NeRF$^\textbf{2}$: Neural Radio-Frequency Radiance Fields

要約

タイトル：NeRF$^\textbf{2}$: Neural Radio-Frequency Radiance Fields
要約：
– RF信号が複雑な環境で伝搬する場合の高精度なモデリングは長年の問題である。
– ニューラルネットワークを使用して光学フィールドを記述するアプローチが成功しているため、RF信号の伝搬を理解するための連続的な体積のシーン関数であるNeRF$^\textbf{2}$を提案する。
– 信号の測定値を使用してNeRF$^\textbf{2}$をトレーニングすることにより、送信機の位置を知っている場合に、どの位置でどのような信号が受信されるかを知ることができる。
– 物理レイヤのニューラルネットワークであるNeRF$^\textbf{2}$は、学習された統計モデルおよびレイトレーシングの物理モデルを利用して、アプリケーションレイヤの人工ニューラルネットワークのトレーニング要件に合う合成データセットを生成できる。
– これにより、真のデータセットと合成データセットを混合するターボラーニングと呼ばれる手法により、ANNのパフォーマンスを向上させることができる。ターボラーニングによる性能向上は50％程度とされている。
– 実験結果により、NeRF$^\textbf{2}$の応用範囲である屋内位置特定と5G MIMOの分野で高い性能が示されている。

要約(オリジナル)

Although Maxwell discovered the physical laws of electromagnetic waves 160 years ago, how to precisely model the propagation of an RF signal in an electrically large and complex environment remains a long-standing problem. The difficulty is in the complex interactions between the RF signal and the obstacles (e.g., reflection, diffraction, etc.). Inspired by the great success of using a neural network to describe the optical field in computer vision, we propose a neural radio-frequency radiance field, NeRF$^\textbf{2}$, which represents a continuous volumetric scene function that makes sense of an RF signal’s propagation. Particularly, after training with a few signal measurements, NeRF$^\textbf{2}$ can tell how/what signal is received at any position when it knows the position of a transmitter. As a physical-layer neural network, NeRF$^\textbf{2}$ can take advantage of the learned statistic model plus the physical model of ray tracing to generate a synthetic dataset that meets the training demands of application-layer artificial neural networks (ANNs). Thus, we can boost the performance of ANNs by the proposed turbo-learning, which mixes the true and synthetic datasets to intensify the training. Our experiment results show that turbo-learning can enhance performance with an approximate 50% increase. We also demonstrate the power of NeRF$^\textbf{2}$ in the field of indoor localization and 5G MIMO.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI