論文の概要: NeRC: Neural Ranging Correction through Differentiable Moving Horizon Location Estimation

• arxiv url: http://arxiv.org/abs/2508.14336v1
• Date: Wed, 20 Aug 2025 01:23:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.298963
• Title: NeRC: Neural Ranging Correction through Differentiable Moving Horizon Location Estimation
• Title（参考訳）: NeRC: 可変移動水平位置推定によるニューラルランキング補正
• Authors: Xu Weng, K. V. Ling, Haochen Liu, Bingheng Wang, Kun Cao,
• Abstract要約: 本稿では,ニューラルネットワークモジュールをトレーニングする作業目的として,ローカライズ関連メトリクスが使用される,堅牢なエンドツーエンドニューラル補正フレームワークを提案する。 比較的容易に取得可能な地道的位置を用いてニューラルネットワークを訓練する。 さらに,Euclidean Distance Field (EDF) のコストマップを用いた新たな学習パラダイムを提案する。
• 参考スコア（独自算出の注目度）: 6.710540524072153
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: GNSS localization using everyday mobile devices is challenging in urban environments, as ranging errors caused by the complex propagation of satellite signals and low-quality onboard GNSS hardware are blamed for undermining positioning accuracy. Researchers have pinned their hopes on data-driven methods to regress such ranging errors from raw measurements. However, the grueling annotation of ranging errors impedes their pace. This paper presents a robust end-to-end Neural Ranging Correction (NeRC) framework, where localization-related metrics serve as the task objective for training the neural modules. Instead of seeking impractical ranging error labels, we train the neural network using ground-truth locations that are relatively easy to obtain. This functionality is supported by differentiable moving horizon location estimation (MHE) that handles a horizon of measurements for positioning and backpropagates the gradients for training. Even better, as a blessing of end-to-end learning, we propose a new training paradigm using Euclidean Distance Field (EDF) cost maps, which alleviates the demands on labeled locations. We evaluate the proposed NeRC on public benchmarks and our collected datasets, demonstrating its distinguished improvement in positioning accuracy. We also deploy NeRC on the edge to verify its real-time performance for mobile devices.
• Abstract（参考訳）: 衛星信号の複雑な伝播と低品質のGNSSハードウェアによる誤差が位置決め精度を損なうとして,都市環境において日常的なモバイルデバイスを用いたGNSSのローカライゼーションは困難である。 研究者たちは、データ駆動方式に期待を向けて、さまざまなエラーを生の測定から取り除こうとしています。 しかし、エラーの範囲を拡大するグルーリングアノテーションは、そのペースを妨げている。 本稿では,ニューラルモジュールをトレーニングする作業目的として,ローカライズ関連メトリクスが使用される,堅牢なエンドツーエンドニューラルラングing Correction(NeRC)フレームワークを提案する。 非現実的な範囲のエラーラベルを探す代わりに、比較的容易に得ることのできる地道な場所を使ってニューラルネットワークを訓練する。 この機能は、位置決めのための測定の地平線を処理し、トレーニングのための勾配をバックプロパゲートする、微分可能な移動地平線位置推定(MHE)によって支えられている。 さらに,Euclidean Distance Field (EDF) のコストマップを用いた新たな学習パラダイムを提案する。 提案したNeRCを公開ベンチマークと収集したデータセットで評価し,位置決め精度の顕著な向上を実証した。 また、モバイルデバイスのリアルタイムパフォーマンスを検証するために、エッジにNeRCをデプロイしています。

関連論文リスト

• PC-DeepNet: A GNSS Positioning Error Minimization Framework Using Permutation-Invariant Deep Neural Network [4.487896589391378]
  非線形(NLOS)伝搬、マルチパス効果、低受信電力レベルは、高非線形および非ガウス測定誤差分布をもたらす。 これらの課題を克服するために、我々は、置換不変(PI)ディープニューラルネットワーク(DNN)を用いて位置補正を推定する、新しい学習ベースのフレームワークであるPC-DeepNet(PC-DeepNet)を考案した。
  論文  参考訳（メタデータ） (2025-04-18T14:18:02Z)
• GNSS Positioning using Cost Function Regulated Multilateration and Graph Neural Networks [0.0699049312989311]
  衛星からの視線信号が高層物体によって頻繁に遮断される都市環境では、受信機は衛星範囲を測定する際に大きな誤差を受ける。 ヒューリスティック法は、これらの誤差を推定し、雑音測定が局所化精度に与える影響を減らすために一般的に用いられる。 本研究では,これらの誤り推定をグラフニューラルネットワークに基づくディープラーニングモデルに置き換える。
  論文  参考訳（メタデータ） (2024-02-28T19:00:01Z)
• PrNet: A Neural Network for Correcting Pseudoranges to Improve Positioning with Android Raw GNSS Measurements [7.909678289680922]
  本稿では,携帯端末から収集したデータによる局所化性能を向上させるために,疑似配列のバイアス誤差を緩和するニューラルネットワークを提案する。 サテライトワイド・マルチレイヤー・パーセプトロン (MLP) は、6つのサテライト、レシーバー、コンテキスト関連の特徴から擬似距離バイアスを抑えるように設計されている。 修正された擬似レンジは、位置を計算するためにモデルベースのローカライゼーションエンジンによって使用される。
  論文  参考訳（メタデータ） (2023-09-16T10:43:59Z)
• Learning-based NLOS Detection and Uncertainty Prediction of GNSS Observations with Transformer-Enhanced LSTM Network [2.798138034569478]
  本研究では,NLOSの検出と誤りの予測を擬似時間的モデリング問題を用いて行う深層学習に基づく手法を提案する。 香港とAachenのデータセットを使って、提案したネットワークをトレーニングし、評価する。 提案手法は,NLOS観測の分類・排除により,実世界の車両位置の軌跡のばらつきを回避できることを示す。
  論文  参考訳（メタデータ） (2023-09-01T14:17:02Z)
• 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)
• 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)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)

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。