論文の概要: Spectral-Convolutional Factorized Transformer for Joint Multipath Parameter Estimation: Applications to mmWave Positioning and Radio SLAM

• arxiv url: http://arxiv.org/abs/2611.01491v1
• Date: Sun, 01 Nov 2026 03:23:27 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:43:59.078651
• Title: Spectral-Convolutional Factorized Transformer for Joint Multipath Parameter Estimation: Applications to mmWave Positioning and Radio SLAM
• Title（参考訳）: 多重パスパラメータ推定のためのスペクトル畳み込み係数変換器:ミリ波位置決めと無線SLAMへの応用
• Abstract要約: 将来の6G無線ネットワークは、インテリジェントで環境対応のサービスをサポートするAIネイティブシステムへと進化する予定である。 現在の研究は、AIを通信のいくつかの側面、特に無線チャネル推定に既に統合している。 共振器成分推定のためのスペクトル畳み込み係数変換器(SCFT)を提案する。
• 参考スコア（独自算出の注目度）: 7.066838143718273
• License:
• Abstract: Future 6G wireless networks are expected to evolve toward AI-native systems that support intelligent, environment-aware services, including positioning and mapping. Current research has already integrated AI into several aspects of communication, particularly wireless channel estimation. However, most learning-based channel estimators focus on communication-oriented objectives rather than explicitly estimating multipath parameters such as delay, angle of arrival (AoA), and angle of departure (AoD). These parameters provide essential geometric information for downstream tasks including positioning and radio simultaneous localization and mapping (SLAM). In this work, we propose a Spectral-Convolutional Factorized Transformer (SCFT) for joint multipath component (MPC) estimation from noisy complex channel estimates and physical beam-pair descriptors. SCFT combines local spectral convolution, permutation-equivariant beam-set attention, and a query-based Transformer decoder to detect and classify line-of-sight (LoS) and non-line-of-sight (NLoS) paths and estimate their observed delays, AoAs, and AoDs. Experiments on realistic ray-tracing data show that SCFT reduces the generalized optimal sub-pattern assignment (GOSPA) error by 13.4% compared with ResNet, the strongest competing baseline. We further demonstrate this advantage in independent snapshot positioning and radio SLAM, where SCFT reduces position RMSE by 18.5% and 65.0%, respectively, relative to ResNet. These findings highlight the importance of explicitly recovering multipath geometry, as improvements in MPC estimation can translate into substantial gains in downstream tasks.
• Abstract（参考訳）: 将来の6G無線ネットワークは、位置決めやマッピングを含むインテリジェントで環境対応のサービスをサポートするAIネイティブシステムに向けて進化することが期待されている。 現在の研究は、AIを通信のいくつかの側面、特に無線チャネル推定に既に統合している。 しかし,ほとんどの学習型チャネル推定器は,遅延,到着角(AoA),出発角(AoD)といったマルチパスパラメータを明示的に推定するよりも,コミュニケーション指向の目的に重点を置いている。 これらのパラメータは、位置決めや無線同時位置決めおよびマッピング(SLAM)を含む下流タスクに不可欠な幾何学的情報を提供する。 本研究では,雑音の多い複素チャネル推定と物理ビームペア記述子を用いた共同マルチパス成分(MPC)推定のためのスペクトル畳み込み分解変換器を提案する。 SCFTは、局所スペクトル畳み込み、変分ビームセットアテンション、およびクエリベースのトランスフォーマーデコーダを組み合わせて、ライン・オブ・シー(LoS)と非ライン・オブ・シー(NLoS)パスを検出して、観測遅延であるAoAsとAoDを推定する。 現実的なレイトレーシングデータの実験では、SCFTは最強の競合するベースラインであるResNetと比較して、一般化された最適サブパターン割り当て(GOSPA)エラーを13.4%削減している。 SCFT は ResNet と比較して RMSE の位置を 18.5% と 65.0% 削減する。 これらの知見は、MPC推定の改善により下流タスクの大幅な向上が期待できるため、マルチパス幾何を明示的に復元することの重要性を強調している。

関連論文リスト

• Task-Oriented Candidate-Latent Feedback for Coarse-to-Fine Sensing in Distributed OFDM-ISAC Networks [6.604029885021074]
  将来の統合センシング通信(ISAC)アーキテクチャは、推論を行うセンシング機能(SF)から測定を取得するセンシングエンティティ(SE)を分離する。 単一ターゲット推定のための候補遅延フィードバックを用いた学習に基づく粗大なセンサパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-08-04T08:26:06Z)
• LLM-Empowered Multimodal Fusion Framework for Autonomous Driving: Semantic Enhancement and Channel-Adaptive Design [56.76240343283953]
  本稿では,大規模言語モデル中心のセマンティック・レイヤ・チャネル・アウェア・インテグレート・パーセプション・フレームワークを提案する。 ローカルな視覚ストリームと、知覚盲点をカバーするために使用される品質の変化した外部レーダーストリームを融合させる。 nuScenesとVIRATの実験は、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2026-07-02T06:44:02Z)
• GeoGS-CE: Learning Delay--Beam Channel Priors with 3D Gaussians for High-Mobility Scenarios [18.254264849970955]
  高速鉄道は、予定された軌道、予測可能な速度、および支配的な伝播経路の限られた数を示す。 これらの特性は、瞬時複素チャネル周波数応答よりも安定な遅延ビームパワースペクトルを誘導する。 スパースパイロットハイモビリティシナリオのための2段階チャネル推定フレームワークGeoGS-CEを提案する。
  論文  参考訳（メタデータ） (2026-05-15T15:49:42Z)
• Environment-Aware Channel Prediction for Vehicular Communications: A Multimodal Visual Feature Fusion Framework [5.312960628870459]
  6G vehicular通信は、信頼性、レイテンシ、適応性要求の下で、正確で前方に見えるチャネル予測を必要とする。 本稿では,マルチモーダル視覚特徴融合に基づく環境対応チャネル予測フレームワークを提案する。 同期都市V2I測定データセットの実験では、PLが3.26dB、RMSEが37.66ns、5.05°、および5.08°の最高根平均二乗誤差(RMSE)が得られる。
  論文  参考訳（メタデータ） (2026-04-02T13:31:17Z)
• 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)
• 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)
• Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
  ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。 マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。 その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
  論文  参考訳（メタデータ） (2025-04-07T15:38:25Z)
• 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)
• Millimeter Wave Communications with an Intelligent Reflector: Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
  ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。 チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。 最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-02-24T22:18:54Z)

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。