Resumen

Los vehículos no tripulados se utilizan ampliamente en escenarios industriales; su información de posicionamiento es vital para el surgimiento del internet industrial de las cosas (IIOT); por ello, ha despertado un interés considerable. El posicionamiento cooperativo de vehículos mediante radares MIMO (múltiple entrada múltiple salida) es una de las técnicas más prometedoras, cuyo núcleo consiste en medir la dirección de llegada (DOA) del vehículo desde varios puntos de vista. Debido a las limitaciones de potencia, es posible que el radar MIMO no pueda utilizar todos los elementos de antena para transmitir/recibir (Tx/Rx) la señal. En consecuencia, es necesario desplegar un array completo y seleccionar una solución Tx/Rx óptima. Gracias al big data industrial (IBD), es posible obtener un conjunto de datos masivos etiquetados offline, que contiene todos los DOA posibles y la medición del array. Para conseguir una selección Tx/Rx rápida y fiable, en este artículo se propone una red neuronal convolucional (CNN), en la que la selección de la antena se formula como un problema de multiclasificación. Se asume que el DOA del vehículo se conoce a priori, y el criterio de optimización es minimizar el Crame'r-Rao basado en la estimación del DOA cuando se utilizan las sub-redes Tx/Rx seleccionadas. El marco propuesto es flexible y energéticamente eficiente. Los resultados de la simulación verifican la eficacia del marco propuesto.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:marco, posicionamiento cooperativo de vehículos, red neuronal convolucional, big data industrial, doa, vehículo, estimación doa, radar mimo, selección rx, solución rx
• Keywords:framework, cooperative vehicle positioning, convolutional neural network, industrial big data, doa, vehicle, doa estimation, mimo radar, rx selection, rx solution