論文の概要: Deep Temporal Graph Networks for Real-Time Correction of GNSS Jamming-Induced Deviations

• arxiv url: http://arxiv.org/abs/2509.14000v1
• Date: Wed, 17 Sep 2025 14:12:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.861429
• Title: Deep Temporal Graph Networks for Real-Time Correction of GNSS Jamming-Induced Deviations
• Title（参考訳）: GNSSジャミング誘発偏差のリアルタイム補正のための深部時間グラフネットワーク
• Authors: Ivana Kesić, Aljaž Blatnik, Carolina Fortuna, Blaž Bertalanič,
• Abstract要約: ジャミングはグローバルナビゲーション衛星システム(GNSS)を破壊している 本稿では,受信者の水平偏差をリアルタイムに予測し,補正する受信者中心の深部時間グラフネットワークを提案する。 単一層ヘテロジニアスグラフ ConvLSTM (HeteroGTM) は、1つのホップコンテキストと時間ダイナミクスを短い歴史の中で集約する。
• 参考スコア（独自算出の注目度）: 4.489167091323233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Global Navigation Satellite Systems (GNSS) are increasingly disrupted by intentional jamming, degrading availability precisely when positioning and timing must remain operational. We address this by reframing jamming mitigation as dynamic graph regression and introducing a receiver-centric deep temporal graph network that predicts, and thus corrects, the receivers horizontal deviation in real time. At each 1 Hz epoch, the satellite receiver environment is represented as a heterogeneous star graph (receiver center, tracked satellites as leaves) with time varying attributes (e.g., SNR, azimuth, elevation, latitude/longitude). A single layer Heterogeneous Graph ConvLSTM (HeteroGCLSTM) aggregates one hop spatial context and temporal dynamics over a short history to output the 2D deviation vector applied for on the fly correction. We evaluate on datasets from two distinct receivers under three jammer profiles, continuous wave (cw), triple tone (cw3), and wideband FM, each exercised at six power levels between -45 and -70 dBm, with 50 repetitions per scenario (prejam/jam/recovery). Against strong multivariate time series baselines (MLP, uniform CNN, and Seq2Point CNN), our model consistently attains the lowest mean absolute error (MAE). At -45 dBm, it achieves 3.64 cm (GP01/cw), 7.74 cm (GP01/cw3), 4.41 cm (ublox/cw), 4.84 cm (ublox/cw3), and 4.82 cm (ublox/FM), improving to 1.65-2.08 cm by -60 to -70 dBm. On mixed mode datasets pooling all powers, MAE is 3.78 cm (GP01) and 4.25 cm (ublox10), outperforming Seq2Point, MLP, and CNN. A split study shows superior data efficiency: with only 10\% training data our approach remains well ahead of baselines (20 cm vs. 36-42 cm).
• Abstract（参考訳）: グローバル・ナビゲーション・サテライト・システムズ(GNSS)は、意図的なジャミングによってますます破壊され、位置とタイミングが動作し続ける必要がある場合に正確に可用性が低下している。 我々は、ジャミング緩和を動的グラフ回帰として再フレーミングし、レシーバ中心の深時間グラフネットワークを導入して、リアルタイムに水平偏差を予測し、修正することで、この問題に対処する。 それぞれの1Hzのエポックでは、衛星受信環境は異質な星グラフ(受信者中心、追跡された衛星を葉として)として表される(例えば、SNR、方位、高度、緯度/経度)。 単一層ヘテロジニアスグラフ ConvLSTM (HeteroGCLSTM) は、1つのホップ空間コンテキストと時間的ダイナミクスを短時間に集約し、ハエ補正に適用される2次元偏差ベクトルを出力する。 連続波(cw)、三重音(cw3)、広帯域FM(-45--70dBm)の2つの異なる受信機からのデータセットを,シナリオ毎に50回の繰り返し(prejam/jam/recovery)で評価した。 強い多変量時系列ベースライン(MLP、一様CNN、Seq2Point CNN)に対して、我々のモデルは一貫して最低平均絶対誤差(MAE)を達成する。 45 dBmでは、3.64 cm (GP01/cw)、7.74 cm (GP01/cw3)、4.41 cm (ublox/cw)、4.84 cm (ublox/cw3)、4.82 cm (ublox/FM)となり、-60から-70 dBmで1.65-2.08 cmに改善されている。 すべてのパワーをプールする混合モードデータセットでは、MAE は 3.78 cm (GP01) と 4.25 cm (ublox10) であり、Seq2Point, MLP, CNN を上回っている。 10倍のトレーニングデータしか持たず、私たちのアプローチはベースライン(20cm対36-42cm)をはるかに上回っています。

関連論文リスト

• Accelerating HEC-RAS: A Recurrent Neural Operator for Rapid River Forecasting [0.0]
  本稿では,HEC-RASを解法としてではなく,データ生成エンジンとして扱う深層学習サロゲートを提案する。 ミシシッピ川流域の67か所で訓練され、サロゲートは1年間、目に見えないホールドアウトシミュレーションで評価された。 結果は、モデルが高い予測精度を達成し、中央値の絶対ステージ誤差は0.31フィートであることを示している。
  論文  参考訳（メタデータ） (2025-07-21T13:38:54Z)
• FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
  FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。 FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。 その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
  論文  参考訳（メタデータ） (2025-07-16T11:22:18Z)
• FRIREN: Beyond Trajectories -- A Spectral Lens on Time [0.9790236766474201]
  長期時系列予測モデルは、ドメインにまたがって適用可能な汎用的なソリューションとしてしばしば提示される。 幾何学的構造は動的に依存しない基礎モデルの正しい抽象化であると主張する。 現代の生成フローと古典的なスペクトル分析を結びつけることで、FRIRENは正確かつ解釈可能な長期的な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:52:13Z)
• Fast Information Streaming Handler (FisH): A Unified Seismic Neural Network for Single Station Real-Time Earthquake Early Warning [56.45067876391473]
  既存のEEWアプローチは、フェーズの選択、位置推定、大きさ推定を独立したタスクとして扱い、統一されたフレームワークを欠いている。 我々は高速情報ストリーミングハンドラー(FisH)と呼ばれる新しい統合型地震波ニューラルネットワークを提案する。 FisHは、リアルタイムストリーミング地震データを処理し、位相選択、位置推定、大きさ推定をエンドツーエンドで同時生成するように設計されている。
  論文  参考訳（メタデータ） (2024-08-13T04:33:23Z)
• Coordinate Transformer: Achieving Single-stage Multi-person Mesh Recovery from Videos [91.44553585470688]
  ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。 本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。 3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
  論文  参考訳（メタデータ） (2023-08-20T18:23:07Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
  本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-08-25T14:05:37Z)

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。