論文の概要: Near Field Localization via AI-Aided Subspace Methods

• arxiv url: http://arxiv.org/abs/2504.00599v1
• Date: Tue, 01 Apr 2025 09:57:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:18:32.688071
• Title: Near Field Localization via AI-Aided Subspace Methods
• Title（参考訳）: AI支援部分空間法による近接場定位
• Authors: Arad Gast, Luc Le Magoarou, Nir Shlezinger,
• Abstract要約: NF-SubspaceNetは深層学習で強化された2次元MUSICアルゴリズムで,サロゲート共分散行列を学習し,挑戦条件下での局所化を改善する。 また,学習のためのAIモデルとして,近接場部分空間法を鋳造することと組み合わせて,情報源数を正確に推定する新しいモデル順序対応訓練手法を開発した。
• 参考スコア（独自算出の注目度）: 26.766424869535975
• License:
• Abstract: The increasing demands for high-throughput and energy-efficient wireless communications are driving the adoption of extremely large antennas operating at high-frequency bands. In these regimes, multiple users will reside in the radiative near-field, and accurate localization becomes essential. Unlike conventional far-field systems that rely solely on DOA estimation, near-field localization exploits spherical wavefront propagation to recover both DOA and range information. While subspace-based methods, such as MUSIC and its extensions, offer high resolution and interpretability for near-field localization, their performance is significantly impacted by model assumptions, including non-coherent sources, well-calibrated arrays, and a sufficient number of snapshots. To address these limitations, this work proposes AI-aided subspace methods for near-field localization that enhance robustness to real-world challenges. Specifically, we introduce NF-SubspaceNet, a deep learning-augmented 2D MUSIC algorithm that learns a surrogate covariance matrix to improve localization under challenging conditions, and DCD-MUSIC, a cascaded AI-aided approach that decouples angle and range estimation to reduce computational complexity. We further develop a novel model-order-aware training method to accurately estimate the number of sources, that is combined with casting of near field subspace methods as AI models for learning. Extensive simulations demonstrate that the proposed methods outperform classical and existing deep-learning-based localization techniques, providing robust near-field localization even under coherent sources, miscalibrations, and few snapshots.
• Abstract（参考訳）: 高スループットとエネルギー効率の無線通信の需要が増大し、高周波帯で動作する超大型アンテナが採用されつつある。 これらの体制では、複数のユーザーが放射状近接場に居住し、正確な位置決めが不可欠である。 DOA推定のみに依存する従来の遠距離場システムとは異なり、近距離場は球面波面伝播を利用してDOAと範囲情報を復元する。 MUSICやその拡張のようなサブスペースベースの手法は、近距離ローカライゼーションのための高分解能と解釈性を提供するが、その性能は非コヒーレントなソース、よく校正された配列、十分な数のスナップショットを含むモデル仮定に大きく影響する。 これらの制限に対処するため、本研究では、実世界の課題に対するロバスト性を高めるために、近接場ローカライゼーションのためのAI支援サブスペース手法を提案する。 具体的には,学習強化2次元MUSICアルゴリズムであるNF-SubspaceNetと,探索条件下での局所化を改善するために代理共分散行列を学習するDCD-MUSICを導入する。 さらに,学習のためのAIモデルとして,近接場部分空間法を鋳造することと組み合わせた,情報源数を正確に推定する新しいモデル順序対応訓練手法を開発した。 大規模なシミュレーションにより、提案手法は古典的および既存のディープラーニングに基づくローカライゼーション手法より優れており、コヒーレントソースや誤校正、スナップショットの少ない条件下でも、ロバストなニアフィールドローカライゼーションを提供することが示された。

