論文の概要: CONVERGE: A Multi-Agent Vision-Radio Architecture for xApps

• arxiv url: http://arxiv.org/abs/2508.04556v1
• Date: Wed, 06 Aug 2025 15:40:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.793917
• Title: CONVERGE: A Multi-Agent Vision-Radio Architecture for xApps
• Title（参考訳）: Converge: xApps用のマルチエージェントビジョンラジオアーキテクチャ
• Authors: Filipe B. Teixeira, Carolina Simões, Paulo Fidalgo, Wagner Pedrosa, André Coelho, Manuel Ricardo, Luis M. Pessoa,
• Abstract要約: 本稿では,O-RAN xAppsに対してマルチエージェント方式でリアルタイム無線およびビデオセンシング情報を配信するための新しいアーキテクチャを提案する。 実験の結果,検知情報の遅延は1,ms以下であり,xAppは5G/6G RANをリアルタイムに制御するために,無線およびビデオセンシング情報をうまく利用することができることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Telecommunications and computer vision have evolved independently. With the emergence of high-frequency wireless links operating mostly in line-of-sight, visual data can help predict the channel dynamics by detecting obstacles and help overcoming them through beamforming or handover techniques. This paper proposes a novel architecture for delivering real-time radio and video sensing information to O-RAN xApps through a multi-agent approach, and introduces a new video function capable of generating blockage information for xApps, enabling Integrated Sensing and Communications. Experimental results show that the delay of sensing information remains under 1\,ms and that an xApp can successfully use radio and video sensing information to control the 5G/6G RAN in real-time.
• Abstract（参考訳）: 電気通信とコンピュータビジョンは独立して進化してきた。 主に視線上で動作する高周波無線リンクの出現により、視覚データは障害物を検出し、ビームフォーミングやハンドオーバ技術を通じてそれらを克服することで、チャネルのダイナミクスを予測するのに役立ちます。 本稿では,O-RAN xAppsに対してマルチエージェント方式でリアルタイム無線・ビデオセンシング情報を配信するための新しいアーキテクチャを提案する。 実験の結果,検知情報の遅延は1\,ms以下であり,xAppは5G/6G RANをリアルタイムに制御するために,無線およびビデオセンシング情報をうまく利用することができることがわかった。

関連論文リスト

• MGCR-Net:Multimodal Graph-Conditioned Vision-Language Reconstruction Network for Remote Sensing Change Detection [55.702662643521265]
  マルチモーダルデータのセマンティックインタラクション機能を検討するために,マルチモーダルグラフ条件付き視覚言語再構成ネットワーク(MGCR-Net)を提案する。 4つの公開データセットによる実験結果から,MGCRは主流CD法に比べて優れた性能を示した。
  論文  参考訳（メタデータ） (2025-08-03T02:50:08Z)
• AI/ML Life Cycle Management for Interoperable AI Native RAN [50.61227317567369]
  人工知能(AI)と機械学習(ML)モデルは、5Gラジオアクセスネットワーク(RAN)を急速に浸透させている これらの開発は、AIネイティブなトランシーバーを6Gのキーイネーブルとして基盤を築いた。
  論文  参考訳（メタデータ） (2025-07-24T16:04:59Z)
• Spatial Channel State Information Prediction with Generative AI: Towards Holographic Communication and Digital Radio Twin [23.09171064957228]
  6Gは、最先端の無線技術によって、より高速で信頼性の高いワイヤレス接続を提供する。 従来の管理手法は主にリアクティブで、ユーザからのフィードバックに基づいて動的無線チャネルに適応する。 ハードウェアとニューラルネットワークの進歩により、正確な環境情報を用いてそのような空間CSIを予測することができる。 我々は,デジタルワールドと電波に対する決定論的制御の両方の利点を生かした,新たな枠組みであるディジタルラジオツインを提案する。
  論文  参考訳（メタデータ） (2024-01-16T00:29:05Z)
• 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)
• Look, Radiate, and Learn: Self-Supervised Localisation via Radio-Visual Correspondence [1.6219158909792257]
  次世代の携帯電話ネットワークは、無線センシング機能と慣用通信を実装している。 我々は、無線の正確な位置決めを容易にする合成無線視覚データセットとベンチマークであるMaxRayを提示する。 無線ローカライザネットワークのトレーニングには,このような自己監督座標を用いる。
  論文  参考訳（メタデータ） (2022-06-13T19:08:36Z)
• Human Silhouette and Skeleton Video Synthesis through Wi-Fi signals [24.313281453214614]
  本稿では,無線データを視覚的特徴に効果的にマッピングする2分岐生成ニューラルネットワークを提案する。 トレーニング後,Wi-Fi信号のみを用いてヒトのシルエットと骨格映像を合成する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-11T11:40:34Z)
• Self-Supervised Radio-Visual Representation Learning for 6G Sensing [1.9766522384767227]
  将来の6Gセルネットワークでは、共同通信およびセンシングプロトコルにより、ネットワークが環境を知覚できるようになる。 人間の介入を最小限に抑えて無線のみのセンシングモデルを自動的に学習するために,無線と視覚を組み合わせることを提案する。
  論文  参考訳（メタデータ） (2021-11-01T12:23:47Z)
• Integrating Sensing and Communication in Cellular Networks via NR Sidelink [7.42576783544779]
  我々は、その角度と回転依存性であるサイドリンクベースのRFセンシングに関する共通の問題について議論する。 本稿では,データの提案時間的特徴を捉えるためのグラフベースのエンコーダと,多角学習のための4つのアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-15T12:41:31Z)
• Scalable Perception-Action-Communication Loops with Convolutional and Graph Neural Networks [208.15591625749272]
  視覚に基づくグラフアグリゲーション・アンド・推論(VGAI)を用いた知覚-行動-コミュニケーションループの設計を提案する。 我々のフレームワークは、畳み込みとグラフニューラルネットワーク(CNN/GNN)のカスケードによって実装され、エージェントレベルの視覚知覚と特徴学習に対処する。 我々は、VGAIが他の分散コントローラに匹敵する性能を得ることを示した。
  論文  参考訳（メタデータ） (2021-06-24T23:57:21Z)
• A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G: Integrating Domain Knowledge into Deep Learning [115.75967665222635]
  超信頼性・低レイテンシ通信(URLLC)は、様々な新しいミッションクリティカルなアプリケーションの開発の中心となる。 ディープラーニングアルゴリズムは、将来の6GネットワークでURLLCを実現する技術を開発するための有望な方法と考えられている。 このチュートリアルでは、URLLCのさまざまなディープラーニングアルゴリズムにドメイン知識を組み込む方法について説明する。
  論文  参考訳（メタデータ） (2020-09-13T14:53:01Z)
• A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
  本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。 本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。 提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
  論文  参考訳（メタデータ） (2020-02-28T05:56:14Z)

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。