CN109937543B - 基于物体的特性信息分析通信环境的方法和装置 - Google Patents

基于物体的特性信息分析通信环境的方法和装置 Download PDF

Info

Publication number
CN109937543B
CN109937543B CN201780070377.6A CN201780070377A CN109937543B CN 109937543 B CN109937543 B CN 109937543B CN 201780070377 A CN201780070377 A CN 201780070377A CN 109937543 B CN109937543 B CN 109937543B
Authority
CN
China
Prior art keywords
information
computing device
signal
communication system
characteristic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201780070377.6A
Other languages
English (en)
Other versions
CN109937543A (zh
Inventor
朴伦成
朴成范
李淳永
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Priority claimed from PCT/KR2017/013123 external-priority patent/WO2018093204A1/en
Publication of CN109937543A publication Critical patent/CN109937543A/zh
Application granted granted Critical
Publication of CN109937543B publication Critical patent/CN109937543B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/20—Monitoring; Testing of receivers
    • H04B17/27—Monitoring; Testing of receivers for locating or positioning the transmitter
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Computer Graphics (AREA)
  • Remote Sensing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Processing Or Creating Images (AREA)

Abstract

提供了一种用于将物联网(IoT)技术与支持超过第四代(4G)系统的更高数据速率的第五代(5G)通信系统相融合的通信方法和系统。本公开可以应用于基于5G通信技术和IoT相关技术的智能服务，例如智能家居、智能建筑、智能城市、智能汽车、互连汽车、医疗保健、数字教育、智能零售、安全和安保服务。用于分析无线通信系统中通信环境的方法包括：接收区域的图像信息；基于所述图像信息识别至少一个物体；确定所述至少一个物体的特性信息；以及基于所述特性信息分析所述区域的通信环境。信号衰减由于信号被所述至少一个物体散射、衍射或吸收而发生。

