Fugu-MT 論文翻訳(概要): Robust Beam Prediction for V2X Networks with Multi-Modal Sensing

論文の概要: Robust Beam Prediction for V2X Networks with Multi-Modal Sensing

arxiv url: http://arxiv.org/abs/2609.10200v1
Date: Wed, 09 Sep 2026 14:04:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:09.044778
Title: Robust Beam Prediction for V2X Networks with Multi-Modal Sensing
Title（参考訳）: マルチモーダルセンシングによるV2Xネットワークのロバストビーム予測
Abstract要約: 統合センシング通信(ISAC)は、将来のV2Xネットワークにおいて、ビーム予測のための有望な基盤を提供する。本稿では,V2Xネットワークのためのマルチモーダルビーム予測フレームワークを提案する。具体的には、カメラ、LiDAR、レーダー、GPSを融合した階層型トランスフォーマーベースのアーキテクチャであるBeamTransFuserを開発し、ロバストビーム予測を行う。
参考スコア（独自算出の注目度）: 20.892529341998877
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Integrated sensing and communication (ISAC) provides a promising foundation for beam prediction in future vehicle-to-everything (V2X) networks. However, existing sensing-assisted beamforming methods still rely heavily on radio-frequency sensing, which may become unreliable in complex vehicular environments. Meanwhile, the growing availability of heterogeneous sensors, such as cameras and LiDAR, offers new opportunities to improve beam prediction through richer environmental perception. Motivated by this, this paper proposes a multi-modal beam prediction framework for V2X networks. Specifically, we develop BeamTransFuser, a hierarchical Transformer-based architecture that progressively fuses camera, LiDAR, radar, and GPS observations for robust beam prediction. In addition, to handle possible missing modalities in practical deployment, we introduce a generative module that reconstructs missing modality features from the available observations. Experimental results on a real-world multi-modal V2X dataset show that the proposed framework consistently outperforms representative baselines, while the generative module further improves robustness under incomplete sensing conditions.
Abstract（参考訳）: 統合センシング通信(ISAC)は、将来のV2Xネットワークにおいて、ビーム予測のための有望な基盤を提供する。しかし、既存のセンシング支援ビームフォーミング法は、複雑な車両環境では信頼性の低い電波センシングに大きく依存している。一方、カメラやLiDARのような異種センサーの普及は、より豊かな環境認識を通じてビーム予測を改善する新たな機会を提供する。そこで本研究では,V2Xネットワークのためのマルチモーダルビーム予測フレームワークを提案する。具体的には,ビーム予測のためのカメラ,LiDAR,レーダー,GPS観測を段階的に融合させる階層型トランスフォーマーベースのアーキテクチャであるBeamTransFuserを開発した。また,本報告では,実際の展開において欠落するモダリティを扱うために,利用可能な観測結果から欠落したモダリティ特徴を再構成する生成モジュールを導入する。実世界のマルチモーダルV2Xデータセットによる実験結果から,提案フレームワークは代表的ベースラインを一貫して上回り,生成モジュールは不完全な検知条件下でのロバスト性をさらに向上することが示された。

関連論文リスト

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)
Learning Spatial Structure from Pre-Beamforming Per-Antenna Range-Doppler Radar Data via Visibility-Aware Cross-Modal Supervision [2.348805691644085]
アンテナ間距離-ドップラー測定から有意義な空間構造を直接学べるか? 実験は6-TX x 8-RX (48仮想アンテナ)で行われた。エンド・ツー・エンド・エンド・エンド・データ駆動方式で訓練されたデュアルチャープ共有重み付きエンコーダを用いて、アンテナ毎のRDテンソルの事前動作を行う。
論文参考訳（メタデータ） (2026-04-02T11:39:00Z)
Multi-Modal Sensing and Fusion in mmWave Beamforming for Connected Vehicles: A Transformer Based Framework [1.7834756213254652]
このようなオーバーヘッドを減らすための代替手段として,マルチモーダルセンシングと融合学習フレームワークを提案する。本フレームワークでは,まず,モダリティ特定エンコーダによるセンサモードから代表的特徴を抽出し,マルチヘッド・クロスモーダル・アテンションを用いて,異なるモダリティ間の依存関係と相関関係を学習する。提案手法は, 最大96.72%の精度でトップ15ビームを正確に予測し, (ii) 平均電力損失が約0.77dBとなり, (iii) それぞれ86.81%, 76.56%向上した。
論文参考訳（メタデータ） (2026-02-14T05:12:06Z)
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)
Multi-Modal Sensing Aided mmWave Beamforming for V2V Communications with Transformers [1.9483189922830135]
このようなオーバーヘッドを減らすための代替手段として,マルチモーダルセンシングと融合学習フレームワークを提案する。本稿では,まず視覚とGPSの座標から,モダリティ特異的エンコーダによるモダリティ検出から特徴を抽出する。次に、マルチモーダルな特徴を融合させて予測トップkビームを得ることにより、最高の視線リンクを積極的に確立する。
論文参考訳（メタデータ） (2025-09-14T06:03:42Z)
M2BeamLLM: Multimodal Sensing-empowered mmWave Beam Prediction with Large Language Models [22.009889991924453]
M2BeamLLMは、画像、レーダー、LiDAR、GPSを含むマルチモーダルセンサーデータを統合している。その予測性能は、知覚モダリティの多様性の向上とともに一貫して改善される。本研究は車両間通信(V2I)mmWaveにおける効率よくインテリジェントなビーム予測ソリューションを提供する。
論文参考訳（メタデータ） (2025-06-17T13:58:36Z)
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)
BEVWorld: A Multimodal World Simulator for Autonomous Driving via Scene-Level BEV Latents [56.33989853438012]
BEVWorldは,マルチモーダルセンサ入力を統一的でコンパクトなBird's Eye View潜在空間に変換し,全体的環境モデリングを行うフレームワークである。提案する世界モデルは,多モードトークン化器と遅延BEVシーケンス拡散モデルという2つの主要成分から構成される。
論文参考訳（メタデータ） (2024-07-08T07:26:08Z)
Joint Sensing, Communication, and AI: A Trifecta for Resilient THz User Experiences [118.91584633024907]
テラヘルツ(THz)無線システムに対する拡張現実(XR)体験を最適化するために、新しい共同センシング、通信、人工知能(AI)フレームワークを提案する。
論文参考訳（メタデータ） (2023-04-29T00:39:50Z)
Fully Convolutional One-Stage 3D Object Detection on LiDAR Range Images [96.66271207089096]
FCOS-LiDARは、自律走行シーンのLiDAR点雲のための完全な1段式3Dオブジェクト検出器である。標準的な2Dコンボリューションを持つRVベースの3D検出器は、最先端のBEVベースの検出器と同等の性能を発揮することを示す。
論文参考訳（メタデータ） (2022-05-27T05:42:16Z)
V2X-ViT: Vehicle-to-Everything Cooperative Perception with Vision Transformer [58.71845618090022]
我々は、道路上のエージェント間で情報を融合するために、V2X-ViTという全体論的アテンションモデルを構築した。 V2X-ViTは異質なマルチエージェント自己アテンションとマルチスケールウィンドウ自己アテンションの交互層から構成される。我々のアプローチを検証するために、我々は大規模なV2X知覚データセットを作成します。
論文参考訳（メタデータ） (2022-03-20T20:18:25Z)

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。