基于无线电传播路径深度学习的外界环境重建
网络与互联网体系结构
2024-04-13 v1 机器学习
信号处理
摘要
传统的外界环境重建方法主要依赖于基于视觉的技术，如摄影测量和 LiDAR，面临着覆盖范围受限、易受环境条件影响以及计算和能源需求高等局限性。这些挑战在增强现实导航等应用中尤为突出，特别是当与具有受限计算资源和能源预算的可穿戴设备集成时。为此，本文提出了一种利用环境无线信号进行外界环境重建的新方法。通过分析射频（RF）数据，本文旨在推断环境特征并数字化重建外界 surroundings。本研究在合成 RF 数据集 WAIR-D 上调查了选定深度学习（DL）技术的有效性，致力于填补该领域的研究空白。评估了两种 DL 驱动的方法（卷积 U-Net 和基于视觉变换器的 CLIP+），并使用交并比（IoU）、Hausdorff 距离和 Chamfer 距离等指标评估性能。结果表明，基于 RF 的重建方法展现出令人鼓舞的性能，为轻量级和可扩展的重建解决方案铺平了道路。
引用
@article{arxiv.2402.17336,
title = {Outdoor Environment Reconstruction with Deep Learning on Radio Propagation Paths},
author = {Hrant Khachatrian and Rafayel Mkrtchyan and Theofanis P. Raptis},
journal= {arXiv preprint arXiv:2402.17336},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication. Work partly supported by the RA Science Committee grant No. 22rl-052 (DISTAL) and the EU under Italian National Recovery and Resilience Plan of NextGenerationEU on "Telecommunications of the Future" (PE00000001 - program "RESTART")