論文の概要: Transfer Learning for VLC-based indoor Localization: Addressing Environmental Variability

• arxiv url: http://arxiv.org/abs/2507.01575v1
• Date: Wed, 02 Jul 2025 10:51:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.153717
• Title: Transfer Learning for VLC-based indoor Localization: Addressing Environmental Variability
• Title（参考訳）: VLCを用いた屋内ローカライゼーションのためのトランスファーラーニング--環境変動に対応して
• Authors: Masood Jan, Wafa Njima, Xun Zhang, Alexander Artemenko,
• Abstract要約: 本稿では,VLCを用いた屋内ローカライゼーションのためのトランスファーラーニング(TL)に基づくアプローチを提案する。 BOSCHファクトリで収集された実世界のデータを使用して、TLフレームワークはディープニューラルネットワーク(DNN)を統合して、ローカライゼーションの精度を47%向上する。 提案手法は環境条件の異なる条件下で高度に適応可能であり、データセットの30%で同様の精度を達成できる。
• 参考スコア（独自算出の注目度）: 42.86301896995645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate indoor localization is crucial in industrial environments. Visible Light Communication (VLC) has emerged as a promising solution, offering high accuracy, energy efficiency, and minimal electromagnetic interference. However, VLC-based indoor localization faces challenges due to environmental variability, such as lighting fluctuations and obstacles. To address these challenges, we propose a Transfer Learning (TL)-based approach for VLC-based indoor localization. Using real-world data collected at a BOSCH factory, the TL framework integrates a deep neural network (DNN) to improve localization accuracy by 47\%, reduce energy consumption by 32\%, and decrease computational time by 40\% compared to the conventional models. The proposed solution is highly adaptable under varying environmental conditions and achieves similar accuracy with only 30\% of the dataset, making it a cost-efficient and scalable option for industrial applications in Industry 4.0.
• Abstract（参考訳）: 工業環境では正確な屋内ローカライゼーションが不可欠である。 可視光通信(VLC)は、高い精度、エネルギー効率、最小限の電磁干渉を提供する、有望なソリューションとして登場した。 しかしながら、VLCをベースとした屋内のローカライゼーションは、照明変動や障害物などの環境変動による課題に直面している。 これらの課題に対処するために,VLCを用いた屋内ローカライゼーションのためのTransfer Learning (TL) ベースのアプローチを提案する。 BOSCHファクトリで収集された実世界のデータを用いて、TLフレームワークはディープニューラルネットワーク(DNN)を統合して、ローカライズ精度を47\%改善し、エネルギー消費を32\%削減し、従来のモデルと比較して計算時間を40\%削減する。 提案手法は, 環境条件の異なる環境条件下で高い適応性を有し, データセットの30倍の精度で類似の精度を実現し, 産業用4.0における産業用アプリケーションにおいて, コスト効率, スケーラブルな選択肢となる。

関連論文リスト

• Efficient and Microphone-Fault-Tolerant 3D Sound Source Localization [34.67934887761352]
  本稿では,スパース・クロスアテンション,事前学習,適応的信号コヒーレンス・メトリクスを用いた新しい3D SSLフレームワークを提案する。 このフレームワークは、信頼できない、あるいは未知のマイクロフォン位置入力に対してフォールトトレラントであり、実際のシナリオで適用可能であることを保証している。
  論文  参考訳（メタデータ） (2025-05-27T09:56:16Z)
• 5G-DIL: Domain Incremental Learning with Similarity-Aware Sampling for Dynamic 5G Indoor Localization [4.63911391947225]
  本稿では,5G-DILと呼ばれる動的5G屋内ローカライゼーションのためのドメインインクリメンタルラーニング(DIL)手法を提案する。 本稿では,Chebyshev距離に基づく新しい類似性認識サンプリング手法を提案する。 本手法は実世界の非視線伝搬シナリオに適用可能であり, 動的環境条件下においても 0.261 m のMAE位置決め誤差を実現する。
  論文  参考訳（メタデータ） (2025-05-23T09:54:58Z)
• Transforming Indoor Localization: Advanced Transformer Architecture for NLOS Dominated Wireless Environments with Distributed Sensors [7.630782404476683]
  本稿では,電力遅延プロファイル (PDP) の可変固有表現を保存する新しいトークン化手法であるSensor Snapshot Tokenization (SST) を提案する。 また,Swish-Gated Linear Unit-based Transformer (L-SwiGLU Transformer) モデルを提案する。
  論文  参考訳（メタデータ） (2025-01-14T01:16:30Z)
• ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection [65.59969454655996]
  本稿では,変化領域を正確に推定するために,リッチな文脈情報を利用する効率的な変化検出フレームワークELGC-Netを提案する。 提案するELGC-Netは、リモートセンシング変更検出ベンチマークにおいて、最先端の性能を新たに設定する。 また,ELGC-Net-LWも導入した。
  論文  参考訳（メタデータ） (2024-03-26T17:46:25Z)
• 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 Resource Allocation for Virtualized Base Stations in O-RAN with Online Learning [55.08287089554127]
  基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。 本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。 提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
  論文  参考訳（メタデータ） (2023-09-04T17:30:21Z)
• 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)
• Indoor Localization Under Limited Measurements: A Cross-Environment Joint Semi-Supervised and Transfer Learning Approach [5.371337604556311]
  室内局地化のための高精度な深層学習手法の開発は、望まれる環境において十分なデータ測定が不可能なため、しばしば妨げられる。 本稿では, 半教師付き同時移動学習技術を用いて, ラベル付き測定の不十分さを補う, クロス環境アプローチを提案する。 数値実験により,提案手法は従来手法である畳み込みニューラルネットワーク(CNN)よりも高い性能を示し,局所化精度は最大43%向上した。
  論文  参考訳（メタデータ） (2021-08-04T19:38:47Z)
• Object-based Illumination Estimation with Rendering-aware Neural Networks [56.01734918693844]
  個々の物体とその局所画像領域のRGBD外観から高速環境光推定手法を提案する。 推定照明により、仮想オブジェクトは実際のシーンと一貫性のあるシェーディングでARシナリオでレンダリングできる。
  論文  参考訳（メタデータ） (2020-08-06T08:23:19Z)

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。