論文の概要: PDRNN: Modular Data-driven Pedestrian Dead Reckoning on Loosely Coupled Radio- and Inertial-Signalstreams

• arxiv url: http://arxiv.org/abs/2605.15252v1
• Date: Thu, 14 May 2026 16:35:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.036482
• Title: PDRNN: Modular Data-driven Pedestrian Dead Reckoning on Loosely Coupled Radio- and Inertial-Signalstreams
• Title（参考訳）: PDRNN: 疎結合の無線および慣性信号ストリーム上でのモジュラーデータ駆動型歩行者デッドレコニング
• Authors: Peter Bauer, Andreas Porada, Felix Ott, Christopher Mutschler, Tobias Feigl,
• Abstract要約: センサデータストリームを暗黙的に予測できるシンプルなリカレントニューラルネットワーク(RNN)アーキテクチャを提案する。 提案手法では,各コンポーネントを機械学習(ML)モデルの独立したアンサンブルとして扱うモジュール型ハイブリッドAI支援PDRシステムであるPDRNNを導入する。 動的スポーツ運動データを用いた実験により,PDRNNは従来のML法やML法に比べて精度と精度が優れていることが示された。
• 参考スコア（独自算出の注目度）: 2.4897806364302633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern pedestrian dead reckoning (PDR) systems rely on fusing noisy and biased estimates of position, velocity, and calibrated orientation derived from loosely coupled sensors to determine the current pose of a localized object. However, discrepancies in the sampling rates of sensor-specific estimation methods and unreliable transmission pose significant challenges. And traditional methods often fail to effectively fuse multimodal sensor data during dynamic movements characterized by high accelerations, velocities, and rapidly varying orientations. To address these limitations, we propose a simple recurrent neural network (RNN) architecture capable of implicitly forecasting asynchronous sensor data streams from diverse estimation methods along reference trajectories. The proposed approach introduces PDRNN, a modular hybrid AI-assisted PDR system that handles each component as an independent ensemble of machine learning (ML) models to estimate both key parameter means and variances. Separate ML-based models are employed to estimate orientation, (un)directed velocity or distance from acceleration and gyroscope data, with optional absolute positioning from synchronized radio systems such as 5G for stabilization. A final fusion model combines these outputs, position, velocity, and orientation, while using uncertainty estimates to enhance system robustness. The modular design allows individual components to be updated, fine-tuned, or replaced without affecting the entire system. Experiments on dynamic sports movement data show that PDRNN achieves superior accuracy and precision compared to classic and ML-based methods, effectively avoiding error accumulation common in black-box approaches. And PDRNN offers forecast capabilities and better component control despite increased system complexity.
• Abstract（参考訳）: 現代の歩行者死亡推定システム(PDR)は、局所化された物体の現在の姿勢を決定するために、ゆるく結合されたセンサーから得られる位置、速度、キャリブレーションされた方向のノイズや偏りの推定に依存する。 しかし,センサ固有の推定手法と信頼性の低い送信方式のサンプリング率の相違は重要な課題である。 従来の手法では、加速度、速度、そして急速に変化する方向が特徴の動的動きにおいて、マルチモーダルセンサデータを効果的に融合することができないことが多い。 これらの制約に対処するために、様々な推定手法から参照軌道に沿って非同期センサデータストリームを暗黙的に予測できるシンプルなリカレントニューラルネットワーク(RNN)アーキテクチャを提案する。 提案手法では、各コンポーネントを機械学習(ML)モデルの独立したアンサンブルとして扱い、キーパラメータ平均と分散の両方を推定する、モジュール型ハイブリッドAI支援PDRシステムであるPDRNNを導入する。 MLに基づく別モデルを用いて、加速度とジャイロスコープデータからの方向、(未)方向の速度、距離を推定し、安定化のために5Gのような同期無線システムから任意の絶対位置を推定する。 最終融合モデルでは、これらの出力、位置、速度、方向を組み合わせ、不確実性推定を用いてシステムの堅牢性を高める。 モジュール設計により、システム全体に影響を与えることなく、個々のコンポーネントを更新、微調整、あるいは置き換えることができる。 動的スポーツ運動データを用いた実験により,PDRNNは従来のML法やML法に比べて精度と精度が良く,ブラックボックス法に共通する誤りの蓄積を効果的に回避できることが示された。 PDRNNは、システムの複雑さが増すにもかかわらず、予測機能とより良いコンポーネント制御を提供する。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Intelligent Control of Differential Drive Robots Subject to Unmodeled Dynamics with EKF-based State Estimation [28.37226750522601]
  この研究は、リアプノフに基づく非線形コントローラと適応ネットワーク(ANN)を組み合わせた統一制御と状態推定フレームワークを導入する。 提案した制御器はニューラルネットワークの普遍近似特性を利用して未知の非線形性をリアルタイムでモデル化する。 堅牢な状態推定を保証するため、EKFは単分子、2D-LiDARおよびホイールエンコーダから慣性測定ユニット(IMU)とオドメトリーを融合させる。
  論文  参考訳（メタデータ） (2026-03-16T07:44:28Z)
• Differentiable Modeling for Low-Inertia Grids: Benchmarking PINNs, NODEs, and DP for Identification and Control of SMIB System [17.96236104895915]
  本稿では、電力系統力学のモデリング、識別、制御のための異なる微分可能プログラミングパラダイムの比較研究を行う。 軌道外挿,パラメータ推定,線形擬似レギュレータ(LQR)合成における性能評価を行った。 我々の結果は、データ駆動の柔軟性と物理的構造との根本的なトレードオフを強調します。
  論文  参考訳（メタデータ） (2026-02-10T11:22:59Z)
• Diffuse to Detect: A Generalizable Framework for Anomaly Detection with Diffusion Models Applications to UAVs and Beyond [2.4449457537548036]
  UAVセンサーの読み取りなどの複雑な高次元データにおける異常検出は、運用上の安全性に不可欠である。 本稿では,拡散モデルを適用して異常検出を行うDiffuse to Detect(DTD)フレームワークを提案する。 DTDは1ステップの拡散プロセスを用いてノイズパターンを予測し、再構成エラーのない異常の迅速かつ正確な同定を可能にする。
  論文  参考訳（メタデータ） (2025-10-27T02:08:08Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• 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)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• datadriftR: An R Package for Concept Drift Detection in Predictive Models [0.0]
  本稿では,コンセプトドリフトを検出するためのRパッケージであるドリフト器を紹介する。 ドリフト検出とドリフトの背後にある原因の理解を深めることのできるプロファイルドリフト検出(PDD)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-15T20:59:49Z)
• Path-minimizing Latent ODEs for improved extrapolation and inference [0.0]
  潜在ODEモデルは動的システムの柔軟な記述を提供するが、外挿と複雑な非線形力学の予測に苦労することがある。 本稿では、時間に依存しない潜在表現を奨励することで、この二分法を利用する。 遅延空間における一般的な変分ペナルティを各システムのパス長の$ell$ペナルティに置き換えることで、モデルは異なる構成のシステムと容易に区別できるデータ表現を学ぶ。 これにより、GRU、RNN、LSTM/デコーダによるベースラインODEモデルと比較して、より高速なトレーニング、より小さなモデル、より正確で長時間の外挿が可能となる。
  論文  参考訳（メタデータ） (2024-10-11T15:50:01Z)

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。