論文の概要: Channel State Information Based Localization with Deep Learning

• arxiv url: http://arxiv.org/abs/2109.12398v1
• Date: Sat, 25 Sep 2021 16:17:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-28 15:06:39.365971
• Title: Channel State Information Based Localization with Deep Learning
• Title（参考訳）: 深層学習によるチャネル状態情報に基づく位置推定
• Authors: Kutay B\"olat
• Abstract要約: 無人航空機(UAV)は適切な制御戦略のために正確な位置の情報を必要とする。 移動ロボットと計算ユニットとの間には無線通信が一定である。 この送信に責任がある統合ユニットは商用無線通信チップセットである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Localization is one of the most important problems in various fields such as robotics and wireless communications. For instance, Unmanned Aerial Vehicles (UAVs) require the information of the position precisely for an adequate control strategy. This problem is handled very efficiently with integrated GPS units for outdoor applications. However, indoor applications require special treatment due to the unavailability of GPS signals. Another aspect of mobile robots such as UAVs is that there is constant wireless communication between the mobile robot and a computational unit. This communication is mainly done for obtaining telemetry information or computation of control actions directly. The responsible integrated units for this transmission are commercial wireless communication chipsets. These units on the receiver side are responsible for getting rid of the diverse effects of the communication channel with various mathematical techniques. These techniques mainly require the Channel State Information (CSI) of the current channel to compensate the channel itself. After the compensation, the chipset has nothing to do with CSI. However, the locations of both the transmitter and receiver have a direct impact on CSI. Even though CSI contains such rich information about the environment, the accessibility of these data is blocked by the commercial wireless chipsets since they are manufactured to provide only the processed information data bits to the user. However, with the IEEE 802.11n standardization, certain chipsets provide access to CSI. Therefore, CSI data became processible and integrable to localization schemes. In this project, a test environment was constructed for the localization task. Two routers with proper chipsets were assigned as transmitter and receiver. They were operationalized for the CSI data collection. Lastly, these data were processed with various deep learning models.
• Abstract（参考訳）: ローカライゼーションはロボット工学や無線通信といった様々な分野において最も重要な問題の1つである。 例えば、無人航空機(UAV)は適切な制御戦略のために正確な位置の情報を必要とする。 この問題は、屋外アプリケーションのための統合GPSユニットで非常に効率的に処理される。 しかし, 屋内ではGPS信号が利用できないため, 特別な処理が必要である。 UAVのような移動ロボットのもう1つの側面は、移動ロボットと計算ユニットとの間に一定の無線通信が存在することである。 この通信は主に遠隔計測情報や制御動作の計算を直接取得するために行われる。 この送信の責任ある統合ユニットは商用無線通信チップセットである。 受信側のこれらのユニットは、様々な数学的手法で通信チャネルの多様な効果を取り除く責任がある。 これらの手法は主にチャネル自体を補償するために現在のチャネルのチャネル状態情報(csi)を必要とする。 補償後、チップセットはCSIとは無関係である。 しかし、送信機と受信機の両方の位置はCSIに直接影響を及ぼす。 csiは環境に関する情報を豊富に含んでいるが、処理された情報データビットのみをユーザに提供するために製造されるため、商用無線チップセットによってアクセシビリティがブロックされる。 しかし、IEEE 802.11nの標準化により、一部のチップセットはCSIへのアクセスを提供する。 したがって、csiデータは処理可能となり、ローカライズスキームに統合可能となった。 本プロジェクトでは,ローカライゼーションタスクのためのテスト環境を構築した。 適切なチップセットを持つ2つのルータが送信機と受信機として割り当てられた。 csiデータ収集のために運用された。 最後に、これらのデータは様々なディープラーニングモデルで処理された。

