CN111164913A - 用于分析无线通信系统中的通信环境的方法和装置 - Google Patents

Abstract

本公开涉及一种用于将支持比4G系统更高数据速率的5G通信系统与IoT技术和融合的通信方法以及用于该通信方法的系统。本公开可以被应用于基于5G通信技术和IoT相关技术的智能服务(诸如智能家居、智能建筑、智能城市、智能汽车、联网汽车、医疗保健、数字教育、智能零售、安保和安全服务等)。根据本发明的通信环境分析方法包括以下步骤：接收某一区域的卫星信息和图像信息；以及基于卫星信息，识别未包括在图像信息中的对象的区域信息；确定对象的特征信息；以及基于该特征信息分析该某一区域的通信环境，其中该对象是导致信号由于信号散射和信号吸收中的至少一项而衰减的对象。

Description

用于分析无线通信系统中的通信环境的方法和装置

技术领域

本公开涉及用于分析无线通信系统中的通信环境的方法和装置，更具体地，涉及一种基于位于沿着其传输信号的路径上的对象的区域信息和利用卫星信号的对象的特征信息来分析信道的方法。

背景技术

为了满足自部署4G通信系统以来对无线数据业务增加的需求，已努力开发改进的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LTE系统”。5G通信系统被认为是在更高的频率(mmWave(毫米波))频段(例如60GHz频段)中实现的，以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通信系统中已经讨论了波束成形、大规模多输入多输出(MIMO)、全维度MIMO(FD-MIMO)、阵列天线、模拟波束成形和大尺寸天线技术。此外，在5G通信系统中，基于高级小小区、云无线接入网(RAN)、超密集网络、设备到设备(D2D)通信、无线回程、移动网络、协作通信、协作多点(CoMP)、接收端干扰消除等的系统网络改进开发正在进行中。在5G系统中，已经开发了作为高级编码调制(ACM)的混合频移键控(FSK)和正交幅度调制(QAM)调制(FQAM)和滑动窗口叠加编码(SWSC)，以及作为高级接入技术的滤波器组多载波(FBMC)、非正交多址(NOMA)和稀疏码多址(SCMA)等。

互联网正在从以人为中心的连接网络(人类通过该网络生成并消费信息)演变为物联网(IoT)网络，在该物联网中，分布式实体(诸如物体)在无需人工干预的情况下即可交换和处理信息。已经出现了通过与云服务器的连接将大数据处理技术等与IoT技术相结合的万物互联(IoE)。作为技术要素，需要诸如“感测技术”、“有线/无线通信和网络基础设施”、“服务接口技术”和“安全技术”来实现IOT，最近，已经研究了诸如传感器网络、机器到机器(M2M)通信、机器类型通信(MTC)等。此IoT环境可以提供一种智能互联网技术服务，该智能互联网技术服务通过收集和分析在所连接的物体之间生成的数据来为人类生活创造新的价值。通过将现有信息技术(IT)与各种行业融合和结合，IoT可以应用于各种领域，包括智能家居、智能建筑、智能城市、智能汽车或联网汽车、智能电网、医疗保健、智能家电和高级医疗服务。

与此相似，已经进行了各种尝试以将5G通信系统应用于IoT网络。例如，可以通过诸如波束成形、MIMO和阵列天线来实现诸如传感器网络、机器类型通信(MTC)、机器到机器(M2M)通信的技术。作为上述大数据处理技术的云无线接入网络(RAN)的应用也可以被认为是5G技术与IoT技术融合的示例。

如上所述，在5G通信系统中，需要一种用于估计信道环境并因此基于所估计的信道来执行网络规划的方案。在网络规划中，为了通过特定区域中的无线通信来使能网络服务，确定发送射频(RF)信号的发射器(Tx)的位置以及用于发送的设置值。在接收器(Rx)的位置确定各种RF信号的信息。基于数学建模方案或RT模拟结果来分析信道环境。因此，可以确定最佳的Tx位置。如上所述，为了分析信道环境，可以提供各种类型的RF信号信息(例如，路径损耗或覆盖范围)。可以基于RF信号信息来执行网络规划。

但是，在5G系统中，在网络规划中，由于mmWave的波长较短且直线性强，所以信号可能会受到位于通信路径(即，信号沿其传输的路径)上的对象或障碍物的特性的极大影响。此外，如果使用二维图像信息(下文可以被称为“图像信息”或“街景信息”)来确定对象的特征信息，则存在难以合并未出现在图像信息中的对象的特征的问题。因此，需要一种识别未出现在图像信息中的对象的区域信息和特征信息并基于特征信息分析信道的状态的方法。

发明内容

技术问题

本公开提供了一种与通过射线追踪进行模拟以分析RF发送和接收环境的情况相比具有更高准确性的方法和装置。

此外，本公开提供了一种如下的方法和装置，该方法和装置能够使用卫星信息和图像信息来识别位于通信路径中的对象的区域信息和对象的特征信息，并通过将区域信息和特征信息合并到模拟中来获得更准确的模拟结果。

技术方案

在一方面，一种分析通信环境的方法包括：接收区域的卫星信息和图像信息；基于所述卫星信息，识别未包括在所述图像信息中的对象的区域信息；确定所述对象的特征信息；以及基于所述特征信息分析所述区域的通信环境。

所述对象是导致信号由于信号散射或信号吸收中的至少一项而衰减的对象。

此外，在一个方面，一种分析无线通信系统中的通信环境的计算装置包括：收发器；以及控制器，所述控制器被配置为：接收区域的卫星信息和图像信息；基于所述卫星信息，识别未包括在所述图像信息中的对象的区域信息；确定所述对象的特征信息；以及基于所述特征信息分析所述区域的通信环境。所述对象是导致信号由于信号散射或信号吸收中的至少一项而衰减的对象。

有益效果

根据本公开，计算装置可以使用卫星信息和图像信息来识别位于通信路径中的对象的区域信息和特征信息，并且可以通过将区域信息和特征信息合并到模拟中来获得更准确的模拟结果。因此，在网络规划时，通过考虑了位于通信路径中的对象的影响，可以有效地执行网络规划。

附图说明

图1是用于描述使用数学建模方案的网络规划的视图。

图2是用于描述根据本说明书的实施例的RT模拟方法的视图。

图3A和图3B是用于描述根据本说明书的实施例的获得三维地图信息的方法的视图。

图4A和图4B是用于描述根据本说明书的实施例的基于图像信息获得图像内的对象的材料信息的方法的视图。

图5是用于描述根据本说明书的实施例的通过射线追踪来分析通信信道环境的方法的视图。

图6A是示出位于通信路径中的对象以及该对象对信号的影响的视图。

图6B是示出根据本公开的未在图像信息中出现的对象对信号的影响的视图。

图7A是示出根据本公开的实施例的模拟方法的视图。

图7B是示出根据本公开的实施例的识别未包括在图像信息中的对象的特征信息的方法的视图。

图8是示出根据本公开的实施例的识别位于通信路径中的对象的区域信息的详细方法的视图。

图9是示出根据本公开的实施例的被识别对象的区域信息的示例的视图。

图10A是示出根据本公开的实施例的从图像信息提取对象的方法的视图。

图10B是示出根据本公开的实施例的对象的特征信息的视图。

图10C是示出根据本公开的实施例的确定每个对象的特征信息的方法的视图。

图10D是示出根据本公开的实施例的对象的特征信息的示例的视图。

图11A是示出根据本公开的实施例的识别对象的方法的视图。

图11B是示出根据本公开的实施例的所识别的对象的视图。

图12是用于描述根据本公开的实施例的网络操作方法的视图。

图13是示出根据本公开的实施例的计算装置的视图。

具体实施方式

在下文中，将参考附图详细描述本公开的实施例。

在描述实施例时，为了使本公开的要旨清楚，省略了对本公开所属领域中公知且与本公开不直接相关的内容的描述。

出于相同的原因，在附图中，一些要素被放大、省略或示意性地示出。此外，每个要素的大小不能准确反映其实际大小。在附图中，相同或相似的要素被赋予相同的附图标记。

根据结合附图详细描述的实施例，本公开的优点和特征以及用于实现优点和特征的方法将变得更加显而易见。然而，本公开不限于所公开的实施例，而是可以以各种不同的方式来实现。提供实施例仅是为了完成本公开的公开并且允许本领域技术人员理解本公开的范畴。本公开由权利要求的范畴定义。在整个附图中，相同的附图标记将用于指代相同或相似的要素。

