論文の概要: HybridSim: A Physics-Learning Hybrid Digital Twin for mmWave Human Sensing

• arxiv url: http://arxiv.org/abs/2607.15806v1
• Date: Fri, 17 Jul 2026 10:20:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.816312
• Title: HybridSim: A Physics-Learning Hybrid Digital Twin for mmWave Human Sensing
• Title（参考訳）: 物理学習型ハイブリッドデジタル双眼鏡「HybridSim」
• Abstract要約: HybridSimは物理を学習するハイブリッドシミュレータで、室内の固定された構成の下で、動的人間のメッシュからミリ波レーダー信号を合成する。 サイト固有のデータ拡張にHybridSimを使用する場合、下流レーダに基づくヒューマンセンシングタスクにおいて、物理ベースの参照と一貫した利得との整合性の向上を示す。
• 参考スコア（独自算出の注目度）: 16.25180983132509
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-fidelity simulation of mmWave radar signals for dynamic human motion is valuable for developing radar-based human sensing models; yet collecting accurately labeled measurements for a specific deployment site remains expensive. We present HybridSim, a physics-learning hybrid simulator that synthesizes mmWave radar signals from dynamic human meshes under a fixed indoor room configuration, explicitly decoupling propagation into two components. To parameterize the human subject, we use a tri-plane representation to extract human features and a Graph Convolutional Network to stabilize optimization and mitigate gradient instability. The direct signal path is modeled via an inverse-rendering formulation with a microfacet BRDF to capture primary surface reflections. In parallel, the indirect path is approximated by combining 3D Gaussian Splatting with a virtual-receiver geometry to fit and reproduce site-specific multipath interference patterns, achieving substantially lower computational cost than explicit full ray tracing. Experiments in a fixed-room setting show improved agreement with a physically based reference and consistent gains on downstream radar-based human sensing tasks when using HybridSim for site-specific data augmentation.
• Abstract（参考訳）: 動的人体運動のためのミリ波レーダ信号の高忠実性シミュレーションは、レーダに基づく人体センシングモデルの開発に有用であるが、特定の展開地点の正確なラベル付けされた測定値の収集は高価である。 物理学習型ハイブリッドシミュレータであるHybridSimは,室内の固定された構成下で動的人メッシュからミリ波レーダ信号を合成し,伝搬を2つのコンポーネントに明示的に分離する。 人体をパラメータ化するために,3面表現を用いて人間の特徴を抽出し,グラフ畳み込みネットワークを用いて最適化を安定化し,勾配不安定を緩和する。 直接信号経路は、逆レンダリングの定式化を通じてマイクロファセットBRDFを用いてモデル化され、一次表面反射を捉える。 平行して、間接経路は3次元ガウス格子と仮想受信器幾何を組み合わせることで、サイト固有のマルチパス干渉パターンを適合させ、再現し、明示的なフルレイトレーシングよりも計算コストを大幅に低減することで近似される。 固定室での実験では、サイト固有のデータ拡張にHybridSimを使用する場合、物理ベースの参照と、下流レーダーベースのヒューマンセンシングタスクにおける一貫した利得との一致が改善された。

