RIS Beam Calibration for ISAC Systems: Modeling and Performance Analysis
원문 초록
High-accuracy localization is a key enabler for integrated sensing and communication (ISAC), playing an essential role in various applications such as autonomous driving. Antenna arrays and reconfigurable intelligent surface (RIS) are incorporated into these systems to achieve high angular resolution, assisting in the localization process. However, array and RIS beam patterns in practice often deviate from the idealized models used for algorithm design, leading to significant degradation in positioning accuracy. This mismatch highlights the need for beam calibration to bridge the gap between theoretical models and real-world hardware behavior. In this paper, we present and analyze three beam models considering several key non-idealities such as mutual coupling, non-ideal codebook, and measurement uncertainties. Based on the models, we then develop calibration algorithms to estimate the model parameters that can be used for future localization tasks. This work evaluates the effectiveness of the beam models and the calibration algorithms using both theoretical bounds and real-world beam pattern data from an RIS prototype. The simulation results show that the model incorporating combined impacts can accurately reconstruct measured beam patterns. This highlights the necessity of realistic beam modeling and calibration to achieve high-accuracy localization.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
비전 보조 멀티모달 학습을 통한 OFDM 기반 ISAC의 다중 표적 연관 해결
Resolving Multi-Target Association in OFDM-based ISAC via Vision-aided Multi-Modal Learning
직교 주파수 분할 다중화(OFDM) 기반 통합 감지 및 통신(ISAC) 시스템은 반사된 파일럿(pilot)으로부터 구성된 지연-도플러 맵(DDM)에서 피크 검색을 통해 표적 매개변수를 추출하는 것이 일반적이다. 다중 표적 시나리오에서는 이로 인해 모호성이 발생한다. DDM은 어떤 물리적 표적이 어떤 피크를 생성했는지를 밝히지 못하며, 동일한 지연-도플러 해상도 셀 내의 두 표적은 분리할 수 없다. 우리는 무선 및 시각 모달리티를 융합하여 두 한계를 모두 해결하는 비전 보조 OFDM-ISAC 프레임워크를 제안한다. 송신기는 온보드 거리뷰(street-view) 이미지를 심층 공동 원천-채널 부호화(DeepJSCC)로 인코딩하고 감지에 사용되는 동일한 OFDM 파형을 통해 이를 전송한다. 수신기는 이미지를 복원하고, 파인튜닝된 YOLOv5 검출기를 실행하며, 학습된 멀티모달 네트워크를 통해 표적별 특징(바운딩 박스 좌표 및 클래스 레이블)을 DDM 및 송수신기 기하 정보와 융합한다. 고차원 지연 및 도플러 분류기의 학습을 안정화하기 위해, 우리는 ground-truth 빈을 중심으로 한 삼각형 소프트 레이블에 대한 쿨백-라이블러(Kullback-Leibler) 손실을 도입한다. Blender로 렌더링된 차량 테스트베드에서, 제안 프레임워크는 16 cm의 위치 추정 RMSE(root mean square error)와 10.8 ns의 지연 RMSE를 달성한다. 절제 연구(ablation study)는 시각 모달리티를 제거하면 위치 추정 성능이 60배 저하됨을 확인한다. 이러한 결과는 단일 모달리티 ISAC의 데이터 연관 및 해상도 한계를 극복하기 위한 비전의 잠재력을 강조한다.
IoV-Oriented Integrated Sensing, Computation, and Communication: System Design and Resource Allocation
Active Reconfigurable Intelligent Surface-Assisted MISO Integrated Sensing and Communication Systems for Secure Operation
MS-rPPG: 운전자 모니터링 시스템에서 원격 광용적맥파를 위한 다중 스펙트럼 상태 공간 모델
MS-rPPG: Multi-spectral State Space Model for Remote Photoplethysmography in Driver Monitoring Systems
원격 광용적맥파(rPPG)는 생리 신호, 특히 심장 활동을 측정하는 카메라 기반 기법이다. 원격으로 측정된 신호로부터 심박수를 추정할 수 있으며, 이는 건강 모니터링에 매우 중요하다. 본 연구에서는 원격 심박수 추정에 기반한 운전자 건강 모니터링 시스템을 조사한다. 그러나 운전 환경은 제어되지 않은 환경으로, 영상이 다양한 조명 조건과 빈번한 머리 움직임의 영향을 받는다. MS-rPPG를 도입한다. 이는 RGB와 근적외선(NIR) 얼굴 영상을 결합하여 어려운 운전 조건 하에서 rPPG 추정을 완화하는 다중 스펙트럼 프레임워크이다. 두 스펙트럼 영상의 상보적 특징을 결합하기 위해, 주파수 영역 분석에 기반한 교차 스펙트럼 선형 변조(CSLM) 전략을 제안한다. 또한 다중 스펙트럼 특징 간 교차 채널 상호작용을 공동으로 포착하면서 장거리 시간적 의존성을 효과적으로 모델링하도록 설계된 새로운 상태 공간 모델인 MS-Mamba를 도입한다. 50명의 참가자가 차량을 운전하는 동안 기록한 MS-Drive라는 실세계 데이터셋을 수집했다. 제안 방법은 MR-NIRP Car 데이터셋과 MS-Drive 데이터셋에서 평가되었다. 실험 결과, MS-rPPG가 이전 방법들보다 더 나은 견고성과 심박수 추정 정확도를 보였으며, 운전자 건강 모니터링에 대한 잠재력을 강조한다. 코드는 github.com/ziiho08/MS-rPPG에서 이용할 수 있다.
Instant NuRec: 주행 장면 시뮬레이션을 위한 피드포워드 3D Gaussian 재구성
Instant NuRec: Feed-Forward 3D Gaussian Reconstruction for Driving Scene Simulation
3D 시뮬레이션 플랫폼은 end-to-end 정책 평가(evaluation)를 가능하게 하여 개발 비용을 줄이고 안전성을 향상시키기 때문에 자율주행에 핵심적이다. 최근 몇 년간 신경 시뮬레이션이 주류가 되었고, NuRec와 같은 방법이 중심적인 역할을 하고 있다. 그러나 이러한 방법들은 여전히 상대적으로 느리고, 일반적으로 장면별 튜닝이 필요하다. 본 연구에서는 단일 순전파(forward pass)로 짧은 다시점(multi-view) 주행 로그를 완전히 시뮬레이션 가능한 3D Gaussian Splatting(3DGS) 세계로 변환하는 피드포워드 신경 재구성 모델인 Instant NuRec를 제안한다. 이 모델은 보정된 카메라 리그의 다시점 입력을 받아 정적 및 동적 3DGS 레이어, 스카이 큐브맵(sky cubemap), 카메라별 ISP 보정으로 구성된 계층적 출력을 생성하며, 3DGUT를 통해 비 핀홀(non-pinhole) 카메라 모델에 대한 네이티브 지원을 제공한다. 이 모델은 10–20초 길이의 다중 카메라 장면을 약 1.5초 만에 재구성하며, Waymo Open 데이터셋에서 평가된 가장 강력한 기준선보다 PSNR이 2.01 dB 높은 성능을 달성한다. Instant NuRec는 NuRec에 깊이 통합되어 있으며, 폐루프(closed-loop) 시뮬레이션을 위해 AlpaSim과 호환된다.
FogDrive: 단계적 안개 조건에서의 인식을 위한 멀티모달 합성 주행 데이터셋
FogDrive: A Multi-Modal Synthetic Driving Dataset for Perception under Graded Fog
토론
이 논문과 연결된 포럼 글이 아직 없습니다.