FERMI: Flexible Radio Mapping with a Hybrid Propagation Model and Scalable Autonomous Data Collection

要約

通信はマルチロボットコラボレーションの基本であり、正確な無線マッピングがロボット間の信号強度を予測する上で重要な役割を果たします。
ただし、大規模および閉塞環境での無線信号伝播のモデリングは、信号と障害物の間の複雑な相互作用のために困難です。
既存の方法は、2つの重要な制限に直面しています。トレーニングセットに存在しない送信機と受信者のペアの信号強度を予測するのに苦労し、モデリングには広範な手動データ収集が必要であり、大規模で障害物が豊富なシナリオでは実用的ではありません。
これらの制限を克服するために、柔軟な無線マッピングフレームワークであるFermiを提案します。
フェルミは、直接信号パスの物理ベースのモデリングとニューラルネットワークを組み合わせて、環境相互作用と無線信号をキャプチャします。
このハイブリッドモデルは、無線信号の伝播をより効率的に学習し、まばらなトレーニングデータのみを必要とします。
さらに、Fermiは、マルチロボットチームを使用して、自律データ収集のためのスケーラブルな計画方法を導入しています。
データ収集の並行性を高め、地域間のロボットの旅費を最小限に抑えることにより、全体的なデータ収集効率が大幅に改善されます。
シミュレーションと現実世界の両方のシナリオでの実験は、フェルミが正確な信号予測を可能にし、複雑な環境で目に見えない位置によく一般化することを示しています。
また、完全に自律的なデータ収集とスケールをさまざまなチームサイズにサポートし、ラジオマップを作成するための柔軟なソリューションを提供します。
私たちのコードは、https：//github.com/ymluo1214/flexible-radio-mappingでオープンソーリングされています。

要約(オリジナル)

Communication is fundamental for multi-robot collaboration, with accurate radio mapping playing a crucial role in predicting signal strength between robots. However, modeling radio signal propagation in large and occluded environments is challenging due to complex interactions between signals and obstacles. Existing methods face two key limitations: they struggle to predict signal strength for transmitter-receiver pairs not present in the training set, while also requiring extensive manual data collection for modeling, making them impractical for large, obstacle-rich scenarios. To overcome these limitations, we propose FERMI, a flexible radio mapping framework. FERMI combines physics-based modeling of direct signal paths with a neural network to capture environmental interactions with radio signals. This hybrid model learns radio signal propagation more efficiently, requiring only sparse training data. Additionally, FERMI introduces a scalable planning method for autonomous data collection using a multi-robot team. By increasing parallelism in data collection and minimizing robot travel costs between regions, overall data collection efficiency is significantly improved. Experiments in both simulation and real-world scenarios demonstrate that FERMI enables accurate signal prediction and generalizes well to unseen positions in complex environments. It also supports fully autonomous data collection and scales to different team sizes, offering a flexible solution for creating radio maps. Our code is open-sourced at https://github.com/ymLuo1214/Flexible-Radio-Mapping.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google