論文の概要: Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach

• arxiv url: http://arxiv.org/abs/2106.12556v1
• Date: Wed, 23 Jun 2021 17:27:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-24 15:07:53.718403
• Title: Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach
• Title（参考訳）: ラジオマップを用いたリアルタイム屋外位置推定 : 深層学習アプローチ
• Authors: \c{C}a\u{g}kan Yapar, Ron Levie, Gitta Kutyniok, Giuseppe Caire
• Abstract要約: 無線ネットワークにおいて、ユーザデバイスは、ベースステーションビーコンスロットをスキャンし、ハンドオーバおよびユーザベースステーションアソシエーションのために、数少ない最強のベースステーション信号を特定する。 提案手法では,受信した信号強度をクラウド上に位置する中央処理ユニットに簡易に報告する。 提案した深層学習アルゴリズムは,すべての基地局の推定パスロスラジオマップとそれに対応する信号強度を用いて,ユーザの高精度な位置推定を行うことができる。
• 参考スコア（独自算出の注目度）: 54.13600380893751
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper deals with the problem of localization in a cellular network in a dense urban scenario. Global Navigation Satellite Systems typically perform poorly in urban environments, where the likelihood of line-of-sight conditions between the devices and the satellites is low, and thus alternative localization methods are required for good accuracy. We present a deep learning method for localization, based merely on pathloss, which does not require any increase in computation complexity at the user devices with respect to the device standard operations, unlike methods that rely on time of arrival or angle of arrival information. In a wireless network, user devices scan the base station beacon slots and identify the few strongest base station signals for handover and user-base station association purposes. In the proposed method, the user to be localized simply reports such received signal strengths to a central processing unit, which may be located in the cloud. For each base station we have good approximation of the pathloss at every location in a dense grid in the map. This approximation is provided by RadioUNet, a deep learning-based simulator of pathloss functions in urban environment, that we have previously proposed and published. Using the estimated pathloss radio maps of all base stations and the corresponding reported signal strengths, the proposed deep learning algorithm can extract a very accurate localization of the user. The proposed method, called LocUNet, enjoys high robustness to inaccuracies in the estimated radio maps. We demonstrate this by numerical experiments, which obtain state-of-the-art results.
• Abstract（参考訳）: 本稿では,密集した都市シナリオにおけるセルネットワークの局在の問題を扱う。 グローバル・ナビゲーション・サテライト・システムは通常、機器と衛星の間の視線条件が低くなる都市環境では性能が悪く、適切な精度のために代替のローカライズ方法が必要となる。 本稿では,パスロスのみに基づく局所化のための深層学習手法を提案する。これは,到着時刻や到着角に依存する手法とは異なり,デバイス標準操作に対するユーザデバイスでの計算複雑性の増大を必要としない。 無線ネットワークにおいて、ユーザデバイスは、ベースステーションビーコンスロットをスキャンし、ハンドオーバおよびユーザベースステーションアソシエーションのために、数少ない最強のベースステーション信号を特定する。 提案手法では,受信した信号強度をクラウド上に位置する中央処理ユニットに簡易に報告する。 各基地局に対して、地図上の高密度グリッド内のすべての位置におけるパスロスをよく近似する。 この近似は,都市環境におけるパスロス関数の深層学習に基づくシミュレータであるRadioUNetによって提供される。 提案した深層学習アルゴリズムは,すべての基地局の推定パスロスラジオマップとそれに対応する信号強度を用いて,ユーザの正確な位置推定を行うことができる。 提案手法はLocUNetと呼ばれ,推定無線地図における不正確性が高い。 これを数値実験により実演し,最新の結果を得た。

関連論文リスト

• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• Constructing Indoor Region-based Radio Map without Location Labels [18.34037687586167]
  本稿では、位置ラベルを使わずに受信信号強度(RSS)測定から地域ベースの無線マップを開発する。 構築は、屋内エリアの各地域を正確に1度訪問するデバイスから、盲目的に収集されたRSS測定データに基づいて行われる。 提案手法は, 重み付きセントロイド局在化(WCL)ベースラインと比較して, 領域の局所化誤差を約50%削減する。
  論文  参考訳（メタデータ） (2023-08-31T14:27:36Z)
• 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)
• 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)
• Dataset of Pathloss and ToA Radio Maps With Localization Application [59.11388233415274]
  データセットには、実都市地図における現実的な密集した都市環境の大規模なコレクションに、シミュレートされたパスロス/受信信号強度(RSS)と到着時刻(ToA)ラジオマップが含まれる。 提案データセットの2つの主な応用は,1)入力都市地図からパスロスを予測する学習方法,2)無線の局所化である。 RSSとToAマップが同じ都市マップ上で同じシミュレーションによって計算されているという事実は、RSSとToAベースのローカライゼーション手法を公平に比較することができる。
  論文  参考訳（メタデータ） (2022-11-18T20:39:51Z)
• LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
  LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法 提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。 推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
  論文  参考訳（メタデータ） (2022-02-01T20:27:46Z)
• Real-time Localization Using Radio Maps [59.17191114000146]
  パスロスに基づく簡易かつ効果的なローカライゼーション法を提案する。 提案手法では, 受信した信号強度を, 既知の位置を持つ基地局の集合から報告する。
  論文  参考訳（メタデータ） (2020-06-09T16:51:17Z)

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。