論文の概要: GLocFM: A Geometry-Aware Foundation Model for 3D Indoor Wireless Localization
- arxiv url: http://arxiv.org/abs/2608.09285v1
- Date: Mon, 10 Aug 2026 08:39:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.163661
- Title: GLocFM: A Geometry-Aware Foundation Model for 3D Indoor Wireless Localization
- Title（参考訳）: GLocFM:3次元屋内ワイヤレスローカライゼーションのための幾何学的基礎モデル
- Abstract要約: 本稿では3Dポイントクラウドとして表現されるWiFi計測とシーン形状を利用する学習ベースの無線ローカライザGLocFMを提案する。
GLocFMは、最先端のローカライゼーションベースラインの1つに対して平均3Dローカライゼーション誤差を49.5%、48.8%削減する。
- 参考スコア（独自算出の注目度）: 7.4188535764872485
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Learning-based wireless localizers often fail to utilize geometric information about the propagation environment, limiting their ability to exploit non-line-of-sight (NLoS) propagation and generalize across scenes. To bridge this gap, we propose GLocFM, a Geometry-aware Localization Foundation Model, which jointly exploits WiFi measurements and scene geometry represented as a 3D point cloud. We formulate localization as a maximum-likelihood (ML) estimation problem, where the goal is to find a transmitter position that maximizes the likelihood of the wireless observations conditioned on the scene geometry. The likelihood of a candidate transmitter position is calculated by a learned scoring function that matches the observed delay--angle-of-arrival (AoA) spectrum against the spectrum predicted for that candidate. A hierarchical scene encoder extracts propagation-relevant features to produce geometric priors for LoS and one-bounce reflection paths. For scenarios with imperfect synchronization, we further introduce a time-of-flight (ToF)-robust GLocFM model to handle unknown ToF offsets. GLocFM is trained on a multi-modal synthetic indoor localization dataset comprising 221 diverse scenes whose associated wireless signals are generated using Sionna RT. On both synthetic and the NeRF$^{2}$ dataset based on real measurements, GLocFM reduces mean 3D localization error relative to one of the state-of-the-art localization baselines by 49.5\% and 48.8\%, respectively. Ablations across different number of receiver, bandwidths, and array sizes further demonstrate the effectiveness and robustness of the proposed framework.
- Abstract（参考訳）: 学習ベースの無線ローカライザは、しばしば伝播環境に関する幾何学的情報の利用に失敗し、非視線伝搬(NLoS)を活用でき、シーンをまたいで一般化する能力を制限する。
このギャップを埋めるために,3次元点雲として表現されるWiFi計測とシーン幾何学を併用した幾何対応の局所化基礎モデルGLocFMを提案する。
そこでは,シーン形状に規定された無線観測の可能性を最大化する送信機位置を求めることを目的として,局所化を最大化(ML)推定問題として定式化する。
候補送信機位置の確率は、観測された遅延角度(AoA)スペクトルと、その候補が予測したスペクトルとを一致させる学習スコア関数によって算出される。
階層的なシーンエンコーダは、伝播関連特徴を抽出し、LoSおよび1バウンス反射路の幾何学的先行情報を生成する。
不完全同期のシナリオに対しては、未知のToFオフセットを処理するために、飛行時間(ToF)ロバストなGLocFMモデルを導入する。
GLocFMは、Sionna RTを用いて関連する無線信号を生成する221の多様なシーンからなるマルチモーダルな屋内局所化データセットに基づいて訓練される。
GLocFMは、実測値に基づく合成データとNeRF$^{2}$データセットの両方に基づいて、最先端のローカライゼーションベースラインの1つに対して平均3Dローカライゼーション誤差を49.5\%、48.8\%削減する。
異なる数の受信機、帯域幅、配列サイズにわたるアブレーションにより、提案したフレームワークの有効性とロバスト性を示す。
関連論文リスト
- Visual Relocalization from Sparse Views in Aliased and Low-Texture Environments via Novel View Synthesis [17.82023714307905]
本稿では,古典的対応に基づくパイプラインから離れる視覚的再ローカライズ手法を提案する。
私たちの重要な貢献は、測光と幾何学的損失を組み合わせた幾何学的学習戦略です。
この共同最適化により3DGSモデルが生成され,その基礎となるシーン形状に適合することを示す。
論文 参考訳（メタデータ） (2026-07-24T09:46:07Z) - Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。
本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。
提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
論文 参考訳（メタデータ） (2026-04-02T08:08:41Z) - SoPE: Spherical Coordinate-Based Positional Embedding for Enhancing Spatial Perception of 3D LVLMs [21.891285551179365]
Spherical Coordinate-based Positional Embedding (SoPE)を紹介する。
本手法は,3次元球面座標空間に点-クラウドトークンのインデックスをマッピングし,空間位置と方向角の統一モデリングを可能にする。
この定式化は、点クラウドデータの固有の幾何学的構造を保持し、空間的認識を高め、マルチモーダル学習のためのより一貫性があり表現力のある幾何学的表現をもたらす。
論文 参考訳（メタデータ） (2026-02-26T07:42:15Z) - Scalable Adaptation of 3D Geometric Foundation Models via Weak Supervision from Internet Video [76.32954467706581]
本稿では,生のビデオストリームからGEometric foundationモデルのスケーラブル適応を行うフレームワークであるSAGEを提案する。
階層的なマイニングパイプラインを使用して、ビデオをトレーニングトラジェクトリやハイブリッド監視に変換します。
実験の結果、SAGEはゼロショットの一般化を著しく向上し、チェムファー距離を20-42%削減した。
論文 参考訳（メタデータ） (2026-02-08T09:53:21Z) - 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) - 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) - Cross-Modal Geometric Hierarchy Fusion: An Implicit-Submap Driven Framework for Resilient 3D Place Recognition [9.411542547451193]
本稿では,密度に依存しない幾何学的推論により3次元位置認識を再定義するフレームワークを提案する。
具体的には、元のシーンポイント雲密度の干渉に免疫する弾性点に基づく暗黙の3次元表現を導入する。
これら2種類の情報を活用することで,鳥眼視と3Dセグメントの両視点から幾何学的情報を融合する記述子を得る。
論文 参考訳（メタデータ） (2025-06-17T07:04:07Z) - Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。
そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。
PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
論文 参考訳（メタデータ） (2024-07-26T06:29:09Z) - Diffraction and Scattering Aware Radio Map and Environment
Reconstruction using Geometry Model-Assisted Deep Learning [14.986314279939952]
本稿では、受信信号強度(RSS)データを用いて、無線マップと仮想環境を共同構築することを提案する。
我々は,仮想障害物モデルを開発し,伝搬経路と仮想障害物との間の幾何学的関係を特徴づける。
数値実験により, 3次元仮想環境の再構築に加えて, 提案したモデルは, 精度10%-18%向上した無線地図構築において, 最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-03-01T02:20:01Z) - MuRF: Multi-Baseline Radiance Fields [117.55811938988256]
スパースビュー合成におけるフィードフォワードアプローチであるmulti-Baseline Radiance Fields(MuRF)を提案する。
MuRFは、複数の異なるベースライン設定で最先端のパフォーマンスを達成する。
また、Mip-NeRF 360データセット上でゼロショットの一般化能力を示す。
論文 参考訳（メタデータ） (2023-12-07T18:59:56Z) - Conditioning Trick for Training Stable GANs [70.15099665710336]
本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。
我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
論文 参考訳（メタデータ） (2020-10-12T16:50:22Z)
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。