CN110741665A - 对无人飞行器的三维网络覆盖建模 - Google Patents

对无人飞行器的三维网络覆盖建模 Download PDF

Info

Publication number
CN110741665A
CN110741665A CN201880036982.6A CN201880036982A CN110741665A CN 110741665 A CN110741665 A CN 110741665A CN 201880036982 A CN201880036982 A CN 201880036982A CN 110741665 A CN110741665 A CN 110741665A
Authority
CN
China
Prior art keywords
network
coverage
area
data
uav
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.)
Granted
Application number
CN201880036982.6A
Other languages
English (en)
Other versions
CN110741665B (zh
Inventor
S·P·墨菲
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.)
T Mobile USA Inc
Original Assignee
T Mobile USA Inc
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 T Mobile USA Inc filed Critical T Mobile USA Inc
Publication of CN110741665A publication Critical patent/CN110741665A/zh
Application granted granted Critical
Publication of CN110741665B publication Critical patent/CN110741665B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0011—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement
    • G05D1/0022—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement characterised by the communication link
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0004—Transmission of traffic-related information to or from an aircraft
    • G08G5/0013—Transmission of traffic-related information to or from an aircraft with a ground station
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/003—Flight plan management
    • G08G5/0034—Assembly of a flight plan
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/003—Flight plan management
    • G08G5/0039—Modification of a flight plan
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0047—Navigation or guidance aids for a single aircraft
    • G08G5/006—Navigation or guidance aids for a single aircraft in accordance with predefined flight zones, e.g. to avoid prohibited zones
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0047—Navigation or guidance aids for a single aircraft
    • G08G5/0069—Navigation or guidance aids for a single aircraft specially adapted for an unmanned aircraft
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2201/00—UAVs characterised by their flight controls
    • B64U2201/20—Remote controls

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Signal Processing (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了生成覆盖模型以预测区域上方空域的垂直分层三维部分的网络覆盖鲁棒性。接收位于区域中的无线通信网络的多个基站的网络配置数据。接收环境数据，该环境数据包括有关所述区域的自然和人造特征的信息。将区域上方的空域分隔为多个垂直分层的三维部分。至少基于网络配置数据和环境数据生成覆盖模型，所述覆盖模型用于预测区域上方空域中三维部分中无线通信网络的网络覆盖。

