論文の概要: Tracking daily paths in home contexts with RSSI fingerprinting based on UWB through deep learning models

• arxiv url: http://arxiv.org/abs/2509.06161v1
• Date: Sun, 07 Sep 2025 18:08:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.881245
• Title: Tracking daily paths in home contexts with RSSI fingerprinting based on UWB through deep learning models
• Title（参考訳）: 深層学習モデルによるUWBに基づくRSSIフィンガープリントによる家庭環境の日々の経路追跡
• Authors: Aurora Polo-Rodríguez, Juan Carlos Valera, Jesús Peral, David Gil, Javier Medina-Quero,
• Abstract要約: 本研究では, 深層学習モデルを用いて, 超広帯域(UWB)技術を用いた住宅環境における居住経路の追跡について検討した。 本研究では,受信信号強度指標(RSSI)を用いた指紋認証方式を提案する。 畳み込みニューラルネットワーク(CNN)、長寿命メモリ(LSTM)、ハイブリッドCNN+LSTMモデルの性能およびBluetooth技術の利用を比較した。
• 参考スコア（独自算出の注目度）: 3.066496319646445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The field of human activity recognition has evolved significantly, driven largely by advancements in Internet of Things (IoT) device technology, particularly in personal devices. This study investigates the use of ultra-wideband (UWB) technology for tracking inhabitant paths in home environments using deep learning models. UWB technology estimates user locations via time-of-flight and time-difference-of-arrival methods, which are significantly affected by the presence of walls and obstacles in real environments, reducing their precision. To address these challenges, we propose a fingerprinting-based approach utilizing received signal strength indicator (RSSI) data collected from inhabitants in two flats (60 m2 and 100 m2) while performing daily activities. We compare the performance of convolutional neural network (CNN), long short-term memory (LSTM), and hybrid CNN+LSTM models, as well as the use of Bluetooth technology. Additionally, we evaluate the impact of the type and duration of the temporal window (future, past, or a combination of both). Our results demonstrate a mean absolute error close to 50 cm, highlighting the superiority of the hybrid model in providing accurate location estimates, thus facilitating its application in daily human activity recognition in residential settings.
• Abstract（参考訳）: 人間の活動認識の分野は、主にIoT(Internet of Things)デバイス技術の進歩、特にパーソナルデバイスによって大きく発展してきた。 本研究では, 深層学習モデルを用いて, 超広帯域(UWB)技術を用いた住宅環境における居住経路の追跡について検討した。 UWB技術は、実際の環境における壁や障害物の存在に大きく影響され、その精度が低下する、飛行時間と飛行時間差によるユーザ位置を推定する。 これらの課題に対処するために, 日常活動中に2つのフラット(60m2, 100m2)で収集した受信信号強度指標(RSSI)データを利用した指紋認証方式を提案する。 畳み込みニューラルネットワーク(CNN)、長寿命メモリ(LSTM)、ハイブリッドCNN+LSTMモデルの性能およびBluetooth技術の利用を比較した。 さらに、時間的ウィンドウ(未来、過去、またはその両方の組み合わせ)のタイプと持続時間の影響を評価した。 その結果,50cmに近い平均絶対誤差が示され,正確な位置推定を行う上で,ハイブリッドモデルが優れていることが示され,住宅環境における日々の行動認識への活用が促進された。

関連論文リスト

• Localization of Impacts on Thin-Walled Structures by Recurrent Neural Networks: End-to-end Learning from Real-World Data [45.9982965995401]
  薄肉構造への影響は、圧電センサで測定できるラム波を励起する。 逐次センサデータから直接、衝撃位置をエンドツーエンドに推定するために、リカレントニューラルネットワーク(RNN)を提案する。 その結果,比較的小さなデータセットであっても,衝撃位置の推定精度は著しく向上した。
  論文  参考訳（メタデータ） (2025-05-13T09:08:47Z)
• Exploring FMCW Radars and Feature Maps for Activity Recognition: A Benchmark Study [2.251010251400407]
  本研究では、人間の活動認識のための周波数変調連続波レーダに基づくフレームワークを提案する。 特徴写像を画像として処理する従来の手法とは異なり、本研究では多次元特徴写像をデータベクトルとして与える。 ConvLSTMモデルは従来の機械学習およびディープラーニングモデルよりも優れ、精度は90.51%に達した。
  論文  参考訳（メタデータ） (2025-03-07T17:53:29Z)
• PSDNorm: Test-Time Temporal Normalization for Deep Learning in Sleep Staging [63.05435596565677]
  我々は,モンジュマッピングと時間文脈を利用したPSDNormを提案し,信号の深層学習モデルにおける特徴写像の正規化を行う。 PSDNormは、BatchNormよりも4倍のデータ効率が高く、目に見えない左のデータセットで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-06T16:20:25Z)
• Hybrid CNN-LSTM based Indoor Pedestrian Localization with CSI Fingerprint Maps [0.0]
  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。
  論文  参考訳（メタデータ） (2024-12-18T08:31:34Z)
• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• TimeSense: Multi-Person Device-free Indoor Localization via RTT [1.7667202894248826]
  TimeSense(タイムセンス)はIEEE 802.11-2016標準に基づくデバイスフリーの屋内ローカライズシステムである。 TimeSenseは1.57mと2.65mの中央値のローカライゼーション精度を達成している。 これは2つのテストベッドで、最先端のテクニックのパフォーマンスを49%、そして103%上回る。
  論文  参考訳（メタデータ） (2024-08-17T13:12:33Z)
• Hybrid Transformer-RNN Architecture for Household Occupancy Detection Using Low-Resolution Smart Meter Data [8.486902848941872]
  エネルギーシステムのデジタル化は、非侵襲的な方法で占有検知に使用できるスマートメーターデータを提供する。 ディープラーニング技術により、低解像度のスマートメーターデータから占有率を推定できる。 本研究は, 住宅の占有状況を検出するための, プライバシ意識と効果的なモデルを開発することを目的としている。
  論文  参考訳（メタデータ） (2023-08-27T14:13:29Z)
• Contactless Human Activity Recognition using Deep Learning with Flexible and Scalable Software Define Radio [1.3106429146573144]
  本研究では,環境センシングの新たな手法として,Wi-Fiチャネル状態情報(CSI)の利用について検討する。 これらの方法は、プライバシーを侵害する視覚ベースのシステムに必要な追加のハードウェアを避ける。 本研究では,Wi-Fi CSIベースのHARシステムを提案する。
  論文  参考訳（メタデータ） (2023-04-18T10:20:14Z)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• 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)
• Temporal Pulses Driven Spiking Neural Network for Fast Object Recognition in Autonomous Driving [65.36115045035903]
  スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。 各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
  論文  参考訳（メタデータ） (2020-01-24T22:58:55Z)

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。