論文の概要: MAPLE-RF: Efficient Probabilistic RF Source Localization in Partially Explored Environments
- arxiv url: http://arxiv.org/abs/2609.21026v1
- Date: Thu, 17 Sep 2026 19:26:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.763923
- Title: MAPLE-RF: Efficient Probabilistic RF Source Localization in Partially Explored Environments
- Title（参考訳）: MAPLE-RF: 部分探索環境における効率の良い確率的RF音源定位
- Abstract要約: 本研究では,部分探索地図上での単発送信機のローカライゼーションについて検討する。
送信機の後方位置を出力する2つの手法を比較した。
室内環境のレイトレーシングシミュレーションは、混合マップカバレッジのトレーニングが両方のアプローチに不可欠であることを示している。
- 参考スコア（独自算出の注目度）: 12.163914087412811
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Localizing a radio-frequency (RF) transmitter from received signals often requires a model of the environment to predict how obstacles block and reflect the signal. In many robotic applications, however, only a partial map is available, particularly when a robot localizes the source while exploring with simultaneous localization and mapping (SLAM). We study single-snapshot transmitter localization on such partially explored maps and compare two approaches that output a posterior over transmitter locations. The first extends a digital-twin method, which ray-traces every candidate location, to partial maps by treating unexplored space as free and training on mixed map coverage. The second, MAPLE-RF, encodes estimated path angles of arrival and signal-to-noise ratios as grid channels aligned with map knownness, occupancy, and line-of-sight visibility, and a U-Net scores all candidate positions in one pass without simulating propagation at inference. Ray-tracing simulations of indoor environments indicate that training on mixed map coverage is essential for both approaches. The digital-twin approach is more accurate on most single-snapshot metrics, while MAPLE-RF comes close at a query cost that does not depend on the propagation model and is more than two orders of magnitude below a fresh full-grid query with general-purpose ray tracing. Both outperform Gaussian and Gaussian-mixture baselines, and on exploration routes guided by its own estimates, fused MAPLE-RF posteriors place more probability near the source than the compared methods. Code and data will be released.
- Abstract（参考訳）: 受信した信号から高周波(RF)送信機をローカライズするには、障害がどのようにブロックされ、信号が反映されるかを予測する環境のモデルが必要となることが多い。
しかし、多くのロボットアプリケーションでは、特にロボットがソースをローカライズし、同時にローカライゼーションとマッピング(SLAM)を探索する場合に、部分写像しか利用できない。
このような部分探索地図上で単発送信機のローカライゼーションについて検討し、送信機の後方位置を出力する2つのアプローチを比較した。
1つ目はデジタルツイン法で、探索されていない空間を自由として扱い、混合地図のカバレッジをトレーニングすることで、全ての候補位置を部分地図にレイトレーシングする。
第2のMAPLE-RFは、地図の知名度、占有度、視線視認度に整合したグリッドチャネルとして、到着経路角と信号対雑音比を推定し、U-Netは推論時の伝搬をシミュレートすることなく、1回のパスで全ての候補位置をスコアする。
室内環境のレイトレーシングシミュレーションは、混合マップカバレッジのトレーニングが両方のアプローチに不可欠であることを示している。
一方、MAPLE-RFは伝播モデルに依存しないクエリコストに近づき、汎用のレイトレーシングを備えた新しいフルグリッドクエリよりも2桁以上大きい。
ガウスとガウスの混合基線を上回り、独自の推定で導かれた探索経路では、融合したMaPLE-RF後部は比較した手法よりもソース付近でより確率が高い。
コードとデータはリリースされます。
関連論文リスト
- PropSplat: Map-Free RF Field Reconstruction via 3D Gaussian Propagation Splatting [0.9031038113277137]
PropSplatは3次元異方性ガウスプリミティブを用いて無線周波数(RF)フィールドを再構成するマップフリーな伝搬モデリング手法である。
実世界の2つのデータセット上で,無線放射場法NeRF$2$,GSRF,WRF-GS+に対するPropSplatの評価を行った。
論文 参考訳（メタデータ） (2026-05-08T17:24:06Z) - 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) - 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) - 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) - Sionna RT: Technical Report [55.30691098976664]
SionnaはオープンソースのGPUアクセラレーションライブラリで、電波伝搬をシミュレートするレイトレーサを備えている。
本論文は、Sionna RTが電波伝搬を効率的にシミュレートするアルゴリズムについて詳述する。
論文 参考訳（メタデータ） (2025-04-30T15:05:20Z) - 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) - Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。
既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。
UNetDCNと呼ばれる新しいモデルを導入し、複雑さを低減した最先端モデルと比較して、同等以上の性能を実現した。
論文 参考訳（メタデータ） (2024-10-07T09:19:20Z) - Radio Map Estimation -- An Open Dataset with Directive Transmitter
Antennas and Initial Experiments [49.61405888107356]
実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。
モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
論文 参考訳（メタデータ） (2024-01-12T14:56:45Z) - 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)
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。