Description

对无人飞行器的三维网络覆盖建模
背景技术
无人飞行器(UAV)是由基于地面控制设备而非机载人类驾驶员控制的飞行器。UAV在民用和军事领域中的以日益增多的角色使用。这些角色可能包括执法监控、新闻和电影摄影、科学研究和监控、搜索和救援、货物运输、包裹递送等。尽管某些无人飞行器可以执行有限的自主飞行，但UAV通常依赖于基于地面控制设备提供的控制命令，按照指定的飞行路线进行飞行操纵和行驶。因此，UAV操作者可以使用由无线运营商提供的无线通信网络，将UAV操作者的基于地面的控制设备与执行飞行操作的UAV通信地链接。例如，无线通信网络可以用于连续地向UAV发送飞行控制命令和引导数据，以及从UAV接收UAV遥测和UAV操作状态信息。结果，UAV运营商不仅关注由无线通信网络在地面水平或接近地面水平提供的网络覆盖范围的鲁棒性，而且还关注整个区域空域中网络覆盖范围的鲁棒性。
附图说明
参照附图描述详细描述，其中附图标记的最左边的一个或更多个数字标识该附图标记首次出现的附图。在不同附图中使用相同附图标记表示相似或相同的条目。
图1示出了用于实现三维网络覆盖建模的示例环境，其用于预测由无线通信网络提供的网络覆盖的鲁棒性。
图2是示出针对无线通信网络执行三维网络覆盖建模的覆盖预测引擎的各个组件的框图。
图3是示出了用于绕过具有差的网络覆盖鲁棒性的空域的三维部分的区域或三维部分的UAV飞行路径修改的图。
图4是用于针对空域的三维部分中的位置，生成和使用覆盖模型来计算无线通信网络的网络信号鲁棒性的示例过程的流程图。
图5是用于使用覆盖模型来验证沿着UAV飞行路径的无线通信网络的网络覆盖鲁棒性的示例过程的流程图。
图6是用于更新覆盖模型的示例过程的流程图，该覆盖模型用于预测无线通信网络的网络覆盖鲁棒性。
具体实施方式
本公开针对使用三维网络覆盖建模来预测由无线通信网络提供的网络覆盖范围的鲁棒性的技术。区域上方的空域可以分为垂直分层的三维部分。可以基于无线通信网络的网络配置数据和环境数据来生成覆盖模型，以预测在空域的垂直分层的三维部分中网络覆盖的鲁棒性。在一些实施例中，覆盖模型可以用于预测区域上方的特定三维部分内的特定位置处的网络信号的鲁棒性。在一些情况下，可以响应于来自无人飞行器(UAV)操作者的查询，来执行这样的预测。
在其他实施例中，可以使用覆盖模型来预测沿着无人飞行器的飞行路径的网络覆盖信号的鲁棒性。预测的网络覆盖信号鲁棒性值可以用于确定：沿着穿越空域的多个三维部分的飞行路径的网络覆盖是否满足最小网络覆盖鲁棒性阈值。如果在飞行路径的某些部分的网络覆盖鲁棒性不能满足最小网络覆盖鲁棒性阈值，则由覆盖模型预测的网络信号鲁棒性值可以用于修改飞行路径的部分。
生成覆盖模型以预测空域的垂直分层三维部分的网络覆盖鲁棒性可以提高针对升高位置的网络覆盖鲁棒性预测的保真度。这些升高位置可能位于无人飞行器通常用于飞行操作的空域走廊内。相反，常规的二维覆盖模型可以被设计为提供恰好在地面水平以上或在低海拔处的网络覆盖鲁棒性预测。因此，与二维常规覆盖模型相比，能够预测空域的垂直分层三维部分的网络覆盖鲁棒性的覆盖模型可以提供更大的预测精度。结果，能够预测空域的垂直分层的三维部分的网络覆盖鲁棒性的覆盖模型可能适用于预测UAV命令和控制的网络覆盖。本文描述的技术可以以多种方式来实现。下面参考以下图1-7提供示例性实施方式。
示例环境架构
图1示出了用于实现基于无人飞行器(UAV)的蜂窝通信服务递送的示例环境100。环境100可以包括由无线电信运营商操作的无线通信网络102。无线通信网络102可以包括无线电接入网络和核心网络104。无线通信网络102可以根据一种或更多种技术标准提供电信和数据通信，技术例如用于GSM演进(EDGE)的增强数据速率、宽带码分多址(W-CDMA)、高速分组接入(HSPA)、长期演进(LTE)、CDMA-2000(码分多址2000)等。
无线电接入网络可以包括多个基站，诸如基站106(1)-106(N)。基站106(1)-106(N)负责处理用户设备与核心网络104之间的语音和数据流量。在某些情况下，用户设备可以包括智能手机、平板计算机、嵌入式计算机系统、或能够使用由无线通信网络102提供的无线通信服务的任何其他设备。例如，用户设备可以包括由UAV运营商控制的无人飞行器(UAV)108(1)-108(N)。UAV 108(1)-108(N)可以扮演不同的角色，例如执法监控、新闻和电影摄影、科学研究和监控、搜救、货物运输等。
基站106(1)-106(N)中的每一个可以提供传递电信和数据通信覆盖的相应网络小区。核心网络104可以使用网络小区来向用户设备提供通信服务。例如，核心网络104可以将UAV 108(1)-108(N)连接到UAV运营商的基于地面的控制设备。在各个实施例中，核心网络104可以包括一个或更多个实现网络组件的计算设备110。网络组件可以包括服务GPRS支持节点(SGSN)和网关GPRS支持节点(GGSN)，该服务GPRS支持节点将语音呼叫路由到公共交换电话网络(PSTN)，或从其路由语音呼叫；网关GPRS支持节点(GGSN)处理外部分组交换网络和核心网络104之间的数据通信的路由。网络组件可以进一步包括在GGSN和互联网之间路由数据流量的分组数据网络(PDN)网关(PGW)。另外，覆盖预测引擎112可以由核心网络104的计算设备110实现。
覆盖预测引擎112可以生成覆盖模型114，覆盖模型114用于预测区域上方空域的多个垂直分层的三维部分(例如三维部分116(1)-116(N))中的网络覆盖。在一些实施例中，三维部分可以由相应基站提供的网络小区的地面水平信号边界水平界定。然而，在其他实施例中，三维部分可以水平地涵盖由相应基站提供的多个网络小区。三维部分的垂直层可能会被地面水平上方的海拔高度垂直限制。例如，三维部分的第一层(例如三维部分116(1))可以位于海平面与海平面之上100英尺之间。三维部分的第二层(例如三维部分116(2))可以位于海平面之上100英尺至海平面之上200英尺之间。同样，三维部分的第三层(例如，三维部分116(N))可以位于海平面之上200英尺至海平面之上300英尺之间，依此类推。
在一些实施例中，三维部分的层的垂直高度可以在整个层中保持恒定。然而，在其他实施例中，三维部分的层的垂直高度可以随着地面水平之上高度的增加而增加，或者随着地面水平之上高度的增加而减小。在其他实施例中，指派给三维部分的层的垂直高度可以根据其他因素而变化。这样的因素可以包括人造结构在该区域中的分布，该区域中的大气条件，该区域中的自然地形特征等。在区域中的大气条件可包括温度、空气密度、沉淀速率、和/或影响无线电信号传播的其他条件。因此，各层的垂直高度可以被指定为使得与其他层中的三维部分相比，每层中的三维部分具有彼此共同的更多的无线电信号传播特性(例如，信号路径损耗)。
覆盖预测引擎112可基于网络配置数据和环境数据来生成覆盖模型114。网络配置数据可以包括用于区域中的基站的配置信息。基站的配置信息可以包括站点位置、天线高度、天线类型、天线方向、天线下倾斜角、射频(RF)频段、RF功率输出、数据传输速率等。环境数据可以包括关于以下的信息：自然障碍物(例如，山118)、人造结构(例如，建筑物120)、地形轮廓、植被/生物量分布和/或引起无线电信号的路径衰减的其他因素。
覆盖预测引擎112可以使用覆盖模型114来预测区域之上特定三维部分内特定位置的网络信号的鲁棒性。在某些情况下，可以响应于来自UAV运营商的查询来执行这样的预测。在其它实施例中，覆盖预测引擎112可以使用该覆盖模型114，预测沿UAV的飞行路径的网络信号的鲁棒性。网络信号的鲁棒性可以以多种方式表达，诸如经由信号强度值或信号质量值。可以经由接收信号强度指示符(RSSI)、参考信号接收功率(RSRP)、接收信道功率指示器(RCPI)、或其他测量值，来测量信号强度。可以通过能量与接口之比(ECIO)、参考信号接收质量(RSRQ)、信号与干扰加噪声之比(SINR)、或其他测量方法来测量信号质量。预测的网络信号鲁棒性值可以用于确定：沿着穿越空域的多个三维部分的飞行路径的网络覆盖是否满足最小鲁棒性阈值。
