Uplink Transmission Policies for LoRa-Based Direct-to-Satellite IoT
Notice bibliographique
Résumé
Direct-to-Satellite IoT (DtS-IoT) is a promising approach to deliver data transfer services to IoT devices in remote areas where deploying terrestrial infrastructure is not appealing or feasible. In this context, low-Earth orbit (LEO) satellites can serve as passing-by IoT gateways to which devices can offload buffered data to. However, transmission distances and channel dynamics, combined with highly constrained devices on the ground makes of DtS-IoT a very challenging problem. Here, we present LoRa-based approaches to realize scalable and energy-efficient DtS-IoT. Our study includes the Long Range-Frequency Hopping Spread Spectrum (LR-FHSS) physical layer, currently on the roadmap of future space IoT projects. Specifically, we propose uplink transmission policies that exploit satellite trajectory information. These schemes are framed with a theoretical Mixed Integer Linear Programming (MILP) model providing an upper bound on performance as well as inspiration for scheduled DtS-IoT solutions. Simulation results provide compelling evidence that trajectory based policies can duplicate the amount of IoT nodes, while specific variants can further boost the scalability by 30% without incurring energy penalties. We also quantify that LR-FHSS can improve the deployment scalability by a factor of 75x at the expenses of 30% higher device’s power consumption compared to the legacy LoRa modulation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».