-
Die Erfindung betrifft ein Verfahren und eine entsprechende Vorrichtung zur Ermittlung, insbesondere zur Schätzung, von QoS (Quality of Service) Daten für ein (zellulares) Funknetz.
-
Ein (Kraft-) Fahrzeug kann eingerichtet sein, über ein zellulares Funknetz, z.B. 3G, 4G, und/oder 5G, mit einer Fahrzeug-externen Einheit zu kommunizieren, z.B. um Audio und/oder Video-Daten auf einem Wiedergabegerät des Fahrzeugs zu streamen und/oder um Verkehrsdaten für einen automatisierten Fahrbetrieb des Fahrzeugs zu beziehen. Die Güte und/oder die Zuverlässigkeit, mit der die Audio/Video-Daten und/oder die Verkehrsdaten, bezogen werden können, hängt dabei von dem Quality of Service (QoS) des zellularen Funknetzes an einem bestimmten Ort und/oder an einem bestimmten Zeitpunkt ab.
-
Um eine qualitativ hochwertige und/oder zuverlässige Wiedergabe von Audio/Video-Daten und/oder einen zuverlässigen automatisierten Fahrbetrieb zu ermöglichen, kann es für eine Fahrt des Fahrzeugs vorteilhaft sein, eine Fahrroute zu wählen, auf der möglichst durchgängig mit einem ausreichend hohen QoS des Funknetzes zu rechnen ist. Der an unterschiedlichen Orten und/oder an unterschiedlichen Zeitpunkten erwartete QoS eines zellularen Funknetzes kann somit bei der Routenplanung eines (ggf. autonom fahrenden) Fahrzeugs berücksichtigt werden.
-
Das vorliegende Dokument befasst sich mit der technischen Aufgabe, den QoS eines zellularen Funknetzes in effizienter, präziser und zuverlässiger Weise zu schätzen bzw. vorherzusagen.
-
Die Aufgabe wird jeweils durch die unabhängigen Ansprüche gelöst. Vorteilhafte Ausführungsformen werden u.a. in den abhängigen Ansprüchen beschrieben. Es wird darauf hingewiesen, dass zusätzliche Merkmale eines von einem unabhängigen Patentanspruch abhängigen Patentanspruchs ohne die Merkmale des unabhängigen Patentanspruchs oder nur in Kombination mit einer Teilmenge der Merkmale des unabhängigen Patentanspruchs eine eigene und von der Kombination sämtlicher Merkmale des unabhängigen Patentanspruchs unabhängige Erfindung bilden können, die zum Gegenstand eines unabhängigen Anspruchs, einer Teilungsanmeldung oder einer Nachanmeldung gemacht werden kann. Dies gilt in gleicher Weise für in der Beschreibung beschriebene technische Lehren, die eine von den Merkmalen der unabhängigen Patentansprüche unabhängige Erfindung bilden können.
-
Gemäß einem Aspekt wird eine Vorrichtung zur Ermittlung von QoS-Daten in Bezug auf den QoS eines Funknetzes, insbesondere eines zellularen Funknetzes, wie z.B. eines 3G, 4G und/oder 5G Funknetzes, beschrieben. Die QoS-Daten können die Latenz einer Kommunikationsverbindung eines Endgeräts innerhalb des Funknetzes anzeigen. Alternativ oder ergänzend können die QoS-Daten eine mögliche Datenrate einer Kommunikationsverbindung eines Endgeräts innerhalb des Funknetzes anzeigen. Dabei können die QoS-Daten und/oder der QoS des Funknetzes ort- und/oder zeitabhängig sein. Insbesondere kann der QoS (z.B. in Bezug auf die Latenz und/oder in Bezug auf die Datenrate) des Funknetzes an unterschiedlichen Orten und/oder an unterschiedlichen Zeitpunkten unterschiedlich sein.
-
Die Vorrichtung kann darauf ausgelegt sein, den QoS des Funknetzes an einem bestimmten Ort und/oder an einem bestimmten Zeitpunkt zu prädizieren. Zu diesem Zweck kann ein (Maschinen-erlerntes und/oder eine Maschinen-erlernbares) QoS-Modell des Funknetzes verwendet werden. Das QoS-Modell kann auf Basis von tatsächlichen Messwerten in Bezug auf den QoS des Funknetzes angelernt worden sein und weiter angelernt werden. Das QoS-Modell kann z.B. zumindest ein (angelerntes) neuronales Netz, ein Bayesian Netz (auf Englisch, Bayesian Neural Network) und/oder eine Baum-basierte Lern-Methode bzw. ein angelernter Entscheidungsbaum (auf Englisch, tree-based ensemble learning method), wie etwa einen Random-Forest-Entscheidungsbaum, umfassen.
-
Das QoS-Modell kann ausgebildet sein, für einen passiven Mess-Datensatz als Eingangswert QoS-Daten in Bezug auf den QoS des Funknetzes als Ausgangswert auszugeben. Insbesondere kann das QoS-Modell als Eingangswerte aufnehmen:
- • einen passiven Mess-Datensatz, der z.B. Messdaten in Bezug auf das Funknetz und/oder in Bezug auf die Beanspruchung des Funknetzes umfasst, z.B. Messdaten die von einem Endgerät erfasst werden können; der passive Mess-Datensatz kann z.B. Daten in Bezug auf Witterungsbedingungen und/oder Daten in Bezug auf eine Verkehrssituation und/oder auf eine Verkehrsdichte (z.B. Stau) umfasst; alternativ oder ergänzend kann der passive Mess-Datensatz Daten in Bezug auf eine Anordnung (insbesondere ein Pattern) von ein oder mehreren Antennen eines Endgeräts innerhalb des Funknetzes umfassen;
- • einen bestimmten Ort in dem Funknetz, für den die QoS-Daten ermittelt werden sollen; und/oder
- • einen bestimmten Zeitpunkt, für den die QoS-Daten ermittelt werden sollen.
