DE102023201776A1 - Prädiktive Dienstgüte über Kanalaggregation - Google Patents

Prädiktive Dienstgüte über Kanalaggregation Download PDF

Info

Publication number
DE102023201776A1
DE102023201776A1 DE102023201776.8A DE102023201776A DE102023201776A1 DE 102023201776 A1 DE102023201776 A1 DE 102023201776A1 DE 102023201776 A DE102023201776 A DE 102023201776A DE 102023201776 A1 DE102023201776 A1 DE 102023201776A1
Authority
DE
Germany
Prior art keywords
data rate
rsrp2
rsrp1
carrier
time
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.)
Pending
Application number
DE102023201776.8A
Other languages
English (en)
Inventor
Hugues Narcisse Tchouankem
Joao Semedo
Maja RUDOLPH
Maximilian STARK
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of DE102023201776A1 publication Critical patent/DE102023201776A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W24/00Supervisory, monitoring or testing arrangements
    • H04W24/08Testing, supervising or monitoring using real traffic
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B17/00Monitoring; Testing
    • H04B17/30Monitoring; Testing of propagation channels
    • H04B17/309Measuring or estimating channel quality parameters
    • H04B17/318Received signal strength
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B17/00Monitoring; Testing
    • H04B17/20Monitoring; Testing of receivers
    • H04B17/26Monitoring; Testing of receivers using historical data, averaging values or statistics
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B17/00Monitoring; Testing
    • H04B17/30Monitoring; Testing of propagation channels
    • H04B17/309Measuring or estimating channel quality parameters
    • H04B17/318Received signal strength
    • H04B17/327Received signal code power [RSCP]
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B17/00Monitoring; Testing
    • H04B17/30Monitoring; Testing of propagation channels
    • H04B17/373Predicting channel quality or other radio frequency [RF] parameters
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W24/00Supervisory, monitoring or testing arrangements
    • H04W24/10Scheduling measurement reports ; Arrangements for measurement reports
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W28/00Network traffic management; Network resource management
    • H04W28/02Traffic management, e.g. flow control or congestion control
    • H04W28/08Load balancing or load distribution
    • H04W28/09Management thereof
    • H04W28/0958Management thereof based on metrics or performance parameters
    • H04W28/0967Quality of Service [QoS] parameters
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W28/00Network traffic management; Network resource management
    • H04W28/16Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • H04W28/24Negotiating SLA [Service Level Agreement]; Negotiating QoS [Quality of Service]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • G06N3/0442Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/09Supervised learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

Ein drahtloses System umfasst eine Steuerung, ausgelegt zum Messen einer ersten RSRP1 (Referenzsignal-Empfangsleistung) von einem ersten Träger zu einem ersten Zeitpunkt; Messen einer zweiten RSRP2 (Referenzsignal-Empfangsleistung) von einem zweiten Träger zu einem zweiten Zeitpunkt; Annotieren der RSRP1 auf den ersten Träger und der RSRP2 auf den zweiten Träger; wenn der erste Zeitpunkt und der zweite Zeitpunkt in einem gleichzeitigen Zeitraum liegen, Assoziieren von RSRP1 und RSRP2 mit dem gleichzeitigen Zeitraum; Erzeugen eines Vektors von N Dimensionen von RSRP1 und RSRP2 in dem gleichzeitigen Zeitraum; Verarbeiten des Vektors von N Dimensionen über eine trainierbare Funktion zum Erhalten einer vorhergesagten Datenrate; und wenn die vorhergesagte Datenrate unter eine Normalbetriebsbereichsschwelle fällt, Betreiben des Systems in einem Modus niedriger Bandbreite.

Description

  • Technisches Gebiet
  • Die vorliegende Offenbarung betrifft allgemein pQoS (prädiktive Dienstgüte) in einem Netzwerk. Spezieller betrifft die vorliegende Anmeldung prädiktive QoS (Dienstgüte) über ein unter Verwendung von Kanalaggregation trainiertes Maschinenlernsystem.