Description

基于物体的特性信息分析通信环境的方法和装置
技术领域
本公开涉及一种分析无线通信系统中通信环境的方法和装置。更具体地，本公开涉及一种基于位于信号发射所通过的路径上的物体的特性信息分析信道的方法。
背景技术
为了满足自部署4G通信系统以来增加的对无线数据流量的需求，已努力开发改进的第五代(5G)或Pre-5G通信系统。因此，5G或Pre-5G通信系统也称为“超4G网络”或“后长期演进(LTE)系统”。5G通信系统将在更高频率(毫米波)频带(例如60GHz频带)中实现，以便实现更高的数据速率。为了减少无线电波的传播损耗并增加传输距离，在5G通信系统中考虑了波束成形、大规模多输入多输出(MIMO)、全维MIMO(FD-MIMO)、阵列天线、模拟波束成形、大规模天线技术。另外，在5G通信系统中，正在基于先进小小区、云无线电接入网(RAN)、超密集网络、设备到设备(D2D)通信、无线回程、移动网络、协同通信、协调多点(CoMP)、接收端干扰消除等进行网络系统改进的开发。在5G系统中，作为高级编码调制(ACM)已经开发了混合FSK和QAM调制(FQAM)和滑动窗叠加编码(SWSC)，作为高级接入技术已经开发了滤波器组多载波(FBMC)、非正交多址接入(NOMA)和稀疏码多址接入(SCMA)。
互联网是人类产生和消费信息的、以人为中心的连通性网络，现在正在发展到物联网(IoT)，在物联网中分布式实体(如事物)无需人为干预地交换和处理信息。已经出现了万物互联网(IoE)，其通过与云服务器的连接将IoT技术和大数据处理技术相结合而得到。由于实现IoT要求使用诸如“传感技术”、“有线/无线通信和网络基础设施”、“服务接口技术”和“安全技术”等技术要素，因此近来已经研究了传感器网络、机器到机器(M2M)通信、机器类型通信(MTC)等。这样的IoT环境可以提供智能互联网技术服务，该服务通过收集和分析在相连的事物之间产生的数据，为人类生活创造新的价值。通过现有的信息技术(IT)与各种工业应用之间的融合和联合，可以将IoT应用于包括智能家居、智能建筑、智能城市、智能汽车或互连汽车、智能电网、医疗保健、智能家电和先进医疗服务在内的多种领域。
与此同时，已经有了将5G通信系统应用于IoT网络的各种尝试。例如，诸如传感器网络、MTC和M2M通信等技术可以通过波束成形、MIMO和阵列天线来实现。作为上述大数据处理技术的云RAN的应用也可以被认为是5G技术和IoT技术之间的融合的示例。如上所述，存在在5G通信系统中评估信道环境并相应地设计网络的方法的需求。网络设计确定发射射频(RF)信号的发射器(Tx)的位置和用于发射的设定值，以便能够在特征区域中通过无线通信实现网络服务，并在接收器(Rx)的位置确定各种RF信号的信息，以基于数学建模技术或射线追踪模拟结果分析信道环境，从而确定最佳的Tx位置。如此，可以提供各种RF信号信息(例如路径损耗和覆盖)以分析信道环境，并且可以基于该信息进行网络设计。
然而，在5G系统中，由于使用了具有较短波长和较强直线性的毫米波(mmWave)，因此根据位于通信路径(信号发射所通过的路径)上的物体或障碍物的特性，信号可能受到很大影响，同时网络设计也会受到影响。因此，存在对分析位于通信路径上的物体的特性信息并根据特性信息分析信道状态的方法的需求。
以上信息作为背景信息，仅用于帮助理解本公开。并未做出上述任何信息是否可用作关于本公开的现有技术的任何判断和确定。
发明内容
技术问题
然而，在5G系统中，由于使用了具有较短波长和较强直线性的毫米波(mmWave)，根据位于通信路径(信号发射所通过的路径)上的物体或障碍物的特性，信号可能受到很大影响，同时网络设计也会受到影响。因此，存在对分析位于通信路径上的物体的特性信息并根据特性信息分析信道状态的方法的需求。
问题解决方案
本公开的各方面旨在至少解决前文提到的问题和/或缺点，并至少提供如下所述的优点。因此本公开的一个方面是为了提供一种能够以比基于射线跟踪进行模拟时更高的准确度进行模拟以分析射频(RF)发射和接收环境的方法和装置。
本公开的另一方面是为了提供一种能够通过识别位于通信路径上的物体的特性信息并反映关于模拟的信息来获得更准确的模拟结果的方法和装置。
本公开的各方面并不限于上述目的。也就是说，本公开所属领域的技术人员可以从以下描述中明显地理解并未提及的其他方面。
根据本公开的一个方面，提供了一种用于分析无线通信系统中通信环境的方法。该方法包括：接收区域的图像信息；基于图像信息识别至少一个物体；确定至少一个物体的特性信息；以及基于特性信息分析区域的通信环境。由于信号被至少一个物体散射、衍射或吸收而发生信号衰减。
根据本公开的另一方面，提供了一种用于分析无线通信系统中通信环境的计算设备。该计算设备包括：收发器，用于发射或接收信息；以及至少一个处理器，用于接收区域的图像信息；基于图像信息识别至少一个物体；确定至少一个物体的特性信息；以及基于特性信息分析区域的通信环境。由于信号被至少一个物体散射、衍射或吸收而发生信号衰减。
根据本公开，可以识别位于通信路径上的物体的特性信息，并且通过反映关于模拟的信息可以获得更准确的模拟结果。因此，在进行网络设计时，通过考虑位于通信路径上的物体的影响可以有效地设计网络。
根据本公开的另一方面，提供了一种用于在无线通信系统中设计网络的方法。该方法包括：接收区域的图像信息；基于图像信息识别满足预定条件的至少一个物体；确定至少一个物体的真实环境信息；以及基于真实环境信息进行射线追踪模拟。
根据本公开的另一方面，提供了一种用于无线通信系统中的网络设计的计算设备。该计算设备包括：收发器和至少一个处理器，所述至少一个处理器配置为：接收区域的图像信息；基于图像信息识别满足预定条件的至少一个物体；确定至少一个物体的真实环境信息；以及基于真实环境信息进行射线追踪模拟。
对于本领域技术人员来说，通过以下结合附图公开了本公开的各种实施例的详细描述，本公开的其他方面、优点和鲜明特征将变得明显。
发明的有益效果
根据本公开，可以识别位于通信路径上的物体的特性信息，并且通过反映关于模拟的信息可以获得更准确的模拟结果。因此，在进行网络设计时，通过考虑位于通信路径上的物体的影响可以有效地设计网络。
附图说明
通过阅读结合附图所作的以下描述，本公开的某些实施例的以上和其它方面、特征和优点将会变得更明显。在附图中，
图1是用于说明根据本公开的一个实施例的使用数学建模技术的网络设计的图，
图2是用于说明根据本公开的一个实施例的射线追踪模拟方法的图，
图3A和图3B是用于说明根据本公开的一个实施例的用于获取三维地图信息的方法的图，
图4A和图4B是用于说明根据本公开的一个实施例的通过图像信息获取图像中的物体的材质信息的方法的图，
图5是示出根据本公开的一个实施例的用于基于射线追踪来分析通信信道环境的方法的图，
图6A和图6B是示出根据本公开的一个实施例的位于通信路径上的物体和物体对信号的影响的图，
图7是示出根据本公开的一个实施例的识别位于通信路径上的物体的特性的方法的图，
图8是示出根据本公开的一个实施例的提取位于通信路径上的物体的详细方法的图，
图9A、图9B和图9C是示出根据本公开的另一实施例的提取位于通信路径上的物体的方法的图，
图10是示出根据本公开的一个实施例的用于确定物体的特性信息的方法的图，
图11是示出根据本公开的一个实施例的用于识别物体的形状信息的详细方法的图，
图12A和12B是示出根据本公开的一个实施例的用于识别物体的尺寸信息的方法的图，
图13是示出根据本公开的一个实施例确定的特性信息的图，
图14A和图14B是示出根据本公开的一个实施例的在三维地图信息上反映物体的特性信息的结果的图，
图15A是示出根据本公开的另一实施例的计算设备的图，以及
图15B是示出根据本公开的一个实施例的控制器的配置的图。
在全部附图中，相同的附图标记用于表示相同的元件。
具体实施方式
提供参考附图的以下描述以帮助全面理解由权利要求及其等同物限定的本公开的各种实施例。下列描述包括各种有助于理解的具体细节，但这些仅被视为示例性的。因此，本领域普通技术人员将认识到，在不脱离本公开的范围和精神的情况下，可以对本文描述的各种实施例进行各种改变和修改。另外，为了清楚和简洁，可以省略对公知功能和结构的描述。
以下描述和权利要求中使用的术语和词语不限于书目含义，而是仅由发明人使用，以使得能够清楚连贯地理解本公开。因此，对于本领域技术人员而言显而易见的是，本发明的各种实施例的以下描述仅为说明目的而提供，而不是为了限制所附权利要求及其等同物所限定的本公开。
应理解，除非上下文另有明确规定，否则单数形式“一”、“一个”和“所述”包括复数指称。因此，例如，对“组件表面”的引用包括对这样的表面中的一个或多个的引用。
出于同样的原因，在附图中夸大、省略或示意性地示出了一些组件。此外，每个组件的尺寸并不完全反映其实际大小。在每个图中，相同或相应的组件由相同的附图标记表示。
通过以下参考附图对实施例的详细描述，本公开的各种优点和特征以及实现该优点和特征的方法将变得明显。然而，本公开不限于本文公开的实施例，而是将以各种形式实现。实施例使得本公开的公开内容较完备，并且实施例是被提供来使得本领域技术人员能够轻易理解本公开的范围。因此，本公开将由所附权利要求的范围限定。贯穿说明书中类似的附图标记表示类似的元件。
在这种情况下，可以理解，处理流程图的每个方框以及流程图的组合可以由计算机程序指令执行。由于这些计算机程序指令可以安装在用于通用计算机、特殊计算机或其他可编程数据处理装置的处理器中，因此由用于计算机或其他可编程数据处理装置的处理器所执行的这些指令生成了执行流程图的方框中描述的功能的方法。由于这些计算机程序指令也可以存储在计算机或其他可编程数据处理装置的计算机可用或计算机可读存储器中从而以特定方案实现功能，因此存储在计算机可用或计算机可读存储器中的计算机程序指令还可以生成制造物品，制造物品包括执行流程图的方框中描述的功能的指令方法。由于计算机程序指令也可以安装在计算机或其他可编程数据处理装置上，所以指令在计算机或其他可编程数据处理装置上执行一系列操作以创建由计算机执行的进程，从而运行计算机或其他可编程数据处理装置，这样的指令还可以提供用于执行流程图的方框中描述的功能的操作。
另外，每个方框可以指示包括用于执行特定逻辑功能的一个或多个可执行指令的模块、段或代码中的一些。此外，应注意的是，在一些替代实施例中方框中提到的功能的发生与顺序无关。例如，连续示出的两个方框实际上可以同时执行，或者有时根据相应的功能以相反的顺序执行。
在本实施例中使用的术语“单元”表示诸如现场可编程门阵列(FPGA)和专用集成电路(ASIC)之类的软件或硬件组件，并且“单元”执行任意角色。然而，“单元”的含义不限于软件或硬件。“单元”可以配置在可编址的存储介质中，并且还可以配置为再现一个或多个处理器。因此，举例来说，“单元”包括组件(如软件组件、面向对象的软件组件、类组件、任务组件等)、处理器、函数、属性、过程、子例程、程序代码段、驱动程序、固件、微代码、电路、数据、数据库、数据结构、表、阵列和变量。组件和“单元”中提供的功能可以与更少数量的组件和“单元”结合，或者可以进一步分为附加组件和“单元”。此外，组件和“单元”还可实现为再现设备或安全多媒体卡中的一个或多个中央处理单元(CPU)。
此外，在示出实施例中的方法的附图中，描述的顺序不一定对应于执行的顺序，并且顺序关系可以改变或并行地执行。
图1是用于说明根据本公开的一个实施例的使用数学建模技术的网络设计的图。
参考图1，发射器110和120可以形成发射波束112和122以发射信号。
数学建模技术可以通过将发射信号的频率、距离等作为输入，基于由特定信号发射和接收建模技术明确表示的函数来预测RF信息。如图1所示，发射器110和120中的每一个都可以在三个方向上形成波束112和122，从而可以通过建模技术应用发射信号的射频(RF)特性。如此，虽然可以通过数学建模技术以较小的计算量来预测RF信息，但却降低了对于高频RF信号进行建模的准确性。
为了分析与高频RF信号相关的信道特性，可以考虑应用射线追踪模拟技术。在这种情况下，可以通过考虑RF信号可以发射的可能路径来分析信道环境。然而，当使用该技术时，计算量会增加。因此，存在对用于在模拟上反映真实环境来确保准确性的方法的需求。
图2是用于说明根据本公开的一个实施例的射线追踪模拟方法的图。
参考图2，如果假设至少一个发射器212、214和216发射信号，则在地图上以明暗的方式显示接收从各个发射器212、214和216发射的信号的强度。颜色越深，接收强度越强，以及颜色越浅，信号强度越弱。
