論文の概要: Position Aided Beam Prediction in the Real World: How Useful GPS
Locations Actually Are?
- arxiv url: http://arxiv.org/abs/2205.09054v2
- Date: Thu, 19 May 2022 22:25:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-23 12:30:23.931041
- Title: Position Aided Beam Prediction in the Real World: How Useful GPS
Locations Actually Are?
- Title(参考訳): 実世界における位置支援ビーム予測:gps位置の実際的有用性は?
- Authors: Jo\~ao Morais, Arash Behboodi, Hamed Pezeshki and Ahmed Alkhateeb
- Abstract要約: ミリ波(mmWave)通信システムは、十分な受信信号出力を達成するために狭いビームに依存している。
本研究では、実世界の大規模データセットを用いて位置支援ビーム予測を行い、実際にどれだけのオーバーヘッドを節約できるかを正確に把握する。
- 参考スコア(独自算出の注目度): 12.847571826603726
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Millimeter-wave (mmWave) communication systems rely on narrow beams for
achieving sufficient receive signal power. Adjusting these beams is typically
associated with large training overhead, which becomes particularly critical
for highly-mobile applications. Intuitively, since optimal beam selection can
benefit from the knowledge of the positions of communication terminals, there
has been increasing interest in leveraging position data to reduce the overhead
in mmWave beam prediction. Prior work, however, studied this problem using only
synthetic data that generally does not accurately represent real-world
measurements. In this paper, we investigate position-aided beam prediction
using a real-world large-scale dataset to derive insights into precisely how
much overhead can be saved in practice. Furthermore, we analyze which machine
learning algorithms perform best, what factors degrade inference performance in
real data, and which machine learning metrics are more meaningful in capturing
the actual communication system performance.
- Abstract(参考訳): ミリ波(mmWave)通信システムは受信信号の十分な出力を達成するために狭いビームに依存している。
これらのビームの調整は、通常、大きなトレーニングオーバーヘッドと関連付けられ、特にハイモービルアプリケーションにとって重要となる。
直観的には、最適なビーム選択は通信端末の位置の知識の恩恵を受けるので、mm波ビーム予測のオーバーヘッドを減らすために位置データを活用することへの関心が高まっている。
しかし、以前の研究は、現実世界の測定を正確に表現しない合成データのみを使用してこの問題を研究した。
本稿では,実世界の大規模データセットを用いて位置支援ビーム予測を行い,実際にどれだけのオーバーヘッドを節約できるかを考察する。
さらに,機械学習アルゴリズムの最適性能,実データにおける推論性能の低下要因,実際の通信システム性能の把握において機械学習メトリクスがより意味を持つかを分析する。
関連論文リスト
- Camera Based mmWave Beam Prediction: Towards Multi-Candidate Real-World
Scenarios [15.287380309115399]
本稿では,実環境におけるV2Iシナリオにおけるセンシング支援ビーム予測問題について広範囲に検討する。
特に,視覚的および位置的データを用いて最適なビーム指標を予測することを提案する。
提案手法は,大規模実世界のDeepSense 6$Gデータセットを用いて評価する。
論文 参考訳(メタデータ) (2023-08-14T00:15:01Z) - Optimal transfer protocol by incremental layer defrosting [66.76153955485584]
トランスファーラーニングは、限られた量のデータでモデルトレーニングを可能にする強力なツールである。
最も単純な転送学習プロトコルは、データリッチなソースタスクで事前訓練されたネットワークの機能抽出層を凍結する。
このプロトコルは、しばしば準最適であり、事前学習されたネットワークの小さな部分を凍結したままにしておくと、最大の性能向上が達成される可能性がある。
論文 参考訳(メタデータ) (2023-03-02T17:32:11Z) - Simple and Effective Augmentation Methods for CSI Based Indoor
Localization [37.3026733673066]
物理的考察により,チャネル状態情報に基づく屋内位置推定のための2つのアルゴリズムを提案する。
オリジナルのデータセットのサイズの10%は、オリジナルのデータセットと同じパフォーマンスを得るのに十分です。
提案手法によりさらにデータセットを増大させると、テスト精度は3倍以上に向上する。
論文 参考訳(メタデータ) (2022-11-19T20:27:46Z) - Towards Scale Consistent Monocular Visual Odometry by Learning from the
Virtual World [83.36195426897768]
仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。
まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。
結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
論文 参考訳(メタデータ) (2022-03-11T01:51:54Z) - Understanding Memorization from the Perspective of Optimization via
Efficient Influence Estimation [54.899751055620904]
本研究では,実データ(実データ)とランダムラベル(ランダムデータ)のデータに対する,ターンオーバードロップアウトによる暗記現象,影響と暗記を効率的に推定する手法について検討する。
i) 実データと乱データの両方において、簡単な例(例えば、実データ)と難しい例(例えば、乱データ)の最適化は、ネットワークによって同時に行われる。
論文 参考訳(メタデータ) (2021-12-16T11:34:23Z) - Collaborative Learning over Wireless Networks: An Introductory Overview [84.09366153693361]
主に、ワイヤレスデバイス間の協調トレーニングに焦点を合わせます。
過去数十年間、多くの分散最適化アルゴリズムが開発されてきた。
データ局所性 – すなわち、各参加デバイスで利用可能なデータがローカルのままである間、共同モデルを協調的にトレーニングすることができる。
論文 参考訳(メタデータ) (2021-12-07T20:15:39Z) - A Novel Look at LIDAR-aided Data-driven mmWave Beam Selection [24.711393214172148]
軽量ニューラルネットワーク(NN)アーキテクチャとそれに対応するLIDARプリプロセッシングを提案する。
nnベースのビーム選択方式は、ビーム探索のオーバーヘッドなしに79.9%のスループットを達成でき、95%のスループットを6ビーム以内で探索できる。
論文 参考訳(メタデータ) (2021-04-29T18:07:31Z) - Neighbor Oblivious Learning (NObLe) for Device Localization and Tracking [34.98694924342293]
主な理由は、機械学習が同等の精度でGPSクエリよりもはるかにエネルギー効率が高いことである。
本稿では,これらの基本構造情報を利用することができないため,最先端のシステムでは精度が著しく低下していると論じる。
WiFiベースの指紋位置測定と慣性計測ユニット(IMU)ベースのデバイストラッキングを含む2つのアプリケーションにおけるアプローチの有効性を実証し、最先端の予測精度よりも大幅に向上したことを示す。
論文 参考訳(メタデータ) (2020-11-23T17:25:25Z) - Applying Deep-Learning-Based Computer Vision to Wireless Communications:
Methodologies, Opportunities, and Challenges [100.45137961106069]
ディープラーニング(DL)はコンピュータビジョン(CV)分野で大きな成功を収めている。
本稿では,無線通信におけるDLベースのCVの適用について紹介する。
論文 参考訳(メタデータ) (2020-06-10T11:37:49Z) - Deflating Dataset Bias Using Synthetic Data Augmentation [8.509201763744246]
自律走行車(AV)の視覚タスクの最先端の手法は、教師あり学習に依存している。
本研究の目的は,視覚タスクにおける実際のデータセットのギャップを埋めるために,ターゲットとなる合成データ拡張の利用を検討することである。
AVに実用的な3つの異なるコンピュータビジョンタスクに関する実証研究は、トレーニングミックスに合成データを持つことは、クロスデータセットの一般化性能を著しく向上させることを一貫して示している。
論文 参考訳(メタデータ) (2020-04-28T21:56:10Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳(メタデータ) (2020-01-13T04:41:54Z)
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。