High-Accuracy Positioning Services for High-Speed Vehicles in Wideband mmWave Communications
Notice bibliographique
Résumé
It is expected that the sixth-generation (6G) cellular networks will provide high-accuracy positioning services. For the millimeter wave (mmWave) frequency band in 6G, both the Doppler and the spatial wideband effects can lead to channel variation in time and space domains, respectively. However, the impact of these effects on the positioning performance is not well studied. In this paper, we will investigate this issue and show that these two effects are not only challenges, but also provide great opportunities in terms of positioning in vehicular networks. Particularly, we will conduct system modeling, algorithm design, and fundamental performance analysis of simultaneous localization and communications (SLAC) in mmWave-based vehicular networks, exclusively dependent on channel state information. The major challenge in algorithm design is the high computational complexity that comes with the huge antenna arrays and bandwidth. For high-speed vehicle positioning, timeliness is as important as accuracy. For performance evaluation, the Cramér-Rao lower bounds (CRLB) will be derived as benchmarks. We will show that it is possible to achieve CRLB-level positioning accuracy, with almost linear complexity. With the closed-form theoretical results, we will evaluate how different system parameters contribute to positioning accuracy, such as bandwidth, carrier frequency, size and orientation of antenna arrays, etc. These results will shed light on system-level design and optimization of SLAC with ultra-wide frequency band in highly dynamic environments, i.e., very strong spatial wideband and Doppler effects. Comprehensive numerical results will also be presented to verify the theoretical analyses and the effectiveness of the proposed algorithms.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».