論文の概要: EKF-Based Fusion of Wi-Fi/LiDAR/IMU for Indoor Localization and Navigation

• arxiv url: http://arxiv.org/abs/2509.23118v1
• Date: Sat, 27 Sep 2025 04:59:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.050671
• Title: EKF-Based Fusion of Wi-Fi/LiDAR/IMU for Indoor Localization and Navigation
• Title（参考訳）: EKFによるWi-Fi/LiDAR/IMU融合による屋内位置推定とナビゲーション
• Authors: Zeyi Li, Zhe Tang, Kyeong Soo Kim, Sihao Li, Jeremy S. Smith,
• Abstract要約: そこで我々は,Wi-Fi RSSI フィンガープリント,LiDAR を用いた同時ローカライゼーションとマッピング(SLAM),慣性計測ユニット(IMU)ナビゲーションを統合した新しいフレームワークを提案する。 具体的には、ディープニューラルネットワーク(DNN)ベースのWi-Fi RSSIフィンガープリントによる粗い局所化をIMUベースの動的位置決めによって改善する。 Xi'an Jiaotong-Liverpool大学のIRビルで実施された実験により,提案したマルチセンサ融合フレームワークが個々のアプローチによる不安定性を抑制することが実証された。
• 参考スコア（独自算出の注目度）: 5.929905868511846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional Wi-Fi received signal strength indicator (RSSI) fingerprinting cannot meet the growing demand for accurate indoor localization and navigation due to its lower accuracy, while solutions based on light detection and ranging (LiDAR) can provide better localization performance but is limited by their higher deployment cost and complexity. To address these issues, we propose a novel indoor localization and navigation framework integrating Wi-Fi RSSI fingerprinting, LiDAR-based simultaneous localization and mapping (SLAM), and inertial measurement unit (IMU) navigation based on an extended Kalman filter (EKF). Specifically, coarse localization by deep neural network (DNN)-based Wi-Fi RSSI fingerprinting is refined by IMU-based dynamic positioning using a Gmapping-based SLAM to generate an occupancy grid map and output high-frequency attitude estimates, which is followed by EKF prediction-update integrating sensor information while effectively suppressing Wi-Fi-induced noise and IMU drift errors. Multi-group real-world experiments conducted on the IR building at Xi'an Jiaotong-Liverpool University demonstrates that the proposed multi-sensor fusion framework suppresses the instability caused by individual approaches and thereby provides stable accuracy across all path configurations with mean two-dimensional (2D) errors ranging from 0.2449 m to 0.3781 m. In contrast, the mean 2D errors of Wi-Fi RSSI fingerprinting reach up to 1.3404 m in areas with severe signal interference, and those of LiDAR/IMU localization are between 0.6233 m and 2.8803 m due to cumulative drift.
• Abstract（参考訳）: 従来の Wi-Fi 受信信号強度指標 (RSSI) 指紋認証は, 精度が低いため, 正確な屋内位置定位とナビゲーションの需要が増大するのに対して, 光検出・測位 (LiDAR) に基づくソリューションでは, 位置定位性能が向上するが, 展開コストと複雑さの増大により制限される。 これらの問題に対処するために,Wi-Fi RSSIフィンガープリント,LiDARに基づく同時位置決めマッピング(SLAM),拡張Kalmanフィルタ(EKF)に基づく慣性計測ユニット(IMU)ナビゲーションを統合した新しい屋内位置決め・ナビゲーションフレームワークを提案する。 具体的には、ディープニューラルネットワーク(DNN)ベースのWi-Fi RSSIフィンガープリントによる粗いローカライゼーションを、GmappingベースのSLAMを用いたIMUベースの動的位置決めにより改善し、占有グリッドマップを生成し、高周波姿勢推定を出力し、続いてEKF予測更新によるセンサ情報の統合と、Wi-Fi誘発ノイズとIMUドリフトエラーの効果的抑制を行う。 Xi'an Jiaotong-Liverpool大学のIRビルで実施されたマルチグループ実世界実験は、提案したマルチセンサー融合フレームワークが個々のアプローチによる不安定性を抑え、平均2次元(2D)誤差が0.2449mから0.3781mの範囲で全ての経路構成に対して安定した精度を提供することを示した。 対照的に、Wi-Fi RSSIフィンガープリントの平均2D誤差は信号干渉の激しい領域で1.3404mに達し、LiDAR/IMUローカライゼーションの誤差は累積ドリフトによる0.6233mから2.8803mである。

