論文の概要: Environment-Aware Indoor LoRaWAN Ranging Using Path Loss Model Inversion and Adaptive RSSI Filtering

• arxiv url: http://arxiv.org/abs/2505.01185v2
• Date: Mon, 10 Nov 2025 13:09:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 14:55:59.921821
• Title: Environment-Aware Indoor LoRaWAN Ranging Using Path Loss Model Inversion and Adaptive RSSI Filtering
• Title（参考訳）: 経路損失モデルインバージョンと適応型RSSIフィルタリングを用いた環境対応屋内ロラワNランキング
• Authors: Nahshon Mokua Obiri, Kristof Van Laerhoven,
• Abstract要約: 本稿では,環境に配慮したマルチウォールパス損失モデルとRSSIのためのKalman prefilterを結合した,軽量で解釈可能なパイプラインを提案する。 アプローチは平均絶対誤差(MAE)は4.74m、根平均二乗誤差(RMSE)は6.76mである。
• 参考スコア（独自算出の注目度）: 3.776919981139063
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Achieving sub-10 m indoor ranging with LoRaWAN is difficult because multipath, human blockage, and micro-climate dynamics induce non-stationary attenuation in received signal strength indicator (RSSI) measurements. We present a lightweight, interpretable pipeline that couples an environment-aware multi-wall path loss model with a forward-only, innovation-driven Kalman prefilter for RSSI. The model augments distance and wall terms with frequency, signal-to-noise ratio (SNR), and co-located environmental covariates (temperature, relative humidity, carbon dioxide, particulate matter, and barometric pressure), and is inverted deterministically for distance estimation. On a one-year single-gateway office dataset comprising over 2 million uplinks, the approach attains a mean absolute error (MAE) of 4.74 m and a root mean square error (RMSE) of 6.76 m in distance estimation, improving over a COST-231 multi-wall baseline (12.07 m MAE) and its environment-augmented variant (7.76 m MAE. Filtering reduces RSSI volatility from 10.33 to 5.43 dB and halves path loss error to 5.35 dB while raising R-squared from 0.82 to 0.89. The result is a single-anchor LoRaWAN ranging method with constant per-packet cost that is accurate, robust, and interpretable, providing a strong building block for multi-gateway localization.
• Abstract（参考訳）: 受信信号強度指標(RSSI)測定において,マルチパス,人体閉塞,微気候動態が非定常減衰を引き起こすため,ロラワNを用いた室内10m以下での到達は困難である。 本稿では、環境に配慮したマルチウォールパス損失モデルと、RSSIのためのフォワードオンリーでイノベーション駆動型Kalmanプリフィルタを結合した軽量で解釈可能なパイプラインを提案する。 このモデルは、周波数、信号-雑音比(SNR)、および共配置された環境共変量(温度、相対湿度、二酸化炭素、粒子状物質、気圧)で距離と壁の項を増大させ、距離推定のために決定的に逆転させる。 200万以上のアップリンクからなる1年間の単一ゲートウェイオフィスデータセットでは、アプローチは平均絶対誤差(MAE)が4.74m、ルート平均二乗誤差(RMSE)が6.76m、COST-231のマルチウォールベースライン(12.07m MAE)と環境拡張型(7.76m MAE)よりも改善されている。 フィルタリングによりRSSIのボラティリティは10.33から5.43dBに減少し、経路損失エラーは5.35dBに減少し、R-squaredは0.82から0.89に上昇する。 その結果,単一アンカーのLoRaWANレンジ法で,パッケージ毎のコストが一定であり,精度,堅牢性,解釈可能であり,マルチゲートウェイローカライゼーションのための強力なビルディングブロックが提供される。

関連論文リスト

• Backscatter Device-aided Integrated Sensing and Communication: A Pareto Optimization Framework [59.30060797118097]
  統合センシング・通信(ISAC)システムは、密集した都市非視線シナリオにおいて大きな性能劣化に遭遇する可能性がある。 本稿では,自然環境に分散した受動的BDを利用した後方散乱近似(BD)支援ISACシステムを提案する。
  論文  参考訳（メタデータ） (2025-07-12T17:11:06Z)
• A Lightweight Deep Learning Model for Automatic Modulation Classification using Dual Path Deep Residual Shrinkage Network [0.0]
  自動変調分類(AMC)はスペクトル効率を高める上で重要な役割を果たしている。 低複雑性と高い分類精度のバランスをとる軽量AMCモデルの必要性が高まっている。 本稿では,資源制約エッジデバイスに最適化された低複雑さ,軽量深層学習(DL)AMCモデルを提案する。
  論文  参考訳（メタデータ） (2025-07-07T00:37:54Z)
• A Comprehensive Data Description for LoRaWAN Path Loss Measurements in an Indoor Office Setting: Effects of Environmental Factors [6.8093214146903875]
  本稿では,屋内オフィス環境において収集したLoRaWAN技術パス損失の包括的データセットについて述べる。 反射、散乱、干渉、占有パターンなどの過渡現象は、信号減衰を最大10.58dBで変化させることができる。 このデータセットは、屋内無線通信における将来の研究と開発のための確かな基盤を提供する。
  論文  参考訳（メタデータ） (2025-05-09T18:41:42Z)
• 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)
• Resource Allocation in Multicore Elastic Optical Networks: A Deep Reinforcement Learning Approach [47.187609203210705]
  新しい環境はOpenAIのGymと互換性がある。 ネットワーク状態と物理層関連の側面を考慮してエージェントアクションを処理する。 ベストパフォーマンス剤は、ブロッキング確率の4倍の低下を達成する。
  論文  参考訳（メタデータ） (2022-07-05T14:24:21Z)
• 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。