論文の概要: Geometry-Aware Cross-Height Channel Knowledge Map Prediction for UAV-Assisted Communications With Uncertainty-Guided 3D Sensing
- arxiv url: http://arxiv.org/abs/2607.00887v1
- Date: Wed, 01 Jul 2026 12:53:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.895508
- Title: Geometry-Aware Cross-Height Channel Knowledge Map Prediction for UAV-Assisted Communications With Uncertainty-Guided 3D Sensing
- Title（参考訳）: 不確かさ誘導型3DセンシングによるUAV支援通信の高度チャネル知識マップ予測
- Abstract要約: 本稿では,高度条件付きクロスハイト・チャネル・ナレッジ・マップ(CKM)を用いて,地形に富む都市環境におけるUAV支援通信の予測を行う。
本研究では, 都市景観の先行状況, 疎度多高度観測, および目標高度記述子を組み合わせた幾何学的条件付き予測フレームワークを開発し, 観測対象高度で高密度CKMを再構成する。
- 参考スコア（独自算出の注目度）: 24.62079744762788
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Low-altitude Unmanned Aerial Vehicles (UAVs) often need to infer channel knowledge across a range of heights from only sparse observations collected at a few altitude layers. To address this challenge, this paper studies height-conditioned cross-height channel knowledge map (CKM) prediction for UAV-assisted communications in geometry-rich urban environments. We develop a geometry-aware conditional prediction framework that combines urban scene priors, sparse multi-altitude observations, and target-height descriptors to reconstruct dense CKMs at unobserved target heights. An uncertainty head is further introduced to characterize prediction confidence and to support cost-aware online UAV sensing under motion and safety constraints. Experiments on a layered aerial CKM benchmark show that the proposed Feature Pyramid Network (FPN)-Transformer achieves the best overall performance under both unseen-scene zero-shot and legacy patch-random protocols, reducing the Root Mean Square Error (RMSE) to 5.347dB and 1.111dB, respectively, compared with 6.937dB and 1.221dB for the strongest baseline 3D-RadioDiff. Moreover, after applying our unseen-scene few-shot adaptation, the RMSE further decreases from 5.347dB in zero-shot prediction to 3.518dB with 10-shot two-height support, while the uncertainty-guided cost-aware sensing policy improves active reconstruction from 6.94dB at initialization to 4.79dB at sensing budget 40, outperforming uncertainty-only sensing at 5.08dB and random aerial sampling at 5.84dB.
- Abstract（参考訳）: 低高度無人航空機(UAV)は、いくつかの高度層で収集されたスパース観測から、高度の広い範囲でチャネルの知識を推測する必要があることが多い。
そこで本研究では,高度条件付きクロスハイト・チャネル・ナレッジ・マップ(CKM)を用いて,地形に富む都市環境におけるUAV支援通信の予測を行う。
本研究では, 都市景観の先行状況, 疎度多高度観測, および目標高度記述子を組み合わせた幾何学的条件付き予測フレームワークを開発し, 観測対象高度で高密度CKMを再構成する。
さらに、予測信頼度を特徴付けるとともに、動き及び安全制約下でのコスト認識オンラインUAVセンシングを支援する不確実性ヘッドが導入された。
層状空中CKMベンチマークの実験により、提案されたFeature Pyramid Network (FPN)-Transformerは、最強のベースラインである3D-RadioDiffの6.937dBと1.221dBと比較して、未確認のゼロショットとレガシーなパッチランダムプロトコルの両方で最高の全体的な性能を達成し、Root Mean Square Error (RMSE) を 5.347dB と 1.111dB に削減した。
さらに, 初期化時に6.94dBから4.79dBに, 不確実性のみの検知を5.08dBに, ランダムサンプリングを5.84dBに向上させるとともに, 初期化時に6.94dBから4.79dBへ, ゼロショット予測で5.347dBから3.518dBにさらに低下した。
関連論文リスト
- Location Prior Generation via Multi-Source Urban Data Fusion for Low-Altitude Air Mobility [14.898419432228897]
