Fugu-MT 論文翻訳(概要): Global Scale Self-Supervised Channel Charting with Sensor Fusion

論文の概要: Global Scale Self-Supervised Channel Charting with Sensor Fusion

arxiv url: http://arxiv.org/abs/2405.04357v1
Date: Tue, 7 May 2024 14:33:45 GMT
ステータス: 処理完了
システム内更新日: 2024-05-08 13:50:50.377030
Title: Global Scale Self-Supervised Channel Charting with Sensor Fusion
Title（参考訳）: センサフュージョンを用いたグローバルスケール自己監督チャネルチャート作成
Authors: Omid Esrafilian, Mohsen Ahadi, Florian Kaltenberger, David Gesbert,
Abstract要約: そこで本研究では,TRP(Transfer Reception Points)の到着時刻と位置を考慮に入れた新しいチャネルチャート化手法を提案する。提案アルゴリズムは, 幾何モデルやユーザ位置の真理を必要とせず, 訓練および試験段階において自己監督されたままである。シミュレーションの結果、我々のアルゴリズムの90%を用いて、サブメーターレベルのローカライズ精度の達成を検証した。
参考スコア（独自算出の注目度）: 18.342892157962563
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The sensing and positioning capabilities foreseen in 6G have great potential for technology advancements in various domains, such as future smart cities and industrial use cases. Channel charting has emerged as a promising technology in recent years for radio frequency-based sensing and localization. However, the accuracy of these techniques is yet far behind the numbers envisioned in 6G. To reduce this gap, in this paper, we propose a novel channel charting technique capitalizing on the time of arrival measurements from surrounding Transmission Reception Points (TRPs) along with their locations and leveraging sensor fusion in channel charting by incorporating laser scanner data during the training phase of our algorithm. The proposed algorithm remains self-supervised during training and test phases, requiring no geometrical models or user position ground truth. Simulation results validate the achievement of a sub-meter level localization accuracy using our algorithm 90% of the time, outperforming the state-of-the-art channel charting techniques and the traditional triangulation-based approaches.
Abstract（参考訳）: 6Gで予測されるセンシングと位置決め機能は、将来のスマートシティや工業ユースケースなど、さまざまな分野の技術の進歩に大きな可能性を秘めている。チャネルチャートは、近年、無線周波数に基づくセンシングとローカライゼーションのための有望な技術として出現している。しかし、これらの手法の精度は6Gで想定される数値にはまだ及ばない。そこで本研究では,このギャップを解消するために,その位置とともにTRP(Transfer Reception Points)の到着時刻を推定し,アルゴリズムのトレーニングフェーズ中にレーザスキャナーデータを統合することで,チャネルチャートにおけるセンサ融合を活用する新しいチャネルチャート手法を提案する。提案アルゴリズムは, 幾何モデルやユーザ位置の真理を必要とせず, 訓練および試験段階において自己監督されたままである。シミュレーションの結果,従来の三角測量に基づく手法と最先端のチャネルチャート技術に勝るものの90%の時間アルゴリズムを用いて,サブメーターレベルのローカライゼーション精度の達成を検証した。

関連論文リスト

Surrogate Modeling of Trajectory Map-matching in Urban Road Networks using Transformer Sequence-to-Sequence Model [1.3812010983144802]
本稿では、オフラインマップマッチングアルゴリズムのサロゲートとして機能するディープラーニングモデル、特にトランスフォーマーベースのエンコーダデコーダモデルを提案する。このモデルは、ニューヨーク州マンハッタンで収集されたGPSトレースを使って訓練され、評価されている。
論文参考訳（メタデータ） (2024-04-18T18:39:23Z)
Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
論文参考訳（メタデータ） (2024-02-25T13:22:17Z)
Neural 5G Indoor Localization with IMU Supervision [63.45775390000508]
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。
論文参考訳（メタデータ） (2024-02-15T13:51:21Z)
Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
論文参考訳（メタデータ） (2024-01-12T14:56:45Z)
Learning Optimal Phase-Shifts of Holographic Metasurface Transceivers [8.90567774835436]
遠距離場チャネルモデルのためのHMTにおける最適位相シフトを学習するためのアルゴリズムを提案する。提案アルゴリズムは、遠距離領域におけるチャネルゲインの構造を利用して、受信した信号にノイズが存在する場合の最適な位相シフトを学習する。
論文参考訳（メタデータ） (2022-12-12T12:43:45Z)
On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。本稿では,密集市街地における局所化問題について検討する。まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
論文参考訳（メタデータ） (2022-11-28T00:31:02Z)
Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文参考訳（メタデータ） (2022-09-28T18:51:59Z)
A Review of Indoor Millimeter Wave Device-based Localization and Device-free Sensing Technologies [20.594006335804796]
安価なミリ波通信(mmWave)とレーダ装置は、消費者市場でそのような技術が浸透し始めています。広帯域mmWaveアクセスは、前例のない精度でデバイスローカライゼーションとデバイスフリーセンシングを可能にする。本稿では,mmWave通信とレーダデバイスを用いたデバイスによる位置推定とデバイスフリーセンシングにおける技術の現状を調査する。
論文参考訳（メタデータ） (2021-12-10T15:21:33Z)
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)
Joint calibration and mapping of satellite altimetry data using trainable variational models [4.506463422216017]
非校正データから校正演算子と補間器を共同で学習するために、データ駆動の変分データ同化フレームワークがいかに使用できるかを示す。提案したフレームワークは、運用上の最先端マッピングパイプラインを大幅に上回っている。
論文参考訳（メタデータ） (2021-10-07T12:48:27Z)
Graph-based Proprioceptive Localization Using a Discrete Heading-Length Feature Sequence Matching Approach [14.356113113268389]
Proprioceptive Localizationは、新しいタイプのロボットエゴセントリックなローカライゼーション手法を指す。これらの方法は自然に悪天候、照明条件、その他の極端な環境条件に免疫がある。環境条件の厳しい環境条件下で、ローカライゼーションのための低コストなフォールバックソリューションを提供する。
論文参考訳（メタデータ） (2020-05-27T23:10:15Z)

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。