論文の概要: Zero-Shot Cellular Trajectory Map Matching

• arxiv url: http://arxiv.org/abs/2508.06674v1
• Date: Fri, 08 Aug 2025 19:47:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.505445
• Title: Zero-Shot Cellular Trajectory Map Matching
• Title（参考訳）: ゼロショットセル軌道地図マッチング
• Authors: Weijie Shi, Yue Cui, Hao Chen, Jiaming Li, Mengze Li, Jia Zhu, Jiajie Xu, Xiaofang Zhou,
• Abstract要約: ゼロショットCTMMのための画素ベーストラジェクトリキャリブレーションアシスタントを提案する。 ゼロショットCTMMの既存手法を16.8%向上させる。
• 参考スコア（独自算出の注目度）: 16.536993636893804
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Cellular Trajectory Map-Matching (CTMM) aims to align cellular location sequences to road networks, which is a necessary preprocessing in location-based services on web platforms like Google Maps, including navigation and route optimization. Current approaches mainly rely on ID-based features and region-specific data to learn correlations between cell towers and roads, limiting their adaptability to unexplored areas. To enable high-accuracy CTMM without additional training in target regions, Zero-shot CTMM requires to extract not only region-adaptive features, but also sequential and location uncertainty to alleviate positioning errors in cellular data. In this paper, we propose a pixel-based trajectory calibration assistant for zero-shot CTMM, which takes advantage of transferable geospatial knowledge to calibrate pixelated trajectory, and then guide the path-finding process at the road network level. To enhance knowledge sharing across similar regions, a Gaussian mixture model is incorporated into VAE, enabling the identification of scenario-adaptive experts through soft clustering. To mitigate high positioning errors, a spatial-temporal awareness module is designed to capture sequential features and location uncertainty, thereby facilitating the inference of approximate user positions. Finally, a constrained path-finding algorithm is employed to reconstruct the road ID sequence, ensuring topological validity within the road network. This process is guided by the calibrated trajectory while optimizing for the shortest feasible path, thus minimizing unnecessary detours. Extensive experiments demonstrate that our model outperforms existing methods in zero-shot CTMM by 16.8\%.
• Abstract（参考訳）: Cellular Trajectory Map-Matching (CTMM) は、ナビゲーションやルート最適化を含む、Google MapsのようなWebプラットフォーム上の位置情報ベースのサービスで必要な前処理であるロードネットワークに、セル位置シーケンスを合わせることを目的としている。 現在のアプローチは主に、セルタワーと道路の間の相関を学習するために、IDベースの特徴と地域固有のデータに依存しており、探索されていない領域への適応性を制限する。 Zero-shot CTMMは、標的領域で追加の訓練を加えることなく高精度CTMMを実現するために、地域適応的な特徴だけでなく、細胞データの位置決め誤差を軽減するためのシーケンシャルおよび位置の不確実性も抽出する必要がある。 本稿では,ゼロショットCTMMのための画素ベーストラジェクトリキャリブレーションアシスタントを提案する。これは移動可能な地理空間知識を利用して,画素軌道のキャリブレーションを行い,路面網レベルでのパスフィリングプロセスを導出する。 類似領域間の知識共有を強化するため、ガウス混合モデルをVAEに組み込んで、ソフトクラスタリングによるシナリオ適応の専門家の識別を可能にする。 高位置ずれを軽減するため、空間時間認識モジュールは、シーケンシャルな特徴や位置不確かさを捕捉し、近似したユーザ位置の推測を容易にするように設計されている。 最後に、制約付きパスフィニングアルゴリズムを用いて道路IDシーケンスを再構築し、道路ネットワーク内のトポロジ的妥当性を確保する。 このプロセスはキャリブレーションされた軌道でガイドされ、最短の経路を最適化し、不要な経路を最小化する。 実験により, ゼロショットCTMMの既存手法よりも16.8倍高い性能を示した。

関連論文リスト

• InterLoc: LiDAR-based Intersection Localization using Road Segmentation with Automated Evaluation Method [10.561470037080177]
  オンライン車両中心の交差点位置決めのための新しいLiDAR方式を提案する。 我々は,鳥の視線(BEV)表現における交叉候補を,意味的道路スキャンを連結して検出する。 セマンティックKITTITIデータセットの実験から,本手法は最新の学習ベースラインよりも精度と信頼性が優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-01T13:30:28Z)
• FRAME: A Modular Framework for Autonomous Map Merging: Advancements in the Field [12.247977717070773]
  本稿では,エゴセントリックなマルチロボット探査における3次元点雲マップの融合について述べる。 提案手法は、最先端の場所認識と学習記述子を利用して、地図間の重複を効率的に検出する。 提案手法の有効性は,ロボット探査の複数のフィールドミッションを通じて実証された。
  論文  参考訳（メタデータ） (2024-04-27T20:54:15Z)
• Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
  本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。 鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。 標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
  論文  参考訳（メタデータ） (2022-04-10T19:16:58Z)
• 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)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• 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)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)

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。