KI News: Kurz und klar.

Mit dem neuen Ansatz aus dem arXiv-Preprint 2512.13701v1 können Funkkarten erstellt werden, ohne dass jede Messung mit einem genauen Standort gekennzeichnet sein muss. Das Verfahren nutzt die räumliche Kontinuität von Kanalzustandsinformationen (CSI) in Nicht-Linear-of-Sight (NLOS)-Szenarien und definiert daraus ein Distanzmaß, das proportional zur physischen Entfernung ist.

Die anhaltende Volatilität der Baustoffpreise stellt Bauunternehmen vor erhebliche Risiken bei Kostenabschätzungen, Budgetierung und Projektabwicklung. Ein neues, granular skalierbares Prognosemodell soll diesen Herausforderungen begegnen.

In modernen mMIMO-OFDM-Systemen reduziert der Einsatz von Deep-Autoencodern (DAE) die Menge an Channel State Information (CSI), die zurückgesendet werden muss. Doch diese Modelle stoßen an ihre Grenzen, wenn sich die Umgebung durch Nutzerbewegungen ändert: Sie müssen neu trainiert werden und verlieren dabei oft das Wissen über frühere Szenarien – ein Phänomen, das als „catastrophic forgetting“ bekannt ist.

Ein neues Deep‑Learning‑System namens Meta‑SimGNN verspricht die WiFi‑Lokalisierung in allen möglichen Szenarien zu revolutionieren. Während frühere Ansätze vor allem auf Veränderungen im räumlichen Aufbau von Gebäuden reagierten, berücksichtigt Meta‑SimGNN zusätzlich die Vielfalt an Geräte­konfigurationen – von Bandbreite über die Anzahl der Access Points bis hin zu Antennen­anordnungen. Diese Parameter beeinflussen die Dimensionalität der Kanalzustandsinformation (CSI) und stellen die Einsatzfähigkeit herkömmlicher neuronaler Netze vor große Herausforderungen.