在飞行路径的某些部分的网络覆盖鲁棒性不能满足最小网络覆盖鲁棒性阈值的情况下，由覆盖模型114预测的网络信号鲁棒性值可以用于修改飞行路径的这些部分。执行修改，以使在飞行路径的所有部分的网络覆盖的鲁棒性都高于最小鲁棒性阈值。在另外的实施例中，覆盖预测引擎112可以将从UAV或其他数据源获得的空域的三维部分中的测量的网络信号鲁棒性值用作反馈数据，以进一步更新覆盖模型以增加网络覆盖质量预测的准确性。在其他实施例中，覆盖预测引擎112可以基于对网络配置数据或环境数据的修改，来更新覆盖模型114。
示例覆盖预测引擎组件
图2是示出覆盖预测引擎的各个组件的框图，其为无线通信网络执行三维网络覆盖建模。覆盖预测引擎112可以在一个或更多个计算设备110上实现。计算设备110可以是无线电接入网络或核心网络104的一部分。替代地，计算设备110可以由与无线通信网络102不同的第三方服务提供商来操作。计算设备110可以包括通用计算机、服务器或其他能够接收输入、处理输入并生成输出数据的电子设备。在其他实施例中，计算设备110可以是托管在云中的虚拟机或软件容器形式的虚拟计算设备。
计算设备110可包括通信接口202、一个或更多个处理器204、存储器206和设备硬件208。通信接口202可包括无线和/或有线通信组件，其使计算设备能够经由无线通信网络102和/或附加网络，将数据发送至其他联网设备和/或从其接收数据。例如，附加网络可以是局域网(LAN)、较大的网络(例如，广域网(WAN))或网络的集合(例如，互联网)。设备硬件208可以包括附加硬件，附加硬件执行用户界面、数据显示、数据通信、数据存储和/或其他服务器功能。
可以使用诸如计算机存储介质之类的计算机可读介质，来实现存储器206。计算机可读介质至少包括两种类型的计算机可读介质，即计算机存储介质和通信介质。计算机存储介质包括以用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术实现的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储技术、CD-ROM、数字存储磁盘或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备、或任何其他可用于存储信息以供计算设备访问的非传输媒体。相反，通信介质可以在调制数据信号(诸如载波或其他传输机制)中体现计算机可读指令、数据结构、程序模块、或其他数据。
计算设备110的处理器204和存储器206可以实现操作系统210和覆盖预测引擎112。操作系统210可以包括使计算设备110能够经由各种接口(例如，用户控件、通信接口、和/或存储器输入/输出设备)接收和发送数据，以及使用处理器204生成输出的过程数据的组件。操作系统210可以包括呈现组件的呈现组件(例如，在电子显示器上显示数据、将数据存储在存储器中、将数据发送到另一电子设备等)。另外，操作系统210可以包括执行通常与操作系统相关联的各种附加功能的其他组件。存储器206可以进一步包括数据存储器212。
覆盖预测引擎112可以包括数据接口模块214、建模模块216、查询模块218、路径分析模块220和用户界面模块222。这些模块可以包括执行特定任务或实现特定抽象数据类型的例程、程序指令、对象、和/或数据结构。数据接口模块214可以使用调度器来检查并从多个数据源(例如，网络数据源224)中获取数据。调度器可以基于可配置策略来执行检查和获取。例如，可配置策略可以指定源数据位置、数据获取频率、数据保留期和数据处置日期/时间。在各种实施例中，数据接口模块214可以采用数据适配器，从数据源获得数据文件。数据适配器可以使用文件传输协议(FTP)、超文本传输协议(HTTP)发布、直接网络基础结构元件连接、和/或其他数据传输协议，从数据源中获取数据文件。数据可以是JavaScript对象表示法(JSON)记录、结构化查询语言(SQL)记录等形式。
在一些实施例中，数据接口模块214可以执行数据完整性测试，以查证所接收的数据文件的完整性。在某些情况下，数据接口模块214接收的数据文件可以包括加密数据。因此，数据接口模块214可以使用非对称或对称加密算法来解密数据。数据接口模块214可以进一步合并来自多个数据文件的数据，使得合并的数据可以被馈送到其他模块中以进行分析。
在各个实施例中，数据接口模块214可以从网络数据源224获取网络配置数据226和环境数据228。网络配置数据226可以包括区域中的基站的配置信息。基站的配置信息可以包括站点位置、天线高度、天线类型、天线方位、天线向下倾斜角、RF频带、RF功率输出、数据传输速率等。环境数据228可以包括关于自然障碍物(例如，山118)、人造结构(例如，建筑物120)、地形轮廓、植被/生物量分布、和/或引起无线电信号的路径衰减的其他因素的信息。数据接口模块214可以进一步从多个数据源获取测量的覆盖数据。例如，无线通信网络102的无线运营商可以进行UAV测试飞行，以测量该区域中不同位置处的网络信号鲁棒性值。在另一实例中，第三方UAV运营商可以为其UAV配备网络信号测量仪器，以在测量数据库中收集网络信号的鲁棒性值。因此，当第三方UAV运营商的UAV执行例行活动时，其可以收集网络信号鲁棒性值，以存储在测量数据库中。测量数据库中的每个条目可以包括以下信息：信号鲁棒性值、在其中测量信号鲁棒性值的三维坐标集(即经度值、纬度值和海拔值)，相关联的RF频段、测量的时间和日期等等。因此，数据接口模块214可以与计算设备230交互，以从由无线通信网络102或第三方UAV运营商维护的测量数据库234获取测量的信号鲁棒性值232。
建模模块216可以生成覆盖模型(例如覆盖模型114)，该覆盖模型用于预测区域上空域中多组三维坐标处的附加信号鲁棒性值。多组三维坐标可以位于该区域上方的空域的各个垂直分层的三维部分中。在一些实施例中，三维部分的垂直和水平尺寸可以由用户手动输入到建模模块216中。例如，用户可以指定三维部分的水平边界，以反映网络小区的信号边界，并且以规则的增量(例如距地面水平每100英尺)指定三维部分的垂直高度。
在其他实施例中，建模模块216可以基于多个因素，自动指定各个层中的三维部分的垂直尺寸。该因素可以包括区域中的人造结构的分布、区域中的大气条件、区域中的自然地形特征等。在区域中的大气条件可包括温度、空气密度、沉淀的速率、和/或影响无线电信号传播的其他条件。因此，各层的垂直高度可以被指定为使得与其他层中的三维部分相比，每层中的三维部分具有彼此共同的更多的无线电信号传播特性(例如，信号路径损耗)。
建模模块216可以使用机器学习算法来生成覆盖模型，例如覆盖模型114。建模模块216可以采用各种分类方案(显式和/或隐式训练)和/或系统来生成覆盖模型。分类器是将输入属性向量x＝(x1，x2，x3，x4，xn)映射到输入属于一个类的置信度的函数，即f(x)＝置信度(类)(confidence(class))。该分类可以采用基于概率和/或统计的分析(例如，考虑到分析效用和成本因子)，来生成覆盖模型。支持向量机(SVM)是建模模块216可以采用的分类器的示例。SVM通过在可能的输入空间中找到一个超曲面来进行操作，该超曲面试图将触发标准与非触发事件分开。其他有向和无向的模型分类方法包括例如朴素贝叶斯、贝叶斯网络、判定树、神经网络、模糊逻辑模型，还可以使用提供不同独立性模式的概率分类模型。
建模模块216使用训练数据生成覆盖模型，训练数据可以包括区域的网络配置数据226、区域的环境数据228、以及该区域的空域中的垂直分层三维部分的尺寸边界的位置。训练数据可以进一步包括在各个位置处的测量的信号鲁棒性值，即该区域的空域中的多组三维坐标。在某些情况下，用作训练数据的每个信号鲁棒性值可以与高度范围而不是特定的高度坐标相关联。例如，信号鲁棒性值可以与海平面以上100-200英尺的海拔范围相关联，而不是与海平面以上160英尺的海拔坐标相关联地输入到建模模块216中。在该情况下，与信号鲁棒性值相关联的海拔范围可以对应于垂直分层的三维部分的垂直高度。使用这种信号鲁棒性值可以减少模型生成复杂度和/或减少覆盖模型的生成时间。因此，建模模块216可以生成覆盖模型，该覆盖模型能够针对位于该区域的空域中的不同组的三维坐标来预测信号鲁棒性值。
