論文の概要: EnviKal-Loc: Sub-10m Indoor LoRaWAN Localization using an Environmental-Aware Path Loss and Adaptive RSSI Smoothing

• arxiv url: http://arxiv.org/abs/2505.01185v1
• Date: Fri, 02 May 2025 11:00:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:20.000964
• Title: EnviKal-Loc: Sub-10m Indoor LoRaWAN Localization using an Environmental-Aware Path Loss and Adaptive RSSI Smoothing
• Title（参考訳）: EnviKal-Loc: Indoor LoRaWAN Localization using a Environmental-Aware Path Loss and Adaptive RSSI Smoothing
• Authors: Nahshon Mokua Obiri, Kristof Van Laerhoven,
• Abstract要約: 本稿では,LoRaWANのローカライゼーションにおいて,10m未満の精度を実現するための軽量だがロバストな手法を提案する。 我々の手法は、重要なLoRaWANパラメータを持つ従来のモデルを拡張します。 適応カルマンフィルタはRSSI変動を低減し、一時的なノイズから永続的なトレンドを分離する。
• 参考スコア（独自算出の注目度）: 6.8093214146903875
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LoRaWAN technology's extensive coverage positions it as a strong contender for large-scale IoT deployments. However, achieving sub-10 m accuracy in indoor localization remains challenging due to complex environmental conditions, multipath fading, and transient obstructions. This paper proposes a lightweight but robust approach combining adaptive filtering with an extended log-distance, multi-wall path loss and shadowing (PLS) model. Our methodology augments conventional models with critical LoRaWAN parameters (received signal strength indicator (RSSI), frequency, and signal-to-noise ratio (SNR)) and dynamic environmental indicators (temperature, humidity, carbon dioxide, particulate matter, and barometric pressure). An adaptive Kalman filter reduces RSSI fluctuations, isolating persistent trends from momentary noise. Using a six-month dataset of 1,328,334 field measurements, we evaluate three models: the baseline COST 231 multi-wall model (MWM), the baseline model augmented with environmental parameters (MWM-EP), and a forward-only adaptive Kalman-filtered RSSI version of the latter (MWM-EP-KF). Results confirm that the MWM-EP-KF achieves a mean absolute error (MAE) of 5.81 m, outperforming both the MWM-EP (10.56 m) and the baseline MWM framework (17.98 m). Environmental augmentation reduces systematic errors by 41.22%, while Kalman filtering significantly enhances robustness under high RSSI volatility by 42.63%, on average across all devices. These findings present an interpretable, efficient solution for precise indoor LoRaWAN localization in dynamically changing environments.
• Abstract（参考訳）: LoRaWANテクノロジの広範なカバレッジは、大規模なIoTデプロイメントの強力な競合相手として位置付けている。 しかし, 複雑な環境条件, マルチパスフェーディング, 過渡的障害などにより, 室内局地化において10m未満の精度を達成することは依然として困難である。 本稿では,適応フィルタと拡張対数距離,マルチウォールパス損失,シャドーイング(PLS)モデルを組み合わせた軽量だが堅牢な手法を提案する。 本手法は, 臨界LoRaWANパラメータ(受信信号強度指標(RSSI), 周波数, 信号-雑音比(SNR))および動的環境指標(温度, 湿度, 二酸化炭素, 粒子状物質, 気圧)を用いた従来のモデルを拡張した。 適応カルマンフィルタはRSSI変動を低減し、一時的なノイズから永続的なトレンドを分離する。 1,328,334フィールドの6ヶ月のデータセットを用いて,ベースラインCOST 231マルチウォールモデル (MWM) ,環境パラメータを付加したベースラインモデル (MWM-EP) ,および前向き適応型Kalman-filtered RSSIバージョン (MWM-EP-KF) の3つのモデルを評価する。 その結果、MWM-EP-KFは平均絶対誤差(MAE)が5.81mであり、MWM-EP(10.56m)とベースラインのMWMフレームワーク(17.98m)の両方を上回ることが確認された。 環境改善は、系統的なエラーを41.22%削減し、カルマンフィルターは、すべてのデバイスで平均42.63%の高RSSIボラティリティの下で、ロバスト性を大幅に向上させる。 これらの知見は, 動的に変化する環境において, 正確な屋内ロラワN局在化のための解釈可能かつ効率的な解であることを示す。

