論文の概要: Adaptive Pilot Selection for Unified Semantic Communication and Semantic Sensing in ISAC

• arxiv url: http://arxiv.org/abs/2609.30891v1
• Date: Fri, 25 Sep 2026 06:54:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.262849
• Title: Adaptive Pilot Selection for Unified Semantic Communication and Semantic Sensing in ISAC
• Title（参考訳）: ISACにおける統合意味コミュニケーションと意味センシングのための適応的パイロット選択
• Abstract要約: 本稿では,SemComとセマンティックセンシングの両方を実行するSemISACを提案する。 車両が道路環境のピクセルワイドセグメンテーションを共有する車両シナリオにおけるSemISACの評価を行った。
• 参考スコア（独自算出の注目度）: 13.694159547068878
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic communication (SemCom) and integrated sensing and communication (ISAC) are promising technologies for future 6G wireless networks. Existing studies have applied semantic technology to either the communication module or the sensing module of ISAC. In this work, we propose SemISAC, which performs both SemCom and semantic sensing within a single dual-function waveform. SemISAC uses a joint semantic encoder that extracts task-specific information for both communication and sensing. We evaluate SemISAC in a vehicular scenario in which vehicles share pixel-wise segmentation of the road environment and, through sensing, classify surrounding objects and estimate their ranges. On the transmitter side, a deep learning encoder converts the input road-scene image into semantic symbols and places them on the data cells of an OFDM grid, while the remaining cells serve as pilots for channel state information estimation and sensing. The pilot configuration is adaptively optimized based on the channel conditions to balance communication and sensing requirements. At the receiver, a deep learning model reconstructs the segmentation from the received waveform, while the transmitting vehicle captures the reflected waveforms from surrounding objects and uses task-specific deep learning decoders for target recognition and range estimation. Simulation results show that SemISAC achieves a segmentation accuracy close to that of the dedicated SemCom module while outperforming both conventional and semantic baselines in target recognition and range estimation.
• Abstract（参考訳）: セマンティック通信 (SemCom) と統合センシング通信 (ISAC) は将来の6G無線ネットワークにおいて有望な技術である。 既存の研究は、ISACの通信モジュールまたはセンシングモジュールにセマンティック技術を適用している。 本研究では,SemComとセマンティックセンシングの両方を単一二重関数波形内で行うSemISACを提案する。 SemISACは、コミュニケーションとセンシングの両方のためにタスク固有の情報を抽出するジョイントセマンティックエンコーダを使用する。 本研究では,車両が道路環境のピクセルワイドセグメンテーションを共有し,周囲の物体を検知し,分類し,その範囲を推定する車両シナリオにおけるSemISACの評価を行った。 送信側では、深層学習エンコーダが入力された路面画像を意味記号に変換し、OFDMグリッドのデータセルに配置し、残りのセルはチャネル状態情報推定およびセンシングのパイロットとして機能する。 パイロット設定はチャネル条件に基づいて適応的に最適化され、通信とセンサーの要求のバランスをとる。 受信機において、深層学習モデルは受信した波形からのセグメンテーションを再構成し、送信機は周囲の物体からの反射波形を捕捉し、目標認識及び範囲推定にタスク固有の深部学習デコーダを使用する。 シミュレーションの結果,SemISACはセグメンテーション精度を専用SemComモジュールに近い精度で達成し,目標認識と範囲推定において従来の意味ベースラインとセグメンテーションベースラインの両方を上回った。

関連論文リスト

• A VAE-Driven Multi-Task Satellite-Aided Semantic Communication Framework for 6G-Enabled Connected Autonomous Vehicles [51.449502491030756]
  衛星支援自動運転のためのマルチタスク・セマンティック・コミュニケーション・フレームワークを提案する。 このフレームワークは、両方のタスクを共同で最適化するために、エンドツーエンドで訓練されている。 提案手法は,87.23%から98.17%までの帯域幅削減を実現している。
  論文  参考訳（メタデータ） (2026-07-15T06:49:41Z)
• Conditional Denoising Diffusion Autoencoders for Wireless Semantic Communications [10.896931510442514]
  無線セムコムシステムは,低次元のセマンティクスから高次元の地上構造へのマッピングを学習することを目的としている。 セマンティックトランスミッタのニューラルエンコーダは、ハイレベルセマンティクスを抽出する。 セマンティックレシーバにおける条件拡散モデル(CDiff)は、信号空間のデノイングにソース分布を利用する。 提案したデコーダモデルが地中構造データの一貫した推定器であることを解析的に証明した。
  論文  参考訳（メタデータ） (2025-09-26T12:46:21Z)
• Agent-driven Generative Semantic Communication with Cross-Modality and Prediction [57.335922373309074]
  本稿では,強化学習に基づくエージェント駆動型ジェネリックセマンティックコミュニケーションフレームワークを提案する。 本研究では, エージェント支援型セマンティックエンコーダを開発し, 適応的セマンティック抽出とサンプリングを行う。 設計モデルの有効性をUA-DETRACデータセットを用いて検証し、全体的なA-GSCフレームワークの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-04-10T13:24:27Z)
• Joint Sensing and Semantic Communications with Multi-Task Deep Learning [45.622060532244944]
  本稿では,協調センシングとコミュニケーションのための深層学習技術の統合と,セマンティックコミュニケーションの拡張について検討する。 統合システムは、無線チャンネル上で動作し、ノイズやフェーディングを受ける送信機と受信機とを備える。 送信機はディープニューラルネットワーク(DNN)、すなわちエンコーダを使用し、ソース符号化、チャネル符号化、変調のジョイント操作を行う。 受信機は別のDNN、すなわちデコーダを使用して、復調、チャネル復号、ソース復号のジョイント操作を行い、データサンプルを再構築する。
  論文  参考訳（メタデータ） (2023-11-08T21:03:43Z)
• ISAC-NET: Model-driven Deep Learning for Integrated Passive Sensing and Communication [17.385081198870417]
  モデル駆動ディープラーニング(DL)を用いた受動センシングと通信信号検出を組み合わせたISACネットワーク(ISAC-NET)を提案する。 ISAC-NETは受動センシング結果と通信復調シンボルを同時に取得する。 2D-DFTアルゴリズムと比較すると、ISAC-NETはセンシング性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-07-14T05:21:45Z)
• CTNet: Context-based Tandem Network for Semantic Segmentation [77.4337867789772]
  本研究では,空間コンテキスト情報とチャネルコンテキスト情報とを対話的に探索し,新しいコンテキストベースタンデムネットワーク(CTNet)を提案する。 セマンティックセグメンテーションのための学習表現の性能をさらに向上するため、2つのコンテキストモジュールの結果を適応的に統合する。
  論文  参考訳（メタデータ） (2021-04-20T07:33:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。