論文の概要: Evaluation of (Un-)Supervised Machine Learning Methods for GNSS Interference Classification with Real-World Data Discrepancies

• arxiv url: http://arxiv.org/abs/2503.23775v1
• Date: Mon, 31 Mar 2025 06:51:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:37:39.980427
• Title: Evaluation of (Un-)Supervised Machine Learning Methods for GNSS Interference Classification with Real-World Data Discrepancies
• Title（参考訳）: GNSS干渉分類のための(Un-) Supervised Machine Learning Methodsの評価
• Authors: Lucas Heublein, Nisha L. Raichur, Tobias Feigl, Tobias Brieger, Fin Heuer, Lennart Asbach, Alexander Rügamer, Felix Ott,
• Abstract要約: 自動車のローカライゼーションは、自動運転車、有料システム、デジタルタコグラフなどのアプリケーションに不可欠である。 正確な位置決めを実現するために、車両は通常、グローバルナビゲーション衛星システム(GNSS)受信機を使用して絶対位置を検証する。 機械学習(ML)に基づく最近のアプローチは、監視干渉において優れた性能を示している。 我々は,MLに基づく最新の教師付き手法の評価を行い,実環境におけるその性能について報告する。
• 参考スコア（独自算出の注目度）: 36.738256927742526
• License:
• Abstract: The accuracy and reliability of vehicle localization on roads are crucial for applications such as self-driving cars, toll systems, and digital tachographs. To achieve accurate positioning, vehicles typically use global navigation satellite system (GNSS) receivers to validate their absolute positions. However, GNSS-based positioning can be compromised by interference signals, necessitating the identification, classification, determination of purpose, and localization of such interference to mitigate or eliminate it. Recent approaches based on machine learning (ML) have shown superior performance in monitoring interference. However, their feasibility in real-world applications and environments has yet to be assessed. Effective implementation of ML techniques requires training datasets that incorporate realistic interference signals, including real-world noise and potential multipath effects that may occur between transmitter, receiver, and satellite in the operational area. Additionally, these datasets require reference labels. Creating such datasets is often challenging due to legal restrictions, as causing interference to GNSS sources is strictly prohibited. Consequently, the performance of ML-based methods in practical applications remains unclear. To address this gap, we describe a series of large-scale measurement campaigns conducted in real-world settings at two highway locations in Germany and the Seetal Alps in Austria, and in large-scale controlled indoor environments. We evaluate the latest supervised ML-based methods to report on their performance in real-world settings and present the applicability of pseudo-labeling for unsupervised learning. We demonstrate the challenges of combining datasets due to data discrepancies and evaluate outlier detection, domain adaptation, and data augmentation techniques to present the models' capabilities to adapt to changes in the datasets.
• Abstract（参考訳）: 道路における車両のローカライゼーションの精度と信頼性は、自動運転車、有料システム、デジタルタコグラフなどの応用に不可欠である。 正確な位置決めを実現するために、車両は通常、グローバルナビゲーション衛星システム(GNSS)受信機を使用して絶対位置を検証する。 しかし、GNSSに基づく位置決めは干渉信号によって妥協され、識別、分類、目的の決定、およびそのような干渉を緩和または除去するために位置決めが必要となる。 機械学習(ML)に基づく最近のアプローチは、監視干渉において優れた性能を示している。 しかし、現実のアプリケーションや環境における実現可能性はまだ評価されていない。 ML手法の効果的な実装には、実世界のノイズや、運用領域で送信機、受信機、衛星間で起こりうる潜在的なマルチパス効果を含む、現実的な干渉信号を含む訓練データセットが必要である。 さらに、これらのデータセットは参照ラベルを必要とする。 GNSSソースへの干渉を引き起こすため、法的制約のため、このようなデータセットの作成は、しばしば困難である。 その結果,MLに基づく手法が実用化されているかは明らかになっていない。 このギャップに対処するために、ドイツとオーストリアのシータルアルプスの2つのハイウェイや、大規模に制御された屋内環境において、現実の環境で実施される大規模な計測活動について述べる。 本研究では,教師なし学習に擬似ラベルを適用可能であることを示すとともに,実環境におけるその性能を報告するための最新の教師付きMLベースの手法の評価を行った。 データ不一致によるデータセットを組み合わせることの課題を実証し、データセットの変化に適応するモデルの能力を示すために、アウトレーヤ検出、ドメイン適応、およびデータ拡張技術を評価する。

関連論文リスト

• Multimodal-to-Text Prompt Engineering in Large Language Models Using Feature Embeddings for GNSS Interference Characterization [2.469551405169408]
  大規模言語モデル(LLMs)は、NLP、情報検索、レコメンデーションシステムなど、さまざまな領域にまたがる高度なAIシステムである。 干渉監視は 道路上の車両の 位置決めの信頼性を確保するために 不可欠だ 我々のパイプラインは干渉分類タスクにおいて最先端の機械学習モデルより優れています。
  論文  参考訳（メタデータ） (2025-01-09T09:01:04Z)
• Achieving Generalization in Orchestrating GNSS Interference Monitoring Stations Through Pseudo-Labeling [44.24482830284491]
  ジャミング装置はグローバルナビゲーション衛星システム(GNSS)受信機の精度を損なう。 本稿では,ハイウェイに沿って配置された監視局を介し,干渉の分類を高度に一般化するML手法を提案する。 本手法は,屋内環境から現実シナリオへの適応において,高い性能を示す。
  論文  参考訳（メタデータ） (2024-10-03T11:07:17Z)
• Evaluating ML Robustness in GNSS Interference Classification, Characterization & Localization [42.14439854721613]
  ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害する 本稿では、低周波アンテナから得られたスナップショットからなる広範囲なデータセットを提案する。 本研究の目的は,機械学習モデル(ML)の環境変化に対するレジリエンスを評価することである。
  論文  参考訳（メタデータ） (2024-09-23T15:20:33Z)
• A Survey of Machine Learning Techniques for Improving Global Navigation Satellite Systems [0.0]
  本稿では,機械学習(ML)の最近の進歩とその限界に対処する可能性を強調する。 教師なし学習、教師なし学習、ディープラーニング、ハイブリッドアプローチなど、幅広いML手法をカバーする。 このサーベイは、信号解析、異常検出、マルチセンサー統合、予測、MLを用いた精度向上といった、位置決めアプリケーションに関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-03-29T18:31:50Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Learning-based NLOS Detection and Uncertainty Prediction of GNSS Observations with Transformer-Enhanced LSTM Network [2.798138034569478]
  本研究では,NLOSの検出と誤りの予測を擬似時間的モデリング問題を用いて行う深層学習に基づく手法を提案する。 香港とAachenのデータセットを使って、提案したネットワークをトレーニングし、評価する。 提案手法は,NLOS観測の分類・排除により,実世界の車両位置の軌跡のばらつきを回避できることを示す。
  論文  参考訳（メタデータ） (2023-09-01T14:17:02Z)
• Automated classification of pre-defined movement patterns: A comparison between GNSS and UWB technology [55.41644538483948]
  リアルタイム位置情報システム(RTLS)は、人間の動きパターンからデータを収集することができる。 本研究の目的は、小さな領域における人間の動きパターンを分類する自動化された枠組みを設計し、評価することである。
  論文  参考訳（メタデータ） (2023-03-10T14:46:42Z)
• One-Shot Domain Adaptive and Generalizable Semantic Segmentation with Class-Aware Cross-Domain Transformers [96.51828911883456]
  セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。 従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。 実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
  論文  参考訳（メタデータ） (2022-12-14T15:54:15Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)

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。