論文の概要: Learning the Channel Gain from Anywhere to Anywhere via Cross-environment Transformer Estimators
- arxiv url: http://arxiv.org/abs/2605.08211v1
- Date: Wed, 06 May 2026 09:17:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.464598
- Title: Learning the Channel Gain from Anywhere to Anywhere via Cross-environment Transformer Estimators
- Title（参考訳）: クロス環境変圧器を用いた任意の場所からどこでもチャネルゲインを学習する
- Abstract要約: チャネルゲインマップは、6次元の入力空間上の関数である。これは、現在(不正確な)ラジオトモグラフィーモデルに依存している特殊な方法を要求する。
本稿では,チャネルゲインマップが環境全体にわたって示す空間パターンを活用することで,この問題を克服する。
複数の環境で収集された測定値から,この共通構造を暗黙的に学習するトランスフォーマーに基づく推定器を提案する。
- 参考スコア（独自算出の注目度）: 3.240707021415641
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Channel-gain maps provide the channel gain between any two locations in a geographical region. They find numerous applications, from resource allocation and interference control to path planning for autonomous vehicles. Channel-gain map estimation (CGME) is considerably more challenging than conventional radio map estimation (RME) because channel-gain maps are functions over a 6-dimensional input space. This calls for specialized methods, which currently rely on the (inaccurate) radio tomographic model or require a prohibitively large number of measurements since they do not exploit any spatial structure. This paper overcomes this issue by leveraging spatial patterns that channel-gain maps exhibit across environments, as dictated by the laws of physics and typical environmental characteristics (e.g. building materials and layouts). Adopting a metalearning perspective, a transformer-based estimator is proposed to implicitly learn this common structure from measurements collected in multiple environments. This enables CGME in new environments from significantly fewer measurements (five times less in our experiments). To maximize learning efficiency, the transformer is composed with a feature map that enforces the invariances of CGME, such as those following from reciprocity. Numerical experiments corroborate the merits of the proposed estimator relative to existing methods.
- Abstract（参考訳）: チャネルゲインマップは、地理的領域内の任意の2つの場所間のチャネルゲインを提供する。
リソース割り当てや干渉制御から、自動運転車の経路計画まで、多くの応用を見出している。
チャネルゲインマップは6次元入力空間上の関数であるため,従来の無線マップ推定(RME)よりもかなり難しい。
これは、現在(不正確な)ラジオトモグラフィーモデルに依存している、あるいは空間構造を利用していないため、違法に多くの測定を必要とする特殊な方法を要求する。
本稿では、物理法則や典型的な環境特性(建築材料やレイアウトなど)によって規定されるように、チャネルゲインマップが環境全体に示す空間パターンを活用することで、この問題を克服する。
メタラーニングの視点を取り入れたトランスフォーマーに基づく推定器が提案され、複数の環境で収集された測定値からこの共通構造を暗黙的に学習する。
これにより、新しい環境におけるCGMEは、測定が著しく少ない(実験では5倍少ない)。
学習効率を最大化するために、変換器は、相互性から従うようなCGMEの不変性を強制する特徴写像で構成される。
数値実験は既存の手法と比較して提案した推定器の利点を裏付けるものである。
関連論文リスト
- Sparse Gain Radio Map Reconstruction With Geometry Priors and Uncertainty-Guided Measurement Selection [13.374932423672035]
我々は幾何学的・能動的センシングの観点からスパースゲイン無線地図の再構成について検討した。
本報告では,高密度ゲイン無線マップと空間不確実性マップをスパース計測と構造化シーン先行から共同で予測する軽量ネットワークである textbfGeoUQ-GFNet を提案する。
論文 参考訳（メタデータ） (2026-04-07T12:23:49Z) - Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。
本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。
提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
論文 参考訳（メタデータ） (2026-04-02T08:08:41Z) - Channel Knowledge Map Construction via Guided Flow Matching [22.16429053407676]
線形輸送誘導フローマッチング(LT-GFM)に基づく新しいフレームワークを提案する。
本稿では,従来のチャネルゲインマップ(CGM)構築だけでなく,より困難な相関マップ(SCM)構築にも適用可能な統一アーキテクチャを提案する。
シミュレーションの結果, LT-GFMはFréchet Inception Distance (FID) よりも有意に低い分布忠実度を実現し, DDPMに比べて25倍の速度で推論速度を加速することがわかった。
論文 参考訳（メタデータ） (2026-01-06T08:25:56Z) - Blind Radio Mapping via Spatially Regularized Bayesian Trajectory Inference [34.91945910235526]
本稿では,屋内マルチインプット・マルチアウトプット(MIMO)-直交周波数分割多重化(OFDM)チャネル計測からユーザトラジェクトリを位置ラベルに依存することなく推定するブラインド無線マップ構築フレームワークを提案する。
レイトレーシングデータセットの実験では、平均位置推定誤差が0.68m、ビームマップ再構成誤差が3.3%となり、提案したブラインドマッピングの有効性が検証された。
論文 参考訳（メタデータ） (2025-12-04T05:31:28Z) - 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) - RadioFormer: A Multiple-Granularity Radio Map Estimation Transformer with 1\textpertenthousand Spatial Sampling [60.267226205350596]
電波マップ推定は、電磁スペクトル量の密度の高い表現を生成することを目的としている。
空間スパース観測によって生じる制約に対処する新しい多重粒度変換器であるRadioFormerを提案する。
また,RadioFormerは,最小計算コストを維持しつつ,無線マップ推定における最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2025-04-27T08:44:41Z) - Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。
本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。
我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文 参考訳（メタデータ） (2024-10-10T10:10:03Z) - Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。
提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
論文 参考訳（メタデータ） (2023-11-30T13:50:21Z) - Transformer-Based Neural Surrogate for Link-Level Path Loss Prediction
from Variable-Sized Maps [11.327456466796681]
送信機と受信機の位置に対する経路損失の推定は、ネットワーク計画やハンドオーバを含む多くのユースケースにおいて重要である。
本稿では,様々な次元の地図やスパース測定からリンクレベルの特性を予測できるトランスフォーマーベースのニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-10-06T20:17:40Z) - Optimizing Multicarrier Multiantenna Systems for LoS Channel Charting [6.6297544881511055]
チャネルチャート(CC)は、生のチャネル観測の空間と、近接点がユーザ機器(UE)のチャネルと空間的に近接する低次元空間の間のマッピングを学習する。
このマッピングを学習する様々な方法のなかには、チャネルベクトル間の距離測定に依存するものもある。
論文 参考訳（メタデータ） (2023-09-28T09:21:41Z) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳（メタデータ） (2021-11-23T22:25:10Z)
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。