論文の概要: Camera Based mmWave Beam Prediction: Towards Multi-Candidate Real-World
Scenarios
- arxiv url: http://arxiv.org/abs/2308.06868v1
- Date: Mon, 14 Aug 2023 00:15:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-15 14:56:21.089901
- Title: Camera Based mmWave Beam Prediction: Towards Multi-Candidate Real-World
Scenarios
- Title(参考訳): カメラベースmm波ビーム予測:多候補実世界シナリオに向けて
- Authors: Gouranga Charan, Muhammad Alrabeiah, Tawfik Osman, and Ahmed Alkhateeb
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 15.287380309115399
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Leveraging sensory information to aid the millimeter-wave (mmWave) and
sub-terahertz (sub-THz) beam selection process is attracting increasing
interest. This sensory data, captured for example by cameras at the
basestations, has the potential of significantly reducing the beam sweeping
overhead and enabling highly-mobile applications. The solutions developed so
far, however, have mainly considered single-candidate scenarios, i.e.,
scenarios with a single candidate user in the visual scene, and were evaluated
using synthetic datasets. To address these limitations, this paper extensively
investigates the sensing-aided beam prediction problem in a real-world
multi-object vehicle-to-infrastructure (V2I) scenario and presents a
comprehensive machine learning-based framework. In particular, this paper
proposes to utilize visual and positional data to predict the optimal beam
indices as an alternative to the conventional beam sweeping approaches. For
this, a novel user (transmitter) identification solution has been developed, a
key step in realizing sensing-aided multi-candidate and multi-user beam
prediction solutions. The proposed solutions are evaluated on the large-scale
real-world DeepSense $6$G dataset. Experimental results in realistic V2I
communication scenarios indicate that the proposed solutions achieve close to
$100\%$ top-5 beam prediction accuracy for the scenarios with single-user and
close to $95\%$ top-5 beam prediction accuracy for multi-candidate scenarios.
Furthermore, the proposed approach can identify the probable transmitting
candidate with more than $93\%$ accuracy across the different scenarios. This
highlights a promising approach for nearly eliminating the beam training
overhead in mmWave/THz communication systems.
- Abstract(参考訳): ミリ波 (mmWave) とサブテラヘルツ (サブTHz) ビーム選択プロセスを支援するために感覚情報を活用することが注目されている。
このセンサーデータは、例えば基地局のカメラによって撮影され、ビームスイープのオーバーヘッドを大幅に削減し、高度に移動可能なアプリケーションを可能にする可能性がある。
しかし、これまで開発されたソリューションは、主に単一の候補ユーザによるシナリオである、視覚シーンにおける単一候補ユーザによるシナリオを考慮し、合成データセットを用いて評価されてきた。
そこで本稿では,実世界の多目的車対インフラ(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詳細に検討し,機械学習に基づく包括的フレームワークを提案する。
特に,従来のビームスイーピング手法の代替として,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。
このために,センシング支援マルチ候補およびマルチユーザビーム予測ソリューションを実現するための重要なステップとして,新たなユーザ識別ソリューション(トランスミッタ)が開発されている。
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。
現実的なV2I通信シナリオにおける実験結果から,提案手法はシングルユーザの場合,100 %=トップ5ビーム予測精度,およびマルチ候補シナリオの場合,9,5 %=トップ5ビーム予測精度が得られた。
さらに,提案手法では,予測可能な送信候補を,シナリオ毎に9,3 %以上の精度で識別することができる。
これはmmwave/thz通信システムのビームトレーニングオーバーヘッドをほぼ排除するための有望なアプローチである。
関連論文リスト
- OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳(メタデータ) (2024-09-14T07:44:22Z) - RASPNet: A Benchmark Dataset for Radar Adaptive Signal Processing Applications [20.589332431911842]
RASPNetと呼ばれるこのデータセットは、アメリカ合衆国全土の様々な地形や土地タイプにまたがる100の現実的なシナリオで構成されている。
RASPNetは、適応レーダー処理技術の評価を標準化する大規模で現実的なデータセットの可用性において、大きなギャップを埋めようとしている。
論文 参考訳(メタデータ) (2024-06-14T00:07:52Z) - Rethinking Transformers Pre-training for Multi-Spectral Satellite
Imagery [78.43828998065071]
教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。
このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。
本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
論文 参考訳(メタデータ) (2024-03-08T16:18:04Z) - Project and Probe: Sample-Efficient Domain Adaptation by Interpolating
Orthogonal Features [119.22672589020394]
多様な特徴の集合を学習し,これらの特徴を補間することによって対象分布に適応する,軽量でサンプル効率のよい手法を提案する。
複数の分散シフト設定を持つ4つのデータセットに対する実験により、Pro$2$は、限られたターゲットデータが与えられた場合、パフォーマンスを5~15%向上することが示された。
論文 参考訳(メタデータ) (2023-02-10T18:58:03Z) - Position Aided Beam Prediction in the Real World: How Useful GPS
Locations Actually Are? [12.847571826603726]
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。
論文 参考訳(メタデータ) (2022-05-18T16:39:17Z) - Computer Vision Aided Blockage Prediction in Real-World Millimeter Wave
Deployments [11.842197872454848]
本稿では,インフラストラクチャノードに設置したカメラが捉えた視覚データを処理するコンピュータビジョンベースのソリューションを開発する。
採用されている実世界のデータセットに基づいて、開発済みのソリューションは、将来発生する障害を予測する上で、$approx 90%の精度を実現している。
論文 参考訳(メタデータ) (2022-03-03T18:38:10Z) - Deep Learning on Multimodal Sensor Data at the Wireless Edge for
Vehicular Network [8.458980329342799]
本稿では,LiDAR,カメラ画像,GPSなどのセンサから収集したマルチモーダルデータを活用することで,ビーム選択を高速化する手法を提案する。
本研究では,モバイル・エッジ・コンピューティング・センターだけでなく,ローカルでも実行可能な個別かつ分散融合型ディープラーニング(F-DL)アーキテクチャを提案する。
市販の合成および自家用実世界のデータセットに対する広範な評価の結果、古典的なRFのみのビームスイーピングよりも95%と96%のビーム選択速度が向上したことが明らかとなった。
論文 参考訳(メタデータ) (2022-01-12T21:55:34Z) - A Novel Look at LIDAR-aided Data-driven mmWave Beam Selection [24.711393214172148]
軽量ニューラルネットワーク(NN)アーキテクチャとそれに対応するLIDARプリプロセッシングを提案する。
nnベースのビーム選択方式は、ビーム探索のオーバーヘッドなしに79.9%のスループットを達成でき、95%のスループットを6ビーム以内で探索できる。
論文 参考訳(メタデータ) (2021-04-29T18:07:31Z) - Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor
Setups [68.8204255655161]
本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。
提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
論文 参考訳(メタデータ) (2021-01-12T12:02:26Z) - AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。
提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
論文 参考訳(メタデータ) (2020-08-16T11:36:11Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳(メタデータ) (2020-07-26T08:17:10Z)
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。