論文の概要: Elevator, Escalator or Neither? Classifying Pedestrian Conveyor State Using Inertial Navigation System
- arxiv url: http://arxiv.org/abs/2405.03218v2
- Date: Sun, 13 Oct 2024 03:47:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-15 15:02:26.238792
- Title: Elevator, Escalator or Neither? Classifying Pedestrian Conveyor State Using Inertial Navigation System
- Title(参考訳): エレベータ、エスカレーター、その他?慣性航法システムを用いた歩行者コンベヤ状態の分類
- Authors: Tianlang He, Zhiqiu Xia, S. -H. Gary Chan,
- Abstract要約: 歩行者のコンベア状態を知ることは、屋内ナビゲーションや人流管理といった多くの応用において、基本的なものである。
歩行者端末から採取した加速度計,ジャイロスコープ,磁力計のマルチモーダルINS(慣性ナビゲーションシステム)値から,歩行者のコンベア状態を初めて分類した。
歩行者がエレベーターやエスカレーターにいるかどうかを分類するための,新しい,効果的で軽量なINSベースのディープラーニング手法であるELESONを提案する。
- 参考スコア(独自算出の注目度): 12.796931853596902
- License:
- Abstract: Knowing a pedestrian's conveyor state of "elevator," "escalator," or "neither" is fundamental in many applications such as indoor navigation and people flow management. We study, for the first time, classifying the conveyor state of a pedestrian, given the multimodal INS (inertial navigation system) readings of accelerometer, gyroscope and magnetometer sampled from the pedestrian phone. This problem is challenging because the INS signals of the conveyor state are entangled with unpredictable independent pedestrian motions, confusing the classification process. We propose ELESON, a novel, effective and lightweight INS-based deep learning approach to classify whether a pedestrian is in an elevator, escalator or neither. ELESON utilizes a causal feature extractor to disentangle the conveyor state from pedestrian motion, and a magnetic feature extractor to capture the unique magnetic characteristics of moving elevators and escalators. Given the results of the extractors, it then employs an evidential state classifier to estimate the confidence of the conveyor states. Based on extensive experiments conducted on real pedestrian data, we demonstrate that ELESON outperforms significantly previous INS-based classification approaches, achieving 14% improvement in F1 score, strong confidence discriminability of 0.81 in AUROC (Area Under the Receiver Operating Characteristics), and low computational and memory requirements for smartphone deployment.
- Abstract(参考訳): 歩行者のコンベア状態を知ることは、屋内ナビゲーションや人流管理といった多くの応用において、基本的なものである。
歩行者端末から採取した加速度計,ジャイロスコープ,磁力計のマルチモーダルINS(慣性ナビゲーションシステム)値から,歩行者のコンベア状態を初めて分類した。
この問題は、コンベア状態のINS信号が予測不能な独立歩行者運動と絡み合っており、分類過程を混乱させるためである。
歩行者がエレベーターやエスカレーターにいるかどうかを分類するための,新しい,効果的で軽量なINSベースのディープラーニング手法であるELESONを提案する。
ELESONは、因果的特徴抽出器を用いて、歩行者運動からコンベヤ状態を切り離すとともに、磁気的特徴抽出器を用いて、移動エレベーターやエスカレーターの固有の磁気特性を捉える。
抽出器の結果から、コンベア状態の信頼性を推定するために明らかな状態分類器を用いる。
実際の歩行者データに基づく広範な実験の結果,ELESONは従来のINSに基づく分類手法よりも優れており,F1スコアの14%向上,AUROC(Area Under the Receiver Operating Characteristics)の信頼度0.81の強い識別性,スマートフォンの展開における計算およびメモリ要求の低さを実証した。
関連論文リスト
- Exploring Contextual Representation and Multi-Modality for End-to-End
Autonomous Driving [58.879758550901364]
最近の知覚システムは、センサー融合による空間理解を高めるが、しばしば完全な環境コンテキストを欠いている。
