論文の概要: Cooperative Localization Utilizing Reinforcement Learning for 5G Networks

• arxiv url: http://arxiv.org/abs/2108.10222v1
• Date: Thu, 19 Aug 2021 06:27:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-26 02:02:43.064193
• Title: Cooperative Localization Utilizing Reinforcement Learning for 5G Networks
• Title（参考訳）: 強化学習を利用した5Gネットワークの協調的位置決め
• Authors: Ghazaleh Kia, Laura Ruotsalainen
• Abstract要約: 近年、自動運転車の実用化に向けて、正確なローカライゼーションの需要が高まっている。 正確な位置決めを実現するためには、協調的な位置決めが重要な役割を果たす。 5G信号はミリ波(mmWave)技術により精度の高いレンジ計測をサポートする。 5Gネットワークは、コラボレーティブなローカライゼーションを改善するデバイス・トゥ・デバイス(D2D)通信を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The demand for accurate localization has risen in recent years to enable the emerging of autonomous vehicles. To have these vehicles in the traffic ecosystem of smart cities, the need for an accurate positioning system is emphasized. To realize accurate positioning, collaborative localization plays an important role. This type of localization computes range measurements between vehicles and improves the accuracy of position by correcting the possibly faulty values of one of them by using the more accurate values of the other. 5G signals with the technology of Millimeter Wave (mmWave) support precise range measurements and 5G networks provide Device to Device (D2D) communication which improves collaborative localization. The aim of this paper is to provide an accurate collaborative positioning for autonomous vehicles, which is less prone to errors utilizing reinforcement learning technique for selecting the most accurate and suitable range measurement technique for the 5G signal.
• Abstract（参考訳）: 近年、自動運転車の実用化に向けて、正確なローカライゼーションの需要が高まっている。 これらの車両をスマートシティの交通エコシステムに配置するためには、正確な位置決めシステムの必要性が強調されている。 正確な位置決めを実現するために、協調的位置決めが重要な役割を果たす。 このタイプのローカライゼーションは車両間の距離測定を計算し、より正確な値を用いて一方の故障値を修正することにより位置の精度を向上させる。 5G信号はミリ波(mmWave)技術で精密レンジ計測をサポートし、5GネットワークはD2D通信を提供し、協調的なローカライゼーションを改善する。 本研究の目的は,5G信号の最も正確かつ適切な範囲計測手法を選択するために,強化学習技術を用いた誤りの少ない自動運転車の正確な協調位置決めを行うことである。

