論文の概要: JUNO: Jump-Start Reinforcement Learning-based Node Selection for UWB
Indoor Localization
- arxiv url: http://arxiv.org/abs/2205.08422v1
- Date: Fri, 6 May 2022 23:48:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-22 16:31:30.183234
- Title: JUNO: Jump-Start Reinforcement Learning-based Node Selection for UWB
Indoor Localization
- Title(参考訳): JUNO:UWB屋内ローカライゼーションのためのジャンプスタート強化学習に基づくノード選択
- Authors: Zohreh Hajiakhondi-Meybodi, Ming Hou, Arash Mohammadi
- Abstract要約: モバイルユーザとUWBビーコン間のNon Line of Sight(NLoS)接続により,UWBベースのローカライゼーションシステムの性能が著しく低下する可能性がある。
我々は,複雑なNLoS識別・軽減手法に頼ることなく,リアルタイムな位置予測を行う,Jump-start RLベースのUWB NOde選択フレームワークを提案する。
提案したJUNOフレームワークの有効性は,モバイルユーザがNLoS接続を確立する可能性の高い超高密度屋内環境をランダムに移動する位置誤差の観点から評価する。
- 参考スコア(独自算出の注目度): 16.633804827001285
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ultra-Wideband (UWB) is one of the key technologies empowering the Internet
of Thing (IoT) concept to perform reliable, energy-efficient, and highly
accurate monitoring, screening, and localization in indoor environments.
Performance of UWB-based localization systems, however, can significantly
degrade because of Non Line of Sight (NLoS) connections between a mobile user
and UWB beacons. To mitigate the destructive effects of NLoS connections, we
target development of a Reinforcement Learning (RL) anchor selection framework
that can efficiently cope with the dynamic nature of indoor environments.
Existing RL models in this context, however, lack the ability to generalize
well to be used in a new setting. Moreover, it takes a long time for the
conventional RL models to reach the optimal policy. To tackle these challenges,
we propose the Jump-start RL-based Uwb NOde selection (JUNO) framework, which
performs real-time location predictions without relying on complex NLoS
identification/mitigation methods. The effectiveness of the proposed JUNO
framework is evaluated in term of the location error, where the mobile user
moves randomly through an ultra-dense indoor environment with a high chance of
establishing NLoS connections. Simulation results corroborate the effectiveness
of the proposed framework in comparison to its state-of-the-art counterparts.
- Abstract(参考訳): UWB(Ultra-Wideband)は、IoT(Internet of Thing)の概念を利用して、屋内環境における信頼性、エネルギー効率、高精度なモニタリング、スクリーニング、ローカライゼーションを実現するための重要な技術のひとつである。
しかし、UWBベースのローカライズシステムの性能は、モバイルユーザとUWBビーコン間のNon Line of Sight (NLoS)接続によって著しく低下する可能性がある。
nlos接続の破壊的影響を軽減するために,室内環境の動的性質に効率的に対応可能な強化学習(rl)アンカー選択フレームワークの開発を目標とした。
しかし、この文脈で既存のRLモデルは、新しい設定で使われるように一般化する能力が欠けている。
さらに、従来のRLモデルが最適ポリシーに到達するには長い時間がかかる。
これらの課題に対処するために、複雑なNLoS識別・軽減手法に頼ることなく、リアルタイムな位置予測を行うJump-start RL-based Uwb NOde selection (JUNO) フレームワークを提案する。
提案するJUNOフレームワークの有効性は,モバイルユーザがNLoS接続を確立する可能性の高い超高密度屋内環境をランダムに移動する位置誤差の観点から評価する。