-
Ein passiver Mess-Datensatz in Bezug auf das Funknetz kann z.B. umfassen: Daten, die, insbesondere allein, von einem Endgerät in dem Funknetz ermittelbar sind; und/oder Daten einer physikalischen Schicht einer Funkverbindung zwischen einem Endgerät und einer Basisstation des Funknetzes; und/oder Daten in Bezug auf eine Dichte von Endgeräten in einem direkten Umfeld um ein Endgerät und/oder um einen bestimmten Ort in dem Funknetz. Ein passiver Mess-Datensatz kann dabei typischerweise in relativ effizienter Weise von einem Endgerät (z.B. von einem Endgerät in einem Fahrzeug) erfasst werden. Wie bereits oben dargelegt, kann ein passiver Mess-Datensatz, der von einem bestimmten Endgerät für einen bestimmten Ort in dem Funknetz und/oder für einen bestimmten Zeitpunkt bereitgestellt wird, umfassen,
- • Daten in Bezug auf eine Antennen-Anordnung des bestimmten Endgeräts;
- • Daten in Bezug auf die Dichte von Endgeräten (wie z.B. die Verkehrsdichte) im direkten Umfeld des bestimmten Endgeräts;
- • Daten in Bezug auf Witterungsverhältnisse (wie z.B. Regen, Sonnenschein, Nebel, Schneefall, etc.) an dem bestimmten Ort und/oder an dem bestimmten Zeitpunkt; und/oder
- • Daten in Bezug auf die physikalische Schicht der Funkverbindung zwischen dem bestimmten Endgerät und dem Funknetz.
-
Das QoS-Modell kann ferner eingerichtet sein, als Ausgangswert für einen passiven Mess-Datensatz (ggf. in Kombination mit einem bestimmten Ort und/oder mit einem bestimmten Zeitpunkt) bereitzustellen,
- • geschätzte QoS-Daten in Bezug auf den QoS des Funknetzes (an dem bestimmten Ort und/oder an dem bestimmten Zeitpunkt); und/oder
- • Konfidenzdaten in Bezug auf die Konfidenz dafür, dass die geschätzten QoS-Daten korrekt sind.
-
Die Vorrichtung kann eingerichtet sein, eine Menge von gelabelten Trainings-Datensätzen zu ermitteln, wobei ein gelabelter Trainings-Datensatz einen passiven Mess-Datensatz und dazugehörige gemessene QoS-Daten umfasst. Des Weiteren kann in jedem gelabelten Trainings-Datensatz der jeweilige Ort und/oder der jeweilige Zeitpunkt angegeben werden, an denen der passive Mess-Datensatz und die gemessenen QoS-Daten gemessen wurden. Das QoS-Modell kann dann anhand eines Maschine-Lern-Algorithmus (z.B. anhand des in diesem Dokument beschriebenen Backpropagation-Algorithmus) auf Basis der Menge von gelabelten Trainings-Datensätzen angelernt werden. Es kann somit basierend auf gelabelten Trainings-Datensätzen ein (Basis-) QoS-Modell bereitgestellt werden.
-
Die Vorrichtung ist eingerichtet, anhand des (Basis-) QoS-Modells für eine Menge von (unterschiedlichen) passiven Mess-Datensätzen in Bezug auf das Funknetz eine entsprechende Menge von geschätzten QoS-Daten und eine entsprechende Menge von Konfidenzdaten in Bezug auf die Konfidenz der jeweiligen geschätzten QoS-Daten zu ermitteln. Insbesondere kann die Vorrichtung eingerichtet sein, die Menge von geschätzten QoS-Daten (und die Menge von Konfidenzdaten) anhand des QoS-Modells für die Menge von passiven Mess-Datensätzen und für eine entsprechende Menge von Orten und/oder Zeitpunkten zu ermitteln, an denen die entsprechende Menge von passiven Mess-Datensätzen gemessen wurde.
-
Die Menge von passiven Mess-Datensätzen kann z.B. 1000 oder mehr, oder 100000 oder mehr oder eine Million oder mehr passive Mess-Datensätze umfassen. Es kann dann eine entsprechende Anzahl von geschätzten QoS-Daten und eine entsprechende Anzahl von Konfidenzdaten ermittelt werden. Insbesondere können anhand des QoS-Modells für jeden passiven Mess-Datensatz jeweils QoS-Daten und dazugehörige Konfidenzdaten ermittelt werden. Das QoS-Modell kann somit dazu genutzt werden, einen passiven Mess-Datensatz (mit geschätzten QoS-Daten) zu labeln. Ferner kann das QoS-Modell dazu genutzt werden, die Konfidenz der geschätzten QoS-Daten zu ermitteln.
