論文の概要: OmniLoc: A Geometry-Aware Foundation Model for Anchor-Free UE Localization Across Diverse Indoor Environments
- arxiv url: http://arxiv.org/abs/2606.11490v1
- Date: Tue, 09 Jun 2026 22:22:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:38.204368
- Title: OmniLoc: A Geometry-Aware Foundation Model for Anchor-Free UE Localization Across Diverse Indoor Environments
- Title（参考訳）: OmniLoc: 多様な屋内環境におけるアンカーフリーUEローカライゼーションのための幾何学的基礎モデル
- Authors: Lei Chu, Yuning Zhang, Omer Gokalp Serbetci, Anushka Katiyar, Bassel Abou Ali Modad, Andreas F. Molisch,
- Abstract要約: 多様な屋内環境におけるアンカーフリーユーザ機器のローカライゼーションのための環境相互作用基盤モデルであるOmniLocを提案する。
私たちの知る限りでは、OmniLocは、ワイヤレス測定を直接ベースとした最初の基礎モデルベースのアプローチだ。
- 参考スコア（独自算出の注目度）: 22.766080003909213
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Indoor localization from wireless measurements remains challenging in large-scale deployments due to substantial variation in building geometry, the set of detectable access points (APs), and the heterogeneity of received signals. Existing learning-based methods often perform well only in limited settings and degrade under environmental shifts, making robust anchor-free localization across diverse indoor environments notoriously difficult. In this paper, we present OmniLoc, an environment-interactive foundation model for anchor-free user equipment localization across diverse indoor environments. To the best of our knowledge, OmniLoc is the first foundation-model-based approach built directly on wireless measurements for this task. OmniLoc is built on three key designs. First, a unified input tokenization module converts heterogeneous wireless measurements into a common representation that is more amenable to learning. Second, a geometry-aware Transformer performs AP-aware feature extraction by emphasizing dominant APs while aggregating complementary evidence from supporting APs. Third, a geometry-aware location estimation module conditions regression on geometric embeddings to produce geometrically consistent location predictions. We evaluate OmniLoc on both a large-scale in-house dataset and a public benchmark dataset. Results show that OmniLoc significantly outperforms existing methods, consistently improves existing backbones when its design components are integrated, and demonstrates strong generalization in cross-environment evaluations.
- Abstract（参考訳）: 建物形状や検出可能なアクセスポイント(AP)のセット,受信信号の不均一性など,大規模展開において,無線測定による屋内位置推定は依然として困難である。
既存の学習ベースの手法は、限られた環境下でのみうまく機能し、環境シフトによって劣化し、様々な屋内環境において堅牢なアンカーフリーなローカライゼーションが困難である。
本稿では,様々な屋内環境におけるアンカーフリーユーザ機器のローカライゼーションのための環境相互作用基盤モデルであるOmniLocを提案する。
我々の知る限りでは、OmniLocは、このタスクのためにワイヤレス測定を直接ベースとした最初の基礎モデルベースのアプローチである。
OmniLocは3つの重要な設計に基づいて作られている。
まず、統一された入力トークン化モジュールは、異種無線計測を学習しやすい共通の表現に変換する。
第2に、幾何認識変換器は、支配的なAPを強調しつつ、補助的なAPから補完的な証拠を集約することにより、AP対応の特徴抽出を行う。
