HAPS-ISAC: Enhancing Sensing and Communication in 6G Networks With Advanced MIMO Beamforming
Notice bibliographique
Résumé
This paper introduces a novel high altitude platform station (HAPS)-based integrated sensing and communication (ISAC) system, referred to as HAPS-ISAC, designed to enhance the capabilities of future 6G networks by simultaneously optimizing communication and sensing functions. HAPS operates as a super-macro base station in the stratosphere, utilizing advanced beamforming techniques within a multiple-input multiple-output (MIMO) architecture, supplemented by multiple-input single-output (MISO) configurations, effectively enabling the system to serve ground communication users (CUs) while conducting high-resolution sensing of potential targets. A Rician channel model is employed to capture both line-of-sight (LoS) and non-line-of-sight (NLoS) conditions. The performance of the system is optimized through a non-convex optimization problem that maximizes the minimum beampattern gain towards desired sensing angles while ensuring that the signal-to-interference-plus-noise ratio (SINR) requirements for CUs are satisfied, all under the power constraints of the HAPS. Compared to the traditional terrestrial and UAV-based ISAC systems, HAPS-ISAC delivers sustained and reliable service over extensive areas, leading to significantly improved overall performance. Simulation results show that HAPS-ISAC significantly improves SINR, resource allocation, sensing accuracy, and fairness, outperforming existing technologies. This establishes HAPS-ISAC as a key enabler for 6G networks and advances intelligent infrastructures like IoT and smart cities.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 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 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 ».