論文の概要: CoWear: Towards Collaborative Wearable Inertial Localization with Multiple Smart Devices

• arxiv url: http://arxiv.org/abs/2610.20596v1
• Date: Wed, 14 Oct 2026 17:59:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.299434
• Title: CoWear: Towards Collaborative Wearable Inertial Localization with Multiple Smart Devices
• Title（参考訳）: CoWear: 複数のスマートデバイスによるコラボレーション可能なウェアラブル慣性ローカライゼーションを目指して
• Abstract要約: スマートフォン,スマートウォッチ,スマートグラスを用いた協調慣性ローカライゼーションのためのデータセットおよび参照フレームワークであるCoWearを提案する。 データセットには、30人以上の参加者、300以上のウォーキングセッション、30時間100kmのデバイストラジェクトリが含まれている。 異なる身体運動間での協調を可能にするため、我々は役割特異的な推定器を訓練し、同期時間窓上での共通参照装置の変位を予測する。 基準目標とする電話, 眼鏡, 時計を用いた実験では, 複数デバイス融合は個々のデバイス推定よりも, 変位と軌道のロールアウトの精度を一貫して改善することが示された。
• 参考スコア（独自算出の注目度）: 10.884968134889924
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Consumer smart devices observe the same human motion from different body locations, yet existing inertial-localization benchmarks rarely provide synchronized heterogeneous wearables with device-specific motion ground truth. We present CoWear, a dataset and reference framework for collaborative inertial localization using a smartphone, smartwatch, and smart glasses. The dataset contains over 30 participants, over 300 walking sessions, and more than 30 hours and 100 km of aggregate device trajectories, with each device individually tracked by motion capture. To enable collaboration across distinct body motions, we train role-specific estimators to predict the displacement of a common reference device over synchronized temporal windows. Their predictions are transformed to the world frame using gyroscope integration and fused according to learned uncertainty. Experiments using phone, glasses, and watch as reference targets show that multi-device fusion consistently improves both displacement and trajectory rollout accuracy over individual-device estimation. CoWear provides a dataset and reproducible baseline for studying collaborative inertial localization across heterogeneous consumer wearables.
• Abstract（参考訳）: 消費者のスマートデバイスは、異なる身体位置から同じ人間の動きを観察するが、既存の慣性局在ベンチマークでは、デバイス固有のモーショングラウンド真実と同期した異種ウェアラブルはめったに提供しない。 スマートフォン,スマートウォッチ,スマートグラスを用いた協調慣性ローカライゼーションのためのデータセットおよび参照フレームワークであるCoWearを提案する。 データセットには、30人以上の参加者、300以上のウォーキングセッション、30時間100kmのデバイストラジェクトリが含まれており、各デバイスはモーションキャプチャーによって個別に追跡されている。 本研究では,異なる身体動作間の協調を可能にするために,同期時間窓上での共通参照装置の変位を予測するために,役割特異的な推定器を訓練する。 これらの予測はジャイロスコープ統合を用いて世界フレームに変換され、学習された不確実性に応じて融合される。 基準目標とする電話, 眼鏡, 時計を用いた実験では, 複数デバイス融合は個々のデバイス推定よりも, 変位と軌道のロールアウトの精度を一貫して改善することが示された。 CoWearは、異種消費者ウェアラブル間の協調慣性ローカライゼーションを研究するためのデータセットと再現可能なベースラインを提供する。

関連論文リスト

• EgoExplorer: A Vision-Motion-Touch Observatory for Human Loco-Manipulation In Situ [67.89251850608498]
  EgoExplorerは、ウェアラブルシステムで構築された人間のロボ操作の100時間の視覚モーションタッチ観測所である。 プロの活動に重点を置いて、その連続的な録音は、エゴセントリックなビデオと、再構築された全身の動きとを一致させる。 我々は,このカバーをスパースボディセンシングで実現するために,Calibrate-Complete-Constrainパイプラインを開発した。
  論文  参考訳（メタデータ） (2026-10-13T17:59:55Z)
• 123D: Unifying Multi-Modal Autonomous Driving Data at Scale [58.4010470217018]
  このようなマルチモーダル駆動データを単一のAPIで統一するオープンソースフレームワークである123Dを提案する。 私たちは,3300時間90万kmにわたる8つの実世界の運転データセットと,収集スクリプトを備えた合成データセットを統合し,データ解析と可視化のためのツールを提供しています。
  論文  参考訳（メタデータ） (2026-05-08T17:59:53Z)
• Video Object Recognition in Mobile Edge Networks: Local Tracking or Edge Detection? [57.000348519630286]
  モバイルエッジコンピューティングの最近の進歩により、高精度ニューラルネットワークを備えたエッジサーバに集約的なオブジェクト検出をオフロードすることが可能になった。 このハイブリッドアプローチは有望なソリューションを提供するが、新たな課題として、エッジ検出とローカルトラッキングのタイミングを決定する。 局所的なトラッキングとエッジ検出を適応的に選択する深層強化学習に基づくアルゴリズムである単一デバイス環境での LTED-Ada を提案する。
  論文  参考訳（メタデータ） (2025-11-25T04:54:51Z)
• Group Inertial Poser: Multi-Person Pose and Global Translation from Sparse Inertial Sensors and Ultra-Wideband Ranging [28.86800972797388]
  Group Inertial Poserは、身体のポーズを強く推定し、複数の個人に対してグローバルな翻訳を行うための新しいアプローチである。 Group Inertial Poserは、超広帯域距離(UWB)からの2組のセンサー間の絶対距離を推定する 2人追跡のための最初のIMU+UWBデータセットであるGIP-DBを導入する。
  論文  参考訳（メタデータ） (2025-10-24T17:11:50Z)
• UniMTS: Unified Pre-training for Motion Time Series [32.419834492563155]
  動作時系列の最初の統合事前学習手順であるUniMTSを紹介する。 我々は,大規模言語モデルによって強化されたテキスト記述と動作時系列を整合させる,対照的な学習フレームワークを採用している。 本モデルでは,18の動作時系列分類ベンチマークデータセットに対して,例外的な一般化性を示す。
  論文  参考訳（メタデータ） (2024-10-18T06:39:13Z)
• Robust Collaborative Perception without External Localization and Clock Devices [52.32342059286222]
  複数のエージェントをまたいだ一貫した空間的時間的調整は、協調的な知覚の基礎である。 従来の手法は、ローカライゼーションとクロック信号を提供するために外部デバイスに依存している。 本稿では,様々なエージェントの知覚データに内在する幾何学的パターンを認識して整列する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-05T15:20:36Z)
• Advancing Location-Invariant and Device-Agnostic Motion Activity Recognition on Wearable Devices [6.557453686071467]
  センサ位置をまたいだ運動モデルの一般化可能性に関する総合的な評価を行う。 我々の分析は、この課題を強調し、位置不変モデルを構築する上で重要な位置を特定する。 本稿では,センサ配置に関係なく,デバイス上での動作モデルを単一モデルから91.41%のフレームレベルF1スコアに展開する。
  論文  参考訳（メタデータ） (2024-02-06T05:10:00Z)
• SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
  センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。 動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。 評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7～13%向上し,環境のダイナミクスが最大30%向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-04T23:06:56Z)

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。