在本公开中，将理解的是，流程图图示的每个块以及流程图图示中的块的组合可以由计算机程序指令执行。这些计算机程序指令可以安装在通用计算机、专用计算机或其他可编程数据处理设备的处理器上，使得由计算机或其他可编程数据处理设备的处理器执行的指令创建用于执行在流程图块中指定的功能的装置。这些计算机程序指令还可以存储在计算机可用或计算机可读的存储器中，该计算机程序指令可以指导计算机或其他可编程数据处理设备以特定方式起作用，使得存储在计算机可用或计算机可读的存储器中的指令产生包括指令装置的制造物品，该指令装置实现流程图块中指定的功能。该计算机程序指令还可以被加载在计算机或其他可编程数据处理设备上，以使得在计算机或其他可编程设备上执行一系列可操作的操作以产生计算机执行的过程，从而使执行计算机或其他可编程装置的指令提供用于执行流程图块中所描述的功能的操作。

此外，流程图的每个块可以表示模块、段或代码的一部分，其包括用于执行特定逻辑功能的一个或更多个可执行指令。还应当注意的是，在一些替代实施方式中，块中提到的功能可以不按顺序执行。例如，取决于所涉及的功能，实际上可以基本上同时执行连续示出的两个块，或者有时可以以相反的顺序执行这些块。

在这种情况下，本实施例中使用的术语“单元”是指软件或硬件组件，例如现场可编程门阵列(FPGA)或专用集成电路(ASIC)，并且“单元”执行特定任务。“单元”可以有利地被配置为驻留在可寻址存储介质上，并被配置为在一个或更多个处理器上运行。此外，“单元”可以包括例如诸如软件组件、面向对象的软件组件、类组件以及任务组件、过程、功能、属性、进程、子例程、程序代码段、驱动器、固件、微代码、电路、数据、，数据库、数据结构、表、数组和变量。组件和“单元”中提供的功能可以组合为更少的组件和“单元”，或者可以进一步标识为其他组件和“单元”。此外，组件和“单元”可以被实现为在设备或安全多媒体卡内的一个或更多个CPU上运行。此外，在一个实施例中，“

单元”可以包括一个或更多个处理器。

此外，在实施例中，在描述了方法的附图中，描述的顺序不必对应于执行的顺序，并且上下文可以被改变或并行执行。

图1是用于描述使用数学建模方案的网络规划的视图。

参考图1，发射器110和120可以形成发射波束112和122并发送信号。

如上所述，在数学建模方案中，可以通过使用传输信号的频率和距离作为输入的信号发送和接收建模方案明确表示的函数来预测RF信息。如图中所示，发射器110和120可以形成均具有三个不同方向的波束112和122。因此，可以通过建模方案来应用传输信号的RF特性。如果如上所述地应用数学建模方案，则可以以较少的计算负荷来预测RF信息，但是其缺点在于，针对具有高频的RF信号，这种建模的准确度低。

如上所述，为了分析与高频RF信号有关的信道特性，可以考虑通过射线追踪来应用模拟方案。在这种情况下，可以通过考虑沿着其传输RF信号的路径来分析信道环境。但是，如果使用这种方法，则可能增加计算负荷。为了保证准确性，需要一种能够将实际环境结合到模拟中的方法。

图2是用于描述根据本说明书的实施例的射线追踪(RT)模拟方法的视图。

参考图2，假设一个或更多个发射器212、214和216发送信号。因此，在地图上使用明暗指示接收到的信号(该信号是由发射器212、214和216中的每个发射器发送的)的强度。较深的颜色是接收强度较强的区域。较浅的颜色具有较弱的信号强度。

更具体地，假设了接收器220的位置，可以在相应区域中确定信号的接收强度。此外，可以确定从一个发射器212到接收器220的每个可用路径的传输信道。可能存在从发射器212直接发送到接收器220的信号242，并且可能存在被另一对象230反射和接收的信号232。如上所述，如果通过RT进行模拟，则可以获得关于从发射器212、214、216接收的信号的强度的信息以及特定区域中的相应信号的传输路径。当确定了根据信号的传输路径的信号接收强度时，如果考虑了对象的反射面材料或外部形状中的至少一者，则接收器220可以获得更准确的信号接收信息。在实施例中，描述了表面材料，但是这不仅指对象的外表面，而且是甚至包括可能影响无线电波反射的内部材料的构思。可以基于这样的信息来估计更精确的无线电波反射特性。此外，在实施例中，可以基于窗位置信息来确定接收器的位置，并且可以通过将附加信息另外输入到用于网络规划的模拟中来获得接收器的位置，或者可以通过用户设置来获得接收器的位置。

此外，可以传输无线电波的障碍物可以位于沿其直接传输信号的路径中。障碍物的示例可以是树。除了树之外，在RT模拟时，可以考虑在传输无线电波时可以导致信号衰减的障碍物。如上所述，通过考虑关于可以传输无线电波的对象的信息，能够获得更准确的模拟结果。树是位于通信路径中的障碍物并且当传输无线电波时会导致信号衰减的示例，并且可能是位于不同植物或通信路径中的设施。此外，障碍物可以包括可能导致信号衰减的其他对象。

可以通过执行如上所述的RT来确定在地图中发射器的最佳位置和接收器的最佳位置中的至少一者。此外，在一些实施例中，可以通过考虑多个发射器位置候选和接收器位置候选来执行RT模拟。可以基于RT结果来确定发射器的位置和接收器的位置中的至少一者。在实施例中，通过RT模拟来确定发射器的位置可以是网络规划的一个特性。因此，确定发射器候选位置，其比将最终安装发射器的位置数量更多。基于确定的位置执行RT模拟。可以基于从所有基站候选发送的信号中获得的射线信息，通过后处理来获得基站最佳位置的组合。

如上所述，在RT模拟方案中，可以确定RF信号沿其行进的每个路径的传输信道。可以基于传输信道在接收器220的位置处预测RF信号信息。在实施例中，在RT模拟方案中，在根据信号路径确定信道环境的过程中，通过计算相应路径的至少一种环境(例如，介质的类型)、3D地形或建筑物反射或衍射以及发送信号的距离，可以预测更准确的RF信号信息。此外，使用RT模拟方案的信道估计方法不受RF信号的频率的限制，可以精确地结合实际环境，并且可以基于模拟结果确定最佳发送位置或接收位置中的至少一者。

此外，5G网络使用28GHz-60GHz的超高频信号。因此，可以使用RT模拟方案而非数学建模方案来提高准确性，以便在5G网络规划工具中查找无线信号信息。在RT模拟的示例中，当预测无线电波在与建筑物碰撞后被建筑物反射的路径时，可以假设所有建筑物的表面具有相同的RF特性来计算反射。然而，由于RF信号的反射率根据表面材料、外部形状和反射表面的图案而不同，所以这种假设不能保证准确的模拟结果。因此，需要一种其中已经考虑了此种信息的RT方案。

