論文の概要: A Framework for Devising, Evaluating and Fine-tuning Indoor Tracking Algorithms
- arxiv url: http://arxiv.org/abs/2501.05129v1
- Date: Thu, 09 Jan 2025 10:32:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-10 14:00:08.464917
- Title: A Framework for Devising, Evaluating and Fine-tuning Indoor Tracking Algorithms
- Title（参考訳）: 室内追尾アルゴリズムの開発・評価・微調整のためのフレームワーク
- Authors: Alpha Diallo, Benoit Garbinato,
- Abstract要約: そこで我々はMobiXIMというトラッキングアルゴリズムの開発,評価,微調整を行うフレームワークを提案する。
トラッキングアルゴリズムを開発するため、MobiXIMは新しいプラグインアーキテクチャを導入し、研究者は既存のアルゴリズムを協調して拡張することができる。
提案手法は,ベースラインのペデストリアンデッドレコニングアルゴリズムと比較して最大33%向上した4mの位置決め精度を実現する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: In recent years, we have observed a growing interest in Indoor Tracking Systems (ITS) for providing location-based services indoors. This is due to the limitations of Global Navigation and Satellite Systems, which do not operate in non-line-of-sight environments. Depending on their architecture, ITS can rely on expensive infrastructure, accumulate errors, or be challenging to evaluate in real-life environments. Building an ITS is a complex process that involves devising, evaluating and fine-tuning tracking algorithms. This process is not yet standard, as researchers use different types of equipment, deployment environments, and evaluation metrics. Therefore, it is challenging for researchers to build novel tracking algorithms and for the research community to reproduce the experiments. To address these challenges, we propose MobiXIM, a framework that provides a set of tools for devising, evaluating and fine-tuning tracking algorithms in a structured manner. For devising tracking algorithms, MobiXIM introduces a novel plugin architecture, allowing researchers to collaborate and extend existing algorithms. We assess our framework by building an ITS encompassing the key elements of wireless, inertial, and collaborative ITS. The proposed ITS achieves a positioning accuracy of 4 m, which is an improvement of up to 33% compared to a baseline Pedestrian Dead Reckoning algorithm.
- Abstract（参考訳）: 近年,屋内追跡システム(ITS)への関心が高まっている。
これは、非視界環境では動作しないGlobal Navigation and Satellite Systemsの制限のためである。
アーキテクチャによっては、ITSは高価なインフラに依存したり、エラーを蓄積したり、現実の環境で評価するのは難しい。
ITSの構築は、開発、評価、微調整の追跡アルゴリズムを含む複雑なプロセスである。
研究者はさまざまな種類の機器、配置環境、評価指標を使用しているため、このプロセスはまだ標準化されていない。
そのため、研究者が新しい追跡アルゴリズムを構築し、研究コミュニティが実験を再現することは困難である。
これらの課題に対処するために、構造化された方法で追跡アルゴリズムを開発、評価、微調整するための一連のツールを提供するMobiXIMを提案する。
トラッキングアルゴリズムを開発するため、MobiXIMは新しいプラグインアーキテクチャを導入し、研究者は既存のアルゴリズムを協調して拡張することができる。
我々は,無線・慣性・協調ITSの重要な要素を包含するITSを構築することにより,我々の枠組みを評価する。
提案手法は,ベースラインのペデストリアンデッドレコニングアルゴリズムと比較して最大33%向上した4mの位置決め精度を実現する。
関連論文リスト
- Experimental comparison of graph-based approximate nearest neighbor search algorithms on edge devices [1.5495593104596401]