関連論文リスト

• Secure Multi-hop Telemetry Broadcasts for UAV Swarm Communication [0.0]
  無人航空機(UAV)は幅広い用途に適応可能なプラットフォームとして進化している。 本稿では,カスタムIEEE 802.11 Wi-Fiデータフレームの送信に基づく,暗号化および認証されたマルチホップブロードキャスト通信について検討する。
  論文  参考訳（メタデータ） (2024-01-22T13:01:49Z)
• Artificial Intelligence for Molecular Communication [0.0]
  分子通信は、小型デバイス間でのデータ伝送のための新しいアプローチである。 通信は、ナノスケールの分子をチャネルを介して送信することに基づいており、代わりにワイヤ上に電子を送る。 本稿では,送信信号の復調過程における課題と,人工ニューラルネットワークに基づくこれらの課題へのアプローチについて論じる。
  論文  参考訳（メタデータ） (2023-08-05T07:07:02Z)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• Age of Information in Deep Learning-Driven Task-Oriented Communications [78.84264189471936]
  本稿では,その送信機におけるデータを利用した受信機におけるタスク実行を目的とした,タスク指向コミュニケーションにおける年齢概念について検討する。 送信機-受信機操作は、共同で訓練されたディープニューラルネットワーク(DNN)のエンコーダ-デコーダペアとしてモデル化される。
  論文  参考訳（メタデータ） (2023-01-11T04:15:51Z)
• Is Semantic Communications Secure? A Tale of Multi-Domain Adversarial Attacks [70.51799606279883]
  セマンティック・コミュニケーションのためのディープ・ニューラル・ネットワーク(DNN)に対するテスト・タイム・アタックを導入する。 再建損失が低い場合でも,伝達情報のセマンティクスを変更可能であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:13:22Z)
• UAV-aided RF Mapping for Sensing and Connectivity in Wireless Networks [52.14281905671453]
  無人航空機(UAV)を空飛ぶ無線アクセスネットワーク(RAN)ノードとして使用することは、従来の固定地上配備を補完する。 無線マッピングは、この課題に関連する課題の1つであり、ここでは無線マッピングと呼ばれている。 接続性, センサ性, ローカライゼーション性能の観点から, 無線マッピングによる利点を示す。
  論文  参考訳（メタデータ） (2022-05-06T16:16:08Z)
• DeepCSI: Rethinking Wi-Fi Radio Fingerprinting Through MU-MIMO CSI Feedback Deep Learning [15.160442408342407]
  DeepCSIは、MU-MIMO Wi-Fiデバイスを認証するWi-Fi無線指紋認証の新しいアプローチだ。 市販機器を用いた大規模データ収集キャンペーンを通じて,DeepCSIの性能を広範囲に評価した。 実験結果から、DeepCSIは98%の精度で送信機を正確に識別することがわかった。
  論文  参考訳（メタデータ） (2022-04-15T18:59:29Z)
• Attention Aided CSI Wireless Localization [19.50869817974852]
  我々は、ディープニューラルネットワーク(DNN)におけるロバストな特徴学習のための注意に基づくCSIを提案する。 我々は,2つの非定常線路環境におけるレイトレーシングチャネルの集中分散MIMOシステムの性能評価を行った。
  論文  参考訳（メタデータ） (2022-03-20T09:38:01Z)
• Machine Learning for CSI Recreation Based on Prior Knowledge [19.0581196881206]
  我々は、訓練されていないニューラルネットワーク(UNN)と条件付き生成逆ネットワーク(cGAN)を組み合わせることを提案する。 UNNは、cGANへの入力を構築するために使用されるいくつかの場所の事前CSIを学ぶ。 事前CSI、その位置、所望のチャネルの位置に基づいて、cGANは、所望の場所で期待されるチャネルを出力するように訓練される。 提案手法は, 無線通信路のモデル化に成功し, 視線条件下での位置量子化誤差に頑健であることを示す。
  論文  参考訳（メタデータ） (2021-11-15T15:49:08Z)
• DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection [98.43451011898212]
  複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。 本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。 DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
  論文  参考訳（メタデータ） (2020-02-08T18:31:00Z)

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。