-
Die Vorrichtung ist weiter eingerichtet, auf Basis der Konfidenzdaten eine Teilmenge von passiven Mess-Datensätzen aus der Menge von passiven Mess-Datensätzen auszuwählen. Die Vorrichtung kann insbesondere eingerichtet sein, als Teilmenge der passiven Mess-Datensätzen die ein oder mehreren passiven Mess-Datensätze aus der Menge von passiven Mess-Datensätzen auszuwählen, für die die Konfidenzdaten eine Konfidenz anzeigen, die größer als oder gleich wie ein vordefinierter Konfidenz-Schwellenwert ist. Alternativ oder ergänzend kann die Vorrichtung eingerichtet sein, als Teilmenge der passiven Mess-Datensätzen die ein oder mehreren passiven Mess-Datensätze aus der Menge von passiven Mess-Datensätzen auszuwählen, die im Vergleich zu den anderen ein oder mehreren passiven Mess-Datensätze aus der Menge von passiven Mess-Datensätzen die höchste Konfidenz aufweisen. Die Teilmenge der passiven Mess-Datensätzen kann z.B. zwischen 5% und 20% der passiven Mess-Datensätze aus der (Gesamt-) Menge von passiven Mess-Datensätzen umfassen.
-
Es können somit die passiven Mess-Datensätze ausgewählt werden, für die die geschätzten QoS-Daten die relativ höchste Konfidenz aufweisen. Für die ausgewählten passiven Mess-Datensätze können die jeweils geschätzten QoS-Daten als Label verwendet werden, um gelabelte Hilf-Trainings-Datensätze zum weiteren Anlernen des QoS-Modells bereitzustellen.
-
Die Vorrichtung kann somit ferner eingerichtet sein, das QoS-Modell anhand der ausgewählten Teilmenge von passiven Mess-Datensätzen und der entsprechenden Teilmenge von geschätzten QoS-Daten anzupassen (und somit ein angepasstes QoS-Modell bereitzustellen). Insbesondere kann die Vorrichtung eingerichtet sein, aus der ausgewählten Teilmenge von passiven Mess-Datensätzen und der entsprechenden Teilmenge von geschätzten QoS-Daten eine Menge von gelabelten Hilf-Trainings-Datensätzen zu erstellen. Das QoS-Modell kann dann anhand eines Maschine-Lern-Algorithmus auf Basis der Menge von gelabelten Hilfs-Trainings-Datensätzen angepasst werden. Das angepasste QoS-Modell kann zur Ermittlung von QoS-Daten bereitgestellt und/oder verwendet werden.
-
Die beschriebene Vorrichtung ermöglicht es, (ggf. in iterativer Weise) die Güte des QoS-Modells und somit die Güte der geschätzten QoS-Daten in effizienter Weise weiter zu erhöhen (ohne dass dafür weitere gemessene QoS-Daten bereitgestellt werden müssen, was typischerweise mit einem relativ hohen Aufwand verbunden ist).
-
Das Ermitteln der Menge von geschätzten QoS-Daten, das Auswählen der Teilmenge von passiven Mess-Datensätzen und das Anpassen des QoS-Modells Teil können einer Iteration eines iterativen Verfahrens zur iterativen Anpassung des QoS-Modells entsprechen. Die Vorrichtung kann eingerichtet sein, ein oder mehrere Iterationen des iterativen Verfahrens auszuführen, z.B. bis ein Abbruchkriterium vorliegt. Als Abbruchkriterium kann z.B. das Ausmaß der Erhöhung der Güte des QoS-Modells verwendet werden. Das bei Vorliegen des Abbruchkriteriums geltende QoS-Modell kann dann zur Ermittlung von QoS-Daten bereitgestellt werden.
-
Die Vorrichtung kann bei einer Iteration des iterativen Verfahrens eingerichtet sein, auf Basis einer Menge von Test-Datensätzen zu bestimmen, dass das angepasste QoS-Modell eine höhere Güte zur Schätzung von QoS-Daten aufweist als das nicht-angepasste QoS-Modell. Dies kann z.B. auf Basis einer Menge von Test-Datensätzen ermittelt werden (wobei ein Test-Datensatz jeweils einen passiven Mess-Datensatz und gemessene QoS-Daten umfasst). In Reaktion auf die erkannte Verbesserung der Güte des QoS-Modells kann in einer weiteren Iteration des iterativen Verfahrens das angepasste QoS-Modell als nicht-angepasstes QoS-Modell verwendet werden.
-
Alternativ oder ergänzend kann die Vorrichtung bei einer Iteration des iterativen Verfahrens eingerichtet sein, auf Basis einer Menge von Test-Datensätzen zu bestimmen, dass das angepasste QoS-Modell keine höhere Güte zur Schätzung von QoS-Daten aufweist als das nicht-angepasste QoS-Modell. In Reaktion darauf kann das iterative Verfahren beendet werden, und das nicht-angepasste QoS-Modell kann zur Ermittlung von QoS-Daten bereitgestellt und/oder verwendet werden.
-
Durch das iterative Anpassen des QoS-Modells können die Güte des QoS-Modells und die Güte der geschätzten QoS-Daten weiter erhöht werden.
-
Gemäß einem weiteren Aspekt wird ein (Straßen-) Kraftfahrzeug (insbesondere ein Personenkraftwagen oder ein Lastkraftwagen oder ein Bus oder ein Motorrad) beschrieben, das eingerichtet ist, einen passiven Mess-Datensatz zu ermitteln, und anhand eines QoS-Modells geschätzte QoS-Daten für den passiven Mess-Datensatz zu ermitteln. Die geschätzten QoS-Daten können für eine Funktion in dem Fahrzeug (z.B. zur Planung einer Fahrroute) verwendet werden.
