論文の概要: Differentiable High-Performance Ray Tracing-Based Simulation of Radio Propagation with Point Clouds
- arxiv url: http://arxiv.org/abs/2507.04021v1
- Date: Sat, 05 Jul 2025 12:27:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:34.979526
- Title: Differentiable High-Performance Ray Tracing-Based Simulation of Radio Propagation with Point Clouds
- Title（参考訳）: 点雲による電波伝搬の高精度トレーシングに基づく微分可能シミュレーション
- Authors: Niklas Vaara, Pekka Sangi, Miguel Bordallo López, Janne Heikkilä,
- Abstract要約: 本稿では,光線トレーシングに基づく無線伝搬シミュレータを提案する。
本研究では, 電磁計算の微分可能性とセグメンテーションラベルを組み合わせ, 環境の電磁特性を学習する方法を示す。
- 参考スコア（独自算出の注目度）: 9.35590353390102
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ray tracing is a widely used deterministic method for radio propagation simulations, capable of producing physically accurate multipath components. The accuracy depends on the quality of the environment model and its electromagnetic properties. Recent advances in computer vision and machine learning have made it possible to reconstruct detailed environment models augmented with semantic segmentation labels. In this letter, we propose a differentiable ray tracing-based radio propagation simulator that operates directly on point clouds. We showcase the efficiency of our method by simulating multi-bounce propagation paths with up to five interactions with specular reflections and diffuse scattering in two indoor scenarios, each completing in less than 90 ms. Lastly, we demonstrate how the differentiability of electromagnetic computations can be combined with segmentation labels to learn the electromagnetic properties of the environment.
- Abstract（参考訳）: レイトレーシングは電波伝搬シミュレーションにおいて広く用いられる決定論的手法であり、物理的に正確なマルチパス成分を生成することができる。
精度は環境モデルの品質と電磁特性に依存する。
近年のコンピュータビジョンと機械学習の進歩により、セマンティックセグメンテーションラベルを付加した詳細な環境モデルを再構築できるようになった。
本稿では,光線トレーシングに基づく無線伝搬シミュレータを提案する。
提案手法は,2つの屋内シナリオにおいて,最大5つの反射反射と拡散散乱の相互作用で多重バウンス伝搬経路をシミュレートし,それぞれ90ミリ秒未満で終了する手法である。最後に,電磁計算の微分可能性とセグメンテーションラベルを組み合わせて環境の電磁特性を学習する方法を実証する。
関連論文リスト
- RadioDiff-$k^2$: Helmholtz Equation Informed Generative Diffusion Model for Multi-Path Aware Radio Map Construction [69.96295462931168]
物理インフォームド・ジェネレーティブ・ラーニング・アプローチであるRadioDiff-$bmk2$を提案する。
我々は,無線伝搬に影響を与える臨界空間特性に対応するEM特異点と,ヘルムホルツ方程式の負波数で定義される領域との直接対応を確立する。
論文 参考訳（メタデータ） (2025-04-22T06:28:13Z) - Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。
マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。
その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
論文 参考訳（メタデータ） (2025-04-07T15:38:25Z) - Towards Generative Ray Path Sampling for Faster Point-to-Point Ray Tracing [5.723224501252867]
本稿では,潜在的光線経路を効率的にサンプリングするための機械学習支援レイトレーシング手法を提案する。
我々のモデルは、あらゆる可能なパスの中で潜在的に有効なパスを優先順位付けし、シーンの複雑さと線形にスケールすることを学ぶ。
論文 参考訳（メタデータ） (2024-10-31T09:42:03Z) - EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。
実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
論文 参考訳（メタデータ） (2024-05-27T17:19:02Z) - Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。
提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
論文 参考訳（メタデータ） (2023-11-30T13:50:21Z) - Sionna RT: Differentiable Ray Tracing for Radio Propagation Modeling [65.17711407805756]
Sionnaは、リンクレベルのシミュレーションをベースとしたGPUアクセラレーションのオープンソースライブラリである。
リリース v0.14 以降、電波伝搬のシミュレーションのために微分可能なレイトレーサ (RT) を統合している。
論文 参考訳（メタデータ） (2023-03-20T13:40:11Z)
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。