在各种实施例中，覆盖模型可以预测给定位置的信号鲁棒性值或信号鲁棒性向量。换句话说，给定位置(x，y，z)，覆盖模型函数CM(x，y，z)可以提供信号鲁棒性值RS，或一组无线信号鲁棒性值R(RS1，RS2，……，RSN)。设定值R中的值不一定依顺序。理论上，覆盖模型函数CM为函数域的每个空间点提供信号鲁棒性。在实际实践中，为域中的所有空间点创建确定性CM是不切实际的。因此，如果可以为域中的大量空间点确定鲁棒性，则可以将要建模的区域上方的空域细分为多个梯度，即具有基本相似的无线信号鲁棒性值的空域体积。如果两个值彼此之间在预定距离(通常是标量差)之内，则两个无线信号鲁棒性值本质上相似。例如，如果信号鲁棒性值是一组值，则如果所有值都在彼此的预定距离内，则这两组基本相似。
生成确定性覆盖模型函数CM的一个困难是覆盖条件不一定是静态的。例如，建筑物和地形通常会随着时间的推移而相同，但是天气会每天(有时是每小时)变化。突然的雷暴天气可能会大大改变信号的鲁棒性。即使是建筑物和地形也充其量是半静态的。正在建造的新的建筑物，曾经被树木覆盖的山丘可能会被一个住宅区所取代，从而改变覆盖。网络条件可能会发生巨大变化，范围从添加新基站到天线故障甚至基站故障。
因此，适当的覆盖模型函数不仅考虑空间输入，还考虑网络和环境输入。这样的扩展覆盖模型函数CME(x，y，z，N1，N2……Nm，E1，E2，……En)可以生成RS或者一组R，这不仅可以给定空间变量，而且可以给定在网络配置数据226中的网络条件N1……Nm和在环境数据228中的环境条件E1……En。因此，扩展覆盖模型CME不仅可以为空间位置生成梯度，还可以为网络和/或环境条件生成梯度。为了解决广大范围的动态变化，建模模块216可以基于针对一个或更多个位置的训练数据来生成初始覆盖模型。训练数据可以从不同的来源收集，其中可以通过UAV飞行并测量那些位置的信号鲁棒性来收集主要的训练数据。
然而，对于所有动态条件收集数据可能是不切实际的。在这种情况下，主要训练数据可以补充有从其他位置推断的数据。具体地，建模模块216可以获取该数据的数据推断，并且基于网络条件和/或环境条件对数据进行聚类。从那些群集，建模模块216可以推断信号鲁棒性值的变化。例如，如果来自另一个位置的数据将数据聚类为E5值为A的第一群集和E5值为B的第二群集，而所有其他值基本相似，并且对于值B的信号鲁棒性下降30％，则建模模块216可以通过生成主要数据的副本来生成补充训练数据(除了示出基于从A到B的改变而相对于原始N5值修改的N5)，并且示出信号鲁棒性值的类似改变。
举例来说，可能存在来自两个不同位置的两个测试数据记录：CME(100，100，100，N1，N2、5，E1，E2，E3)＝10和CME(105、103、97，N1，N2、10，E1，E2，E3)＝7，其中前三个变量是空间变量x，y，z。换句话说，将N3加倍会使RS下降30％。此外，主要训练数据可以包括以下值：CME(202，65，22，N1，N2、18，E1，E2，E3)＝20。在这种情形下，建模模块216可以通过将N3加倍但也将RS降低30％而推断出辅助训练值，这导致CME(202，65，22，N1，N2、36，E1，E2，E3)＝14。在各种情况下，推断可能不是加倍或百分比。相反，基于网络或环境变量，这些更改可以是加性、乘法、二进制、逻辑、或任何数学确定性关系。在实践中，当收集到现实世界中测量的信号鲁棒性值时，建模模块216可以优先使用现实世界数据而不是辅助数据。因此，当收集历史数据时，可以逐步淘汰建模模块216对辅助数据的使用。有时，随着去除辅助推断数据，机器学习算法可能会通过较大部分的历史数据的重新训练。
因此，建模模块216可以基于对训练数据的更新来更新覆盖模型，训练数据以以下版本：以网络配置数据226的更新版本，环境数据228的更新版本和/或新的测量信号鲁棒性值232。在一些实施例中，获取此类数据可以触发建模模块216，以生成新版本的覆盖模型。其他实施例中，建模模块216可以将在特定时间段内接收到的更新存储在数据存储器212中，然后基于在特定时间段内存储的更新、以规则的间隔生成新版本覆盖模型。
查询模块218可以接收在各组三维坐标处的针对信号鲁棒性值的第三方查询。例如，第三方UAV运营商的计算设备230可以向覆盖预测引擎112发送查询236。在各种实施例中，查询模块218可以包括应用程序接口(API)，应用程序接口(API)可以由计算设备230上的应用程序调用，以请求针对一组三维坐标的信号鲁棒性值。作为响应，查询模块218可以使用覆盖模型(例如覆盖模型114)，来预测该组三维坐标的信号鲁棒性值。查询模块218然后可以将针对该组三维坐标的预测信号鲁棒性值返回给计算设备230。
路径分析模块220可以分析由第三方(例如第三方UAV运营商)上传的飞行路径，以验证沿着飞行路径的网络覆盖。例如，第三方UAV运营商的计算设备230可以将UAV的建议飞行路径发送到覆盖预测引擎112。在各个实施例中，查询模块218可以包括可以由计算设备230请求飞行路线的网络覆盖验证的应用程序调用的另一个API。飞行路径可以包括定义飞行路径的多组3维坐标。路径分析模块220可以使用覆盖模型来预测在每组三维坐标处的信号鲁棒性值。随后，路径分析模块220可以将信号鲁棒性值与最小信号鲁棒性阈值进行比较。在一些情况下，最小信号鲁棒性阈值可以是由第三方连同用于分析的飞行路径输入的阈值。在其他情况下，最小信号鲁棒性阈值可以是由用户向覆盖预测引擎112输入的预设阈值。
路径分析模块220将信号鲁棒性值与最小信号鲁棒性阈值进行比较，该比较可以揭示在最小信号鲁棒性阈值以下的一个或更多个信号鲁棒性值。当通过输入的设置来配置时，这样的失败的鲁棒性值可以触发路径分析模块220来修改飞行路径。在一些实施例中，当多个这样的失败信号鲁棒性值达到预定值阈值时，路径分析模块220可以被触发以修改飞行路径。在其他实施例中，当与故障信号鲁棒性值相对应的多组三维坐标指示针对此类故障值行进的距离超过预定距离阈值时，路径分析模块220可以被触发以执行修改。在其他实施例中，第三方可能已经提供飞行路径的一部分的估计行进速度，其与对应于与故障值相关联的一组三维坐标相对应。这样，路径分析模块220可以计算用于穿越距离的时间量，在该穿越距离期间信号鲁棒性值低于最小信号鲁棒性阈值。因此，当时间量超过预定时间阈值时，路径分析模块220可以被触发以修改飞行路径。在图3中进一步示出了路径分析模块220对飞行路径的修改。
图3是示出了用于绕过具有差的网络覆盖鲁棒性的空域的三维部分的区域或者三维区域的UAV飞行路径修改的图。如情形302所示，UAV 306的建议飞行路径304可以与三维部分310中的覆盖间隙308相交。覆盖间隙308是路径分析模块220已经确定无线通信网络102提供的网络覆盖的信号鲁棒性值不满足最小信号鲁棒性阈值。因此，路径分析模块220可以为绕过覆盖间隙308的飞行路径304生成替代飞行路径部分312。替代飞行路径部分312可以穿越不同的三维部分(例如三维部分314)，在其中沿着替代飞行路径部分312的信号鲁棒性值满足或超过最小信号鲁棒性阈值。虽然在图3中将三维部分314示出为在三维部分310之上，但是在其他情况下，三维部分314也可以在三维部分310之下或邻近于三维部分310。
在情形316中，UAV 320的建议飞行路径318可以与三维部分324中的覆盖间隙322相交，该覆盖间隙322本质上与覆盖间隙308相类似。因此，路径分析模块220可以生成绕过覆盖间隙322的飞行路径318的替代飞行路径部分326。替代飞行路径部分326可以穿越三维部分324的一部分，其中沿着替代飞行路径部分326的信号鲁棒性值满足或超过最小信号鲁棒性阈值。
返回图2，经修改的飞行可以由路径分析模块220发送到提交了建议的飞行路径的第三方的计算设备230。然而，在用户已经停用路径分析模块220的飞行路径修改功能的情况下，路径分析模块220可以将针对所建议的飞行路径的网络覆盖范围不足的指示返回给计算设备230。在一些示例中，该指示可以包括影响建议的飞行路径的一个或更多个覆盖间隙的位置信息或地图可视化信息。替代地，路径分析模块220将建议的飞行路径的信号鲁棒性值与路径分析模块220的最小信号鲁棒性阈值进行比较，这可以导致确定值满足或超过最小信号鲁棒性阈值。在这种情况下，路径分析模块220可以向计算设备230返回可接受所建议的飞行的指示。
用户界面模块222可以使用户能够经由用户界面控件与覆盖预测引擎112交互。所述用户界面控件可以包括数据输出设备(例如，视觉显示器、音频扬声器)，和一个或更多个数据输入设备。数据输入设备可以包括但不限于小键盘、键盘、鼠标设备、接受手势的触摸屏、麦克风、语音或语音识别设备以及任何其他合适的设备或其他电子/软件选择方法中的一种或多种的组合。因此，用户可以输入区域上空域的三维部分的尺寸值，建立最小信号鲁棒性阈值，配置其他阈值和设置等等。
