論文の概要: Robust Ultra-wideband Range Error Mitigation with Deep Learning at the Edge

• arxiv url: http://arxiv.org/abs/2011.14684v2
• Date: Wed, 28 Apr 2021 09:16:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 14:56:42.297045
• Title: Robust Ultra-wideband Range Error Mitigation with Deep Learning at the Edge
• Title（参考訳）: エッジでの深層学習によるロバストな超広帯域誤差低減
• Authors: Simone Angarano, Vittorio Mazzia, Francesco Salvetti, Giovanni Fantin and Marcello Chiaberge
• Abstract要約: 室内無線環境のマルチパス効果、反射、屈折、複雑さは、測定範囲に正のバイアスをもたらす可能性がある。 本稿では,ディープラーニングとグラフ最適化技術の最新技術を活用した効率的な表現学習手法を提案する。 チャネルインパルス応答(CIR)信号を直接利用して高い意味的特徴を抽出し、NLoS条件またはLoS条件の補正を推定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Ultra-wideband (UWB) is the state-of-the-art and most popular technology for wireless localization. Nevertheless, precise ranging and localization in non-line-of-sight (NLoS) conditions is still an open research topic. Indeed, multipath effects, reflections, refractions, and complexity of the indoor radio environment can easily introduce a positive bias in the ranging measurement, resulting in highly inaccurate and unsatisfactory position estimation. This article proposes an efficient representation learning methodology that exploits the latest advancement in deep learning and graph optimization techniques to achieve effective ranging error mitigation at the edge. Channel Impulse Response (CIR) signals are directly exploited to extract high semantic features to estimate corrections in either NLoS or LoS conditions. Extensive experimentation with different settings and configurations has proved the effectiveness of our methodology and demonstrated the feasibility of a robust and low computational power UWB range error mitigation.
• Abstract（参考訳）: ウルトラワイドバンド(UWB)は、ワイヤレスローカライゼーションの最先端かつ最も人気のある技術である。 それでも、非視線条件(NLoS)における正確な測位と局所化は、まだオープンな研究トピックである。 実際、マルチパス効果、反射、屈折、室内無線環境の複雑さは、測定範囲に正のバイアスを生じさせることが容易であり、その結果、高度に不正確で不十分な位置推定が得られる。 本稿では,最先端のディープラーニング手法とグラフ最適化手法を活かし,エッジでの効率的な範囲誤差軽減を実現する効率的な表現学習手法を提案する。 チャネルインパルス応答(CIR)信号を直接利用して高い意味的特徴を抽出し、NLoSまたはLoS条件の補正を推定する。 異なる設定と構成による広範囲な実験により,提案手法の有効性が証明され,ロバストで低消費電力なuwbレンジ誤差軽減の実現性が実証された。

関連論文リスト

• Generalizable Non-Line-of-Sight Imaging with Learnable Physical Priors [52.195637608631955]
  非視線画像(NLOS)は、その潜在的な応用により注目されている。 既存のNLOS再構成アプローチは、経験的物理的前提に依存して制約される。 本稿では,Learningable Path Compensation(LPC)とAdaptive Phasor Field(APF)の2つの主要な設計を含む,学習に基づく新しいソリューションを提案する。
  論文  参考訳（メタデータ） (2024-09-21T04:39:45Z)
• Removing the need for ground truth UWB data collection: self-supervised ranging error correction using deep reinforcement learning [1.4061979259370274]
  マルチパス効果と非視界条件は、アンカーとタグの間の範囲エラーを引き起こす。 これらの範囲の誤差を緩和するための既存のアプローチは、大きなラベル付きデータセットの収集に依存している。 本稿では,ラベル付き真実データを必要としない自己教師付き深層強化学習手法を提案する。
  論文  参考訳（メタデータ） (2024-03-28T09:36:55Z)
• A Deep Learning Approach for Generating Soft Range Information from RF Data [29.827191184889898]
  ソフトレンジ情報(SRI)は、高精度なローカライゼーションのための有望な代替手段を提供する。 RF計測から正確なSRIを生成するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T10:33:52Z)
• Deep GEM-Based Network for Weakly Supervised UWB Ranging Error Mitigation [29.827191184889898]
  本稿では,UWB範囲の誤差軽減のための弱監督に基づく学習フレームワークを提案する。 具体的には, 予測最大化(GEM)アルゴリズムを応用して, 精度の高いUWBレンジの誤差軽減を実現する深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T10:26:50Z)
• A Semi-Supervised Learning Approach for Ranging Error Mitigation Based on UWB Waveform [29.827191184889898]
  UWBレンジ誤差軽減のための変分ベイズに基づく半教師付き学習手法を提案する。 本手法はラベル付きデータとラベルなしデータの両方からの知識を効率的に蓄積することができる。
  論文  参考訳（メタデータ） (2023-05-23T10:08:42Z)
• On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
  本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。 本稿では,密集市街地における局所化問題について検討する。 まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
  論文  参考訳（メタデータ） (2022-11-28T00:31:02Z)
• Fast Exploration of the Impact of Precision Reduction on Spiking Neural Networks [63.614519238823206]
  ターゲットハードウェアがコンピューティングの端に達すると、スパイキングニューラルネットワーク(SNN)が実用的な選択となる。 我々は、近似誤差を伝播するそのようなモデルの能力を生かした探索手法を開発するために、インターヴァル算術(IA)モデルを用いる。
  論文  参考訳（メタデータ） (2022-11-22T15:08:05Z)
• Ultra-low-power Range Error Mitigation for Ultra-wideband Precise Localization [1.8472148461613158]
  ウルトラワイドバンド(UWB)ローカライゼーション技術は、この問題に対する価値の高い低コストソリューションである。 非視線(NLOS)条件と特定の無線環境の複雑さは、測定範囲における正のバイアスを容易に導入することができる。 数mWの電力でNLOSまたはLOS条件を補正する有効範囲誤差軽減法を提案する。
  論文  参考訳（メタデータ） (2022-09-07T09:33:58Z)
• Automating Control of Overestimation Bias for Continuous Reinforcement Learning [65.63607016094305]
  バイアス補正を導くためのデータ駆動型手法を提案する。 我々は、最先端の連続制御アルゴリズムであるTrncated Quantile Criticsにおいて、その効果を実証する。
  論文  参考訳（メタデータ） (2021-10-26T09:27:12Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• Optimization-driven Deep Reinforcement Learning for Robust Beamforming in IRS-assisted Wireless Communications [54.610318402371185]
  Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。 我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。 過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-05-25T01:42:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。