  • Hintergrund
  • Bei der Netzwerkanalyse ist QoS (Dienstgüte) eine Messung der Leistungsfähigkeit des Netzwerks, so wie sie von einem Benutzer des Netzwerks beobachtet wird. QoS kann in mehreren verschiedenen Arten von Netzwerken verwendet werden, wie etwa drahtlosen Netzwerken, Cloud-Netzwerken, Computernetzwerken usw. QoS betrachtet oft mehrere Aspekte des Netzwerks, wie etwa Paketverlust, Bitrate, Durchsatz, Übertragungsverzögerung usw. QoS ist besonders beim Transport von Daten mit speziellen Anforderungen, wie etwa zeitkritischen Daten für Audioübertragungen, Videoübertragungen, oder Sicherheitsinformationen bezüglich des Betriebs von Maschinerie oder Systemen wichtig.
  • Kurzfassung
  • Ein Verfahren zum Betrieb eines drahtlosen Empfängersystems umfasst Messen einer ersten RSRP1 (Referenzsignal-Empfangsleistung) von einem ersten Träger zu einem ersten Zeitpunkt; Messen einer zweiten RSRP2 (Referenzsignal-Empfangsleistung) von einem zweiten Träger zu einem zweiten Zeitpunkt; Annotieren der RSRP1 auf den ersten Träger und der RSRP2 auf den zweiten Träger; wenn der erste Zeitpunkt und der zweite Zeitpunkt in einem gleichzeitigen Zeitraum liegen, Assoziieren von RSRP1 und RSRP2 mit dem gleichzeitigen Zeitraum; Erzeugen eines Vektors von N Dimensionen von RSRP1 und RSRP2 in dem gleichzeitigen Zeitraum; Verarbeiten des Vektors von N Dimensionen über eine trainierbare Funktion zum Erhalten einer vorhergesagten Datenrate; und wenn die vorhergesagte Datenrate unter eine Normalbetriebsbereichsschwelle fällt, Betreiben des Systems in einem Modus niedriger Bandbreite.
  • Ein drahtloses System umfasst eine Steuerung, ausgelegt zum Messen einer ersten RSRP1 (Referenzsignal-Empfangsleistung) von einem ersten Träger zu einem ersten Zeitpunkt; Messen einer zweiten RSRP2 (Referenzsignal-Empfangsleistung) von einem zweiten Träger zu einem zweiten Zeitpunkt; Annotieren der RSRP1 auf den ersten Träger und der RSRP2 auf den zweiten Träger; wenn der erste Zeitpunkt und der zweite Zeitpunkt in einem gleichzeitigen Zeitraum liegen, Assoziieren von RSRP1 und RSRP2 mit dem gleichzeitigen Zeitraum; Erzeugen eines Vektors von N Dimensionen von RSRP1 und RSRP2 in dem gleichzeitigen Zeitraum; Verarbeiten des Vektors von N Dimensionen über eine trainierbare Funktion zum Erhalten einer vorhergesagten Datenrate; und wenn die vorhergesagte Datenrate unter eine Normalbetriebsbereichsschwelle fällt, Betreiben des Systems in einem Modus niedriger Bandbreite.
  • Ein mit einem Fahrzeug assoziiertes drahtloses System umfasst einen Prozessor und einen Speicher mit Anweisungen, die durch den Prozessor ausgeführt werden. Die Anweisungen veranlassen den Prozessor zum Messen einer ersten RSRP1 (Referenzsignal-Empfangsleistung) von einem ersten Träger zu einem ersten Zeitpunkt; Messen einer zweiten RSRP2 (Referenzsignal-Empfangsleistung) von einem zweiten Träger zu einem zweiten Zeitpunkt; Annotieren der RSRP1 auf den ersten Träger und der RSRP2 auf den zweiten Träger; wenn der erste Zeitpunkt und der zweite Zeitpunkt in einem gleichzeitigen Zeitraum liegen, Assoziieren von RSRP1 und RSRP2 mit dem gleichzeitigen Zeitraum; Erzeugen eines Vektors von N Dimensionen von RSRP1 und RSRP2 in dem gleichzeitigen Zeitraum; Verarbeiten des Vektors von N Dimensionen über eine trainierbare Funktion zum Erhalten einer vorhergesagten Datenrate; und wenn die vorhergesagte Datenrate unter eine Normalbetriebsbereichsschwelle fällt, Betreiben des Systems in einem Modus niedriger Bandbreite.
