論文の概要: Learned Elevation Models as a Lightweight Alternative to LiDAR for Radio Environment Map Estimation

• arxiv url: http://arxiv.org/abs/2604.05520v1
• Date: Tue, 07 Apr 2026 07:18:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.681557
• Title: Learned Elevation Models as a Lightweight Alternative to LiDAR for Radio Environment Map Estimation
• Title（参考訳）: 無線環境マップ推定のためのLiDARの軽量化のための学習標高モデル
• Authors: Ljupcho Milosheski, Fedja Močnik, Mihael Mohorčič, Carolina Fortuna,
• Abstract要約: 推論時に3次元データを必要としない2段階のフレームワークを提案する。 既存のCNNベースのREM推定アーキテクチャでは、画像のみのベースラインよりもRMSEを最大7.8%改善する。
• 参考スコア（独自算出の注目度）: 4.489167091323233
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Next-generation wireless systems such as 6G operate at higher frequency bands, making signal propagation highly sensitive to environmental factors such as buildings and vege- tation. Accurate Radio Environment Map (REM) estimation is therefore increasingly important for effective network planning and operation. Existing methods, from ray-tracing simulators to deep learning generative models, achieve promising results but require detailed 3D environment data such as LiDAR-derived point clouds, which are costly to acquire, several gigabytes per km2 in size, and quickly outdated in dynamic environments. We propose a two-stage framework that eliminates the need for 3D data at inference time: in the first stage, a learned estimator predicts elevation maps directly from satellite RGB imagery, which are then fed alongside antenna parameters into the REM estimator in the second stage. Across existing CNN- based REM estimation architectures, the proposed approach improves RMSE by up to 7.8% over image-only baselines, while operating on the same input feature space and requiring no 3D data during inference, offering a practical alternative for scalable radio environment modelling.
• Abstract（参考訳）: 6Gのような次世代無線システムは高周波数帯域で動作するため、信号伝達は建物やベジテイションなどの環境要因に非常に敏感である。 したがって, 正確な無線環境マップ (REM) 推定は, 効率的なネットワーク計画と運用においてますます重要になっている。 レイトレーシングシミュレータからディープラーニング生成モデルまで、既存の手法は有望な結果を得るが、LiDAR由来の点雲のような詳細な3D環境データを必要とする。 第1段階では、学習した推定器が衛星RGB画像から直接標高マップを予測し、第2段階ではアンテナパラメータとともにREM推定器に供給する。 既存のCNNベースのREM推定アーキテクチャ全体にわたって、提案手法はRMSEを画像のみのベースラインよりも最大7.8%改善し、同じ入力特徴空間で動作し、推論中に3Dデータを必要としないため、スケーラブルな無線環境モデリングの実用的な代替手段を提供する。

関連論文リスト

• RadioGen3D: 3D Radio Map Generation via Adversarial Learning on Large-Scale Synthetic Data [62.63849426834315]
  将来の6Gおよび低高度ネットワークにおける効率的な無線資源管理には,無線地図が不可欠である。 ディープ・ラーニング(DL)技術は、無線地図推定における従来のレイトレーシングに代わる効果的な代替手段として登場した。 提案するRadioGen3Dフレームワークは,本質的な3次元信号伝搬特性とアンテナ偏光効果を捉える。
  論文  参考訳（メタデータ） (2026-02-21T07:50:05Z)
• 3D Dynamic Radio Map Prediction Using Vision Transformers for Low-Altitude Wireless Networks [52.73015408160948]
  低高度無線ネットワーク(LAWN)は無人航空機(UAV)の普及に伴い急速に拡大している 信頼性の高い接続性は、三次元(3D)モビリティ、時間変化によるユーザ密度、限られた電力予算のために、依然として重要な課題である。 本稿では,受信電力の進化を学習し,予測する3次元動的無線マップ(3D高度)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-24T11:47:17Z)
• Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
  本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。 生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。 数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-21T07:25:49Z)
• RadioDiff-3D: A 3D$\times$3D Radio Map Dataset and Generative Diffusion Based Benchmark for 6G Environment-Aware Communication [76.6171399066216]
  UrbanRadio3Dは、現実的な都市環境におけるレイトレーシングによって構築された大規模で高解像度の3D RMデータセットである。 RadioDiff-3Dは3D畳み込みアーキテクチャを利用した拡散モデルに基づく生成フレームワークである。 この研究は、将来の3D環境対応コミュニケーション研究のための基礎的なデータセットとベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-07-16T11:54:08Z)
• Bridging Simulation and Reality: A 3D Clustering-Based Deep Learning Model for UAV-Based RF Source Localization [0.0]
  無人航空機(UAV)は、地上法よりもRFソースの局所化に大きな利点をもたらす。 近年のディープラーニング(DL)の進歩は,特に屋外シナリオにおいて,局所化の精度をさらに高めた。 本稿では、3Dクラスタリングに基づく特徴抽出をロバストなローカライゼーションに活用するDLベースの3DクラスタベースRealAdaptRNetを提案する。
  論文  参考訳（メタデータ） (2025-02-02T05:48:44Z)
• Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
  畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。 既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。 UNetDCNと呼ばれる新しいモデルを導入し、複雑さを低減した最先端モデルと比較して、同等以上の性能を実現した。
  論文  参考訳（メタデータ） (2024-10-07T09:19:20Z)
• Geo2SigMap: High-Fidelity RF Signal Mapping Using Geographic Databases [10.278799374600919]
  Geo2SigMapは、地理データベースを用いた効率的かつ高忠実なRF信号マッピングのためのMLベースのフレームワークである。 われわれはOpenStreetMap、Blender、Sionnaの3つのオープンソースツールをシームレスに統合する自動化フレームワークを開発した。 その結果,Geo2SigMapは平均根平均2乗誤差(RMSE)を6.04dBで達成し,UEにおける基準信号受信電力(RSRP)を予測する。
  論文  参考訳（メタデータ） (2023-12-21T21:26:09Z)
• OccNeRF: Advancing 3D Occupancy Prediction in LiDAR-Free Environments [77.0399450848749]
  本稿では,OccNeRF法を用いて,3次元監視なしで占有ネットワークを訓練する手法を提案する。 我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成し、カメラの無限知覚範囲に合わせる。 意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-14T18:58:52Z)

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。