更具体地，可以通过假设接收器220的位置来确定相应区域中信号的接收强度。此外，还可以确定从一个发射器212到接收器220的可能的路径中的每一个的传输信道。可以存在从发射器212直接发射到接收器220的信号242和从另一个物体230反射并接收的信号232。通过根据射线追踪进行模拟，可以在特定区域中获取关于从发射器212、214和216接收的信号的强度的信息和关于信号的传输路径的信息。当根据信号的传输路径确定信号接收强度时，接收器220可以鉴于待反射的物体的表面材质和外部形状中的至少一个来获得更准确的信号接收信息。在本实施例中，它被称为表面材质。然而，这并不仅仅意味着物体的外表面，还包括可能影响无线电波反射的内部的材质。可以基于该信息更准确地评估无线电波反射的特征。此外，在本实施例中，可以基于窗户位置信息等来确定接收器位置，并且可以基于输入到网络设计模拟的附加信息来获得接收器位置，或者可以通过用户设置来获得接收器位置。
此外，能够透射无线电波的障碍物可以位于信号直接发射通过的路径上。障碍物的示例可以包括树。然而，除了树之外，在射线追踪模拟中还可以考虑在透射无线电波时可能发生信号衰减的障碍物。如此，通过考虑关于能够透射无线电波的障碍物的信息，可以获得更准确的模拟结果。树可以是位于通信路径上因为无线电波透射而导致信号衰减的障碍物的示例，并且障碍物可以包括植物或设置在通信路径上设施，以及可能发生信号衰减的其他物体。
如上所述，通过进行射线追踪，可以在地图上确定最佳发射器和接收器位置中的至少一个。此外，根据本实施例，可以考虑多个候选发射器位置和候选接收器位置来进行射线追踪模拟，并且可以根据射线追踪结果确定发射器位置和接收器位置中的至少一个。在本实施例中，基于射线追踪模拟确定发射器位置可以是网络设计的一个特征。由此，发射器针对预期最终安装的数量而确定候选发射器的更多位置，基于位置进行射线追踪模拟，并且基于从所有候选基站发射的信号中获得的射线信息通过后处理获取最佳基站位置的组合。
如上所述，射线追踪模拟技术可以确定RF信号通过的每个路径的传输信道，并基于该确定在接收器220的位置预测RF信号信息。在本实施例中，射线追踪模拟技术不仅根据信号路径计算在确定信道环境期间信号发射的距离，而且还计算由于路径的环境(例如介质的类型)、三维(3D)地形和建筑物引起的反射和衍射中的至少一个，从而更准确地预测RF信号信息。另外，使用上述技术的信道评估方法可以根据RF信号的频率没有限制地准确反映真实环境，并且可以基于模拟结果确定最佳发射位置和接收位置中的至少一个。
此外，第五代(5G)网络使用28GHz至60GHz的超高频信号。因此，为了在5G网络设计工具中获得无线信号信息，可以通过使用射线追踪模拟技术而非数学建模技术来提高准确度。在射线追踪模拟的一个示例中，当评估无线电波通过撞击建筑物而反射的路径时，可以在假设所有建筑物的表面具有相同的RF特性的情况下计算反射。然而，由于RF信号的反射率根据反射表面的材质、外部形状和图案而不同，因此该假设不能保证准确的模拟结果。因此，需要一种考虑该信息的射线追踪技术。
为了进行射线追踪模拟，需要获取建筑物的布局和地形信息，并基于映射所获取的信息的地图数据来分析信号收发环境。根据信号收发环境，可以分析发射器与接收器之间的链路以及通信系统的整体性能。此外，如果根据模拟结果的系统性能不满足预定标准，则可以通过考虑另一发射器以及改变模拟设置来重复进行射线追踪模拟。为了分析通信系统(特别是5G通信系统)的通信环境，需要一种反映毫米波无线电波特性的RF规划方法和装置。由此，为了更有效地进行射线追踪，需要获取影响传播环境的真实环境(树、反射器等)信息并进行考虑该信息的模拟。对于基于模拟的RF规划，可能需要并行化、逐步分析技术和基于物体提取的布置技术等来提高加速化和自动化。
此外，在本实施例中，为了在相应的区域中进行通信服务，需要一种通过分析特定区域的传播路径以在有效位置部署基站的RF网络规划方法和使用该方法的装置。
图3A和图3B是用于说明根据本公开的一个实施例的用于获取三维地图信息的方法的图。
参考图3A和图3B，可以基于真实图像信息和与图3A的图像信息对应的位置信息来获取三维地图信息。更具体地，可以获取图3B的3D地图信息，使得可以基于图像信息进行射线追踪模拟。
在图3B中获得的地图信息可以包括建筑物310、接收器候选区域330和树320。如上所述，通过获取地图信息，可以基于所获取的信息确定候选发射器位置和候选接收器位置。因此，可以进行射线追踪模拟以确定最佳发射器位置和接收器位置中的至少一个。
另外，在本实施例中，诸如建筑物310的元素可以具有反射或散射无线电波的特性。在这种元素的情况下，通过考虑元素的表面材质和外部形状可以获得更准确的模拟结果。
此外，在本实施例中，树320可以透射无线电波，但是透射的无线电波可能经历比空气更大的信号衰减。这样，通过考虑通过物体(例如树320)的无线电波传送特性，可以获得更准确的模拟结果。
此外，在本实施例中，接收器候选区域330可以根据射线追踪选择性地执行，并且可以包括可以安装固定接收器或可移动接收器的区域。更具体地，接收器安装在建筑物310的窗户区域中，使得安装在窗户区域中的接收器可以用作建筑物中的另一个接收器与建筑物外面的发射器之间的通信中的中继器。这样，通过考虑接收器候选区域330来进行射线追踪模拟，便可以获得考虑了更好的信号接收环境的结果值。
图4A和图4B是用于说明根据本公开的一个实施例的通过图像信息获取图像中的物体的材质信息的方法的图。
参考图4A和图4B，可以从图像信息中确定在图像中显示的物体的材质。更具体地，可以在图像信息中基于深度学习的计算机视觉技术确定图像中的物体的材质。本文随后将对与更具体的基于深度学习的计算机视觉技术相关的特征进行描述。
在本实施例中，分析图4A的图像信息以获得图4B的结果。此时，可以基于颜色、明暗对比、反射率、相应元素之间的相互位置关系以及图像的全部配置元素的布置中的至少一个确定每个元素。在本实施例中，可以基于图像分析确定诸如沥青410、混凝土420、植物430、钢结构440、车辆450、天空460或玻璃470等材质。如上所述，基于图像信息确定图像中显示的元素的材质，并且将材质的特性反映到射线追踪模拟上以获得更准确的结果。
图5是示出根据本公开的一个实施例的用于基于射线追踪来分析通信信道环境的方法的图。
参考图5，公开了用于进行射线追踪模拟的方法。在该实施例中，可以在包括控制器的计算设备中进行射线追踪模拟。计算设备可以是包括中央控制处理器的计算设备，并且可以包括个人计算机、工作站等。在以下实施例中，模拟可以认为是由计算设备执行的。
在操作510中，计算设备可以获得二维图像信息和三维地图信息。在本实施例中，二维图像信息可以包括与图像对应的附加信息，而附加信息可以包括拍摄信息，拍摄信息包括所拍摄的图像的位置信息、方向信息和视角信息。可以基于附加信息确定与二维图像信息对应的三维地图信息(以下简称地图信息)。另外，三维地图信息可以包括位置信息和与位置信息对应的三维地图信息。这种信息可以包括指示器或水面上的建筑物、结构和植物的形状信息，并且可以包括与根据本实施例的发射器候选位置和接收器候选位置中的至少一个有关的信息。
在本公开中，二维图像信息可以描述为图像信息。也就是说，本公开的图像信息可以在二维中配置。然而，本公开的实施例不限于此，并且本公开可以包括图像信息在三维中配置的实施例。
类似地，在本公开中，二维地图信息可以描述为地图信息。也就是说，本公开的地图信息可以在三维中配置。然而本公开的实施例不限制于此，并且本公开可以包括地图信息在二维中配置的实施例。
在操作520中，计算设备可以基于地图信息和图像信息中的至少一个获取真实环境信息。真实环境信息可以包括位于通信路径上的物体和物体的特性。更具体地，可以分析二维图像信息，并基于分析的二维图像信息确定可能位于通信路径上的物体的特性。物体的特性可以包括物体表面的材质和物体的外部形状中的至少一个，并且在物体能够透射无线电波的情况下，可以包括与物体的形状和由于透射造成的信号衰减有关的信息。基本上，物体的信息(如类型、形状、高度、幅度和宽度)也可以包括在真实环境信息中。在该实施例中，可以基于深度运行技术来进行真实环境提取。更具体地，在该实施例中，如果计算设备通过包括与将在目标图像上提取的物体对应的类别信息的数据库进行机器学习，并基于学习结果输入目标图像，则计算设备可以在目标图像上提取该物体，并确定与所提取的物体对应的类别。更具体地，除了枝叶之外，影响传播环境的真实环境实体可以包括各种障碍物、建筑物外墙的材质等。为了准确地预测传播路径，除了影响传播环境的障碍物的位置之外，还提取传播环境的类型、高度、幅度、宽度信息中至少一种。此外，为了自动确定接收器和发射器的安装位置，可以提取诸如道路、路灯、安装杆、屋顶和窗户的真实环境实体。
在操作530中，基于在操作510和操作520中获得的信息，计算设备可以将通信路径的真实环境信息映射至三维地图信息。当真实环境信息映射到三维地图信息时，基于二维图像信息中包括的附加信息，可以将通过二维图像信息获取的附加信息映射至与三维地图信息对应的物体。另外，在本实施例中，计算设备可以基于在操作520中提取的物体的信息来构建(或生成)反映真实环境的3D地图信息。根据该实施例，计算设备可以将如枝叶等的障碍物和如杆和屋顶等的物体信息映射至商业地图，并且预测的材质和窗户可以与3D建筑形式匹配。障碍物和建筑物的材质信息可以根据对传播特性的影响进行分类，并且可以通过查找表和映射函数进行参数化，并稍后反映在射线追踪模拟上。
在操作540中，计算设备可以基于在操作530中生成的信息执行射线追踪模拟。在本实施例中，可以通过考虑特定方向上的光束而顺序地改变光束信息来进行射线追踪模拟，或者可以在假设发射器在所有方向上发射的光束在相同时间段内被发射的情况下进行射线追踪模拟。作为进行射线追踪模拟的结果，通过反映由接收器接收的从发射器发射的信号所通过的路径以及位于路径上的真实环境信息，可以预测和分析接收器能够接收的信号的质量。此外，当在该实施例中进行射线追踪模拟时，可以基于三维地图信息确定发射位置和接收位置中的至少一个，并且可以基于在操作530中映射的信息来确定信号发射环境。
在操作550中，可以基于射线追踪模拟获得结果值，并且可以基于获得的结果值和在真实环境中测量的值来进行附加的射线追踪模拟。更具体地，当将模拟结果值与真实环境测量值进行比较时，如果相比较的值不同，则可以基于真实环境测量值改变在操作520中获得的信息，以再次生成模拟结果值。如此，真实环境信息被反映在三维地图上以进行射线追踪模拟，从而更可靠地进行通信信道分析。更具体地，可以将发射器和接收器安装在进行射线追踪模拟的区域中，并且可以添加或更新用于基于接收器接收从发射器发射的信号的结果值进行射线追踪模拟的基本信息。
如此，基于射线追踪模拟结果，可以确定用于向地图中的特定区域提供无线服务的最佳发射器位置和接收器位置中的至少一个。如上所述，可以通过确定最佳基站位置来有效地进行网络设计。更具体地，可以确定最佳基站位置，从而有效地向特定区域中的无线终端提供无线信号。即使当通过确定最佳基站位置(如上所述)来安排更少数量的基站时，也可以提供有效服务。
另外，可以通过反映在真实环境中测量的信号接收信息来实现自适应性的网络管理。更具体地，如果在安装发射器之后改变周围环境，则考虑改变的环境可以进行附加的射线追踪模拟，并且可以进行诸如通过进一步反映结果值来调整发射器位置的网络管理。另外，除了调整发射器位置之外，这种网络管理还可以包括改变从发射器发射的波束相关信息。更具体地，发射器可以基于射线追踪模拟结果确定发射波束和接收波束。为了确定发射波束和接收波束，可以基于射线追踪模拟结果值进行光束对准。可以周期性地进行这种适应性网络管理。
在下文中，将对用于识别位于通信路径的物体和真实环境信息(为物体的特性信息)的方法进行详细说明。
图6A和图6B是示出根据本公开的一个实施例的位于通信路径上的物体和物体对信号的影响的图。
参考图6A，发射器发射的信号可能受位于通信路径(信号发射所通过的路径)上的物体的影响。也就是说，由于位于通信路径上的物体，信号衰减可能发生。
在本公开中，位于通信路径上的影响信号的物体可以统称为物体或障碍物。此时，可以根据其特性对位于通信路径上的物体的类型进行分类。
例如，可以将无线电波透射时可能发生信号衰减的障碍物定义为第一类型物体。可选地，第一类型物体可以定义为在传播期间或者在信号透射物体时由于衍射、散射和吸收中的至少一种而发生信号衰减的障碍物。第一类型物体可以包括例如树，并且可以包括除了树之外当无线电波透射、散射、衍射或吸收时发生信号衰减的其他物体。此外，第一类型物体可以定义为一些衍射、散射或吸收的参数。例如，本公开的第一类型物体可以定义为由于信号的散射和吸收中的至少一种而发生信号衰减的物体。