-
Gemäß einem weiteren Aspekt wird ein Verfahren zur Ermittlung von QoS-Daten in Bezug auf den QoS eines Funknetzes beschrieben. Das Verfahren umfasst das Ermitteln, anhand eines QoS-Modells, einer Menge von geschätzten QoS-Daten und einer entsprechenden Menge von Konfidenzdaten in Bezug auf die Konfidenz der jeweiligen geschätzten QoS-Daten für eine entsprechende Menge von passiven Mess-Datensätzen in Bezug auf das Funknetz. Des Weiteren umfasst das Verfahren das Auswählen einer Teilmenge von passiven Mess-Datensätzen aus der Menge von passiven Mess-Datensätzen auf Basis der Konfidenzdaten. Das Verfahren umfasst ferner das Anpassen des QoS-Modells anhand der ausgewählten Teilmenge von passiven Mess-Datensätzen und anhand der entsprechenden Teilmenge von geschätzten QoS-Daten. Des Weiteren kann das Verfahren umfassen, das Bereitstellen und/oder Verwenden des angepassten QoS-Modells zur Ermittlung von QoS-Daten.
-
Gemäß einem weiteren Aspekt wird ein Software (SW) Programm beschrieben. Das SW Programm kann eingerichtet werden, um auf einem Prozessor (z.B. auf einem Steuergerät eines Fahrzeugs oder auf einer Fahrzeug-externen Einheit) ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.
-
Gemäß einem weiteren Aspekt wird ein Speichermedium beschrieben. Das Speichermedium kann ein SW Programm umfassen, welches eingerichtet ist, um auf einem Prozessor ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.
-
Es ist zu beachten, dass die in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systeme sowohl alleine, als auch in Kombination mit anderen in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen verwendet werden können. Des Weiteren können jegliche Aspekte der in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen in vielfältiger Weise miteinander kombiniert werden. Insbesondere können die Merkmale der Ansprüche in vielfältiger Weise miteinander kombiniert werden.
-
Unter dem Begriff „automatisiertes Fahren“ kann im Rahmen des Dokuments ein Fahren mit automatisierter Längs- oder Querführung oder ein autonomes Fahren mit automatisierter Längs- und Querführung verstanden werden. Bei dem automatisierten Fahren kann es sich beispielsweise um ein zeitlich längeres Fahren auf der Autobahn oder um ein zeitlich begrenztes Fahren im Rahmen des Einparkens oder Rangierens handeln. Der Begriff „automatisiertes Fahren“ umfasst ein automatisiertes Fahren mit einem beliebigen Automatisierungsgrad. Beispielhafte Automatisierungsgrade sind ein assistiertes, teilautomatisiertes, hochautomatisiertes oder vollautomatisiertes Fahren. Diese Automatisierungsgrade wurden von der Bundesanstalt für Straßenwesen (BASt) definiert (siehe BASt-Publikation „Forschung kompakt“, Ausgabe 11/2012). Beim assistierten Fahren führt der Fahrer dauerhaft die Längs- oder Querführung aus, während das System die jeweils andere Funktion in gewissen Grenzen übernimmt. Beim teilautomatisierten Fahren (TAF) übernimmt das System die Längs- und Querführung für einen gewissen Zeitraum und/oder in spezifischen Situationen, wobei der Fahrer das System wie beim assistierten Fahren dauerhaft überwachen muss. Beim hochautomatisierten Fahren (HAF) übernimmt das System die Längs- und Querführung für einen gewissen Zeitraum, ohne dass der Fahrer das System dauerhaft überwachen muss; der Fahrer muss aber in einer gewissen Zeit in der Lage sein, die Fahrzeugführung zu übernehmen. Beim vollautomatisierten Fahren (VAF) kann das System für einen spezifischen Anwendungsfall das Fahren in allen Situationen automatisch bewältigen; für diesen Anwendungsfall ist kein Fahrer mehr erforderlich. Die vorstehend genannten vier Automatisierungsgrade entsprechen den SAE-Level 1 bis 4 der Norm SAE J3016 (SAE - Society of Automotive Engineering). Beispielsweise entspricht das hochautomatisierte Fahren (HAF) Level 3 der Norm SAE J3016. Ferner ist in der SAE J3016 noch der SAE-Level 5 als höchster Automatisierungsgrad vorgesehen, der in der Definition der BASt nicht enthalten ist. Der SAE-Level 5 entspricht einem fahrerlosen Fahren, bei dem das System während der ganzen Fahrt alle Situationen wie ein menschlicher Fahrer automatisch bewältigen kann; ein Fahrer ist generell nicht mehr erforderlich. Die in diesem Dokument beschriebenen Maßnahmen können insbesondere in einem Fahrzeug verwendet werden, das gemäß SAE-Level 3 oder höher ausgebildet ist.
-
Im Weiteren wird die Erfindung anhand von Ausführungsbeispielen näher beschrieben. Dabei zeigen
- 1a ein beispielhaftes Fahrzeug;
- 1b ein beispielhaftes Fahrbahnnetz;
- 2a ein beispielhaftes neuronales Netz;
- 2b ein beispielhaftes Neuron; und
- 3 ein Ablaufdiagramm eines beispielhaften Verfahrens zur Vorhersage von QoS-Daten eines zellularen Funknetzes.
-
Wie eingangs dargelegt, befasst sich das vorliegende Dokument damit, QoS-Daten in Bezug auf den QoS eines zellularen Funknetzes in effizienter, präziser und robuster Weise vorherzusagen. In diesem Zusammenhang zeigt 1a ein beispielhaftes Fahrzeug 100 mit einem automatisierten Fahrmodus, der z.B. ein automatisiertes Führen des Fahrzeugs 100 gemäß SAE-Level 3 oder höher ermöglicht.
