論文の概要: ULOC: Learning to Localize in Complex Large-Scale Environments with Ultra-Wideband Ranges

• arxiv url: http://arxiv.org/abs/2409.11122v1
• Date: Tue, 17 Sep 2024 12:20:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-18 16:55:21.959999
• Title: ULOC: Learning to Localize in Complex Large-Scale Environments with Ultra-Wideband Ranges
• Title（参考訳）: ULOC:超広帯域域の複雑な大規模環境におけるローカライズ学習
• Authors: Thien-Minh Nguyen, Yizhuo Yang, Tien-Dat Nguyen, Shenghai Yuan, Lihua Xie,
• Abstract要約: 我々はUWB(Ultra-Wideband)に基づくローカライゼーションのためのULOCという学習ベースのフレームワークを提案する。 まず、アンカーは実際の位置を知ることなく環境に展開される。 そこで我々は,複雑な大規模環境下でUWBの帯域幅パターンを学習するMAMBAに基づくネットワークを提案する。
• 参考スコア（独自算出の注目度）: 25.17925693293714
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While UWB-based methods can achieve high localization accuracy in small-scale areas, their accuracy and reliability are significantly challenged in large-scale environments. In this paper, we propose a learning-based framework named ULOC for Ultra-Wideband (UWB) based localization in such complex large-scale environments. First, anchors are deployed in the environment without knowledge of their actual position. Then, UWB observations are collected when the vehicle travels in the environment. At the same time, map-consistent pose estimates are developed from registering (onboard self-localization) data with the prior map to provide the training labels. We then propose a network based on MAMBA that learns the ranging patterns of UWBs over a complex large-scale environment. The experiment demonstrates that our solution can ensure high localization accuracy on a large scale compared to the state-of-the-art. We release our source code to benefit the community at https://github.com/brytsknguyen/uloc.
• Abstract（参考訳）: UWBベースの手法は、小規模領域において高いローカライズ精度を実現することができるが、大規模環境では、その精度と信頼性が著しく課題となっている。 本稿では,ULOC for Ultra-Wideband (UWB) という学習フレームワークを提案する。 まず、アンカーは実際の位置を知ることなく環境に展開される。 そして、車両が環境中を移動するときにUWB観測を収集する。 同時に、事前の地図に(自己ローカライゼーション上の)データを登録してトレーニングラベルを提供することにより、マップ一貫性のポーズ推定を開発する。 そこで我々は,複雑な大規模環境下でUWBの帯域幅パターンを学習するMAMBAに基づくネットワークを提案する。 実験により,我々のソリューションは,最先端技術と比較して大規模で高精度なローカライゼーションを実現することができることを示した。 ソースコードはhttps://github.com/brytsknguyen/uloc.comで公開しています。

関連論文リスト

• Into the Unknown: Generating Geospatial Descriptions for New Environments [18.736071151303726]
  レンデブー課題は、同心空間関係の推論を必要とする。 座標と組み合わせたオープンソース記述(例えばウィキペディア)を使用することで、トレーニングデータを提供するが、空間指向の限られたテキストに悩まされる。 新しい環境のための高品質な合成データを生成するための大規模拡張手法を提案する。
  論文  参考訳（メタデータ） (2024-06-28T14:56:21Z)
• DBA-Fusion: Tightly Integrating Deep Dense Visual Bundle Adjustment with Multiple Sensors for Large-Scale Localization and Mapping [3.5047603107971397]
  トレーニング可能な高密度バンドル調整(DBA)を因子グラフを通じて多センサ情報と密に統合する。 視覚-慣性統合のためのパイプラインが最初に開発され、メカニカルスケールのローカライゼーションとマッピングの最小限の能力を提供する。 その結果,大規模環境におけるリアルタイム高密度マッピングを実現する手法として,より優れたローカライゼーション性能が得られた。
  論文  参考訳（メタデータ） (2024-03-20T16:20:54Z)
• Neural 5G Indoor Localization with IMU Supervision [63.45775390000508]
  無線信号は、ユビキタスであるため、ユーザのローカライゼーションに適しており、暗黒環境で動作し、プライバシを維持することができる。 多くの先行研究は、チャネル状態情報(CSI)と完全に監督された位置の間のマッピングを学ぶ。 本研究は,慣性測定ユニット(IMU)から算出した擬似ラベルを用いて,本要件を緩和するものである。
  論文  参考訳（メタデータ） (2024-02-15T13:51:21Z)
• Device-Free Human State Estimation using UWB Multi-Static Radios [9.097545017048446]
  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。
  論文  参考訳（メタデータ） (2023-12-26T05:51:22Z)
• 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)
• LODE: Deep Local Deblurring and A New Benchmark [106.80269193462712]
  我々はBLur-Aware Deblurring Network(BladeNet)と呼ばれる新しいフレームワークを提案する。 ローカルブラー合成モジュールは局所的にぼやけたトレーニングペアを生成し、ローカルブラー知覚モジュールは局所的にぼやけた領域を自動的に捕捉し、Blar-guided Space Attentionモジュールは遅延ネットワークを空間的注意でガイドする。 我々は,REDS と LODE データセットの広範な実験を行い,BladeNet がPSNR を 2.5dB で改善し,SotAs を局所的に改善し,グローバルデブロアに匹敵する性能を維持していることを示す。
  論文  参考訳（メタデータ） (2021-09-19T15:57:28Z)
• 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)
• Learning-based Bias Correction for Time Difference of Arrival Ultra-wideband Localization of Resource-constrained Mobile Robots [8.016760287602084]
  超広帯域(UWB)到着時間差(TDOA)ベースのローカライゼーションは,多数のデバイスにスケール可能な,軽量で低コストなソリューションとして有望である。 しかし、標準の商用UWB無線のローカライゼーション精度は、しばしば測定バイアスと外れ値のために不十分である。 我々は,(i)学習に基づくバイアス補正と(ii)M推定に基づくロバストフィルタリングを併用して,アウトレーヤを扱う頑健なUWB TDOAローカライゼ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） (2021-03-02T17:31:32Z)
• PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image Segmentation [87.50205728818601]
  本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。 我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
  論文  参考訳（メタデータ） (2020-11-25T11:03:11Z)
• 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)

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。