論文の概要: Bridging the Data Gap: Digital Twin as a New Paradigm for AI-based Radio Sensing

• arxiv url: http://arxiv.org/abs/2609.26214v1
• Date: Tue, 11 Aug 2026 08:26:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.924664
• Title: Bridging the Data Gap: Digital Twin as a New Paradigm for AI-based Radio Sensing
• Title（参考訳）: データギャップを埋める:Digital TwinはAIベースの無線センシングの新しいパラダイム
• Abstract要約: 本稿では, 環境の3次元ディジタル双対(DT)を, 大規模無線センシングの開発を支える主要な実現要因として位置づける手法を提案する。 DTは世界モデルとして機能し、時間インデクシングされたチャネルインパルス応答(CIR)を生成するレイトレーシングエンジンに幾何学、材料、送信機/受信機配置を提供する。 我々は、CIR時系列を空間占有率推定にマッピングするシーケンシャルニューラルネットワークを訓練し、計測対象のないデバイスフリーローカライゼーション(DFL)を可能にする。
• 参考スコア（独自算出の注目度）: 0.8748990512790668
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present a methodology that places a 3D digital twin (DT) of the environment as the main enabler behind the development of radio sensing at scale. The DT acts as a world model, providing geometry, materials, and transmitter/receiver placements to a ray-tracing engine that generates time-indexed channel impulse responses (CIRs) for large numbers of plausible scenes (moving people and objects, layout variants, seasonal/weather conditions, etc). From these synthetic sequences, we train a sequential neural network that maps CIR time series to spatial occupancy estimates, enabling device-free localization (DFL) without instrumented targets. We posit that sensing is best approached as an environment-conditioned learning problem: rather than seeking a single global model, we advocate training or fine-tuning local models specialized to a site-specific DT. As a first experiment, we introduce a novel State Space Model architecture, trained and evaluated across multiple room geometries. The localization performances obtained demonstrate the potential of the approach.
• Abstract（参考訳）: 本稿では, 環境の3次元ディジタル双対(DT)を, 大規模無線センシングの開発を支える主要な実現要因として位置づける手法を提案する。 DTは世界モデルとして機能し、多数のプラルーシブルシーン(人や物、レイアウトのバリエーション、季節/天気条件など)に対して、タイムインデクシングされたチャネルインパルス応答(CIR)を生成するレイトレーシングエンジンに幾何学、材料、送信機/受信機配置を提供する。 これらの合成シーケンスから、CIR時系列を空間占有率推定にマッピングするシーケンシャルニューラルネットワークをトレーニングし、計測対象のないデバイスフリーローカライゼーション(DFL)を可能にする。 単一グローバルモデルを求めるのではなく、サイト固有のDTに特化した訓練や微調整ローカルモデルを提唱する。 最初の実験として、複数の部屋のジオメトリーで訓練され評価された新しいステートスペースモデルアーキテクチャを導入する。 得られたローカライゼーション性能は, アプローチの可能性を示すものである。

関連論文リスト

• LOCUS-DT: Localization via Observation-Conditioned Uncertainty Scoring with Digital Twins [30.33598771439331]
  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。
  論文  参考訳（メタデータ） (2026-08-01T03:02:15Z)
• 3DTMDet: A Dual-Path Synergy Network of Transformer and SSM for 3D Object Detection in Point Clouds [15.3066954300581]
  3DTMDetは状態空間モデル(Mamba)とトランスフォーマーを組み合わせた新しい検出ネットワークである。 本研究では,SSM-Attention-SSMパイプラインを用いた3D Hybrid Mamba Transformer (3DHMT)ブロックを提案する。 KITTIとONCEのデータセットで行った実験では、3DTMDetは最先端の検出器よりも優れていた。
  論文  参考訳（メタデータ） (2026-05-15T02:33:19Z)
• PC2Model: ISPRS benchmark on 3D point cloud to model registration [1.0775419935941009]
  本稿では、古典的手法とデータ駆動手法の両方のトレーニングと評価を支援するために設計されたデータセットであるPC2Modelベンチマークを紹介する。 シミュレーションされたデータは正確な地上の真実と制御条件を提供し、実際のデータはセンサーや環境の人工物を導入している。 この設計は、ドメイン間の堅牢なトレーニングと評価をサポートし、シミュレーションから実世界のシナリオへのモデル転送可能性の体系的解析を可能にする。
  論文  参考訳（メタデータ） (2026-04-21T15:44:40Z)
• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• Outdoor Scene Extrapolation with Hierarchical Generative Cellular Automata [70.9375320609781]
  我々は,自律走行車(AV)で多量に捕獲された大規模LiDARスキャンから微細な3次元形状を生成することを目指している。 本稿では,空間的にスケーラブルな3次元生成モデルである階層型生成セルオートマトン (hGCA) を提案する。
  論文  参考訳（メタデータ） (2024-06-12T14:56:56Z)
• 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)
• Learning Continuous Environment Fields via Implicit Functions [144.4913852552954]
  本研究では,到達距離(シーン内の任意の位置から目標までの距離)を,実現可能な軌道に沿って符号化する新しいシーン表現を提案する。 本研究では,2次元迷路や屋内3次元シーンにおけるエージェントの動的挙動を直接導出できることを実証する。
  論文  参考訳（メタデータ） (2021-11-27T22:36:58Z)
• Learning Signal-Agnostic Manifolds of Neural Fields [50.066449953522685]
  ニューラルネットワークを利用して、画像、形状、オーディオ、およびモーダル・オーディオヴィジュアル領域の基盤となる構造を捉える。 GEMの基底多様体を横切ることで、信号領域に新しいサンプルを生成できることが示される。
  論文  参考訳（メタデータ） (2021-11-11T18:57:40Z)
• ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework for LiDAR Point Cloud Segmentation [111.56730703473411]
  LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。 シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。 ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2020-09-07T23:46:08Z)
• A Nearest Neighbor Network to Extract Digital Terrain Models from 3D Point Clouds [1.6249267147413524]
  本稿では,3Dポイントのクラウド上で動作し,エンド・ツー・エンドのアプローチを用いてシーンの基盤となるDTMを推定するアルゴリズムを提案する。 我々のモデルは近隣情報を学習し、これをポイントワイドでブロックワイドなグローバルな特徴とシームレスに統合する。
  論文  参考訳（メタデータ） (2020-05-21T15:54:55Z)

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。