論文の概要: Rate-Limited Closed-Loop Distributed ISAC Systems: An Autoencoder Approach
- arxiv url: http://arxiv.org/abs/2505.01780v1
- Date: Sat, 03 May 2025 10:52:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-06 18:49:35.264052
- Title: Rate-Limited Closed-Loop Distributed ISAC Systems: An Autoencoder Approach
- Title（参考訳）: レート制限付き閉ループ分散ISACシステム:オートエンコーダアプローチ
- Authors: Guangjin Pan, Zhixing Li, Ayça Özçelikkale, Christian Häger, Musa Furkan Keskin, Henk Wymeersch,
- Abstract要約: クローズドループ分散マルチセンサ統合センシング・通信(ISAC)システムでは、速度制限ネットワーク上での高次元センサ観測の伝達に性能が影響することがしばしばある。
まず、レート制限された閉ループ分散ISACシステムのための一般的なフレームワークを提案し、次に、制限された伝送容量によって課される制約を克服するオートエンコーダに基づく観測圧縮手法を提案する。
- 参考スコア（独自算出の注目度）: 19.777607865222564
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In closed-loop distributed multi-sensor integrated sensing and communication (ISAC) systems, performance often hinges on transmitting high-dimensional sensor observations over rate-limited networks. In this paper, we first present a general framework for rate-limited closed-loop distributed ISAC systems, and then propose an autoencoder-based observation compression method to overcome the constraints imposed by limited transmission capacity. Building on this framework, we conduct a case study using a closed-loop linear quadratic regulator (LQR) system to analyze how the interplay among observation, compression, and state dimensions affects reconstruction accuracy, state estimation error, and control performance. In multi-sensor scenarios, our results further show that optimal resource allocation initially prioritizes low-noise sensors until the compression becomes lossless, after which resources are reallocated to high-noise sensors.
- Abstract（参考訳）: クローズドループ分散マルチセンサ統合センシング・通信(ISAC)システムでは、速度制限ネットワーク上での高次元センサ観測の伝達に性能が影響することがしばしばある。
本稿では、まず、レート制限された閉ループ分散ISACシステムのための一般的なフレームワークを提案し、次に、制限された伝送容量によって課される制約を克服するオートエンコーダに基づく観測圧縮手法を提案する。
本研究では, 閉ループ線形2次制御器(LQR)システムを用いて, 観測, 圧縮, 状態次元間の相互作用が再現精度, 状態推定誤差, 制御性能に与える影響を分析する。
マルチセンサのシナリオでは、最適資源割り当ては、圧縮が失われるまで低ノイズセンサを優先し、その後、高ノイズセンサにリソースが再配置される。
関連論文リスト
- AI-in-the-Loop Sensing and Communication Joint Design for Edge Intelligence [65.29835430845893]
本稿では,AI-in-the-loopジョイントセンシングと通信によるエッジインテリジェンス向上のためのフレームワークを提案する。
私たちの研究の重要な貢献は、バリデーション損失とシステムのチューニング可能なパラメータとの間に明確な関係を確立することです。
提案手法は, 通信エネルギー消費を最大77%削減し, 試料数で測定した検知コストを最大52%削減する。
論文 参考訳（メタデータ） (2025-02-14T14:56:58Z) - Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。
ディープラーニングによる異常検出が重要な方向として現れている。
エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文 参考訳（メタデータ） (2024-11-06T15:38:31Z) - Conformal Distributed Remote Inference in Sensor Networks Under Reliability and Communication Constraints [61.62410595953275]
通信制約付き分散共形リスク制御(CD-CRC)
CD-CRCは通信制約下でのセンサネットワークのための新しい意思決定フレームワークである。
論文 参考訳（メタデータ） (2024-09-12T10:12:43Z) - Time-Series JEPA for Predictive Remote Control under Capacity-Limited Networks [31.408649975934008]
時系列共同埋め込み予測アーキテクチャ(TSEPA)とセマンティックアクターは、自己指導型学習を通じて訓練された。
本稿では,TSEPA(Time-Series Joint Embedding Predictive Architecture)と,自己指導型学習を通じて訓練された意味的アクターを提案する。
論文 参考訳（メタデータ） (2024-06-07T11:35:15Z) - MAD-ICP: It Is All About Matching Data -- Robust and Informed LiDAR Odometry [2.0508169116681594]
LiDARオドメトリー(LiDAR odometry)は、連続レーザースキャンからセンサーのエゴモーションを推定するタスクである。
これらのシステムのほとんどは、運用環境、使用するセンサー、動作パターンに関する仮定に暗黙的に依存している。
本稿では,これらの制限を克服し,異なる動作条件下でうまく動作可能なLiDARオドメトリーシステムを提案する。
論文 参考訳（メタデータ） (2024-05-09T15:02:26Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳（メタデータ） (2022-07-03T06:57:07Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - A Learning Framework for Bandwidth-Efficient Distributed Inference in
Wireless IoT [14.211417879279072]
モノのインターネットでは、各センサーは知覚された観察を圧縮して定量化し、送信する。
既存の圧縮技術やエントロピー量子化器の多くは、再構成忠実度のみをメートル法とみなしている。
相関センサの観測結果を圧縮・定量化するための,新しいディープラーニングベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-17T21:52:26Z) - Communication-Efficient Distributed SGD with Compressed Sensing [24.33697801661053]
中央サーバに接続されたエッジデバイスの集合に対する大規模分散最適化について検討する。
近年のフェデレート学習の進歩に触発されて,通信負担を軽減するために,分散勾配降下(SGD)型アルゴリズムを提案する。
我々は,通信チャネルによって発生する雑音摂動の存在下でのアルゴリズムの収束に関する理論的解析を行い,その効果を裏付ける数値実験を行う。
論文 参考訳（メタデータ） (2021-12-15T02:10:45Z) - Learning distributed channel access policies for networked estimation:
data-driven optimization in the mean-field regime [1.52292571922932]
共有ネットワーク上でセンサ計測を通信する問題は、多くの現代の大規模分散システムで広く使われている。
本研究では, 平均場法において, トラクタブルな最適化アルゴリズムを実現する構造を示す。
得られた推定システムの性能に対して、有限サンプル複雑度保証を許容するデータ駆動学習方式を得る。
論文 参考訳（メタデータ） (2021-12-10T21:27:45Z) - Deep Reinforcement Learning for Wireless Scheduling in Distributed Networked Control [37.10638636086814]
完全分散無線制御システム(WNCS)の周波数チャネル数に制限のある結合アップリンクとダウンリンクのスケジューリング問題を考える。
深層強化学習(DRL)に基づくフレームワークを開発した。
DRLにおける大きなアクション空間の課題に対処するために,新しいアクション空間削減法とアクション埋め込み法を提案する。
論文 参考訳（メタデータ） (2021-09-26T11:27:12Z)
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。