为了执行如上所述的RT模拟，需要获取建筑物的部署和地形信息，并基于已被映射部署和地形信息映射到的地图数据来分析信号发送和接收环境。可以基于信号发送和接收环境来分析发射器和接收器之间的链接以及整个通信系统性能。此外，如果基于模拟结果的系统性能不满足预设标准，则可以考虑使用另一发射器，并且可以基于模拟设置的变化来重复执行RT模拟。如上所述，为了分析通信系统，特别是5G通信系统的通信环境，需要其中结合了毫米波(mmWave)的无线电波特性的RF规划方法和装置。因此，为了更有效地执行RT，需要获得影响无线电波环境的实际环境(树或反射器)信息，并通过考虑实际环境(树或反射器)信息来进行模拟。如上所述，对于通过模拟进行RF规划，可能需要用于加速和自动化改进的并行性、逐步操作分析方案以及基于对象提取的部署方案。

此外，在实施例中，为了向特定区域提供通信服务，需要一种用于分析相应区域的无线电波路径并将基站定位在有效位置的RF网络规划方法以及使用该方法的装置。

图3A和图3B是用于描述根据本说明书的实施例的获得三维(3D)地图信息的方法的视图。

参考图3A和3B，可以基于图3A的实际图像信息和与该图像信息相对应的位置信息获得3D地图信息。更具体地，可以获得图3B的3D地图信息，以便可以基于图像信息执行RT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。地图信息可以被如上所述地获得。可以基于地图信息来确定发射器候选位置和接收器候选位置。因此，可以通过执行RT模拟来确定发射器的最佳位置或接收器的最佳位置中的至少一者。

此外，在实施例中，诸如建筑物310的要素可以具有反射或散射无线电波的特性。在这种要素的情况下，可以通过考虑表面材料和外部形状来获得更准确的模拟结果。

此外，在实施例中，树320可以传输无线电波，但是与空气相比，所传输的无线电波可能经受信号的极大衰减。如上所述，通过考虑诸如树320的对象的无线电波传输特性，可以获得更准确的模拟结果。

此外，在实施例中，可以在接收器候选区域330上选择性地执行RT。接收器候选区域可以包括可以安装固定或可移动接收器的区域。更具体地，可以在建筑物310的窗区域中安装接收器。安装在窗区域中的接收器可以用作建筑物内的另一接收器与建筑物外的发射器之间通信的中继器。如上所述，可以通过考虑接收候选区域330进行RT模拟来获得考虑了更好的信号接收环境的结果值。

图4A和图4B是用于描述根据本说明书的实施例的基于图像信息获得图像内的对象的材料信息的方法的视图。

参考图4A和图4B，可以确定图像信息中的图像内指示的对象的材料。更具体地，可以根据基于深度学习的计算机视觉技术来确定图像信息中的图像内的对象的材料。稍后将描述更详细的基于深度学习的计算机视觉技术及其相关特征。

在实施例中，图4B的结果可以通过分析图4A的图像信息获得。在这种情况下，可以基于颜色、明暗度、反射率、要素之间的相互位置关系、或图像中所有要素的部署中的至少一项来确定每个要素。在实施例中，可以通过图像分析来确定诸如沥青410、混凝土420、植物430、钢结构440、车辆450、天空460和玻璃470之类的材料。如上所述，通过基于图像信息确定图像中指示的要素的材料并将材料的特征结合入RT模拟中，可以获得更准确的结果。

图5是用于描述根据本说明书的实施例的通过RT来分析通信信道环境的方法的视图。

参考图5，公开了一种用于执行RT模拟的方法。在实施例中，可以在包括控制器的计算装置中执行RT模拟。该计算装置可以是包括中央处理器的计算装置，并且可以包括个人计算机、工作站等。在下文中，在实施例中，模拟可以被描述为由计算装置执行。

在操作510，计算装置可以获得二维(2D)图像信息和3D地图信息。在实施例中，2D图像信息可以包括与图像相对应的附加信息。附加信息可以包括拍摄信息，该拍摄信息包括位置信息、方向信息和捕获图像的视角。可以基于附加信息来确定与2D图像信息相对应的3D地图信息(在下文中可以被称为“地图信息”)。此外，3D地图信息可以包括位置信息和与该位置信息相对应的3D地图信息。此信息可以包括关于在地球表面或水表面上的建筑物、结构和植物的形状的信息。在一些实施例中，此信息可以包括与发射器候选位置或接收器候选位置中的至少一者有关的信息。

在本公开中，2D图像信息可以被描述为图像信息。即，在本公开中，图像信息可以以二维配置。然而，本公开的实施例不限于此，并且本公开可以包括以3D方式配置图像信息的实施例。

类似地，在本公开中，3D地图信息可以被描述为地图信息。即，在本公开中，地图信息可以以三维配置。然而，本公开的实施例不限于此，并且本公开可以包括以2D方式配置地图信息的实施例。

在操作520，计算装置可以基于地图信息或图像信息中的至少一个获得实际环境信息。实际环境信息可以包括位于通信路径中的对象和该对象的特性。更具体地，可以通过分析2D图像信息来确定可以位于通信路径中的对象的特性。对象的特性可以包括对象表面的材料或对象的外部形状中的至少一种。在对象能够传输无线电波的情况下，该对象的特性可以包括与该对象的形状和该对象传输信号时的信号衰减程度有关的信息。此外，实际环境信息也可以基本上包括诸如对象的类型、形状、高度、幅度和宽度的信息。在实施例中，可以使用深度学习方案来执行对实际环境的提取。更具体地，在实施例中，计算装置可以使用包括与要从目标图像提取的对象相对应的类别信息的数据库来执行机器学习，当基于学习结果输入目标图像时，可以从目标图像中提取对象，并且可以确定与提取的对象相对应的类别。更具体地，除了树叶之外，影响无线电波环境的实际环境实体还可以包括各种障碍物的材料和建筑物的外壁。为了精确地预测无线电波路径，在障碍物影响无线电波环境的情况下，不仅提取对象的位置，而且提取对象的类型、高度、幅度或宽度信息中的至少一种。此外，为了自动确定安装接收器和发射器的位置，可以提取实际的环境实体，诸如道路、路灯、安装的电线杆、屋顶或窗。

在操作530，计算装置可以基于在操作510和520获得的信息，将通信路径的实际环境信息映射到3D地图信息。当如上所述映射3D地图信息时，可以基于2D图像信息中包括的附加信息，将基于2D图像信息获得的附加信息映射到与3D地图信息相对应的对象。此外，在实施例中，计算装置可以基于在操作520处提取的对象的信息来配置(或生成)已经将实际环境并入其中的3D地图信息。根据一个实施例，计算装置可以映射对象信息，诸如障碍物，例如树叶、电线杆或屋顶，映射到商业地图。预测的材料和窗可以与3D建筑形状匹配。关于障碍物和建筑物的材料的信息可以基于材料影响无线电波特性的程度被归类，并且可以使用查找表和映射函数被参数化，然后可以并入RT模拟中。

在操作540，计算装置可以基于在操作530处生成的信息来执行RT模拟。在实施例中，计算装置可以在通过考虑具有给定方向的波束而顺序地改变波束信息时执行相应的RT模拟，或者假设已经在同一时间段内发送了可以由发射器发送的所有方向的波束，则计算装置可以执行相应的RT模拟。作为RT模拟的执行的结果，计算装置可以通过并入由发射器发送的信号沿其行进以便由接收器接收到的路径和位于路径中的实际环境信息，来预测可以由接收器接收的信号的质量，并可以分析信号的质量。此外，在实施例中，当执行RT模拟时，计算装置可以基于3D地图信息来确定发送位置或接收位置中的至少一个，并且可以基于在操作530映射的信息来确定信号传输环境。