シミュレーションの結果,提案手法の有効性を最先端のフレームワークと比較した。
関連論文リスト
- Training Neural Networks from Scratch with Parallel Low-Rank Adapters [50.171622511923474]
計算ノード間の複数の低ランクヘッドの並列トレーニングを実現するために設計された,新しい双方向最適化アルゴリズムである LoRA-the-Explorer (LTE) を導入する。
我々のアプローチには、様々なビジョンデータセットを用いたビジョントランスフォーマーの広範な実験が含まれており、LTEが標準の事前トレーニングと競合していることが示されている。
論文 参考訳(メタデータ) (2024-02-26T18:55:13Z) - Entropy-Regularized Token-Level Policy Optimization for Large Language
Models [76.02428537504323]
大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。
本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。
その結果,ETPO は CodeLlama-7B モデルで有効な性能向上を実現し,RLHF から受け継いだ変種 PPO ベースラインを超越していることがわかった。
論文 参考訳(メタデータ) (2024-02-09T07:45:26Z) - Federated Learning Under Restricted User Availability [3.0846824529023387]
ユーザの不均一な可用性や参加は、悪影響や環境のために避けられない。
本稿では,頻度の低いユーザや制限されたユーザによるデータへの制限的参加を効果的に捉え,緩和するFL問題の新たな定式化を提案する。
提案手法は, 標準FLと比較して, 性能が有意に向上したことを示す。
論文 参考訳(メタデータ) (2023-09-25T14:40:27Z) - FedSpeed: Larger Local Interval, Less Communication Round, and Higher
Generalization Accuracy [84.45004766136663]
フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。
これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。
本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
論文 参考訳(メタデータ) (2023-02-21T03:55:29Z) - 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) - Hybrid Indoor Localization via Reinforcement Learning-based Information
Fusion [17.079430640475962]
この論文は,グローバル都市化の今後の管理におけるスマートシティ(SC)の概念の重要性に動機づけられている。
モノのインターネット(IoT)ベースの通信技術の中で、Bluetooth Low Energy(BLE)は都市全体の意思決定とサービスにおいて重要な役割を果たす。
論文 参考訳(メタデータ) (2022-10-27T02:38:25Z) - Ensembles of Compact, Region-specific & Regularized Spiking Neural
Networks for Scalable Place Recognition [25.0834855255728]
スパイクニューラルネットワークは、特殊なハードウェア上での高エネルギー効率のため、ロボット工学において大きな可能性を秘めている。
本稿では,コンパクトで局所的なスパイクネットワークを学習するモジュール型アンサンブルネットワーク手法を提案する。
デプロイ時にグローバルな正規化の欠如が、学習領域外の場所に対して誤って反応する過活動ニューロンに繋がる、高性能なコストが伴う。
我々は、標準技術であるNetVLAD、DenseVLAD、SADとの比較を行い、ベンチマークローカライゼーションデータセットに基づく新しいスケーラブルなモジュラーシステムの評価を行った。
論文 参考訳(メタデータ) (2022-09-19T02:47:48Z) - Locality Matters: A Scalable Value Decomposition Approach for
Cooperative Multi-Agent Reinforcement Learning [52.7873574425376]
協調型マルチエージェント強化学習(MARL)は,エージェント数で指数関数的に大きい状態空間と動作空間により,スケーラビリティの問題に直面する。
本稿では,学習分散実行パラダイムに局所報酬を組み込んだ,新しい価値に基づくマルチエージェントアルゴリズム LOMAQ を提案する。
論文 参考訳(メタデータ) (2021-09-22T10:08:15Z) - DQLEL: Deep Q-Learning for Energy-Optimized LoS/NLoS UWB Node Selection [39.51375711937119]
複雑なNon Line of Sight(NLoS)緩和手法を使わずに、位置精度を向上させるための効率的なノード選択フレームワークを提案する。
モバイルユーザは、TDoAフレームワークに基づいて、最適なUWBビーコンのペアをローカライズするように自律的に訓練される。
提案するDQLELフレームワークの有効性を,リンク条件,UWBビーコンの残電池寿命のずれ,位置誤差,累積報酬の観点から評価した。
論文 参考訳(メタデータ) (2021-08-24T19:15:57Z) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-07-27T12:38:37Z)
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。