-
Das Fahrzeug 100 kann ein oder mehrere Umfeldsensoren 102 umfassen, die eingerichtet sind, Umfelddaten (d.h. Sensordaten) in Bezug auf das Umfeld des Fahrzeugs 100 zu erfassen. Beispielhafte Umfeldsensoren 102 sind eine Kamera, ein Radarsensor, ein Lidarsensor, ein Ultraschallsensor, etc. Eine Steuereinheit 101 des Fahrzeugs 100 kann eingerichtet sein, auf Basis der Umfelddaten ein Umfeldmodell in Bezug auf das Umfeld des Fahrzeugs 100 zu erstellen. Das Umfeldmodell kann z.B. den Fahrbahnverlauf, ein oder mehrere andere Verkehrsteilnehmer, ein oder mehrere Hindernisse, etc. im Umfeld des Fahrzeugs 100 beschreiben.
-
Die Steuereinheit 101 kann eingerichtet sein, ein oder mehrere Längs- und/oder Querführungsaktoren 103 (z.B. eine Lenkvorrichtung, einen Antriebsmotor, eine Bremsvorrichtung, etc.) in Abhängigkeit von den Umfelddaten, insbesondere in Abhängigkeit von dem Umfeldmodell, zu betreiben, insbesondere um das Fahrzeug 100 zumindest teilweise automatisiert längs- und/oder querzuführen (d.h. um einen automatisierten Fahrmodus des Fahrzeugs 100 bereitzustellen).
-
Das Fahrzeug 100 kann ferner eine Speichereinheit 104 umfassen, auf der z.B. digitale Karteninformation in Bezug auf das von dem Fahrzeug 100 befahrene Fahrbahnnetz gespeichert ist. Des Weiteren kann das Fahrzeug 100 einen Positionssensor, z.B. eine GPS-Empfänger, (nicht dargestellt) umfassen, der eingerichtet ist, Positionsdaten in Bezug auf die Position des Fahrzeugs 100 zu ermitteln. Die Steuereinheit 101 kann eingerichtet sein, auf Basis der digitalen Karteninformation (ggf. unter Berücksichtigung der Positionsdaten) eine Fahrroute für das Fahrzeug 100 von einem Ausgangspunkt bis zu einem Zielpunkt innerhalb des Fahrbahnnetzes zu planen.
-
Das Fahrzeug 100 kann außerdem eine Kommunikationseinheit 106 umfassen, die ausgebildet ist, über ein zellulares Funknetz eine (drahtlose) Kommunikationsverbindung 121 mit einer Fahrzeug-externen Einheit 120 (z.B. mit einem Backend-Server) aufzubauen. Beispielsweise kann aktualisierte digitale Karteninformation von der Fahrzeug-externen Einheit 120, z.B. Information in Bezug auf eine aktuelle Verkehrslage, bereitgestellt werden.
-
Des Weiteren kann das Fahrzeug 100 eine Benutzerschnittstelle 105 umfassen (z.B. mit ein oder mehreren Bedienelementen und/oder mit ein oder mehreren Ausgabeelementen), die eine Interkation zwischen dem Fahrzeug 100 und dem Nutzer, insbesondere dem Fahrer, des Fahrzeugs 100 ermöglicht. Außerdem kann das Fahrzeug 100 ein oder mehrere Wiedergabegeräte 107, insbesondere einen Bildschirm und/oder einen Lautsprecher, aufweisen, über die eine Wiedergabe von Audio- und/oder Video-Daten ermöglicht wird.
-
Der QoS des Funknetzes kann an unterschiedlichen Stellen bzw. Orten eines Fahrbahn- bzw. Straßennetzes unterschiedlich sein. Des Weiteren kann der QoS des Funknetzes in Abhängigkeit von der Tageszeit und/oder in Abhängigkeit von dem Wochentag variieren. Der QoS des Funknetzes kann somit ort- und/oder zeitabhängig sein. Ferner kann der QoS des Funknetzes von ein oder mehreren Eigenschaften des Endgeräts (innerhalb des Fahrzeugs 100) abhängen, wie z.B. der Position der ein oder mehreren Antennen des Endgeräts.
-
Im Rahmen der digitalen Karteninformation kann ein QoS-Modell bereitgestellt werden (und ggf. auf der Speichereinheit 104 des Fahrzeugs 100 gespeichert werden), das eingerichtet ist, für unterschiedliche Orte und/oder Zeitpunkte jeweils QoS-Daten in Bezug auf den QoS des Funknetzes vorherzusagen. Die QoS-Daten können z.B. anzeigen,
- • die Latenz des Funknetzes; und/oder
- • eine mögliche Datenrate des Funknetzes.
-
Das QoS-Modell kann dazu verwendet werden, QoS-Daten für die unterschiedlichen Orte auf einer vorausliegenden Fahrroute des Fahrzeugs 100 vorherzusagen. Insbesondere kann anhand des QoS-Modells ermittelt werden, ob der QoS des Funknetzes auf einer vorausliegenden Fahrroute ausreichend hoch sein wird, um einen bestimmten Audio- und/oder Video-Streamingdienst verwenden zu können und/oder um einen automatisierten Fahrbetrieb des Fahrzeugs 100 zu ermöglichen.