在操作550，计算装置可以基于RT模拟来获得结果值。计算装置可以基于获得的结果值和在实际环境中测量的值来执行附加的RT模拟。更具体地，如果基于比较结果，模拟结果值和实际环境测量值不同，则计算装置可以基于实际环境测量值来改变在操作520中所获得的信息，并且可以再次生成模拟结果。如上所述，由于RT模拟是通过将实际环境信息合并到3D地图中执行的，因此可以分析更可靠的通信通道。更具体地，发射器和接收器可以直接安装在作为RT模拟的目标的区域中。在发射器发送信号之后，可以基于接收器接收到的信号的结果值来添加或更新用于执行RT模拟的基本信息。

如上所述，可以基于RT模拟的结果来确定用于向地图内的给定区域提供无线服务的发射器的最佳位置或接收器的最佳位置中的至少一者。如上所述，因为确定了发射器的最佳位置或接收器的最佳位置中的至少一个，所以可以执行有效的网络规划。更具体地，为了有效地将无线电信号提供给给定区域内的无线终端，可以确定基站的最佳位置。由于如上所述确定了基站的最佳位置，所以尽管部署了更少的基站，但是仍可以提供有效的服务。

此外，通过合并在实际环境中测量的信号接收信息，可以使自适应网络管理成为可能。更具体地，如果在安装发送器之后改变了周围环境，则可以通过考虑改变后的环境来执行附加的RT模拟。可以执行网络管理，例如通过额外合并相应的结果值来调整发射器的位置。此外，这种网络管理除了调整发射器的位置之外，还可以包括改变与由发射器发送的波束有关的信息。更具体地，发射器可以基于RT模拟的结果值来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RT模拟的结果值来执行波束布置。此自适应网络管理可以被定期性地执行。

在下文中，描述了识别通信路径中的对象和实际环境信息(即，对象的特征信息)的详细方法。

图6A是示出了位于通信路径中的对象以及该对象对信号的影响的视图。

参考图6A，由发射器发送的信号可能受到位于通信路径(即，沿着其传输信号的路径)中的对象的影响。即，被位于通信路径中的对象可能使信号衰减。

在本公开中，位于通信路径中并且影响信号的对象通常可以被称为对象或障碍物。在这种情况下，可以基于对象的特性来对位于通信路径中的对象的类型进行归类。

例如，可以将在传输无线电波时可能导致信号衰减的障碍物定义为第一类型对象。或者，第一类型对象可以被定义为在无线电波或信号通过对象的过程中由于衍射、散射或吸收中的至少一个原因而引起信号衰减的障碍物。第一类型对象可以包括例如树。除了树之外，第一类型的对象可以包括其他对象，这些对象可以在无线电波被传输、散射、衍射或吸收时引起信号的衰减。此外，第一类型对象可以被定义为衍射、散射或吸收的一些参数。例如，在本公开中，第一类型对象可以被定义为由于信号的散射或吸收的至少一个原因而引起信号衰减的对象。

在这种情况下，可以基于信号的衰减大小的差异将第一类型对象划分为第一部分和第二部分。如果信号减小的差异超过阈值，则可以将第一类型对象划分为第一部分和第二部分。例如，在树的情况下，在树叶部分中的信号的衰减的大小与在树干部分中的信号的衰减的大小之间的差可能超过阈值。树叶部分可以被归类为第一部分，而树干部分可以被归类为第二部分。然而，这仅是本公开的实施例。第一类型对象可以不被划分为第一部分和第二部分，或者可以被划分为更多部分。例如，没有树叶的树可以不包括其中信号的衰减的大小的差异超过阈值的部分，并且可以不被划分为第一部分和第二部分。此外，除了第一类型对象之外的对象也可以被划分为多个部分。

可以将由无线电波的反射导致信号衰减的障碍物定义为第二类型对象。例如，第二类型对象可以包括建筑物、路灯等。

此外，可以基于对象的特性来定义各种类型。

本公开提出了一种识别其中由于无线电波或信号的传输、散射、衍射或吸收中的至少一个而导致信号的衰减的对象的特征信息，并且通过将该特征信息结合到模拟中来增加分析信道特性的模拟的准确性的方法。如上所述，随着模拟准确度的提高，可以在网络规划时确定最佳的Tx位置。在下文中，其中由于无线电波的传输、散射、衍射或吸收中的至少一种而导致信号的衰减的对象通常被称为对象。但是，如上所述，可以仅根据透射、散射、衍射或吸收的某些参数来定义对象。

例如，在本公开中，对象可以是指其中由于无线电波或信号的传输而发生散射或吸收中的至少一种导致信号的衰减的对象。或者，在本公开中，对象可以指其中由于无线电波或信号的传输、散射或吸收中的至少一种而导致信号衰减的对象。

或者，在本公开中，对象可以指其中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对象。或者，在本公开中，对象可以指其中散射率、吸收率或衍射率中的至少一个大于阈值的对象。如上所述，可以仅根据透射率、散射率、吸收率或衍射率的一些参数来定义对象。

例如，在本公开中，对象可以是指信号的吸收率大于阈值吸收值的对象。或者，对象可以是指其中信号的衍射率大于阈值衍射值的对象，并且可以包括两个条件或另一条件。

返回参考图6A的描述，各种障碍物可以位于发射器和接收器之间。发射器发送的信号可能会被对象衰减。但是，根据对象的特征信息，对象可能会对信号产生不同的影响。例如，根据对象的形状、大小和密度以及信号通过的对象的哪个部分，同一对象可能会对信号产生不同的影响。

具体地，参考图6A，可以看到树位于发射器和接收器之间。即，在本公开中，例如，对象可以包括树。在这种情况下，可以看出，信号602和603穿过具有高树叶密度的部分时，会发生信号的高衰减(7dB的衰减)，而信号601和604穿过具有低树叶密度的部分时，会发生信号的衰减(5dB的衰减)。可以看出，在不穿过对象的信号605中很少发生信号的衰减。

如果基于图像信息确定实际环境信息，则存在以下问题：没有将关于未出现在图像信息中的对象的信息并入模拟中。因此，需要一种将关于未出现在图像信息中的对象的信息并入模拟中的方法。

图6B是示出了根据本公开的图像信息中未出现的对象对信号的影响的视图。

参考图6B，可以与图6中的620类似地示出图像信息。计算装置可以基于图像信息获得实际环境信息。例如，位于通信路径中的障碍物625可以位于图像信息620中。计算装置可以通过分析障碍物的表面材料、外部形状等来获得实际环境信息。实际环境信息的详细描述与上面所述的相同。

然而，影响信号的对象635可能未包括在图像信息中。

例如，参考图6中的卫星信息630，可以看到对象635位于障碍物625的后面。但是，由于图像信息不包括对象635，因此计算装置无法获得对象635的特征信息。因此，当计算装置降实际环境信息映射到地图信息用于模拟时，它不能映射对象635的特征信息。对象635的特性可能不会合并到地图信息中。因此，对象635的特性可能不被合并到RT模拟中，并且模拟结果的准确性可能降低。

因此，需要一种将未包括在图像信息中的对象的特征信息并入地图信息中的方法。为此，本公开提出了一种基于卫星信息确定对象的区域信息并且基于卫星信息或图像信息中的至少一个来确定位于该区域中的对象的特征信息的方法。此外，本公开提出了一种将对象的区域信息和对象的特征信息映射到地图信息的方法。在本公开中，将对象的特征信息映射到地图信息的过程可以配置有生成新的地图信息的过程。

图7A是示出根据本公开的实施例的模拟方法的视图。

参考图7A，在操作710，计算装置可以接收区域的卫星信息和图像信息。如上所述，图像信息可以包括附加信息。附加信息可以包括拍摄信息，该拍摄信息包括所捕获图像的位置信息、方向信息、视角信息或像素信息中的至少一者。此外，卫星信息可以表示从卫星获得的信息。

