PilotScatter: High-Throughput OFDM Backscatter via Pilot Tones
Notice bibliographique
Résumé
Backscatter is an emerging ultra-low-power wireless communication technology for Internet-of-Things. However, as the widely used modulation scheme in OFDM systems, the combination of QAM and WiFi backscatter is not very satisfactory. To deploy QAM in the WiFi backscatter system, we propose PilotScatter, the first OFDM backscatter system supporting both 16-QAM modulation and non-redundant coding. These changes significantly improve the throughput of PilotScatter over previous backscatter systems. The key insight of PilotScatter is the use of pilot tones and differential demodulation. By modifying the phase and amplitude of pilot tones of the carrier signal, PilotScatter can modulate tag data on ambient WiFi with a 16-QAM scheme. At the receiver, PilotScatter uses a differential algorithm to demodulate tag data. It makes PilotScatter achieve 16-QAM demodulation without relying on ambient WiFi data and past symbols. We prototype PilotScatter using FPGAs, commodity radios, and USRPs. Comprehensive evaluations demonstrate that PilotScatter achieves up to 932.22 kbps throughput for WiFi 802.11g, and the backscatter communication range (Tag-to-Rx) is up to 19 m in Line-of-Sight (LoS) and 16 m in Non-Line-of-Sight (NLoS). Compared with the symbol-level backscatter research, PilotScatter has 7.49x and 3.78x goodput gains over MOXcatter and RapidRider, respectively.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».