論文の概要: Multi-Modal Sensor Fusion for Proactive Blockage Prediction in mmWave Vehicular Networks
- arxiv url: http://arxiv.org/abs/2507.15769v1
- Date: Mon, 21 Jul 2025 16:25:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-22 20:51:32.478475
- Title: Multi-Modal Sensor Fusion for Proactive Blockage Prediction in mmWave Vehicular Networks
- Title(参考訳): マルチモーダル・センサ・フュージョンによるミリ波ベクトルネットワークの能動遮断予測
- Authors: Ahmad M. Nazar, Abdulkadir Celik, Mohamed Y. Selim, Asmaa Abdallah, Daji Qiao, Ahmed M. Eltawil,
- Abstract要約: 本稿では,カメラ,GPS,LiDAR,レーダ入力などのマルチモーダルセンシングを利用したプロアクティブなブロック予測フレームワークを提案する。
このアプローチでは、モーダリティ固有のディープラーニングモデルを使用して、各センサストリームを独立に処理し、出力を融合する。
本研究は,ミリ波遮断予測におけるマルチモーダルセンシングの有効性と有効性を示し,動的環境におけるプロアクティブ無線通信の経路を提供する。
- 参考スコア(独自算出の注目度): 10.4860429348784
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vehicular communication systems operating in the millimeter wave (mmWave) band are highly susceptible to signal blockage from dynamic obstacles such as vehicles, pedestrians, and infrastructure. To address this challenge, we propose a proactive blockage prediction framework that utilizes multi-modal sensing, including camera, GPS, LiDAR, and radar inputs in an infrastructure-to-vehicle (I2V) setting. This approach uses modality-specific deep learning models to process each sensor stream independently and fuses their outputs using a softmax-weighted ensemble strategy based on validation performance. Our evaluations, for up to 1.5s in advance, show that the camera-only model achieves the best standalone trade-off with an F1-score of 97.1% and an inference time of 89.8ms. A camera+radar configuration further improves accuracy to 97.2% F1 at 95.7ms. Our results display the effectiveness and efficiency of multi-modal sensing for mmWave blockage prediction and provide a pathway for proactive wireless communication in dynamic environments.
- Abstract(参考訳): ミリ波(mmWave)帯域で動作する車両通信システムは、車両、歩行者、インフラなどの動的障害物からの信号遮断に非常に敏感である。
この課題に対処するために,カメラ,GPS,LiDAR,レーダ入力などのマルチモーダルセンシングをインフラストラクチャ・ツー・車両(I2V)設定で活用するプロアクティブ・ブロッケージ予測フレームワークを提案する。
このアプローチでは、モーダリティ固有のディープラーニングモデルを使用して、各センサストリームを独立に処理し、検証性能に基づいたソフトマックス重み付きアンサンブル戦略を用いて出力を融合する。
F1スコア97.1%、推測時間89.8msで、カメラのみのモデルが最も優れたスタンドアロントレードオフを実現していることを示す。
カメラ+レーダー構成により、95.7msでの精度は97.2%に向上した。
本研究は,ミリ波遮断予測におけるマルチモーダルセンシングの有効性と有効性を示し,動的環境におけるプロアクティブ無線通信の経路を提供する。
関連論文リスト
- Deep Learning Optimization of Two-State Pinching Antennas Systems [48.70043547158868]
ピンチアンテナ(PA)は、二元活性化状態を通して電磁波の伝搬を動的に制御することができる。
本研究では,ユーザ端末での通信速度を最大化することを目的として,定位PAのサブセットを最適に選択して導波路で活性化する問題について検討する。
論文 参考訳(メタデータ) (2025-07-08T17:55:54Z) - Vision-Based Autonomous MM-Wave Reflector Using ArUco-Driven Angle-of-Arrival Estimation [0.16752458252726457]
非視線(NLoS)条件におけるミリ波通信(mmWave)は、軍事および民間の運用において大きな課題である。
本稿では,mmWaveリンク性能の向上を目的とした視覚支援型自律反射器システムを提案する。
論文 参考訳(メタデータ) (2025-06-05T16:07:22Z) - GPS-Aided Deep Learning for Beam Prediction and Tracking in UAV mmWave Communication [6.21540494241516]
本研究は,UAVmmWave通信における現在および将来の最適ビームを同時に予測するGPS支援深層学習(DL)モデルを提案する。
このモデルではオーバーヘッドを約93%削減し(32ビームではなく23ビームのトレーニングが必要)、95%のビーム予測精度を保証するとともに、予測の94%から96%が平均出力損失が1dBを超えないことを保証する。
論文 参考訳(メタデータ) (2025-05-23T06:38:00Z) - 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) - Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。
これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。
本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
論文 参考訳(メタデータ) (2024-04-17T02:04:10Z) - Enhancing Reliability in Federated mmWave Networks: A Practical and
Scalable Solution using Radar-Aided Dynamic Blockage Recognition [14.18507067281377]
本稿では,ミリ波(mmWave)およびテラヘルツ(THz)ネットワークサービスの動的屋外環境における信頼性向上のための新しい手法を提案する。
これらの設定では、人や車などの障害物を動かすことで、視線接続(LoS)が簡単に中断される。
提案手法はRadar-Aided Blockage Dynamic Recognition (RaDaR)と呼ばれ、レーダー計測とフェデレートラーニング(FL)を活用して、二重出力ニューラルネットワーク(NN)モデルをトレーニングする。
論文 参考訳(メタデータ) (2023-06-22T10:10:25Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳(メタデータ) (2022-07-21T12:03:02Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳(メタデータ) (2021-05-20T17:52:37Z) - Deep Learning for Moving Blockage Prediction using Real Millimeter Wave
Measurements [18.365889583730507]
ミリ波(mmWave)通信は5G以降の重要なコンポーネントである。
視覚リンクラインの突然の遮断は、ネットワークの信頼性に影響を与える突然の切断につながります。
我々は,ブロック前シグネチャと呼ぶものを観測することで,将来のブロックを予測する機械学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-01-18T05:34:37Z) - Distributional Reinforcement Learning for mmWave Communications with
Intelligent Reflectors on a UAV [119.97450366894718]
無人航空機(UAV)搭載のインテリジェントリフレクタ(IR)を用いた新しい通信フレームワークを提案する。
ダウンリンク和率を最大化するために、最適プリコーディング行列(基地局)と反射係数(IR)を共同で導出する。
論文 参考訳(メタデータ) (2020-11-03T16:50:37Z)
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。