論文の概要: Power-Efficient Indoor Localization Using Adaptive Channel-aware Ultra-wideband DL-TDOA

• arxiv url: http://arxiv.org/abs/2402.10515v1
• Date: Fri, 16 Feb 2024 09:04:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-19 17:06:58.476924
• Title: Power-Efficient Indoor Localization Using Adaptive Channel-aware Ultra-wideband DL-TDOA
• Title（参考訳）: 適応チャネル対応超広帯域DL-TDOAを用いた高効率屋内位置推定
• Authors: Sagnik Bhattacharya, Junyoung Choi, Joohyun Lee
• Abstract要約: 本稿では,低消費電力チャネル対応動的周波数DL-TDOAレンジリングアルゴリズムの提案と実装を行う。 畳み込みニューラルネットワーク(CNN)、ダイナミックレンジング周波数制御モジュール、IMUセンサベースのレンジングフィルタに基づくNLOS確率予測器を備える。
• 参考スコア（独自算出の注目度）: 7.306334571814026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Among the various Ultra-wideband (UWB) ranging methods, the absence of uplink communication or centralized computation makes downlink time-difference-of-arrival (DL-TDOA) localization the most suitable for large-scale industrial deployments. However, temporary or permanent obstacles in the deployment region often lead to non-line-of-sight (NLOS) channel path and signal outage effects, which result in localization errors. Prior research has addressed this problem by increasing the ranging frequency, which leads to a heavy increase in the user device power consumption. It also does not contribute to any increase in localization accuracy under line-of-sight (LOS) conditions. In this paper, we propose and implement a novel low-power channel-aware dynamic frequency DL-TDOA ranging algorithm. It comprises NLOS probability predictor based on a convolutional neural network (CNN), a dynamic ranging frequency control module, and an IMU sensor-based ranging filter. Based on the conducted experiments, we show that the proposed algorithm achieves 50% higher accuracy in NLOS conditions while having 46% lower power consumption in LOS conditions compared to baseline methods from prior research.
• Abstract（参考訳）: 様々なUWB(Ultra-wideband)範囲の手法の中で、アップリンク通信や集中型計算の欠如は、ダウンリンク時間差分(DL-TDOA)ローカライゼーションを大規模産業展開に最も適している。 しかし、配置領域における一時的または恒久的な障害は、しばしば非視線(NLOS)チャネルパスと信号の停止効果をもたらし、ローカライゼーションエラーを引き起こす。 従来の研究では、帯域幅を拡大することでこの問題に対処しており、ユーザデバイスの消費電力が大幅に増加した。 また、LOS(Line-of-sight)条件下での局所化精度の上昇にも寄与しない。 本稿では,低消費電力チャネル対応動的周波数DL-TDOAレンジリングアルゴリズムの提案と実装を行う。 畳み込みニューラルネットワーク(cnn)に基づくnlos確率予測装置と、ダイナミックレンジング周波数制御モジュールと、icmセンサベースのレンジングフィルタとを備える。 実験の結果,提案アルゴリズムはNLOS条件では50%高い精度で,LOS条件では46%の低消費電力化を実現していることがわかった。

関連論文リスト

• Linear Combination of Exponential Moving Averages for Wireless Channel Prediction [2.34863357088666]
  本研究では,指数移動平均(EMA)に基づく予測モデルについて検討した。 EMA線形結合(ELC)と呼ばれる新しいモデルを導入し、説明し、実験的に評価した。
  論文  参考訳（メタデータ） (2023-12-13T07:44:05Z)
• An Unsupervised Learning Approach for Spectrum Allocation in Terahertz Communication Systems [31.263991262752498]
  テラヘルツ通信システムにおける教師なし学習を支援する新しいスペクトル割当戦略を提案する。 まず、最適化問題を定式化し、最適なサブバンド帯域幅を決定し、電力を伝送する。 そこで本研究では,教師なし学習に基づく問題解決手法を提案する。
  論文  参考訳（メタデータ） (2022-08-07T02:14:13Z)
• Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
  狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。 導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
  論文  参考訳（メタデータ） (2022-05-22T12:16:43Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• A Machine Learning Based Algorithm for Joint Improvement of Power Control, link adaptation, and Capacity in Beyond 5G Communication systems [4.649999862713524]
  本稿では,5世代以上の無線通信システムの性能向上を目的とした,機械学習に基づく新しいアルゴリズムを提案する。 提案アルゴリズムは,eNodeB接続の総消費電力を削減し,合計容量を増大させる。
  論文  参考訳（メタデータ） (2022-01-08T18:12:13Z)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• End-to-End Learning of OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
  送信機にニューラルネットワーク(NN)を用いて,PAPRと隣接チャネルリーク比(ACLR)を制御可能な高次元変調方式を学習することを提案する。 2つのNNはOFDM上で動作し、PAPRとACLRの制約を強制するトレーニングアルゴリズムを使用して、エンドツーエンドで共同最適化される。
  論文  参考訳（メタデータ） (2021-06-30T13:09:30Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• Power Control for a URLLC-enabled UAV system incorporated with DNN-Based Channel Estimation [82.16169603954663]
  この手紙は、ディープニューラルネットワーク(DNN)に基づくチャネル推定を組み込んだ超信頼性低遅延通信(URLLC)有効無人航空機(UAV)システムの電力制御に関するものである。
  論文  参考訳（メタデータ） (2020-11-14T02:31:04Z)
• Interference Distribution Prediction for Link Adaptation in Ultra-Reliable Low-Latency Communications [71.0558149440701]
  リンク適応(LA)はURLLCを実現するボトルネックの一つと考えられている。 本稿では,ユーザの干渉信号と雑音比の予測に焦点をあて,LAを増強する。 干渉の時間相関を利用することがURLLCの重要な有効性であることを示す。
  論文  参考訳（メタデータ） (2020-07-01T07:59:35Z)

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。