此时，根据信号衰减在幅度上的差异，第一类型物体可以划分为第一部分和第二部分。如果信号衰减的差异超过阈值，则第一类型物体可以划分为第一部分和第二部分。以树为例进行描述，在枝叶部分的信号衰减的幅度与树干部分的信号衰减的幅度之间的差异可能超过阈值，并且枝叶部分可以区别为第一部分以及主干部分可以区别为第二部分。然而，这仅是本公开的实施例，可以不将第一类型物体划分为第一部分和第二部分，或者可以将第一类型物体划分为更多部分。例如，没有枝叶的树可以不具有信号衰减的幅度差超过阈值的部分，并且可以不将第一部分和第二部分彼此区分开。另外，除第一类型物体以外的物体也可以划分为多个部分。
另一方面，由于无线电波的反射而发生信号衰减的障碍物可以定义为第二类型物体。例如，第二类型物体可以包括建筑物、街灯等。
另外，可以根据障碍物的特性来定义各种物体。
本公开提出了一种用于识别物体的特性信息并将所识别的特性信息反映在模拟上以增加模拟分析信道特性的准确度的方法，其中该物体的信号衰减是由于无线电波或信号的透射、散射、衍射或吸收中的至少一种而发生的。随着模拟准确度的提高，可以确定网络设计时的最佳发射(Tx)位置。由于无线电波的透射、散射、衍射或吸收中的至少一种而发生信号衰减的物体统称为物体。然而，如上所述，物体可以仅被定义为透射、散射、衍射和吸收的一些参数。
例如，本公开的物体可以指由于无线电波或信号的透射而引起的散射或吸收中的至少一种而发生信号衰减的物体。可选地，本公开的物体可以指由于无线电波或信号的透射、散射、衍射或吸收中的至少一种而发生信号衰减的物体。
可选地，本公开的物体可以指无线电波或信号的透射率、散射率或吸收率中的至少一个大于阈值的物体。可选地，本公开的物体可以指无线电波或信号的散射率、吸收率和衍射率中的至少一个大于阈值的物体。可选地，本公开的物体可以指信号的吸收率大于阈值吸收值的物体。可选地，本公开的物体可以指信号的衍射率大于临界衍射值的物体，并且本公开的物体可以包括上述两种情况。如上所述，物体可以仅定义为透射率、散射率、吸收率和衍射率的一些参数。
返回至图6A和图6B的描述，各种障碍物可以位于发射器和接收器之间，并且发射器发射的信号可以经由物体而减弱。然而，根据物体的特性信息，物体对信号可能具有不同的影响。例如，即使对于同一物体，对信号的影响也将根据物体的形状、尺寸和密度以及信号通过的物体的哪个部分而变化。
具体地，参考图6A，可以识别出树位于发射器和接收器之间。也就是说，在本公开中，物体可以包括例如树。此时，可以识别出在穿过枝叶密度较高的部分的信号602和信号603中发生较高的信号衰减(衰减7dB)，而在穿过枝叶密度较低的部分的信号601和信号604中发生较低的信号衰减(衰减5dB)。另一方面，可以识别出在未穿过物体的信号605中几乎不发生信号衰减。如上所述，由于对信号的影响可根据物体的特性信息而不同，因此需要一种用于识别物体的详细特性信息的方法。
然而，用于现有的网络设计的一般地图信息不能识别出物体的详细特性信息。
参考图6B，可以识别出只有关于物体分布程度的信息610包括在地图信息中。也就是说，根据相关技术，使用地图信息不能识别出每个物体的特性信息，并且仅可识别出物体的分布(阴影部分)。因此，本公开提供了一种用于通过基于地图信息和图像信息中的至少一个识别物体的详细特性来确定真实环境信息(物体的特性信息)的方法。
图7是示出根据本公开的一个实施例的识别位于通信路径上的物体的特性的方法的图。
参考图7，在操作710中，计算设备可以接收关于任意区域的图像信息。如上所述，图像信息可以包括附加信息，而附加信息可以包括拍摄信息，该拍摄信息包括所拍摄的图像的关于位置的位置信息、方向信息、视角信息和像素信息中的至少一个。
此外，计算设备可以接收地图信息。计算设备可以通过将从图像信息获得的物体的特性信息映射至接收到的地图信息生成新的地图信息。然而，接收地图信息的时刻并不限于操作710，并且计算设备可以在操作740执行之前接收地图信息。此外，计算设备可以不接收地图信息。
在操作720中，计算设备可以提取物体。此时，计算设备可以基于所接收的图像信息提取物体。
具体地，计算设备可以提取满足预定条件的物体，并且在本公开中，满足预定条件的物体优选为由于无线电波的透射、吸收、衍射和散射中的至少一种而发生信号衰减的物体。然而，本公开的预定条件并不限于此。如上所述，满足预定条件的物体可以指由于透射、吸收、衍射和散射中的至少一种而发生信号衰减的物体。另外，满足预定条件的物体可以指无线电波的吸收率、透射率、散射率和衍射率中的至少一个超过阈值的物体，或者可以指吸收率、散射率和衍射率中的至少一个超过阈值的物体。例如，在树的情况下，由信号吸收特性或衍射特性引起的信号衰减最大可能地会发生。另一方面，在建筑物的情况下，因为信号的吸收率相对较小，所以满足预定条件的物体可以是指信号的吸收率大于预定的临界吸收率的物体。此外，可以以相同的方式应用散射率和透射率，并且可以将两个或更多参数超过各自阈值的情况设置为条件。如此，可以根据将要提取的物体的特性来设置预定条件。例如，物体可导致每米(m)约7dB的衰减。
可选地，可以在各种条件下确定满足本公开的预定条件的物体，例如将由于反射而发生信号衰减的物体确定为满足预定条件的物体。
计算设备可以基于图像信息按类型识别位于通信路径上的障碍物。例如，可以将由于信号的透射、散射、衍射或吸收中的至少一种而发生信号衰减的障碍物(例如树)确定为第一类型物体。而且，如上所述，可以将信号的透射率、吸收率、散射率和衍射率中的至少一个大于阈值的物体确定为第一类型物体。
另外，可以将由于信号的反射而发生信号衰减的障碍物(例如建筑物和路灯)分类为第二类型物体。类似地，当信号的反射率大于预定的阈值时，可以将其分类为第二类型物体。
此外，可以将可移动的物体和具有像人一样的移动性的障碍物分类为第三类型物体。然而，如果移动速度等于或大于阈值，则信号可能不受影响。因此，用于仅将移动速度等于或小于阈值的障碍物分类为第三类型物体的方法是可行的。
另外，可以将能够产生干扰的障碍物分类为第四类型物体。另外，可以根据位于信号发射路径上的各种障碍物的特性对类型进行分类。在这种情况下，可以将满足预定条件的物体确定为第一类型物体。
因此，计算设备可以提取具有特性待识别的类型的物体。此时，可以包括至少一个物体。也就是说，当存在满足预定条件的多个物体时，计算设备可以通过图像信息提取满足预定条件的所有物体，并确定每个物体的特性。
在本公开中，将对利用满足预定条件的物体提取第一类型物体并识别特性信息的过程进行描述，但是如上所述，本公开的范围不限于此。也就是说，计算设备可以提取第二类型的物体以识别特性信息。此外，预定条件可以由用户更改或者可以根据周围情况而改变。
此外，计算设备可以在图像信息上显示提取的物体所在的部分。计算设备可以在图像信息上显示物体所在的部分，并在内部将图像上显示的区域转换为数据并使用该数据。在操作730中，计算设备可以提取物体的特性信息。物体的特性信息可以包括物体的形状信息、密度信息、尺寸信息等。此外，尺寸信息可以包括宽度信息、高度信息等。
此时，如上所述，可以根据信号衰减的程度将物体划分为两个或更多部分。如上所述，当信号衰减的幅度上的差异大于阈值时，可以将物体划分为第一部分和第二部分。在本公开中，将信号衰减幅度较大的部分定义为第一部分。此时，计算设备可以通过使用深度学习将物体划分为第一部分和第二部分。因此，计算设备可以将物体划分为第一部分和第二部分，并分别分析第一部分的特性和第二部分的特性。例如，计算设备可以确定物体的第一部分和第二部分的形状信息、密度信息和尺寸信息中的至少一个。可选地，计算设备可以识别上述信息中的一些，或者可以额外识别必要的信息。在这种情况下，额外必要的信息可以包括关于物体类型的信息等。
例如，在树的情况下，枝叶部分中的信号的透射和吸收程度可以根据树的种类而不同。因此，计算设备可以在分析通信环境时识别关于物体类型的信息以确定对信号的影响。
在操作740中，计算设备可以将物体的特性信息映射至地图信息。计算装置可以生成反映物体的特性信息的三维地图信息。
在操作750中，计算设备可以基于生成的地图信息来分析通信环境。具体地，计算设备可以使用地图信息进行模拟，并且可以通过进行反映如上所述的物体的特性的射线追踪模拟来提供更准确的模拟结果。此外，通过使用此结果设置至少一个发射器的最佳位置，并在与发射器相对应的射线中确定满足设置标准的射线，可以实现有效的网络设计。
图8是示出根据本公开的一个实施例的提取位于通信路径上的物体的详细方法的图。
参考图8，在操作810中，计算设备可以接收图像信息。这与操作710相同，下面将省略。
在操作820中，计算设备可以提取物体。计算设备可以基于基于深度学习的计算机视觉技术对包括在图像中的信息进行分类，并在其中提取满足预定条件的物体。深度学习是一种输入大量数据并对类似事物进行分类的技术。因此，计算设备可以通过深度学习数据标记图像信息以对包括在图像信息中的事物进行分类，并从中提取物体以识别特性信息。如上所述，计算设备可以对图像信息中的各种障碍进行分类，并且可以在其中识别满足预定条件的物体。
此外，如果存在没有通过图像信息提取的物体，则可以在操作825中更新没有通过被动方法提取的物体。此时，用户可以手动更新包括在图像中却未被提取的物体。
在操作830中，计算设备可以提取每个物体的位置信息。如上所述，图像信息可以包括拍摄信息，诸如拍摄的物体的位置信息、方向信息、视角信息和像素信息。因此，计算设备可以使用拍摄信息确定包括在图像信息中的物体的位置信息。
此时，可以使用以下方法来确定物体的位置信息。
计算设备可以使用在不同地方拍摄的图像信息。具体地，计算设备可以使用包括在图像信息中的纬度和经度信息、角度信息、像素信息等。计算设备可以使用该信息通过在不同位置拍摄的图像信息计算不同位置处的一个物体的方向信息和角度信息。另外，可以通过使用在至少三个位置处的一个物体的方向信息和角度信息来计算关于物体的位置信息。此时，物体的位置信息可以包括物体所在的地方的纬度信息和经度信息。
计算设备重复上述过程以识别每个物体的位置信息。计算设备可以将每个物体的位置信息存储在数据库(DB)中。
在操作840中，计算设备可以将位置信息映射至地图信息。
随后，在操作850中，计算设备可以提取图像的物体。
图9A、图9B和图9C是示出根据本公开的另一实施例的提取位于通信路径上的物体的方法的图。
参考图9A，示出了计算设备接收的图像信息。在图9A中，将对提取树(其为位于通信路径上的物体的示例)的方法进行描述。
图像信息包括第一物体911、第二物体912和第三物体913。将对用于由计算设备提取包括在图像信息中的第一物体911、第二物体912和第三物体913的方法进行描述。另外，可以识别图像信息910包括拍摄的图像的位置信息、方向信息、视角信息、像素信息等。
通过使用深度学习，计算设备可以对包括在图像信息中的各种类型的物体进行分类。
参考图9B，示出了通过深度学习分类的障碍物。通过深度学习按相同模式分类的物体可以包括在相同类型中。可以识别树木、车辆、人，道路和标志被分类为不同类型的物体。另外，可以识别多个树木被分类为相同类型的物体。然而，图9B中所示的方法仅为用于通过深度学习对物体进行分类的方法的示例，并且计算设备可以通过各种方法进行深度学习。例如，将人和车辆分类为与具有移动性的物体类型相同的方法也是可行的。
参考图9C，识别满足预定条件的物体为深度学习的结果的情况。计算设备可以通过深度学习识别物体，并且可以在图像上显示(921、922、923)所识别的物体。计算设备可以识别所识别的物体的位置信息。
如图9A所示，计算设备可以使用拍摄信息识别第一物体911、第二物体912和第三物体913之间的方位信息，并使用所识别的方位信息识别位置信息。
另外，计算设备可以识别每个物体的特性信息。因此，通过使用物体的位置信息可以将物体的特性信息映射至地图信息。
将对用于识别物体的特性的方法进行描述。
图10是示出根据本公开的一个实施例的用于确定物体的特性信息的方法的图。
参考图10，在操作1010中，计算设备可以识别所提取的物体。
在操作1020中，计算设备可以确定物体的形状信息。计算设备可以使用计算机视觉来识别沿着物体的边缘的形状，并通过分析预定形状或预定形状和相似性来对形状进行分类。
此外，当物体被划分为第一部分和第二部分时，计算设备可以分别识别第一部分和第二部分的形状，或者仅识别一个部分的形状。在这种情况下，物体的第一部分可以是指如上所述信号衰减的幅度较大的部分。
例如，如果物体是树，则信号衰减的幅度较大的第一部分可以对应于枝叶部分，并且计算设备可以对枝叶部分的形状进行分类。此时，预定形状可以包括例如三角形、圆形、正方形、倒三角形等，并且计算设备可以识别枝叶部分的形状。
