IEEE Open Journal of Vehicular Technology (OJVT) 是一本开放获取的全电子期刊，发表原创高质量论文，涵盖移动无线电、机动车辆和陆地交通领域电气和电子工程的理论、实验和操作层面。我们的期刊不仅欢迎原创高质量论文，也欢迎以行业为中心的出版物，重点关注研究成果并提出对进行类似研究的人员有用的想法。

第二篇特邀专题文章由来自加泰罗尼亚理工大学、博世集团（Robert Bosch GmbH）以及奥尔堡大学的研究人员共同撰写，提出了一种高效且创新的数据融合方法。该方法基于图神经网络（Graph Neural Network），旨在提升工业环境中目标自动导引车（AGV）的定位精度。

PosGNN: A Graph Neural Network Based Multimodal Data Fusion for Indoor Positioning in Industrial Non-Line-of-Sight Scenarios
Karthik Muthineni; Alexander Artemenko; Daniel Abode; Josep Vidal; Montse Nájar
Published in Volume 7, IEEE Open Journal of Vehicular Technology
https://ieeexplore.ieee.org/document/11235985

在智能制造场景中，精确定位工厂内的移动设备（如自动导引车，AGV）至关重要。一项极具潜力的技术是超宽带（UWB），它能够非常精确地测量标签与基站之间的距离。然而，工业环境中通常存在诸如机械设备和金属物体等障碍物，这些因素会阻挡信号传输。因此，可与标签（AGV）通信的UWB基站数量可能随时间动态变化，从而导致定位精度出现突降或波动。

为了解决这一问题，我们提出了一种名为PosGNN的新方法。该方法采用图神经网络（Graph Neural Network）这一机器学习模型，能够自然地处理UWB基站数量变化的情况。在每个时刻，可用的UWB基站及其测距数据被组织为一种灵活的图结构，使系统即使在部分基站因非视距（NLoS）条件暂时不可用时，仍能保持稳定运行。

此外，PosGNN还融合了UWB测量数据与AGV车载惯性测量单元（IMU）的运动数据。通过结合这两类信息，PosGNN能够更加准确且稳定地估计AGV的位置。

我们在一个存在频繁信号遮挡的真实工业环境中对该方法进行了测试。结果表明，与传统基于模型的方法及数据驱动方法相比，PosGNN的性能提升约40%，验证了其在大型工业环境中实现高可靠移动设备定位的有效性。