論文の概要: Interpretable Physics Informed WiFi Indoor Localization: Learning an Effective Access Point Geometry and Using It to Prune

• arxiv url: http://arxiv.org/abs/2609.32539v1
• Date: Sat, 26 Sep 2026 12:19:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 06:45:01.097319
• Title: Interpretable Physics Informed WiFi Indoor Localization: Learning an Effective Access Point Geometry and Using It to Prune
• Title（参考訳）: 解釈可能な物理情報を用いたWiFi屋内位置推定:効果的なアクセスポイント形状の学習とプルーンの活用
• Abstract要約: WiFi指紋を用いた屋内位置推定のための階層型ディープラーニングフレームワークを提案する。 ユーザの位置を共同で予測し、周辺アクセスポイント(AP)の有効形状を学習する。 提案手法は平均3次元局所化誤差7.07mを実現し,ベースラインモデルと比較して誤差を26%から36%削減する。
• 参考スコア（独自算出の注目度）: 1.809722301908016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models can achieve high accuracy for indoor localization, but their black-box nature limits interpretability and the reuse of learned information. We propose a hierarchical deep learning framework for WiFi fingerprint-based indoor localization that jointly predicts user location and learns an effective geometry of the surrounding access points (APs). Physics-informed decoders infer this geometry directly from RSSI measurements and labelled user positions, without requiring the true AP coordinates during training. The learned geometry is then used to rank and prune APs. On the UJIIndoorLoc dataset, the proposed chained model achieves a mean 3D localization error of 7.07 m, reducing error by 26% to 36% compared with baseline models. Previously published methods evaluated on the same official split report errors 10.6% to 31.0% higher. Pruning 35% or 50% of the APs causes only a small loss in localization accuracy. The inferred geometry also enables Fisher-information-based AP ranking even when fingerprint databases do not contain surveyed AP coordinates. Experiments on the Tampere/TUT and UTSIndoorLoc datasets show that geometry-guided AP selection performs comparably to selectors built directly from labelled data. These results show that physics-informed interpretability can improve indoor localization while also supporting effective feature selection.
• Abstract（参考訳）: 深層学習モデルは屋内のローカライゼーションに高い精度を達成することができるが、ブラックボックスの性質は解釈可能性や学習情報の再利用を制限している。 本研究では,WiFi指紋を用いた屋内位置推定のための階層的深層学習フレームワークを提案し,ユーザの位置を共同で予測し,周辺アクセスポイント(AP)の効果的な形状を学習する。 物理インフォームドデコーダは、トレーニング中に真のAP座標を必要とせず、RSSI測定から直接この幾何学を推測し、ユーザ位置をラベル付けする。 学習された幾何学は、APのランク付けとプーンに使用される。 UJIIndoorLocデータセットでは、提案した連鎖モデルにより平均3次元局所化誤差7.07mを実現し、ベースラインモデルと比較して誤差を26%から36%削減する。 以前は、同じ公式な分割レポートで評価されたメソッドが10.6%から31.0%高い。 APの35%または50%のプルーニングは、ローカライゼーションの精度をわずかに損なうだけである。 推定幾何は、指紋データベースが調査されたAP座標を含まない場合でも、フィッシャー情報に基づくAPランキングを可能にする。 Tampere/TUTおよびUTSIndoorLocデータセットの実験では、ラベル付きデータから直接構築されたセレクタに対して、幾何誘導AP選択が相容れないことが示されている。 これらの結果から,物理インフォームド・インフォームド・インタプリタビリティは,効果的な特徴選択をサポートしながら,屋内での局所化を向上できることが示された。

関連論文リスト

• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• LEADER: Learning Reliable Local-to-Global Correspondences for LiDAR Relocalization [44.37632368250295]
  我々は,単純かつ効果的な幾何エンコーダによって強化されたロバストなLiDARベースの再ローカライズフレームワークであるLEADERを提案する。 オックスフォード・ロボットカーとNCLTデータセットの実験は、LEADERが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2026-04-13T11:52:29Z)
• Improved Indoor Localization with Machine Learning Techniques for IoT applications [0.0]
  本研究では, 教師付き回帰器, 教師付き分類器, RSSIを用いた屋内位置推定のためのアンサンブル手法の3段階に機械学習アルゴリズムを適用した。 実験の結果は、屋内環境におけるローカライズ精度とロバスト性の観点から、異なる教師付き機械学習技術の有効性に関する洞察を与える。
  論文  参考訳（メタデータ） (2024-02-18T02:55:19Z)
• Simple and Effective Augmentation Methods for CSI Based Indoor Localization [37.3026733673066]
  物理的考察により,チャネル状態情報に基づく屋内位置推定のための2つのアルゴリズムを提案する。 オリジナルのデータセットのサイズの10%は、オリジナルのデータセットと同じパフォーマンスを得るのに十分です。 提案手法によりさらにデータセットを増大させると、テスト精度は3倍以上に向上する。
  論文  参考訳（メタデータ） (2022-11-19T20:27:46Z)
• Domain Adversarial Graph Convolutional Network Based on RSSI and Crowdsensing for Indoor Localization [8.406788215294483]
  少数のラベル付きサイトサーベイデータと大量のラベル付きクラウドセンシングWiFi指紋を用いてトレーニングできる新しいWiDAGCNモデルを提案する。 本システムは、複数の建物を含む公共の屋内ローカライゼーションデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2022-04-06T08:06:27Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)
• Neural-Pull: Learning Signed Distance Functions from Point Clouds by Learning to Pull Space onto Surfaces [68.12457459590921]
  3次元点雲から連続曲面を再構成することは、3次元幾何処理の基本的な操作である。 textitNeural-Pullは、シンプルで高品質なSDFを実現する新しいアプローチです。
  論文  参考訳（メタデータ） (2020-11-26T23:18:10Z)
• Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
  慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。 正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。 我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
  論文  参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。