数据存储器212可存储由覆盖预测引擎112处理或生成的数据。数据存储器212可包括一个或更多个数据库，例如关系数据库、对象数据库、对象关系数据库、和/或存储数据的键值数据库。例如，存储在数据存储器212中的数据可以包括覆盖模型114、信号鲁棒性值240、修改的飞行路径242和/或其他数据。
示例过程
图4-6呈现了用于实现三维网络覆盖建模的说明性过程400-600。过程400-600中的每个过程被示为逻辑流程图中的框的集合，其表示可以以硬件、软件或其组合来实现的一系列操作。在软件的背景中，框代表计算机可执行指令，当指令由一个或更多个处理器执行时，计算机可执行指令执行所述操作。通常，计算机可执行指令可以包括执行特定功能或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等。描述操作的顺序不旨在被理解为限制性的，并且可以以任何顺序和/或并行地组合任意数量的所描述的框以实现该过程。为了讨论的目的，参考图1的环境100描述了过程400-600。
图4是用于针对空域的三维部分中的位置，生成和使用覆盖模型来计算无线通信网络的网络信号鲁棒性的示例过程的流程图。在框402处，覆盖预测引擎112可以接收位于区域中的无线通信网络的多个基站的网络配置数据226。在各种实施例中，网络配置数据226可以包括关于多个基站的站点位置、天线高度、天线类型、天线方位、天线向下倾斜角、RF频带、RF功率输出、数据传输速率等等的信息。
在框404，覆盖预测引擎112可以接收对在该区域的自然和人为特征的环境数据228。在各种实施例中，环境数据228可以包括关于自然障碍、人造结构、地形轮廓、植被/生物量分布、和/或引起无线电信号的路径衰减的其他因素的信息。在框406中，覆盖预测引擎112可以将区域上方的空域分成多个垂直层叠的三维部分。在各个实施例中，三维部分可以由一个网络小区或多个网络小区的地平面信号边界水平界定。此外，垂直分层的三维部分可以由地平面以上的高度垂直界定。
在框408中，覆盖预测引擎112可基于网络配置数据226和环境数据228生成覆盖模型114。覆盖模型114可用于预测区域上方的三维部分中的网络覆盖区域。在各种实施例中，可以使用机器学习算法来生成覆盖模型114，该机器学习算法可将网络配置数据、环境数据228、三维部分的边界位置用作训练数据。训练数据可以进一步包括在该区域的空域中的各种三维坐标处的已知信号鲁棒性值。
在框410处，覆盖预测引擎112可以从第三方设备接收对该区域上方的特定三维部分内的特定位置的信号鲁棒性值的请求。在各种实施例中，信号鲁棒性值可以是信号强度测量或信号质量测量。在框412处，覆盖预测引擎112可以使用覆盖模型114来计算特定位置的预测的网络信号鲁棒性值。在框414处，覆盖预测引擎112可以将预测的网络信号鲁棒性值发送给发起请求的第三方设备。
图5是用于使用覆盖模型来验证沿UAV飞行路径的无线通信网络的网络覆盖鲁棒性的示例过程500的流程图。在框502，覆盖预测引擎112可以从计算设备(例如，计算设备230)接收用于UAV的飞行路径。该计算设备可以属于第三方UAV运营商，第三方UAV运营商使用无线通信网络102以将UAV可通信地链接到基于地面的控制设备。覆盖预测引擎112可以从计算设备上的应用程序接收飞行路径，以及对飞行路径的网络覆盖验证的请求。飞行路径可以包括定义飞行路径的多组三维坐标，其中飞行路径穿越多个三维部分。在框504处，覆盖预测引擎112可以应用覆盖模型114来确定无线通信网络102沿着穿越多个三维部分的飞行路径所提供的网络覆盖。
在框506处，覆盖预测引擎112可以确定飞行路径的预测信号鲁棒性值是否在飞行路径所穿越的特定三维部分的区域中，下降到预定的最小信号鲁棒性阈值以下。因此，在判定框508，如果覆盖预测引擎112确定预测的信号鲁棒性值在最小信号鲁棒性阈值以下(在判定块508为“是”)，则过程500可以进行到框510。在框510，覆盖预测引擎112可以向计算设备发送指示该区域的信号不足的通知。
在判定框512，覆盖预测引擎112可以确定是否要修改穿越具有不足的预测信号鲁棒性值的区域的飞行路径。在一些实施例中，覆盖预测引擎112可以基于作为网络覆盖验证请求的一部分的设置，来做出该确定。在其他实施例中，可以基于管理员输入到覆盖预测引擎112中的设置，来做出该确定。
因此，如果覆盖预测引擎112确定要修改飞行路线(判定框512中为“是”)，则过程500可以前进至框514。在框514处，覆盖预测引擎112可以修改用于将UAV转向到另一个区域或另一个三维部分的飞行路径，以避开其中预测网络信号鲁棒性值在预定阈值之下的区域。换句话说，UAV可以被转向，使得飞行路径的转向部分接收足够的网络覆盖，即，沿着转向部分的网络信号鲁棒性值满足或超过最小信号鲁棒性阈值。
在判定框516处，覆盖预测引擎112可以确定是否已分析了沿飞行路径的所有信号鲁棒性值。如果没有分析所有的信号鲁棒性值(在判定框516处为“否”)，则过程600可以循环回到框506，使得可以分析飞行路径的另一个预测的信号鲁棒性值。然而，如果分析了所有信号鲁棒性值(在判定框516处为“是”)，则过程500可以进行至判定框518。在判定框518处，覆盖预测引擎112可以确定是否已修改飞行路径。如果确定飞行路线被修改(在判定框518处为“是”)，则过程500可以进行到框520。在框520，覆盖预测引擎112可以将经修改的飞行路线发送给第三方UAV运营商的计算设备。然而，如果确定飞行路线未被修改(在判定框518处为“否”)，则过程500可以进行到框520。在框520处，覆盖预测引擎112可以向第三方UAV运营商的计算设备发送通知，指出可以接受飞行路线。
返回到判定框508，如果覆盖预测引擎112确定预测的信号鲁棒性值不在阈值以下(在判定框508为“否”)，则过程500可以直接进行到判定框516。
图6是用于更新覆盖模型的示例过程600的流程图，该覆盖模型用于预测无线通信网络102的网络覆盖鲁棒性。在框602，覆盖预测引擎112可以接收对影响区域中一个或更多个基站的网络配置数据或环境数据中的至少一个的更新。在框604处，覆盖预测引擎112可以基于网络配置数据或环境数据中的至少一个，来更新覆盖模型114。覆盖模型114的更新可以包括使用网络配置数据或环境数据中的至少一个作为训练数据的一部分，来生成新版本的覆盖模型114。
在框606处，覆盖预测引擎112可以确定是否从数据源接收到针对该区域上方的至少一个位置的一个或更多个经测量的信号鲁棒性值。在各种实施例中，一个或更多个经测量的信号鲁棒性值可以包括由无线通信网络102的第三方(例如，UAV运营商)或无线运营商运营商测量的值。因此，在判定框608，如果覆盖预测引擎112确定接收到一个或更多个经测量的信号鲁棒性值(在判定框608中为“是”)，过程600可以前进至框610。在框610处，覆盖预测引擎112可以基于一个或更多个经测量的信号鲁棒性值，来更新覆盖模型114。覆盖模型114的更新可以包括使用至少一个或更多个经测量的信号鲁棒性值作为训练数据，来生成新版本的覆盖模型114。
在框612处，覆盖预测引擎112可以确定是否从UAV运营商的计算设备(例如，计算设备230)接收到由UAV沿着该区域上方的飞行路径测量的信号鲁棒性值。因此，在判定框614，如果覆盖预测引擎112确定沿飞行路径测量的信号鲁棒性值被接收到(判定框614为“是”)，则过程600可以进行到框616。在框616，覆盖预测引擎112可以基于沿着飞行路径测量的信号鲁棒性值，来更新覆盖模型114。覆盖模型114的更新可以包括至少使用沿着飞行路径的测量的信号鲁棒性值作为训练数据，来生成新版本的覆盖模型114。
使用覆盖模型来预测空域的垂直分层的三维部分的网络覆盖鲁棒性可以提供比二维常规覆盖模型更大的预测精度。结果，能够预测空域的垂直分层的三维部分的网络覆盖鲁棒性的覆盖模型可能适用于预测UAV命令和控制的网络覆盖。
结论
尽管已经用特定于结构特征和/或方法动作的语言描述了主题，但是应该理解，所附权利要求书中定义的主题不必限于所描述的特定特征或动作。作为实现权利要求的示例性形式，公开了特定的特征和动作。

