論文の概要: Device-Free Human State Estimation using UWB Multi-Static Radios
- arxiv url: http://arxiv.org/abs/2401.05410v1
- Date: Tue, 26 Dec 2023 05:51:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 08:34:51.998131
- Title: Device-Free Human State Estimation using UWB Multi-Static Radios
- Title（参考訳）: UWBマルチスタティックラジオを用いたデバイスフリー人間状態推定
- Authors: Saria Al Laham, Bobak H. Baghi, Pierre-Yves Lajoie, Amal Feriani,
Sachini Herath, Steve Liu, Gregory Dudek
- Abstract要約: 本研究では,特定のデバイスを携帯する必要なしに,屋内環境の人々の位置,活動,さらには活動も推定できる状態推定フレームワークを提案する。
この「デバイスフリー」なローカライゼーションを実現するために、関心のある環境に分散した安価なUWB(Ultra-Wide Band)センサーを少数使用した。
- 参考スコア（独自算出の注目度）: 9.097545017048446
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a human state estimation framework that allows us to estimate the
location, and even the activities, of people in an indoor environment without
the requirement that they carry a specific devices with them. To achieve this
"device free" localization we use a small number of low-cost Ultra-Wide Band
(UWB) sensors distributed across the environment of interest. To achieve high
quality estimation from the UWB signals merely reflected of people in the
environment, we exploit a deep network that can learn to make inferences. The
hardware setup consists of commercial off-the-shelf (COTS) single antenna UWB
modules for sensing, paired with Raspberry PI units for computational
processing and data transfer. We make use of the channel impulse response (CIR)
measurements from the UWB sensors to estimate the human state - comprised of
location and activity - in a given area. Additionally, we can also estimate the
number of humans that occupy this region of interest. In our approach, first,
we pre-process the CIR data which involves meticulous aggregation of
measurements and extraction of key statistics. Afterwards, we leverage a
convolutional deep neural network to map the CIRs into precise location
estimates with sub-30 cm accuracy. Similarly, we achieve accurate human
activity recognition and occupancy counting results. We show that we can
quickly fine-tune our model for new out-of-distribution users, a process that
requires only a few minutes of data and a few epochs of training. Our results
show that UWB is a promising solution for adaptable smart-home localization and
activity recognition problems.
- Abstract（参考訳）: 本研究では,特定のデバイスを携帯する必要なしに,屋内環境の人々の位置,活動,さらには活動までを推定できる人間状態推定フレームワークを提案する。
この「デバイスフリー」なローカライゼーションを実現するため、関心のある環境に分散した安価なUWBセンサを少数使用した。
環境中の人間にのみ反映されたUWB信号から高品質な推定を実現するために,推論の学習が可能なディープネットワークを利用する。
ハードウェア構成は商用オフザシェルフ(COTS)単一アンテナUWBモジュールからなり、Raspberry PIユニットと組み合わせて計算処理とデータ転送を行う。
本研究では,UWBセンサからのチャネルインパルス応答(CIR)測定を用いて,所定の領域における人間の状態(位置と活動)を推定する。
さらに、この領域を占める人間の数を推定することもできる。
提案手法では,まず,重要統計量の厳密な集計と抽出を含むCIRデータを前処理する。
その後、畳み込みニューラルネットワークを用いて、CIRを30cm以下の精度で正確な位置推定にマッピングする。
同様に、正確な人間の活動認識と占有数を達成できる。
私たちは、新しいアウト・オブ・ディストリビューションユーザーのためのモデルを素早く微調整できることを示します。
以上の結果から,uwbは適応型ホームローカライズとアクティビティ認識の課題に対して有望なソリューションであることが示された。
関連論文リスト
- PRIMUS: Pretraining IMU Encoders with Multimodal Self-Supervision [7.896850422430362]
ラベルなしまたは弱いラベル付きIMUデータは、人間の動きをモデル化するために使用できる。
本稿では,新しい事前学習目標を用いたIMUエンコーダのPRIMUSを提案する。
PRIMUSは最先端のベースラインと比較して、テスト精度を最大15%改善する。
論文 参考訳（メタデータ） (2024-11-22T18:46:30Z) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-08T13:50:30Z) - UnLoc: A Universal Localization Method for Autonomous Vehicles using
LiDAR, Radar and/or Camera Input [51.150605800173366]
UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。
本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
論文 参考訳（メタデータ） (2023-07-03T04:10:55Z) - Deep Multi-Emitter Spectrum Occupancy Mapping that is Robust to the
Number of Sensors, Noise and Threshold [32.880113150521154]
スペクトル占有マッピングの主な目的の1つは、センサー数、占有閾値(dBm)、センサノイズ、エミッタ数、伝播環境に関する仮定に頑健なシステムを作ることである。
このようなシステムは、トレーニングやテスト中に様々なセンサーを利用できるように、アグリゲーションのプロセスを用いてニューラルネットワークで設計される可能性がある。
論文 参考訳（メタデータ） (2022-11-27T14:08:11Z) - iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
iSDFは実時間符号付き距離場再構成のための連続学習システムである。
より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
論文 参考訳（メタデータ） (2022-04-05T15:48:39Z) - 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) - Denoising IMU Gyroscopes with Deep Learning for Open-Loop Attitude
Estimation [0.0]
本稿では,慣性計測ユニット(IMU)のジャイロスコープを地中真実データを用いて識別する学習手法を提案する。
得られたアルゴリズムは、(目に見えない)テストシーケンスで最先端の処理を行う。
論文 参考訳（メタデータ） (2020-02-25T08:04:31Z) - 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。