関連論文リスト

• Federated Data-Driven Kalman Filtering for State Estimation [49.40531019551957]
  本稿では,協調学習やフェデレート学習のパラダイムに基づく,新たなローカライゼーションフレームワークを提案する。 我々は、従来の拡張カルマンフィルタの基盤となるシステム不確実性を推定することを目的とした、リカレントニューラルネットワークであるKalmanNetの標準的なアプローチに基づいて構築する。 FedKalmanNetは、関連するシステム不確実性行列を推定することにより、各車両が自身をローカライズするために使用される。
  論文  参考訳（メタデータ） (2024-11-06T16:18:33Z)
• Learning 3D Perception from Others' Predictions [64.09115694891679]
  本研究では,3次元物体検出装置を構築するための新たなシナリオについて検討する。 例えば、自動運転車が新しいエリアに入ると、その領域に最適化された検出器を持つ他の交通参加者から学ぶことができる。
  論文  参考訳（メタデータ） (2024-10-03T16:31:28Z)
• Accurate Cooperative Localization Utilizing LiDAR-equipped Roadside Infrastructure for Autonomous Driving [2.0499240875882]
  LiDARは、センチメートルレベルの精度で車両のローカライズを容易にする。 これらの高精度な手法は、識別可能なマップ機能を持たない環境での信頼性上の課題に直面することが多い。 本稿では,道路側ユニット(RSU)と車両間通信(V2I)を併用して車両の自己位置決定を支援する手法を提案する。
  論文  参考訳（メタデータ） (2024-07-11T10:44:42Z)
• Global Scale Self-Supervised Channel Charting with Sensor Fusion [18.342892157962563]
  そこで本研究では,TRP(Transfer Reception Points)の到着時刻と位置を考慮に入れた新しいチャネルチャート化手法を提案する。 提案アルゴリズムは, 幾何モデルやユーザ位置の真理を必要とせず, 訓練および試験段階において自己監督されたままである。 シミュレーションの結果、我々のアルゴリズムの90%を用いて、サブメーターレベルのローカライズ精度の達成を検証した。
  論文  参考訳（メタデータ） (2024-05-07T14:33:45Z)
• Neural 5G Indoor Localization with IMU Supervision [63.45775390000508]
  無線信号は、ユビキタスであるため、ユーザのローカライゼーションに適しており、暗黒環境で動作し、プライバシを維持することができる。 多くの先行研究は、チャネル状態情報(CSI)と完全に監督された位置の間のマッピングを学ぶ。 本研究は,慣性測定ユニット(IMU)から算出した擬似ラベルを用いて,本要件を緩和するものである。
  論文  参考訳（メタデータ） (2024-02-15T13:51:21Z)
• Precise Payload Delivery via Unmanned Aerial Vehicles: An Approach Using Object Detection Algorithms [0.0]
  マイクロクラスUAVの開発について述べるとともに,新しいナビゲーション手法を提案する。 ディープラーニングベースのコンピュータビジョンアプローチを採用して、UAVをペイロードの配送位置にマークされたターゲットを特定し、正確に調整する。 提案手法は従来のGPS手法よりも平均水平精度を500%向上させる。
  論文  参考訳（メタデータ） (2023-10-10T05:54:04Z)
• Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
  本稿では,自動車用レーダセンサの自動校正手法を提案する。 本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。 実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
  論文  参考訳（メタデータ） (2023-06-23T07:01:10Z)
• Energy-Based Models for Cross-Modal Localization using Convolutional Transformers [52.27061799824835]
  GPSのない衛星画像に対して、距離センサを搭載した地上車両を位置決めする新しい枠組みを提案する。 本稿では, 畳み込み変換器を用いて, 高精度な計量レベルの局所化を行う手法を提案する。 我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。
  論文  参考訳（メタデータ） (2023-06-06T21:27:08Z)
• Automated Static Camera Calibration with Intelligent Vehicles [58.908194559319405]
  自動ジオレファレンスカメラキャリブレーションのためのロバストキャリブレーション法を提案する。 本手法では, フィルタ/RTK受信機と慣性測定ユニット(IMU)を組み合わせたキャリブレーション車両が必要である。 我々の手法は、インフラと車両の両方で記録された情報と人間との相互作用を一切必要としない。
  論文  参考訳（メタデータ） (2023-04-21T08:50:52Z)
• Deep Reinforcement Learning for Localizability-Enhanced Navigation in Dynamic Human Environments [16.25625435648576]
  自律ロボットにとって、信頼性の高いローカライゼーションは、効率的かつ安全にナビゲートすることが不可欠である。 深部強化学習による局所化可能性向上ナビゲーションのための新しい手法を提案する。 従来は見られなかった環境下では, 損失率と到着率に大きな改善が見られた。
  論文  参考訳（メタデータ） (2023-03-22T07:44:35Z)
• Visual Localization for Autonomous Driving: Mapping the Accurate Location in the City Maze [16.824901952766446]
  視覚的局所化のための新しい特徴投票手法を提案する。 本研究では,提案した特徴投票手法を,最先端の3つの視覚的ローカライゼーションネットワークに実装する。 当社のアプローチは、挑戦的な都市内設定においても、ロバストな位置予測を可能にします。
  論文  参考訳（メタデータ） (2020-08-13T03:59:34Z)

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。