本稿では, エッジデバイス上に配置したグラフベースニアニアニアサーチアルゴリズム(ANN)を, リアルタイムニアニアサーチアプリケーションに適用するための実験結果と比較する。
論文 参考訳（メタデータ） (2024-11-21T10:41:24Z) - Lost in Tracking Translation: A Comprehensive Analysis of Visual SLAM in Human-Centered XR and IoT Ecosystems [5.605260355890013]
各種アプリケーションおよびシナリオを対象とした最先端追跡手法の性能評価を行った。
我々は,IoT(Internet of Things, モノのインターネット)および拡張現実性(Extensioned Reality, XR)アプリケーションにおいて,複数のトラッキングアルゴリズムと代表データセットを用いて,その性能を定量的に評価する。
論文 参考訳（メタデータ） (2024-11-11T17:17:11Z) - CANDY: A Benchmark for Continuous Approximate Nearest Neighbor Search with Dynamic Data Ingestion [8.036012885171166]
我々は、動的データ取り込みを伴う連続近似Nearest Neighbor Searchに適したベンチマークであるCANDYを紹介する。
CANDYは幅広いAKNNアルゴリズムを包括的に評価し、機械学習駆動推論のような高度な最適化を統合する。
多様なデータセットに対する評価では、より単純なAKNNベースラインが、リコールやレイテンシの点で、より複雑な選択肢を上回ることが示されている。
論文 参考訳（メタデータ） (2024-06-28T04:46:11Z) - A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。
多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
論文 参考訳（メタデータ） (2024-05-30T04:46:40Z) - Discovering General Reinforcement Learning Algorithms with Adversarial
Environment Design [54.39859618450935]
メタ学習型更新ルールは,広範囲のRLタスクで良好に機能するアルゴリズムの発見を期待して,実現可能であることを示す。
Learned Policy Gradient (LPG)のようなアルゴリズムによる印象的な初期結果にもかかわらず、これらのアルゴリズムが目に見えない環境に適用される場合、まだギャップが残っている。
本研究では,メタ教師付き学習分布の特性が,これらのアルゴリズムの性能に与える影響について検討する。
論文 参考訳（メタデータ） (2023-10-04T12:52:56Z) - Using Machine Learning To Identify Software Weaknesses From Software
Requirement Specifications [49.1574468325115]
本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。
ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
論文 参考訳（メタデータ） (2023-08-10T13:19:10Z) - A Bayesian Detect to Track System for Robust Visual Object Tracking and
Semi-Supervised Model Learning [1.7268829007643391]
ニューラルネットワークの出力によってパラメータ化されたベイズ追跡・検出フレームワークにおける副次的問題について述べる。
本稿では,粒子フィルタを用いた物体状態推定のための近似サンプリングアルゴリズムを提案する。
粒子フィルタ推論アルゴリズムを用いて,間欠的なラベル付きフレーム上でのトラッキングネットワークの学習に半教師付き学習アルゴリズムを用いる。
論文 参考訳（メタデータ） (2022-05-05T00:18:57Z) - Benchmarking Deep Reinforcement Learning Algorithms for Vision-based
Robotics [11.225021326001778]
本稿では,2つの視覚に基づくロボット工学問題の解法として,最先端の強化学習アルゴリズムのベンチマーク研究を行う。
これらのアルゴリズムの性能は、PyBulletの2つのシミュレーション環境であるKukaDiverseObjectEnvとRacecarZEDGymEnvと比較される。
論文 参考訳（メタデータ） (2022-01-11T22:45:25Z) - 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) - AutoSpace: Neural Architecture Search with Less Human Interference [84.42680793945007]
現在のニューラルネットワークアーキテクチャ検索(NAS)アルゴリズムは、ネットワーク構築のための検索空間を設計するための専門知識と努力を必要とします。
探索空間を最適なものに進化させる新しい微分可能な進化フレームワークであるAutoSpaceを提案する。
学習した検索空間では、最近のNASアルゴリズムの性能は、以前手作業で設計した空間に比べて大幅に改善できる。
論文 参考訳（メタデータ） (2021-03-22T13:28:56Z) - A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。
我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。
我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
論文 参考訳（メタデータ） (2020-11-17T22:24:26Z)
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。