論文の概要: Machine Learning for LiDAR-Based Indoor Surface Classification in Intelligent Wireless Environments

• arxiv url: http://arxiv.org/abs/2509.03813v1
• Date: Thu, 04 Sep 2025 01:58:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.016944
• Title: Machine Learning for LiDAR-Based Indoor Surface Classification in Intelligent Wireless Environments
• Title（参考訳）: インテリジェント無線環境におけるLiDARを用いた屋内表面分類のための機械学習
• Authors: Parth Ashokbhai Shiroya, Swarnagowri Shashidhar, Amod Ashtekar, Krishna Aindrila Kar, Rafaela Lomboy, Dalton Davis, Mohammed E. Eltayeb,
• Abstract要約: 本稿では,室内表面を半特異・低特異のカテゴリに分類するLiDAR駆動型機械学習フレームワークを提案する。 15の屋内材料から78,000点以上のデータセットを収集し、3cm×3cmのパッチに分割した。 結果は、アンサンブルツリーベースのモデルが、正確性と堅牢性の間の最良のトレードオフを一貫して提供することを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Reliable connectivity in millimeter-wave (mmWave) and sub-terahertz (sub-THz) networks depends on reflections from surrounding surfaces, as high-frequency signals are highly vulnerable to blockage. The scattering behavior of a surface is determined not only by material permittivity but also by roughness, which governs whether energy remains in the specular direction or is diffusely scattered. This paper presents a LiDAR-driven machine learning framework for classifying indoor surfaces into semi-specular and low-specular categories, using optical reflectivity as a proxy for electromagnetic scattering behavior. A dataset of over 78,000 points from 15 representative indoor materials was collected and partitioned into 3 cm x 3 cm patches to enable classification from partial views. Patch-level features capturing geometry and intensity, including elevation angle, natural-log-scaled intensity, and max-to-mean ratio, were extracted and used to train Random Forest, XGBoost, and neural network classifiers. Results show that ensemble tree-based models consistently provide the best trade-off between accuracy and robustness, confirming that LiDAR-derived features capture roughness-induced scattering effects. The proposed framework enables the generation of scatter aware environment maps and digital twins, supporting adaptive beam management, blockage recovery, and environment-aware connectivity in next-generation networks.
• Abstract（参考訳）: ミリ波(mmWave)およびサブテラヘルツ(サブTHz)ネットワークにおける信頼性の高い接続は、高周波信号がブロッキングに対して非常に脆弱であるため、周囲の表面からの反射に依存する。 表面の散乱挙動は、物質誘電率だけでなく粗さによっても決定される。 本稿では,光反射率を電磁波散乱のプロキシとして用い,室内表面を半特異・低特異のカテゴリに分類するLiDAR駆動機械学習フレームワークを提案する。 15の屋内資料から78,000点以上のデータセットを収集,3cm×3cmのパッチに分割し,部分的な視点から分類した。 標高角, 自然ログスケール強度, 最大平均比を含むパッチレベルの特徴を抽出し, ランダムフォレスト, XGBoost, ニューラルネットワーク分類器の訓練に利用した。 その結果, アンサンブルツリーモデルでは, 精度とロバストさの最良のトレードオフが得られ, 粗さによる散乱効果がLiDARから得られることが確認された。 提案フレームワークは,次世代ネットワークにおける適応ビーム管理,ブロックリカバリ,環境対応接続をサポートするため,散乱認識環境マップとディジタルツインの生成を可能にする。

関連論文リスト

• On the Limitations of Ray-Tracing for Learning-Based RF Tasks in Urban Environments [4.097291451674696]
  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。
  論文  参考訳（メタデータ） (2025-07-25T19:58:44Z)
• A Comprehensive Data Description for LoRaWAN Path Loss Measurements in an Indoor Office Setting: Effects of Environmental Factors [6.8093214146903875]
  本稿では,屋内オフィス環境において収集したLoRaWAN技術パス損失の包括的データセットについて述べる。 反射、散乱、干渉、占有パターンなどの過渡現象は、信号減衰を最大10.58dBで変化させることができる。 このデータセットは、屋内無線通信における将来の研究と開発のための確かな基盤を提供する。
  論文  参考訳（メタデータ） (2025-05-09T18:41:42Z)
• Neural Reflectance Fields for Radio-Frequency Ray Tracing [12.517163884907433]
  レイトレーシングは複雑な環境下での高周波(RF)信号の伝搬をモデル化するために広く用いられている。 送信機から受信機へのRF信号の経路損失から材料反射率を効率的に学習することでこの問題に対処する。 RF信号の振幅と位相の両方をモデル化することにより、光からRF領域への神経反射場をモデル化する。
  論文  参考訳（メタデータ） (2025-01-05T06:52:35Z)
• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [50.808933338389686]
  都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。 この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• 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)
• Mesh2NeRF: Direct Mesh Supervision for Neural Radiance Field Representation and Generation [51.346733271166926]
  Mesh2NeRFは、3次元生成タスクのためのテクスチャメッシュから地上構造放射場を導出するアプローチである。 各種タスクにおけるMesh2NeRFの有効性を検証する。
  論文  参考訳（メタデータ） (2024-03-28T11:22:53Z)
• CVT-xRF: Contrastive In-Voxel Transformer for 3D Consistent Radiance Fields from Sparse Inputs [65.80187860906115]
  スパース入力によるNeRFの性能向上のための新しい手法を提案する。 まず, サンプル線が, 3次元空間内の特定のボクセルと交差することを保証するために, ボクセルを用いた放射線サンプリング戦略を採用する。 次に、ボクセル内の追加点をランダムにサンプリングし、トランスフォーマーを適用して各線上の他の点の特性を推測し、ボリュームレンダリングに組み込む。
  論文  参考訳（メタデータ） (2024-03-25T15:56:17Z)
• NeuRBF: A Neural Fields Representation with Adaptive Radial Basis Functions [93.02515761070201]
  本稿では,信号表現に一般放射状基底を用いる新しいタイプのニューラルネットワークを提案する。 提案手法は, 空間適応性が高く, ターゲット信号により密着可能な, フレキシブルなカーネル位置と形状を持つ一般ラジアルベース上に構築する。 ニューラルラジアンス場再構成に適用した場合,本手法はモデルサイズが小さく,訓練速度が同等である最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2023-09-27T06:32:05Z)
• 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)

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。