論文の概要: A Variational Auto-Encoder Enabled Multi-Band Channel Prediction Scheme
for Indoor Localization
- arxiv url: http://arxiv.org/abs/2309.12200v1
- Date: Tue, 19 Sep 2023 08:19:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-22 14:29:02.443635
- Title: A Variational Auto-Encoder Enabled Multi-Band Channel Prediction Scheme
for Indoor Localization
- Title(参考訳): 屋内定位のための変分オートエンコーダによるマルチバンドチャネル予測方式
- Authors: Ruihao Yuan, Kaixuan Huang, Pan Yang, and Shunqing Zhang
- Abstract要約: 周波数領域から室内指紋位置決めの精度を向上する手法を提案する。
オフィスシナリオから収集したCOST 2100シミュレーションデータと実時間周波数分割多重化(OFDM)WiFiデータに基づいて提案手法を検証した。
- 参考スコア(独自算出の注目度): 11.222977249913411
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Indoor localization is getting increasing demands for various cutting-edged
technologies, like Virtual/Augmented reality and smart home. Traditional
model-based localization suffers from significant computational overhead, so
fingerprint localization is getting increasing attention, which needs lower
computation cost after the fingerprint database is built. However, the accuracy
of indoor localization is limited by the complicated indoor environment which
brings the multipath signal refraction. In this paper, we provided a scheme to
improve the accuracy of indoor fingerprint localization from the frequency
domain by predicting the channel state information (CSI) values from another
transmitting channel and spliced the multi-band information together to get
more precise localization results. We tested our proposed scheme on COST 2100
simulation data and real time orthogonal frequency division multiplexing (OFDM)
WiFi data collected from an office scenario.
- Abstract(参考訳): 仮想現実(virtual/augmented reality)やスマートホームなど、さまざまな最先端技術に対する需要が高まっている。
従来のモデルベースのローカライズでは計算のオーバーヘッドが大きく、指紋のローカライズに注目が集まっているため、指紋データベースの構築後、計算コストの低減が求められている。
しかし,マルチパス信号の屈折をもたらす複雑な屋内環境によって,屋内局在の精度は限られている。
本稿では,他の伝送路からのチャネル状態情報(CSI)値を予測し,より正確な位置推定結果を得るために複数の帯域情報をスプリシングすることで,周波数領域からの屋内指紋位置推定の精度を向上させる手法を提案する。
オフィスシナリオから収集したCOST 2100シミュレーションデータと実時間直交周波数分割多重化(OFDM)WiFiデータに基づいて提案手法を検証した。
関連論文リスト
- Radio Foundation Models: Pre-training Transformers for 5G-based Indoor Localization [3.2805385616712677]
本稿では,高価な機器を使わずに5Gチャネル計測において,一般変圧器(TF)ニューラルネットワークを事前学習する自己教師型学習フレームワークを提案する。
そこで本研究では,入力情報をランダムにマスクしてドロップして再構築する手法を提案する。
FPベースのローカライゼーションを可能にする伝搬環境の時間的パターンと情報を暗黙的に学習する。
論文 参考訳(メタデータ) (2024-10-01T12:03:32Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳(メタデータ) (2024-06-04T13:51:08Z) - A Novel Cross-band CSI Prediction Scheme for Multi-band Fingerprint based Localization [0.0]
本研究では,空間交互一般化予測(SAGE)アルゴリズムに基づいて時間変化パラメータを抽出するシステムを提案する。
次に、可変オートエンコーダ(VAE)を用いて、他のチャネルのチャネル状態情報を再構成した。
論文 参考訳(メタデータ) (2024-05-06T20:44:58Z) - On the Multidimensional Augmentation of Fingerprint Data for Indoor
Localization in A Large-Scale Building Complex Based on Multi-Output Gaussian
Process [3.8310036898137296]
Wi-Fiフィンガープリンティングは、大規模な屋内ローカライゼーションの主流のソリューションとなる。
位置化指紋の測定における基準点(RP)の数と分布は精度に大きな影響を及ぼす。
データ拡張は、RPの少ない数と不均一な分布を改善するための実現可能なソリューションとして提案されている。
論文 参考訳(メタデータ) (2022-11-19T10:07:17Z) - LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法
提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。
推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
論文 参考訳(メタデータ) (2022-02-01T20:27:46Z) - Hierarchical Multi-Building And Multi-Floor Indoor Localization Based On
Recurrent Neural Networks [2.0305676256390934]
Wi-Fiフィンガープリントを用いたリカレントニューラルネットワーク(RNN)に基づく階層型マルチビルディングとマルチフロア屋内ローカライゼーションを提案する。
提案手法は建物と床をそれぞれ100%と95.24%の精度で推定し、三次元位置決め誤差は8.62mである。
論文 参考訳(メタデータ) (2021-12-23T11:56:31Z) - 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) - PILOT: Introducing Transformers for Probabilistic Sound Event
Localization [107.78964411642401]
本稿では,受信したマルチチャンネル音声信号の時間的依存性を自己アテンション機構によってキャプチャする,トランスフォーマーに基づく新しい音声イベント定位フレームワークを提案する。
このフレームワークは, 公開されている3つの音声イベントローカライズデータセットを用いて評価し, 局所化誤差と事象検出精度の点で最先端の手法と比較した。
論文 参考訳(メタデータ) (2021-06-07T18:29:19Z) - EdgeLoc: An Edge-IoT Framework for Robust Indoor Localization Using
Capsule Networks [3.659977669398194]
カプセルネットワークを用いた効率的で堅牢な屋内ローカライズのためのエッジIoTフレームワークであるEdgeLocを提案する。
WiFi指紋データから階層情報を効率的に抽出する深層学習モデルをCapsNetで開発する。
我々は,33,600点以上のデータポイントを用いて実世界のフィールド実験を行い,オープンデータセットを用いた広範囲な合成実験を行った。
論文 参考訳(メタデータ) (2020-09-12T12:38:47Z) - Zero-Shot Multi-View Indoor Localization via Graph Location Networks [66.05980368549928]
屋内ローカライゼーションは、位置ベースアプリケーションにおける基本的な問題である。
本稿では,インフラストラクチャフリーで多視点画像に基づく屋内ローカライゼーションを実現するために,新しいニューラルネットワークアーキテクチャであるGraph Location Networks(GLN)を提案する。
GLNは、メッセージパッシングネットワークを通じて画像から抽出されたロバストな位置表現に基づいて位置予測を行う。
新たにゼロショット屋内ローカライズ設定を導入し,提案したGLNを専用ゼロショットバージョンに拡張することで,その課題に対処する。
論文 参考訳(メタデータ) (2020-08-06T07:36:55Z) - Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by
Spiking Neural Network [68.43026108936029]
雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。
このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。
実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
論文 参考訳(メタデータ) (2020-07-07T08:22:56Z)
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。