論文の概要: Indoor Localization using Compact, Telemetry-Agnostic, Transfer-Learning Enabled Decoder-Only Transformer

• arxiv url: http://arxiv.org/abs/2510.11926v1
• Date: Mon, 13 Oct 2025 20:47:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.092617
• Title: Indoor Localization using Compact, Telemetry-Agnostic, Transfer-Learning Enabled Decoder-Only Transformer
• Title（参考訳）: 小型, テレメトリ非依存, 転送学習型デコーダオンリー変圧器を用いた屋内局部化
• Authors: Nayan Sanjay Bhatia, Pranay Kocheta, Russell Elliott, Harikrishna S. Kuttivelil, Katia Obraczka,
• Abstract要約: Locarisは、屋内ローカライゼーションのためのデコーダのみの大規模言語モデル(LLM)である。 LLMをさまざまなWi-Fiデータセットで微調整することで、Locarisは生信号からデバイス位置への軽量で一般化可能なマッピングを学習する。 この結果から,コンパクトLLMは室内局所化のためのキャリブレーションフリー回帰モデルとして機能することが示唆された。
• 参考スコア（独自算出の注目度）: 1.9084046244608193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Indoor Wi-Fi positioning remains a challenging problem due to the high sensitivity of radio signals to environmental dynamics, channel propagation characteristics, and hardware heterogeneity. Conventional fingerprinting and model-based approaches typically require labor-intensive calibration and suffer rapid performance degradation when devices, channel or deployment conditions change. In this paper, we introduce Locaris, a decoder-only large language model (LLM) for indoor localization. Locaris treats each access point (AP) measurement as a token, enabling the ingestion of raw Wi-Fi telemetry without pre-processing. By fine-tuning its LLM on different Wi-Fi datasets, Locaris learns a lightweight and generalizable mapping from raw signals directly to device location. Our experimental study comparing Locaris with state-of-the-art methods consistently shows that Locaris matches or surpasses existing techniques for various types of telemetry. Our results demonstrate that compact LLMs can serve as calibration-free regression models for indoor localization, offering scalable and robust cross-environment performance in heterogeneous Wi-Fi deployments. Few-shot adaptation experiments, using only a handful of calibration points per device, further show that Locaris maintains high accuracy when applied to previously unseen devices and deployment scenarios. This yields sub-meter accuracy with just a few hundred samples, robust performance under missing APs and supports any and all available telemetry. Our findings highlight the practical viability of Locaris for indoor positioning in the real-world scenarios, particularly in large-scale deployments where extensive calibration is infeasible.
• Abstract（参考訳）: 室内Wi-Fi位置決めは、環境力学、チャネル伝搬特性、ハードウェアの不均一性に対する無線信号の感度が高いため、依然として困難な問題である。 従来のフィンガープリントとモデルに基づくアプローチは、通常、労働集約的な校正を必要とし、デバイス、チャネルまたはデプロイメント条件が変化すると、急速にパフォーマンスが低下する。 本稿では,屋内ローカライゼーションのためのデコーダのみの大規模言語モデル (LLM) であるLocarisを紹介する。 Locarisは、各アクセスポイント(AP)測定をトークンとして扱い、前処理なしで生のWi-Fiテレメトリを取り込みます。 LLMをさまざまなWi-Fiデータセットで微調整することで、Locarisは生信号からデバイス位置への軽量で一般化可能なマッピングを学習する。 ロカリスと最先端の手法を比較した実験により,ロカリスが既存の遠隔測定技術に適合しているか,あるいは超越しているかが常に明らかとなった。 この結果から, 小型LCMは室内局所化のためのキャリブレーションフリー回帰モデルとして機能し, 異種Wi-Fi配置におけるスケーラブルで堅牢なクロス環境性能を実現することができることがわかった。 デバイス毎のキャリブレーションポイントをほんの数個だけ使用した、少しショットによる適応実験では、これまで見つからなかったデバイスやデプロイメントシナリオに適用した場合、Locarisが高い精度を維持することが示されている。 これにより、数百のサンプルでサブメーターの精度が得られ、APが不足している場合の堅牢な性能が向上し、利用可能なテレメトリがすべてサポートされている。 本研究は,ロカリスの屋内位置推定における実用的可能性,特に広範囲のキャリブレーションが不可能な大規模展開において顕著である。