另一方面，计算设备可以不检查作为第二部分的树干的形状。在树的情况下，树干部分的形状都是相似的，因此信号衰减的效果几乎不会由于形状差异而改变。可选地，在树的情况下，由于树干的形状几乎相似，因此计算设备可以使用预定形状。
在操作1030中，计算设备可以确定物体的尺寸信息。
计算设备可以使用包括在图像信息中的另一物体来识别物体的尺寸信息。尺寸信息可包括高度信息和宽度信息。计算设备可以使用另一物体的高度信息或宽度信息来确定物体的尺寸信息，并且在本公开中，另一物体的尺寸信息称为参考信息。
例如，参考信息可以包括位于物体周围的建筑物的高度信息、可移动的物体(例如汽车)的宽度信息等。
计算设备可以存储建筑物的高度信息、可移动的物体的宽度信息等。因此，计算设备可以使用参考信息和物体的尺寸比来确定物体的尺寸信息。可选地，计算设备可以使用参考信息计算图像信息的每一像素的长度，并且可以基于计算结果识别第一部分和第二部分的高度信息和宽度信息。
例如，如果一个可移动的物体的宽度是3m并且图像信息占据的像素区域是600px，则可以识别每1px宽度的长度为0.5cm。因此，计算设备可以通过将由物体的宽度占据的像素的数量乘以0.5来计算物体的宽度信息。下面将对详细的方法进行描述。
此外，如果将物体划分为第一部分和第二部分，则计算设备可以确定第一部分和第二部分中每一部分的尺寸信息。
在操作1040中，计算设备可以确定物体的密度信息。
计算设备可以使用计算机视觉确定密度信息。例如，计算设备可以将密度信息划分为三个级别，例如密度、中密度和低密度(稀疏)。计算设备可以确定物体的类型信息以确定密度信息。计算设备可以通过深度学习方法通过利用学习数据来识别每个物体的类型。计算设备可以基于物体的类型信息确定密度信息。
例如，如果物体是树，则计算设备可以通过深度学习识别树的类型。例如，树可以分为针叶树、阔叶树以及其他。此外，根据树木的种类，计算设备可以将针叶树确定为稀疏，将其他确定为中密度，而将阔叶树确定为密度。
另外，作为物体的特性信息的物体的类型信息也可以用于模拟。例如，可以根据物体的类型将散射程度、吸收程度和透射程度数字化，并将数字化信息反映在要用于模拟的地图信息上。此时，计算设备可以根据物体的类型将散射程度、吸收程度和透射程度中的至少一个数字化，并且将数字化信息反映在地图信息上。
此外，当物体划分为第一部分和第二部分时，计算设备可以分别确定第一部分和第二部分的密度信息，或者可以仅确定任意一个部分的密度信息。
例如，如果物体是树，则计算设备可以确定作为第一部分的枝叶部分的密度信息。
另一方面，作为树干的第二部分的密度信息对信号影响很小。因此，可不确定第二部分的密度信息。
然而，本公开的实施例不局限于此。也就是说，密度信息根据情况可以分类为三种或更多种状态。此外，在密度信息中，还可以根据形状信息有区别地确定物体的中心部分和外围部分的密度。
然后，在操作1050中，计算设备对包括在图像信息中的物体重复上述过程以确定每个物体的特性信息，并将确定的特性信息存储在数据库中。
此外，计算设备可以将获得的物体的特性信息映射至地图信息，并使用映射的信息进行模拟，并且根据模拟结果确定最佳Tx位置。
然而，在本公开中，计算设备可以在确定物体的特性信息的过程中确定形状信息、尺寸信息和密度信息中的至少一个。例如，当未计算密度信息时，计算设备仅将形状信息和尺寸信息映射至地图信息，并且可以使用映射的信息进行模拟。
图11是示出根据本公开的一个实施例的用于识别物体的形状信息的具体方法的图。
如上所述，计算设备可以使用计算机视觉沿着第一部分的边缘识别形状，并分析预定形状和相似性。此外，当物体划分为第一部分和第二部分时，计算设备可以分别识别第一部分和第二部分的形状，或者可以仅确定任何一个部分的形状。在图10中，将对识别第二部分的形状的示例进行描述。
参考图11，预定形状可以包括三角形1110、倒三角形1120、圆形1130、矩形1140等。因此，计算设备能够识别物体的第一部分的边缘的形状是否与任一预定形状(三角形、倒三角形、圆形或矩形)最为相似。
然而，预定形状不限于此。也就是说，可以将另一形状添加到预定形状，或者可以删除上述形状的一部分。
如果确定相似性的结果为相似性未超过阈值，则计算设备可以将第一部分的形状添加为新形状。
图12A和图12B是示出根据本公开的一个实施例的用于识别物体的尺寸信息的方法的图。
参考图12A，示出了用于确定物体的宽度信息的方法。计算设备可以通过使用位于物体附近的物体的信息来确定物体的宽度信息。例如，计算设备可以使用可移动的物体的宽度信息来确定物体的宽度信息。
此外，当物体被划分为第一部分和第二部分时，计算设备可以分别识别第一部分和第二部分的宽度，或者可以仅针对其中任意一个部分确定宽度。虽然图12A示出了确定第一部分的宽度的方法，不过可以基于所确定的宽度来确定第二部分的宽度。
此时，计算设备可以根据可移动的物体存储宽度信息。可选地，可以使用包括在图像信息中的信息来识别可移动的物体的宽度信息。因此，计算设备可以通过将可移动的物体的宽度与物体的宽度进行比较来确定物体的宽度信息，如图12A所示。
当可移动的物体的宽度为3m时，在物体1210的情况下，由于一个可移动的物体的宽度近似于第一部分的宽度，因此物体1210的宽度可以被确定为3m。此外，在物体1220的情况下，由于两个可移动的物体的宽度近似于第一部分的宽度，因此物体1220的宽度可以确定为6m。然而，两个可移动的物体的长度可能不同，而在这种情况下，可以使用可移动的物体的长度之和。
当可移动的物体和物体的宽度彼此不一致时，计算设备可以通过使用可移动的物体的宽度与物体的宽度的比例来确定物体的宽度信息。此外，计算设备可以使用如上所述的图像信息的像素信息来确定物体的宽度信息。
例如，如果一个可移动的物体的宽度是3m并且图像信息占据的像素区域是600px，则每1px宽度的长度可以被识别为0.5cm。当由物体的宽度占据的像素区域为800px时，计算设备可以通过将物体的宽度占据的像素的数量乘以0.5来计算出物体的宽度信息为4m。
参考图12B，示出了用于确定物体的高度信息的方法。计算设备可以通过使用位于物体附近的物体的信息确定物体的高度信息。例如，计算设备可以使用建筑物的高度信息确定物体的宽度信息。
此外，当物体被划分为第一部分和第二部分时，计算设备可以分别识别第一部分和第二部分的宽度，或者可以仅针对其中任意一个部分确定高度。在图12B中，将对用于分别确定第一部分和第二部分的高度的方法进行描述。
此时，计算设备可以存储关于物体周围的建筑物的高度的信息。可选地，计算设备可以使用包括在图像信息中的信息识别建筑物的高度信息。因此，计算设备可以通过比较建筑物的高度与物体的高度确定物体的高度，如图12B所示。
如果建筑物的第一层的高度为2m并且第一层到第二层的高度为3m，则可以计算出物体的第一部分1230的高度为2m，并且可以计算出第二部分1240的高度为3米。
当建筑物的高度与物体的高度不匹配时，计算设备可以使用建筑物的高度与物体的高度的比确定物体的高度信息。此外，计算设备可以使用如上所述的图像信息的像素信息确定物体的高度信息。
例如，如果建筑物的高度为10m并且图像信息占据的像素区域为1000px，则每1px高度长度可以识别为1cm。当由物体的高度占据的像素区域为800px时，计算设备可以通过将物体的高度占据的像素的数量乘以1计算出物体的高度信息为8m。
此时，作为物体的高度信息，可以分别确定第一部分的高度信息和第二部分的高度信息。在这种情况下，计算设备可以通过分别检查由第一部分占据的像素区域和由第二部分占据的像素区域确定每个部分的高度信息。
图13是示出根据本公开的一个实施例确定的特性信息的图。
参考图13，物体能够划分为第一部分和第二部分。
特性信息可以包括关于物体类型的密度信息1310和形状信息1320。在这种情况下，形状信息1320可以指第一部分的形状信息。
特性信息可以包括第一部分的宽度信息1330、第二部分的宽度信息1340、第一部分的高度信息1350和第二部分的高度信息1360。
另外，特性信息可以包括坐标形式的位置信息。
图14A和图14B是示出根据本公开的一个实施例的在三维地图信息上反映物体的特性信息的结果的图。
参考图14A，可以看出，根据本公开生成的地图信息不仅反映了物体的分布程度，还反映了每个物体的详细特性。例如，如果物体是树，则可以表示每棵树的位置，并且可以包括每棵树的详细特性信息，这与仅示出树的分布的现有地图信息不同。因此，可以在每棵树的位置将详细的特性信息反映到模拟。
参考图14B，示出了用于通过反映每个物体的特性进行模拟的方法。
计算设备在模拟过程期间能够使用第一物体1410的特性信息1401和第二物体1430的特性信息1403。
具体而言，参考图14B，在发射器15发射的信号穿过第一物体1410的同时，信号的强度被降低。此时，可以根据第一物体的特性信息确定信号强度的降低程度。此外，当信号从建筑物1(1420)反射出去时，信号的强度可以降低更多。此时，根据建筑物的材质等，可以确定由反射而引起的信号强度的降低的程度。此外，当信号穿过第二物体1430时，信号的强度可以降低更多。此时，可以根据第二物体1430的特性信息确定信号强度的降低程度。另外，当由信号从建筑物2(1440)反射出去而引起信号的强度降低更多时，信号可以到达接收器。
例如，当不考虑第一物体和第二物体时，在接收器处可以测量到信号衰减的幅度为-50dB。然而，通过考虑第一物体和第二物体，测量到信号衰减的幅度为-70dB。因此，可以更准确地实现详细模拟。
另一方面，如果从发射器11发射的信号穿过第二物体1440，则信号的强度被降低。
例如，在仅知道第二物体存在的现有方法中，可以一律地将信号衰减测量为-10dB，但是当通过反映物体的特性信息进行模拟时，信号衰减测量为-20dB，从而能够实现详细的模拟。
此外，从发射器15发射的信号和从发射器11发射的信号可以穿过第二物体1440的不同部分，并且可以根据物体的特性信息不同地反映出信号强度的降低程度。
如此，可以通过进行反映物体的特性的模拟提高模拟结果的准确度。
图15A是示出根据本公开的实施例的计算设备的图。
参考图15A，计算设备可以包括收发器1510、控制器1520和存储器1530。在本公开中，控制器可以定义为电路、专用集成电路或至少一个处理器。
收发器1510可以向计算设备外部的设备发射信号并从外部设备接收信号。更具体地，收发器1510可以向/从外部设备发射/接收数据。为此，可以提供有用于发射和接收的接口。
控制器1520可以控制计算设备的运转，并且可以作为整体控制计算设备执行与上述实施例中描述的计算设备有关的操作。控制器1520可以包括至少一个处理器。此外，处理器可以由包括执行本说明书的实施例中描述的方法的指令的程序控制。另外，程序还可以存储在存储介质中，该存储介质可以包括存储计算机程序代码的计算机可读存储介质。另外，存储介质可以包括易失性或非易失性存储器。存储器可以是能够存储数据的介质，并且其形式不受限制，只要其存储指令即可。
存储器1530可以存储与计算设备相关联的信息和通过收发器1510发射和接收的信息中的至少一个。此外，可以存储本公开的实施例中的模拟所需的所有信息，例如物体的特性信息和位置信息。另外，可以基于模拟结果和比较结果中的至少一个来添加、删除和更新存储在存储器1530中的信息。
图15B是示出根据本公开的实施例的控制器的配置的图。
参考图15B，控制器1520可以包括物体提取器1541和特性信息识别器1543。
控制器1520可以通过接口1545接收图像信息。可选地，控制器1520可以通过外部服务器(未示出)接收图像信息。
接收图像信息的控制器1520可以通过控制物体提取器1541提取物体1547。具体地，控制器1520能够提取满足预定条件的物体。基于基于深度学习的计算机视觉技术，控制器1520能够对包括在图像中的信息进行分类并提取满足预定条件的物体。
此外，控制器1520可以确定所提取的物体的位置信息。此外，控制器1520可以将提取的物体存储在数据库中。
控制器1520可以通过控制特性信息识别器1543识别所提取的物体的特性信息。
特性信息可以包括尺寸信息1549、密度信息1551、基于预定形状1557的形状信息1553等。详细内容与上述相同，因此将在下面省略。
控制器1520可以将物体的特性信息映射至地图信息1555。另外，控制器1520可以通过使用特性信息映射到的地图信息进行模拟来分析通信环境，并确定最佳Tx位置。
然而，控制器1520的操作不限于此，并且可以控制整个计算设备以执行与实施例中描述的计算设备有关的操作。
虽然已经参考本公开的各种实施例示出并描述了本公开，但是本领域的技术人员将理解，在不脱离所附权利要求及其等同物所限定的本公开的精神和范围的情况下，可以在本公开中进行形式和细节上的各种改变。

