SANGRIA: Stacked Autoencoder Neural Networks with Gradient Boosting for Indoor Localization

要約

屋内ローカライゼーションは、資産追跡、緊急対応、リアルタイムナビゲーションなど、多くの組み込みアプリケーションにおいて重要なタスクである。この記事では、SANGRIAと呼ばれる、屋内ローカライゼーションのための新しいフィンガープリンティング・ベースのフレームワークを提案する。我々のアプローチは、ローカライゼーションに使用される組み込みデバイス間の無線信号測定に不確実性を生じさせるデバイスの不均一性の課題を克服するように設計されている。我々は、SANGRIAをいくつかの最先端のフレームワークと比較し、多様な屋内ロケールと異種デバイスにおいて、平均定位誤差が42.96%低いことを実証する。

要約(オリジナル)

Indoor localization is a critical task in many embedded applications, such as asset tracking, emergency response, and realtime navigation. In this article, we propose a novel fingerprintingbased framework for indoor localization called SANGRIA that uses stacked autoencoder neural networks with gradient boosted trees. Our approach is designed to overcome the device heterogeneity challenge that can create uncertainty in wireless signal measurements across embedded devices used for localization. We compare SANGRIA to several state-of-the-art frameworks and demonstrate 42.96% lower average localization error across diverse indoor locales and heterogeneous devices.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL