論文の概要: LOCUS-DT: Localization via Observation-Conditioned Uncertainty Scoring with Digital Twins
- arxiv url: http://arxiv.org/abs/2608.00406v1
- Date: Sat, 01 Aug 2026 03:02:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.644477
- Title: LOCUS-DT: Localization via Observation-Conditioned Uncertainty Scoring with Digital Twins
- Title(参考訳): LOCUS-DT: ディジタル双生児による観察条件の不確かさ検査による局所化
- Abstract要約: 本稿では,送信機位置上の後部推論としてスナップショットローカライゼーションを扱うLOCUS-DTを提案する。
既知の環境のレイトレーシングに基づくディジタルツイン(DT)を利用して、LOCUS-DTは候補位置の合成マルチパスプロファイルを生成する。
Sionna-based ray-tracing backend を用いてシステム評価を行い、LOCUS-DT が標準ガウスまたはガウス混合ベンチマークよりも正確に屋内環境に固有のシャープでマルチモーダルな後部構造を捉えることを示した。
- 参考スコア(独自算出の注目度): 30.33598771439331
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate indoor localization is essential for emerging applications in robotic navigation and search and rescue. While classical methods typically focus on single-point estimates, complex indoor environments with heavy blockage and multipath propagation often lead to multimodal likelihood surfaces where a single estimate is insufficient. This paper proposes LOCUS-DT (Localization via Observation-Conditioned Uncertainty Scoring with Digital Twins), a framework that treats snapshot localization as posterior inference over the transmitter location. By leveraging a ray-tracing-based digital twin (DT) of the known environment, LOCUS-DT generates synthetic multipath profiles for candidate locations and compares them against the measured channel profile. Central to our approach is a novel learned scoring function designed to compare a fixed number of dominant specular paths, providing robustness against errors in both the DT environment model and the physical channel estimation. Importantly, LOCUS-DT is trained over an ensemble of environments to ensure generalization to unseen layouts. We evaluate the system using a Sionna-based ray-tracing backend, demonstrating that LOCUS-DT captures the sharp, multimodal posterior structures inherent in indoor settings more accurately than standard Gaussian or Gaussian-mixture benchmarks.
- Abstract(参考訳): ロボットナビゲーションや探索・救助の分野では,正確な屋内位置決めが不可欠である。
古典的な手法は一般に単一点推定に焦点をあてるが、複雑な屋内環境は重い閉塞と多経路伝播を持ち、単一の推定が不十分なマルチモーダルな表面につながることが多い。
本稿では、送信機位置上の後部推論としてスナップショットローカライゼーションを扱うLOCUS-DT(Localization via Observation-Conditioned Uncertainty Scoring with Digital Twins)を提案する。
既知の環境のレイトレーシングに基づくディジタルツイン(DT)を利用して、LOCUS-DTは候補位置の合成マルチパスプロファイルを生成し、測定されたチャネルプロファイルと比較する。
提案手法は, DT環境モデルと物理チャネル推定の両方の誤差に対して頑健性を実現するために, 一定数の支配的特異経路を比較するために設計された, 学習されたスコアリング関数である。
重要なことは、LOCUS-DTは、目に見えないレイアウトへの一般化を保証するために、環境のアンサンブルで訓練されていることである。
Sionna-based ray-tracing backend を用いてシステム評価を行い、LOCUS-DT が標準ガウスまたはガウス混合ベンチマークよりも正確に屋内環境に固有のシャープでマルチモーダルな後部構造を捉えることを示した。
関連論文リスト
- Reliable Near-Field Multi-User Positioning Informed by Two-Stage MUSIC [52.33021019321273]
近距離場ローカライゼーションは、将来の無線システムにおける高解像度マルチユーザ位置決めのための有望な技術である。
パラメータ推定とパス/ソースアソシエーションを分離する必要のある既存のニアフィールドローカライズ手法では,オーバヘッドと累積誤差に悩まされている。
