Integrated Sensing and Communications for End-to-End Predictive Beamforming Design in Vehicle-to-Infrastructure Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Integrated sensing and communications (ISAC) has emerged as a promising technology for predictive beamforming in vehicle-to-infrastructure (V2I) networks. Most of the existing works on ISAC assume each vehicle is equipped with a single antenna and use a two-phase scheme for predictive beamforming design. In the first phase, the reflected sensing signals at the roadside unit (RSU) are used to estimate the state parameters (e.g., angle, channel state information (CSI)) of the vehicles. In the second phase, the beamformer is predicted based on the estimated state parameters. The two-phase scheme suffers from the drawback that the estimation error in the first phase can impact the beamformer design in the second phase and may lead to a degradation in the achievable rate. In this work, we design predictive beamformers for both the RSU and vehicles in an end-to-end manner by using deep learning. We propose one-sided predictive beamforming (OSPB) and two-sided predictive beamforming (TSPB) schemes, where the beamformers for the vehicles are determined by the RSU and by the vehicles themselves, respectively. Both schemes directly predict the beamformers based on the reflected sensing signals via deep neural networks (DNNs). Compared with the existing two-phase schemes, the proposed schemes bypass the intermediate parameter estimation phase, thereby mitigating the impact of parameter estimation error. Our simulation results demonstrate the advantages of the proposed schemes over the two-phase baseline schemes in terms of achievable sum-rate.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 découle