関連論文リスト

• MGPRL: Distributed Multi-Gaussian Processes for Wi-Fi-based Multi-Robot Relative Localization in Large Indoor Environments [0.0]
  相対的ローカライゼーションは,GPSを用いたマルチロボットシステムにおいて重要な機能である。 本稿では,複数のWi-Fiアクセスポイントの凸ホールを用いたマルチボット相対的ローカライズのための分散フレームワークMGPRLを提案する。 ROSシミュレーションにおいて提案したMGPRLの性能を厳格に評価し,実世界の実験で実演した。
  論文  参考訳（メタデータ） (2025-06-30T04:35:00Z)
• Transforming Decoder-Only Transformers for Accurate WiFi-Telemetry Based Indoor Localization [1.312141043398756]
  WiFiGPT(Generative Pretrained Transformer (GPT) ベースのシステム) を提案する。 提案手法は, 従来型の遠隔測定手法に適合し, しばしば超越する。
  論文  参考訳（メタデータ） (2025-05-16T17:47:32Z)
• Evaluation of (Un-)Supervised Machine Learning Methods for GNSS Interference Classification with Real-World Data Discrepancies [36.738256927742526]
  自動車のローカライゼーションは、自動運転車、有料システム、デジタルタコグラフなどのアプリケーションに不可欠である。 正確な位置決めを実現するために、車両は通常、グローバルナビゲーション衛星システム(GNSS)受信機を使用して絶対位置を検証する。 機械学習(ML)に基づく最近のアプローチは、監視干渉において優れた性能を示している。 我々は,MLに基づく最新の教師付き手法の評価を行い,実環境におけるその性能について報告する。
  論文  参考訳（メタデータ） (2025-03-31T06:51:52Z)
• Improved Indoor Localization with Machine Learning Techniques for IoT applications [0.0]
  本研究では, 教師付き回帰器, 教師付き分類器, RSSIを用いた屋内位置推定のためのアンサンブル手法の3段階に機械学習アルゴリズムを適用した。 実験の結果は、屋内環境におけるローカライズ精度とロバスト性の観点から、異なる教師付き機械学習技術の有効性に関する洞察を与える。
  論文  参考訳（メタデータ） (2024-02-18T02:55:19Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• A New Paradigm for Device-free Indoor Localization: Deep Learning with Error Vector Spectrum in Wi-Fi Systems [7.010598383249521]
  本稿では,デバイスレス屋内ローカライゼーションのための新しい誤りベクトル支援学習手法を提案する。 提案手法はディープニューラルネットワークを用いて屋内環境における人物の位置を分類する。 実験の結果,提案手法は従来の機械学習手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T04:33:37Z)
• LaMAR: Benchmarking Localization and Mapping for Augmented Reality [80.23361950062302]
  異種ARデバイスでキャプチャされたリアルな軌跡とセンサストリームを共登録する,包括的キャプチャとGTパイプラインを備えた新しいベンチマークであるLaMARを紹介する。 私たちは、ヘッドマウントとハンドヘルドARデバイスで記録された多様な大規模シーンのベンチマークデータセットを公開します。
  論文  参考訳（メタデータ） (2022-10-19T17:58:17Z)
• 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)
• Zero-Shot Multi-View Indoor Localization via Graph Location Networks [66.05980368549928]
  屋内ローカライゼーションは、位置ベースアプリケーションにおける基本的な問題である。 本稿では,インフラストラクチャフリーで多視点画像に基づく屋内ローカライゼーションを実現するために,新しいニューラルネットワークアーキテクチャであるGraph Location Networks(GLN)を提案する。 GLNは、メッセージパッシングネットワークを通じて画像から抽出されたロバストな位置表現に基づいて位置予測を行う。 新たにゼロショット屋内ローカライズ設定を導入し,提案したGLNを専用ゼロショットバージョンに拡張することで,その課題に対処する。
  論文  参考訳（メタデータ） (2020-08-06T07:36:55Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。