論文の概要: Velocity-Based Channel Charting with Spatial Distribution Map Matching

• arxiv url: http://arxiv.org/abs/2311.08016v1
• Date: Tue, 14 Nov 2023 09:21:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-15 14:52:59.081356
• Title: Velocity-Based Channel Charting with Spatial Distribution Map Matching
• Title（参考訳）: 空間分布マップマッチングを用いた速度に基づくチャネルチャート作成
• Authors: Maximilian Stahlke, George Yammine, Tobias Feigl, Bjoern M. Eskofier, Christopher Mutschler
• Abstract要約: 指紋による位置決めによる位置決め性能の向上は,NLoS(N-line-of-sight)が室内環境を支配下に置く上での課題である。 チャネルチャーティングは、記録された無線信号と相対座標を暗黙的に関連付けるため、このラベル付けの労力を避ける。 モデルの最新状態を維持するために参照位置を必要としない新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.913210912019975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fingerprint-based localization improves the positioning performance in challenging, non-line-of-sight (NLoS) dominated indoor environments. However, fingerprinting models require an expensive life-cycle management including recording and labeling of radio signals for the initial training and regularly at environmental changes. Alternatively, channel-charting avoids this labeling effort as it implicitly associates relative coordinates to the recorded radio signals. Then, with reference real-world coordinates (positions) we can use such charts for positioning tasks. However, current channel-charting approaches lag behind fingerprinting in their positioning accuracy and still require reference samples for localization, regular data recording and labeling to keep the models up to date. Hence, we propose a novel framework that does not require reference positions. We only require information from velocity information, e.g., from pedestrian dead reckoning or odometry to model the channel charts, and topological map information, e.g., a building floor plan, to transform the channel charts into real coordinates. We evaluate our approach on two different real-world datasets using 5G and distributed single-input/multiple-output system (SIMO) radio systems. Our experiments show that even with noisy velocity estimates and coarse map information, we achieve similar position accuracies
• Abstract（参考訳）: 指紋による位置決めは,NLoSが支配する屋内環境における位置決め性能を向上させる。 しかし、フィンガープリントモデルは、初期訓練や環境変化の定期的な記録とラベル付けを含む、高価なライフサイクル管理を必要とする。 あるいは、チャネルチャーティングは、記録された無線信号と相対座標を暗黙的に関連付けるので、このラベル付け作業を避ける。 次に、参照実世界の座標(位置)を用いて、そのようなチャートを位置決めタスクに使用できる。 しかし、現在のチャネルチャーティングでは、位置決め精度がフィンガープリントより遅れており、ローカライズ、レギュラーデータ記録、ラベリングのためには参照サンプルが必要である。 そこで本稿では,参照位置を必要としない新しいフレームワークを提案する。 速度情報、例えば歩行者の死亡推定やオドメトリからチャネルチャートのモデル化、トポロジカルマップ情報、例えばビルのフロアプランからチャネルチャートを実際の座標に変換するための情報のみを必要とする。 5Gと分散シングルインプット/マルチアウトプットシステム(SIMO)を用いた2つの実世界のデータセットに対するアプローチを評価する。 実験の結果, 騒音速度推定と粗い地図情報を用いても, 同様の位置精度が得られることがわかった。

関連論文リスト

• Model-based Deep Learning for Beam Prediction based on a Channel Chart [3.877743904942729]
  チャネルチャートは、教師なしの方法で無線環境のマップを構築する。 得られたチャート位置は、チャネル状態情報の低次元圧縮版と見なすことができる。 非スタンドアローンまたはセルフリーシステムでは、与えられた基地局で計算されたチャート位置を他の基地局に送信し、どのビームを使用するかを予測する。
  論文  参考訳（メタデータ） (2023-12-04T09:31:17Z)
• Constructing Indoor Region-based Radio Map without Location Labels [18.34037687586167]
  本稿では、位置ラベルを使わずに受信信号強度(RSS)測定から地域ベースの無線マップを開発する。 構築は、屋内エリアの各地域を正確に1度訪問するデバイスから、盲目的に収集されたRSS測定データに基づいて行われる。 提案手法は, 重み付きセントロイド局在化(WCL)ベースラインと比較して, 領域の局所化誤差を約50%削減する。
  論文  参考訳（メタデータ） (2023-08-31T14:27:36Z)
• Indoor Localization with Robust Global Channel Charting: A Time-Distance-Based Approach [2.572404739180802]
  フィンガープリンティングに基づく位置決めは,非視線優位領域における屋内位置決め性能を著しく向上させる。 チャネルチャート(CC)は明示的な参照情報なしで機能し、チャネル状態情報(CSI)の空間的相関のみを必要とする ユークリッド距離に対する線形相関にアプローチする時間同期シングルインプット/シングルアウトプットCSIに対して,新しい距離測定法を提案する。 これにより、チャートから実世界の座標への線形変換のみを使用して、CC支援のフィンガープリントと位置決めが可能になる。
  論文  参考訳（メタデータ） (2022-10-07T11:07:59Z)
• An Indoor Localization Dataset and Data Collection Framework with High Precision Position Annotation [7.152408514130423]
  この技術は、無線信号パラメータデータサンプルのアノテートに使用される拡張現実(AR)ベースの位置決めシステムを実装している。 我々は、ARマーカーで装飾された領域において、実用的で低コストで操作可能なカメラとBluetooth Low Energy(BLE)ビーコンの位置を追跡する。 以上の結果から,AR位置決めシステムの位置誤差を0.05m以下に抑えることができることがわかった。
  論文  参考訳（メタデータ） (2022-09-06T07:41:11Z)
• Neural RF SLAM for unsupervised positioning and mapping with channel state information [51.484516640867525]
  アイソメトリによるユーザ位置と環境マッピングを共同で学習するニューラルネットワークアーキテクチャを提案する。 提案モデルでは,物理ベースのデコーダを適用すれば,解釈可能な潜在能力,すなわちユーザ位置を学習できる。
  論文  参考訳（メタデータ） (2022-03-15T21:32:44Z)
• 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)
• Semi-Supervised Learning for Channel Charting-Aided IoT Localization in Millimeter Wave Networks [97.66522637417636]
  ミリ波ネットワークにおけるチャネルチャート(CC)支援の新たな枠組みを提案する。 特に,無線機器の3次元位置を推定するために,畳み込み型オートエンコーダモデルを提案する。 フレームワークは半教師付きフレームワークに拡張され、オートエンコーダは2つのコンポーネントに分割される。
  論文  参考訳（メタデータ） (2021-08-03T14:41:38Z)
• Object Tracking and Geo-localization from Street Images [4.5958644027273685]
  本稿では,低フレームレートのストリートビデオから交通標識を検出・位置情報化するフレームワークを提案する。 提案システムは、カメラに対する各符号の位置オフセットを予測するRetinaNet(GPS-RetinaNet)の修正版を用いている。 提案したデータセットは、幅広い道路から収集された多様な環境群をカバーする。
  論文  参考訳（メタデータ） (2021-07-13T17:32:04Z)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)
• Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
  メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。 地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。 提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-01T19:24:27Z)
• Real-time Localization Using Radio Maps [59.17191114000146]
  パスロスに基づく簡易かつ効果的なローカライゼーション法を提案する。 提案手法では, 受信した信号強度を, 既知の位置を持つ基地局の集合から報告する。
  論文  参考訳（メタデータ） (2020-06-09T16:51:17Z)

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。