  • Figurenliste
    • 1 ist eine Darstellung eines Beispiels für ein System in Bezug auf prädiktive QoS mit Kanalaggregation über eine trainierbare Funktion gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung.
    • 2A ist eine grafische Darstellung von QoS mit Bezug auf Zeit.
    • 2B ist eine grafische Darstellung einer Karte eines Mobilfunknetz-QoS-Gitters mit einer dadurch verlaufenden Route.
    • 3A ist eine grafische Darstellung von Trägern mit Bezug auf Frequenz.
    • 3B ist eine tabellarische Darstellung sequenzieller Abtastzeit mit assoziiertem Träger auf der Basis von RSRP (Referenzsignal-Empfangsleistung), umgeordnet über Trägeraggregation.
    • 4 ist ein grafisches Diagramm normierter Datenrate mit Bezug auf Subpaket-RSRP.
    • 5A ist ein grafisches Diagramm von Asynchron-Netzwerk-Eingangsdaten mit Synchron-Ausgangsdatenrate.
    • 5B ist eine grafische Darstellung einer zur Vorhersage von QoS verwendeten Datensatzstruktur.
    • 6 ist eine grafische Darstellung eines kontinuierlich-diskreten rekurrenten Kalman-Netzes, angewandt gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung.
    • 7 zeigt ein schematisches Diagramm einer Interaktion zwischen einer computergesteuerten Maschine und einem Steuersystem gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung.
    • 8 zeigt ein schematisches Diagramm des Steuersystems von 7, das dafür ausgelegt ist, eine mobile Maschine zu steuern, die mindestens teilweise oder vollständig autonom ist, gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung.
  • Ausführliche Beschreibung
  • Die hier beschriebenen Ausführungsformen, die anhand von Beispielen gezeigt und beschrieben wurden, und viele ihrer Vorteile werden durch die obige Beschreibung verständlich und es ist ersichtlich, dass verschiedene Änderungen an Form, Konstruktion und Anordnung der Komponenten vorgenommen werden können, ohne von dem offenbarten Gegenstand abzuweichen oder ohne einen oder mehrere seiner Vorteile aufzugeben. Tatsächlich sind die beschriebenen Formen dieser Ausführungsformen lediglich erläuternd. Bei diesen Ausführungsformen gibt es verschiedene Modifikationen und alternative Formen, und die folgenden Ansprüche sollen solche Änderungen einschließen und umfassen und nicht auf die konkreten offenbarten Formen beschränkt sein, sondern sollen alle Modifikationen, Äquivalente und Alternativen abdecken, die in den Wesen und Schutzumfang der vorliegenden Offenbarung fallen.
  • Der Ausdruck „im Wesentlichen“ kann hier verwendet werden, um offenbarte oder beanspruchte Ausführungsformen zu beschreiben. Der Ausdruck „im Wesentlichen“ kann einen Wert oder eine relative Eigenschaft, der bzw. die in der vorliegenden Offenbarung beansprucht wird, modifizieren. In solchen Fällen kann „im Wesentlichen“ bedeuten, dass der Wert oder die relative Eigenschaft, den bzw. die es modifiziert, innerhalb von ± 0%, 0,1%, 0,5%, 1%, 2%, 3%, 4%, 5% oder 10% des Werts oder der relativen Eigenschaft liegt.
  • 1 ist eine Darstellung eines nicht einschränkenden Beispiels für ein System 100, das dafür ausgelegt ist, mindestens ein Maschinenlernsystem 140 zu trainieren, zu verwenden und/oder einzusetzen, gemäß einer beispielhaften Ausführungsform. Das System 100 umfasst mindestens ein Verarbeitungssystem 110 mit mindestens einer Verarbeitungsvorrichtung. Zum Beispiel umfasst das Verarbeitungssystem 110 mindestens einen elektronischen Prozessor, eine CPU (Zentralverarbeitungseinheit), eine GPU (Grafikverarbeitungseinheit), einen Mikroprozessor, einen Mikrocontroller, ein FPGA (Field-Programmable Gatearray), ein ASIC (anwendungsspezifische integrierte Schaltung), eine beliebige geeignete Verarbeitungstechnologie oder eine beliebige Anzahl und Kombination davon. Das Verarbeitungssystem 110 ist betreibbar zum Bereitstellen der hier beschriebenen Funktionalität.