関連論文リスト

• UAV Individual Identification via Distilled RF Fingerprints-Based LLM in ISAC Networks [60.16924915676577]
  無人航空機(UAV)個人識別は、低高度統合センシング通信(ISAC)ネットワークにおける重要なセキュリティ監視戦略である。 UAVID識別のための新しい動的知識蒸留(KD)対応無線周波数指紋大言語モデル(RFF-LLM)を提案する。 実験結果から,提案フレームワークは,0.15万のパラメータと2.74ミリ秒の応答時間で,98.38%のID識別精度を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-08-18T03:14:44Z)
• GATE: Graph Attention Neural Networks with Real-Time Edge Construction for Robust Indoor Localization using Mobile Embedded Devices [3.3379026542599934]
  本稿では,屋内状態空間のトポロジを保存しつつ,指紋ベクトルの適応グラフ表現を構築する新しいフレームワークであるGATEについて述べる。 Gateは、最先端の屋内ローカライゼーションフレームワークと比較して平均ローカライゼーションエラーが1.6倍から4.72倍、最悪のケースエラーが1.85倍から4.57倍となる。
  論文  参考訳（メタデータ） (2025-07-15T07:37:33Z)
• EnviKal-Loc: Sub-10m Indoor LoRaWAN Localization using an Environmental-Aware Path Loss and Adaptive RSSI Smoothing [6.8093214146903875]
  本稿では,LoRaWANのローカライゼーションにおいて,10m未満の精度を実現するための軽量だがロバストな手法を提案する。 我々の手法は、重要なLoRaWANパラメータを持つ従来のモデルを拡張します。 適応カルマンフィルタはRSSI変動を低減し、一時的なノイズから永続的なトレンドを分離する。
  論文  参考訳（メタデータ） (2025-05-02T11:00:40Z)
• 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)
• SENTINEL: Securing Indoor Localization against Adversarial Attacks with Capsule Neural Networks [2.7186493234782527]
  SENTINELは、屋内のローカライゼーションソリューションの敵攻撃に対するレジリエンスを高めるための、新しい組込み機械学習フレームワークである。 RSSRogueLocも導入しています。これは実世界の屋内環境からローグAPの効果を計測するデータセットです。
  論文  参考訳（メタデータ） (2024-07-14T21:40:12Z)
• A New Paradigm for Device-free Indoor Localization: Deep Learning with Error Vector Spectrum in Wi-Fi Systems [7.010598383249521]
  本稿では,デバイスレス屋内ローカライゼーションのための新しい誤りベクトル支援学習手法を提案する。 提案手法はディープニューラルネットワークを用いて屋内環境における人物の位置を分類する。 実験の結果,提案手法は従来の機械学習手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T04:33:37Z)
• Digital Over-the-Air Federated Learning in Multi-Antenna Systems [30.137208705209627]
  デジタル変調とオーバー・ザ・エア計算(AirComp)を用いた現実的な無線通信システム上でのフェデレーション学習(FL)の性能最適化について検討する。 本稿では,デジタル変調とAirCompを組み合わせたFedAvg(FedAvg)アルゴリズムを提案する。 人工ニューラルネットワーク(ANN)は、すべてのデバイスの局所FLモデルを推定し、将来のモデル伝送のためにPSのビーム形成行列を調整するために使用される。
  論文  参考訳（メタデータ） (2023-02-04T07:26:06Z)
• Indoor Smartphone SLAM with Learned Echoic Location Features [47.264724701407545]
  スマートフォン内蔵オーディオハードウェアと慣性計測ユニット(IMU)を用いた屋内同時位置決めマッピング(SLAM)システムを提案する。 我々のシステムは、スマートフォンのスピーカーを使って、ほぼ可聴のチャープを出力し、マイクを使って室内環境から音響エコーを記録する。 ELFベースのSLAMは、リビングルーム、オフィス、ショッピングモールの再建軌道上で、0.1,textm$、0.53,textm$および0.5,textm$の平均的なローカライゼーション誤差を達成します。
  論文  参考訳（メタデータ） (2022-10-16T09:41:09Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• TLIO: Tight Learned Inertial Odometry [43.17991168599939]
  IMUのみの状態推定のための密結合拡張カルマンフィルタフレームワークを提案する。 ヘッドセットからの歩行者データでトレーニングされた我々のネットワークは、統計的に一貫した測定と不確実性を生み出すことができる。
  論文  参考訳（メタデータ） (2020-07-06T03:13:34Z)
• 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)

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。