Claims (12)

1.一种用于分析无线通信系统中的通信环境的方法，所述方法包括：
获得与所述无线通信系统的区域有关的数据，所述数据包括图像信息；
基于所述图像信息获得影响所述无线通信系统中的信号的至少一个物体的信息；
显示基于所述至少一个物体的信息的所述至少一个物体中的每个的三维地图信息；
至少基于所述至少一个物体中的每个对信号的散射和衍射处理所述无线通信系统中的所述信号的分析；
当所述信号的衰减的幅度上的差异大于阈值时将所述至少一个物体划分为第一部分和第二部分，并分别分析所述第一部分的特性和所述第二部分的特性；以及
基于所述分析的结果，获得待布置的发射器和接收器的位置信息。
2.根据权利要求1所述的方法，其中：
显示所述至少一个物体中的每个的三维地图信息还包括显示所述至少一个物体中的每个的特性信息，以及
其中，所述至少一个物体中的每个包括至少一棵树。
3.根据权利要求1所述的方法，其中，
所述第一部分包括树的枝叶，以及所述第二部分包括树的树干。
4.根据权利要求2所述的方法，其中，所述无线通信系统中的所述信号的分析基于所述至少一个物体中的每个的特性信息被处理，
其中，所述特性信息包括所述至少一个物体的形状信息、尺寸信息或密度信息中的至少一个，
其中，所述特性信息包括所述至少一个物体中的每个的第一部分的形状信息、尺寸信息或密度信息中的至少一个，以及
其中，所述特性信息包括所述至少一个物体中的每个的第二部分的尺寸信息。
5.根据权利要求4所述的方法，
其中，所述形状信息包括三角形、倒三角形、正方形或圆形中的至少一种。
6.根据权利要求5所述的方法，
其中，所述尺寸信息包括高度信息或宽度信息中的至少一个，以及
其中，所述密度信息包括高密度状态、中密度状态或稀疏状态中的至少一种。
7.一种用于分析无线通信系统中的通信环境的计算设备，所述计算设备包括：
收发器；以及
至少一个处理器，配置为：
经由所述收发器获得与所述无线通信系统的区域有关的数据，所述数据包括图像信息；
基于所述图像信息获得影响所述无线通信系统中的信号的至少一个物体的信息；
显示基于所述至少一个物体的信息的所述至少一个物体中的每个的三维地图信息；
至少基于所述至少一个物体中的每个对信号的散射和衍射处理所述无线通信系统中的所述信号的分析；
当所述信号衰减的幅度上的差异大于阈值时将所述至少一个物体划分为第一部分和第二部分，并分别分析所述第一部分的特性和所述第二部分的特性；以及
基于所述分析的结果，获得待布置的发射器和接收器的位置信息。
8.根据权利要求7所述的计算设备，其中，
所述至少一个处理器进一步配置为显示所述至少一个物体中的每个的特性信息，以及
其中，所述至少一个物体包括至少一棵树。
9.根据权利要求7所述的计算设备，其中，
所述第一部分包括树的枝叶，以及所述第二部分包括树的树干。
10.根据权利要求8所述的计算设备，
其中，所述无线通信系统中的所述信号的分析基于所述至少一个物体中的每个的特性信息被处理，以及
其中，所述特性信息包括所述至少一个物体的形状信息、尺寸信息或密度信息中的至少一个。
11.根据权利要求10所述的计算设备，
其中，所述特性信息包括所述至少一个物体中的每个的第一部分的形状信息、尺寸信息或密度信息中的至少一个，以及
其中，所述特性信息包括所述至少一个物体中的每个的第二部分的尺寸信息。
12.根据权利要求11所述的计算设备，
其中，所述形状信息包括三角形、倒三角形、正方形或圆形中的至少一种，
其中，所述尺寸信息包括高度信息或宽度信息中的至少一个，以及
其中，所述密度信息包括高密度状态、中密度状态或稀疏状态中的至少一种。
CN201780070377.6A 2016-11-17 2017-11-17 基于物体的特性信息分析通信环境的方法和装置 Active CN109937543B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201662423412P 2016-11-17 2016-11-17
US62/423,412 2016-11-17
KR10-2016-0167131 2016-12-08
KR1020160167131A KR102531023B1 (ko) 2016-11-17 2016-12-08 무선 통신 시스템에서 물체의 특성 정보에 기반하여 통신 환경을 분석하는 방법 및 장치
PCT/KR2017/013123 WO2018093204A1 (en) 2016-11-17 2017-11-17 Method and apparatus for analyzing communication environment based on property information of an object

