深度学习如何感知跟踪位置变化

位置感知能力是基于位置的服务（LBS）的核心。但是，准确估计目标的位置有时候并不是一件容易的事。全球定位系统（GPS）是户外最好的位置感知计算使能者，能够直接输出地理空间坐标，但其误差可能会超出某些应用的容忍极限。在 GPS 无法使用的地方，位置可以通过来自惯性测量单元（IMU）和摄像头等传感器提供的原始数据间接推断出来。传统上，不管是直接测量地理空间坐标还是推理得到位置，数据都必须经过一个相当繁琐的人工设计的数据处理流程，之后才能被更高阶的 LBS 使用。本文将介绍两项近期的将深度学习模型引入位置感知计算的尝试，这两项研究能有效减少专家的参与。

通过部分可观测随机过程实现目标跟踪（Object Tracking via Partially-observable Stochastic Processes）

论文地址：https://arxiv.org/abs/1602.00991

演示视频：https://youtu.be/cdeWCpfUGWc

研究背景

这篇 AAAI16 论文提出了一种端到端的目标跟踪方法，其中一端是从模拟的 2D 激光扫描器收集到的原始数据，另一端是整个环境状态（甚至包含被遮挡的物体），如下图所示：

这个跟踪问题背后有一个值得提及的关键问题，即由于遮挡情况，原始数据只是来自环境的一部分。传统上一般是用贝叶斯