論文の概要: MAGNETAR: Multipath-Guided Spatial Posteriors for Transmitter Pose Inference in the Upper Mid-Band

• arxiv url: http://arxiv.org/abs/2609.20670v1
• Date: Thu, 17 Sep 2026 16:44:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.377481
• Title: MAGNETAR: Multipath-Guided Spatial Posteriors for Transmitter Pose Inference in the Upper Mid-Band
• Title（参考訳）: MAGNETAR:上側中盤におけるトランスミッタポス推論のためのマルチパスガイド型空間ポスター
• Abstract要約: 本稿では,1つの非同期無線周波数スナップショットから平面送信機の後部位置を推定し,方向を推定するMAGNETARを提案する。 5つのニューラルスコアのうち、MAGNETARは各候補に条件付き2D U-Netを共用し、離散化された位置重み付けグリッド上でスコアを共同正規化します。 グリッドベース継手後部は、ホールドアウトシミュレーションにおいてパラメトリックよりも優れ、ヘッドコンディショニングされたスコアラーは、ロボット計測に最も適しており、融合した継手後部は、浮動位置のみのマージンで改善される。
• 参考スコア（独自算出の注目度）: 10.856509721071978
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robots that localize a radio transmitter need more than a point estimate: in cluttered rooms, one measurement is often consistent with several transmitter locations and, because upper-mid-band antennas are directional, several headings. We present MAGNETAR, which infers a joint posterior over planar transmitter position and heading from a single asynchronous radio-frequency (RF) multipath snapshot, represented by angle-of-arrival and signal-to-noise-ratio estimates, given the room layout and receiver pose. Among our five neural scorers, MAGNETAR adopts a shared 2D U-Net conditioned on each candidate heading, jointly normalizing scores over a discretized position-heading grid. Training uses real-to-sim-calibrated 10 GHz simulations and a small measured subset. Grid-based joint posteriors outperform parametric ones on held-out simulations, the heading-conditioned scorer transfers best to robotic measurements, and fusing joint posteriors improves on fusing position-only marginals.
• Abstract（参考訳）: 無線送信機をローカライズするロボットは、点推定以上のものを必要としている: 散らばった部屋では、1つの測定値が複数の送信機の位置と整合していることが多く、上半帯域アンテナが指向性であるため、複数の方向を向いている。 本稿では,部屋のレイアウトと受信者のポーズを考慮し,平面送信機の後部位置を推定し,1つの非同期無線周波数(RF)マルチパススナップショットから方向を推定するMAGNETARを提案する。 5つのニューラルスコアのうち、MAGNETARは各候補に条件付き2D U-Netを共用し、離散化された位置重み付けグリッド上でスコアを共同正規化します。 トレーニングには10GHzのシミュレーションと小さな測定サブセットが使用される。 グリッドベース継手後部は、ホールドアウトシミュレーションにおいてパラメトリックよりも優れ、ヘッドコンディショニングされたスコアラーは、ロボット計測に最も適しており、融合した継手後部は、浮動位置のみのマージンで改善される。

関連論文リスト

• BiFormer3D: Grid-Free Time-Domain Reconstruction of Head-Related Impulse Responses with a Spatially Encoded Transformer [56.68710783939455]
  本稿では,任意の方向のHRIRをスパース入力から再構成する,時間領域のグリッドフリートランスであるBiFormer3Dを提案する。 SONICOMでは、通常の平均二乗誤差(NMSE)、余弦距離、ITD/ILD誤差を従来の手法よりも改善する。
  論文  参考訳（メタデータ） (2026-03-30T03:39:16Z)
• EqDeepRx: Learning a Scalable MIMO Receiver [6.732584013520367]
  本稿では,実践的な深層学習支援マルチインプットマルチアウトプット(MIMO)受信機であるEqDeepRxについて述べる。 レシーバモデルのコアは、各空間ストリームまたは層で独立して動作する共有重み検出NNである。 5G/6G準拠のエンドツーエンドシミュレーションでは,複数チャネルシナリオ,パイロットパターン,セル間干渉条件が改善し,スペクトル効率が向上した。
  論文  参考訳（メタデータ） (2026-02-12T11:22:30Z)
• 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)
• RIR-Former: Coordinate-Guided Transformer for Continuous Reconstruction of Room Impulse Responses [21.84404827658177]
  RIR-Formerはグリッドフリーで1ステップのフィードフォワードモデルである。 トランスバックボーンに正弦波符号化モジュールを導入することにより,マイクロホン位置情報を効果的に組み込むことができる。 様々な模擬音響環境の実験により、RIR-Formerは最先端のベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-02-02T09:33:54Z)
• GSpaRC: Gaussian Splatting for Real-time Reconstruction of RF Channels [18.70495617397063]
  無線通信システムにおける適応ビームフォーミングおよびロバストリンクにはチャネル状態情報(CSI)が不可欠である。 本稿では1msの遅延障壁を破る最初の計算であるRFチャネルのリアルタイム再構成のためのガウススプラッティングについて述べる。
  論文  参考訳（メタデータ） (2025-11-27T22:42:23Z)
• ReVeal-MT: A Physics-Informed Neural Network for Multi-Transmitter Radio Environment Mapping [9.43653276377036]
  本稿では,マルチソースPDE残基をニューラルネットワーク損失関数に統合した新しいPINNであるemphReVeal-MTを提案する。 ReVeal-MTは、農耕地や郊外の環境にまたがるARA無線リビングラボからの実測値を用いて検証されている。 その結果,ReVeal-MTはマルチトランスミッタのシナリオでかなりの精度のゲインが得られることがわかった。
  論文  参考訳（メタデータ） (2025-11-22T23:33:06Z)
• NeuRBF: A Neural Fields Representation with Adaptive Radial Basis Functions [93.02515761070201]
  本稿では,信号表現に一般放射状基底を用いる新しいタイプのニューラルネットワークを提案する。 提案手法は, 空間適応性が高く, ターゲット信号により密着可能な, フレキシブルなカーネル位置と形状を持つ一般ラジアルベース上に構築する。 ニューラルラジアンス場再構成に適用した場合,本手法はモデルサイズが小さく,訓練速度が同等である最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2023-09-27T06:32:05Z)
• Deep Reinforcement Learning for IRS Phase Shift Design in Spatiotemporally Correlated Environments [93.30657979626858]
  本稿では,チャネル相関と目的地動きを考慮したディープアクター批判アルゴリズムを提案する。 チャネルが時間的に相関している場合、コンバージェンスを抑制する方法において、関数近似を伴う状態表現にSNRを組み込むことが示される。
  論文  参考訳（メタデータ） (2022-11-02T22:07:36Z)
• 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)
• Distributional Reinforcement Learning for mmWave Communications with Intelligent Reflectors on a UAV [119.97450366894718]
  無人航空機(UAV)搭載のインテリジェントリフレクタ(IR)を用いた新しい通信フレームワークを提案する。 ダウンリンク和率を最大化するために、最適プリコーディング行列(基地局)と反射係数(IR)を共同で導出する。
  論文  参考訳（メタデータ） (2020-11-03T16:50:37Z)

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。