論文の概要: PLAIN: Scalable Estimation Architecture for Integrated Sensing and Communication
- arxiv url: http://arxiv.org/abs/2503.21242v1
- Date: Thu, 27 Mar 2025 08:04:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-28 12:51:25.701270
- Title: PLAIN: Scalable Estimation Architecture for Integrated Sensing and Communication
- Title（参考訳）: PLAIN:統合センシングとコミュニケーションのためのスケーラブルな推定アーキテクチャ
- Authors: Bashar Tahir, Philipp Svoboda, Markus Rupp,
- Abstract要約: 統合センシング通信(ISAC)は、次世代モバイルネットワークが構築されるパラダイムの1つである。
センサ統合の主な側面は、周辺環境に関する情報を抽出するパラメータ推定である。
本論文では,複数次元で柔軟にスケール可能なテンソルベース推定アーキテクチャであるPLAINを提案する。
- 参考スコア（独自算出の注目度）: 5.06867896228563
- License:
- Abstract: Integrated sensing and communication (ISAC) is envisioned be to one of the paradigms upon which next-generation mobile networks will be built, extending localization and tracking capabilities, as well as giving birth to environment-aware wireless access. A key aspect of sensing integration is parameter estimation, which involves extracting information about the surrounding environment, such as the direction, distance, and velocity of various objects within. This is typically of a high-dimensional nature, which leads to significant computational complexity, if performed jointly across multiple sensing dimensions, such as space, frequency, and time. Additionally, due to the incorporation of sensing on top of the data transmission, the time window available for sensing is likely to be short, resulting in an estimation problem where only a single snapshot is accessible. In this work, we propose PLAIN, a tensor-based estimation architecture that flexibly scales with multiple sensing dimensions and can handle high dimensionality, limited measurement time, and super-resolution requirements. It consists of three stages: a compression stage, where the high dimensional input is converted into lower dimensionality, without sacrificing resolution; a decoupled estimation stage, where the parameters across the different dimensions are estimated in parallel with low complexity; an input-based fusion stage, where the decoupled parameters are fused together to form a paired multidimensional estimate. We investigate the performance of the architecture for different configurations and compare it against practical sequential and joint estimation baselines, as well as theoretical bounds. Our results show that PLAIN, using tools from tensor algebra, subspace-based processing, and compressed sensing, can scale flexibly with dimensionality, while operating with low complexity and maintaining super-resolution.
- Abstract（参考訳）: ISAC(Integrated Sensistance and Communication)は、次世代モバイルネットワークが構築されるパラダイムのひとつとして、ローカライゼーションとトラッキング機能の拡張、環境に配慮した無線アクセスの誕生を想定している。
センサ統合の重要な側面はパラメータ推定であり、様々な物体の方向、距離、速度などの周囲の環境に関する情報を抽出する。
これは典型的には高次元の性質であり、空間、周波数、時間などの複数の感覚次元を共同で行うと、計算の複雑さがかなり大きくなる。
さらに、データ送信の上部にセンサーが組み込まれているため、センシングに利用できる時間窓は短くなり、単一のスナップショットしかアクセスできないという推定問題が発生する。
本研究では,複数次元で柔軟にスケールし,高次元,限られた測定時間,超分解能要求を処理できるテンソルベース推定アーキテクチャPLAINを提案する。
圧縮段階は、解像度を犠牲にすることなく高次元入力を低次元に変換する段階と、異なる次元にわたるパラメータを低い複雑さで並列に推定する段階と、分離されたパラメータを融合してペアの多次元推定を形成する段階とからなる。
本研究では, 異なる構成のアーキテクチャの性能について検討し, 実効的な逐次的および共同推定ベースライン, 理論的境界と比較する。
その結果, PLAINはテンソル代数, 部分空間処理, 圧縮センシングなどのツールを用いて, 低複雑性で動作し, 超高分解能を維持しながら, 次元的に柔軟にスケールできることが示唆された。
関連論文リスト
- Decomposing and Fusing Intra- and Inter-Sensor Spatio-Temporal Signal for Multi-Sensor Wearable Human Activity Recognition [12.359681612030682]
本稿では,モダリティ変数間の関係をよりよくモデル化するDecomposeWHARモデルを提案する。
分解は各センサ内変数の高次元表現を生成する。
融合フェーズは、センサー内変数間の関係を捉え、チャネルレベルと変数レベルの両方で特徴を融合することから始まる。
論文 参考訳（メタデータ） (2025-01-19T01:52:28Z) - Self Supervised Networks for Learning Latent Space Representations of Human Body Scans and Motions [6.165163123577484]
本稿では,3次元人体解析・処理の分野におけるいくつかの基本的な問題に対処するために,自己教師型ニューラルネットワークモデルを提案する。
身体形状とポーズの潜在空間表現を検索するための新しいアーキテクチャであるVariShaPEを提案する。
第二に、潜時空間の幾何学を学習するフレームワークであるMoGeNで潜時符号の推定を補完する。
論文 参考訳（メタデータ） (2024-11-05T19:59:40Z) - A Hierarchical Spatial Transformer for Massive Point Samples in
Continuous Space [11.074768589778934]
既存のトランスは、主にシーケンス(テキストや時系列)、画像やビデオ、グラフのために設計されている。
本稿では,連続空間における大規模(最大100万点)点サンプルに対する新しい変圧器モデルを提案する。
論文 参考訳（メタデータ） (2023-11-08T02:54:19Z) - UniTR: A Unified and Efficient Multi-Modal Transformer for
Bird's-Eye-View Representation [113.35352122662752]
屋外3次元知覚のためのマルチモーダルバックボーンUniTRを提案する。
UniTRは、統一されたモデリングと共有パラメータで様々なモダリティを処理する。
UniTRは基本的にタスクに依存しないバックボーンであり、異なる3D知覚タスクを自然にサポートする。
論文 参考訳（メタデータ） (2023-08-15T12:13:44Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳（メタデータ） (2022-07-03T06:57:07Z) - Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge
TPU [58.720142291102135]
本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。
我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
論文 参考訳（メタデータ） (2022-04-07T08:53:18Z) - Neural Implicit Flow: a mesh-agnostic dimensionality reduction paradigm
of spatio-temporal data [4.996878640124385]
大規模・パラメトリック・時空間データに対してメッシュに依存しない低ランクな表現を可能にする,NIF(Neural Implicit Flow)と呼ばれる汎用フレームワークを提案する。
NIFは、2つの修正された多層パーセプトロン(i)ShapeNetで構成されており、これは空間的複雑さ(i)ShapeNetを分離し、表現し、パラメトリック依存関係、時間、センサー測定を含む他の入力測定を考慮に入れている。
パラメトリックサロゲートモデリングにおけるNIFの有用性を実証し、複雑な時空間力学の解釈可能な表現と圧縮を可能にし、多空間時空間の効率的な一般化を実現し、スパースの性能を改善した。
論文 参考訳（メタデータ） (2022-04-07T05:02:58Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
一つのビデオから多視点深度を推定する新しい手法を提案する。
提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。
最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-26T04:04:21Z) - Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。
従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。
我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。
これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
論文 参考訳（メタデータ） (2020-08-31T17:10:48Z)
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。