  • Das System 100 umfasst ein Speichersystem 120, das wirksam mit dem Verarbeitungssystem 110 verbunden ist. Bei einer beispielhaften Ausführungsform umfasst das Speichersystem 120 mindestens ein nichtflüchtiges computer-lesbares Speicherungsmedium, das dafür ausgelegt ist, verschiedene Daten zu speichern und Zugang zu diesen bereitzustellen, um es mindestens dem Verarbeitungssystem 110 zu ermöglichen, die Operationen und Funktionalität wie hier offenbart auszuführen. Bei einer beispielhaften Ausführungsform umfasst das Speichersystem 120 eine einzige Speichervorrichtung oder mehrere Speichervorrichtungen. Das Speichersystem 120 kann elektrische, elektronische, magnetische, optische, Halbleiter-, elektromagnetische oder beliebige geeignete Speicherungstechnologie umfassen, die mit dem System 100 betreibbar ist. Zum Beispiel kann bei einer beispielhaften Ausführungsform das Speichersystem 120 RAM (Direktzugriffsspeicher), ROM (Festwertspeicher), Flash-Speicher, ein Plattenlaufwerk, eine Speicherkarte, eine optische Speicherungsvorrichtung, eine magnetische Speicherungsvorrichtung, ein Speichermodul, eine beliebige geeignete Art von Speichervorrichtung oder eine beliebige Anzahl und Kombination davon umfassen. Mit Bezug auf das Verarbeitungssystem 110 und/oder andere Komponenten des Systems 100 ist das Speichersystem 120 lokal, entfernt oder eine Kombination davon (z. B. teilweise lokal und teilweise entfernt). Zum Beispiel umfasst bei einer beispielhaften Ausführungsform das Speichersystem 120 mindestens ein Speicherungssystem auf Cloud-Basis (z. B. Datenbanksystem auf Cloud-Basis), das von dem Verarbeitungssystem 110 und/oder anderen Komponenten des Systems 100 entfernt ist.
  • Das Speichersystem 120 umfasst mindestens ein trainierbares Funktionsrahmenwerk 130, das Maschinenlernsystem 140, Trainingsdaten 150 und andere relevante Daten 160, die darauf gespeichert sind. Das trainierbare Funktionsrahmenwerk 130 umfasst computer-lesbare Daten mit Anweisungen, die, wenn sie durch das Verarbeitungssystem 110 ausgeführt werden, dafür ausgelegt sind, Dienstgüte in einem Netzwerk über ein unter Verwendung von Kanalaggregation trainiertes Maschinenlernsystem vorherzusagen. Die computer-lesbaren Daten können Anweisungen, Code, Routinen, verschiedene diesbezügliche Daten, beliebige Softwaretechnologie oder eine beliebige Anzahl und Kombination davon umfassen.
  • Bei einer beispielhaften Ausführungsform umfasst das Maschinenlernsystem 140 eine trainierbare Funktion, ein NN (neuronales Netz), ein CNN (Faltungs-Neuronalnetz), ein CDRKN (kontinuierlich-diskretes rekurrentes Kalman-Netz), ein beliebiges geeignetes Codierungsnetzwerk, ein beliebiges geeignetes künstliches neuronales Netzmodell oder eine beliebige Anzahl und Kombination davon. Außerdem umfassen die Trainingsdaten 150 mindestens ausreichend viel Sensordaten, Zeitreihendaten, Datenmengendaten aus einer Anzahl von Domänen, Few-Shot-Beispiele, Few-Shot-Samples, verschiedene Verlustdaten (z. B. verschiedene Verlustausgangsdaten, verschiedene Aufgabenverlustdaten, verschiedene Ausreißer-Verlustdaten usw.), verschiedene Gewichtsdaten und verschiedene Parameterdaten sowie etwaige diesbezügliche Maschinenlerndaten, die es dem System 100 ermöglichen, das trainierbare Funktionsrahmenwerk 130 wie hier beschrieben bereitzustellen. Im Übrigen stellen die anderen relevanten Daten 160 verschiedene Daten bereit (z. B. Betriebssystem, Maschinenlernalgorithmen, Anomaliebewertungsdaten usw.) die es dem System 100 ermöglichen, die hier besprochenen Funktionen auszuführen.