此外，在操作720，计算装置可以识别对象的区域信息。计算装置可以基于卫星信息来识别(或提取)对象的区域信息。在这种情况下，计算装置可以识别未包括在图像信息中的对象的区域信息。在本公开中，未被包括在图像信息中的对象可以包括被包括在图像信息中但是不能识别其特征信息的对象。

或者，计算装置可以识别卫星信息中包括的对象的所有区域信息。因此，关于对象位于的区域的信息可以包括关于具有预设条件的对象位于的所有区域的信息，以及关于未包括在图像信息中的对象所位于的区域的信息。

在这种情况下，计算装置可以识别关于满足预设条件的对象所位于的区域的信息。在本公开中，满足预设条件的对象可以是指由于无线电波的透射、吸收、衍射或散射中的至少一种而导致信号衰减的对象。然而，在本公开中，预设条件不限于此。如上所述，满足预设条件的对象可以仅根据透射、吸收、衍射或散射的一些参数来定义。此外，满足预设条件的对象可以指其中无线电波的吸收率、透射率、散射率或衍射率中的至少一个超过阈值的对象，并且可以仅根据一些参数来定义。例如，满足预设条件的对象可以指其中吸收率、散射率或衍射率中的至少一个超过阈值的对象。

此外，例如，具有预设条件的对象可以指其中信号的吸收率大于预定阈值吸收率的对象。在这种情况下，由于具有吸收信号的特性或衍射信号的特性，所以树具有极大地导致信号衰减的特性。在这种情况下，信号的吸收率可以大于预定的阈值吸收率。相比，建筑物具有相对较小的信号吸收率。信号的吸收率可以小于预定阈值吸收率。因此，根据示例的对象可以包括树。计算装置可以识别关于树所位于的区域的信息。

此外，可以以相同的方式应用散射率和透射率。可以将两个或更多个参数超过各自的阈值的情况设置为预设条件。

如上所述，可以基于要提取的对象的特性来设置预设条件。对于另一示例，具有预设条件的对象可以被定义为其中信号的衰减为每米(m)约7dB的对象。

或者，在本公开中，可以基于各种条件来确定具有预设条件的对象，诸如将其中由于反射而导致信号的衰减的对象确定为具有预设条件的对象。

关于区域(对象位于该区域)的信息可以配置有对象所位于的区域的轮廓信息。轮廓信息可以表示沿着对象的边缘指示已经被分布对象的区域的信息。在这种情况下，轮廓信息可以被指示为坐标信息的总和。计算装置可以沿着对象已经被分布的区域的边缘识别对象被布置的区域的轮廓，并且可以将轮廓信息配置为与轮廓相对应的一组坐标。下面描述区域信息的详细内容。

此外，在操作730，计算装置可以识别对象的特征信息。具体地，计算装置可以识别位于基于图像信息识别的区域中的对象的特征信息。具体地，计算装置可以识别位于区域中的每个对象的特征信息。然而，所识别的区域是未包括在图像信息中的区域。需要一种基于图像信息来识别位于区域中的对象的特征信息的方法，稍后将描述其详细内容。

对象的特征信息可以包括对象的形状信息、密度信息或尺寸信息。此外，尺寸信息可以包括宽度信息、高度信息等。

在这种情况下，如上所述，根据信号衰减的程度，对象可以分为两个或更多部分。如上所述，如果信号衰减的大小的差大于阈值，则对象可以被划分为第一部分和第二部分。在本公开中，将具有更大信号衰减的部分定义为第一部分。计算装置可以使用深度学习将对象划分为第一部分和第二部分。因此，计算装置可以将对象划分为第一部分和第二部分，并且可以分析第一部分的特征和第二部分的特征。例如，计算装置可以确定对象的第一部分和第二部分的形状信息、密度信息或尺寸信息中的至少一者。或者，计算装置可以识别一些上述信息，或者可以进一步识别附加的需要信息。在这种情况下，附加的需要信息可以包括关于对象的类型的信息。

例如，在树的情况下，根据树的类型，树叶部分中信号的吸收和透射程度可以不同。因此，当通过识别关于对象的类型的信息来分析通信环境时，计算装置可以确定对信号的影响。

此外，在操作740，计算装置可以基于对象的特征信息来分析通信环境。具体地，计算装置可以将对象的特征信息映射到地图信息，并且可以基于地图信息执行模拟。

在这种情况下，计算装置可以通过将关于对象所位于的区域的信息、从该区域识别出的每个对象、或者每个对象的特征信息映射到地图信息，或者基于此信息，来生成地图信息。

具体地，计算装置可以接收预先生成的地图信息，并且可以通过将接收到的信息映射到地图信息来生成新的地图信息。在这种情况下，计算装置可以在操作710至操作740中的任何一个中或在相应操作之前和之后接收地图信息。

可以通过执行如上所述的已经结合了未包括在图像信息中的对象的特性的RT模拟来提供更准确的模拟结果。此外，可以通过设置发射器的至少一个最佳位置并在与发射器相对应的射线之中确定满足设定标准的射线来执行有效的网络规划。

图7B是示出根据本公开的实施例的识别未包括在图像信息中的对象的特征信息的方法的视图。

参考图7B，在操作731，计算装置可以识别图像信息中包括的对象的特征信息。在这种情况下，对象的特征信息与上面所述的相同，因此省略其描述。

此外，在操作731，计算装置可以将位于图像信息中未包括的区域中的对象归类为单个对象。未包括在图像信息中的区域可以表示与在操作720识别的对象的区域信息相对应的区域。

该区域可以包括多个对象。因此，在操作733，计算装置可以将位于所识别的区域中的多个对象归类为各个对象。稍后描述详细的方法。

此外，在操作735，计算装置可以识别归类的对象的特征信息。具体地，计算装置可以基于在操作731所识别的图像信息中包括的对象(第一对象)的特征信息来识别未包括在图像信息中的对象的特征信息或图像信息中包括的但是不能识别其特征信息的对象(第二对象)的特征信息。稍后将描述其详细内容。

操作731和733的顺序可以改变。

图8是示出根据本公开的实施例的识别位于通信路径中的对象的区域信息的详细方法的视图。

参考图8，计算装置可以接收卫星信息810。卫星信息是指从卫星接收的信息。计算装置可以基于卫星信息识别关于未包括在图像信息中的对象的信息。如上所述，未包括在图像信息中的对象可以包括被包括在图像信息中但是其特征信息不能被识别的对象。

例如，对象815可以存在于未出现在图像信息中的区域中。计算装置可以基于卫星信息来识别对象815的位置。

此外，计算装置可以使用深度学习(820)方法来提取对象。计算装置可以根据基于深度学习的计算机视觉技术来对卫星信息中包括的信息进行归类，并且可以提取信息中满足预设条件的对象。深度学习是一种用于接收大量数据并对相似数据进行归类的技术。因此，计算装置可以通过基于深度学习数据通过标签图像信息来对图像信息中包括的事物进行归类，并且可以在事物中提取其特征信息要被识别的对象。如上所述，计算装置可以对图像信息中的各种类型的障碍物进行归类，并且可以在障碍物中识别满足预设条件的对象。

此外，如果存在非基于卫星信息提取的对象，则可以使用手动方法来更新该对象。在这种情况下，用户可以手动更新包括在卫星信息中但尚未被提取的对象。

此外，计算装置可以基于提取结果来确定对象830的区域信息。因此，计算装置可以基于区域信息确定未包括在图像信息中的对象所位于的区域，并且可以将该区域信息用于模拟。

在这种情况下，区域信息可以配置有多个对象的轮廓信息。轮廓信息可以使用卫星信息中包括的对象的边界的坐标来配置。计算装置可以通过将一组坐标与地图信息匹配来对对象所位于的区域进行归类。

