CRB Minimization using Twin Delayed DDPG for Semi-Self Sensing Active RIS-Assisted mmWave ISAC
Notice bibliographique
Résumé
This paper investigates the problem of Cramér-Rao Bound (CRB) minimization in a semi-self sensing (SS) active reconfigurable intelligent surface (RIS)-enabled integrated sensing and communication (ISAC) system in millimeter-wave (mmWave). Unlike conventional RIS, the proposed active SS-RIS architecture incorporates both reflecting and sensing elements, enabling direct radar echo reception while enhancing communication performance. A joint optimization problem is formulated to design the base station (BS) beamforming and active RIS precoding matrix with the objective of minimizing the CRB of the target's angle-of-arrival (AoA) estimation, subject to communication quality-of-service (QoS) constraints and power limitations at both the BS and RIS. Given the inherent non-convexity and computational complexity of the optimization problem, a twin delayed DDPG (TD3)-based deep reinforcement learning (DRL) framework is proposed to efficiently optimize both BS beamforming and active SS-RIS precoding matrix. Simulation results demonstrate that the proposed TD3-based approach significantly outperforms other machine learning (ML) benchmark schemes, such as deep deterministic policy gradient (DDPG) and proximal policy optimization (PPO), in terms of sensing accuracy (CRB minimization) given the present constraints. Moreover, we have shown that increasing the number of sensing elements in the SS-RIS offers substantial gains, confirming the effectiveness of active SS-RIS in enhancing both sensing and communication performance in ISAC systems.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».