Elevator, Escalator or Neither? Classifying Pedestrian Conveyor State Using Inertial Navigation System

将行人分类为“电梯”、“自动扶梯”和“无”中的一种，对于室内定位和人流量分析等许多应用来说是基础性的。我们首次利用从手机采样的惯性导航系统（INS）读数，估计行人所处的传送带状态。我们的问题具有挑战性，因为传送带状态的INS信号受到不可预测的任意人类动作的干扰和耦合，从而混淆了决策过程。我们提出了ELESON，一种新颖、有效且轻量级的基于INS的深度学习方法，用于分类行人是在电梯、自动扶梯还是无传送带状态。ELESON利用运动特征提取器在特征空间中将传送带状态与人类动作解耦，并利用磁性特征提取器考虑电梯和自动扶梯之间的速度差异。根据提取器的结果，它使用证据状态分类器来估计行人状态的置信度。通过对20小时真实行人数据进行大量实验，我们证明ELESON明显优于最先进的方法（其中将传送带状态和人类动作的组合INS信号一起处理），在F1分数上提高了15％的分类性能，具有更强的置信度可区分性，在AUROC（接收器操作特征下的面积）上增加了10％，并且在智能手机上具有低计算和内存需求。

本论文旨在解决室内定位和人流分析等应用中，将行人分类为“电梯”、“自动扶梯”和“无”三种传送带状态的问题。这个问题的挑战在于，行人的行为会干扰惯性导航系统（INS）的信号，使得传送带状态的信号与人类行为的信号耦合并变得复杂，难以做出正确的决策。

ELESON是一种新颖、有效且轻量级的基于INS的深度学习方法，用于分类行人是否处于电梯、自动扶梯或无状态。ELESON利用运动特征提取器在特征空间中解耦了传送带状态与人类行为之间的关系，并利用磁特征提取器考虑了电梯和自动扶梯之间的速度差异。在提取器的结果基础上，它采用证据状态分类器来估计行人状态的置信度。

本论文在20小时的真实行人数据上进行了广泛的实验，证明ELESON在F1分数上比最先进的方法提高了15％，在AUROC（接收器操作特性曲线下的面积）上具有更强的置信度区分能力，增加了10％，并且在智能手机上具有低计算和内存需求。论文还提供了开源代码。

与本论文相关的研究包括：1. “Indoor pedestrian tracking and identification using wearable sensors and machine learning algorithms”；2. “Indoor pedestrian tracking using smartphones and iBeacons”；3. “Indoor localization using WiFi fingerprinting and deep learning”等。