関連論文リスト

• A Statistical Evaluation of Indoor LoRaWAN Environment-Aware Propagation for 6G: MLR, ANOVA, and Residual Distribution Analysis [6.8093214146903875]
  本研究では,複雑な屋内LoRaWANモデリング複合体を捕捉・解析するための2段階のアプローチを提案する。 ドイツのジーゲン大学のHoelderlinstrasse Campus(Hoelderlinstrasse Campus)にある1フロアのオフィスで6ヶ月にわたって収集された1,328,334のフィールド計測データを用いています。
  論文  参考訳（メタデータ） (2025-04-23T13:19:35Z)
• FM2S: Towards Spatially-Correlated Noise Modeling in Zero-Shot Fluorescence Microscopy Image Denoising [33.383511185170214]
  蛍光マイクログラフ・トゥ・セルフ (FM2S) は、3つの重要な革新を通じて効率的な蛍光マイクログラフ・トゥ・セルフ (FM2S) を実現するゼロショットデノイザーである。 FM2Sは平均1.4dBPSNRでCVF-SIDを上回り、AP-BSNの0.1%のパラメータを必要とする。
  論文  参考訳（メタデータ） (2024-12-13T10:45:25Z)
• Adaptive Kalman-Informed Transformer [13.221163846643607]
  拡張カルマンフィルタ(英: extended Kalman filter、EKF)は、ナビゲーションアプリケーションにおいて広く採用されているセンサー融合方式である。 適応的なカルマンインフォームド・トランス (A-KIT) を設計し, 様々なプロセスノイズの共分散をオンラインで学習する。 A-KITは従来のEKFを49.5%以上、モデルベース適応型EKFを35.4%以上上回っている。
  論文  参考訳（メタデータ） (2024-01-18T14:04:51Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• MoE-AMC: Enhancing Automatic Modulation Classification Performance Using Mixture-of-Experts [2.6764607949560593]
  MoE-AMCは、Mixture-of-Experts (MoE)ベースの新しいモデルで、AMC(Automatic Modulation Classification)にバランスよく対処するために開発された。 MoE-AMCは低SNR信号を扱うLSRMと高SNR信号を扱うHSRMの強度をシームレスに結合する。 実験の結果、MoE-AMCはSNRレベルによって71.76%の平均的な分類精度を達成し、以前のSOTAモデルの性能を10%近く上回った。
  論文  参考訳（メタデータ） (2023-12-04T19:31:15Z)
• SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
  拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。 推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。 拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
  論文  参考訳（メタデータ） (2023-10-03T05:05:35Z)
• Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching [77.133400999703]
  相関に基づくステレオマッチングは優れた性能を達成した。 固定モデルによる現在のメソッドは、さまざまなデータセットで均一に動作しない。 本稿では,ロバストなステレオマッチングのための相関を動的に計算する新しい視点を提案する。
  論文  参考訳（メタデータ） (2023-07-26T09:47:37Z)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)
• Ultra-Reliable Indoor Millimeter Wave Communications using Multiple Artificial Intelligence-Powered Intelligent Surfaces [115.85072043481414]
  複数人工知能(AI)対応再構成可能なインテリジェントサーフェス(RIS)を用いた超信頼性ミリ波(mmW)通信を保証する新しいフレームワークを提案する。 複数のAI駆動RISを使用することで、mmWアクセスポイント(AP)から送信される信号の伝搬方向を変更できます。 mmW APとRISのポリシーを制御するために、2つの集中型および分散コントローラが提案されている。
  論文  参考訳（メタデータ） (2021-03-31T19:15:49Z)

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。