論文の概要: On the Limitations of Ray-Tracing for Learning-Based RF Tasks in Urban Environments
- arxiv url: http://arxiv.org/abs/2507.19653v1
- Date: Fri, 25 Jul 2025 19:58:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-29 16:23:55.87986
- Title: On the Limitations of Ray-Tracing for Learning-Based RF Tasks in Urban Environments
- Title（参考訳）: 都市環境における学習型RF課題に対するレイトレーシングの限界について
- Authors: Armen Manukyan, Hrant Khachatrian, Edvard Ghukasyan, Theofanis P. Raptis,
- Abstract要約: ローマ中央部の屋外細胞リンクにおけるSionna v ray-tracingの現実性について検討した。
我々は、経路深さ、拡散/特異/屈折フラグ、キャリア周波数、アンテナの特性など、主なシミュレーションパラメータを変化させる。
- 参考スコア（独自算出の注目度）: 4.097291451674696
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the realism of Sionna v1.0.2 ray-tracing for outdoor cellular links in central Rome. We use a real measurement set of 1,664 user-equipments (UEs) and six nominal base-station (BS) sites. Using these fixed positions we systematically vary the main simulation parameters, including path depth, diffuse/specular/refraction flags, carrier frequency, as well as antenna's properties like its altitude, radiation pattern, and orientation. Simulator fidelity is scored for each base station via Spearman correlation between measured and simulated powers, and by a fingerprint-based k-nearest-neighbor localization algorithm using RSSI-based fingerprints. Across all experiments, solver hyper-parameters are having immaterial effect on the chosen metrics. On the contrary, antenna locations and orientations prove decisive. By simple greedy optimization we improve the Spearman correlation by 5% to 130% for various base stations, while kNN-based localization error using only simulated data as reference points is decreased by one-third on real-world samples, while staying twice higher than the error with purely real data. Precise geometry and credible antenna models are therefore necessary but not sufficient; faithfully capturing the residual urban noise remains an open challenge for transferable, high-fidelity outdoor RF simulation.
- Abstract（参考訳）: ローマ中央部の屋外細胞リンクにおけるSionna v1.0.2線トレーシングの現実性について検討する。
我々は1,664個のユーザ・エクイプメント(UE)と6つの名目ベースステーション(BS)サイトを実測セットとして使用する。
これらの固定位置を用いて、経路深さ、拡散/特異/屈折フラグ、キャリア周波数、高度、放射パターン、方位などのアンテナの特性など、主要なシミュレーションパラメータを体系的に変化させる。
シミュレータの忠実度は、計測されたパワーとシミュレーションされたパワーのスピアマン相関と、RSSIベースの指紋を用いた指紋ベースのk-アレスト近傍ローカライゼーションアルゴリズムによって決定される。
すべての実験において、ソルバハイパーパラメータは選択した指標に非物質的効果を持つ。
反対に、アンテナの位置と方向は決定的である。
簡単なグリーディ最適化により,様々な基地局でスピアマン相関を5%から130%改善する一方,実世界のサンプルでは,シミュレーションデータのみを用いた局所化誤差を3分の1削減する一方,純粋に実データによる誤差よりも2倍高い値を維持する。
したがって、精密な幾何学と信頼可能なアンテナモデルは必要だが不十分であり、残余の都市騒音を忠実に捉えることは、移動可能で高忠実な屋外RFシミュレーションにおけるオープンな課題である。
関連論文リスト
- Sionna RT: Technical Report [55.30691098976664]
SionnaはオープンソースのGPUアクセラレーションライブラリで、電波伝搬をシミュレートするレイトレーサを備えている。
本論文は、Sionna RTが電波伝搬を効率的にシミュレートするアルゴリズムについて詳述する。
論文 参考訳（メタデータ） (2025-04-30T15:05:20Z) - Bridging Simulation and Reality: A 3D Clustering-Based Deep Learning Model for UAV-Based RF Source Localization [0.0]
無人航空機(UAV)は、地上法よりもRFソースの局所化に大きな利点をもたらす。
近年のディープラーニング(DL)の進歩は,特に屋外シナリオにおいて,局所化の精度をさらに高めた。
本稿では、3Dクラスタリングに基づく特徴抽出をロバストなローカライゼーションに活用するDLベースの3DクラスタベースRealAdaptRNetを提案する。
論文 参考訳（メタデータ） (2025-02-02T05:48:44Z) - How Critical is Site-Specific RAN Optimization? 5G Open-RAN Uplink Air Interface Performance Test and Optimization from Macro-Cell CIR Data [0.6753334733130354]
我々は,特定の地点からのチャネル計測データの重要性と,その空気界面の最適化と試験への影響を考察する。
我々は, NR PUSCHアップリンクシミュレーションにOmniPHY-5Gニューラルレシーバを利用する。
提案手法は、事前学習と比較して1.85dBの低信号-雑音比(SNR)で10%のブロック誤り率(BLER)を達成する。
論文 参考訳（メタデータ） (2024-10-25T13:57:48Z) - A Radiometric Correction based Optical Modeling Approach to Removing Reflection Noise in TLS Point Clouds of Urban Scenes [3.7967365472200894]
TLSが取得した点雲は反射面からの仮想点を含むことが多く、乱れを引き起こす。
本研究では,TLS点雲に対する反射ノイズ除去アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-03T06:17:41Z) - 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) - RADIANCE: Radio-Frequency Adversarial Deep-learning Inference for
Automated Network Coverage Estimation [8.92389724627982]
RADIANCEは、室内シナリオでRFマップを合成するためのGAN(Generative Adversarial Network)ベースのアプローチである。
その結果、RADIANCEは平均平均誤差0.09、ルート平均二乗誤差(RMSE)0.29、ピーク信号-雑音比(PSNR)10.78、マルチスケール構造類似度指数(MS-SSIM)0.80を達成した。
論文 参考訳（メタデータ） (2023-08-21T09:33:20Z) - 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) - Collaborative Learning with a Drone Orchestrator [79.75113006257872]
インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。
提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
論文 参考訳（メタデータ） (2023-03-03T23:46:25Z) - Conditioning Trick for Training Stable GANs [70.15099665710336]
本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。
我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
論文 参考訳（メタデータ） (2020-10-12T16:50:22Z) - ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework
for LiDAR Point Cloud Segmentation [111.56730703473411]
LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。
シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。
ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
論文 参考訳（メタデータ） (2020-09-07T23:46:08Z)
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。