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