我々は,3台のカメラを統合し,人間の視野をエミュレートするフレームワークを導入し,トップダウンのバードアイビューセマンティックデータと組み合わせて文脈表現を強化する。
提案手法は, オープンループ設定において0.67mの変位誤差を達成し, nuScenesデータセットでは6.9%の精度で現在の手法を上回っている。
論文 参考訳(メタデータ) (2022-10-13T05:56:20Z) - Pedestrian Stop and Go Forecasting with Hybrid Feature Fusion [87.77727495366702]
歩行者の立ち止まりと予測の新たな課題を紹介します。
都市交通における歩行者の立ち寄り行動を明示的に研究するためのベンチマークであるTransをリリースする。
歩行者の歩行動作に注釈を付けたいくつかの既存のデータセットから構築し、さまざまなシナリオや行動を実現する。
論文 参考訳(メタデータ) (2022-03-04T18:39:31Z) - A Machine Learning Smartphone-based Sensing for Driver Behavior
Classification [1.552282932199974]
我々は,速度,加速度,方向,3軸回転角(ヨー,ピッチ,ロール)を用いて運転者の動作を分類するために,スマートフォンで利用可能なデータセンサ(加速度計,ジャイロスコープ,GPS)を収集することを提案する。
第2に、複数のセンサからの軸間データを単一のファイルに融合した後、時系列分類のための異なる機械学習アルゴリズムを探索し、どのアルゴリズムが最も性能が高いかを評価する。
論文 参考訳(メタデータ) (2022-02-01T10:12:36Z) - Pedestrian Trajectory Prediction via Spatial Interaction Transformer
Network [7.150832716115448]
交通現場では、来るべき人々と出会うと、歩行者は突然回転したり、すぐに止まることがある。
このような予測不可能な軌道を予測するために、歩行者間の相互作用についての洞察を得ることができる。
本稿では,歩行者軌跡の相関関係を注意機構を用いて学習する空間的相互作用変換器(SIT)を提案する。
論文 参考訳(メタデータ) (2021-12-13T13:08:04Z) - Learning Perceptual Locomotion on Uneven Terrains using Sparse Visual
Observations [75.60524561611008]
この研究は、人中心の環境において、よく見られるバンプ、ランプ、階段の広い範囲にわたる知覚的移動を達成するために、スパースな視覚的観察の使用を活用することを目的としている。
まず、関心の均一な面を表すことのできる最小限の視覚入力を定式化し、このような外受容的・固有受容的データを統合した学習フレームワークを提案する。
本研究では, 平地を全方向歩行し, 障害物のある地形を前方移動させるタスクにおいて, 学習方針を検証し, 高い成功率を示す。
論文 参考訳(メタデータ) (2021-09-28T20:25:10Z) - Benchmarking high-fidelity pedestrian tracking systems for research,
real-time monitoring and crowd control [55.41644538483948]
実生活環境における高忠実な歩行者追跡は,群集動態研究において重要なツールである。
この技術が進歩するにつれて、社会においても益々有用になってきている。
歩行者追跡技術の研究と技術に成功させるためには、正確さの検証とベンチマークが不可欠である。
我々は、プライバシーに配慮した歩行者追跡技術のためのベンチマークスイートをコミュニティのオープンスタンダードに向けて提示し、議論する。
論文 参考訳(メタデータ) (2021-08-26T11:45:26Z) - Pedestrian Motion State Estimation From 2D Pose [3.189006905282788]
歩行者の交通違反やフレキシブルで変化しやすい性質は、歩行者の行動や意図を予測するのを難しくする。
歩行者運動状態やその他の影響要因と組み合わせることで、不要な事故を避けるために歩行者の意図を予測することができる。
本稿では,提案アルゴリズムをJAAD公開データセット上で検証し,既存の手法と比較して精度を11.6%向上させる。
論文 参考訳(メタデータ) (2021-02-27T07:00:06Z) - Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting [91.69900691029908]
我々は、個々の動きとシーン占有マップの両方を予測することを提唱する。
歩行者の相対的な空間情報を保存するScene-Actor Graph Neural Network (SA-GNN)を提案する。
2つの大規模な実世界のデータセットで、我々のシーン占有率予測が最先端のモーション予測手法よりも正確でより校正されていることを示した。
論文 参考訳(メタデータ) (2021-01-07T06:08:21Z) - Abnormal activity capture from passenger flow of elevator based on
unsupervised learning and fine-grained multi-label recognition [18.166284261575473]
本稿では,多層住宅におけるエレベータの利用者フローを通じて,住民の異常活動の把握を目的とした作業フローを提案する。
エレベーターには、カメラとセンサー(ホールセンサー、光電センサー、ジャイロ、加速度計、気圧計、温度計)が取り付けられ、画像とデータを収集する。
エレベータの乗客フローを一般化するために, インスタンスセグメンテーション, マルチラベル認識, 埋め込み, クラスタリングなどのコンピュータビジョンアルゴリズムを適用した。
論文 参考訳(メタデータ) (2020-06-29T08:50:20Z) - Learning by Cheating [72.9701333689606]
この難解な学習問題を2段階に分解することで単純化できることを示す。
提案手法を用いて、視覚に基づく自律運転システムの訓練を行い、芸術の状況を大幅に上回っている。
提案手法は,従来のCARLAベンチマークのすべてのタスクにおける100%の成功率を初めて達成し,NoCrashベンチマークに新しい記録を樹立し,従来の技術と比較すると,屈折率を桁違いに低減する。
論文 参考訳(メタデータ) (2019-12-27T18:59:04Z)
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。