MétaCan
Menu
Retour à la cohorte
Enregistrement W4414270391 · doi:10.1109/twc.2025.3608619

Optimizing Network Performance and Resource Allocation in HAPS-UAV Integrated Sensing and Communication Systems for 6G

2025· article· en· W4414270391 sur OpenAlexaff
Parisa Kanani, Mohammad Javad Omidi, Mahmoud Modarres-Hashemi, Halim Yanıkömeroğlu

Notice bibliographique

RevueIEEE Transactions on Wireless Communications · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueUAV Applications and Optimization
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésBeamformingBase stationTransmitter power outputResource allocationRelayWirelessCommunications systemPower (physics)SIGNAL (programming language)

Résumé

récupéré en direct d'OpenAlex

This paper proposes an innovative approach by leveraging uncrewed aerial vehicles (UAVs) as base stations (BSs) and a high-altitude platform station (HAPS) as the central processing unit (CPU) in an integrated sensing and communication (ISAC) system for 6G networks. We explore the challenges, applications, and advantages of ISAC systems in next-generation networks, highlighting the significance of optimizing position and power control. Our approach integrates HAPS and UAVs to enhance wireless coverage, particularly in remote areas. UAVs function as dual-purpose access points (APs), using their maneuverability and line-of-sight (LoS) aerial-to-ground (A2G) links to transmit combined communication and sensing signals. The scheme operates in two time slots: in the first slot, UAVs transmit dedicated signals to communication users (CUs) and potential targets. UAVs detect targets in specific ground locations and, after signal transmission, receive reflected signals from targets. In the second slot, UAVs relay these signals to HAPS, which performs beamforming to align signals for each CU from various UAVs. UAVs decode information from HAPS and adjust transmissions to maximize the efficiency of the beam pattern toward the desired targets. We formulate a multi-objective optimization problem with the goal of maximizing both the minimum signal-to-interference-plus-noise ratio (SINR) for CUs and the echo signal power from the targets. This is achieved by finding the optimal power allocation for CUs in each UAV, subject to constraints on the maximum total power in each UAV and the transmitted beam pattern gain. Simulation results demonstrate the effectiveness of this approach in enhancing network performance, resource allocation, fairness, and system optimization. By utilizing HAPS as the CPU, computational tasks are offloaded from UAVs, which conserves energy and further improves overall network performance.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,929
Score d'incertitude au seuil0,815

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,228
Écart entre enseignants0,215 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Wireless CommunicationsMême sujetUAV Applications and OptimizationTravaux en français237 207