因此，计算装置可以将未包括在图像信息中的对象的区域信息应用于模拟。

图9是示出根据本公开的实施例的被识别对象的区域信息的示例的视图。

参考图9，区域信息可以配置有轮廓信息910。即，如果多个对象位于同一区域，则区域信息可以配置有对象的边界。这可以称为轮廓信息。

此外，如上所述，轮廓信息可以配置有对象的边界的坐标。具体地，计算装置可以使用深度学习来识别包括在卫星信息中的对象的轮廓，并且可以使用嵌入式图像处理函数(OpenCV)获得轮廓(或像素集)的坐标。因此，计算装置可以确定未包括在图像信息中的对象的区域信息，并且可以将区域信息用于模拟。

然而，计算装置仅基于关于对象所位于的区域的信息无法精确地预测信号衰减的程度。因此，需要一种识别位于区域信息中的每个对象的特性的方法。然而，该区域是未包括在图像信息中的区域。本公开提出一种识别图像信息中包括的对象的特征信息，并基于该特征信息来识别位于未包括在图像信息中的区域中的每个对象的特征的方法。为此，描述了一种识别包括在图像信息中的对象的特征信息的方法。

图10A是示出根据本公开的实施例的从图像信息提取对象的方法的视图。

参考图10A，计算装置可以接收图像信息1011、1013和1015。

如上所述，图像信息可以包括拍摄信息，例如捕获图像的位置信息、方向信息、视角信息和像素信息。因此，计算装置可以识别关于在每个位置捕获的图像的信息。

此外，计算装置可以确定关于图像信息中包括的对象的位置的信息，并且稍后将描述其详细内容。

此外，计算装置可以基于图像信息提取对象。计算装置可以使用深度学习来对图像信息中包括的各种类型的对象进行归类，并且可以提取具有期望类型的对象。

具体地，图10A中的<1020>示出了使用深度学习对对象进行归类的过程。使用深度学习被归类为相同模式的对象可以被归类为相同类型。参考<1020>，可以将车辆1022、树1021和建筑物1023归类为不同类型的对象。此外，树可以被归类为相同类型的对象。然而，所示方法仅仅是使用深度学习对对象进行归类的方法的示例。计算装置可以以各种方式执行深度学习。例如，根据设置，可以将被归类为不同模式的对象归类为相同类型的对象。因此，建筑物和车辆可以被归类为相同类型的对象。人和车辆可以被归类为与具有移动性的对象相同的类型。

如上所述，计算装置可以使用深度学习来提取具有期望类型的对象。在本公开中，以如<1030>中提取在传输无线电波时可能发生信号衰减的第一类型对象1031的情况为6例进行描述。第一类型对象的详细内容与上面所述的相同。例如，树可以被包括在第一类型对象中。

因此，计算装置可以使用深度学习来识别具有期望类型的对象，并且可以在图像中显示所识别的对象。为此，计算装置可以识别对象的位置信息。

在<1040>中示出了一种确定对象的位置的方法。计算装置可以基于对象的纬度信息、经度信息、角度信息或像素信息中的至少一项来确定对象的位置。

此外，计算装置可以使用关于在不同地方捕获的图像的信息。或者，计算装置可以使用接收到的卫星信息。

例如，计算装置可以基于关于在不同位置捕获的图像的信息来计算在不同位置的一个对象的方向信息和角度信息。如上所述，如果在至少三个位置使用针对一个对象的方向信息和角度信息，则可以计算对象的位置信息。在这种情况下，对象的位置信息可以包括对象所在位置的纬度信息和经度信息。

或者，计算装置可以基于从卫星信息和图像信息中提取的对象的拍摄信息来确定对象的位置。

计算装置可以通过重复执行处理来识别每个对象的位置信息。此外，计算装置可以将每个对象的位置信息存储在数据库(DB)中。

此外，计算装置可以确定所提取的对象的特征信息，并且在下面描述其详细内容。

图10B是示出根据本公开的实施例的对象的特征信息的视图。

参考图10B描述识别图像信息中包括的对象的特征的方法。

对象的特征信息可以包括形状信息、尺寸信息、密度信息等。

下面描述识别形状信息的详细方法。计算装置可以使用计算机视觉沿着对象的边缘识别对象的形状，并且可以通过分析与预定形式或预定形状的相似性来对形状进行归类。在这种情况下，预定形式可以被不同地定义为例如三角形、倒三角形、圆形或正方形。计算装置可以识别对象与哪种形式最相似。然而，预定形式不限于此。即，可以将不同的形式添加到预定形式，或者可以删除一些前述形式。此外，如果相似度不超过阈值作为确定相似度的结果，则用于计算装置的将第一部分的形状添加为新形状的方法是可能的。

此外，如果将对象划分为第一部分1051和第二部分1052，则计算装置可以识别第一部分和第二部分中的每个的形状，或者可以识别仅一个部分的形状。在这种情况下，对象的第一部分可以指如上所述的信号的衰减大小较大的部分。

例如，如果对象是树，则信号衰减的大小较大的第一部分1051可以对应于树叶部分。计算装置可以对树叶部分的形状进行归类。在这种情况下，预定形式可以包括例如三角形、圆形、正方形和倒三角形。计算装置可以识别树叶部分的形状。

计算装置可能无法识别树干(即第二部分1052)的形状。其原因是，在大多数树木中，树干部分具有相似的形状，并且由于形状之间的差异而对信号衰减的影响很少改变。或者，在树木的情况下，树干通常具有相似的形状。因此，计算装置可以使用预定形状。

此外，下面描述确定对象的尺寸信息的方法。

计算装置可以基于图像信息中包括的另一个对象来识别对象的尺寸信息。尺寸信息可以包括高度信息1053和1054以及宽度信息1055。计算装置可以基于另一对象的高度信息或宽度信息来确定对象的尺寸信息。在本公开中，另一对象的尺寸信息被称为参考信息。

例如，参考信息可以包括位于对象附近的建筑物的高度信息，交通工具(例如汽车)的宽度信息等。

建筑物的高度信息、交通工具的宽度信息等可能已经存储在计算装置中。因此，计算装置可以基于参考信息和对象的尺寸比率来确定对象的尺寸信息。或者，计算装置可以基于参考信息来计算图像信息的每像素的长度，并且可以基于所计算的结果来识别第一部分和第二部分分别的高度信息和宽度信息。

例如，如果一种交通工具的宽度为3m，并且图像信息中占据的像素区域为600px，则每1px的宽度长度可以被识别为0.5cm。因此，计算装置可以通过将对象的宽度中占据的像素的数量乘以0.5来计算对象的宽度信息。

类似地，例如，如果一栋建筑物的高度为10m，并且图像信息中占据的像素区域为1000px，则每1px的高度长度可以被标识为1cm。此外，如果被对象的高度占据的像素区域是800px，则计算装置可以通过将被对象的高度占据的像素的数量乘以1来将对象的高度信息计算为8m。

此外，如果将对象划分为第一部分和第二部分，则计算装置可以确定第一部分和第二部分中的每一个的尺寸信息和宽度信息。

此外，下面描述确定对象的密度信息的方法。

计算装置可以使用计算机视觉来确定密度信息。例如，计算装置可以将密度信息归类为三个阶段，诸如高密度状态(密集)、中密度状态(中等)和低密度状态(稀疏)。计算装置可以确定对象的类型信息以便确定密度信息。计算装置可以通过深度学习方法使用训练数据来识别每个对象的类型。此外，计算装置可以基于对象的类型信息来确定密度信息。

例如，如果对象是树，则计算装置可以使用深度学习来识别树的类型。例如，树可以被归类为针叶树、阔叶树等。此外，根据树的类型，计算装置可以将针叶树确定为“稀疏”，其他树确定为“中等”，并且将阔叶树确定为“密集”。

此外，对象的类型信息是对象的特征信息，并且可以用于模拟。例如，可以根据对象的类型将散射度、吸收度或透射度数字化。可以将其合并到地图信息中并用于模拟。在这种情况下，计算装置可以根据对象的类型将散射度、吸收度或透射度的信息中的至少一个数字化，并且可以将该信息合并到地图信息中。

