基于智能手机的行人惯性追踪数据集模型与部署

论文总结

这篇《 Smartphone-based Pedestrian Inertial Tracking: Dataset, Model, and Deployment 》论文介绍了一种基于智能手机惯性测量单元（IMU）的行人追踪和定位系统。主要内容和贡献如下：

1. 数据集和实验设计：作者开发了一个智能手机惯性测量数据集（SIMD），包含超过4500条步行轨迹，涵盖了约190小时的行走时间和700多公里的总行程。数据集覆盖了4个城市、12种室内外场景、7种手机姿态，并由150多名志愿者使用他们的智能手机收集数据。
2. 实时追踪模型：论文采用了一种轻量级的深度神经网络（DNN）框架——时间卷积网络（TCN），有效地建模长期序列数据，并且容易在边缘设备上部署。作者从原始IMU读数中提取运动特征，包括四个时域特征（最大值、最小值、平均值和标准差）和六个频域特征（平均值、标准差、信息熵、能量、偏度和峰度）。TCN模型由七层全连接层和三个TCN残差块组成，使用因果卷积和扩张因子来增加模型的感受野。
3. 方向估计：为了估计行人的朝向变化，论文通过将三轴陀螺仪的读数投影到平面姿态上，并积分z轴的角速率，来生成表示行人朝向变化的平面表示。
4. 轨迹校正：由于长期积分陀螺仪读数可能导致较大的累积误差，论文探索了一种线性拟合算法来校正轨迹。这包括识别转角、将轨迹分割为段落，并对每个段落进行最小二乘法拟合以平滑轨迹点和去除离群点。
5. 模型定制：为了适应不同用户的使用习惯、传感器类型和不同的环境，论文提出了一种模型定制机制。这包括在云服务器上训练通用惯性追踪模型，然后在智能手机上对模型进行个人化微调，以提高模型在边缘设备上的性能。
6. 实验验证：论文进行了一系列实验来验证提出的方法。这包括使用外部收集的数据训练通用模型，以及使用特定数据进行定制训练和离线推断。实验结果表明，该方法在多种评估指标上优于现有技术。

总体而言，这项研究通过智能手机IMU数据和深度学习技术，提出了一种有效的行人追踪和定位系统，并通过大规模数据收集和模型定制，提高了系统的精度和适用性。

新技术点

如何在智能手机上本地执行模型的微调和部署?

在论文《基于智能手机的行人惯性追踪：数据集、模型和部署》中，模型在用户的智能手机上进行本地训练和部署是通过以下方式实现的：

1. 使用Deeplearning4j框架：模型训练和部署是通过Deeplearning4j（DL4J）实现的。DL4J是一个适用于Java的开源深度学习库，支持从主流框架（如PyTorch、TensorFlow和Keras）导入和重新训练模型，同时也支持在物联网（IoT）设备上部署模型，包括智能手机和手环等。DL4J提供轻量级子模块，如Nd4j、Libnd4j和Datavec等，这些模块提高了数据处理效率并提供了类似Python的操作。
2. 网络迁移：通过DL4J将服务器端网络迁移到安卓智能手机上，以定制通用模型。这一过程涉及将在云端训练好的模型适应到特定用户的智能手机环境中。
3. 模型构建：使用DL4J中的ComputationGraph类构建模型，并在ComputationGraphConfiguration类中配置网络的详细信息。

总之，论文中的模型是通过在智能手机上本地执行DL4J框架来实现的，这种方法使得模型能够适应用户的个性化需求，同时在资源受限的边缘设备上实现有效的深度学习模型训练和部署。