論文の概要: Towards End-to-End GPS Localization with Neural Pseudorange Correction
- arxiv url: http://arxiv.org/abs/2401.10685v2
- Date: Wed, 21 Aug 2024 06:10:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-22 23:04:42.898340
- Title: Towards End-to-End GPS Localization with Neural Pseudorange Correction
- Title（参考訳）: ニューラル擬似補正による終端GPS位置推定に向けて
- Authors: Xu Weng, KV Ling, Haochen Liu, Kun Cao,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.524401246715823
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The pseudorange error is one of the root causes of localization inaccuracy in GPS. Previous data-driven methods regress and eliminate pseudorange errors using handcrafted intermediate labels. Unlike them, we propose an end-to-end GPS localization framework, E2E-PrNet, to train a neural network for pseudorange correction (PrNet) directly using the final task loss calculated with the ground truth of GPS receiver states. The gradients of the loss with respect to learnable parameters are backpropagated through a Differentiable Nonlinear Least Squares (DNLS) optimizer to PrNet. The feasibility of fusing the data-driven neural network and the model-based DNLS module is verified with GPS data collected by Android phones, showing that E2E-PrNet outperforms the baseline weighted least squares method and the state-of-the-art end-to-end data-driven approach. Finally, we discuss the explainability of E2E-PrNet.
- Abstract（参考訳）: 擬似乱射誤差はGPSにおける局所化不正確性の根本原因の1つである。
従来のデータ駆動手法は、手作り中間ラベルを用いて擬似乱数エラーを退避し除去する。
これとは違って,GPS受信機状態の真理で計算された最終タスク損失を直接利用して,疑似レンジ補正(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,エンドツーエンドのGPSローカライズフレームワークであるE2E-PrNetを提案する。
学習可能なパラメータに対する損失の勾配は、微分可能な非線形最小広場(DNLS)オプティマイザを通じてPrNetに逆伝搬される。
データ駆動型ニューラルネットワークとモデルベースのDNLSモジュールを融合させることの可能性は、Androidフォンが収集したGPSデータで検証され、E2E-PrNetがベースライン重み付き最小二乗法と最先端のエンドツーエンドのデータ駆動アプローチより優れていることが示されている。
最後に、E2E-PrNetの説明可能性について論じる。
関連論文リスト
- Neural Precision Polarization: Simplifying Neural Network Inference with Dual-Level Precision [0.4124847249415279]
浮動小数点モデルはクラウドでトレーニングされ、エッジデバイスにダウンロードされる。
ネットワークの重みとアクティベーションは、NF4やINT8のようなエッジデバイスの望ましいレベルを満たすために直接量子化される。
本稿では,Watt MAC の効率と信頼性について,約464 TOPS のニューラル精度の偏極が可能であることを示す。
論文 参考訳（メタデータ） (2024-11-06T16:02:55Z) - Object Location Prediction in Real-time using LSTM Neural Network and
Polynomial Regression [0.0]
本稿では,物体位置座標の予測と補間を行うシステムの設計と実装について述べる。
我々のソリューションは、Long Short-Term Memory(LSTM)ニューラルネットワークと回帰による慣性測定とグローバルな位置決めシステムデータに基づく。
論文 参考訳（メタデータ） (2023-11-23T12:03:02Z) - PrNet: A Neural Network for Correcting Pseudoranges to Improve
Positioning with Android Raw GNSS Measurements [7.909678289680922]
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。
論文 参考訳（メタデータ） (2023-09-16T10:43:59Z) - Dual Accuracy-Quality-Driven Neural Network for Prediction Interval Generation [0.0]
本稿では,回帰に基づくニューラルネットワークの予測間隔を自動的に学習する手法を提案する。
我々の主な貢献は、PI世代ネットワークのための新しい損失関数の設計である。
合成データセット,8つのベンチマークデータセット,および実世界の収量予測データセットを用いて実験したところ,本手法は有意な確率カバレッジを維持することができた。
論文 参考訳（メタデータ） (2022-12-13T05:03:16Z) - Enhanced Laser-Scan Matching with Online Error Estimation for Highway
and Tunnel Driving [0.0]
Lidarデータは、自動運転車やモバイルロボットプラットフォームのナビゲーションのためのポイントクラウドを生成するために使用できる。
本稿では,2つの新しい改良点を提供するスキャンマッチングアルゴリズムであるIterative Closest Ellipsoidal Transform (ICET)を提案する。
論文 参考訳（メタデータ） (2022-07-29T13:42:32Z) - 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) - Automatic Mapping of the Best-Suited DNN Pruning Schemes for Real-Time
Mobile Acceleration [71.80326738527734]
本稿では,汎用的,きめ細かな構造化プルーニング手法とコンパイラの最適化を提案する。
提案手法は,より微細な構造化プルーニング手法とともに,最先端のDNN最適化フレームワークよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-11-22T23:53:14Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Improving predictions of Bayesian neural nets via local linearization [79.21517734364093]
ガウス・ニュートン近似は基礎となるベイズニューラルネットワーク(BNN)の局所線形化として理解されるべきである。
この線形化モデルを後部推論に使用するので、元のモデルではなく、この修正モデルを使用することも予測すべきである。
この修正された予測を"GLM predictive"と呼び、Laplace近似の共通不適合問題を効果的に解決することを示す。
論文 参考訳（メタデータ） (2020-08-19T12:35:55Z) - Learning to Optimize Non-Rigid Tracking [54.94145312763044]
我々は、堅牢性を改善し、解法収束を高速化するために学習可能な最適化を採用する。
まず、CNNを通じてエンドツーエンドに学習された深い特徴にアライメントデータ項を統合することにより、追跡対象をアップグレードする。
次に,プレコンディショニング手法と学習手法のギャップを,プレコンディショナを生成するためにトレーニングされたConditionNetを導入することで埋める。
論文 参考訳（メタデータ） (2020-03-27T04:40:57Z) - A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration
Framework [56.57225686288006]
モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。
従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。
プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-13T23:52:03Z)
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。