此外，如果将对象划分为第一部分和第二部分，则计算装置可以确定第一部分和第二部分中的每个的密度信息，或者可以仅确定两个部分中的任意一个的密度信息。

例如，如果对象是树，则计算装置可以确定树叶部分(即第一部分)的密度信息。

由于树干(即，第二部分)的密度信息对信号的影响较小，因此可能无法确定第二部分的密度信息。

然而，本公开的实施例不限于此。即，可以根据情况将密度信息分为三个或更多个状态。此外，在密度信息中，可以基于形状信息来不同地确定对象的中央部分和周边部分的密度。

此外，计算装置可以通过对图像信息中包括的对象重复执行处理来确定每个对象的特征信息，并且可以将特征信息存储在数据库中。

此外，计算装置可以将获得的对象的特征信息映射到地图信息，可以将地图信息用于模拟，并且可以根据模拟结果确定最佳Tx位置。

然而，在本公开中，计算装置可以在确定对象的特征信息的过程中仅确定形状信息、尺寸信息或密度信息中的至少一个。例如，如果未计算密度信息，则计算装置可以仅将形状信息和尺寸信息映射到地图信息，并且可以将地图信息用于模拟。

在下文中，提出了一种基于使用上述方法获得的对象的特征信息来识别未包括在图像信息中的对象的特征信息的方法，以及基于该特征信息来分析通信环境的方法。

具体地，在本公开中，计算装置可以针对每个对象分开位于对象的区域信息(或轮廓信息)中的对象，并且可以识别每个对象的特征信息。稍后参考图11描述分开对象的详细方法。

在这种情况下，为了确定每个对象的特征信息，可以使用上述图像信息中包括的对象的特征信息。例如，计算装置可以将每个对象的特征信息确定为接近被布置的对象的特征信息的平均值。即，计算装置可以将基于图像信息获得的对象的特征信息的平均值应用于未包括在图像信息中的对象。具体地，计算装置可以基于位于图像信息中未包括的对象的区域的预定范围内的对象中的，基于图像信息识别出的对象的特征信息，来确定每个对象的特征信息。

例如，计算装置可以将周围树的宽度信息和高度信息的平均值设置为未包括在图像信息中的每棵树的宽度信息和高度信息。

或者，在本公开中，可以基于在预定最小单位面积(例如500m×500m)内的图像信息中包括的对象的特征信息，来确定识别未包括在图像信息中的对象的特征信息的方法。在这种情况下，可能已经预先确定了最小单位面积，例如最小单位的行政区。

或者，在本公开中，可以使用在预定最小单位区域中具有相同类型信息的对象的特征信息。即，计算装置可以识别未包括在图像信息中的对象的类型信息，并且可以基于具有相同类型信息的对象的特征信息来确定相应对象的特征信息。例如，如果对象是树并且未包括在图像信息中的树是针叶树，则计算装置可以仅使用针叶树的特征信息。

下面描述示例的详细内容。

图10C是示出根据本公开的实施例的确定每个对象的特征信息的方法的视图。

参考图10C，计算装置可以确定图像信息中包括的对象1060的特征信息(宽度信息1061以及高度信息1062和1063)。在这种情况下，可以将高度信息划分为第一部分的高度信息1062和第二部分的高度信息1063。相应的详细内容与上面所述的相同，在下文中省略。

在本公开中，可以将包括在图像信息的并且可以识别其特征信息的对象称为第一对象。在这种情况下，包括在图像信息中但是不能识别其特征信息的对象可以不包括在第一对象中。

此外，在本公开中，可以将未包括在图像信息中的对象称为第二对象1064。在这种情况下，可以将包括在图像信息中但是不能识别其特征信息的对象归类为第二对象。

计算装置可以基于第一对象1060的特征信息来估计第二对象1064的特征信息。例如，计算装置可以基于位于预设区域中的第一对象的多个特征信息的平均值来确定第二对象的特征信息。在这种情况下，例如，可以将预设区域确定为在第二对象所位于的区域中的预定范围内。或者，可以将预设区域确定为预定的最小单位面积(例如，500m×500m)。

第一对象的特征信息的平均值可以包括宽度信息的平均值或高度信息的平均值。高度信息的平均值可以分为第一部分高度的平均值和第二部分高度的平均值。然而，本公开的实施例不限于此，并且高度信息不被划分为两个部分，而是可以被确定为单个值。

因此，计算装置可以基于第一对象的宽度信息1061的平均值来确定第二对象的宽度信息1065，并且可以基于第一对象的高度信息1062和1063平均值来确定第二对象的高度信息1066和1067。如上所述，为了确定第二对象的高度信息，计算装置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，或者可以通过将第一部分的高度信息和第二部分的高度信息相加来确定一条高度信息。

在本公开中，以使用位于预设区域中的第一对象的平均值的方法为例进行描述，但是本公开的实施例不限于此。例如，计算装置可以基于相同类型的对象内的类型信息将相同子类型的对象划分为子类型。即，计算装置可以将相同的子类型划分为第一对象的子类型和第二对象的子类型，并且可以使用第一对象的特征信息的平均值来确定第二对象相对于具有相同子类型的第一对象的特征信息。例如，如果对象是树，则确定树叶的类型并针对每种类型使用平均值的方法是可能的。此外，在本公开中，可以使用除平均值之外的另一种计算方法。

图10D是示出根据本公开的实施例的对象的特征信息的示例的视图。

根据本公开，对象可以分为多种类型。相同类型的对象可以基于构成对象的部分的类型而被不同地归类，这可以被称为对象的子类型信息。

参考图10D，对象的特征信息可以包括子类型信息，即，构成对象的每个部分的类型信息。

以对象为树的情况为例进行描述。子类型信息可以包括关于构成树的树叶的类型的信息。

如上所述，信号衰减的程度可以根据子类型信息而不同。计算装置可以通过基于子类型信息执行模拟来提高模拟的准确性。

具体地，计算装置除了可以接收卫星信息之外，还可以接收红外图像信息1070，可以基于红外图像信息对对象进行归类，并且可以识别对象的子类型信息。参考红外图像信息1070，计算装置可以基于红外图像信息1071提取对象。此外，计算装置可以基于红外图像信息1072对对象的子类型进行归类。计算装置可以基于对象的子类型将不同的特征信息应用于位于同一区域中的对象。如上所述，例如，在树的情况下，可以基于树叶的类型对子类型进行归类。尽管对象位于同一区域，但可以根据对象的子类型将不同的特征信息应用于对象。

此外，参考1080，可以看出反射率根据对象的子类型而不同。计算装置可以基于对象的子类型来设置要应用的不同反射率。即，计算装置可以基于每个对象的子类型来设置不同的特征信息。因此，计算装置可以通过将位于区域中的对象分成单个对象并基于每个对象的子类型应用不同的特征信息来提高模拟的准确性。

为了确定每个对象的特征信息，需要一种从对象的区域信息(或轮廓信息)中分开对象的方法，下面将描述其详细内容。

图11A是示出根据本公开的实施例的分开对象的方法的视图。

参考图11A，计算装置可以使用各种方法来识别对象。计算装置可以基于卫星信息中包括的坐标信息、像素信息或位置信息中的至少一个来分开对象。坐标信息可以包括中心点的坐标信息。此外，像素信息可以包括像素的数量和像素的紧密度。例如，计算装置可以使用德洛涅(Delaunay)三角剖分(1110、1120、1130、1140)方法或超像素(1150)方法。

