論文の概要: RAIL-5G: A Challenging Real-World Dataset and Benchmark for AI-Based 5G Indoor Localization
- arxiv url: http://arxiv.org/abs/2610.25201v1
- Date: Sun, 18 Oct 2026 11:41:37 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:40:22.483601
- Title: RAIL-5G: A Challenging Real-World Dataset and Benchmark for AI-Based 5G Indoor Localization
- Title（参考訳）: RAIL-5G:AIベースの5G屋内ローカライゼーションのための実世界データセットとベンチマーク
- Abstract要約: 本稿では,実世界の5G NRチャネルインパルス応答 (CIR) ベンチマークであるRAIL-5Gについて述べる。
我々は,TDoA,教師付き指紋認証,教師なしチャネルチャート,自己教師付き無線事前学習の手法をベンチマークした。
結果はRAIL-5Gの難しさを浮き彫りにしている: 完全なデータセットでは、TDoAの平均誤差は7.02mに達し、最高の教師なしメソッドは2.46m、教師付きフィンガープリントは0.52mに達する。
- 参考スコア（独自算出の注目度）: 2.1437512265005543
- License:
- Abstract: Reliable radio-based indoor localization is essential for industrial automation, yet existing methods are often evaluated in environments that do not fully reflect the severe multipath and non-line-of-sight (NLOS) conditions encountered in real deployments. This limits our understanding of how AI, i.e., modern geometric, unsupervised, and semi-supervised localization methods generalize to industrial 5G settings. We present RAIL-5G, a public real-world 5G NR channel impulse response (CIR) benchmark recorded in an operational railway maintenance facility. RAIL-5G covers an 811m$^2$ indoor area with eight distributed radio units, robot-mounted user equipment (UE) trajectories, high-accuracy iGPS reference positions, and severe metal-induced multipath caused by train compartments and maintenance infrastructure. We benchmark geometric time-difference of arrival (TDoA), supervised fingerprinting, unsupervised channel charting, and self-supervised wireless pretraining methods. Our results highlight the difficulty of RAIL-5G: on the full dataset, TDoA reaches 7.02m mean average error (MAE), the best unsupervised method reaches 2.46m, and supervised fingerprinting achieves 0.52m. Self-supervised pretraining reduces the labeling effort by up to one order of magnitude, but the remaining gap to supervised learning shows that robust AI-based localization under severe multipath remains an open challenge. The dataset and code are available at https://iis.fraunhofer.de/rail-5g.
- Abstract（参考訳）: 信頼性の高い無線による屋内局地化は産業の自動化に不可欠であるが、既存の手法は、実際の展開で発生する重度のマルチパスや非視界(NLOS)条件を完全に反映していない環境で評価されることが多い。
これにより、AI、すなわち現代の幾何学的、教師なし、半教師なしのローカライゼーション手法がどのように産業用5G設定に一般化するかの理解が制限される。
鉄道整備施設で記録された5G NRチャネルインパルス応答(CIR)ベンチマークであるRAIL-5Gについて述べる。
RAIL-5Gは、8つの分散無線ユニット、ロボット搭載のユーザ機器(UE)軌道、高精度のiGPS基準位置、および列車の区画と整備インフラによって引き起こされる重金属誘発マルチパスを備えた811m$^2$屋内エリアをカバーしている。
我々は,TDoA,教師付き指紋認証,教師なしチャネルチャート,自己教師付き無線事前学習の手法をベンチマークした。
この結果はRAIL-5Gの難しさを浮き彫りにしたものであり,全データセット上では,TDoAの平均誤差は7.02m,最良無監督法は2.46m,指紋認証は0.52mに達した。
自己教師付き事前学習は、ラベル付けの労力を最大1桁まで削減するが、教師付き学習の残りのギャップは、厳格なマルチパスの下での堅牢なAIベースのローカライゼーションが依然としてオープンな課題であることを示している。
データセットとコードはhttps://iis.fraunhofer.de/rail-5gで公開されている。
