論文の概要: A CNN Approach for 5G mmWave Positioning Using Beamformed CSI Measurements

• arxiv url: http://arxiv.org/abs/2205.03236v1
• Date: Sat, 30 Apr 2022 14:33:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-16 01:32:34.819812
• Title: A CNN Approach for 5G mmWave Positioning Using Beamformed CSI Measurements
• Title（参考訳）: ビームフォーミングCSI計測による5Gmm波位置決めのためのCNN手法
• Authors: Ghazaleh Kia, Laura Ruotsalainen, Jukka Talvitie
• Abstract要約: 我々は,5Gニューラジオ(NR)指紋を用いた畳み込みニューラルネットワーク(CNN)を訓練することで,AIの力を利用する。 都市部からレイトレーシング方式の5G NR CSIを収集し,CNNを訓練するための基準地点で,BS(基地局)からの信号のCSIデータを収集する。 その結果, 特定都市環境を対象としたトレーニングネットワークでは, 平均誤差0.98mでUE位置を推定できることがわかった。
• 参考スコア（独自算出の注目度）: 0.5685944521394608
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The advent of Artificial Intelligence (AI) has impacted all aspects of human life. One of the concrete examples of AI impact is visible in radio positioning. In this article, for the first time we utilize the power of AI by training a Convolutional Neural Network (CNN) using 5G New Radio (NR) fingerprints consisting of beamformed Channel State Information (CSI). By observing CSI, it is possible to characterize the multipath channel between the transmitter and the receiver, and thus provide a good source of spatiotemporal data to find the position of a User Equipment (UE). We collect ray-tracing-based 5G NR CSI from an urban area. The CSI data of the signals from one Base Station (BS) is collected at the reference points with known positions to train a CNN. We evaluate our work by testing: a) the robustness of the trained network for estimating the positions for the new measurements on the same reference points and b) the accuracy of the CNN-based position estimation while the UE is on points other than the reference points. The results prove that our trained network for a specific urban environment can estimate the UE position with a minimum mean error of 0.98 m.
• Abstract（参考訳）: 人工知能(AI)の出現は、人間の生活のあらゆる側面に影響を与えた。 AI影響の具体的な例の1つは、無線位置決めで見ることができる。 本稿では,ビームフォーマドチャネル状態情報(CSI)からなる5Gニューラジオ(NR)指紋を用いて,畳み込みニューラルネットワーク(CNN)を訓練することにより,AIのパワーを初めて活用する。 CSIを観察することにより、送信機と受信機との間のマルチパスチャネルを特徴付けることができ、ユーザ機器(UE)の位置を見つけるための時空間データの優れたソースを提供することができる。 都市部からレイトレーシングによる5G NR CSIを収集する。 1つの基地局(BS)からの信号のCSIデータは、既知の位置の基準地点で収集され、CNNを訓練する。 テストによって仕事を評価するのです a) 同じ基準点上の新しい測定値の位置を推定するための訓練されたネットワークの堅牢性 b) ueが基準点以外の点上にある間、cnnに基づく位置推定の精度。 その結果, 特定都市環境を対象としたトレーニングネットワークでは, 平均誤差0.98mでUE位置を推定できることがわかった。

関連論文リスト

• Attention-based Feature Compression for CNN Inference Offloading in Edge Computing [93.67044879636093]
  本稿では,デバイスエッジ共振器におけるCNN推論の計算負荷について検討する。 エンドデバイスにおける効率的な特徴抽出のための新しいオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。 実験の結果、AECNNは中間データを約4%の精度で256倍圧縮できることがわかった。
  論文  参考訳（メタデータ） (2022-11-24T18:10:01Z)
• 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)
• 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)
• Keypoint Message Passing for Video-based Person Re-Identification [106.41022426556776]
  ビデオベースの人物再識別(re-ID)は、異なるカメラで捉えた人々のビデオスニペットをマッチングすることを目的とした、視覚監視システムにおいて重要な技術である。 既存の手法は主に畳み込みニューラルネットワーク(CNN)に基づいており、そのビルディングブロックは近隣のピクセルを一度に処理するか、あるいは3D畳み込みが時間情報のモデル化に使用される場合、人の動きによって生じるミスアライメントの問題に悩まされる。 本稿では,人間指向グラフ法を用いて,通常の畳み込みの限界を克服することを提案する。具体的には,人手指のキーポイントに位置する特徴を抽出し,時空間グラフとして接続する。
  論文  参考訳（メタデータ） (2021-11-16T08:01:16Z)
• 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)
• Location-Sensitive Visual Recognition with Cross-IOU Loss [177.86369890708457]
  本稿では,オブジェクト検出,インスタンスセグメンテーション,ポーズ推定のための位置感知ネットワーク (LSNet) という統合ソリューションを提案する。 ディープニューラルネットワークをバックボーンとして、LSNetは、ターゲットオブジェクトの形状を一緒に定義するアンカーポイントとランドマークのセットを予測します。
  論文  参考訳（メタデータ） (2021-04-11T02:17:14Z)
• Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
  我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。 我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。 私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
  論文  参考訳（メタデータ） (2020-11-17T12:52:18Z)
• Wireless Localisation in WiFi using Novel Deep Architectures [4.541069830146568]
  本稿では,コモディティ・チップセットと標準チャネル・サウンドによるWiFi機器の屋内位置推定について検討する。 本稿では、異なるアンテナで受信されたWiFiサブキャリアに対応するチャネル状態情報から特徴を抽出する、新しい浅層ニューラルネットワーク(SNN)を提案する。
  論文  参考訳（メタデータ） (2020-10-16T22:48:29Z)
• Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
  我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。 人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。 実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-15T23:57:36Z)
• A CNN-LSTM Quantifier for Single Access Point CSI Indoor Localization [9.601632184687787]
  本稿では,Wi-Fiフィンガープリンティング屋内ローカライゼーションのための畳み込みニューラルネットワーク(CNN)と長寿命メモリ(LSTM)量子化器(LSTM)を組み合わせたネットワーク構造を提案する。 WiFiルータを1つだけ使うと、平均局所化誤差が2.5mで、4m未満の誤差は$mathrm80%である。
  論文  参考訳（メタデータ） (2020-05-13T16:54:31Z)
• Centimeter-Level Indoor Localization using Channel State Information with Recurrent Neural Networks [12.193558591962754]
  本稿では,線形アンテナから収集した実CSIデータを用いて,センチメートルレベルの屋内位置推定を行うニューラルネットワーク手法を提案する。 チャネル応答の振幅または相関行列を入力として使用することにより、データサイズを大幅に削減し、ノイズを抑制することができる。 また、リカレントニューラルネットワーク(RNN)と信号雑音比(SNR)情報によるユーザ動作軌跡の整合性を利用して、推定精度をさらに向上する。
  論文  参考訳（メタデータ） (2020-02-04T17:10:18Z)

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。