具体地，如果使用德洛涅三角剖分方法，则计算装置可以基于卫星信息来识别放置对象的区域1110，并且可以识别该区域中的该对象的中心点。

此外，计算装置可以使用通过在1120、1130、1140中连接对象的中心点来将面分成三角形的德洛涅三角剖分方法来识别区域中的对象。

或者，计算装置可以使用诸如1150的超像素方法来识别对象。具体地，计算装置可以接收超像素的数量和超像素的紧密度。此外，计算装置可以使用算法基于图像信息的颜色深度将图像信息划分为像素。此外，计算装置可以基于划分的超级像素来计算中心点，并且可以将中心点估计为每个对象的位置。计算装置可以使用此方法来识别对象。

此外，计算装置可以基于在图像信息中识别出的对象的特征信息来预测在卫星信息中识别出的对象的特征信息。

图11B是示出根据本公开的实施例的分离的对象的视图。

参考图11B，计算装置可以基于卫星信息识别未包括在图像信息中的对象的区域信息或轮廓信息1160，并且上面已经描述了其详细内容。

此外，计算装置可以使用前述方法来分开位于区域中的对象1170。如上所述，可以通过分开位于区域中的对象、预测对象的特征信息、将特征信息映射到地图信息或将特征信息应用于模拟，来提高模拟的精度。

图12是用于描述根据本公开的实施例的网络操作方法的视图。

如参考本公开所述的，如果基于卫星信息和图像信息来管理网络，则可以执行更准确的模拟。

具体地，参考图12，对象的特征信息可以根据情况而改变。以对象为树的情况为例进行描述。对象的特性可以根据季节的变化而改变。

具体地，基于1210和1220之间的比较，可以看出1220中的信号衰减更大。但是，即使在1210的情况下，可以根据接收的图像信息呈现其特征信息不能被识别的对象。因此，计算装置可以基于卫星信息来预测其特征信息不能被识别的对象的特征信息，并且可以通过将特征信息合并到模拟中来得出更准确的模拟结果。

此外，如果对象的特征信息被改变，则计算装置可以使用该方法识别对象的改变后的特征信息，可以根据该特征信息检查信号衰减的程度，并且可以在管理网络时调整波束强度。

图13是示出根据本公开的实施例的计算装置的视图。

参考图13，计算装置可以包括收发器1310、控制器1320和控制器1330。

更具体地，计算装置可以向外部设备发送数据或从外部设备接收数据，并且可以包括用于发送或接收的接口单元。

控制器1320可以控制计算装置的操作，并且可以控制计算装置的整体操作，以便执行实施例中描述的并且与计算装置有关的操作。控制器1320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来控制。此外，程序可以存储在存储介质中。该存储介质可以包括用于存储计算机程序代码的计算机可读存储介质。此外，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，并且如果存储器可以存储指令，则存储器不限于任何类型。

存储器1530可以存储与计算装置有关的信息或通过收发器1302发送或接收的信息中的至少一个。此外，在本说明书的实施例中，存储器可以存储模拟所需的所有信息，诸如对象的特征信息和位置信息。此外，可以基于模拟结果或比较结果中的至少一项来添加、删除或更新存储在存储器1330中的信息。

本说明书和附图中已经公开了本公开的优选实施例。尽管在本说明书和附图中已经使用了特定术语，但是它们以共同含义使用以便容易地描述本公开的技术内容并帮助理解本公开，但是并不旨在限制本公开的范围。对于本公开所属领域的普通技术人员而言，显而易见的是，除了公开的实施例之外，基于本公开的技术精神的其他修改示例也是可能的。

Claims (15)

1.一种分析无线通信系统中的通信环境的方法，所述方法包括：

接收区域的卫星信息和图像信息；

基于所述卫星信息，识别未包括在所述图像信息中的对象的区域信息；

确定所述对象的特征信息；以及

基于所述特征信息分析所述区域的通信环境，

其中，所述对象是导致信号由于信号散射或信号吸收中的至少一项而衰减的对象。

2.根据权利要求1所述的方法，所述方法还包括基于所述分析的结果来确定发射器的位置。

3.根据权利要求1所述的方法，其中：

所述信号在所述对象处的散射率或吸收率中的至少一项超过阈值，

所述特征信息包括形状信息、密度信息或尺寸信息中的至少一项，并且

确定所述特征信息进一步包括：

识别与所述区域信息相对应的对象；

确定每个对象的特征信息；以及

将每个对象的所述特征信息与地图信息进行映射。

4.根据权利要求3所述的方法，其中，分析所述通信环境包括：

在所述地图信息中识别发射器和接收器的位置；以及

基于映射了所述特征信息的所述地图信息来分析所述通信环境。

5.根据权利要求1所述的方法，其中：

所述对象被基于信号衰减的程度而划分为第一部分和第二部分，

所述对象的所述特征信息包括所述第一部分的形状信息、尺寸信息和密度信息及所述第二部分的尺寸信息，并且

确定所述特征信息包括：

确定所述图像信息中包括的对象的特征信息；以及

基于所述图像信息中包括的对象的所述特征信息来估计未包括在所述图像信息的对象的特征信息。

6.一种分析无线通信系统中的通信环境的计算装置，所述计算装置包括：

收发器；以及

控制器，所述控制器被配置为：

接收区域的卫星信息和图像信息，

基于所述卫星信息，识别未包括在所述图像信息中的对象的区域信息；

确定所述对象的特征信息；以及

基于所述特征信息分析所述给定区域的通信环境，

其中，所述对象是导致信号由于信号散射或信号吸收中的至少一项而衰减的对象。

7.根据权利要求6所述的计算装置，其中，所述控制器还被配置为基于所述分析的结果来确定发射器的位置。

8.根据权利要求6所述的计算装置，其中：

所述信号在所述对象处的散射率或吸收率中的至少一项超过阈值，

所述特征信息包括形状信息、密度信息或尺寸信息中的至少一项，并且

所述控制器被配置为：识别与所述区域信息相对应的对象；确定每个对象的特征信息；以及将每个对象的所述特征信息映射到所述地图信息。

9.根据权利要求8所述的计算装置，其中，所述控制器被配置为：

在所述地图信息中识别发射器和接收器的位置；以及

基于映射了所述特征信息的所述地图信息来分析所述通信环境。

10.根据权利要求6所述的计算装置，其中：

所述对象被基于信号衰减的程度而划分为第一部分和第二部分，

所述对象的所述特征信息包括所述第一部分的形状信息、尺寸信息和密度信息及所述第二部分的尺寸信息，并且

所述控制器被配置为：确定所述图像信息中包括的对象的特征信息，以及基于所述图像信息中包括的对象的所述特征信息来估计未包括在所述图像信息的对象的特征信息。

11.一种非易失性存储介质，所述非易失性存储介质存储程序，所述程序包括用于执行根据权利要求1至8中的任一项所述的方法的指令。

12.一种无线通信系统中的网络规划方法，所述网络规划方法包括：

接收区域的卫星信息和图像信息；

基于所述卫星信息，识别未包括在所述图像信息中的对象的区域信息；

确定所述对象的实际环境信息；以及

基于所述实际环境信息执行射线追踪模拟。

13.根据权利要求12所述的网络规划方法，所述网络规划方法还包括：

基于所述射线追踪模拟的结果选择至少一个发射器，以及

确定与所选择的发射器相对应的射线中的满足预设标准的射线。

14.一种用于无线通信系统中的网络规划的计算装置，所述计算装置包括：

收发器；以及

控制器，所述控制器被配置为：

接收区域的卫星信息和图像信息，

基于所述卫星信息，识别未包括在所述图像信息中的对象的区域信息；

确定所述对象的实际环境信息，以及基于所述实际环境信息执行射线追踪模拟。

15.根据权利要求14所述的计算装置，其中，所述控制器被配置为：

基于所述射线追踪模拟的结果选择至少一个发射器，并且

确定与所选择的发射器相对应的射线中的满足预设标准的射线。

Images