論文の概要: SymNet: A Multi-Task Network for Joint Radio Map Reconstruction and Transmitter Localization
- arxiv url: http://arxiv.org/abs/2608.00087v1
- Date: Thu, 30 Jul 2026 04:25:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 21:56:46.353649
- Title: SymNet: A Multi-Task Network for Joint Radio Map Reconstruction and Transmitter Localization
- Title（参考訳）: SymNet: 共用無線地図再構成と送信機のローカライゼーションのためのマルチタスクネットワーク
- Abstract要約: 本稿では,疎信号測定から指向性無線地図と送信機位置を共同で予測する統合フレームワークを提案する。
SymNetは送信機のローカライゼーションのための予測ヘッドを無線地図再構成と共に組み込んでおり、両方のタスクを同時に学習することができる。
挑戦的な方向性シナリオの実験は、SymNetが最先端のベースラインを上回っていることを示している。
- 参考スコア（独自算出の注目度）: 3.478723877393129
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately predicting directional radio maps is essential for wireless applications, yet prior approaches primarily focus on omnidirectional signals and typically treat transmitter localization and signal map reconstruction as separate tasks. In omnidirectional settings, predicting the maximum signal location often coincides with the transmitter position, which limits the need for explicit joint modeling. However, in directional propagation where angular effects, reflections, and building occlusions play critical roles, this assumption no longer holds. To address this gap, we propose SymNet, a unified framework that jointly predicts directional radio maps and transmitter locations from sparse signal measurements. SymNet incorporates a prediction head for transmitter localization alongside radio map reconstruction, enabling simultaneous learning of both tasks. This joint formulation leverages their complementary information and leads to consistent improvements over treating them separately. Experiments on challenging directional scenarios demonstrate that SymNet outperforms state-of-the-art baselines, achieving superior accuracy in both radio map reconstruction and transmitter localization.
- Abstract（参考訳）: 無線アプリケーションには正確な指向性無線マップの予測が不可欠であるが、従来のアプローチは主に全方位信号に重点を置いており、送信機のローカライゼーションと信号マップ再構成を個別のタスクとして扱うのが一般的である。
全方位設定では、最大信号位置の予測はしばしば送信機の位置と一致し、明示的な関節モデリングの必要性が制限される。
しかし、角効果、反射、造形オクルージョンが重要な役割を果たす方向伝播では、この仮定はもはや成り立たない。
このギャップに対処するためにSymNetを提案する。SymNetは、疎信号測定から指向性無線地図と送信機位置を共同で予測する統合フレームワークである。
SymNetは送信機のローカライゼーションのための予測ヘッドを無線地図再構成と共に組み込んでおり、両方のタスクを同時に学習することができる。
この共同定式化は相補的な情報を活用し、個別に扱うよりも一貫した改善をもたらす。
挑戦的な指向性シナリオの実験では、SymNetは最先端のベースラインより優れており、無線地図再構成と送信機のローカライゼーションの両方において精度が優れていることが示されている。
関連論文リスト
- Rethinking Radiomap Blind Prediction with Limited Environment and Configuration Representations [75.34570531766927]
ラジオマップブラインド予測は, 観測可能な伝搬環境の表現と基地局構成から, フィールド計測なしで電波マップを推定する。
本稿では,事前誘導予測器を補正可能なベースとして扱うRadioDecompを提案する。
クロスコンフィグレーションおよびクロス環境設定下での実験では、RadioLSRは特にクロスコンフィグレーションの一般化に有効であることが示されている。
論文 参考訳（メタデータ） (2026-09-10T08:52:01Z) - BeamRMX: Radiation-Pattern-Driven Learning for Generalizable Beam Radio Map Prediction and Beam Management [26.316069202754473]
6G無線ネットワークは、より大きなアンテナアレイと高指向性マルチビーム伝送を駆動している。
BeamRMXは、空間放射パターンを主要なBeamRMクエリとして扱うための最初の専用のフレームワークである。
XBaseは放射線クエリとシーン幾何学の間のマルチスケール相互作用を学習する。
論文 参考訳（メタデータ） (2026-09-01T02:59:08Z) - RadioTrace: Transmitter-Aware Diffusion for Radio Map Estimation without Deployment-Time Fine-Tuning [12.743046925489663]
無線マップ(RM)推定は,スパース測定から無線信号特性の空間分布を再構成することを目的としている。
ディープラーニングを含む従来のアプローチでは、複雑な伝播効果を捉えるのに苦労するか、新しいサンプリングパターンごとに大規模な再トレーニングが必要になる。
デプロイ時の微調整を伴わない新しいRM推定フレームワークであるRadioTraceを提案する。
論文 参考訳（メタデータ） (2026-07-23T04:18:39Z) - Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。
生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。
数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
論文 参考訳（メタデータ） (2025-11-21T07:25:49Z) - RadioMapMotion: A Dataset and Baseline for Proactive Spatio-Temporal Radio Environment Prediction [21.594684328904403]
本稿では,過去の観測から将来の地図の列を予測することを含む,動的RM予測の課題を提案する。
この予測アプローチの鍵となる障壁は、継続的環境進化をキャプチャするデータセットの欠如である。
物理的に一貫した車両軌道から生成された連続RMシーケンスの大規模公開データセットであるRadioMapMotionを紹介する。
論文 参考訳（メタデータ） (2025-10-24T03:25:25Z) - Unsupervised Radio Map Construction in Mixed LoS/NLoS Indoor Environments [34.91945910235526]
本稿では,チャネル伝播シーケンスから直接データ収集軌道を復元することを目的とする。
提案手法は,室内環境における平均局部位置精度0.65mを実現する。
論文 参考訳（メタデータ） (2025-10-09T09:53:24Z) - RadioFormer: A Multiple-Granularity Radio Map Estimation Transformer with 1\textpertenthousand Spatial Sampling [60.267226205350596]
電波マップ推定は、電磁スペクトル量の密度の高い表現を生成することを目的としている。
空間スパース観測によって生じる制約に対処する新しい多重粒度変換器であるRadioFormerを提案する。
また,RadioFormerは,最小計算コストを維持しつつ,無線マップ推定における最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2025-04-27T08:44:41Z) - Fast and Accurate Cooperative Radio Map Estimation Enabled by GAN [63.90647197249949]
6G時代には、無線リソースのリアルタイムモニタリングと管理が、多様な無線アプリケーションをサポートするように求められている。
本稿では,GAN(Generative Adversarial Network)による協調的無線地図推定手法を提案する。
論文 参考訳（メタデータ） (2024-02-05T05:01:28Z) - Multi-Microphone Speaker Separation by Spatial Regions [9.156939957189504]
残響マルチマイクロホンの音源分離の課題について考察する。
我々は、最先端ネットワークの修正版を用いたデータ駆動型アプローチを提案する。
両トレーニング手法は,各領域をネットワーク出力に固定したマッピングを行い,同等の性能を実現し,ネットワークが空間情報を利用することを示す。
論文 参考訳（メタデータ） (2023-03-13T14:11:34Z) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳（メタデータ） (2021-11-23T22:25:10Z) - Real-time Outdoor Localization Using Radio Maps: A Deep Learning
Approach [59.17191114000146]
LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。
我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
論文 参考訳（メタデータ） (2021-06-23T17:27:04Z) - Real-time Localization Using Radio Maps [59.17191114000146]
パスロスに基づく簡易かつ効果的なローカライゼーション法を提案する。
提案手法では, 受信した信号強度を, 既知の位置を持つ基地局の集合から報告する。
論文 参考訳（メタデータ） (2020-06-09T16:51:17Z)
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。