論文の概要: Sionna RT: Differentiable Ray Tracing for Radio Propagation Modeling
- arxiv url: http://arxiv.org/abs/2303.11103v1
- Date: Mon, 20 Mar 2023 13:40:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 15:28:39.951201
- Title: Sionna RT: Differentiable Ray Tracing for Radio Propagation Modeling
- Title（参考訳）: Sionna RT:ラジオ伝搬モデリングのための微分可能なレイトレーシング
- Authors: Jakob Hoydis, Fay\c{c}al A\"it Aoudia, Sebastian Cammerer, Merlin
Nimier-David, Nikolaus Binder, Guillermo Marcus, Alexander Keller
- Abstract要約: Sionnaは、リンクレベルのシミュレーションのためのGPUアクセラレーションされたオープンソースライブラリである。
電波伝搬シミュレーションのための微分可能なレイトレーサ(RT)を統合する。
本稿では,Sionna RTの主要なコンポーネントについて概説する。
- 参考スコア（独自算出の注目度）: 65.17711407805756
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sionna is a GPU-accelerated open-source library for link-level simulations
based on TensorFlow. Its latest release (v0.14) integrates a differentiable ray
tracer (RT) for the simulation of radio wave propagation. This unique feature
allows for the computation of gradients of the channel impulse response and
other related quantities with respect to many system and environment
parameters, such as material properties, antenna patterns, array geometries, as
well as transmitter and receiver orientations and positions. In this paper, we
outline the key components of Sionna RT and showcase example applications such
as learning radio materials and optimizing transmitter orientations by gradient
descent. While classic ray tracing is a crucial tool for 6G research topics
like reconfigurable intelligent surfaces, integrated sensing and
communications, as well as user localization, differentiable ray tracing is a
key enabler for many novel and exciting research directions, for example,
digital twins.
- Abstract（参考訳）: Sionnaは、TensorFlowに基づいたリンクレベルのシミュレーションのための、GPUアクセラレーションされたオープンソースライブラリである。
最新のリリース(v0.14)は、電波伝搬のシミュレーションに微分可能なレイトレーサ(RT)を統合している。
このユニークな特徴は、多くのシステムおよび環境パラメータ、例えば、材料特性、アンテナパターン、アレイジオメトリ、および送信機および受信機方位および位置に関する、チャネルインパルス応答およびその他の関連量の勾配の計算を可能にする。
本稿では,sionna rtの構成要素を概説し,無線教材の学習や勾配降下による送信方向の最適化といった応用例を示す。
古典的レイトレーシングは、再構成可能なインテリジェントサーフェス、統合されたセンシングと通信、ユーザのローカライゼーションといった6G研究トピックにとって重要なツールである一方、差別化可能なレイトレーシングは、デジタルツインなど、多くの斬新でエキサイティングな研究方向性の鍵となる。
関連論文リスト
- Towards Generative Ray Path Sampling for Faster Point-to-Point Ray Tracing [5.723224501252867]
本稿では,潜在的光線経路を効率的にサンプリングするための機械学習支援レイトレーシング手法を提案する。
我々のモデルは、あらゆる可能なパスの中で潜在的に有効なパスを優先順位付けし、シーンの複雑さと線形にスケールすることを学ぶ。
論文 参考訳（メタデータ） (2024-10-31T09:42:03Z) - 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) - Differentiable Radio Frequency Ray Tracing for Millimeter-Wave Sensing [29.352303349003165]
我々はmmWaveベースの3D再構成のための微分可能なフレームワークDiffSBRを提案する。
DiffSBRは、仮想3Dモデルからレーダーポイント雲をシミュレートするために、微分可能なレイトレーシングエンジンを組み込んでいる。
各種レーダーハードウェアを用いた実験は、ディフSBRの微細な3D再構成能力を検証する。
論文 参考訳（メタデータ） (2023-11-22T06:13:39Z) - NeuRBF: A Neural Fields Representation with Adaptive Radial Basis
Functions [93.02515761070201]
本稿では,信号表現に一般放射状基底を用いる新しいタイプのニューラルネットワークを提案する。
提案手法は, 空間適応性が高く, ターゲット信号により密着可能な, フレキシブルなカーネル位置と形状を持つ一般ラジアルベース上に構築する。
ニューラルラジアンス場再構成に適用した場合,本手法はモデルサイズが小さく,訓練速度が同等である最先端のレンダリング品質を実現する。
論文 参考訳（メタデータ） (2023-09-27T06:32:05Z) - Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。
本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。
我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文 参考訳（メタデータ） (2022-09-22T13:12:54Z) - Toward Data-Driven STAP Radar [23.333816677794115]
我々は、時空間適応処理(STAP)レーダーに対するデータ駆動アプローチを特徴付ける。
所定領域に可変強度のターゲットをランダムに配置することにより、受信レーダ信号の豊富なサンプルデータセットを生成する。
この領域内の各データサンプルに対して、ビームフォーマの出力パワーのレンジ、方位、および上昇のヒートマップテンソルを生成する。
空中に浮かぶシナリオでは、動くレーダーは、ビデオに似た、これらのタイムインデクシングされたイメージスタックのシーケンスを生成する。
論文 参考訳（メタデータ） (2022-01-26T02:28:13Z) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳（メタデータ） (2021-11-23T22:25:10Z) - MFGNet: Dynamic Modality-Aware Filter Generation for RGB-T Tracking [72.65494220685525]
可視データと熱データ間のメッセージ通信を促進するために,新しい動的モダリティ対応フィルタ生成モジュール(MFGNet)を提案する。
我々は、2つの独立ネットワークを持つ動的モダリティ対応フィルタを生成し、その可視フィルタとサーマルフィルタをそれぞれ、対応する入力特徴写像上で動的畳み込み演算を行う。
重閉塞,高速移動,外見による問題に対処するため,新たな方向認識型目標誘導型アテンション機構を活用することで,共同で局所的・グローバル検索を行うことを提案する。
論文 参考訳（メタデータ） (2021-07-22T03:10:51Z)
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。