論文の概要: Neural Augmented Kalman Filters for Road Network assisted GNSS positioning

• arxiv url: http://arxiv.org/abs/2507.00654v1
• Date: Tue, 01 Jul 2025 10:52:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.584069
• Title: Neural Augmented Kalman Filters for Road Network assisted GNSS positioning
• Title（参考訳）: 道路ネットワーク支援GNSS位置決めのためのニューラル拡張カルマンフィルタ
• Authors: Hans van Gorp, Davide Belli, Amir Jalalirad, Bence Major,
• Abstract要約: 道路ネットワークデータを用いて、これらのエラーの影響を低減し、位置決めシステムの精度を高めることができる。 道路ネットワーク情報をKFに統合するための時間グラフネットワーク(TGNN)のトレーニングを提案する。 TGNNは、KFの測定更新ステップで使用する正しい道路セグメントとその関連する不確実性を予測するように設計されている。
• 参考スコア（独自算出の注目度）: 1.1749564892273832
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Global Navigation Satellite System (GNSS) provides critical positioning information globally, but its accuracy in dense urban environments is often compromised by multipath and non-line-of-sight errors. Road network data can be used to reduce the impact of these errors and enhance the accuracy of a positioning system. Previous works employing road network data are either limited to offline applications, or rely on Kalman Filter (KF) heuristics with little flexibility and robustness. We instead propose training a Temporal Graph Neural Network (TGNN) to integrate road network information into a KF. The TGNN is designed to predict the correct road segment and its associated uncertainty to be used in the measurement update step of the KF. We validate our approach with real-world GNSS data and open-source road networks, observing a 29% decrease in positioning error for challenging scenarios compared to a GNSS-only KF. To the best of our knowledge, ours is the first deep learning-based approach jointly employing road network data and GNSS measurements to determine the user position on Earth.
• Abstract（参考訳）: グローバル・ナビゲーション・サテライト・システム(GNSS)は、世界中の重要な位置情報を提供するが、密集した都市環境における精度は、しばしば多経路および非視線誤差によって損なわれる。 道路ネットワークデータを用いて、これらのエラーの影響を低減し、位置決めシステムの精度を高めることができる。 ロードネットワークデータを利用する以前の作業は、オフラインアプリケーションに限られるか、柔軟性と堅牢性に乏しいKalman Filter(KF)ヒューリスティックに依存している。 代わりに、道路ネットワーク情報をKFに統合するための時間グラフニューラルネットワーク(TGNN)のトレーニングを提案する。 TGNNは、KFの測定更新ステップで使用する正しい道路セグメントとその関連する不確実性を予測するように設計されている。 提案手法を実世界のGNSSデータとオープンソースの道路ネットワークで検証し,GNSSのみのKFと比較して,難解なシナリオに対する位置決め誤差が29%減少するのを観察した。 私たちの知識を最大限に活用するために、道路ネットワークデータとGNSS測定を併用して地球上のユーザ位置を判定する、初めてのディープラーニングベースのアプローチが、私たちの知るところにある。

関連論文リスト

• PC-DeepNet: A GNSS Positioning Error Minimization Framework Using Permutation-Invariant Deep Neural Network [4.487896589391378]
  非線形(NLOS)伝搬、マルチパス効果、低受信電力レベルは、高非線形および非ガウス測定誤差分布をもたらす。 これらの課題を克服するために、我々は、置換不変(PI)ディープニューラルネットワーク(DNN)を用いて位置補正を推定する、新しい学習ベースのフレームワークであるPC-DeepNet(PC-DeepNet)を考案した。
  論文  参考訳（メタデータ） (2025-04-18T14:18:02Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks Relying on Real Flight Data: From Single-Objective to Near-Pareto Multi-Objective Optimization [79.96177511319713]
  航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。 フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。 DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
  論文  参考訳（メタデータ） (2021-10-28T14:18:22Z)
• Automatic Extraction of Road Networks from Satellite Images by using Adaptive Structural Deep Belief Network [0.0]
  本研究では,ロードトラッカーと呼ばれる道路網の自動認識手法に適用する。 RoadTracerは航空写真データから地上の道路地図を生成することができる。 精度と計算時間を改善するため,我々のAdaptive DBNはCNNの代わりにRoadTracer上に実装された。
  論文  参考訳（メタデータ） (2021-10-25T07:06:10Z)
• Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
  我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。 d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。 トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
  論文  参考訳（メタデータ） (2021-08-20T11:53:05Z)
• Road Accident Proneness Indicator Based On Time, Weather And Location Specificity Using Graph Neural Networks [0.0]
  道路沿いの時間、天気、位置の特異性に基づいて合計14の特徴がまとめられた。 事故警報の場所を用いて、特定の道路が事故を起こしやすいかを定量化する安全指標が開発された。 グラフニューラルネットワークアーキテクチャを用いて,そのTWL特異性に基づいて道路の安全指数を予測する新しい手法を実装した。
  論文  参考訳（メタデータ） (2020-10-24T18:45:15Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)
• Centimeter-Level Indoor Localization using Channel State Information with Recurrent Neural Networks [12.193558591962754]
  本稿では,線形アンテナから収集した実CSIデータを用いて,センチメートルレベルの屋内位置推定を行うニューラルネットワーク手法を提案する。 チャネル応答の振幅または相関行列を入力として使用することにより、データサイズを大幅に削減し、ノイズを抑制することができる。 また、リカレントニューラルネットワーク(RNN)と信号雑音比(SNR)情報によるユーザ動作軌跡の整合性を利用して、推定精度をさらに向上する。
  論文  参考訳（メタデータ） (2020-02-04T17:10:18Z)

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。