論文の概要: RayLoc: Wireless Indoor Localization via Fully Differentiable Ray-tracing
- arxiv url: http://arxiv.org/abs/2501.17881v1
- Date: Tue, 21 Jan 2025 04:24:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-02 07:52:43.502318
- Title: RayLoc: Wireless Indoor Localization via Fully Differentiable Ray-tracing
- Title（参考訳）: RayLoc:完全差別化可能なレイトレーシングによるワイヤレス屋内ローカライゼーション
- Authors: Xueqiang Han, Tianyue Zheng, Tony Xiao Han, Jun Luo,
- Abstract要約: 本稿では,無線線トレーシングの逆問題として,無線屋内局地化への新たなアプローチを提案する。
我々のソリューションの中核は、センシングシーンの包括的なパラメータへのバックプロパゲーションを可能にする、完全に微分可能なレイトレーシングシミュレータである。
- 参考スコア（独自算出の注目度）: 6.960097465216658
- License:
- Abstract: Wireless indoor localization has been a pivotal area of research over the last two decades, becoming a cornerstone for numerous sensing applications. However, conventional wireless localization methods rely on channel state information to perform blind modelling and estimation of a limited set of localization parameters. This oversimplification neglects many sensing scene details, resulting in suboptimal localization accuracy. To address this limitation, this paper presents a novel approach to wireless indoor localization by reformulating it as an inverse problem of wireless ray-tracing, inferring scene parameters that generates the measured CSI. At the core of our solution is a fully differentiable ray-tracing simulator that enables backpropagation to comprehensive parameters of the sensing scene, allowing for precise localization. To establish a robust localization context, RayLoc constructs a high-fidelity sensing scene by refining coarse-grained background model. Furthermore, RayLoc overcomes the challenges of sparse gradient and local minima by convolving the signal generation process with a Gaussian kernel. Extensive experiments showcase that RayLoc outperforms traditional localization baselines and is able to generalize to different sensing environments.
- Abstract（参考訳）: ワイヤレス屋内のローカライゼーションは過去20年間、重要な研究領域であり、多くのセンサー応用の基礎となっている。
しかし、従来の無線ローカライゼーション手法は、ブラインドモデリングと限定的なローカライゼーションパラメータの推定を行うためにチャネル状態情報に依存している。
この過度な単純化は、多くのセンシングシーンの詳細を無視し、最適な位置決め精度をもたらす。
この制限に対処するため,測定したCSIを生成するシーンパラメーターを推定し,無線線トレーシングの逆問題として再構成することで,無線屋内局部化への新たなアプローチを提案する。
私たちのソリューションのコアとなるのは、センシングシーンの包括的なパラメータへのバックプロパゲーションを可能にする、完全に微分可能なレイトレーシングシミュレータです。
ロバストなローカライズコンテキストを確立するため、RayLocは粗い背景モデルを精細化することで高忠実度センシングシーンを構築する。
さらに、RayLocは、信号生成プロセスとガウスカーネルを結合することで、スパース勾配と局所最小化の課題を克服する。
大規模な実験では、RayLocは従来のローカライゼーションベースラインよりも優れており、異なるセンシング環境に一般化することができる。
関連論文リスト
- Reliable-loc: Robust sequential LiDAR global localization in large-scale street scenes based on verifiable cues [8.074154946982516]
逐次LiDARデータにおける検証可能なキューを利用した,LiDARに基づく信頼性のあるグローバルローカライゼーション(Reliable-loc)を提案する。
本稿では,シーケンシャルなポーズの不確実性によって誘導される局所状態監視機構を提案する。
信頼性の高い場所は、大規模で複雑なストリートシーンで高い堅牢性、正確性、効率性を示す。
論文 参考訳（メタデータ） (2024-11-09T07:28:39Z) - Fast Local Neural Regression for Low-Cost, Path Traced Lambertian Global Illumination [0.0]
リアルタイム光の予算は、コモディティハードウェア上で1ピクセルあたりのサンプル数個に制限されている。
ニューラルネットワークを計算効率のよい局所線形モデルベースデノイザに組み込むことを提案する。
非常に低いサンプル数でランベルティアンシーンのグローバル照明の忠実な単一フレーム再構成を実演する。
論文 参考訳（メタデータ） (2024-10-15T14:14:06Z) - SANGRIA: Stacked Autoencoder Neural Networks with Gradient Boosting for
Indoor Localization [3.3379026542599934]
そこで本研究では,SANGRIAと呼ばれる屋内位置推定のための新しいフィンガープリント・フレームワークを提案する。
屋内の様々な地域や異種デバイスにおける平均局所化誤差が42.96%低いことを実証する。
論文 参考訳（メタデータ） (2024-03-03T00:01:29Z) - Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。
提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
論文 参考訳（メタデータ） (2023-11-30T13:50:21Z) - Local Implicit Ray Function for Generalizable Radiance Field
Representation [20.67358742158244]
本稿では、新しいビューレンダリングのための一般化可能なニューラルレンダリング手法であるLIRF(Local Implicit Ray Function)を提案する。
円錐体フラスタム内の3次元位置が与えられると、LIRFは3次元座標と円錐体フラスタムの特徴を入力として取り、局所体積放射場を予測する。
座標は連続しているため、LIRFはボリュームレンダリングを通じて、高品質の新規ビューを継続的に評価する。
論文 参考訳（メタデータ） (2023-04-25T11:52:33Z) - Sionna RT: Differentiable Ray Tracing for Radio Propagation Modeling [65.17711407805756]
Sionnaは、リンクレベルのシミュレーションをベースとしたGPUアクセラレーションのオープンソースライブラリである。
リリース v0.14 以降、電波伝搬のシミュレーションのために微分可能なレイトレーサ (RT) を統合している。
論文 参考訳（メタデータ） (2023-03-20T13:40:11Z) - 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) - InfoNeRF: Ray Entropy Minimization for Few-Shot Neural Volume Rendering [55.70938412352287]
ニューラルな暗黙表現に基づく数ショットの新規ビュー合成のための情報理論正規化手法を提案する。
提案手法は,不十分な視点で発生する潜在的な復元の不整合を最小化する。
複数の標準ベンチマークにおいて,既存のニューラルビュー合成手法と比較して一貫した性能向上を実現している。
論文 参考訳（メタデータ） (2021-12-31T11:56:01Z) - 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) - Zero-Shot Multi-View Indoor Localization via Graph Location Networks [66.05980368549928]
屋内ローカライゼーションは、位置ベースアプリケーションにおける基本的な問題である。
本稿では,インフラストラクチャフリーで多視点画像に基づく屋内ローカライゼーションを実現するために,新しいニューラルネットワークアーキテクチャであるGraph Location Networks(GLN)を提案する。
GLNは、メッセージパッシングネットワークを通じて画像から抽出されたロバストな位置表現に基づいて位置予測を行う。
新たにゼロショット屋内ローカライズ設定を導入し,提案したGLNを専用ゼロショットバージョンに拡張することで,その課題に対処する。
論文 参考訳（メタデータ） (2020-08-06T07:36:55Z)
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。