Publications (2)

Publication Number Publication Date
CN109937543A CN109937543A (zh) 2019-06-25
CN109937543B true CN109937543B (zh) 2022-09-23

Family

ID=62299527

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201780067096.5A Active CN109891781B (zh) 2016-11-17 2017-11-17 考虑物体的材质和轮廓分析通信信道的方法和装置
CN201780070377.6A Active CN109937543B (zh) 2016-11-17 2017-11-17 基于物体的特性信息分析通信环境的方法和装置

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201780067096.5A Active CN109891781B (zh) 2016-11-17 2017-11-17 考虑物体的材质和轮廓分析通信信道的方法和装置

Country Status (5)

Country Link
US (1) US11277755B2 (zh)
EP (2) EP3494655A4 (zh)
KR (2) KR102586208B1 (zh)
CN (2) CN109891781B (zh)
AU (2) AU2017361585B2 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11467148B2 (en) 2017-09-27 2022-10-11 Samsung Electronics Co., Ltd. Method and apparatus for analyzing communication environments and designing networks in consideration of trees
KR102355301B1 (ko) 2017-09-29 2022-01-25 삼성전자 주식회사 무선 통신 시스템에서 통신 환경을 분석하는 방법 및 장치
KR102442410B1 (ko) 2017-12-18 2022-09-14 삼성전자 주식회사 이동 가능 물체를 고려한 통신 환경 분석 및 망 설계를 위한 방법 및 장치
KR102373673B1 (ko) 2017-12-18 2022-03-14 삼성전자 주식회사 구조물의 전파 인입부를 고려한 통신 환경 분석 및 망 설계를 위한 방법 및 장치
KR102211847B1 (ko) * 2018-12-28 2021-02-03 국방과학연구소 경로 손실 지수 예측 시스템 및 방법
KR102286127B1 (ko) * 2019-08-29 2021-08-04 서울과학기술대학교 산학협력단 밀리미터파 채널 평가 방법
WO2021101333A1 (en) 2019-11-22 2021-05-27 Samsung Electronics Co., Ltd. Method and system for intelligent 3d aerial wireless transmission
KR20210076440A (ko) 2019-12-16 2021-06-24 삼성전자주식회사 나무 맵의 재성성 및 예측을 위한 방법 및 장치
WO2023016623A1 (en) * 2021-08-09 2023-02-16 Telefonaktiebolaget Lm Ericsson (Publ) Augmenting communication signal measurement with environmental information relative to a communication device
CN114095955B (zh) * 2021-11-08 2023-08-18 西安电子科技大学 基于凸多边形剖分的地对空覆盖的场景化波束生成方法
US20230146275A1 (en) * 2021-11-11 2023-05-11 At&T Intellectual Property I, L.P. Computer Vision-Based Dynamic Radio Frequency Planning and Optimization
CN114189302B (zh) * 2021-12-13 2023-10-20 国网山东省电力公司营销服务中心(计量中心) 一种面向用户分散场景的智能电网传输的无线通信信道建模方法
EP4319235A1 (en) * 2022-08-05 2024-02-07 Siemens Aktiengesellschaft A method for teaching an electronic computing device, a computer program product, a computer-readable storage medium as well as an electronic computing device

