We introduce LIDAUS Localization of IoT Device via Anchor UAV SLAM), an infrastructure-free, multi-stage SLAM system that utilizes an Unmanned Aerial Vehicle (UAV) to accurately localize IoT devices in a 3D indoor space where GPS signals are unavailable or weak, e.g., manufacturing factories, disaster sites, or smart buildings. The lack of GPS signals and infrastructure support makes most of the existing indoor localization systems not practical when localizing a large number of wireless IoT devices. In addition, safety concerns, access restriction, and simply the huge amount of IoT devices make it not practical for humans to manually localize and track IoT devices. To address these challenges, the UAV in our LIDAUS system conducts multi-stage 3D SLAM trips to localize devices based only on RSSIs, the most widely available measurement of the signals of almost all commodity IoT devices. The main novelties of the system include a weighted entropy-based clustering algorithm to select high quality RSSI observation locations, a 3D U-SLAM algorithm that is enhanced by deploying anchor beacons along the UAV's path, and the path planning based on Eulerian cycles on multi-layer grid graphs that model the space in exploring stage and Steiner tree paths in searching stages. Our simulations and experiments of Bluetooth IoT devices have demonstrated that the system can achieve high localization accuracy based only on RSSIs of commodity IoT devices.


翻译:我们引进了LIDAUS 通过Anchor UAV SLAM将IOT设备本地化,这是一个无基础设施、多阶段的SLAM系统,利用无人驾驶航空飞行器(UAV)将IOT设备在3D室内空间精确本地化,那里的全球定位系统信号不存在或薄弱,例如,制造厂房、灾害现场或智能建筑;由于缺乏全球定位系统信号和基础设施支持,现有大多数室内本地化系统在将大量无线IOT设备本地化时不切实际。此外,安全关切、准入限制和大量IOT设备使人类无法手动本地化和跟踪IOT设备。为了应对这些挑战,我们LIDAUS系统中的UAVAV进行多阶段3D SLAM旅行,将仅以RSIS、灾害现场测量几乎所有商品IOT装置信号的最广泛可得的测量。该系统的主要新颖之处包括:在选择高质量的RSI观测地点时,基于高质量的基于RISI的本地集群集群集群集群组合算法,3D U-SLAM系统算法,通过在基于UAVA的高层信标路路段上搜索基于UAIS的BLARC路段,从而在BARCLALALALALALALALALA的轨道上展示路路路路路路段,从而得以加强。

0
下载
关闭预览

相关内容

专知会员服务
42+阅读 · 2021年9月15日
专知会员服务
42+阅读 · 2020年12月18日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
【MIT】反偏差对比学习,Debiased Contrastive Learning
专知会员服务
90+阅读 · 2020年7月4日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【泡泡图灵智库】Visual SLAM: 为什么要用BA(ICRA)
泡泡机器人SLAM
50+阅读 · 2019年7月11日
VALSE Webinar 19-16期 云深可知处:视觉SLAM
VALSE
12+阅读 · 2019年7月4日
无人机视觉挑战赛 | ICCV 2019 Workshop—VisDrone2019
PaperWeekly
7+阅读 · 2019年5月5日
【泡泡一分钟】DS-SLAM: 动态环境下的语义视觉SLAM
泡泡机器人SLAM
23+阅读 · 2019年1月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【泡泡一分钟】CVI-SLAM –协同视觉惯性SLAM
泡泡机器人SLAM
21+阅读 · 2018年12月18日
【推荐】树莓派/OpenCV/dlib人脸定位/瞌睡检测
机器学习研究会
9+阅读 · 2017年10月24日
Arxiv
0+阅读 · 2021年10月4日
VIP会员
相关资讯
【泡泡图灵智库】Visual SLAM: 为什么要用BA(ICRA)
泡泡机器人SLAM
50+阅读 · 2019年7月11日
VALSE Webinar 19-16期 云深可知处:视觉SLAM
VALSE
12+阅读 · 2019年7月4日
无人机视觉挑战赛 | ICCV 2019 Workshop—VisDrone2019
PaperWeekly
7+阅读 · 2019年5月5日
【泡泡一分钟】DS-SLAM: 动态环境下的语义视觉SLAM
泡泡机器人SLAM
23+阅读 · 2019年1月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【泡泡一分钟】CVI-SLAM –协同视觉惯性SLAM
泡泡机器人SLAM
21+阅读 · 2018年12月18日
【推荐】树莓派/OpenCV/dlib人脸定位/瞌睡检测
机器学习研究会
9+阅读 · 2017年10月24日
Top
微信扫码咨询专知VIP会员