第3に、幾何学的に整合した位置予測を生成するため、幾何学的埋め込みにおける位置推定モジュール条件の回帰。
我々は大規模な社内データセットと公開ベンチマークデータセットの両方でOmniLocを評価した。
その結果、OmniLocは既存の手法よりも優れており、設計コンポーネントの統合時に既存のバックボーンを一貫して改善し、クロス環境評価において強力な一般化を示している。
関連論文リスト
- Z-FLoc: Zero-Shot Floorplan Localization via Geometric Primitives [72.63181031215858]
そこで本研究では,ゼロショットフロアプランのローカライズ手法を提案する。
我々の重要な洞察は、支配的な幾何学的プリミティブが人間が作った環境でユビキタスであることである。
シミュレーションと実世界の両方のデータセットの実験により、我々のアプローチは、目に見えない環境における最先端の学習ベースの手法よりも優れています。
論文 参考訳（メタデータ） (2026-06-03T12:14:24Z) - Symmetry-Aware 9D Pose Estimation with Sim(3)-Consistent Feature and Spherical Inception Convolution [28.552454954310694]
カテゴリーレベルのオブジェクトポーズ推定を2つの重要なイノベーションで効果的に行う方法を提案する。
翻訳/大きさ推定器は、対称性の点を推測するために意味誘導対称性認識モジュールを使用し、正確な翻訳と大きさは、形状の前兆を伴わない。
機能融合モジュールは、LVMのセマンティックな特徴を体系的に計算された幾何学的特徴と融合させ、クラス内のバリエーションから不可欠なポーズの特徴を抽出する。
論文 参考訳（メタデータ） (2026-06-01T13:20:04Z) - Walking Further: Semantic-aware Multimodal Gait Recognition Under Long-Range Conditions [27.59550056623308]
We present textbfLRGait, the first LiDAR-Camera multimodal benchmark for robust long-range gait recognition。
また,長距離マルチモーダル歩行認識に適したエンドツーエンドフレームワークである textbfEMGaitNet を提案する。
論文 参考訳（メタデータ） (2026-03-15T02:32:27Z) - Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。
提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。
本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
論文 参考訳（メタデータ） (2025-06-26T11:53:59Z) - Permutation-Invariant Transformer Neural Architectures for Set-Based Indoor Localization Using Learned RSSI Embeddings [0.0]
Wi-Fi アクセスポイントからの RSSI スキャンを用いた屋内位置推定のための置換型ニューラルアーキテクチャを提案する。
6つの建物からなるキャンパス環境にまたがって収集したデータセットのモデルを評価する。
その結果, モデルが細粒度構造を正確に復元し, 物理的に異なる領域にまたがって性能を維持できることが示唆された。
論文 参考訳（メタデータ） (2025-05-31T17:56:39Z) - PointOBB-v3: Expanding Performance Boundaries of Single Point-Supervised Oriented Object Detection [65.84604846389624]
我々は,より強力な単一点制御OODフレームワークであるPointOBB-v3を提案する。
追加のプリミティブなしで擬似回転ボックスを生成し、エンドツーエンドのパラダイムをサポートする。
本手法は従来の最先端手法と比較して3.56%の精度向上を実現している。
論文 参考訳（メタデータ） (2025-01-23T18:18:15Z) - Efficient Feature Aggregation and Scale-Aware Regression for Monocular 3D Object Detection [40.14197775884804]
MonoASRHは、効率的なハイブリッド特徴集約モジュール(EH-FAM)と適応スケール対応3D回帰ヘッド(ASRH)で構成される新しいモノクル3D検出フレームワークである。
EH-FAMは、小規模オブジェクトのセマンティックな特徴を抽出するために、グローバルな受容領域を持つマルチヘッドアテンションを用いる。
ASRHは2次元境界ボックス次元を符号化し、EH-FAMで集約された意味的特徴とスケール特徴を融合する。
論文 参考訳（メタデータ） (2024-11-05T02:33:25Z) - Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。
そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。
PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
論文 参考訳（メタデータ） (2024-07-26T06:29:09Z) - Adaptive Spot-Guided Transformer for Consistent Local Feature Matching [64.30749838423922]
局所的特徴マッチングのための適応スポットガイド変換器(ASTR)を提案する。
ASTRは、統一された粗いアーキテクチャにおける局所的な一貫性とスケールのバリエーションをモデル化する。
論文 参考訳（メタデータ） (2023-03-29T12:28:01Z)
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。