論文の概要: Neural 5G Indoor Localization with IMU Supervision

• arxiv url: http://arxiv.org/abs/2402.09948v1
• Date: Thu, 15 Feb 2024 13:51:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-16 15:38:04.002429
• Title: Neural 5G Indoor Localization with IMU Supervision
• Title（参考訳）: IMUスーパービジョンを用いたニューラル5G屋内位置推定
• Authors: Aleksandr Ermolov, Shreya Kadambi, Maximilian Arnold, Mohammed Hirzallah, Roohollah Amiri, Deepak Singh Mahendar Singh, Srinivas Yerramalli, Daniel Dijkman, Fatih Porikli, Taesang Yoo, Bence Major
• Abstract要約: 無線信号は、ユビキタスであるため、ユーザのローカライゼーションに適しており、暗黒環境で動作し、プライバシを維持することができる。 多くの先行研究は、チャネル状態情報(CSI)と完全に監督された位置の間のマッピングを学ぶ。 本研究は,慣性測定ユニット(IMU)から算出した擬似ラベルを用いて,本要件を緩和するものである。
• 参考スコア（独自算出の注目度）: 63.45775390000508
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radio signals are well suited for user localization because they are ubiquitous, can operate in the dark and maintain privacy. Many prior works learn mappings between channel state information (CSI) and position fully-supervised. However, that approach relies on position labels which are very expensive to acquire. In this work, this requirement is relaxed by using pseudo-labels during deployment, which are calculated from an inertial measurement unit (IMU). We propose practical algorithms for IMU double integration and training of the localization system. We show decimeter-level accuracy on simulated and challenging real data of 5G measurements. Our IMU-supervised method performs similarly to fully-supervised, but requires much less effort to deploy.
• Abstract（参考訳）: 無線信号は、ユビキタスであり、暗闇の中で動作し、プライバシを維持するため、ユーザのローカライズに適しています。 多くの先行研究は、チャネル状態情報(csi)と位置の完全な教師付きマッピングを学ぶ。 しかし、このアプローチは取得に非常に費用がかかる位置ラベルに依存している。 本研究では, 慣性測定ユニット(IMU)から算出した擬似ラベルを用いて, この要件を緩和する。 そこで本研究では、IMUの二重統合とローカライズシステムの訓練のための実用的なアルゴリズムを提案する。 5G測定の実測値のシミュレーションと課題に対して,デシメータレベルの精度を示す。 当社のIMU管理手法は, 完全管理方式と類似しているが, 展開に要する労力ははるかに少ない。

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)
• EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
  実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。 実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
  論文  参考訳（メタデータ） (2024-05-27T17:19:02Z)
• IndoorGNN: A Graph Neural Network based approach for Indoor Localization using WiFi RSSI [3.495640663645263]
  我々は,グラフニューラルネットワーク(GNN)に基づくアルゴリズムを用いて,特定の位置を特定の領域に分類する手法「屋内GNN」を開発した。 この分類を行うMLアルゴリズムのほとんどは、多数のラベル付きデータポイントを必要とする。 実験の結果,IndoorGNNは現状の既存手法やGNNベースの手法と比較して,位置予測精度が向上していることがわかった。
  論文  参考訳（メタデータ） (2023-12-11T17:12:51Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Simple and Effective Augmentation Methods for CSI Based Indoor Localization [37.3026733673066]
  物理的考察により,チャネル状態情報に基づく屋内位置推定のための2つのアルゴリズムを提案する。 オリジナルのデータセットのサイズの10%は、オリジナルのデータセットと同じパフォーマンスを得るのに十分です。 提案手法によりさらにデータセットを増大させると、テスト精度は3倍以上に向上する。
  論文  参考訳（メタデータ） (2022-11-19T20:27:46Z)
• 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)
• 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)
• 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)
• 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)
• Denoising IMU Gyroscopes with Deep Learning for Open-Loop Attitude Estimation [0.0]
  本稿では,慣性計測ユニット(IMU)のジャイロスコープを地中真実データを用いて識別する学習手法を提案する。 得られたアルゴリズムは、(目に見えない)テストシーケンスで最先端の処理を行う。
  論文  参考訳（メタデータ） (2020-02-25T08:04:31Z)

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。