.png){kind=icon}
返回
Efficient neural inertial localization
.png){kind=icon}
PRE
AI
DOI：10.1093/comjnl/bxag035.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，人员定位与导航已引起日益广泛的关注，出现了大量针对长期行人位置估计的数据驱动方法，并持续取得改进效果。然而，其高昂的计算成本限制了广泛应用，尤其是在移动设备上。为解决这一问题，我们提出了一种高效神经惯性定位（ENILoc）方法用于基于惯性测量单元的行人位置估计。ENILoc结合了线性模型的简洁性与速度，并具备高精度，同时无需外部基础设施，从而避免了常见的隐私问题。与许多现有方法不同，ENILoc不包含Transformer模块或卷积层；它仅由少量线性层构建而成。我们通过在四个公开数据集上的广泛对比验证了ENILoc的性能。结果表明，ENILoc优于当前最先进的方法，训练速度提升2.5-6倍，内存使用减少17-31倍。此外，推理延迟降低高达8倍，实现了实用的端侧部署。最后，定位精度得到显著提升，绝对轨迹误差和相对轨迹误差均有大幅改善，证实了ENILoc在长期室内定位中的有效性。
期刊
C
IF:
1.5
论文数:
103
被引数:
0
机构
引用论文
Supplementary open dataset for WiFi indoor localization based on received signal strength基于接收信号强度的WiFi室内定位补充开放数据集.png)
SATELLITE NAVIGATION
OAAI
SATELLITE NAVIGATIONIF10.1
OAAI分享收藏A Context-Recognition-Aided PDR Localization Method Based on the Hidden Markov ModelSENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏分享收藏Localization through mitigating and compensating UWB NLOS ranging error with neural network通过神经网络缓解和补偿UWB非视距测距误差的定位方法
PREAI
分享收藏分享收藏RIOT: Recursive Inertial Odometry Transformer for Localisation from Low-Cost IMU MeasurementsRIOT: 用于低成本IMU测量定位的递归惯性测距变压器SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容