Se espera que los mapas de entorno radio sean una herramienta esencial para la optimización y gestión de recursos del 5G en vehículos. En este trabajo, consideramos el problema de la reconstrucción del mapa de entorno radio utilizando una red de sensores inalámbricos formada por nodos sensores en vehículos, nodos de acceso de una infraestructura de ciudad inteligente, etc. Debido a las limitaciones de recursos en las redes de sensores, es crucial seleccionar un pequeño número de mediciones de los sensores para reconstruir el campo. En este contexto, presentamos un novedoso algoritmo distribuido basado en el método de regresión Kriging para la reconstrucción del mapa de entorno radio en términos de potencia media recibida en lugares donde no se dispone de mediciones de los sensores. Los componentes de pérdida de trayectoria y de sombra del canal inalámbrico se estiman por separado. Para la estimación de las pérdidas por sombra, se forman grupos de sensores de forma adaptativa y su tamaño se optimiza en en términos del menor número de sensores posible minimizando la varianza ordinaria de Kriging. Se obtiene la complejidad del algoritmo propuesto y se presentan resultados de simulación para mostrar la eficacia del algoritmo para la reconstrucción del campo.

Radio maps are expected to be an essential tool for the resource optimization and management of 5G automotive. In this paper, we consider the problem of radio map reconstruction using a wireless sensor network formed by sensor nodes in vehicles, access nodes from a smart city infrastructure, etc. Due to limited resource constraints in sensor networks, it is crucial to select a small number of sensor measurements for field reconstruction. In this context, we present a novel distributed incremental clustering algorithm based on the regression Kriging method for radio map reconstruction in terms of average received power at locations where no sensor measurements are available. The path-loss and shadowing components of the wireless channel are separately estimated. For shadowing estimation, clusters of sensors are adaptively formed and their size is optimized in terms of the least number of sensors by minimizing the ordinary Kriging variance. The complexity of the proposed algorithm is analyzed and simulation results are presented to showcase the algorithm efficacy to field reconstruction.