Claims (15)

1.一种系统，包括：
一个或更多个处理器；和
存储器，其中存储有指令，所述指令在由所述一个或更多个处理器执行时，使所述一个或更多个处理器执行包括以下的动作：
接收位于区域中的无线通信网络的多个基站的网络配置数据；
接收环境数据，所述环境数据包括有关所述区域的自然和人造特征的信息；
将所述区域上方的空域分隔为多个垂直分层的三维部分；和
至少基于所述网络配置数据和所述环境数据生成覆盖模型，所述覆盖模型用于预测所述区域上方的所述空域中的所述三维部分中所述无线通信网络的网络覆盖。
2.根据权利要求1所述的系统，其中所述动作还包括：
从设备接收对测量所述区域上方的特定三维部分内的特定位置中的网络覆盖范围的预测信号鲁棒性值的请求，所述特定位置由经度值、纬度值和海拔值定义；
使用所述覆盖模型，计算所述特定位置的预测网络信号鲁棒性值；和
将所述预测网络信号鲁棒性值发送给发起所述请求的所述设备。
3.根据权利要求2所述的系统，其中所述预测信号鲁棒性值是网络信号强度值或网络信号质量值，其中所述网络信号强度值测量接收到的信号强度指示符(RSSI)、参考信号接收功率(RSRP)、或接收到的信道功率指示符(RCPI)，以及信号质量测量能量与接口比(ECIO)、参考信号接收质量(RSRQ)、或信号与干扰加噪声比(SINR)。
4.根据权利要求1所述的系统，其中所述动作还包括：
从无人飞行器(UAV)运营商的计算设备接收UAV的飞行路径，所述无线通信网络将所述UAV可通信地链接到基于地面的控制设备；
应用所述覆盖模型来确定所述无线通信网络沿着穿越所述多个垂直分层的三维部分的飞行路径提供的相应网络覆盖；
修改用于将所述UAV转向到另一个区域或另一个三维部分的飞行路径，以避开其中具有预测网络信号鲁棒性值低于预定的最小信号鲁棒性阈值的三维部分的区域；和
将修改后的飞行路径发送给UAV运营商的所述计算设备。
5.根据权利要求1所述的系统，其中所述动作还包括：
接收对影响位于所述区域中的所述无线通信网络的一个或更多个基站的所述网络配置数据或所述环境数据中的至少一个的更新；和
基于所述网络配置数据或所述环境数据中的至少一个，生成更新的覆盖模型。
6.根据权利要求1所述的系统，其中所述动作还包括：
接收所述区域上方的所述空域的至少一个位置的一个或更多个经测量的信号鲁棒性值或者由无人飞行器(UAV)沿着飞行路径测量的信号鲁棒性值，所述飞行路径穿越所述区域上方的空域的多个三维部分；和
基于至少一个位置的所述一个或更多个经测量的信号鲁棒性值或者由所述无人飞行器(UAV)沿着所述飞行路径测量的信号鲁棒性值，来生成更新的覆盖模型。
7.根据权利要求1所述的系统，其中所述网络配置数据包括以下一项或更多项：多个基站的站点位置、天线高度、天线类型、天线方位、天线向下倾角、射频(RF)频带、RF功率输出、或数据传输速率，其中所述环境数据包括有关自然障碍、人造结构、地形轮廓、或植被/生物量分布中的一项或更多项的信息。
8.根据权利要求1所述的系统，其中基于影响所述区域中的无线电信号传播的多个因素来建立三维部分的多个垂直层的垂直高度，所述多个因素包括区域中的人造结构的分布、所述区域中的大气条件、或所述区域的自然地形特征中的至少一项。
9.一种或更多种非暂时性计算机可读介质，其中存储有计算机可执行指令，所述指令在执行时，使一个或更多个处理器执行包括以下的动作：
接收位于区域中的无线通信网络的多个基站的网络配置数据；
接收环境数据，所述环境数据包括有关所述区域的自然和人造特征的信息；
将所述区域上方的空域分隔为多个垂直分层的三维部分，其中所述多个垂直分层的三维部分的垂直高度是基于影响所述区域中无线电信号传播的多个因素确定的，所述多个因素包括：区域内人造结构的分布、所述区域内的大气条件、或所述区域内的自然地形特征中的至少一项；和
至少基于所述网络配置数据和所述环境数据生成覆盖模型，所述覆盖模型用于预测所述区域上方的所述空域中的所述三维部分中所述无线通信网络的网络覆盖。
10.根据权利要求9所述的一种或更多种非暂时性计算机可读介质，其中所述动作还包括：
从设备接收对测量所述区域上方的特定三维部分内的特定位置中的网络覆盖范围的预测信号鲁棒性值的请求，所述特定位置由经度值、纬度值和海拔值定义；
使用所述覆盖模型，计算所述特定位置的预测网络信号鲁棒性值；和
将所述预测网络信号鲁棒性值发送给发起请求的设备。
11.根据权利要求9所述的一种或更多种非暂时性计算机可读介质，其中所述动作还包括：
从无人飞行器(UAV)运营商的计算设备接收UAV的飞行路径，所述无线通信网络将所述UAV可通信地链接到基于地面的控制设备；
应用所述覆盖模型来确定所述无线通信网络沿着穿越所述多个垂直分层的三维部分的所述飞行路径提供的相应网络覆盖；
修改用于将所述UAV转向到另一个区域或另一个三维部分的飞行路径，以避开其中具有预测网络信号鲁棒性值低于预定的最小信号鲁棒性阈值的三维部分的区域；和
将修改后的飞行路径发送给UAV运营商的所述计算设备。
12.根据权利要求11所述的一种或更多种非暂时性计算机可读介质，其中所述动作还包括：响应于确定沿所述飞行路径的所述相应网络覆盖的所有信号鲁棒性值等于或超过所述预定的最小信号鲁棒性阈值，向UAV运营商的所述计算设备发送指示所述飞行路径是可接受的通知。
13.根据权利要求9所述的一种或更多种非暂时性计算机可读介质，其中所述生成包括将机器学习算法应用于训练数据，所述训练数据包括所述网络配置数据、所述环境数据、所述多个垂直分层的三维部分的边界位置，以及在所述区域的所述空域中各个位置处测量的信号鲁棒性值，以生成所述覆盖模型。
14.一种计算机实现的方法，包括：
在一个或更多个计算设备处，接收位于区域中的无线通信网络的多个基站的网络配置数据，所述网络配置数据包括所述多个基站的一个或更多个站点位置、天线高度、天线类型、天线方位、天线向下倾角、射频(RF)频带、RF功率输出、或数据传输速率；
在所述一个或更多个计算设备处，接收环境数据，所述环境数据包括有关自然障碍、人造结构、地形轮廓、或植被/生物量分布中的一项或更多项的信息；
在一个或更多个计算设备处，将所述区域上方的空域隔离为多个垂直分层的三维部分，其中基于影响所述区域中的无线电信号传播的多个因素来建立所述多个垂直分层的三维部分的垂直高度，所述多个因素包括区域中的人造结构的分布、所述区域中的大气条件、或所述区域的自然地形特征中的至少一项；
在所述一个或更多个计算设备处，应用机器学习算法来训练数据，所述训练数据包括所述网络配置数据、所述环境数据、所述多个垂直分层的三维部分的边界位置、以及在所述区域的所述空域的各个位置处的经测量的信号鲁棒性值，以生成覆盖模型，所述覆盖模型用于预测所述区域上方的所述空域中的所述三维部分中的所述无线通信网络的网络覆盖；
在所述一个或更多个计算设备处，从设备接收对测量区域上方的特定三维部分内的特定位置中的网络覆盖范围的预测信号鲁棒性值的请求，所述特定位置由经度值、纬度值和海拔值定义；
在所述一个或更多个计算设备处，使用所述覆盖模型，来计算所述特定位置的所述预测网络信号鲁棒性值；和
在所述一个或更多个计算设备处，将所述预测网络信号鲁棒性值发送给发起所述请求的所述设备。
15.根据权利要求14所述的计算机实现的方法，还包括：
在所述一个或更多个计算设备处，从无人飞行器(UAV)运营商的计算设备接收UAV的飞行路径，所述无线通信网络将所述可UAV通信地链接到基于地面的控制设备；
在所述一个或更多个计算设备处，应用所述覆盖模型来确定所述无线通信网络沿着穿越所述多个垂直分层的三维部分的所述飞行路径提供的相应网络覆盖；
在所述一个或更多个计算设备处，修改用于将所述UAV转向到另一个区域或另一个三维部分的飞行路径，以避开其中具有预测网络信号鲁棒性值低于预定的最小信号鲁棒性阈值的三维部分的区域；和
在所述一个或更多个计算设备处，将修改后的飞行路径发送给UAV运营商的所述计算设备。
CN201880036982.6A 2017-04-11 2018-03-30 对无人飞行器的三维网络覆盖建模 Active CN110741665B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/484,774 US10431103B2 (en) 2017-04-11 2017-04-11 Three-dimensional network coverage modeling for UAVs
US15/484,774 2017-04-11
PCT/US2018/025589 WO2018191038A1 (en) 2017-04-11 2018-03-30 Three-dimensional network coverage modeling for uavs

