論文の概要: LoRaCompass: Robust Reinforcement Learning to Efficiently Search for a LoRa Tag
- arxiv url: http://arxiv.org/abs/2511.11190v1
- Date: Fri, 14 Nov 2025 11:37:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-17 22:42:18.56403
- Title: LoRaCompass: Robust Reinforcement Learning to Efficiently Search for a LoRa Tag
- Title（参考訳）: LoRaCompass:LoRaタグを効率的に検索するロバスト強化学習
- Authors: Tianlang He, Zhongming Lin, Tianrui Jiang, S. -H. Gary Chan,
- Abstract要約: ロングランジ (Long-Range) プロトコルは、精神障害者(MIP)などが失う危険のあるタグに採用される傾向にある。
移動体センサが周期的に放送されるLoRaタグを、通常、未知の環境において最も少ない移動(ホップ)で見つけるためのシーケンシャルな意思決定過程について検討する。
本稿では,ロラタグの堅牢な活用と効率的な探索を実現するための強化学習モデルであるロラを提案する。
- 参考スコア（独自算出の注目度）: 9.327281786798753
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Long-Range (LoRa) protocol, known for its extensive range and low power, has increasingly been adopted in tags worn by mentally incapacitated persons (MIPs) and others at risk of going missing. We study the sequential decision-making process for a mobile sensor to locate a periodically broadcasting LoRa tag with the fewest moves (hops) in general, unknown environments, guided by the received signal strength indicator (RSSI). While existing methods leverage reinforcement learning for search, they remain vulnerable to domain shift and signal fluctuation, resulting in cascading decision errors that culminate in substantial localization inaccuracies. To bridge this gap, we propose LoRaCompass, a reinforcement learning model designed to achieve robust and efficient search for a LoRa tag. For exploitation under domain shift and signal fluctuation, LoRaCompass learns a robust spatial representation from RSSI to maximize the probability of moving closer to a tag, via a spatially-aware feature extractor and a policy distillation loss function. It further introduces an exploration function inspired by the upper confidence bound (UCB) that guides the sensor toward the tag with increasing confidence. We have validated LoRaCompass in ground-based and drone-assisted scenarios within diverse unseen environments covering an area of over 80km^2. It has demonstrated high success rate (>90%) in locating the tag within 100m proximity (a 40% improvement over existing methods) and high efficiency with a search path length (in hops) that scales linearly with the initial distance.
- Abstract（参考訳）: 幅広い範囲と低消費電力で知られているLong-Range(LoRa)プロトコルは、精神障害者(MIP)や他の者が行方不明になるリスクのあるタグとして採用されつつある。
受信信号強度インジケータ(RSSI)によって導かれる、最も少ない移動(ホップ)で周期的に放送されるLoRaタグを見つけるための、移動センサのシーケンシャルな意思決定過程について検討する。
既存の手法では、探索のための強化学習を利用するが、ドメインシフトや信号のゆらぎに弱いままであり、結果としてカスケード決定エラーが相当なローカライゼーション不正確さに繋がる。
このギャップを埋めるために,ロラタグの堅牢かつ効率的な探索を実現するための強化学習モデルであるLoRaCompassを提案する。
領域シフトと信号のゆらぎによる利用のために、LoRaCompassはRSSIからロバストな空間表現を学び、空間的に認識された特徴抽出器とポリシー蒸留損失関数を介してタグに近づく確率を最大化する。
さらに、上位信頼境界(UCB)にインスパイアされた探索関数を導入し、信頼度を高めてセンサーをタグに向かって誘導する。
LoRaCompassは,80km^2以上のエリアをカバーし,多様な未確認環境下での地上およびドローン支援シナリオで検証した。
タグを100m付近に配置する(既存の手法よりも40%改善されている)上で高い成功率(>90%)を示し、初期距離と線形にスケールする探索経路長(ホップ内)で高い効率を示した。
関連論文リスト
- Machine Learning-Based Localization Accuracy of RFID Sensor Networks via RSSI Decision Trees and CAD Modeling for Defense Applications [0.0]
