論文の概要: Transforming Decoder-Only Transformers for Accurate WiFi-Telemetry Based Indoor Localization

• arxiv url: http://arxiv.org/abs/2505.15835v1
• Date: Fri, 16 May 2025 17:47:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:47.795338
• Title: Transforming Decoder-Only Transformers for Accurate WiFi-Telemetry Based Indoor Localization
• Title（参考訳）: 正確なWiFiテレメトリを用いた屋内位置推定のためのデコーダオンリー変換器
• Authors: Nayan Sanjay Bhatia, Katia Obraczka,
• Abstract要約: WiFiGPT(Generative Pretrained Transformer (GPT) ベースのシステム) を提案する。 提案手法は, 従来型の遠隔測定手法に適合し, しばしば超越する。
• 参考スコア（独自算出の注目度）: 1.312141043398756
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wireless Fidelity (WiFi) based indoor positioning is a widely researched area for determining the position of devices within a wireless network. Accurate indoor location has numerous applications, such as asset tracking and indoor navigation. Despite advances in WiFi localization techniques -- in particular approaches that leverage WiFi telemetry -- their adoption in practice remains limited due to several factors including environmental changes that cause signal fading, multipath effects, interference, which, in turn, impact positioning accuracy. In addition, telemetry data differs depending on the WiFi device vendor, offering distinct features and formats; use case requirements can also vary widely. Currently, there is no unified model to handle all these variations effectively. In this paper, we present WiFiGPT, a Generative Pretrained Transformer (GPT) based system that is able to handle these variations while achieving high localization accuracy. Our experiments with WiFiGPT demonstrate that GPTs, in particular Large Language Models (LLMs), can effectively capture subtle spatial patterns in noisy wireless telemetry, making them reliable regressors. Compared to existing state-of-the-art methods, our method matches and often surpasses conventional approaches for multiple types of telemetry. Achieving sub-meter accuracy for RSSI and FTM and centimeter-level precision for CSI demonstrates the potential of LLM-based localisation to outperform specialized techniques, all without handcrafted signal processing or calibration.
• Abstract（参考訳）: 無線フィデリティ(Wi-Fidelity, Wi-Fi)をベースとした屋内位置決めは、無線ネットワーク内のデバイスの位置を決定するために広く研究されている分野である。 正確な屋内位置は、アセットトラッキングや屋内ナビゲーションなど、多くの応用がある。 WiFiローカライゼーション技術(特にWiFiテレメトリを利用するアプローチ)の進歩にもかかわらず、その採用は、信号のフェード、マルチパス効果、干渉を引き起こす環境変化など、いくつかの要因により制限されている。 加えて、テレメトリデータはWiFiデバイスベンダーによって異なり、異なる特徴やフォーマットを提供する。 現在、これらのバリエーションを効果的に扱う統一モデルはない。 本稿では,GPT(Generative Pretrained Transformer)に基づくWiFiGPTを提案する。 WiFiGPTを用いた実験により,GPT,特にLarge Language Models (LLMs) は,ノイズの多い無線テレメトリにおける微妙な空間パターンを効果的に捉えることができ,信頼性の高い回帰器を実現できることが示された。 既存の最先端手法と比較すると,提案手法は従来の遠隔測定手法を超越していることが多い。 RSSI と FTM のサブメーター精度と CSI のセンチメートルレベルの精度は、手作り信号処理やキャリブレーションを使わずに、LLM ベースのローカライゼーションが特殊技術を上回る可能性を示している。

関連論文リスト

• Digital Shielding for Cross-Domain Wi-Fi Signal Adaptation using Relativistic Average Generative Adversarial Network [13.808977762165823]
  本稿では,物理信号遮蔽にインスパイアされた,Wi-Fi信号のクロスドメイン適応のための新しいディープラーニングモデルを提案する。 このシステムは96%の精度を達成し、強力な物質識別能力を示した。
  論文  参考訳（メタデータ） (2025-04-29T09:18:02Z)
• TimeSense: Multi-Person Device-free Indoor Localization via RTT [1.7667202894248826]
  TimeSense(タイムセンス)はIEEE 802.11-2016標準に基づくデバイスフリーの屋内ローカライズシステムである。 TimeSenseは1.57mと2.65mの中央値のローカライゼーション精度を達成している。 これは2つのテストベッドで、最先端のテクニックのパフォーマンスを49%、そして103%上回る。
  論文  参考訳（メタデータ） (2024-08-17T13:12:33Z)
• Improved Indoor Localization with Machine Learning Techniques for IoT applications [0.0]
  本研究では, 教師付き回帰器, 教師付き分類器, RSSIを用いた屋内位置推定のためのアンサンブル手法の3段階に機械学習アルゴリズムを適用した。 実験の結果は、屋内環境におけるローカライズ精度とロバスト性の観点から、異なる教師付き機械学習技術の有効性に関する洞察を与える。
  論文  参考訳（メタデータ） (2024-02-18T02:55:19Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• A New Paradigm for Device-free Indoor Localization: Deep Learning with Error Vector Spectrum in Wi-Fi Systems [7.010598383249521]
  本稿では,デバイスレス屋内ローカライゼーションのための新しい誤りベクトル支援学習手法を提案する。 提案手法はディープニューラルネットワークを用いて屋内環境における人物の位置を分類する。 実験の結果,提案手法は従来の機械学習手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T04:33:37Z)
• GraSens: A Gabor Residual Anti-aliasing Sensing Framework for Action Recognition using WiFi [52.530330427538885]
  WiFiベースのヒューマンアクション認識(HAR)は、スマートリビングやリモート監視といったアプリケーションにおいて、有望なソリューションと見なされている。 本稿では,無線機器からのWiFi信号を用いた動作を,多様なシナリオで直接認識する,エンド・ツー・エンドのGabor残差検知ネットワーク(GraSens)を提案する。
  論文  参考訳（メタデータ） (2022-05-24T10:20:16Z)
• Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for 5G and Beyond [70.81551587109833]
  非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。 主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。 本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
  論文  参考訳（メタデータ） (2022-01-13T15:20:45Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Moving Object Classification with a Sub-6 GHz Massive MIMO Array using Real Data [64.48836187884325]
  無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。 本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
  論文  参考訳（メタデータ） (2021-02-09T15:48:35Z)

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。