論文の概要: MGPRL: Distributed Multi-Gaussian Processes for Wi-Fi-based Multi-Robot Relative Localization in Large Indoor Environments

• arxiv url: http://arxiv.org/abs/2506.23514v1
• Date: Mon, 30 Jun 2025 04:35:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.9196
• Title: MGPRL: Distributed Multi-Gaussian Processes for Wi-Fi-based Multi-Robot Relative Localization in Large Indoor Environments
• Title（参考訳）: MGPRL:大規模屋内環境におけるWi-Fiベースのマルチロボット相対的位置決めのための分散マルチガウスプロセス
• Authors: Sai Krishna Ghanta, Ramviyas Parasuraman,
• Abstract要約: 相対的ローカライゼーションは,GPSを用いたマルチロボットシステムにおいて重要な機能である。 本稿では,複数のWi-Fiアクセスポイントの凸ホールを用いたマルチボット相対的ローカライズのための分散フレームワークMGPRLを提案する。 ROSシミュレーションにおいて提案したMGPRLの性能を厳格に評価し,実世界の実験で実演した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relative localization is a crucial capability for multi-robot systems operating in GPS-denied environments. Existing approaches for multi-robot relative localization often depend on costly or short-range sensors like cameras and LiDARs. Consequently, these approaches face challenges such as high computational overhead (e.g., map merging) and difficulties in disjoint environments. To address this limitation, this paper introduces MGPRL, a novel distributed framework for multi-robot relative localization using convex-hull of multiple Wi-Fi access points (AP). To accomplish this, we employ co-regionalized multi-output Gaussian Processes for efficient Radio Signal Strength Indicator (RSSI) field prediction and perform uncertainty-aware multi-AP localization, which is further coupled with weighted convex hull-based alignment for robust relative pose estimation. Each robot predicts the RSSI field of the environment by an online scan of APs in its environment, which are utilized for position estimation of multiple APs. To perform relative localization, each robot aligns the convex hull of its predicted AP locations with that of the neighbor robots. This approach is well-suited for devices with limited computational resources and operates solely on widely available Wi-Fi RSSI measurements without necessitating any dedicated pre-calibration or offline fingerprinting. We rigorously evaluate the performance of the proposed MGPRL in ROS simulations and demonstrate it with real-world experiments, comparing it against multiple state-of-the-art approaches. The results showcase that MGPRL outperforms existing methods in terms of localization accuracy and computational efficiency. Finally, we open source MGPRL as a ROS package https://github.com/herolab-uga/MGPRL.
• Abstract（参考訳）: 相対的ローカライゼーションは,GPSを用いたマルチロボットシステムにおいて重要な機能である。 既存のマルチロボットの相対的なローカライゼーションのアプローチは、カメラやLiDARのような高価または短距離のセンサーに依存していることが多い。 その結果、これらの手法は、高い計算オーバーヘッド(例えば、マップのマージ)や不整合環境における困難といった課題に直面している。 本稿では,複数のWi-Fiアクセスポイント(AP)の凸ハルを用いたマルチボット相対的ローカライゼーションのための分散フレームワークMGPRLを提案する。 これを実現するために、我々は、効率的な無線信号強度指標(RSSI)フィールド予測と不確実性を考慮したマルチAPローカライゼーションを行うために、コリージョン化されたマルチ出力ガウスプロセスを使用し、さらに重み付き凸船体に基づくアライメントと結合して、ロバストな相対ポーズ推定を行う。 各ロボットは、複数のAPの位置推定に使用されるAPのオンラインスキャンにより、環境のRSSI領域を予測する。 相対的な位置決めを行うため、各ロボットは予測されたAP位置の凸船体と隣接するロボットの凸船体を整列する。 このアプローチは、限られた計算リソースを持つデバイスに適しており、専用の事前校正やオフライン指紋認証を必要とせずに、広く利用可能なWi-Fi RSSI測定のみで動作する。 ROSシミュレーションにおいて提案したMGPRLの性能を厳格に評価し,実世界の実験と比較した。 その結果,MGPRLは局所化精度と計算効率で既存手法よりも優れていた。 最後に,MGPRL を ROS パッケージ https://github.com/herolab-uga/MGPRL としてオープンソース化する。

関連論文リスト

• Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
  ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。 マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。 その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
  論文  参考訳（メタデータ） (2025-04-07T15:38:25Z)
• Effective Feature Selection for Predicting Spreading Factor with ML in Large LoRaWAN-based Mobile IoT Networks [0.5749787074942512]
  本稿では機械学習(ML)技術を用いたLoRaWANネットワークにおける拡散係数(SF)予測の課題に対処する。 大規模な公開データセットでMLモデルのパフォーマンスを評価し、主要なLoRaWAN機能で最高の機能を調べました。 RSSIとSNRの組み合わせは最高の機能セットとして同定された。
  論文  参考訳（メタデータ） (2025-03-12T08:58:28Z)
• Improved Indoor Localization with Machine Learning Techniques for IoT applications [0.0]
  本研究では, 教師付き回帰器, 教師付き分類器, RSSIを用いた屋内位置推定のためのアンサンブル手法の3段階に機械学習アルゴリズムを適用した。 実験の結果は、屋内環境におけるローカライズ精度とロバスト性の観点から、異なる教師付き機械学習技術の有効性に関する洞察を与える。
  論文  参考訳（メタデータ） (2024-02-18T02:55:19Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)
• Multi-Output Gaussian Process-Based Data Augmentation for Multi-Building and Multi-Floor Indoor Localization [3.8310036898137296]
  RSSIに基づく位置情報のフィンガープリントは,新たなインフラの設置を必要としないという利点から,屋内のローカライズ技術として主流となる。 DNNのようなAI/ML技術を使用することで、位置フィンガープリントをより正確で信頼性の高いものにすることができる。 我々は,多出力ガウス過程(MOGP)に基づくRSSIデータ拡張の3つの異なる手法について検討した。 MOGPに基づくRSSIデータ拡張の可能性は、最先端のRNN屋内ローカライゼーションモデルとUJIに基づく実験によって実証される。
  論文  参考訳（メタデータ） (2022-02-04T05:15:52Z)
• Kimera-Multi: Robust, Distributed, Dense Metric-Semantic SLAM for Multi-Robot Systems [92.26462290867963]
  Kimera-Multiは、最初のマルチロボットシステムであり、不正なインターループとイントラロボットループの閉鎖を識別し拒否することができる。 我々は、フォトリアリスティックシミュレーション、SLAMベンチマークデータセット、地上ロボットを用いて収集された屋外データセットの挑戦において、Kimera-Multiを実証した。
  論文  参考訳（メタデータ） (2021-06-28T03:56:40Z)
• Localising Faster: Efficient and precise lidar-based robot localisation in large-scale environments [27.53080210457653]
  本稿では,大規模環境における移動ロボットのグローバルなローカライズのための新しいアプローチを提案する。 本手法は,学習に基づくローカライゼーションとフィルタリングに基づくローカライゼーションを活用し,ロボットのローカライズを効率的かつ正確に行う。 提案手法は,約0.5km2の大規模環境下で,平均1.94秒(0.8秒)で精度0.75mの精度でロボットをローカライズできることを示す。
  論文  参考訳（メタデータ） (2020-03-04T03:39:37Z)

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。