論文の概要: Why Channel-Centric Models are not Enough to Predict End-to-End Performance in Private 5G: A Measurement Campaign and Case Study

• arxiv url: http://arxiv.org/abs/2603.08865v1
• Date: Mon, 09 Mar 2026 19:27:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:23.797929
• Title: Why Channel-Centric Models are not Enough to Predict End-to-End Performance in Private 5G: A Measurement Campaign and Case Study
• Title（参考訳）: チャネル中心モデルがプライベート5Gの終端性能を予測できない理由:測定キャンペーンとケーススタディ
• Authors: Nils Jörgensen,
• Abstract要約: 通信対応ロボット計画には,無線ネットワーク性能の正確な予測が必要である。 現在のアプローチは、受信信号強度や信号対雑音比といったチャネルレベルの指標に依存している。 我々は,民間の5G産業環境における計測キャンペーンを通じて,この仮定に挑戦する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Communication-aware robot planning requires accurate predictions of wireless network performance. Current approaches rely on channel-level metrics such as received signal strength and signal-to-noise ratio, assuming these translate reliably into end-to-end throughput. We challenge this assumption through a measurement campaign in a private 5G industrial environment. We evaluate throughput predictions from a commercial ray-tracing simulator as well as data-driven Gaussian process regression models against measurements collected using a mobile robot. The study uses off-the-shelf user equipment in an underground, radio-shielded facility with detailed 3D modeling, representing a best-case scenario for prediction accuracy. The ray-tracing simulator captures the spatial structure of indoor propagation and predicts channel-level metrics with reasonable fidelity. However, it systematically over-predicts throughput, even in line-of-sight regions. The dominant error source is shown to be over-estimation of sustainable MIMO spatial layers: the simulator assumes near-uniform four-layer transmission while measurements reveal substantial adaptation between one and three layers. This mismatch inflates predicted throughput even when channel metrics appear accurate. In contrast, a Gaussian process model with a rational quadratic kernel achieves approximately two-thirds reduction in prediction error with near-zero bias by learning end-to-end throughput directly from measurements. These findings demonstrate that favorable channel conditions do not guarantee high throughput; communication-aware planners relying solely on channel-centric predictions risk overly optimistic trajectories that violate reliability requirements. Accurate throughput prediction for 5G systems requires either extensive calibration of link-layer models or data-driven approaches that capture real system behavior.
• Abstract（参考訳）: 通信対応ロボット計画には,無線ネットワーク性能の正確な予測が必要である。 現在のアプローチは、受信信号強度や信号対雑音比といったチャネルレベルのメトリクスに依存しており、これらがエンドツーエンドのスループットに確実に変換されると仮定している。 我々は,民間の5G産業環境における計測キャンペーンを通じて,この仮定に挑戦する。 我々は,移動ロボットを用いて収集した計測値に対して,市販のレイトレーシングシミュレータとデータ駆動型ガウスプロセス回帰モデルからスループット予測を評価する。 この研究は、地下のラジオシールド施設で市販のユーザー機器を使用し、詳細な3Dモデリングを行い、予測精度の最良のシナリオを表現している。 レイトレーシングシミュレータは、屋内伝搬の空間構造を捉え、合理的な忠実度でチャネルレベルのメトリクスを予測する。 しかし、それはシステム的に過度にスループットを予測します。 シミュレータは1層と3層の間に相当な適応性を示す一方で、ほぼ一様に近い4層伝送を仮定する。 このミスマッチは、チャネルメトリクスが正確であったとしても、予測スループットを膨らませる。 対照的に、有理二次核を持つガウス過程モデルは、測定から直接エンドツーエンドのスループットを学習することで、ほぼゼロのバイアスで予測誤差の約3分の2の削減を達成する。 チャネル中心の予測にのみ依存する通信対応プランナーは、信頼性要件に反する過度に楽観的な軌道のリスクを負う。 5Gシステムの正確なスループット予測には、リンク層モデルの広範なキャリブレーションか、実際のシステムの振る舞いを捉えるデータ駆動アプローチが必要である。

関連論文リスト

• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• VECTOR: Velocity-Enhanced GRU Neural Network for Real-Time 3D UAV Trajectory Prediction [2.1825723033513165]
  シーケンスベースニューラルネットワークにおけるGRU(Gated Recurrent Units)を用いた新しいトラジェクトリ予測手法を提案する。 我々は、合成と実世界のUAV軌跡データの両方を使用し、幅広い飛行パターン、速度、機敏性を捉えています。 GRUベースのモデルは、平均二乗誤差(MSE)を2×10-8に抑えながら、最先端のRNNアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2024-10-24T07:16:42Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Out of Distribution Detection via Domain-Informed Gaussian Process State Space Models [22.24457254575906]
  ロボットが見えないシナリオを安全にナビゲートするためには、オンラインのトレーニング外配布(OoD)状況を正確に検出することが重要である。 我々は,既存のドメイン知識をカーネルに埋め込む新しい手法を提案し,また(ii)遅延水平予測に基づくOoDオンラインランタイムモニタを提案する。
  論文  参考訳（メタデータ） (2023-09-13T01:02:42Z)
• Towards Motion Forecasting with Real-World Perception Inputs: Are End-to-End Approaches Competitive? [93.10694819127608]
  実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。 我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
  論文  参考訳（メタデータ） (2023-06-15T17:03:14Z)

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。