InSite® inalámbrico Asociaciones académicas
Con orígenes en la Universidad Estatal de Pensilvania, Remcom mantiene una larga colaboración con la comunidad académica. Estas colaboraciones no sólo fomentan la investigación y el desarrollo compartidos, sino que también mejoran nuestros productos y aumentan nuestra experiencia. A continuación se muestran varios ejemplos que demuestran cómo se ha utilizado Wireless InSite® en programas académicos centrados en el avance de las tecnologías inalámbricas mmWave.
DeepMIMO: Un conjunto de datos genérico de aprendizaje profundo para aplicaciones de ondas milimétricas y MIMO masivo
Las herramientas de aprendizaje automático están apareciendo en interesantes aplicaciones en sistemas de ondas milimétricas (mmWave) y MIMO masivo. Esto se debe principalmente a sus potentes capacidades para aprender modelos desconocidos y abordar difíciles problemas de optimización. Sin embargo, para avanzar en la investigación del aprendizaje automático en los sistemas mmWave/massive MIMO, se necesita un conjunto de datos común. Este conjunto de datos se puede utilizar para evaluar los algoritmos desarrollados, reproducir los resultados, establecer puntos de referencia y comparar las diferentes soluciones. En este trabajo, presentamos el conjunto de datos DeepMIMO, que es un conjunto de datos genérico para canales mmWave/massive MIMO. El marco de generación del conjunto de datos DeepMIMO tiene dos características importantes. En primer lugar, los canales DeepMIMO se construyen a partir de datos precisos de trazado de rayos obtenidos de Wireless InSite. Los canales DeepMIMO, por lo tanto, capturan la dependencia de la geometría/materiales del entorno y las ubicaciones del transmisor/receptor, lo cual es esencial para varias aplicaciones de aprendizaje automático. En segundo lugar, el conjunto de datos DeepMIMO es genérico/parametrizado, lo que permite al investigador ajustar un conjunto de parámetros del sistema y del canal para adaptar el conjunto de datos DeepMIMO generado a la aplicación de aprendizaje automático objetivo.
RAYMOBTIME
Raymobtime es una metodología de recopilación de conjuntos de datos realistas para la simulación de comunicaciones inalámbricas. Utiliza el trazado de rayos y escenarios 3D con movilidad y evolución temporal para obtener coherencia en el tiempo, la frecuencia y el espacio. Incorpora simulaciones de LIDAR (mediante Blensor), cámaras (mediante Blender) y posiciones para permitir investigaciones con aprendizaje automático y otras técnicas. Raymobtime ha utilizado Wireless Insite para el trazado de rayos y el Simulador de Movilidad Urbana (SUMO), de código abierto, para la simulación de la movilidad (de vehículos, peatones, drones, etc.). También incorpora Cadmapper y Open Street Map para simplificar la importación de escenarios exteriores realistas. Para más detalles, visita las publicaciones del sitio web de Raymobtime.
Desafío de la UIT sobre inteligencia artificial/aprendizaje automático en 5G
research.ece.ncsu.edu/ai5gchallenge
El reto de estimación de canal ML5G-PHY ataca uno de los problemas más difíciles de la capa física 5G: la adquisición de información de canal para establecer un enlace MIMO mmWave (acceso inicial) considerando una arquitectura MIMO híbrida. Los enfoques de este reto aportarán información importante sobre lo que se puede conseguir utilizando enfoques basados en datos o en modelos.
Laboratorio de sistemas inalámbricos de Drexel
research.coe.drexel.edu/ece/dwsl/research/mmwave-research
A partir de los prometedores resultados de simulación de Wireless InSite, el Laboratorio de Sistemas Inalámbricos de Drexel está ampliando su investigación para abarcar el diseño de antenas en frecuencias mmWave y realizar campañas de medición para caracterizar el canal en diversos entornos prácticos.
Ahorre tiempo y reduzca costes.
Póngase en contacto con Remcom hoy mismo para obtener una solución personalizada a sus retos electromagnéticos más complejos.
Solicitar presupuesto