関連論文リスト

• Aerial Reliable Collaborative Communications for Terrestrial Mobile Users via Evolutionary Multi-Objective Deep Reinforcement Learning [59.660724802286865]
  無人航空機(UAV)は、地上通信を改善するための航空基地局(BS)として登場した。 この作業では、UAV対応仮想アンテナアレイによる協調ビームフォーミングを使用して、UAVから地上モバイルユーザへの伝送性能を向上させる。
  論文  参考訳（メタデータ） (2025-02-09T09:15:47Z)
• DRL-based Dolph-Tschebyscheff Beamforming in Downlink Transmission for Mobile Users [52.9870460238443]
  学習可能なDolph-Tschebyscheffアンテナアレイを用いた深部強化学習に基づくブラインドビームフォーミング手法を提案する。 シミュレーションの結果,提案手法は最良値に非常に近いデータレートをサポートできることが示唆された。
  論文  参考訳（メタデータ） (2025-02-03T11:50:43Z)
• HSLiNets: Hyperspectral Image and LiDAR Data Fusion Using Efficient Dual Non-Linear Feature Learning Networks [7.06787067270941]
  新しい線形特徴空間におけるハイパースペクトルイメージング(HSI)とLiDARデータの統合は、HSIに固有の高次元性と冗長性に起因する課題に対する有望な解決策を提供する。 本研究では、双方向逆畳み込み畳み込みニューラルネットワーク(CNN)経路と特殊空間解析ブロックを併用した、二重線型融合空間フレームワークを提案する。 提案手法は,データ処理や分類精度を向上するだけでなく,トランスフォーマーなどの先進モデルに係わる計算負担を軽減する。
  論文  参考訳（メタデータ） (2024-11-30T01:08:08Z)
• Near-field Beam training for Extremely Large-scale MIMO Based on Deep Learning [20.67122533341949]
  深層学習に基づく近接場ビームトレーニング手法を提案する。 我々は,歴史データからチャネル特性を効率的に学習するために,畳み込みニューラルネットワーク(CNN)を用いる。 提案手法は,従来のビームトレーニング法と比較して,より安定したビームフォーミングゲインを実現し,性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-06-05T13:26:25Z)
• Near-Field Spot Beamfocusing: A Correlation-Aware Transfer Learning Approach [9.849635250118912]
  3次元(3D)スポットビームフォーカス(SBF)は、近距離領域の非常に小さな体積内で放射能を集中させる。 近年,チャネル状態情報 (CSI) に依存しない機械学習 (ML) による効果的なSBFのための実装が開発されている。 本稿では, ELPMを用いた近接場SBFについて検討し, 長期学習に伴う課題に対処する。
  論文  参考訳（メタデータ） (2024-05-21T06:27:07Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Robust Networked Federated Learning for Localization [7.332862402432447]
  本稿では,データを複数のデバイスに分散するフェデレーション環境での非滑らかな近似問題に対処する。 本稿では,分散サブグラディエントフレームワークにおけるロバストな定式化を,これらの障害に対処するために明示的に設計した,$L_$-normを採用する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-31T13:54:37Z)
• 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)
• Robust Ultra-wideband Range Error Mitigation with Deep Learning at the Edge [0.0]
  室内無線環境のマルチパス効果、反射、屈折、複雑さは、測定範囲に正のバイアスをもたらす可能性がある。 本稿では,ディープラーニングとグラフ最適化技術の最新技術を活用した効率的な表現学習手法を提案する。 チャネルインパルス応答(CIR)信号を直接利用して高い意味的特徴を抽出し、NLoS条件またはLoS条件の補正を推定する。
  論文  参考訳（メタデータ） (2020-11-30T10:52:21Z)
• Non-Local Spatial Propagation Network for Depth Completion [82.60915972250706]
  本研究では,深度完了のための堅牢で効率的な非局所的空間伝搬ネットワークを提案する。 提案するネットワークは,RGBとスパース深度画像を入力とし,各画素の非局所的近傍とその親和性を推定する。 提案アルゴリズムは,混合深度問題に対する深度補完精度とロバスト性の観点から,従来のアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-07-20T12:26:51Z)

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。