-
1b zeigt einen Ausschnitt aus einem beispielhaften Fahrbahnnetz 130, wobei das Fahrbahnnetz 130 eine Vielzahl von Knotenpunkten 133 und eine Vielzahl von Kanten bzw. Verbindungspfaden 134 zwischen unterschiedlichen Knotenpunkten 133 umfasst. Das Fahrbahnnetz 130, insbesondere die geographische Anordnung des Fahrbahnnetzes 130, kann durch die digitale Karteninformation angezeigt und/oder beschrieben werden.
-
Die Steuereinheit 101 des Fahrzeugs 100 kann eingerichtet sein, mehrere unterschiedliche Fahrrouten 141, 142 von einem Ausgangspunkt 131 bis zu einem Zielpunkt 132 des Fahrbahnnetzes 130 zu ermitteln. Dabei können anhand des QoS-Modells QoS-Daten in Bezug auf den QoS des Funknetzes entlang der jeweiligen Fahrroute 141, 142 prädiziert werden. Es kann dann ggf. eine Fahrroute 142 ausgewählt werden, die bestimmte (Mindest-) Anforderung in Bezug auf den QoS des Funknetzes erfüllt. So können der Komfort für einen Insassen des Fahrzeugs 100 und/oder die Zuverlässigkeit des automatisierten Fahrmodus des Fahrzeugs 100 erhöht werden.
-
Das QoS-Modell kann ein Maschinen-erlerntes Modell umfassen, insbesondere sein. Ein beispielhaftes Maschinen-erlerntes Modell ist ein neuronales Netz, insbesondere ein Deep Neural Network (DNN). Weitere beispielhafte Maschinenerlernte Modelle sind ein Random-Forest Modell und/oder ein Bayesian Neural Network Modell. Im Folgenden wird ein neuronales Netz als Beispiel für ein Maschinen-erlerntes QoS-Modell beschrieben.
-
2a und 2b zeigen beispielhafte Komponenten eines neuronalen Netzes 200, insbesondere eines Feedforward-Netzes. Das Netz 200 umfasst in dem dargestellten Beispiel zwei Eingangs-Neuronen bzw. Eingabe-Knoten 202, die zu einem bestimmten Zeitpunkt t jeweils einen aktuellen Wert einer Eingangsgröße als Eingangswert 201 aufnehmen. Die ein oder mehrere Eingangs-Knoten 202 sind Teil einer Eingangs-Schicht 211. Allgemein kann das Netz 200 ausgebildet sein, einen Eingangs-Datensatz mit ein oder mehreren Eingangswerten 201 aufzunehmen. Beispielsweise können ein passiver Mess-Datensatz in Bezug auf das Funknetz und/oder ein Ort und/oder ein Zeitpunkt als Eingangswerte 201 an das neuronale Netz 200 übergeben werden.
-
Das neuronale Netz 200 umfasst ferner Neuronen 220 in ein oder mehreren verdeckten Schichten 212 des neuronalen Netzes 200. Jedes der Neuronen 220 kann als Eingangswerte die einzelnen Ausgangswerte der Neuronen der vorhergehenden Schicht 212, 211 aufweisen (oder zumindest einen Teil davon). In jedem der Neuronen 220 erfolgt eine Verarbeitung, um in Abhängigkeit von den Eingangswerten einen Ausgangswert des Neurons 220 zu ermitteln. Die Ausgangswerte der Neuronen 220 der letzten verdeckten Schicht 212 können in einem Ausgangs-Neuron bzw. Ausgabe-Knoten 220 einer Ausgangs-Schicht 213 verarbeitet werden, um die ein oder mehreren Ausgangswerte 203 des neuronalen Netzes 200 zu ermitteln. Allgemein kann das Netz 200 ausgebildet sein, Ausgangsdaten mit ein oder mehreren Ausgangswerten 203 bereitzustellen. Beispielsweise können geschätzte QoS-Daten in Bezug auf den QoS des Funknetzes an einem bestimmten Ort und/oder an einem bestimmten Zeitpunkt als Ausgangswert 203 bereitgestellt werden.
-
2b veranschaulicht die beispielhafte Signalverarbeitung innerhalb eines Neurons 220, insbesondere innerhalb der Neuronen 202 der ein oder mehreren verdeckten Schichten 212 und/oder der Ausgangs-Schicht 213. Die Eingangswerte 221 des Neurons 220 werden mit individuellen Gewichten 222 gewichtet, um in einer Summeneinheit 223 eine gewichtete Summe 224 der Eingangswerte 221 zu ermitteln (ggf. unter Berücksichtigung eines Bias bzw. Offsets 227). Durch eine Aktivierungsfunktion 225 kann die gewichtete Summe 224 auf einen Ausgangswert 226 des Neurons 220 abgebildet werden. Dabei kann durch die Aktivierungsfunktion 225 z.B. eine Begrenzung des Wertebereichs erfolgen. Für ein Neuron 220 kann z.B. eine Sigmoid-Funktion oder eine Tangens hyperbolicus (tanh)-Funktion oder eine Rectified Linear Unit (ReLU), z.B. f(x) = max(0, x) als Aktivierungsfunktion 225 verwendet werden. Ggf. kann der Wert der gewichteten Summe 224 mit einem Offset 227 verschoben werden.
