論文の概要: GNSS Positioning using Cost Function Regulated Multilateration and Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2402.18630v1
• Date: Wed, 28 Feb 2024 19:00:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-01 17:02:07.500827
• Title: GNSS Positioning using Cost Function Regulated Multilateration and Graph Neural Networks
• Title（参考訳）: コスト関数制御型マルチレイタレーションとグラフニューラルネットワークを用いたGNSS位置決め
• Authors: Amir Jalalirad, Davide Belli, Bence Major, Songwon Jee, Himanshu Shah, Will Morrison
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0699049312989311
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In urban environments, where line-of-sight signals from GNSS satellites are frequently blocked by high-rise objects, GNSS receivers are subject to large errors in measuring satellite ranges. Heuristic methods are commonly used to estimate these errors and reduce the impact of noisy measurements on localization accuracy. In our work, we replace these error estimation heuristics with a deep learning model based on Graph Neural Networks. Additionally, by analyzing the cost function of the multilateration process, we derive an optimal method to utilize the estimated errors. Our approach guarantees that the multilateration converges to the receiver's location as the error estimation accuracy increases. We evaluate our solution on a real-world dataset containing more than 100k GNSS epochs, collected from multiple cities with diverse characteristics. The empirical results show improvements from 40% to 80% in the horizontal localization error against recent deep learning baselines as well as classical localization approaches.
• Abstract（参考訳）: GNSS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、GNSS受信機は衛星範囲の測定において大きなエラーを受ける。 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,これらの誤差推定ヒューリスティックを,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。 さらに、多元化プロセスのコスト関数を解析することにより、推定誤差を利用した最適手法を導出する。 提案手法は,誤差推定精度が向上するにつれて,マルチラテラル化が受信機の位置に収束することを保証する。 我々は,多様な特徴を有する複数の都市から収集した10万gnssエポック以上の実世界のデータセット上でソリューションを評価する。 その結果,最近のディープラーニングベースラインと古典的ローカライゼーションアプローチに対して,水平位置推定誤差の40%から80%の改善が見られた。

関連論文リスト

• 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)
• 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)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Comparison of machine learning algorithms for merging gridded satellite and earth-observed precipitation data [7.434517639563671]
  我々は,グローバル・ヒストリカル・クリマトロジー・ネットワークの月次降水データ,バージョン2。 その結果,2乗誤差スコアリング関数が最も正確であることが示唆された。
  論文  参考訳（メタデータ） (2022-12-17T09:39:39Z)
• On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
  本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。 本稿では,密集市街地における局所化問題について検討する。 まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
  論文  参考訳（メタデータ） (2022-11-28T00:31:02Z)
• 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)
• Navigating Local Minima in Quantized Spiking Neural Networks [3.1351527202068445]
  深層学習(DL)アルゴリズムの超効率的な実装においては,スパイキングと量子ニューラルネットワーク(NN)が極めて重要になっている。 これらのネットワークは、ハードしきい値を適用する際の勾配信号の欠如により、エラーのバックプロパゲーションを使用してトレーニングする際の課題に直面している。 本稿では,コサインアニールLRスケジュールと重み非依存適応モーメント推定を併用したシステム評価を行った。
  論文  参考訳（メタデータ） (2022-02-15T06:42:25Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• 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)
• A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
  グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。 本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。 そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:55:58Z)
• Uncertainty Aware Deep Neural Network for Multistatic Localization with Application to Ultrasonic Structural Health Monitoring [0.0]
  本稿では、ロバストなローカライゼーションモデルを学ぶために、不確実性を考慮したディープ・ニューラル・ディストリビューション・ネットワーク・フレームワークを使用する。 環境不確実性の増加に伴い,予測不確実性はスケールし,局所化精度を評価する統計的に有意な指標となることを示す。
  論文  参考訳（メタデータ） (2020-07-14T04:53:06Z)

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。