この研究は、位置推定を行うために12のラボゾーン(LabZoneA-L)を分類することに焦点を当てている。
このモデルは成層化したサブサンプルから5,000のバランスの取れた観測値に訓練され、総合的な精度は34.2%となり、F1スコアは複数のゾーンで0.40以上となった。
これらの結果は、RSSIに基づく決定木を現実的なシミュレーションに適用し、ゾーンレベルの異常検出を可能にすることを示唆している。
論文 参考訳（メタデータ） (2025-10-22T20:40:50Z) - Few Shot Semi-Supervised Learning for Abnormal Stop Detection from Sparse GPS Trajectories [9.895353254067894]
都市間交通における異常な停止検知は、乗客の安全、運転の信頼性、規制の遵守を保証するために重要である。
既存の方法は、しばしば密度の高いサンプリングや規則的な動きパターンを仮定し、適用性を制限する。
本研究では,局所空間時間密度に基づいてセグメント境界を適応的に定義するスパーシティ・アウェア (SAS) 手法を提案する。
論文 参考訳（メタデータ） (2025-10-14T16:22:34Z) - Bridging the Gap Between End-to-End and Two-Step Text Spotting [88.14552991115207]
ブリッジングテキストスポッティングは、2段階のメソッドでエラーの蓄積と最適化性能の問題を解決する新しいアプローチである。
提案手法の有効性を広範囲な実験により実証する。
論文 参考訳（メタデータ） (2024-04-06T13:14:04Z) - Active search and coverage using point-cloud reinforcement learning [50.741409008225766]
本稿では,目的探索とカバレッジのためのエンドツーエンドの深層強化学習ソリューションを提案する。
RLの深い階層的特徴学習は有効であり、FPS(Fastthest Point sample)を用いることで点数を削減できることを示す。
また、ポイントクラウドに対するマルチヘッドの注意がエージェントの学習を高速化する上で有効であるが、同じ結果に収束することを示す。
論文 参考訳（メタデータ） (2023-12-18T18:16:30Z) - Echoes Beyond Points: Unleashing the Power of Raw Radar Data in
Multi-modality Fusion [74.84019379368807]
本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。
具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
論文 参考訳（メタデータ） (2023-07-31T09:53:50Z) - Scalable Multi-agent Covering Option Discovery based on Kronecker Graphs [49.71319907864573]
本稿では,分解が容易なマルチエージェントスキル発見法を提案する。
我々のキーとなる考え方は、合同状態空間をクロネッカーグラフとして近似することであり、そのフィドラーベクトルを直接見積もることができる。
ラプラシアンスペクトルを直接計算することは、無限大の状態空間を持つタスクには難易度が高いことを考慮し、さらに本手法の深層学習拡張を提案する。
論文 参考訳（メタデータ） (2023-07-21T14:53:12Z) - Enhancing Reliability in Federated mmWave Networks: A Practical and
Scalable Solution using Radar-Aided Dynamic Blockage Recognition [14.18507067281377]
本稿では,ミリ波(mmWave)およびテラヘルツ(THz)ネットワークサービスの動的屋外環境における信頼性向上のための新しい手法を提案する。
これらの設定では、人や車などの障害物を動かすことで、視線接続(LoS)が簡単に中断される。
提案手法はRadar-Aided Blockage Dynamic Recognition (RaDaR)と呼ばれ、レーダー計測とフェデレートラーニング(FL)を活用して、二重出力ニューラルネットワーク(NN)モデルをトレーニングする。
論文 参考訳（メタデータ） (2023-06-22T10:10:25Z) - SRRT: Exploring Search Region Regulation for Visual Object Tracking [58.68120400180216]
探索領域規則追跡(SRRT)と呼ばれる新しい追跡パラダイムを提案する。
SRRTでは,各フレームに対して最適な探索領域を動的に推定するために,提案された探索領域レギュレータを適用している。
大規模なLaSOTベンチマークでは、SRRTはSiamRPN++とTransTをAUCの4.6%と3.1%で改善した。
論文 参考訳（メタデータ） (2022-07-10T11:18:26Z) - Contrastive Learning for Unsupervised Radar Place Recognition [31.04172735067443]
我々は、複雑なレーダデータを用いて、位置認識問題を解決するのに適したレーダ画像のシーケンスから、教師なしの方法で埋め込みを学習する。
我々は400km以上の走行が可能な2つの著名な都市レーダデータセットを実験し、新しいレーダ位置認識状態を実現することを示す。
論文 参考訳（メタデータ） (2021-10-06T13:34:09Z) - LatentSLAM: unsupervised multi-sensor representation learning for
localization and mapping [7.857987850592964]
低次元潜在状態記述子を生成する教師なし表現学習手法を提案する。
本手法はセンサ非依存であり,任意のセンサモダリティに適用可能である。
複数のセンサを組み合わせることで、偽の一致数を減らすことで堅牢性が向上することを示す。
論文 参考訳（メタデータ） (2021-05-07T13:44:32Z) - Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。
本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。
提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
論文 参考訳（メタデータ） (2021-03-10T16:45:22Z)
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。