グローバル地理空間データベースの95%以上の構造ではビルの高さは欠落している。
新興の低高度経済にとって、このデータギャップは、各飛行プラットフォームにリアルタイムのオンボードセンシングを頼らざるを得ない。
マルチソースデータ融合パイプラインであるLocation Prior Generation Framework(LPGF)を提案する。
論文 参考訳（メタデータ） (2026-05-25T07:35:15Z) - UAVFF3D: A Geometry-Aware Benchmark for Feed-Forward UAV 3D Reconstruction [8.117428563545017]
フィードフォワードUAV3D再構成のための幾何対応ベンチマークであるUAVFF3Dを紹介する。
UAVFF3Dには、170万以上の実際のUAV画像と、高品質なテクスチャ化された3Dモデルからレンダリングされた370万以上の合成画像が含まれている。
また、プロジェクション幾何学の曖昧さを診断するための制御されたHFOV高さテストサブセットも含まれている。
論文 参考訳（メタデータ） (2026-05-18T06:59:28Z) - Can LLM Agents Respond to Disasters? Benchmarking Heterogeneous Geospatial Reasoning in Emergency Operations [55.251494694783894]
災害対応エージェントベンチマーク(DORA)は、エンド・ツー・エンドの災害対応のための最初のエージェントベンチマークである。
タスクは、災害認識、空間関係分析、救助・避難計画、時間的進化推論、マルチモーダルレポート合成という、災害対応パイプラインをカバーする5つの次元にまたがる。
DORAは、運用上の信頼性の高い災害対応エージェントのための厳格なテストベッドを確立する。
論文 参考訳（メタデータ） (2026-05-12T06:57:41Z) - Evaluation of gNB Monostatic Sensing for UAV Use Case [14.424133779785636]
無人航空機(UAV)症例に対する5G New Radio(NR)ベースステーション(gNB)を用いたモノスタティックセンシングについて検討した。
マルチターゲット検出および3次元位置決めのためのエンドツーエンド処理チェーンを提案し,5%未満の誤報率で70%以上の検出確率を達成する。
論文 参考訳（メタデータ） (2026-04-02T15:57:58Z) - Environment-Aware Channel Prediction for Vehicular Communications: A Multimodal Visual Feature Fusion Framework [5.312960628870459]
6G vehicular通信は、信頼性、レイテンシ、適応性要求の下で、正確で前方に見えるチャネル予測を必要とする。
本稿では,マルチモーダル視覚特徴融合に基づく環境対応チャネル予測フレームワークを提案する。
同期都市V2I測定データセットの実験では、PLが3.26dB、RMSEが37.66ns、5.05°、および5.08°の最高根平均二乗誤差(RMSE)が得られる。
論文 参考訳（メタデータ） (2026-04-02T13:31:17Z) - 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) - VANGUARD: Vehicle-Anchored Ground Sample Distance Estimation for UAVs in GPS-Denied Environments [7.390183878674011]
VANGUARDは、航空ロボットのための呼び出し可能なツールとして設計された軽量で決定論的幾何学的知覚スキルである。
DOTAv1.5ベンチマークでは、VANGUARDは306imagesで6.87%中央値のGSDエラーを達成している。
下流領域の測定のためにSAMベースのセグメンテーションと統合され、パイプラインは100エントリのベンチマークで19.7%の中央値エラーを発生させる。
論文 参考訳（メタデータ） (2026-03-04T16:59:08Z) - Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail [85.47497935739936]
Alpamayo-R1 (AR1) は、因果推論の連鎖と軌道計画を統合する視覚言語モデルである。
また,AR1は,軌道のみのベースラインに比べて,難問の計画精度が12%向上することを示した。
今後のアップデートで、AR1モデルとCoCのサブセットをリリースする予定です。
論文 参考訳（メタデータ） (2025-10-30T01:25:34Z) - Estimating the Diameter at Breast Height of Trees in a Forest With a Single 360 Camera [52.85399274741336]
森林在庫は、生態モニタリング、資源管理、炭素会計のために、乳房の高さ(DBH)の直径の正確な測定に頼っている。
LiDARベースの技術はセンチメートル単位の精度を達成できるが、コストは抑えられ、運用上複雑である。
コンシューマグレードの360度ビデオカメラしか必要としない低価格の代替機を提示する。
論文 参考訳（メタデータ） (2025-05-06T01:09:07Z) - ET-Former: Efficient Triplane Deformable Attention for 3D Semantic Scene Completion From Monocular Camera [53.20087549782785]
本稿では,単一単眼カメラを用いたセマンティックシーン補完のための新しいエンドツーエンドアルゴリズムET-Formerを紹介する。
本手法は,単一のRGB観測からセマンティック占有マップを生成すると同時に,セマンティック予測のための不確実性推定を行う。
論文 参考訳（メタデータ） (2024-10-14T19:14:49Z) - Vision Transformers, a new approach for high-resolution and large-scale
mapping of canopy heights [50.52704854147297]
分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。
このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
論文 参考訳（メタデータ） (2023-04-22T22:39:03Z)
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。