Notice bibliographique
Résumé
Integrated sensing and communication (ISAC) stands as a pivotal usage scenario for 6G networks, enabling future systems to acquire comprehensive information regarding target objects and environment objects (EOs). While extensive research in both academia and industry has focused on refining the acquisition of target object information—such as drone location and speed—further effort is warranted in the research and standardization of EO sensing, particularly for entities like buildings and robots. In this work, we demonstrate the feasibility of 6G sensing for EO reconstruction through both simulation and field trials. For the simulation, we first propose an EO modeling method that discretizes building EOs into scattering points within the 3GPP Urban Grid scenario. Subsequently, we develop an EO reconstruction algorithm comprising steps of back projection imaging, filtering, and clustering. Simulation results confirm robust EO reconstruction, achieving an error of around 1 m at 90% of scattering points. For the field trial, we construct a prototype system for an indoor EO reconstruction scenario, focusing on daily objects and robotic arms as EOs. We adapted the reconstruction methodology developed in the simulation to overcome practical challenges, including computational complexity and object shape detection. We validate the range and angle accuracy of EO reconstruction with respect to the camera imagery. Furthermore, to demonstrate the utility of EO reconstruction for downstream applications, we develop a posture recognition system for human–robot interaction, which achieves a recognition accuracy of 95% across 400 tests. We also discuss the potential utilization of the EO reconstruction results. This work offers preliminary evidence of the feasibility of EO reconstruction, serving as a valuable reference for future investigations.
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 ».