論文の概要: PC-DeepNet: A GNSS Positioning Error Minimization Framework Using Permutation-Invariant Deep Neural Network
- arxiv url: http://arxiv.org/abs/2504.13990v1
- Date: Fri, 18 Apr 2025 14:18:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-30 07:57:40.210368
- Title: PC-DeepNet: A GNSS Positioning Error Minimization Framework Using Permutation-Invariant Deep Neural Network
- Title(参考訳): PC-DeepNet:permutation-invariant Deep Neural Networkを用いたGNSS位置決め誤差最小化フレームワーク
- Authors: M. Humayun Kabir, Md. Ali Hasan, Md. Shafiqul Islam, Kyeongjun Ko, Wonjae Shin,
- Abstract要約: 非線形(NLOS)伝搬、マルチパス効果、低受信電力レベルは、高非線形および非ガウス測定誤差分布をもたらす。
これらの課題を克服するために、我々は、置換不変(PI)ディープニューラルネットワーク(DNN)を用いて位置補正を推定する、新しい学習ベースのフレームワークであるPC-DeepNet(PC-DeepNet)を考案した。
- 参考スコア(独自算出の注目度): 4.487896589391378
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Global navigation satellite systems (GNSS) face significant challenges in urban and sub-urban areas due to non-line-of-sight (NLOS) propagation, multipath effects, and low received power levels, resulting in highly non-linear and non-Gaussian measurement error distributions. In light of this, conventional model-based positioning approaches, which rely on Gaussian error approximations, struggle to achieve precise localization under these conditions. To overcome these challenges, we put forth a novel learning-based framework, PC-DeepNet, that employs a permutation-invariant (PI) deep neural network (DNN) to estimate position corrections (PC). This approach is designed to ensure robustness against changes in the number and/or order of visible satellite measurements, a common issue in GNSS systems, while leveraging NLOS and multipath indicators as features to enhance positioning accuracy in challenging urban and sub-urban environments. To validate the performance of the proposed framework, we compare the positioning error with state-of-the-art model-based and learning-based positioning methods using two publicly available datasets. The results confirm that proposed PC-DeepNet achieves superior accuracy than existing model-based and learning-based methods while exhibiting lower computational complexity compared to previous learning-based approaches.
- Abstract(参考訳): グローバルナビゲーション衛星システム(GNSS)は、NLOS(Non-of-Sight)伝播、マルチパス効果、低受信電力レベルにより、都市部と郊外部において重大な課題に直面しており、その結果、高度に非線形かつ非ガウス的な測定誤差が分布する。
これを踏まえて、ガウス誤差近似に依存する従来のモデルに基づく位置決め手法は、これらの条件下で正確な局所化を達成するのに苦労する。
これらの課題を克服するために、我々は、置換不変(PI)ディープニューラルネットワーク(DNN)を用いて位置補正(PC)を推定する、新しい学習ベースのフレームワークであるPC-DeepNetを考案した。
このアプローチは、GNSSシステムにおける一般的な問題である可視衛星測度の変化に対するロバスト性を確保するために設計されており、NLOSとマルチパスインジケータを都会や郊外の環境に挑戦する際の位置決め精度を高める機能として活用している。
提案フレームワークの性能を評価するため,2つの公開データセットを用いた最先端モデルベースおよび学習ベース位置決め手法との比較を行った。
その結果,提案したPC-DeepNetは既存のモデルベースおよび学習ベース手法よりも精度が高く,従来の学習ベース手法に比べて計算処理の複雑さが低いことがわかった。
関連論文リスト
- Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。
具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。
ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
論文 参考訳(メタデータ) (2025-03-24T03:19:45Z) - Model-Driven Deep Neural Network for Enhanced AoA Estimation Using 5G gNB [25.578334082503755]
現在の無線ネットワークは、位置決め機能を実現するためにモデル駆動アプローチに依存している。
人工知能を位置決めフレームワークに統合することは、位置情報ベースのサービスの正確性と堅牢性に革命をもたらす、有望なソリューションを提供する。
本稿では,モデル駆動型深層ニューラルネットワーク(MoD-DNN)を提案する。
論文 参考訳(メタデータ) (2024-12-10T01:16:48Z) - Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳(メタデータ) (2024-10-29T19:02:54Z) - GNSS Positioning using Cost Function Regulated Multilateration and Graph
Neural Networks [0.0699049312989311]
衛星からの視線信号が高層物体によって頻繁に遮断される都市環境では、受信機は衛星範囲を測定する際に大きな誤差を受ける。
ヒューリスティック法は、これらの誤差を推定し、雑音測定が局所化精度に与える影響を減らすために一般的に用いられる。
本研究では,これらの誤り推定をグラフニューラルネットワークに基づくディープラーニングモデルに置き換える。
論文 参考訳(メタデータ) (2024-02-28T19:00:01Z) - PrNet: A Neural Network for Correcting Pseudoranges to Improve
Positioning with Android Raw GNSS Measurements [7.909678289680922]
本稿では,携帯端末から収集したデータによる局所化性能を向上させるために,疑似配列のバイアス誤差を緩和するニューラルネットワークを提案する。
サテライトワイド・マルチレイヤー・パーセプトロン (MLP) は、6つのサテライト、レシーバー、コンテキスト関連の特徴から擬似距離バイアスを抑えるように設計されている。
修正された擬似レンジは、位置を計算するためにモデルベースのローカライゼーションエンジンによって使用される。
論文 参考訳(メタデータ) (2023-09-16T10:43:59Z) - Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth
Soft-Thresholding [57.71603937699949]
我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。
トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
論文 参考訳(メタデータ) (2023-09-12T13:03:47Z) - 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) - Adaptive Self-supervision Algorithms for Physics-informed Neural
Networks [59.822151945132525]
物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。
これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。
モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
論文 参考訳(メタデータ) (2022-07-08T18:17:06Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳(メタデータ) (2021-08-09T08:45:47Z) - Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。
受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。
エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文 参考訳(メタデータ) (2021-08-03T14:26:14Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳(メタデータ) (2021-07-27T06:57:56Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳(メタデータ) (2020-12-10T23:28:36Z)
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。