論文の概要: Diffraction and Scattering Aware Radio Map and Environment
Reconstruction using Geometry Model-Assisted Deep Learning
- arxiv url: http://arxiv.org/abs/2403.00229v1
- Date: Fri, 1 Mar 2024 02:20:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 18:37:58.395866
- Title: Diffraction and Scattering Aware Radio Map and Environment
Reconstruction using Geometry Model-Assisted Deep Learning
- Title(参考訳): 幾何モデル支援深層学習による回折・散乱対応ラジオマップと環境再構成
- Authors: Wangqian Chen and Junting Chen
- Abstract要約: 本稿では、受信信号強度(RSS)データを用いて、無線マップと仮想環境を共同構築することを提案する。
我々は,仮想障害物モデルを開発し,伝搬経路と仮想障害物との間の幾何学的関係を特徴づける。
数値実験により, 3次元仮想環境の再構築に加えて, 提案したモデルは, 精度10%-18%向上した無線地図構築において, 最先端の手法よりも優れた性能を示した。
- 参考スコア(独自算出の注目度): 14.986314279939952
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML) facilitates rapid channel modeling for 5G and beyond
wireless communication systems. Many existing ML techniques utilize a city map
to construct the radio map; however, an updated city map may not always be
available. This paper proposes to employ the received signal strength (RSS)
data to jointly construct the radio map and the virtual environment by
exploiting the geometry structure of the environment. In contrast to many
existing ML approaches that lack of an environment model, we develop a virtual
obstacle model and characterize the geometry relation between the propagation
paths and the virtual obstacles. A multi-screen knife-edge model is adopted to
extract the key diffraction features, and these features are fed into a neural
network (NN) for diffraction representation. To describe the scattering, as
oppose to most existing methods that directly input an entire city map, our
model focuses on the geometry structure from the local area surrounding the
TX-RX pair and the spatial invariance of such local geometry structure is
exploited. Numerical experiments demonstrate that, in addition to
reconstructing a 3D virtual environment, the proposed model outperforms the
state-of-the-art methods in radio map construction with 10%-18% accuracy
improvements. It can also reduce 20% data and 50% training epochs when
transferred to a new environment.
- Abstract(参考訳): 機械学習(ML)は、5Gおよび無線通信システム以上の高速チャネルモデリングを容易にする。
既存のML技術の多くは、ラジオマップを構築するためにシティマップを使用しているが、更新されたシティマップは必ずしも利用できるとは限らない。
本稿では,受信信号強度(rss)データを用いて,環境の幾何構造を利用して無線地図と仮想環境を共同で構築する手法を提案する。
環境モデルが欠如している既存のMLアプローチとは対照的に,仮想障害物モデルを開発し,伝搬経路と仮想障害物との幾何学的関係を特徴付ける。
キー回折特性を抽出するためにマルチスクリーンナイフエッジモデルが採用され、これらの特徴は回折表現のためにニューラルネットワーク(nn)に供給される。
この散乱を説明するために, 都市地図全体を直接入力する既存の手法とは対照的に, モデルではtx-rx対を囲む局所領域からの幾何学構造に着目し, 局所幾何学構造の空間不変性を利用する。
数値実験により, 3次元仮想環境の再構築に加えて, 提案モデルは, 精度10%-18%向上した無線地図構築における最先端手法よりも優れていた。
また、新しい環境に移行する際に20%のデータと50%のトレーニングエポックを削減できる。
関連論文リスト
- Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。
既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。
複雑さを低減した現在の最先端技術の性能をわずかに上回る新しいモデルを導入する。
論文 参考訳(メタデータ) (2024-10-07T09:19:20Z) - Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。
そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。
PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
論文 参考訳(メタデータ) (2024-07-26T06:29:09Z) - City-scale Incremental Neural Mapping with Three-layer Sampling and
Panoptic Representation [5.682979644056021]
我々は、環境レベルとインスタンスレベルのモデリングからなるパノプティクス表現を用いた都市規模連続型ニューラルマッピングシステムを構築した。
疎いLiDAR点雲のストリームが与えられると、3D座標を符号付き距離場(SDF)値にマッピングする動的生成モデルを維持する。
不完全な観測下でのインスタンスの高忠実度マッピングを実現するために、幾何学的詳細をより良くモデル化するために、カテゴリ固有の事前を導入している。
論文 参考訳(メタデータ) (2022-09-28T13:14:40Z) - Spatial-Temporal Deep Embedding for Vehicle Trajectory Reconstruction
from High-Angle Video [1.8520147498637294]
車両セグメンテーションのためのインスタンス認識埋め込みをSTMap上に生成するために,画素レベルとインスタンスレベルの両方でパリティ制約を課すモデルを開発した。
デザインされたモデルは、すべてのNGSIM US-101ビデオを処理して完全な車両軌道を生成するために適用される。
論文 参考訳(メタデータ) (2022-09-17T22:32:05Z) - iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
iSDFは実時間符号付き距離場再構成のための連続学習システムである。
より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
論文 参考訳(メタデータ) (2022-04-05T15:48:39Z) - 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) - Self-Learning for Received Signal Strength Map Reconstruction with
Neural Architecture Search [63.39818029362661]
ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。
このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。
実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
論文 参考訳(メタデータ) (2021-05-17T12:19:22Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳(メタデータ) (2020-07-28T07:34:30Z) - Online Domain Adaptation for Occupancy Mapping [28.081328051535618]
本研究では,環境変化を考慮したモデルパラメータ適応のための最適輸送理論に基づく理論的枠組みを提案する。
高忠実性駆動シミュレータと実世界のデータセットを用いることで、2次元および3次元占有マップのパラメータが局所的な空間変化に合わせて自動的に適応できることを示す。
論文 参考訳(メタデータ) (2020-07-01T00:46:51Z) - Variational State-Space Models for Localisation and Dense 3D Mapping in
6 DoF [17.698319441265223]
深部状態空間モデルにおける近似ベイズ推定として,空間環境における6-DoFの局所化と3次元密度再構成の問題を解く。
この結果、現在の最先端のビジュアルSLAMソリューションに欠ける、世界の表現力のある予測モデルが生まれる。
我々は、最先端のビジュアル・慣性オドメトリーシステムの性能に近づいた、現実的な無人航空機の飛行データに対するアプローチを評価した。
論文 参考訳(メタデータ) (2020-06-17T22:06:35Z)
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。