論文の概要: DyLoc: Dynamic Localization for Massive MIMO Using Predictive Recurrent
Neural Networks
- arxiv url: http://arxiv.org/abs/2101.07848v2
- Date: Fri, 22 Jan 2021 15:47:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 11:12:57.444704
- Title: DyLoc: Dynamic Localization for Massive MIMO Using Predictive Recurrent
Neural Networks
- Title(参考訳): DyLoc:予測リカレントニューラルネットワークを用いたMIMOの動的位置推定
- Authors: Farzam Hejazi, Katarina Vuckovic, Nazanin Rahnavard
- Abstract要約: 本稿では,時間変動の複雑なマルチパス環境において高精度なデータ駆動型ローカリゼーションフレームワークを提案する。
データ駆動型フレームワークDyLocについて,前景変化による歪んだADPを復元し,正確な位置推定を行う。
我々は,従来のDCNN技術が動的環境において望ましい精度で動作しないことを示す。
- 参考スコア(独自算出の注目度): 5.690548525055658
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a data-driven localization framework with high precision
in time-varying complex multipath environments, such as dense urban areas and
indoors, where GPS and model-based localization techniques come short. We
consider the angle-delay profile (ADP), a linear transformation of channel
state information (CSI), in massive MIMO systems and show that ADPs preserve
users' motion when stacked temporally. We discuss that given a static
environment, future frames of ADP time-series are predictable employing a video
frame prediction algorithm. We express that a deep convolutional neural network
(DCNN) can be employed to learn the background static scattering environment.
To detect foreground changes in the environment, corresponding to path blockage
or addition, we introduce an algorithm taking advantage of the trained DCNN.
Furthermore, we present DyLoc, a data-driven framework to recover distorted
ADPs due to foreground changes and to obtain precise location estimations. We
evaluate the performance of DyLoc in several dynamic scenarios employing
DeepMIMO dataset to generate geo-tagged CSI datasets for indoor and outdoor
environments. We show that previous DCNN-based techniques fail to perform with
desirable accuracy in dynamic environments, while DyLoc pursues localization
precisely. Moreover, simulations show that as the environment gets richer in
terms of the number of multipath, DyLoc gets more robust to foreground changes.
- Abstract(参考訳): 本稿では,GPSやモデルに基づくローカライゼーション技術が不足する都市部や屋内など,時間変化のある複雑なマルチパス環境において,高精度なデータ駆動型ローカライゼーションフレームワークを提案する。
大規模MIMOシステムにおけるチャネル状態情報(CSI)の線形変換であるアングル遅延プロファイル(ADP)について検討し,時間的に積み重ねられた場合,ADPがユーザの動きを保存することを示す。
映像フレーム予測アルゴリズムを用いて, 静的環境下では, adp時系列の将来フレームが予測可能であることを考察する。
背景静的散乱環境を学習するために,深層畳み込みニューラルネットワーク(dcnn)が利用できることを示す。
経路遮断や追加に対応する環境における前景変化を検出するために,訓練されたdcnnを利用したアルゴリズムを提案する。
さらに,前景変化による歪みADPを復元し,正確な位置推定を行うためのデータ駆動型フレームワークDyLocを提案する。
dylocの性能を,deepmimoデータセットを用いて屋内および屋外環境向けに地理タグ付きcsiデータセットを生成する動的シナリオで評価する。
我々は,DyLocが正確なローカライゼーションを追求するのに対して,従来のDCNNベースの手法は動的環境において望ましい精度で動作しないことを示す。
さらにシミュレーションにより、マルチパスの数で環境が豊かになるにつれて、DyLocは前景の変化に対してより堅牢になることが示された。
関連論文リスト
- iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
iSDFは実時間符号付き距離場再構成のための連続学習システムである。
より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
論文 参考訳(メタデータ) (2022-04-05T15:48:39Z) - Position Tracking using Likelihood Modeling of Channel Features with
Gaussian Processes [2.3977391435533373]
最近のローカライゼーションフレームワークは、複雑なチャネル計測の空間情報を利用して正確な位置を推定する。
本稿では,強力なマルチパス伝搬を持つスパースデータセットに順応する新しいフレームワークを提案する。
本フレームワークでは,トレーニングされたGPと直視域と粒子フィルタのダイナミックスモデルを組み合わせる。
論文 参考訳(メタデータ) (2022-03-24T15:06:01Z) - Neural RF SLAM for unsupervised positioning and mapping with channel
state information [51.484516640867525]
アイソメトリによるユーザ位置と環境マッピングを共同で学習するニューラルネットワークアーキテクチャを提案する。
提案モデルでは,物理ベースのデコーダを適用すれば,解釈可能な潜在能力,すなわちユーザ位置を学習できる。
論文 参考訳(メタデータ) (2022-03-15T21:32:44Z) - Transfer learning to improve streamflow forecasts in data sparse regions [0.0]
本研究では,データスパース領域におけるストリームフロー予測の一般化性能向上のために,微調整およびパラメータ転送による伝達学習(TL)の方法論について検討する。
本稿では,Long Short-Term Memory(LSTM)という形式で,十分に大きなソースドメインデータセットに適合する標準のリカレントニューラルネットワークを提案する。
本稿では,モデルの空間的および時間的成分を分離し,モデルを一般化する訓練を行うことにより,水文学応用のための伝達学習手法を実装する手法を提案する。
論文 参考訳(メタデータ) (2021-12-06T14:52:53Z) - Local Augmentation for Graph Neural Networks [78.48812244668017]
本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。
局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
論文 参考訳(メタデータ) (2021-09-08T18:10:08Z) - Spatiotemporal convolutional network for time-series prediction and
causal inference [21.895413699349966]
時系列のマルチステップ予測を効率的に正確にレンダリングするために、ニューラルネットワークコンピューティングフレームワークi.N.N.を開発した。
このフレームワークは、人工知能(AI)や機械学習分野の実践的応用において大きな可能性を秘めている。
論文 参考訳(メタデータ) (2021-07-03T06:20:43Z) - Temporal Predictive Coding For Model-Based Planning In Latent Space [80.99554006174093]
時間的に予測可能な環境要素を符号化するために,時間的予測符号化を用いた情報理論的手法を提案する。
本稿では,DMControl タスクの背景を複雑な情報を含む自然なビデオに置き換える,標準的な DMControl タスクの挑戦的な修正について評価する。
論文 参考訳(メタデータ) (2021-06-14T04:31:15Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳(メタデータ) (2021-05-03T07:23:39Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳(メタデータ) (2021-01-12T20:08:18Z) - Conditional Local Filters with Explainers for Spatio-Temporal
Forecasting [27.62110162024104]
空間依存を捉えるために,新しいグラフに基づく有向畳み込みを提案する。
このフィルタは、時間ダイナミクスをモデル化するRecurrent Neural Network (RNN)アーキテクチャに埋め込まれている。
本手法は,道路網交通流,地表面温度と風速,病原体拡散データを含む実世界のデータセット上で評価される。
論文 参考訳(メタデータ) (2021-01-04T14:22:11Z)
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。