論文の概要: A Black-Box Positioning Solution for Effortless Integration in Wearable Navigation

• arxiv url: http://arxiv.org/abs/2610.21353v1
• Date: Thu, 15 Oct 2026 06:32:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.231452
• Title: A Black-Box Positioning Solution for Effortless Integration in Wearable Navigation
• Title（参考訳）: ウェアラブルナビゲーションにおける不便な統合のためのブラックボックス位置決めソリューション
• Abstract要約: PDR (Pedestrian Deadkoning Reckoning) は慣性センサーデータの位置を推定する。 この複雑さは、開発スケジュールの延長とコストの上昇につながることが多い。 PDR Sensor(PDRS)は,ウェアラブルおよびIoTプラットフォームに統合するための,プラグアンドプレイのブラックボックスPDRモジュールである。
• 参考スコア（独自算出の注目度）: 1.1470070927586018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate localization is critical for a wide range of applications, including navigation, augmented reality, safety management, and healthcare. However, achieving accurate positioning remains challenging, especially in GPS-degraded environments. Pedestrian Dead Reckoning (PDR), which estimates position based on inertial sensor data, offers a promising alternative but typically demands substantial effort in algorithm design and system integration. This complexity often leads to prolonged development timelines and elevated costs. To address these challenges, we present the PDR Sensor (PDRS), a plug-and-play, black-box PDR module optimized for seamless integration into wearable and IoT platforms. PDRS integrates a microprocessor and an inertial measurement unit (IMU) within a compact, low-power module. It executes real-time sensor fusion onboard, providing position updates via standard interfaces (I2C, SPI, UART). Experimental evaluations demonstrate its high robustness, achieving a step detection error of just 0.16% over 1250 steps and a traveled distance error of 1.87% under diverse conditions. The system further exhibits low latency (2.5 ms) and modest power consumption (52.35 mA). Unlike conventional studies, the PDRS leverages a holistic co-design of hardware and software to enhance performance and integration aspects, simplifying adoption without requiring deep expertise. By lowering technical barriers, PDRS enables developers and researchers to prioritize innovation in IoT and wearable technologies, accelerating prototyping, reducing development time, and advancing industry progress. Future work aims to enhance accuracy, reduce power usage and module size, and integrate AI-driven techniques to better mitigate drift.
• Abstract（参考訳）: 正確なローカライゼーションは、ナビゲーション、拡張現実、安全管理、ヘルスケアなど、幅広いアプリケーションにとって重要である。 しかし、GPSの劣化した環境では、正確な位置決めが難しい。 慣性センサーデータに基づいて位置を推定するPDR(Pedestrian Dead Reckoning)は、有望な代替手段を提供するが、典型的にはアルゴリズム設計とシステム統合に多大な労力を要する。 この複雑さは、開発スケジュールの延長とコストの上昇につながることが多い。 これらの課題に対処するために、ウェアラブルとIoTプラットフォームへのシームレスな統合に最適化されたプラグアンドプレイのブラックボックスPDRモジュールであるPDR Sensor(PDRS)を紹介します。 PDRSはマイクロプロセッサと慣性測定ユニット(IMU)を小型の低消費電力モジュールに統合する。 リアルタイムセンサーフュージョンをオンボードで実行し、標準インターフェース(I2C、SPI、UART)を介して位置を更新する。 実験では、1250段以上のステップ検出誤差が0.16%、様々な条件下での走行距離誤差が1.87%と高いロバスト性を示した。 このシステムは低レイテンシ (2.5 ms) と控えめな消費電力 (52.35 mA) も示している。 従来の研究とは異なり、PDRSはハードウェアとソフトウェアを総合的に共同設計し、性能と統合性を向上し、深い専門知識を必要とせずに採用を簡素化する。 PDRSは技術的な障壁を低くすることで、開発者や研究者がIoTおよびウェアラブル技術のイノベーションを優先し、プロトタイピングを加速し、開発時間を短縮し、業界の進歩を前進させることができる。 今後の作業は、精度を高め、電力使用量とモジュールサイズを削減し、AI駆動技術を統合してドリフトの低減を目指している。

関連論文リスト

• Fully-sensorized smart-eyewear platform for on-device Machine Learning [1.3651611781068242]
  ARGOは、人間工学的快適さ、高い計算スループット、エネルギー効率を橋渡しするために設計されたスマートアイウェアプラットフォームである。 主な貢献はハードウェア、ファームウェア、人工知能の総合的共同設計である。 このプラットフォームはマルチモーダルセンサースイート、RGBカメラ、タイム・オブ・ライトセンサー、マイク、周囲センサーを統合し、200mAhのバッテリーで113分連続で10FPSを提供する。
  論文  参考訳（メタデータ） (2026-06-17T17:11:39Z)
• Agile gesture recognition for low-power applications: customisation for generalisation [41.728933551492275]
  自動手ジェスチャー認識は、長い間AIコミュニティの焦点だった。 低消費電力センサデバイスで動作するジェスチャー認識技術への需要が高まっている。 本研究では,適応的およびアジャイル的誤り訂正を用いたパターン認識システムのための新しい手法を提示する。
  論文  参考訳（メタデータ） (2024-03-12T19:34:18Z)
• On-Device Soft Sensors: Real-Time Fluid Flow Estimation from Level Sensor Data [19.835810073852244]
  この研究は、クラウド上にソフトセンサーを配置する代わりに、デバイス上でのソフトセンサーの採用にシフトし、効率の向上とデータセキュリティの強化を約束する。 本手法は,無線センサネットワーク内のデバイスに直接人工知能(AI)を配置することにより,エネルギー効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-11-25T14:18:29Z)
• Task-Oriented Integrated Sensing, Computation and Communication for Wireless Edge AI [46.61358701676358]
  エッジ人工知能(AI)は、従来のクラウドをネットワークエッジまで高速に計算するために提案されている。 近年,特定のエッジAIタスクに対する無線センシング,計算,通信(SC$2$)の収束が,パラダイムシフトを引き起こしている。 超信頼性で低レイテンシなエッジインテリジェンス獲得を実現するために、完全に統合されたセンシング、計算、通信(I SCC)を進めることが最重要である。
  論文  参考訳（メタデータ） (2023-06-11T06:40:51Z)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for 5G and Beyond [70.81551587109833]
  非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。 主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。 本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
  論文  参考訳（メタデータ） (2022-01-13T15:20:45Z)
• Towards Generalisable Deep Inertial Tracking via Geometry-Aware Learning [2.694262942445446]
  慣性追跡は、一時的な不利な運用条件下で重要な役割を果たす。 慣性追跡は伝統的に(i)過度なエラーの増大に悩まされ、(ii)広範囲で面倒なチューニングを必要とした。 本稿では,従来の制限を克服した新しいディープラーニング慣性追跡システムDITを提案する。
  論文  参考訳（メタデータ） (2021-06-29T08:50:23Z)
• 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。