論文の概要: Wireless Channel Prediction in Partially Observed Environments
- arxiv url: http://arxiv.org/abs/2207.00934v1
- Date: Sun, 3 Jul 2022 01:46:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-07 08:02:56.258899
- Title: Wireless Channel Prediction in Partially Observed Environments
- Title（参考訳）: 部分観測環境における無線チャネル予測
- Authors: Mingsheng Yin, Yaqi Hu, Tommy Azzino, Seongjoon Kang, Marco
Mezzavilla, Sundeep Rangan
- Abstract要約: サイト固有の無線周波数(RF)伝搬予測は、カメラやLIDARセンサーなどの視覚データから構築されたモデルにますます依存している。
本稿では,周辺環境の部分的な観測から,統計的チャネルモデルを抽出する手法を提案する。
提案手法は, 部分的な情報が得られない場合に完全に統計モデルと, 環境が完全に観察された場合に完全に決定論的モデルとを補間できることを示す。
- 参考スコア（独自算出の注目度）: 10.803318254625687
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Site-specific radio frequency (RF) propagation prediction increasingly relies
on models built from visual data such as cameras and LIDAR sensors. When
operating in dynamic settings, the environment may only be partially observed.
This paper introduces a method to extract statistical channel models, given
partial observations of the surrounding environment. We propose a simple
heuristic algorithm that performs ray tracing on the partial environment and
then uses machine-learning trained predictors to estimate the channel and its
uncertainty from features extracted from the partial ray tracing results. It is
shown that the proposed method can interpolate between fully statistical models
when no partial information is available and fully deterministic models when
the environment is completely observed. The method can also capture the degree
of uncertainty of the propagation predictions depending on the amount of region
that has been explored. The methodology is demonstrated in a robotic navigation
application simulated on a set of indoor maps with detailed models constructed
using state-of-the-art navigation, simultaneous localization and mapping
(SLAM), and computer vision methods.
- Abstract（参考訳）: サイト固有の無線周波数(RF)伝搬予測は、カメラやLIDARセンサーなどの視覚データから構築されたモデルにますます依存している。
動的設定で操作する場合、環境は部分的にしか観察できない。
本稿では,周辺環境の部分的観測から統計的チャネルモデルを抽出する手法を提案する。
部分的な環境下でレイトレーシングを行い、学習した予測器を用いて部分的なレイトレーシング結果から抽出した特徴からチャネルとその不確かさを推定する単純なヒューリスティックアルゴリズムを提案する。
提案手法は, 部分的な情報がない場合と, 環境が完全に観測された場合の完全決定論的モデルとを補間できることを示した。
提案手法は,探索された領域の量に応じて,伝播予測の不確実性の度合いを把握できる。
本手法は, 最先端ナビゲーション, 同時ローカライゼーション・マッピング (SLAM) , コンピュータビジョン手法を用いて構築された詳細なモデルを用いて, 室内マップ上にシミュレーションしたロボットナビゲーションアプリケーションで実証される。
関連論文リスト
- Modeling Randomly Observed Spatiotemporal Dynamical Systems [7.381752536547389]
現在利用可能なニューラルネットワークベースのモデリングアプローチは、時間と空間でランダムに収集されたデータに直面したときに不足する。
そこで我々は,このようなランダムなサンプルデータを効果的に処理する新しい手法を開発した。
我々のモデルは、システムの力学と将来の観測のタイミングと位置の両方を予測するために、償却変分推論、ニューラルディファレンシャル方程式、ニューラルポイントプロセス、暗黙のニューラル表現といった技術を統合する。
論文 参考訳（メタデータ） (2024-06-01T09:03:32Z) - Efficient modeling of sub-kilometer surface wind with Gaussian processes and neural networks [0.0]
風は、その空間的および時間的変動が高いため、モデルにとって特に困難な変数である。
本稿では,ガウス過程とニューラルネットワークを統合した表面風洞をサブキロメートル分解能でモデル化する手法を提案する。
論文 参考訳（メタデータ） (2024-05-21T09:07:47Z) - Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。
提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
論文 参考訳（メタデータ） (2023-11-30T13:50:21Z) - Out of Distribution Detection via Domain-Informed Gaussian Process State
Space Models [22.24457254575906]
ロボットが見えないシナリオを安全にナビゲートするためには、オンラインのトレーニング外配布(OoD)状況を正確に検出することが重要である。
我々は,既存のドメイン知識をカーネルに埋め込む新しい手法を提案し,また(ii)遅延水平予測に基づくOoDオンラインランタイムモニタを提案する。
論文 参考訳（メタデータ） (2023-09-13T01:02:42Z) - Diffusion with Forward Models: Solving Stochastic Inverse Problems
Without Direct Supervision [76.32860119056964]
本稿では,直接観測されない信号の分布からサンプルを学習する拡散確率モデルを提案する。
コンピュータビジョンの課題3つの課題に対して,本手法の有効性を示す。
論文 参考訳（メタデータ） (2023-06-20T17:53:00Z) - Learning to Predict Navigational Patterns from Partial Observations [63.04492958425066]
本稿では,実環境におけるナビゲーションのパターンを,部分的な観察のみから推測する,初めての自己教師型学習(SSL)手法を提案する。
我々は、DSLPフィールドに最大極大グラフを適合させることにより、グローバルなナビゲーションパターンを推論する方法を実証する。
実験により,我々のSSLモデルはnuScenesデータセット上で2つのSOTA教師付きレーングラフ予測モデルより優れていることが示された。
論文 参考訳（メタデータ） (2023-04-26T02:08:46Z) - TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。
提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。
私たちのコードはGitHubで公開されます。
論文 参考訳（メタデータ） (2023-01-05T22:10:16Z) - PRISM: Probabilistic Real-Time Inference in Spatial World Models [52.878769723544615]
PRISMはエージェントの動きと視覚知覚の確率的生成モデルにおけるリアルタイムフィルタリングの手法である。
提案手法は10Hzでリアルタイムに動作し,小型・中型屋内環境における最先端SLAMと同等に精度が高い。
論文 参考訳（メタデータ） (2022-12-06T13:59:06Z) - LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。
本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
論文 参考訳（メタデータ） (2022-10-03T22:04:00Z) - Learning to track environment state via predictive autoencoding [0.0]
この研究は、環境の前方モデルを学ぶためのニューラルネットワークを導入している。
この課題は、画像の形で時間的非構造的な観察から学ぶことによってのみ達成される。
ネットワークは、将来の観測と、信念分布からのサンプルの両方を出力することができる。
論文 参考訳（メタデータ） (2021-12-14T21:07:21Z) - An Information-Theoretic Approach to Persistent Environment Monitoring
Through Low Rank Model Based Planning and Prediction [19.95989053853125]
本研究では,大面積の観測点を限定的に選択する手法を提案する。
対象属性の低ランクモデルと情報最大化パスプランナを組み合わせて,属性の状態を予測する。
2つの実環境データセットのシミュレーションにおいて,本手法の評価を行った。
論文 参考訳（メタデータ） (2020-09-02T16:19:55Z)
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。