  • Das System 100 ist dafür ausgelegt, mindestens ein Sensorsystem 170 zu umfassen. Das Sensorsystem 170 umfasst einen oder mehrere Sensoren. Zum Beispiel umfasst das Sensorsystem 170 einen Hochfrequenz- bzw. HF-Empfänger. Das Sensorsystem 170 ist dafür betreibbar, mit einer oder mehreren anderen Komponenten (z. B. Verarbeitungssystem 110 und Speichersystem 120) des Systems 100 zu kommunizieren. Zum Beispiel kann das Sensorsystem 170 Sensordaten bereitstellen, die dann durch das Verarbeitungssystem 110 verwendet oder vorverarbeitet werden, um geeignete Eingangsdaten (z. B. Audiodaten, Bilddaten usw.) für das Maschinenlernsystem 140 zu erzeugen. In dieser Hinsicht ist das Verarbeitungssystem 110 dafür ausgelegt, die Sensordaten direkt oder indirekt von einem oder mehreren Sensoren des Sensorsystems 170 zu erhalten. Das Sensorsystem 170 ist lokal, entfernt oder eine Kombination davon (z. B. teilweise lokal und teilweise entfernt). Bei Empfang der Sensordaten ist das Verarbeitungssystem 110 ausgelegt zum Verarbeiten dieser Sensordaten und Bereitstellen der Sensordaten in einem geeigneten Format (z. B. Audiodaten, Bilddaten usw.) in Verbindung mit dem trainierbaren Funktionsrahmenwerk 130, dem Maschinenlernsystem 140, den Trainingsdaten 150 oder einer beliebigen Anzahl und Kombination davon.
  • Außerdem kann das System 100 mindestens eine andere Komponente umfassen. Zum Beispiel ist, wie in 1 gezeigt, das Speichersystem 120 auch dafür ausgelegt, andere relevante Daten 160 zu speichern, die Betrieb des Systems 100 in Bezug auf eine oder mehrere Komponenten (z. B. Sensorsystem 170, Eingabe-/Ausgabe- bzw. E/A-Vorrichtungen 180 und andere Funktionsmodule 190) betreffen. Außerdem ist das System 100 dafür ausgelegt, eine oder mehrere E/A-Vorrichtungen 180 (z. B. Anzeigevorrichtung, Tastaturvorrichtung, Mikrofonvorrichtung, Lautsprechervorrichtung usw.) zu umfassen, die das System 100 betreffen. Außerdem umfasst das System 100 andere Funktionsmodule 190, wie etwa beliebige geeignete Hardware, Software oder Kombination davon, die beim Funktionieren des Systems 100 helfen oder dazu beitragen. Zum Beispiel umfassen die anderen Funktionsmodule 190 Kommunikationstechnologie, die es Komponenten des Systems 100 ermöglicht, wie hier beschrieben miteinander zu kommunizieren. In dieser Hinsicht ist das System 100 dafür betreibbar, mindestens das Maschinenlernsystem 140 (und/oder das trainierbare Funktionsrahmenwerk 130) wie hier beschrieben zu trainieren, zu verwenden und/oder einzusetzen.