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2615862A1 (en) * 2012-01-12 2013-07-17 Honeywell International Inc. System for automatic object classification and tagging in an RF planning tool
CN104363616A (zh) * 2014-10-27 2015-02-18 山东润谱通信工程有限公司 一种室外到室内传播模型预测室内三维空间场强的方法
GB2530104A (en) * 2014-09-15 2016-03-16 Point4Uk Ltd Vegetation catergorisation

Family Cites Families (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5450615A (en) 1993-12-22 1995-09-12 At&T Corp. Prediction of indoor electromagnetic wave propagation for wireless indoor systems
US5623429A (en) 1994-04-06 1997-04-22 Lucent Technologies Inc. Techniques for expeditiously predicting electromagnetic wave propagation
US5949988A (en) * 1996-07-16 1999-09-07 Lucent Technologies Inc. Prediction system for RF power distribution
FI105384B (fi) 1997-10-03 2000-07-31 Nokia Networks Oy Menetelmä päätelaitteen sijainnin määrittämiseksi ja solukkoradiojärjestelmä
US7523411B2 (en) 2000-08-22 2009-04-21 Bruce Carlin Network-linked interactive three-dimensional composition and display of saleable objects in situ in viewer-selected scenes for purposes of object promotion and procurement, and generation of object advertisements
AU2002302935A1 (en) 2001-05-10 2002-11-18 David Chiel Deflector for tree-fruit harvester
JP4819303B2 (ja) 2002-10-23 2011-11-24 日本電気株式会社 移動通信システムにおける基地局設置設計方法及び基地局設置設計装置並びにプログラム
US7295119B2 (en) 2003-01-22 2007-11-13 Wireless Valley Communications, Inc. System and method for indicating the presence or physical location of persons or devices in a site specific representation of a physical environment
US20040259554A1 (en) 2003-04-23 2004-12-23 Rappaport Theodore S. System and method for ray tracing using reception surfaces
US7634265B2 (en) 2004-03-17 2009-12-15 Nec Corporation Radio wave propagation characteristic estimation system, and its method and program
KR20070089119A (ko) * 2004-07-23 2007-08-30 와이어리스 밸리 커뮤니케이션 인크 무선 네트워크 향상을 위해 무선 장치 또는 기반 구조의 위치를 결정하고 이용하는 방법
US8160594B2 (en) * 2006-12-28 2012-04-17 Hitachi, Ltd. Radio propagation estimating method and radio propagation estimating apparatus
US7764230B2 (en) 2007-03-13 2010-07-27 Alcatel-Lucent Usa Inc. Methods for locating transmitters using backward ray tracing
US8190400B1 (en) 2007-03-16 2012-05-29 The Mathworks, Inc. Thin client graphical presentation and manipulation application
US8134556B2 (en) 2007-05-30 2012-03-13 Elsberg Nathan Method and apparatus for real-time 3D viewer with ray trace on demand
KR100895299B1 (ko) 2007-05-30 2009-05-07 한국전자통신연구원 레이 트레이싱 방법을 이용한 전파 전달 모델링 방법 및 장치
US8755752B2 (en) 2009-02-03 2014-06-17 Nec Corporation Radio wave propagation characteristic estimation system, radio wave propagation characteristic estimation method, and radio wave propagation characteristic estimation program
CN101592690A (zh) 2009-05-05 2009-12-02 上海大学 基于射线跟踪法的电磁波传播预测方法
KR20110019117A (ko) 2009-08-19 2011-02-25 인하대학교 산학협력단 시멘틱 기반의 이미지 검색 방법
US8698671B2 (en) 2009-10-16 2014-04-15 Qualcomm Incorporated Binning venues into categories based on propagation characteristics
US8401148B2 (en) 2009-10-30 2013-03-19 Tomotherapy Incorporated Non-voxel-based broad-beam (NVBB) algorithm for intensity modulated radiation therapy dose calculation and plan optimization
DE102009047012A1 (de) 2009-11-23 2011-05-26 Robert Bosch Gmbh Verfahren zur Erfassung von Objekten
US8988970B2 (en) 2010-03-12 2015-03-24 University Of Maryland Method and system for dereverberation of signals propagating in reverberative environments
US8442552B2 (en) 2010-04-23 2013-05-14 Hewlett-Packard Development Company, L.P. Method and system for radio frequency coverage prediction in a multi-level wireless network
US8131312B2 (en) * 2010-05-24 2012-03-06 Nice Systems Ltd. Method and system for construction of radio environment model
US9955552B2 (en) * 2011-04-14 2018-04-24 Suntracker Technologies Ltd. Predictive daylight harvesting system
JP5765070B2 (ja) 2011-06-13 2015-08-19 ソニー株式会社 表示切換装置、表示切換方法、表示切換プログラム
US9651647B2 (en) * 2012-04-18 2017-05-16 Henry S. Owen, Llc Navigation track correction
WO2014005066A1 (en) 2012-06-28 2014-01-03 Experience Proximity, Inc., Dba Oooii Systems and methods for navigating virtual structured data relative to real-world locales
WO2014062934A1 (en) 2012-10-19 2014-04-24 Visa International Service Association Digital broadcast methods using secure meshes and wavelets
US9930558B2 (en) 2014-01-13 2018-03-27 Idac Holdings, Inc. High frequency radio environmental mapping and system procedures
US10200627B2 (en) 2014-04-09 2019-02-05 Imagination Technologies Limited Virtual camera for 3-D modeling applications
KR20150118734A (ko) 2014-04-15 2015-10-23 삼성전자주식회사 초음파 영상 장치 및 그 제어방법
US9805451B2 (en) 2014-06-24 2017-10-31 Hover Inc. Building material classifications from imagery
US9638792B2 (en) 2014-07-09 2017-05-02 Verizon Patent And Licensing Inc. Method and apparatus for detecting obstacles in propagation path of a wireless communication signal
WO2017062890A1 (en) 2015-10-08 2017-04-13 Decision Sciences Medical Company, LLC Acoustic orthopedic tracking system and methods
US10045352B2 (en) 2016-01-13 2018-08-07 Futurewei Technologies, Inc. Channel estimation in large scale MIMO systems using iterative location based spatial filtering
US20170277979A1 (en) 2016-03-22 2017-09-28 Inovision Software Solutions, Inc. Identifying defect on specular surfaces
EP3675382A1 (en) 2016-09-15 2020-07-01 QUALCOMM Incorporated System and method that facilitates beamforming from a vehicle user equipment
US10116381B1 (en) 2016-11-10 2018-10-30 Cable Television Laboratories, Inc Systems and methods for fixed satellite service protection using real-time measurement
US10820213B2 (en) * 2016-11-17 2020-10-27 Samsung Electronics Co., Ltd. Method and apparatus for analyzing communication environment based on property information of an object
GB201621652D0 (en) 2016-12-19 2017-02-01 Waterford Inst Of Tech Terahertz communication method and system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2615862A1 (en) * 2012-01-12 2013-07-17 Honeywell International Inc. System for automatic object classification and tagging in an RF planning tool
GB2530104A (en) * 2014-09-15 2016-03-16 Point4Uk Ltd Vegetation catergorisation
CN104363616A (zh) * 2014-10-27 2015-02-18 山东润谱通信工程有限公司 一种室外到室内传播模型预测室内三维空间场强的方法

Also Published As

Publication number Publication date
EP3494655A4 (en) 2019-12-04
KR20180055622A (ko) 2018-05-25
AU2017361585B2 (en) 2022-01-27
EP3497827A4 (en) 2019-08-28
AU2017361585A1 (en) 2019-04-04
AU2017360650A1 (en) 2019-04-04
AU2017360650B2 (en) 2022-03-10
KR102586208B1 (ko) 2023-10-10
CN109891781A (zh) 2019-06-14
CN109937543A (zh) 2019-06-25
EP3497827A1 (en) 2019-06-19
KR102531023B1 (ko) 2023-05-15
US20210044988A1 (en) 2021-02-11
US11277755B2 (en) 2022-03-15
CN109891781B (zh) 2022-11-25
EP3494655A1 (en) 2019-06-12
KR20180055623A (ko) 2018-05-25
EP3497827B1 (en) 2022-09-14

Similar Documents

Publication Publication Date Title
CN109937543B (zh) 基于物体的特性信息分析通信环境的方法和装置
CN111164913B (zh) 用于分析无线通信系统中的通信环境的方法和装置
US10820213B2 (en) Method and apparatus for analyzing communication environment based on property information of an object
CN109964422B (zh) 考虑与实际环境有关的信息来分析通信信道和设计无线网络的方法和设备
US10887029B2 (en) Method and apparatus for analysing communication channel in consideration of material and contours of objects
EP3659276B1 (en) Method and apparatus for analyzing communication environments and designing networks in consideration of trees
EP3567890B1 (en) Method and device for network design in wireless communication system
US11159952B2 (en) Analysis method and device for network design in wireless communication system
CN111492602B (zh) 考虑建筑物的无线电波入射单元的通信环境分析和网络设计的方法和装置
CN111149309A (zh) 考虑树的通信环境分析和网络设计方法及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant