Learnable Spatio-Temporal Map Embeddings for Deep Inertial Localization

要約

屋内ローカライゼーション システムは、慣性オドメトリとマップ情報を手動で定義した方法で融合してオドメトリのドリフトを減らすことがよくありますが、そのような方法はノイズに敏感で、オドメトリ ソース全体で一般化するのに苦労しています。
マップの利用におけるロバスト性の問題に対処するために、学習した空間マップの埋め込みと時間的なオドメトリの埋め込みを組み合わせることにより、マップ内の可能なユーザーの場所に関するデータ駆動型の優先順位を提案します。
私たちの以前の方法は、以前の手で定義された方法よりも正確に、どのマップ領域がユーザーにとって実行可能な場所であるかをエンコードすることを学習します。
この事前確率により、粒子フィルターで使用すると、慣性のみの位置特定精度が 49% 向上します。
この結果は重要です。これは、相対測位法が Bluetooth ビーコンを使用した絶対測位のパフォーマンスに匹敵することを示しているからです。
この方法の一般化可能性を示すために、ホイール エンコーダ オドメトリを使用した同様の改善も示します。

要約(オリジナル)

Indoor localization systems often fuse inertial odometry with map information via hand-defined methods to reduce odometry drift, but such methods are sensitive to noise and struggle to generalize across odometry sources. To address the robustness problem in map utilization, we propose a data-driven prior on possible user locations in a map by combining learned spatial map embeddings and temporal odometry embeddings. Our prior learns to encode which map regions are feasible locations for a user more accurately than previous hand-defined methods. This prior leads to a 49% improvement in inertial-only localization accuracy when used in a particle filter. This result is significant, as it shows that our relative positioning method can match the performance of absolute positioning using bluetooth beacons. To show the generalizability of our method, we also show similar improvements using wheel encoder odometry.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google