  • Einer der größten Vorteile drahtloser Übertragung ist, dass sich im Gegensatz zu drahtgebundener Übertragung ein Benutzer in einem Versorgungsgebiet frei umherbewegen kann. Zu diesem Zweck werden elektromagnetische Wellen von einem Sender zu einem Empfänger gesendet. Aufgrund physikalischer Effekte ist die Ausbreitung der elektromagnetischen Wellen in dem freien Raum betroffen. Es ist deshalb die Aufgabe jedes drahtlosen Kommunikationssystems, geeignete Mechanismen einzurichten, um Störungen und Kanalfading zu eliminieren oder zu kompensieren. Im Allgemeinen kann sich der Kanal mit der Zeit und Frequenz ändern. Es gibt verschiedene Kanalmodelle, oft stochastische Kanalmodelle, zur Repräsentation dieser Änderungen soweit möglich. Zusätzlich können verschiedene kompliziertere Kanalmodelle entwickelt werden, die versuchen, die realen Übertragungsbedingungen zu repräsentieren. Die jeweilige Qualität des Kanals wirkt sich auf seine Kanalkapazität aus. Ähnlich beeinflusst die Kanalkapazität die theoretische Übertragungslatenz und somit den Durchsatz.
  • Außerdem gibt es in jedem Kommunikationssystem weitere Schichten über der Bitübertragungsschicht. Diese Schichten haben die Aufgabe des Vorbereitens des ankommenden Datenstroms für entsprechende Übertragung in Paketen, indem dieser mit Schutzmechanismen versehen wird, bevor die tatsächlichen Bit dann auf elektromagnetische Wellen moduliert und vom Absender zum Empfänger übertragen werden.
  • Diese verschiedenen zeitveränderlichen Mechanismen auf verschiedenen Schichten des Übertragungsprotokolls bewirken, dass eine genaue Vorhersage der erwarteten Latenz und des erwarteten Durchsatzes äußerst schwierig ist.
  • Abhängig von dem Umfang der Vorhersage der QoS (Dienstgüte) kann eine Grundunterscheidung zwischen langfristiger pQoS (prädiktiver Dienstgüte) und kurzfristiger prädiktiver Dienstgüte erfolgen. Dies ist schematisch in 2A und 2B gezeigt. 2B behandelt das Problem der langfristigen prädiktiven Dienstgüte. Hier wird eine Abdeckungskarte erstellt, um die Verfügbarkeit eines Dienstes und somit auch die Dienstgüte in der Abdeckungskarte vorherzusagen. Dies kann zum Beispiel zur Vorhersage von Dienstgüte auf einer geplanten Route für eine lange Reise, somit der langfristigen pQoS, verwendet werden.
  • 2A ist eine grafische Darstellung 200 von QoS 202 mit Bezug auf Zeit 204. In dieser grafischen Darstellung 200 ist die tatsächliche QoS 206 zusammen mit einer möglichen zukünftigen QoS 208 zusammen mit einer vorhergesagten QoS 210 gezeigt. Die grafische Darstellung 200 zeigt auch eine erste Schwelle 212 zwischen begrenztem Dienst (unten) und gutem Dienst (oben) und eine zweite Schwelle 214 zwischen begrenztem Dienst (oben) und keinem Dienst (unten). Anders ausgedrückt, ist über der ersten Schwelle 212 ein normaler Betriebsbereich, in dem ein System in einem Modus normaler Bandbreite arbeiten kann. Unter der ersten Schwelle 212 und über der zweiten Schwelle 214 ist ein niedriger Betriebsbereich, in dem ein System in einem Modus niedriger Bandbreite arbeiten kann. Und unter der zweiten Schwelle 214 ist ein Bereich von keinem oder null Betrieb, in dem ein System in einem Sicherheitsmodus arbeiten kann.
  • 2B ist eine grafische Darstellung einer Karte 250 eines Mobilfunknetz-QoS-Gitters mit einer dadurch verlaufenden Route. Die Karte 250 umfasst einen Startort 252 und einen Zielort 254 mit einer Route 256 von dem Startort 252 zu dem Zielort 254. Die Karte 250 umfasst mehrere Gitter 258, die zur Angabe der mittleren QoS in jedem spezifischen Gitter straffiert sind.
