論文の概要: Low-Altitude Channel Multipath Prediction via Panoramic Perception and Vision-Language Model

• arxiv url: http://arxiv.org/abs/2607.21953v1
• Date: Fri, 24 Jul 2026 03:59:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.04144
• Title: Low-Altitude Channel Multipath Prediction via Panoramic Perception and Vision-Language Model
• Title（参考訳）: パノラマ知覚と視覚言語モデルによる低高度チャネルマルチパス予測
• Abstract要約: 無人航空機(UAV)通信は6Gモバイルネットワークにおける幅広い低高度アプリケーションをサポートすることが期待されている。 既存のマルチモーダルチャネル予測手法は主にパス損失などの大規模メトリクスに焦点を当てている。 本稿では,パノラマ認識と視覚言語モデルに基づく低高度マルチパス予測フレームワークであるPanoLAMPを提案する。
• 参考スコア（独自算出の注目度）: 33.916311823620596
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unmanned aerial vehicle (UAV) communication is expected to support a wide range of low-altitude applications in 6G mobile networks. However, traditional statistical channel models provide limited accuracy in specific environments, while deterministic methods such as ray tracing usually rely on accurate three-dimensional environment models and involve high computational complexity. Existing multimodal channel prediction approaches mainly focus on large-scale metrics such as path loss, and remain insufficient for modeling small-scale parameters. To address these limitations, this paper proposes PanoLAMP, a Panoramic perception and vision-language model-based Low-Altitude Multipath Prediction framework. It adopts a pretrained vision-language model as the backbone and captures the propagation environment features through panoramic RGB-D observations collected at both the transmitter and receiver to predict the delay, power, azimuth angle, and zenith angle offset relative to the line-of-sight path. Experiments are conducted on a synthetic dataset containing 18,949 UAV-vehicle links across seven UAV altitudes. Experimental results show that the proposed method consistently outperforms representative baselines in both multipath parameters and statistical metrics, and demonstrates stronger generalization across different flight heights.
• Abstract（参考訳）: 無人航空機(UAV)通信は6Gモバイルネットワークにおける幅広い低高度アプリケーションをサポートすることが期待されている。 しかし、従来の統計チャネルモデルは特定の環境において限られた精度を提供するが、レイトレーシングのような決定論的手法は通常、正確な3次元環境モデルに依存し、高い計算複雑性を伴う。 既存のマルチモーダルチャネル予測手法は主にパス損失などの大規模メトリクスに焦点を当てており、小規模パラメータのモデル化には不十分である。 本稿では,パノラマ認識と視覚言語モデルに基づく低高度マルチパス予測フレームワークであるPanoLAMPを提案する。 事前訓練された視覚言語モデルをバックボーンとして採用し、送信機と受信機の両方で収集されたパノラマRGB-D観測により伝搬環境の特徴を捉え、視線方向に対する遅延、パワー、方位角、全方位オフセットを予測する。 実験は、UAVの7つの高度に18,949のUAV-vehicleリンクを含む合成データセット上で行われた。 実験結果から,提案手法は多経路パラメータと統計的指標の両方において代表的基準線を一貫して上回り,飛行高度をまたいだより強い一般化を示すことがわかった。

関連論文リスト

• DroneFINE: Domain-Aware Parameter-Efficient Fine-Tuning of Vision-Language Detectors for Drone Images [50.96240625673857]
  DroneFINEは、VLMベースのドローン画像検出器用に設計された2つのドメイン対応補完モジュールからなる、新しいPEFTパラダイムである。 DroneFINEは既存のPEFTメソッドを著しく上回り、完全な微調整に匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-01T02:27:40Z)
• 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)
• ThinkJEPA: Empowering Latent World Models with Large Vision-Language Reasoning Model [53.15040805435013]
  視覚言語モデル(VLM)は、一様にサンプリングされたフレームを解析することで、強力なセマンティックグラウンドと一般的な知識を提供する。 本稿では,高密度フレーム・ダイナミックス・モデリングと長軸意味指導を組み合わせたVLM誘導型JEPA型潜在世界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-23T17:59:42Z)
• Agentic AI for Embodied-enhanced Beam Prediction in Low-Altitude Economy Networks [5.595643939878137]
  無線チャネルの高周波特性は、激しい伝搬損失と強いビーム指向性をもたらす。 我々はエージェントAIを用いて、mWave基地局をエンボディインテリジェンスへ変換する。
  論文  参考訳（メタデータ） (2026-03-12T00:11:26Z)
• RSS map-assisted MIMO channel estimation in the upper mid-band under pilot constraints [10.076629346147639]
  本稿では,モデルに基づくチャネル推定とディープネットワークを組み合わせた新しい物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。 最先端の手法と比較して、NMSEでは5dB以上のゲインを達成している。 多段階の時間予測のためにデコーダを拡張し、単一の推定値から将来の複数のチャネルスナップショットの正確な予測を可能にする。
  論文  参考訳（メタデータ） (2026-02-18T17:41:20Z)
• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• 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)
• Rethinking Range View Representation for LiDAR Segmentation [66.73116059734788]
  「多対一」マッピング、意味的不整合、形状変形は、射程射影からの効果的な学習に対する障害となる可能性がある。 RangeFormerは、ネットワークアーキテクチャ、データ拡張、後処理を含む新しい設計を含む、フルサイクルのフレームワークである。 比較対象のLiDARセマンティックスとパノプティックスセグメンテーションのベンチマークにおいて,初めてレンジビュー法が点,ボクセル,マルチビューフュージョンを越えられることを示す。
  論文  参考訳（メタデータ） (2023-03-09T16:13:27Z)
• Leveraging Multi-stream Information Fusion for Trajectory Prediction in Low-illumination Scenarios: A Multi-channel Graph Convolutional Approach [8.671486571411796]
  軌道予測は自動運転車の基本的な問題であり課題である。 本稿では,マルチストリーム情報融合を利用した低照度シナリオにおける軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2022-11-18T13:25:15Z)
• Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
  本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。 我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
  論文  参考訳（メタデータ） (2022-11-15T13:52:41Z)
• BiTraP: Bi-directional Pedestrian Trajectory Prediction with Multi-modal Goal Estimation [28.10445924083422]
  BiTraPはCVAEに基づく目標条件付き双方向マルチモーダル軌道予測手法である。 BiTraPは、FPV(First-person view)とBEV(Bird's-eye view)の両方のシナリオに一般化し、最先端の結果を10～50%上回る。
  論文  参考訳（メタデータ） (2020-07-29T02:40:17Z)

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。