局所化のためのグラフニューラルネットワークによるアプローチ
• Authors: Rahul Vishwakarma, Rucha Bhalchandra Joshi, Subhankar Mishra
• Abstract要約: 我々は,グラフニューラルネットワーク(GNN)に基づくアルゴリズムを用いて,特定の位置を特定の領域に分類する手法「屋内GNN」を開発した。 この分類を行うMLアルゴリズムのほとんどは、多数のラベル付きデータポイントを必要とする。 実験の結果,IndoorGNNは現状の既存手法やGNNベースの手法と比較して,位置予測精度が向上していることがわかった。
• 参考スコア（独自算出の注目度）: 3.495640663645263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Indoor localization is the process of determining the location of a person or object inside a building. Potential usage of indoor localization includes navigation, personalization, safety and security, and asset tracking. Commonly used technologies for indoor localization include WiFi, Bluetooth, RFID, and Ultra-wideband. Among these, WiFi's Received Signal Strength Indicator (RSSI)-based localization is preferred because of widely available WiFi Access Points (APs). We have two main contributions. First, we develop our method, 'IndoorGNN' which involves using a Graph Neural Network (GNN) based algorithm in a supervised manner to classify a specific location into a particular region based on the RSSI values collected at that location. Most of the ML algorithms that perform this classification require a large number of labeled data points (RSSI vectors with location information). Collecting such data points is a labor-intensive and time-consuming task. To overcome this challenge, as our second contribution, we demonstrate the performance of IndoorGNN on the restricted dataset. It shows a comparable prediction accuracy to that of the complete dataset. We performed experiments on the UJIIndoorLoc and MNAV datasets, which are real-world standard indoor localization datasets. Our experiments show that IndoorGNN gives better location prediction accuracies when compared with state-of-the-art existing conventional as well as GNN-based methods for this same task. It continues to outperform these algorithms even with restricted datasets. It is noteworthy that its performance does not decrease a lot with a decrease in the number of available data points. Our method can be utilized for navigation and wayfinding in complex indoor environments, asset tracking and building management, enhancing mobile applications with location-based services, and improving safety and security during emergencies.
• Abstract（参考訳）: 屋内ローカライゼーション(Indoor Localization)は、建物内の人や物体の位置を決定するプロセスである。 屋内ローカライゼーションの潜在的利用には、ナビゲーション、パーソナライゼーション、安全とセキュリティ、資産追跡が含まれる。 一般的な屋内ローカライズ技術としては、WiFi、Bluetooth、RFID、Ultra-widebandなどがある。 これらのうち、WiFiの受信信号強度指標(RSSI)ベースのローカライゼーションは、広く利用可能なWiFiアクセスポイント(AP)のために好まれる。 主な貢献は2つあります。 まず、グラフニューラルネットワーク(GNN)に基づくアルゴリズムを用いて、その位置で収集されたRSSI値に基づいて、特定の位置を特定の領域に分類する手法「屋内GNN」を開発した。 この分類を行うMLアルゴリズムの多くは、多数のラベル付きデータポイント(位置情報を持つRSSIベクトル)を必要とする。 このようなデータポイントの収集は、労働集約的で時間のかかる作業です。 この課題を克服するため,第2の貢献として,制約付きデータセットにおける indoorgnn の性能を実証する。 これは完全なデータセットと同等の予測精度を示す。 実世界標準屋内ローカライゼーションデータセットであるUJIIndoorLocおよびMNAVデータセットについて実験を行った。 実験の結果,IndoorGNNは従来の手法やGNNに基づく手法と比較して,位置予測精度が向上していることがわかった。 制限付きデータセットでも、これらのアルゴリズムを上回っています。 利用可能なデータポイントの数を減少させることで、パフォーマンスがあまり低下しない点が注目に値する。 本手法は,複雑な屋内環境におけるナビゲーションやウェイフィンディング,資産追跡とビル管理,位置情報サービスによるモバイルアプリケーションの拡張,緊急時の安全性とセキュリティ向上に有効である。

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)
• Domain Adversarial Graph Convolutional Network Based on RSSI and Crowdsensing for Indoor Localization [8.406788215294483]
  少数のラベル付きサイトサーベイデータと大量のラベル付きクラウドセンシングWiFi指紋を用いてトレーニングできる新しいWiDAGCNモデルを提案する。 本システムは、複数の建物を含む公共の屋内ローカライゼーションデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2022-04-06T08:06:27Z)
• RFID-Based Indoor Spatial Query Evaluation with Bayesian Filtering Techniques [15.551753101355622]
  屋内空間問合せアルゴリズムを多種多様な位置ベースアプリケーションに適用する。 本研究では,屋内空間問合せ評価の基盤としてベイズフィルタを用いた位置推定手法を提案する。 推論手法と追跡モデルに基づいて、革新的な屋内範囲とk近傍のクエリアルゴリズム(kNN)を開発する。
  論文  参考訳（メタデータ） (2022-04-02T02:52:19Z)
• 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)
• Local Augmentation for Graph Neural Networks [78.48812244668017]
  本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。 局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
  論文  参考訳（メタデータ） (2021-09-08T18:10:08Z)
• 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)
• EdgeLoc: An Edge-IoT Framework for Robust Indoor Localization Using Capsule Networks [3.659977669398194]
  カプセルネットワークを用いた効率的で堅牢な屋内ローカライズのためのエッジIoTフレームワークであるEdgeLocを提案する。 WiFi指紋データから階層情報を効率的に抽出する深層学習モデルをCapsNetで開発する。 我々は,33,600点以上のデータポイントを用いて実世界のフィールド実験を行い,オープンデータセットを用いた広範囲な合成実験を行った。
  論文  参考訳（メタデータ） (2020-09-12T12:38:47Z)
• Zero-Shot Multi-View Indoor Localization via Graph Location Networks [66.05980368549928]
  屋内ローカライゼーションは、位置ベースアプリケーションにおける基本的な問題である。 本稿では,インフラストラクチャフリーで多視点画像に基づく屋内ローカライゼーションを実現するために,新しいニューラルネットワークアーキテクチャであるGraph Location Networks(GLN)を提案する。 GLNは、メッセージパッシングネットワークを通じて画像から抽出されたロバストな位置表現に基づいて位置予測を行う。 新たにゼロショット屋内ローカライズ設定を導入し,提案したGLNを専用ゼロショットバージョンに拡張することで,その課題に対処する。
  論文  参考訳（メタデータ） (2020-08-06T07:36:55Z)
• 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)
• 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。