PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.23372v1cs.CV

다중 사용자 위치 추정을 위한 비전-무선 융합: 교차 모달 트랜스포머 접근법

Vision-Wireless Fusion for Multi-User Localization: A Cross-Modal Transformer Approach

복잡한 도시 환경에서 정확한 다중 사용자 위치 추정은 어려운 과제이다. 이러한 환경에서는 무선 측정값이 잡음(noise), 차단(blockage), 다중경로(multipath)로 인해 모호해질 수 있는 반면, 시각적 관측은 이를 보완하는 공간적 맥락을 제공한다. 본 논문은 파일럿 인덱싱된 채널 상태 정보(CSI)를 활용한 다중 사용자 위치 추정을 위한 비전-무선 융합 프레임워크를 제시한다. 직교 파일럿 인덱스는 CSI 토큰 시퀀스와 위치 추정 출력 내에서 통신 중인 UE(사용자 단말)의 식별 정보를 보존한다. 이 모델은 파일럿 인덱싱된 각 CSI 관측을 쿼리 토큰으로 인코딩하고, 교차 어텐션(cross-attention)을 사용하여 공간적 시각 메모리로부터 사용자별 정보를 검색한다. CSI 토큰 간의 셀프 어텐션(self-attention)은 사용자 간 상호작용을 추가로 포착하며, 그 결과로 얻어진 멀티모달 표현은 사용자별 위치 추정에 사용된다. 서로 다른 데이터셋에 대한 실험은 모델 기반, CSI 전용, 멀티모달 융합 베이스라인 대비 일관된 성능 향상을 보여준다. 추가 실험은 서로 다른 무선 및 시각 조건 하에서 모델을 평가한다.

arXiv:2606.11490v1cs.LG

OmniLoc: 다양한 실내 환경에서의 앵커 프리 UE 위치 추정을 위한 기하학적 인식 파운데이션 모델

OmniLoc: A Geometry-Aware Foundation Model for Anchor-Free UE Localization Across Diverse Indoor Environments

무선 측정값을 이용한 실내 위치 추정은 건물의 기하학적 구조, 감지 가능한 액세스 포인트(AP) 집합, 수신 신호의 이질성(heterogeneity)에 큰 변동이 있어 대규모 배포 시 여전히 어려운 과제로 남아 있습니다. 기존 학습 기반 방법들은 제한된 설정에서만 잘 작동하고 환경 변동 시 성능이 저하되어, 다양한 실내 환경에서의 강건한 앵커 프리 위치 추정은 매우 어려운 문제로 알려져 있습니다. 본 논문에서는 다양한 실내 환경에서의 앵커 프리 사용자 장비(UE) 위치 추정을 위한 환경 대화형 파운데이션 모델(foundation model)인 OmniLoc을 제안합니다. 우리의 아는 한, OmniLoc은 이 작업을 위해 무선 측정값에 직접 구축된 최초의 파운데이션 모델 기반 접근 방식입니다. OmniLoc은 세 가지 핵심 설계를 기반으로 구축되었습니다. 첫째, 통합 입력 토큰화 모듈은 이질적인 무선 측정값을 학습에 더 적합한 공통 표현(representation)으로 변환합니다. 둘째, 기하학적 인식 트랜스포머(Transformer)는 지배적인 AP를 강조하고 지원 AP로부터 보완적인 증거를 집계하여 AP 인식 특징 추출을 수행합니다. 셋째, 기하학적 인식 위치 추정 모듈은 기하학적으로 일관된 위치 예측을 생성하기 위해 기하학적 임베딩(embedding)을 조건으로 하여 회귀(regression)를 수행합니다. 우리는 대규모 자체 데이터셋과 공개 벤치마크 데이터셋 모두에서 OmniLoc을 평가했습니다. 결과에 따르면 OmniLoc은 기존 방법들을 현저히 능가하며, 설계 구성 요소를 통합했을 때 기존 백본(backbone)을 일관되게 개선하고, 교차 환경 평가에서 강력한 일반화 성능을 보여주었습니다.