Publications (2)

Publication Number Publication Date
CN110741665A true CN110741665A (zh) 2020-01-31
CN110741665B CN110741665B (zh) 2022-09-27

Family

ID=63709950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880036982.6A Active CN110741665B (zh) 2017-04-11 2018-03-30 对无人飞行器的三维网络覆盖建模

Country Status (4)

Country Link
US (1) US10431103B2 (zh)
EP (1) EP3593558B1 (zh)
CN (1) CN110741665B (zh)
WO (1) WO2018191038A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107943096A (zh) * 2017-12-31 2018-04-20 天津津彩物联科技有限公司 一种多无人机智能重建地形的分布式计算框架
CN111629383A (zh) * 2020-05-09 2020-09-04 清华大学 一种用于移动空中基站预先部署的信道预测方法及装置
CN113060302A (zh) * 2021-03-15 2021-07-02 上海三吉电子工程有限公司 一种信号强度计算方法及其应用系统
CN113365302A (zh) * 2021-04-19 2021-09-07 中国移动通信集团设计院有限公司 等信号线/区域生成方法及装置、设备、计算机程序
CN115373420A (zh) * 2022-08-29 2022-11-22 中国电信股份有限公司 无人机飞行方法、系统、装置、设备及存储介质
TWI804084B (zh) * 2021-12-03 2023-06-01 財團法人工業技術研究院 網路品質量測方法及系統

Families Citing this family (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9881022B2 (en) * 2014-05-20 2018-01-30 Verizon Patent And Licensing Inc. Selection of networks for communicating with unmanned aerial vehicles
EP3646659B1 (en) * 2017-06-30 2022-10-12 Telefonaktiebolaget LM Ericsson (PUBL) Method and network nodes for determining whether a wireless device is aerial
US20190041225A1 (en) * 2017-08-04 2019-02-07 Walmart Apollo, Llc Systems, devices, and methods for generating vehicle routes within signal coverage zones
US11403814B2 (en) * 2017-08-04 2022-08-02 Walmart Apollo, Llc Systems, devices, and methods for generating a dynamic three dimensional communication map
US10904929B2 (en) * 2017-11-09 2021-01-26 Uniraja Ou Secure communication system
WO2019098017A1 (ja) * 2017-11-15 2019-05-23 株式会社Ｎｔｔドコモ 情報処理装置
CN110138519A (zh) * 2018-02-02 2019-08-16 索尼公司 无线通信系统中的装置和方法、计算机可读存储介质
WO2020039674A1 (ja) * 2018-08-24 2020-02-27 株式会社Ｎｔｔドコモ 飛行体運航管理装置及び飛行体運行管理方法
DE102018219585A1 (de) * 2018-11-15 2020-05-20 Robert Bosch Gmbh Verfahren zur Erstellung einer Abdeckungskarte für ein drahtloses Kommunikationssystem und Abdeckungskarte
CN111435257B (zh) * 2019-01-14 2022-04-05 华为技术有限公司 一种移动路线确定方法及相关设备
US11455771B2 (en) * 2019-05-15 2022-09-27 Electronic Theatre Controls, Inc. Venue survey using unmanned aerial vehicle
ES2948568T3 (es) * 2019-06-14 2023-09-14 Dimetor Gmbh Aparato y método para guiar vehículos aéreos no tripulados
EP3751756A1 (en) 2019-06-14 2020-12-16 Dimetor GmbH Apparatus and method for guiding unmanned aerial vehicles
PL3751901T3 (pl) 2019-06-14 2023-10-30 Dimetor Gmbh Urządzenie i sposób do prowadzenia bezzałogowych statków powietrznych
DK3751897T3 (da) * 2019-06-14 2022-08-15 Dimetor Gmbh Apparat og fremgangsmåde til bestemmelse af netværksdækningsdata til at forbinde en mobil terminal
CN112423372B (zh) * 2019-08-22 2022-07-22 中国移动通信有限公司研究院 网络系统、小区的接入方法、终端及网络设备
JP7186885B2 (ja) * 2019-08-29 2022-12-09 本田技研工業株式会社 制御装置、制御方法、およびプログラム
CN112783192B (zh) * 2019-11-11 2022-11-22 中国移动通信集团上海有限公司 无人机路径规划方法、装置、设备和存储介质
GB2589111B (en) * 2019-11-20 2022-04-20 British Telecomm Wireless telecommunications network
EP4078846A4 (en) * 2019-12-19 2022-11-30 Telefonaktiebolaget Lm Ericsson (Publ) CONTROL FOR SENDING DRONES WITH RADIO COVERAGE
WO2021189353A1 (en) * 2020-03-26 2021-09-30 Wuyi University Method and system of antenna measurement for mobile communication base station
CN113726544A (zh) * 2020-05-26 2021-11-30 中兴通讯股份有限公司 预测覆盖指标的方法、模型训练方法和装置、设备、介质
CN111935729B (zh) * 2020-07-15 2022-09-27 中国人民解放军空军工程大学 一种无缝、高效的无人机网络k-覆盖算法
US11444844B2 (en) 2020-10-13 2022-09-13 Softbank Corp. Simulating a dynamic hybrid network
KR102541625B1 (ko) * 2021-04-28 2023-06-12 주식회사 파인브이티 통신 셀의 커버리지를 판정하는 판정 시스템 장치 및 그 동작 방법
GB2610182A (en) * 2021-08-23 2023-03-01 Vodafone Group Services Ltd Methods and apparatus for determining above ground coverage of a mobile telecommunications network
WO2023120972A1 (ko) * 2021-12-23 2023-06-29 경기대학교 산학협력단 위치측위 서비스 제공 방법 및 시스템
US12058539B2 (en) 2022-01-14 2024-08-06 T-Mobile Usa, Inc. Dynamic telecommunications network outage recovery based on predictive models
US12095509B2 (en) 2022-02-24 2024-09-17 T-Mobile Usa, Inc. Enabling communication with a drone over a wide geographical area using a wireless telecommunication network
WO2023166334A1 (en) * 2022-03-04 2023-09-07 Telefonaktiebolaget Lm Ericsson (Publ) Service quality enhancement for unmanned aerial vehicles (uavs)
WO2023172174A1 (en) * 2022-03-08 2023-09-14 Telefonaktiebolaget Lm Ericsson (Publ) Optimization node and method in a wireless communications network
CN114332382B (zh) * 2022-03-10 2022-06-07 烟台市地理信息中心 一种基于无人机贴近摄影测量的三维模型制作方法
US20230316645A1 (en) * 2022-04-01 2023-10-05 Dell Products L.P. Real-time 3d topology mapping for deterministic rf signal delivery
CN114879742B (zh) * 2022-06-17 2023-07-04 电子科技大学 基于多智能体深度强化学习的无人机集群动态覆盖方法
CN116054984B (zh) * 2022-11-10 2024-04-12 南京六九零二科技有限公司 一种面向无人机-地面用户无线通信的几何统计信道建模方法
CN117082536B (zh) * 2023-10-08 2024-04-12 香港中文大学（深圳） 一种基于强化学习的空地网络协同覆盖方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130294286A1 (en) * 2010-11-15 2013-11-07 Nokia Siemens Networks Gmbh & Co. Kg Conflict handling in self-organizing networks
CN103456039A (zh) * 2013-08-30 2013-12-18 西北工业大学 多视点多视角视场显示条件下的大场景虚拟天空建模方法
WO2014031597A1 (en) * 2012-08-24 2014-02-27 Oceus Networks Inc. Mobile cellular networks
US20140293979A1 (en) * 2013-04-02 2014-10-02 Eden Rock Communications, Llc Method and apparatus for self organizing networks
CN104320788A (zh) * 2014-10-23 2015-01-28 浙江大学 一种蜂窝移动通信网络公共控制信号的立体覆盖控制方法
CN105015779A (zh) * 2014-04-22 2015-11-04 Pc-Tel公司 利用无人机进行无线电信号测量、收集和分析的系统、设备和方法
CN105571588A (zh) * 2016-03-10 2016-05-11 赛度科技（北京）有限责任公司 一种无人机三维空中航路地图构建及其航路显示方法
US20160227413A1 (en) * 2013-09-27 2016-08-04 Zte Corporation Terminal, Network Locking and Network Uunlocking Method for Same, and Storage Medium
CN105976426A (zh) * 2016-04-27 2016-09-28 中国电子科技集团公司第二十八研究所 一种快速的三维地物模型构建方法
US20160371985A1 (en) * 2015-06-16 2016-12-22 Verizon Patent And Licensing Inc. Dynamic navigation of uavs using three dimensional network coverage information
CN106296816A (zh) * 2016-08-01 2017-01-04 清华大学深圳研究生院 用于三维模型重建的无人机路径确定方法及装置
CN106295141A (zh) * 2016-08-01 2017-01-04 清华大学深圳研究生院 用于三维模型重建的多条无人机路径确定方法及装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060206246A1 (en) * 2004-10-28 2006-09-14 Walker Richard C Second national / international management and security system for responsible global resourcing through technical management to brige cultural and economic desparity
US10511950B2 (en) * 2006-05-16 2019-12-17 RedSky Technologies, Inc. Method and system for an emergency location information service (E-LIS) for Internet of Things (IoT) devices
KR101160454B1 (ko) 2010-06-08 2012-06-27 (주) 충청에스엔지 무인항공기의 자세 제어를 이용한 3ｄ 공간정보구축 방법
US9618934B2 (en) 2014-09-12 2017-04-11 4D Tech Solutions, Inc. Unmanned aerial vehicle 3D mapping system
US9881416B2 (en) 2015-04-14 2018-01-30 ETAK Systems, LLC Obtaining 3D modeling data using UAVs for cell sites
JP6397990B2 (ja) 2015-06-09 2018-09-26 株式会社東芝 移動モバイルワイヤレス車両ネットワーク・インフラストラクチャ・システムおよび方法
JP6543520B2 (ja) 2015-07-02 2019-07-10 株式会社トプコン 測量データ処理装置、測量データ処理方法および測量データ処理用プログラム
US9513635B1 (en) 2015-12-30 2016-12-06 Unmanned Innovation, Inc. Unmanned aerial vehicle inspection system
US10353052B2 (en) * 2016-09-15 2019-07-16 Lawrence Livermore National Security, Llc Object discrimination based on a swarm of agents

