論文の概要: ChronoChart: Setup-Agnostic Channel Charting for Label-Free Indoor Localization

• arxiv url: http://arxiv.org/abs/2610.25199v1
• Date: Sun, 18 Oct 2026 11:40:56 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:19:10.470409
• Title: ChronoChart: Setup-Agnostic Channel Charting for Label-Free Indoor Localization
• Title（参考訳）: ChronoChart: Label-free indoor Localizationのためのセットアップ非依存チャネルチャート
• Abstract要約: ラジオチャンネル計測から物理位置へのマッピングを学習することで,指紋認証の精度を高める。 Channel Charting (CC)は、位置ラベルなしでChannel State Informationの低次元表現を学習することで、この制限に対処する。 CSIとタイムスタンプのみを必要とするタイムスタンプ管理CCフレームワークであるChronoChartを提案する。
• 参考スコア（独自算出の注目度）: 1.9265326990635427
• License:
• Abstract: Accurate radio-based indoor localization remains challenging in multipath-rich and dynamic indoor environments. Supervised fingerprinting methods achieve high positioning accuracy by learning mappings from radio channel measurements to physical locations, but require costly position labels and frequent recalibration. Channel Charting (CC) addresses this limitation by learning low-dimensional representations of Channel State Information (CSI) without position labels, yielding channel charts in which nearby points correspond to nearby physical locations. However, prominent CC methods rely on setup-specific dissimilarity metrics, such as ADP-, CIRA-, or PDR-based distances, and on precomputed $O(n^2)$ distance matrices, limiting scalability and transferability across radio systems. We propose ChronoChart, a timestamp-supervised CC framework that requires only CSI and timestamps without prior knowledge for training. Our method jointly optimizes complementary objectives: a triplet loss using temporally derived positive and negative samples to establish coarse global structure, a temporal-proximity loss that promotes smooth trajectories in the chart, and a joint-embedding loss that enforces consistency between representations of different augmentations. Evaluated on real-world 5G, MIMO, and passive UWB data, our method matches or exceeds prior CC baselines that depend on tailored distance metrics, and remains scalable and applicable across heterogeneous radio systems.
• Abstract（参考訳）: 無線による正確な屋内位置推定は、マルチパスリッチでダイナミックな屋内環境において依然として困難である。 監視されたフィンガープリント法は,ラジオチャンネル計測から物理位置へのマッピングを学習することで高い位置決め精度を実現するが,高価な位置ラベルと頻繁な再校正が必要である。 Channel Charting (CC)は、位置ラベルなしでCSI(Channel State Information)の低次元表現を学習し、近くの点が近くの物理的な位置に対応するチャネルチャートを生成することで、この制限に対処する。 しかし、著名なCC法は、ADP-、CIRA-、PDR-のようなセットアップ固有の相似性指標と、事前に計算された$O(n^2)$距離行列に依存し、無線システム間のスケーラビリティと転送性を制限する。 CSIとタイムスタンプのみを必要とするタイムスタンプ管理CCフレームワークであるChronoChartを提案する。 提案手法は, 粗大な大域構造を確立するために, 時間的に導出された正と負のサンプルを用いた三重項損失, グラフ内の滑らかな軌跡を促進させる時間的・近さ損失, 異なる拡張表現間の整合性を強制する共同埋め込み損失の3重項損失を協調的に最適化する。 実世界の5G, MIMO, 受動UWBデータに基づいて評価し, 提案手法は, 適合距離の計測値に依存するCCベースラインと一致するか, あるいは超過する。

関連論文リスト

• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• NARRAS: Edge-Triggered Distributed Inference for CSI-Based Localization in Vehicular IoT Networks [52.237935683898144]
  車両用IoTネットワークにおけるCSIベースのローカライゼーションのためのETDIをインスタンス化する。 NARRASは、各RAAが最新の観測結果の要約と送信した最後の潜伏状態の記憶を結合した分散レポートポリシーである。
  論文  参考訳（メタデータ） (2026-06-10T10:47:44Z)
• 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)
• Velocity-Based Channel Charting with Spatial Distribution Map Matching [4.913210912019975]
  指紋による位置決めによる位置決め性能の向上は,NLoS(N-line-of-sight)が室内環境を支配下に置く上での課題である。 チャネルチャーティングは、記録された無線信号と相対座標を暗黙的に関連付けるため、このラベル付けの労力を避ける。 モデルの最新状態を維持するために参照位置を必要としない新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-14T09:21:09Z)
• Non-Coherent Over-the-Air Decentralized Gradient Descent [0.0]
  無線システムにおける分散グラディエントDescentの実装は、ノイズ、フェーディング、帯域幅の制限により困難である。 本稿では,スケジューリング,トポロジ情報,CSIの必要性を解消するスケーラブルなDGDアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-11-19T19:15:34Z)
• Indoor Localization with Robust Global Channel Charting: A Time-Distance-Based Approach [2.572404739180802]
  フィンガープリンティングに基づく位置決めは,非視線優位領域における屋内位置決め性能を著しく向上させる。 チャネルチャート(CC)は明示的な参照情報なしで機能し、チャネル状態情報(CSI)の空間的相関のみを必要とする ユークリッド距離に対する線形相関にアプローチする時間同期シングルインプット/シングルアウトプットCSIに対して,新しい距離測定法を提案する。 これにより、チャートから実世界の座標への線形変換のみを使用して、CC支援のフィンガープリントと位置決めが可能になる。
  論文  参考訳（メタデータ） (2022-10-07T11:07:59Z)
• LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
  LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法 提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。 推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
  論文  参考訳（メタデータ） (2022-02-01T20:27:46Z)
• Semi-Supervised Learning for Channel Charting-Aided IoT Localization in Millimeter Wave Networks [97.66522637417636]
  ミリ波ネットワークにおけるチャネルチャート(CC)支援の新たな枠組みを提案する。 特に,無線機器の3次元位置を推定するために,畳み込み型オートエンコーダモデルを提案する。 フレームワークは半教師付きフレームワークに拡張され、オートエンコーダは2つのコンポーネントに分割される。
  論文  参考訳（メタデータ） (2021-08-03T14:41:38Z)

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。