論文の概要: Model-based Neural Data Augmentation for sub-wavelength Radio Localization

• arxiv url: http://arxiv.org/abs/2506.06387v1
• Date: Thu, 05 Jun 2025 08:20:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.24978
• Title: Model-based Neural Data Augmentation for sub-wavelength Radio Localization
• Title（参考訳）: サブ波長電波定位のためのモデルベースニューラルデータ拡張
• Authors: Baptiste Chatelier, Vincent Corlay, Musa Furkan Keskin, Matthieu Crussière, Henk Wymeersch, Luc Le Magoarou,
• Abstract要約: この作業は、メモリ要求を同時に低減し、精度を向上させることで、確立されたフィンガープリントベースのローカライゼーションフレームワークを拡張します。 モデルに基づくニューラルネットワークは、位置-チャネルマッピングを学習するために使用され、生成的ニューラルネットワークモデルとして機能する。 注目すべきは、ローカライズ精度が数桁向上すると同時に、古典的なフィンガープリント法に比べてメモリ要求量が桁違いに削減されることだ。
• 参考スコア（独自算出の注目度）: 19.966727480424794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing deployment of large antenna arrays at base stations has significantly improved the spatial resolution and localization accuracy of radio-localization methods. However, traditional signal processing techniques struggle in complex radio environments, particularly in scenarios dominated by non line of sight (NLoS) propagation paths, resulting in degraded localization accuracy. Recent developments in machine learning have facilitated the development of machine learning-assisted localization techniques, enhancing localization accuracy in complex radio environments. However, these methods often involve substantial computational complexity during both the training and inference phases. This work extends the well-established fingerprinting-based localization framework by simultaneously reducing its memory requirements and improving its accuracy. Specifically, a model-based neural network is used to learn the location-to-channel mapping, and then serves as a generative neural channel model. This generative model augments the fingerprinting comparison dictionary while reducing the memory requirements. The proposed method outperforms fingerprinting baselines by achieving sub-wavelength localization accuracy, even in NLoS environments. Remarkably, it offers an improvement by several orders of magnitude in localization accuracy, while simultaneously reducing memory requirements by an order of magnitude compared to classical fingerprinting methods.
• Abstract（参考訳）: 基地局での大型アンテナアレイの展開の増加により、無線局の空間分解能と位置決め精度が大幅に向上した。 しかし、従来の信号処理技術は複雑な無線環境、特に非視線(NLoS)伝播経路に支配されるシナリオで苦労し、ローカライゼーションの精度が低下する。 機械学習の最近の進歩は、複雑な無線環境におけるローカライゼーションの精度を高め、機械学習支援のローカライズ技術の開発を促進する。 しかしながら、これらの手法は、トレーニングと推論フェーズの両方において、かなりの計算複雑性を伴うことが多い。 この作業は、メモリ要求を同時に低減し、精度を向上させることで、確立されたフィンガープリントベースのローカライゼーションフレームワークを拡張します。 具体的には、モデルに基づくニューラルネットワークを使用して、位置-チャネルマッピングを学習し、生成的ニューラルネットワークモデルとして機能する。 この生成モデルは、メモリ要求を減らしながら指紋比較辞書を増強する。 提案手法は,NLoS環境においても,サブ波長のローカライゼーション精度を達成し,フィンガープリントベースラインを向上する。 注目すべきは、ローカライズ精度が数桁向上すると同時に、古典的なフィンガープリント法に比べてメモリ要求量が桁違いに削減されることだ。

関連論文リスト

• Radio Foundation Models: Pre-training Transformers for 5G-based Indoor Localization [3.2805385616712677]
  本稿では,高価な機器を使わずに5Gチャネル計測において,一般変圧器(TF)ニューラルネットワークを事前学習する自己教師型学習フレームワークを提案する。 そこで本研究では,入力情報をランダムにマスクしてドロップして再構築する手法を提案する。 FPベースのローカライゼーションを可能にする伝搬環境の時間的パターンと情報を暗黙的に学習する。
  論文  参考訳（メタデータ） (2024-10-01T12:03:32Z)
• A Novel Cross-band CSI Prediction Scheme for Multi-band Fingerprint based Localization [0.0]
  本研究では,空間交互一般化予測(SAGE)アルゴリズムに基づいて時間変化パラメータを抽出するシステムを提案する。 次に、可変オートエンコーダ(VAE)を用いて、他のチャネルのチャネル状態情報を再構成した。
  論文  参考訳（メタデータ） (2024-05-06T20:44:58Z)
• A Variational Auto-Encoder Enabled Multi-Band Channel Prediction Scheme for Indoor Localization [11.222977249913411]
  周波数領域から室内指紋位置決めの精度を向上する手法を提案する。 オフィスシナリオから収集したCOST 2100シミュレーションデータと実時間周波数分割多重化(OFDM)WiFiデータに基づいて提案手法を検証した。
  論文  参考訳（メタデータ） (2023-09-19T08:19:34Z)
• Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
  骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。 我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
  論文  参考訳（メタデータ） (2022-09-21T02:33:07Z)
• Bayesian Optimisation-Assisted Neural Network Training Technique for Radio Localisation [3.0981875303080804]
  無線信号ベースの(屋内)ローカライゼーション技術は、スマートファクトリやウェアハウスといったIoTアプリケーションにとって重要である。 異なる無線プロトコルは送信信号に異なる特徴を持ち、ローカライゼーションに利用することができる。 ニューラルネットワークの手法は、しばしば十分な性能を得るために、注意深く構成されたモデルと広範なトレーニングプロセスに依存している。
  論文  参考訳（メタデータ） (2022-03-08T11:46:41Z)
• LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
  LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法 提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。 推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
  論文  参考訳（メタデータ） (2022-02-01T20:27:46Z)
• 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)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)

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。