深度预判：基于循环架构的物联网轻量级智能移动感知

物联网时代的快速增长正在塑造移动服务的未来。先进的通信技术实现了异构连接，移动设备向一切广播信息。机器人与车辆等连接云和周围环境的移动应用，将短程车载传感器感知系统转变为长程移动感知系统。然而，移动感知带来了如何高效分析并智能解释关键任务服务中物联网数据洪流的新挑战。在本文中，我们将这些挑战建模为严重损害物联网数据可靠性与质量的延迟、丢包和测量噪声。我们将人工智能集成到物联网中以应对这些挑战。我们提出一种利用循环神经网络（RNN）和卡尔曼滤波来预测物体间运动与交互的新架构。基本思想是通过循环网络学习环境动态。为提高物联网通信的鲁棒性，我们使用卡尔曼滤波思想并部署预测与校正步骤。以此方式，该架构学会在不同情况下在预测与测量之间发展有偏信念。我们使用合成和真实世界带噪声数据集（模拟物联网通信挑战）演示了我们的方法。我们的方法带来了新水平的物联网智能。与其他最先进的卷积循环架构相比它也更轻量，非常适用于资源受限的移动应用。