Fugu-MT 論文翻訳(概要): Centimeter Positioning Accuracy using AI/ML for 6G Applications

論文の概要: Centimeter Positioning Accuracy using AI/ML for 6G Applications

arxiv url: http://arxiv.org/abs/2406.14458v1
Date: Thu, 20 Jun 2024 16:17:07 GMT
ステータス: 処理完了
システム内更新日: 2024-06-21 12:52:55.891714
Title: Centimeter Positioning Accuracy using AI/ML for 6G Applications
Title（参考訳）: 6GアプリケーションのためのAI/MLを用いたCentimeter位置決め精度
Authors: Sai Prasanth Kotturi, Radha Krishna Ganti,
Abstract要約: 本研究では、AI/MLを用いて、産業用モノのインターネット(IIoT)のような6Gアプリケーションにおけるセンチメートルレベルのユーザ位置決めを実現することを検討する。最初の結果から,我々のAI/MLに基づく手法は,室内工場環境において17cmの精度でユーザ位置を推定できることがわかった。
参考スコア（独自算出の注目度）: 0.6998085564793364
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This research looks at using AI/ML to achieve centimeter-level user positioning in 6G applications such as the Industrial Internet of Things (IIoT). Initial results show that our AI/ML-based method can estimate user positions with an accuracy of 17 cm in an indoor factory environment. In this proposal, we highlight our approaches and future directions.
Abstract（参考訳）: 本研究は,AI/MLを用いて,産業用IoT(Industrial Internet of Things, IIoT)などの6Gアプリケーションにおけるセンチメートルレベルのユーザ位置決めを実現することを検討する。最初の結果から,我々のAI/MLに基づく手法は,室内工場環境において17cmの精度でユーザ位置を推定できることがわかった。この提案では、我々のアプローチと今後の方向性を強調します。

関連論文リスト

On the Application of Deep Learning for Precise Indoor Positioning in 6G [1.1056733406224855]
Indoor Factory(InF)シナリオにおける精度向上のためのAI/ML技術の利用について検討する。 LocNetと呼ばれる提案されたニューラルネットワークは、複数の送信受信点(TRP)からのチャネルインパルス応答(CIR)と参照信号受信電力(RSRP)の測定に基づいて訓練されている。シミュレーションの結果、LocNetは18個のTRPの測定値を用いて9cmの位置決め精度を90分の1で達成している。
論文参考訳（メタデータ） (2024-10-25T09:55:21Z)
AgentOccam: A Simple Yet Strong Baseline for LLM-Based Web Agents [52.13695464678006]
本研究は, 観察空間と行動空間を簡略化することで, LLMベースのWebエージェントを強化する。 AgentOccam は以前の最先端および同時処理を 9.8 (+29.4%) と 5.9 (+15.8%) で上回っている。
論文参考訳（メタデータ） (2024-10-17T17:50:38Z)
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)
A Preliminary Study on Using Large Language Models in Software Pentesting [2.0551676463612636]
大規模言語モデル(LLM)は、セキュリティタスクを自動化するための有望な可能性を提供すると考えられている。ソフトウェアペンテスティングにおけるLLMの使用について検討し,ソースコード中のソフトウェアセキュリティ脆弱性を自動的に識別する作業を行う。
論文参考訳（メタデータ） (2024-01-30T21:42:59Z)
Selene: Pioneering Automated Proof in Software Verification [62.09555413263788]
実世界の産業レベルのマイクロカーネルであるseL4をベースとした,最初のプロジェクトレベルの自動証明ベンチマークであるSeleneを紹介する。 GPT-3.5-turbo や GPT-4 のような先進的な大規模言語モデル (LLM) による実験結果から, 自動証明生成領域における LLM の機能を強調した。
論文参考訳（メタデータ） (2024-01-15T13:08:38Z)
ML-Bench: Evaluating Large Language Models and Agents for Machine Learning Tasks on Repository-Level Code [76.84199699772903]
ML-Benchは、既存のコードリポジトリを利用してタスクを実行する現実世界のプログラミングアプリケーションに根ざしたベンチマークである。 LLM(Large Language Model)とAIエージェントの両方を評価するために、事前に定義されたデプロイメント環境でLLMのテキスト-コード変換を評価するML-LLM-Benchと、Linuxサンドボックス環境でエンドツーエンドのタスク実行で自律エージェントをテストするML-Agent-Benchの2つの設定が採用されている。
論文参考訳（メタデータ） (2023-11-16T12:03:21Z)
A Framework for Automated Measurement of Responsible AI Harms in Generative AI Applications [15.087045120842207]
大規模言語モデル(LLM)のためのAI(RAI)メトリクスの自動計測のためのフレームワークを提案する。 LLMの害を自動測定するための枠組みは,既存の技術的・社会学的専門知識に基づいて構築されている。我々は、このフレームワークを使用して、異なるLLMがRAI関連の原則にどのように違反するかを研究するいくつかのケーススタディを実行します。
論文参考訳（メタデータ） (2023-10-26T19:45:06Z)
Foundation Model Based Native AI Framework in 6G with Cloud-Edge-End Collaboration [56.330705072736166]
基礎モデルに基づく6GネイティブAIフレームワークを提案し、意図認識型PFMのカスタマイズアプローチを提供し、新しいクラウド-エッジコラボレーションパラダイムを概説する。実例として,無線通信システムにおける最大和率を達成するために,このフレームワークをオーケストレーションに適用する。
論文参考訳（メタデータ） (2023-10-26T15:19:40Z)
Location-Aware Visual Question Generation with Lightweight Models [21.278164764804536]
この研究は、位置認識型視覚質問生成(LocaVQG)という新しいタスクを導入している。我々は、周囲の画像とGPS座標を用いて、そのような位置認識情報を表現している。我々はLocaVQGタスクに対処し、携帯電話などのエッジデバイスに適合する軽量モデルを学ぶ。
論文参考訳（メタデータ） (2023-10-23T17:33:31Z)
POMP: Pomcp-based Online Motion Planning for active visual search in indoor environments [89.43830036483901]
本稿では, 屋内環境におけるオブジェクトのアクティブビジュアルサーチ(AVS)の最適ポリシーを, オンライン設定で学習する問題に焦点をあてる。提案手法はエージェントの現在のポーズとRGB-Dフレームを入力として使用する。提案手法を利用可能なAVDベンチマークで検証し,平均成功率0.76,平均パス長17.1とした。
論文参考訳（メタデータ） (2020-09-17T08:23:50Z)
Localising Faster: Efficient and precise lidar-based robot localisation in large-scale environments [27.53080210457653]
本稿では,大規模環境における移動ロボットのグローバルなローカライズのための新しいアプローチを提案する。本手法は,学習に基づくローカライゼーションとフィルタリングに基づくローカライゼーションを活用し,ロボットのローカライズを効率的かつ正確に行う。提案手法は,約0.5km2の大規模環境下で,平均1.94秒(0.8秒)で精度0.75mの精度でロボットをローカライズできることを示す。
論文参考訳（メタデータ） (2020-03-04T03:39:37Z)

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。