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130294286A1 (en) * 2010-11-15 2013-11-07 Nokia Siemens Networks Gmbh & Co. Kg Conflict handling in self-organizing networks
WO2014031597A1 (en) * 2012-08-24 2014-02-27 Oceus Networks Inc. Mobile cellular networks
US20140293979A1 (en) * 2013-04-02 2014-10-02 Eden Rock Communications, Llc Method and apparatus for self organizing networks
CN103456039A (zh) * 2013-08-30 2013-12-18 西北工业大学 多视点多视角视场显示条件下的大场景虚拟天空建模方法
US20160227413A1 (en) * 2013-09-27 2016-08-04 Zte Corporation Terminal, Network Locking and Network Uunlocking Method for Same, and Storage Medium
CN105015779A (zh) * 2014-04-22 2015-11-04 Pc-Tel公司 利用无人机进行无线电信号测量、收集和分析的系统、设备和方法
CN104320788A (zh) * 2014-10-23 2015-01-28 浙江大学 一种蜂窝移动通信网络公共控制信号的立体覆盖控制方法
US20160371985A1 (en) * 2015-06-16 2016-12-22 Verizon Patent And Licensing Inc. Dynamic navigation of uavs using three dimensional network coverage information
CN105571588A (zh) * 2016-03-10 2016-05-11 赛度科技（北京）有限责任公司 一种无人机三维空中航路地图构建及其航路显示方法
CN105976426A (zh) * 2016-04-27 2016-09-28 中国电子科技集团公司第二十八研究所 一种快速的三维地物模型构建方法
CN106296816A (zh) * 2016-08-01 2017-01-04 清华大学深圳研究生院 用于三维模型重建的无人机路径确定方法及装置
CN106295141A (zh) * 2016-08-01 2017-01-04 清华大学深圳研究生院 用于三维模型重建的多条无人机路径确定方法及装置

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107943096A (zh) * 2017-12-31 2018-04-20 天津津彩物联科技有限公司 一种多无人机智能重建地形的分布式计算框架
CN111629383A (zh) * 2020-05-09 2020-09-04 清华大学 一种用于移动空中基站预先部署的信道预测方法及装置
CN111629383B (zh) * 2020-05-09 2021-06-29 清华大学 一种用于移动空中基站预先部署的信道预测方法及装置
CN113060302A (zh) * 2021-03-15 2021-07-02 上海三吉电子工程有限公司 一种信号强度计算方法及其应用系统
CN113060302B (zh) * 2021-03-15 2022-05-27 上海三吉电子工程有限公司 一种信号强度计算方法及其应用系统
CN113365302A (zh) * 2021-04-19 2021-09-07 中国移动通信集团设计院有限公司 等信号线/区域生成方法及装置、设备、计算机程序
CN113365302B (zh) * 2021-04-19 2022-11-01 中国移动通信集团设计院有限公司 等信号线/区域生成方法及装置、设备、计算机程序
TWI804084B (zh) * 2021-12-03 2023-06-01 財團法人工業技術研究院 網路品質量測方法及系統
US11968556B2 (en) 2021-12-03 2024-04-23 Industrial Technology Research Institute Network quality measurement method and system
CN115373420A (zh) * 2022-08-29 2022-11-22 中国电信股份有限公司 无人机飞行方法、系统、装置、设备及存储介质

Also Published As

Publication number Publication date
US20180293897A1 (en) 2018-10-11
US10431103B2 (en) 2019-10-01
EP3593558A4 (en) 2021-01-13
EP3593558B1 (en) 2023-03-08
WO2018191038A1 (en) 2018-10-18
EP3593558A1 (en) 2020-01-15
CN110741665B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN110741665B (zh) 对无人飞行器的三维网络覆盖建模
EP3980723B1 (en) Time varying loudness prediction system for determining a route for an aerial vehicle
US11974186B2 (en) Behavior-based UAV detection for communication networks
CN106205114B (zh) 一种基于数据融合的高速公路路况信息实时获取方法
US11756432B2 (en) Apparatus and method for guiding unmanned aerial vehicles
AU2019436652A1 (en) Risk assessment for unmanned aerial vehicles
US11631335B2 (en) Flight planning using obstacle data
US11262746B1 (en) Simultaneously cost-optimized and policy-compliant trajectory generation for unmanned aircraft
JP2022537148A (ja) 動的な航空機ルーティング
CN107316457B (zh) 判断道路交通状况是否符合汽车自动驾驶的方法
Hossain et al. A UAV-based traffic monitoring system for smart cities
CN114819254B (zh) 一种警力巡逻路线智能规划方法及系统
Pan et al. Data-driven time series prediction based on multiplicative neuron model artificial neuron network
CN117453843A (zh) 数据处理方法和装置、存储介质以及电子设备
Sun et al. Study on safe evacuation routes based on crowd density map of shopping mall
CN112783192A (zh) 无人机路径规划方法、装置、设备和存储介质
EP3751755A1 (en) Apparatus and method for guiding unmanned aerial vehicles
CN117576370A (zh) 关键点数据的处理方法和装置、存储介质以及电子设备
Moseva et al. On Methods of Verification of Mathematical Models of Traffic Flows on Real Data
Schmid Learning-Based Quality of Service Prediction in Cellular Vehicle Communication
Chen UAV assisted Survivor Search Scheme with Survivor Density Distribution Prediction
Finogeev et al. Convergent platform for multi-agent data processing in the “Smart Road” system
CN116698075A (zh) 路网数据处理方法、装置、电子设备及存储介质
CN117042024A (zh) 通信监控方法
CN118140159A (zh) 自动确定目标环境中传感器布置的方法

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