-
Ein Neuron 220 weist somit Gewichte 222 und/oder ggf. einen Offset 227 als Neuron-Parameter auf. Die Neuron-Parameter der Neuronen 220 eines neuronalen Netzes 200 können in einer Trainingsphase angelernt werden, um zu bewirken, dass das neuronale Netz 200 (d.h. dass das, das neuronale Netz 200 umfassende, Schätzmodell) eine bestimmte Funktion approximiert und/oder ein bestimmtes Verhalten modelliert, etwa den QoS des Funknetzes an unterschiedlichen Orten und/oder Zeitpunkten vorhersagt.
-
Das Anlernen eines neuronalen Netzes 200 kann z.B. anhand des Backpropagation-Algorithmus erfolgen. Zu diesem Zweck können in einer ersten Phase einer qten Epoche eines Lern-Algorithmus für die Eingangswerte 201 an den ein oder mehreren Eingangs-Knoten 202 des neuronalen Netzes 200 entsprechende Ausgangswerte 203 an dem Ausgang der ein oder mehreren Ausgangs-Neuronen 220 ermittelt werden. Auf Basis der Ausgangswerte 203 kann der Fehlerwert einer Optimierungs- bzw. Fehlerfunktion ermittelt werden.
-
In einer zweiten Phase der qten Epoche des Lern-Algorithmus erfolgt eine Rückpropagation des Fehlers bzw. des Fehlerwertes von dem Ausgang zum Eingang des neuronalen Netzes, um schichtweise die Neuron-Parameter der Neuronen 220 zu verändern. Dabei kann die ermittelte Fehlerfunktion am Ausgang partiell nach jedem einzelnen Neuron-Parameter des neuronalen Netzes 200 abgeleitet werden, um ein Ausmaß und/oder eine Richtung zur Anpassung der einzelnen Neuron-Parameter zu ermitteln. Dieser Lern-Algorithmus kann iterativ für eine Vielzahl von Epochen wiederholt werden, bis ein vordefiniertes Konvergenz- und/oder Abbruchkriterium erreicht wird.
-
In dem vorliegenden Kontext können bei einer Vielzahl von Fahrten von Fahrzeugen 100 eine Vielzahl von Trainings-Datensätzen ermittelt werden, die ort- und/oder zeitabhängig gemessene Trainings-QoS-Daten in Bezug auf den jeweils vorliegenden QoS des Funknetzes anzeigen. Ferner können für die einzelnen Trainings-Datensätze passive Mess-Datensätze in Bezug auf den jeweils vorliegenden QoS des Funknetzes erfasst werden. Passive Mess-Datensätze können insbesondere Daten umfassen, die allein durch die Kommunikationseinheit 106 des jeweiligen Fahrzeugs 100 ermittelt werden können (ohne eine konkrete Anfrage in Bezug auf den QoS an den jeweiligen Fahrzeug-externen Kommunikationspartner 120 stellen zu müssen). Beispielhafte Daten aus einem Mess-Datensatz sind,
- • Fahrdaten in Bezug auf den Fahrbetrieb des Fahrzeugs 100 (wie z.B. die Fahrgeschwindigkeit);
- • Situationsdaten in Bezug auf die Fahrsituation, in der sich das Fahrzeug 100 befindet (wie z.B. Verkehrsdichte, Wetterinformation, etc.); und/oder
- • Netzwerkdaten in Bezug auf den physikalischen Layer der Kommunikationsverbindung 121 und/oder in Bezug auf die Auslastung der einzelnen Zellen des zellularen Funknetzes, wie z.B. average BLER (Block Error Ratio), RB (resource block) utilization, average load, etc.
-
Es kann auf Basis der Vielzahl von Trainings-Datensätzen ein neuronales Netz 200 (d.h. ein QoS-Modell) angelernt werden, das ausgebildet ist, als Eingangswerte 201 den Ort, die Zeit und einen passiven Mess-Datensatz aufzunehmen, und als Ausgangswert 203 die geschätzten QoS-Daten für die durch die Eingangswerte 201 beschriebene Situation bereitzustellen. Des Weiteren kann das QoS-Modell derart angelernt werden, dass für die durch das QoS-Modell angezeigten QoS-Daten jeweils eine Konfidenz bzw. eine Wahrscheinlichkeit dafür bereitgestellt werden, dass die QoS-Daten korrekt sind. Alternativ oder ergänzend können die Konfidenzdaten für die durch das QoS-Modell angezeigten QoS-Daten eine Wahrscheinlichkeitsverteilung der QoS-Daten umfassen.
-
Die Ermittlung von (gelabelten) Trainings-Datensätzen, die jeweils gemessene (aktive) QoS-Daten anzeigen, ist mit einem relativ hohen Aufwand verbunden. Andererseits können passive Mess-Datensätze mit relativ geringem Aufwand bereitgestellt werden. Diese passiven Mess-Datensätze können dazu verwendet werden, in effizienter Weise die Güte eines QoS-Modells weiter zu erhöhen.
-
In einem ersten Schritt kann auf Basis der Vielzahl von (gelabelten) Trainings-Datensätzen ein QoS-Modell ermittelt werden (das als Eltern-Modell betrachtet werden kann). Dieses QoS-Modell kann dazu verwendet werden, für eine Menge von passiven Mess-Datensätzen eine entsprechende Menge von geschätzten QoS-Daten mit jeweils einem Konfidenzwert zu ermitteln.
-
Auf Basis der Konfidenzwerte für die unterschiedlichen passiven Mess-Datensätze kann eine Teilmenge von passiven Mess-Datensätzen aus der Gesamtmenge von passiven Mess-Datensätzen ermittelt werden. Insbesondere können die Mess-Datensätze aus der Gesamtmenge von passiven Mess-Datensätzen ausgewählt werden, für die die Konfidenz der geschätzten QoS-Daten einen bestimmten Konfidenz-Schwellenwert überschreitet und/oder es können die N passiven Mess-Datensätze selektiert werden, die die relativ höchsten Konfidenzwerte aufweisen.
