論文の概要: The S-ICDF Dataset: Sionna-Simulated Dynamic Interference Characterization and Direction Finding
- arxiv url: http://arxiv.org/abs/2607.03411v1
- Date: Fri, 03 Jul 2026 15:19:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.605871
- Title: The S-ICDF Dataset: Sionna-Simulated Dynamic Interference Characterization and Direction Finding
- Title（参考訳）: S-ICDFデータセット:Sionna-Simulated Dynamic Interference Characterization and Direction Finding
- Authors: Christian Wielenberg, Lucas Heublein, Jonathan Ott, Alexander Mattick, Nisha L. Raichur, Jonas Pirkl, Lukas Schelenz, Tobias Feigl, George Yammine, Christopher Mutschler, Felix Ott,
- Abstract要約: 無線周波数(RF)信号を妨害したり操作したりすることで、ジャミングやスプーフィングは無線や衛星の航行を脅かす。
大規模な屋内干渉データセットであるS-ICDFを作成し,公開する。
- 参考スコア（独自算出の注目度）: 31.957075227489835
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Jamming and spoofing threaten wireless and satellite navigation by disrupting or manipulating radio frequency (RF) signals, undermining availability, integrity, and trust. Robust interference monitoring (i.e., detection, classification, characterization, and direction finding) is therefore essential to identify and localize anomalous signals. While machine learning (ML) promises improved performance in complex environments, its development and validation depend on large-scale datasets that capture realistic signal and channel variability. Collecting such data in the real world is difficult because intentional jamming is illegal and ground-truth attribution is confounded by propagation, hardware, and environmental effects. To address this gap, we create and publish S-ICDF, a large-scale indoor interference dataset generated with Sionna, a GPU-accelerated simulation library for physical-layer wireless communications. S-ICDF covers 102 interference configurations, including diverse antenna array patterns, bandwidths, and simulation settings such as noise level and reflection depth. We further provide baseline results by benchmarking S-ICDF with classical estimation and direction finding (DF) methods (MUSIC, ESPRIT, and CAPON) and with modern ML approaches. The dataset is publicly available at: https://gitlab.cc-asp.fraunhofer.de/darcy_gnss/sicdf_dataset
- Abstract（参考訳）: 電波周波数(RF)信号を妨害または操作し、可用性、完全性、信頼を損なうことで、無線および衛星航法を妨害し、妨害する。
したがって、異常信号の特定とローカライズには、ロバスト干渉監視(検出、分類、特徴付け、方向発見)が不可欠である。
マシンラーニング(ML)は複雑な環境でのパフォーマンス向上を約束するが、その開発と検証は、現実的な信号とチャネルの可変性をキャプチャする大規模なデータセットに依存している。
このようなデータを現実の世界で収集することは、意図的なジャミングは違法であり、地道な帰属は伝播、ハードウェア、環境効果によって構成されるため困難である。
このギャップに対処するために、物理層無線通信のためのGPU加速シミュレーションライブラリであるSionnaで生成された大規模屋内干渉データセットS-ICDFを作成し、公開する。
S-ICDFは、アンテナアレイパターン、帯域幅、ノイズレベルや反射深度などのシミュレーション設定を含む102の干渉構成をカバーしている。
さらに、S-ICDFを古典的推定・方向探索法(MUSIC、ESPRIT、CAPON)と現代のMLアプローチでベンチマークすることで、ベースライン結果を提供する。
データセットは、https://gitlab.cc-asp.fraunhofer.de/darcy_gnss/sicdf_datasetで公開されている。
関連論文リスト
- Active Adversarial Perturbation-driven Associative Memory Retrieval for RGB-Event Visual Object Tracking [58.338848435042536]
RGB-Eventトラッキングは、イベントセンサからRGB外観テクスチャと高密度時間運動キューを融合することにより、ローカライズを改善する。
現実世界のシーンは、従来のマルチモーダル融合を妨げる多様な構造的な信号劣化に悩まされる。
本稿では,RGBイベント追跡に適した階層的摂動・検索フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-24T23:34:06Z) - Robust Cross-Domain WiFi Fall Detection via Physics-Driven Attention-Enhanced Transformers [64.35403680946182]
WiFiチャンネル状態情報(CSI)を利用したデバイスフリーの転倒検出が,高齢者の健康モニタリングのための有望なソリューションとして浮上している。
既存のディープラーニングアプローチでは、目に見えない環境にデプロイされた場合、パフォーマンスが大幅に低下する。
本稿では,新しいCNN-Transformerハイブリッドアーキテクチャを特徴とする,堅牢で汎用的なフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-23T03:28:12Z) - Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。
これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
論文 参考訳（メタデータ） (2026-02-04T15:25:02Z) - On the Limitations of Ray-Tracing for Learning-Based RF Tasks in Urban Environments [4.097291451674696]
ローマ中央部の屋外細胞リンクにおけるSionna v ray-tracingの現実性について検討した。
我々は、経路深さ、拡散/特異/屈折フラグ、キャリア周波数、アンテナの特性など、主なシミュレーションパラメータを変化させる。
論文 参考訳（メタデータ） (2025-07-25T19:58:44Z) - Digital Shielding for Cross-Domain Wi-Fi Signal Adaptation using Relativistic Average Generative Adversarial Network [13.808977762165823]
本稿では,物理信号遮蔽にインスパイアされた,Wi-Fi信号のクロスドメイン適応のための新しいディープラーニングモデルを提案する。
このシステムは96%の精度を達成し、強力な物質識別能力を示した。
論文 参考訳（メタデータ） (2025-04-29T09:18:02Z) - Evaluating ML Robustness in GNSS Interference Classification, Characterization & Localization [42.14439854721613]
ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害する
本稿では、低周波アンテナから得られたスナップショットからなる広範囲なデータセットを提案する。
本研究の目的は,機械学習モデル(ML)の環境変化に対するレジリエンスを評価することである。
論文 参考訳（メタデータ） (2024-09-23T15:20:33Z) - RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
本稿では、深層学習手法を利用したデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。
本論文の主な貢献は、RF信号データセットであるRF Challengeの導入である。
論文 参考訳（メタデータ） (2024-09-13T13:53:41Z) - Bridging the Gap Between Clean Data Training and Real-World Inference
for Spoken Language Understanding [76.89426311082927]
既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。
本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。
広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
論文 参考訳（メタデータ） (2021-04-13T17:54:33Z)
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。