本稿では,2段階のMUltiple SIgnal Classification (MUSIC) を用いて,Lose-of-sight (LoS) とNon-LoS (NLoS) の混在シナリオにおいてエンド・ツー・エンドな位置決め型ディープラーニング(DL) フレームワークを提案する。
論文 参考訳(メタデータ) (2026-09-08T20:03:33Z) - 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) - Blind Radio Mapping via Spatially Regularized Bayesian Trajectory Inference [34.91945910235526]
本稿では,屋内マルチインプット・マルチアウトプット(MIMO)-直交周波数分割多重化(OFDM)チャネル計測からユーザトラジェクトリを位置ラベルに依存することなく推定するブラインド無線マップ構築フレームワークを提案する。
レイトレーシングデータセットの実験では、平均位置推定誤差が0.68m、ビームマップ再構成誤差が3.3%となり、提案したブラインドマッピングの有効性が検証された。
論文 参考訳(メタデータ) (2025-12-04T05:31:28Z) - A Trainable Centrality Framework for Modern Data [3.1788482285024107]
データポイントの中央値や典型値の計測は、ロバストな推定、ランク付け、外乱検出を支えている。
本稿では、任意の表現をベースとした神経中心性フレームワークであるFused Unified Centrality Score Estimation (FUSE)を紹介する。
論文 参考訳(メタデータ) (2025-11-28T08:04:38Z) - Robust Indoor Localization in Dynamic Environments: A Multi-source Unsupervised Domain Adaptation Framework [0.4683612295430956]
DF-Locはマルチソース非教師付きドメイン適応(MUDA)に基づくエンドツーエンド動的指紋位置決めシステムである
このシステムは、CSIデータ前処理のための品質制御(QC)モジュールを搭載し、CSI指紋特徴再構成のための画像処理技術を採用している。
オフィスおよび教室環境における大規模実験により,DF-Locは,局部化精度とロバスト性の両方の観点から比較手法に優れていた。
論文 参考訳(メタデータ) (2025-02-11T04:29:22Z) - A Variational Auto-Encoder Enabled Multi-Band Channel Prediction Scheme
for Indoor Localization [11.222977249913411]
周波数領域から室内指紋位置決めの精度を向上する手法を提案する。
オフィスシナリオから収集したCOST 2100シミュレーションデータと実時間周波数分割多重化(OFDM)WiFiデータに基づいて提案手法を検証した。
論文 参考訳(メタデータ) (2023-09-19T08:19:34Z) - Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。
オープンセットドメイン適応(OSDA)は、この制限に対処する。
そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-10T14:11:09Z) - On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。
本稿では,密集市街地における局所化問題について検討する。
まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
論文 参考訳(メタデータ) (2022-11-28T00:31:02Z) - GeONet: a neural operator for learning the Wasserstein geodesic [13.468026138183623]
本稿では、初期分布と終端分布の入力対から2つのエンドポイント分布を接続するワッサーシュタイン測地線への非線形マッピングを学習するメッシュ不変なディープニューラルネットワークであるGeONetを提案する。
シミュレーション例では,GeONet が標準 OT ソルバと同等の精度で,MNIST データセットに比較して,予測段階の計算コストを桁違いに大幅に削減することを示した。
論文 参考訳(メタデータ) (2022-09-28T21:55:40Z) - iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
iSDFは実時間符号付き距離場再構成のための連続学習システムである。
より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
論文 参考訳(メタデータ) (2022-04-05T15:48:39Z) - Escaping Saddle Points with Bias-Variance Reduced Local Perturbed SGD
for Communication Efficient Nonconvex Distributed Learning [58.79085525115987]
ローカル手法は通信時間を短縮する有望なアプローチの1つである。
局所的データセットが局所的損失の滑らかさよりも小さい場合,通信の複雑さは非局所的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) (2022-02-12T15:12:17Z) - Unpaired Adversarial Learning for Single Image Deraining with Rain-Space
Contrastive Constraints [61.40893559933964]
我々は,CDR-GAN という名称の GAN フレームワークにおいて,比較学習手法により,経験者の相互特性を探索する有効な非経験的 SID 手法を開発した。
提案手法は, 合成および実世界の両方のデータセットにおいて, 既存の非対効果のデラミニング手法に対して良好に動作し, 完全教師付きモデルや半教師付きモデルよりも優れている。
論文 参考訳(メタデータ) (2021-09-07T10:00:45Z)
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。