Enhanced Super-Resolution DOA Estimation via Aperture Extrapolation in RIS Technology for ITS Applications
Notice bibliographique
Résumé
The reconfigurable intelligent surface (RIS) technology offers transformative potential for wireless communications, sensing, and vehicle localization within intelligent transportation systems (ITSs). Accurate direction-of-arrival (DOA) estimation, especially for resolving closely spaced vehicles, is critical for safe autonomous driving. This article introduces aperture extrapolation for RIS-based DOA estimation (APEX-RIS), a high-resolution DOA estimation technique that integrates 2-D linear prediction with 2-D unitary Estimation of signal parameters via rotational invariance technique (ESPRIT) to virtually extend uniform rectangular arrays (URAs). This virtual aperture extrapolation (APEX) significantly enhances the spatial resolution beyond conventional methods without requiring physical array expansion. APEX-RIS performance is validated through extensive simulations across varying signal-to-noise ratios (SNRs), snapshot counts, and angle separations. Results demonstrate substantial improvements in probability of resolution (PR) and root-mean-square error (RMSE), particularly in low-SNR and global positioning system (GPS)-denied environments. The method exhibits superior accuracy in resolving closely spaced sources while maintaining the computational efficiency for real-time ITS applications. While increasing extrapolation gain boosts performance, it also raises computational complexity. APEX-RIS represents a significant advancement in RIS-assisted DOA estimation, supporting safer, more efficient autonomous vehicle (AV) deployment and robust ITS infrastructure.
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 | 0,000 |
| 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 ».