関連論文リスト

• mmSimPrior: Learning Simulation Priors for Data-Efficient and Generalizable Real-World Radar-based Human Motion Reconstruction [12.731621912265986]
  我々は,信号,動き,レーダ間マッピングに伝達可能な知識を分解するシミュレーション事前学習フレームワークmmSimPriorを提案する。 mmSimPrior-RealとRT-Poseの実験は、一貫した利得を示した。
  論文  参考訳（メタデータ） (2026-07-25T00:56:44Z)
• A Two-Stage Motion-Aware Framework for mmWave-based Human Mesh Recovery [13.982684122303896]
  本稿では,レーダーによる人体再構築のための2段階の枠組みを提案する。 まず、粗大な局所化を行う人間の反射抽出モジュールを提案する。 第二に、人体を再構築する動き認識メッシュ回復ネットワークを設計する。
  論文  参考訳（メタデータ） (2026-05-08T22:34:03Z)
• HSImul3R: Physics-in-the-Loop Reconstruction of Simulation-Ready Human-Scene Interactions [69.43316445143408]
  HSImul3Rはヒトとシーンの相互作用をシミュレーション可能な3次元再構成のための統合フレームワークである。 既存の手法は知覚とシミュレーションのギャップに悩まされており、物理エンジンの不安定性と、具体化されたAIアプリケーションの失敗につながっている。
  論文  参考訳（メタデータ） (2026-03-16T17:58:33Z)
• Robust Mesh Saliency GT Acquisition in VR via View Cone Sampling and Geometric Smoothing [59.12032628787018]
  バーチャルリアリティー(VR)における人中心視覚モデリングには3次元メッシュサリエンシ基底真理が不可欠である 現在のVRアイトラッキングパイプラインは、単一線サンプリングとユークリッドのスムース化に依存しており、テクスチャの注意を喚起し、ギャップをまたいだ信号の漏洩を引き起こす。 本稿では,これらの制約に対処する頑健な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-06T05:20:12Z)
• UniSH: Unifying Scene and Human Reconstruction in a Feed-Forward Pass [83.7071371474926]
  UniSHは、統合されたフィードフォワードフレームワークで、共同でメートルスケールの3Dシーンと人間の再構築を行う。 我々のフレームワークは、シーン再構築とHMRとの違いを強く橋渡しします。 本モデルは,人間中心のシーン再構築における最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-01-03T16:06:27Z)
• RadarGen: Automotive Radar Point Cloud Generation from Cameras [64.69976771710057]
  マルチビューカメラ画像からリアルな自動車用レーダー点雲を合成するための拡散モデルRadarGenを提案する。 RadarGenは、鳥の目視でレーダー計測を表現することで、レーダ領域への効率的な画像遅延拡散を適応する。 本稿では,RadarGenが特徴的レーダ計測分布を捕捉し,実データに基づいて学習した知覚モデルとのギャップを小さくすることを示す。
  論文  参考訳（メタデータ） (2025-12-19T18:57:33Z)
• RadHARSimulator V2: Video to Doppler Generator [1.3706331473063882]
  本稿では,録画映像から直接ドップラースペクトルを生成するシミュレータについて述べる。 コンピュータビジョンとレーダーモジュールの両方がシミュレータに含まれている。 レーダベースHARに対して,ハイブリッド並列シリアル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） (2025-11-12T06:15:53Z)
• Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
  ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。 マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。 その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
  論文  参考訳（メタデータ） (2025-04-07T15:38:25Z)
• A Lightweight Human Pose Estimation Approach for Edge Computing-Enabled Metaverse with Compressive Sensing [23.884862152830184]
  5G/6Gネットワークのようなエッジコンピューティング対応ネットワーク上のユーザの3D動作を推定する能力は、拡張現実(XR)とメタバースアプリケーションの新しい時代の重要な実現要因である。 近年の深層学習の進歩は,センサ信号からの予備的な計測から3次元人のポーズを推定する最適化手法よりも有利であることが示されている。 ノイズの多い無線環境におけるIMU信号の冗長性除去と軽量伝送のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-26T02:57:23Z)
• Differentiable and Learnable Wireless Simulation with Geometric Transformers [13.538643388955768]
  Wi-GATrは、シーンプリミティブに基づいたチャネル観測を予測するために設計された、完全に学習可能なニューラルネットワークシュロゲートである。 我々は,Wi-GATrが正確で,高速で,試料効率が高く,対称性に起因した変換に頑健であることを示す。
  論文  参考訳（メタデータ） (2024-06-21T09:14:11Z)
• Differentiable Radio Frequency Ray Tracing for Millimeter-Wave Sensing [29.352303349003165]
  我々はmmWaveベースの3D再構成のための微分可能なフレームワークDiffSBRを提案する。 DiffSBRは、仮想3Dモデルからレーダーポイント雲をシミュレートするために、微分可能なレイトレーシングエンジンを組み込んでいる。 各種レーダーハードウェアを用いた実験は、ディフSBRの微細な3D再構成能力を検証する。
  論文  参考訳（メタデータ） (2023-11-22T06:13:39Z)
• Synthetic Wave-Geometric Impulse Responses for Improved Speech Dereverberation [69.1351513309953]
  室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。 本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
  論文  参考訳（メタデータ） (2022-12-10T20:15:23Z)

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。