論文の概要: Hybrid CNN-LSTM based Indoor Pedestrian Localization with CSI Fingerprint Maps

• arxiv url: http://arxiv.org/abs/2412.13601v1
• Date: Wed, 18 Dec 2024 08:31:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-19 16:49:02.125662
• Title: Hybrid CNN-LSTM based Indoor Pedestrian Localization with CSI Fingerprint Maps
• Title（参考訳）: CSIフィンガープリントマップを用いたハイブリッドCNN-LSTMによる屋内歩行者位置推定
• Authors: Muhammad Emad-ud-din,
• Abstract要約: 本稿では,CSI(Channel State Information)データを用いた新しいWi-Fiフィンガープリントシステムを提案する。 提案システムは,CSIデータから抽出した特徴の周波数多様性と空間的多様性を利用して,CSIフィンガープリントマップを生成する。 次に、このCSIフィンガープリントマップによるCSIデータの表現を用いて、ハイブリッドアーキテクチャを用いた歩行者軌道仮説を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The paper presents a novel Wi-Fi fingerprinting system that uses Channel State Information (CSI) data for fine-grained pedestrian localization. The proposed system exploits the frequency diversity and spatial diversity of the features extracted from CSI data to generate a 2D+channel image termed as a CSI Fingerprint Map. We then use this CSI Fingerprint Map representation of CSI data to generate a pedestrian trajectory hypothesis using a hybrid architecture that combines a Convolutional Neural Network and a Long Short-Term Memory Recurrent Neural Network model. The proposed architecture exploits the temporal and spatial relationship information among the CSI data observations gathered at neighboring locations. A particle filter is then employed to separate out the most likely hypothesis matching a human walk model. The experimental performance of our method is compared to existing deep learning localization methods such ConFi, DeepFi and to a self-developed temporal-feature based LSTM based location classifier. The experimental results show marked improvement with an average RMSE of 0.36 m in a moderately dynamic and 0.17 m in a static environment. Our method is essentially a proof of concept that with (1) sparse availability of observations, (2) limited infrastructure requirements, (3) moderate level of short-term and long-term noise in the training and testing environment, reliable fine-grained Wi-Fi based pedestrian localization is a potential option.
• Abstract（参考訳）: 本稿では,CSI(Channel State Information)データを用いたWi-Fiフィンガープリントシステムを提案する。 提案システムは,CSIデータから抽出した特徴の周波数多様性と空間的多様性を利用して,CSIフィンガープリントマップと呼ばれる2D+チャネル画像を生成する。 次に、CSIデータのこのCSIフィンガープリントマップ表現を用いて、畳み込みニューラルネットワークと長時間メモリリカレントニューラルネットワークモデルを組み合わせたハイブリッドアーキテクチャを用いて、歩行者軌道仮説を生成する。 提案アーキテクチャは,近隣の地点で収集されたCSIデータ観測における時間的・空間的関係情報を利用する。 次に粒子フィルタを用いて、人間の歩行モデルと一致する最も可能性の高い仮説を分離する。 本手法の実験性能は,ConFiやDeepFiといった既存の深層学習のローカライズ手法や,自己発達型時間特徴に基づくLSTMに基づく位置分類器と比較される。 実験の結果, 平均RMSEは適度に動的に0.36m, 静的な環境では0.17mであった。 本手法は,(1) 観測の低空化,(2) 限られたインフラ要件,(3) 訓練・試験環境における短期的・長期的騒音の適度なレベルを考慮すれば,信頼性の高いWi-Fiを用いた歩行者位置決めが候補となる,という概念実証である。

関連論文リスト

• Spatio-Temporal 3D Point Clouds from WiFi-CSI Data via Transformer Networks [2.084922791522632]
  5Gネットワークと6Gネットワークのキーコンポーネントとして、ジョイントコミュニケーションとセンシング(JC&S)が登場している。 本稿では,時間的チャネル状態情報(CSI)データ,特に振幅と位相を処理するトランスフォーマーアーキテクチャを提案し,室内環境の3次元点雲を生成する。
  論文  参考訳（メタデータ） (2024-10-07T08:59:04Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• A Framework for CSI-Based Indoor Localization with 1D Convolutional Neural Networks [4.812445272764651]
  本稿では,データ収集,パターンクラスタリング,デノイング,キャリブレーション,CSIフィンガープリントを用いた軽量1次元畳み込みニューラルネットワーク(1D CNN)モデルなどのエンドツーエンドソリューションを提案する。 実験の結果,最もよく知られたディープラーニングやCSIベースの屋内ローカライゼーションよりも,最小限のパラメータで最大68.5%の性能向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2022-05-17T03:04:47Z)
• Neural RF SLAM for unsupervised positioning and mapping with channel state information [51.484516640867525]
  アイソメトリによるユーザ位置と環境マッピングを共同で学習するニューラルネットワークアーキテクチャを提案する。 提案モデルでは,物理ベースのデコーダを適用すれば,解釈可能な潜在能力,すなわちユーザ位置を学習できる。
  論文  参考訳（メタデータ） (2022-03-15T21:32:44Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Spatial-Temporal Correlation and Topology Learning for Person Re-Identification in Videos [78.45050529204701]
  クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。 CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。 グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
  論文  参考訳（メタデータ） (2021-04-15T14:32:12Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Wireless Localisation in WiFi using Novel Deep Architectures [4.541069830146568]
  本稿では,コモディティ・チップセットと標準チャネル・サウンドによるWiFi機器の屋内位置推定について検討する。 本稿では、異なるアンテナで受信されたWiFiサブキャリアに対応するチャネル状態情報から特徴を抽出する、新しい浅層ニューラルネットワーク(SNN)を提案する。
  論文  参考訳（メタデータ） (2020-10-16T22:48:29Z)
• A CNN-LSTM Quantifier for Single Access Point CSI Indoor Localization [9.601632184687787]
  本稿では,Wi-Fiフィンガープリンティング屋内ローカライゼーションのための畳み込みニューラルネットワーク(CNN)と長寿命メモリ(LSTM)量子化器(LSTM)を組み合わせたネットワーク構造を提案する。 WiFiルータを1つだけ使うと、平均局所化誤差が2.5mで、4m未満の誤差は$mathrm80%である。
  論文  参考訳（メタデータ） (2020-05-13T16:54:31Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。