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: 翻訳完了
• 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

• Robust Indoor Localization in Dynamic Environments: A Multi-source Unsupervised Domain Adaptation Framework [0.4683612295430956]
  DF-Locはマルチソース非教師付きドメイン適応(MUDA)に基づくエンドツーエンド動的指紋位置決めシステムである このシステムは、CSIデータ前処理のための品質制御(QC)モジュールを搭載し、CSI指紋特徴再構成のための画像処理技術を採用している。 オフィスおよび教室環境における大規模実験により,DF-Locは,局部化精度とロバスト性の両方の観点から比較手法に優れていた。
  論文  参考訳（メタデータ） (2025-02-11T04:29:22Z)
• A Variational Auto-Encoder Enabled Multi-Band Channel Prediction Scheme for Indoor Localization [11.222977249913411]
  周波数領域から室内指紋位置決めの精度を向上する手法を提案する。 オフィスシナリオから収集したCOST 2100シミュレーションデータと実時間周波数分割多重化(OFDM)WiFiデータに基づいて提案手法を検証した。
  論文  参考訳（メタデータ） (2023-09-19T08:19:34Z)
• DOMINO: Domain-invariant Hyperdimensional Classification for Multi-Sensor Time Series Data [14.434647668734184]
  ノイズの多いマルチセンサ時系列データにおける分散シフト問題に対処する新しいHDC学習フレームワークであるDOMINOを提案する。 DOMINOは最先端(SOTA)DNNベースのドメイン一般化技術よりも平均2.04%高い精度で達成し、16.34倍高速なトレーニングと2.89倍高速な推論を提供する。
  論文  参考訳（メタデータ） (2023-08-07T04:44:12Z)
• Location-aware Adaptive Normalization: A Deep Learning Approach For Wildfire Danger Forecasting [17.25189382307337]
  本稿では、位置認識型適応正規化層(LOAN)を備えた2D/3D二分岐畳み込みニューラルネットワーク(CNN)を提案する。 LOANをビルディングブロックとして使用することにより、地理的な位置を条件に動的特徴を変調することができる。 その結果,位置対応型特徴正規化は動的変数と地理的位置の関係を学習する上で有望な手法であることが示唆された。
  論文  参考訳（メタデータ） (2022-12-16T00:32:38Z)
• Robust Change Detection Based on Neural Descriptor Fields [53.111397800478294]
  我々は、部分的に重なり合う観測結果とノイズのある局所化結果に頑健なオブジェクトレベルのオンライン変化検出手法を開発した。 形状符号の類似性を利用して物体を連想させ, 局所的な物体近傍の空間配置を比較することにより, 観測重複や局所雑音に対する頑健性を示す。
  論文  参考訳（メタデータ） (2022-08-01T17:45:36Z)
• 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)
• 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)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。