-
Es können somit eine Teilmenge von passiven Mess-Datensätzen und eine entsprechende Teilmenge von geschätzten QoS-Daten ermittelt werden, die zu einer entsprechenden Menge von zusätzlichen (Hilfs-) Trainings-Datensätzen zusammengefasst werden können. Die Menge von zusätzlichen (Hilfs-) Trainings-Datensätzen kann dazu verwendet werden, das QoS-Modell (d.h. das Eltern-Modell) weiter anzulernen, um ein angepasstes QoS-Modell (d.h. ein Kind-Modell) bereitzustellen.
-
Es kann dann anhand einer Menge von (gelabelten) Test-Datensätzen überprüft werden, ob das angepasste QoS-Modell (d.h. das Kind-Modell) eine höhere Güte zur Schätzung der QoS-Daten aufweist, als das vorhergehende QoS-Modell (d.h. das Eltern-Modell). Wenn dies der Fall ist, so kann das angepasste QoS-Modell in einer weiteren Iteration des iterativen Verfahrens als Eltern-Modell verwendet werden, um auf Basis von passiven Mess-Datensätzen aus einer weiteren Menge von zusätzlichen Mess-Datensätzen eine weitere Anpassung des QoS-Modells zu bewirken. Wenn andererseits das angepasste QoS-Modell keine (wesentliche) Verbesserung gegenüber dem vorhergehenden QoS-Modell bewirkt, so kann das iterative Verfahren abgebrochen werden. Das vorhergehende QoS-Modell kann dann als QoS-Modell für die Schätzung von QoS-Daten verwendet werden (z.B. im Rahmen der Planung einer Fahrroute 141, 142).
-
3 zeigt ein Ablaufdiagramm eines beispielhaften (ggf. Computerimplementierten) Verfahrens 300 zur Ermittlung von QoS-Daten in Bezug auf den QoS eines (zellularen) Funknetzes. Das Verfahren 300 kann durch die Steuereinheit 101 eines Fahrzeugs 100 und/oder durch eine Fahrzeug-externe Einheit 120 ausgeführt werden.
-
Das Verfahren 300 umfasst das Ermitteln 301, anhand eines QoS-Modells, einer Menge von geschätzten QoS-Daten und einer entsprechenden Menge von Konfidenzdaten in Bezug auf die Konfidenz der jeweiligen geschätzten QoS-Daten für eine entsprechende Menge von passiven Mess-Datensätzen in Bezug auf das Funknetz. Die passiven Mess-Datensätze können jeweils Daten aufweisen, die (ggf. allein) durch ein Endgerät in dem Funknetz gemessen werden können (ohne Rückmeldung von einer Basisstation des Funknetzes).
-
Es kann somit ein (bereits auf Basis von gelabelten Trainings-Datensätzen angelerntes) QoS-Modell bereitgestellt werden, das ausgebildet ist, einen passiven Mess-Datensatz als Eingangswert 201 aufzunehmen, und basierend darauf geschätzte QoS-Daten als Ausgangswert 203 bereitzustellen. Ferner können für die anhand des QoS-Modells geschätzten QoS-Daten Konfidenzdaten bereitgestellt werden, die die Güte und/oder die Konfidenz der geschätzten QoS-Daten anzeigen.
-
Des Weiteren umfasst das Verfahren 300 das Auswählen 302 einer Teilmenge von passiven Mess-Datensätzen aus der Menge von passiven Mess-Datensätzen auf Basis der Konfidenzdaten. Insbesondere können die ein oder mehreren Mess-Datensätze mit der höchsten Konfidenz ausgewählt werden.
-
Die ausgewählte Teilmenge von passiven Mess-Datensätzen und die dieser Teilmenge von passiven Mess-Datensätzen entsprechende Teilmenge von geschätzten QoS-Daten können dann als Hilfs-Trainings-Datensätze verwendet werden, um das QoS-Modell anzupassen. Das Verfahren 300 kann somit umfassen, das Anpassen 303 des QoS-Modells anhand der ausgewählten Teilmenge von passiven Mess-Datensätzen und anhand der entsprechenden Teilmenge von geschätzten QoS-Daten.
-
Das Verfahren 300 kann iterativ wiederholt werden, um das QoS-Modell iterativ auf Basis von selektierten passiven Mess-Datensätzen anzupassen. Das angepasste QoS-Modell kann dann zur Ermittlung von QoS-Daten bereitgestellt und/oder verwendet werden (Schritt 304), beispielsweise in einem Fahrzeug 100 zur Ermittlung einer Fahrroute 141, 142.
-
Die in diesem Dokument beschriebenen Maßnahmen ermöglichen es, in effizienter Weise ein robustes QoS-Modell zur Vorhersage des QoS eines Funknetzes zu ermitteln. So können der Komfort und die Güte von Funknetzbasierten Funktionen in einem Fahrzeug 100 erhöht werden.
-
Die vorliegende Erfindung ist nicht auf die gezeigten Ausführungsbeispiele beschränkt. Insbesondere ist zu beachten, dass die Beschreibung und die Figuren nur das Prinzip der vorgeschlagenen Verfahren, Vorrichtungen und Systeme veranschaulichen sollen.