関連論文リスト
- GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed [71.05944634852158]
GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。
30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。
エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
論文 参考訳（メタデータ） (2026-09-30T12:20:51Z) - RogueRover: Autonomous Rogue Device Localization for Incident Response [25.852577434268273]
RogueRoverは、四足歩行ロボットが自律的にパトロールするエンドツーエンドシステムである。
ローグローバーは、RFの事前の知識を使わずに1.62mの中央値の単磁極位置推定誤差を達成している。
論文 参考訳（メタデータ） (2026-06-19T09:40:37Z) - Embodied-R1.5: Evolving Physical Intelligence via Embodied Foundation Models [63.96252564303143]
Embodied-R1.5は統合されたEmbodied Foundation Model(EFM)であり、包括的エンボディド推論機能を統合する。
我々は15B以上のトークンからなる大規模データシステムを構築し、マルチタスクバランスのRLレシピを設計する。
8Bパラメータしか持たず、Embodied-R1.5 SOTAは24のVLMベンチマークのうち16で、Gemini-Robotics-ER-1.5やGPT-5.4といった主要なモデルを上回った。
論文 参考訳（メタデータ） (2026-06-09T18:07:50Z) - AI-Native Closed-Loop Security for 6G-Enabled Cyber-Physical Systems: From Edge Detection to Network-Wide Mitigation [13.344675738769395]
サイバー物理システムは6Gネットワークで超信頼性の低い低遅延スライスで動作します。
この調査では、6G CPSセキュリティをクローズドループ、AIネイティブパイプラインとして再設定する。
我々は、スライス毎のテールバウンドなレイテンシ契約を、その意味に基づいて定式化し、検出し、緩和する。
論文 参考訳（メタデータ） (2026-06-06T13:36:59Z) - Meridian: Metric-Semantic Primitive Matching for Cross-View Geo-Localization Beyond Urban Environments [47.53030013880309]
ロボット自動化の成功には、リピータビリティ、タスク計画、目標仕様、安全な操作をサポートするために、正確なグローバルローカライゼーションが必要である。
本稿では,空中画像と地上ロボットRGB-Dカメラデータにまたがって,ハイレベルなメトリック・セマンティックプリミティブをマッチングする方法であるメリディアンを提案する。
我々のアルゴリズムは、自律運転データセット、公園とキャンパスのエリア、荒野キャンプなど、幅広い環境にまたがる地上ロボットをローカライズできることを実証する。
論文 参考訳（メタデータ） (2026-06-04T15:52:40Z) - Efficient Autonomous Navigation of a Quadruped Robot in Underground Mines on Edge Hardware [0.5371337604556311]
地下鉱山での身体的ナビゲーションは、狭い通路、不均一な地形、ほぼ全天の闇、GPSによる汚染条件、限られた通信インフラなど、重大な課題に直面している。
我々は、Boston Dynamics Spotロボットのための完全に自律的なナビゲーションスタックを提示し、GPUなしで、ネットワーク接続を必要としない低消費電力のIntelコンピュータエッジで完全に動作する。
実験地中地雷の難易度が異なる4地点を対象とし, 完全自律走行の700m以上を, 全20回の試験で100%成功率で蓄積し, 実地試験を繰り返し検証した。
論文 参考訳（メタデータ） (2026-03-04T02:23:55Z) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - Sec5GLoc: Securing 5G Indoor Localization via Adversary-Resilient Deep Learning Architecture [0.0]
5Gミリ波とサブ6GHzのネットワークは、高精度な屋内ローカライゼーションを実現するが、セキュリティとプライバシの脆弱性は深刻な問題を引き起こす。
我々は、偽の無線信号やパーターブチャネル測定を注入する攻撃者を包含する脅威モデルを定式化し、ローカライゼーションシステムを誤解させる。
本稿では,ディープラーニングフィンガープリントと物理ドメイン知識を組み合わせた対向レジリエントなローカライゼーションアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-05-23T11:46:11Z) - DigiRL: Training In-The-Wild Device-Control Agents with Autonomous Reinforcement Learning [61.10299147201369]
本稿では,Wild デバイス制御エージェントをトレーニングするための新しい自律型 RL 手法である DigiRL を提案する。
VLMベースの評価器を備えた,スケーラブルで並列化可能なAndroid学習環境を構築する。
我々はAndroid-in-the-Wildデータセットを使用してDigiRLの有効性を実証し、RLでトレーニングした1.3B VLMは49.5%の絶対改善を実現した。
論文 参考訳（メタデータ） (2024-06-14T17:49:55Z)
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。