  • Im Gegensatz dazu zeigt 2A die zeitlichen Änderungen der Dienstgüte in einem viel kürzeren Zeitraum, zum Beispiel einigen wenigen Sekunden oder sogar Millisekunden. Im Gegensatz zur langfristigen prädiktiven Dienstgüte betrifft die kurzfristige Projekt-Dienstgüte Vorhersage von kurzfristigen Absenkungen der Kanalqualität, zum Beispiel aufgrund von tiefen Fadingvorgängen.
  • Überwachung und Schätzung der Kanalqualität über lineare Modelle sind für bestimmte stochastische Kanalmodelle optimiert. Ähnlich ist aufgrund der erwähnten Komplexität des gesamten Kommunikationsprotokolls eine Vorhersage von Latenz und Durchsatz durch rein vorhersagende Bitübertragungsschichtaspekte, wie etwa die Kanalqualität, nicht möglich. In der vorliegenden Offenbarung wird gezeigt, dass die Verwendung von auf Daten basierendem Maschinenlernen mit trainierbaren Funktionen (z. B. neuronalen Netzen) vielversprechende Ergebnisse abliefert.
  • Auf Daten basierende Lernverfahren erfordern oft eine sehr große Menge an Trainingsdaten, um gute Ergebnisse zu erreichen. Speziell in Mobilkommunikationssystemen, die für hohe Zuverlässigkeit ausgelegt sind, gibt es bestimmte Mechanismen, die sehr selten ausgelöst werden, aber für die Zuverlässigkeit des gesamten Kommunikationssystems und die CSA (Kommunikationsdienstverfügbarkeit) von großer Relevanz sind. Ferner nutzen moderne drahtlose Kommunikationssysteme wirksam einen geschichteten Ansatz, d. h., es existiert ein gesamter Protokollstapel, wobei jede Schicht dieses Stapels eine spezifische Aufgabe erfüllt. Die auf Maschinenlernen basierende Lösung muss somit die gegenseitigen Abhängigkeiten zwischen allen Schichten verstehen. Deshalb ist ein hybrider Modellierungsansatz nützlich, um Domänenwissen in den Netzentwurfsprozess einzubringen.
  • Die vorliegende Offenbarung stellt ein System und Verfahren zur Verbesserung der Vorhersageleistungsfähigkeit der Datenrate als Dienstgüte KPI bereit, wobei Passiv-Kanalzustandsinformationen wirksam genutzt werden, indem Domänenwissen in der Datenvorverarbeitungsphase eingebracht wird. Die vorliegende Offenbarung stellt ein fortschrittliches merkmaltechnisches System und Verfahren bereit, das eine sehr integrale Komponente moderner Kommunikationssysteme, d. h. Trägeraggregation, in Betracht zieht.
  • 3A zeigt eine schematische Abbildung der Trägeraggregation. Um die insgesamt verfügbare Bandbreite, die zum Übertragen von Daten verwendet werden kann, zu verbessern, kombiniert Trägeraggregation mehrere Bänder, um höhere Datenraten zu bieten.
  • 3A ist eine grafische Darstellung 300 von Trägern 304, 306, 308 mit Bezug auf Frequenz 302. Die Träger 304, 306, 308 umfassen einen ersten Träger 304, einen zweiten Träger 306 und einen dritten Träger 308. Die Träger 304, 306, 308 sind ein dediziertes Band für Übertragung eines Signals, das von verschiedenen Masken oder von derselben BS (Basisstation) stammen kann.
  • 4 ist eine grafische Darstellung 400 normierter Datenrate 402 mit Bezug auf Subpaket-RSRP 404. Jeder Datenpunkt 410 der Datenrate 402 mit Bezug auf Subpaket-RSRP 404 ist aufgetragen, um eine Wolke mit einer ersten linearen Abhängigkeit 406 und einer zweiten linearen Abhängigkeit 408, die beide hohe Korrelation angeben, zu bilden.
  • 4 zeigt Samples der beobachteten RSRP (Referenzsignal-Empfangsleistung) als Funktion der erzielten jeweiligen Datenrate. Im Allgemeinen würde eine lineare Abhängigkeit zwischen dem RSRP-Sample und der Datenrate (deutlich durch die geraden Linien 406 und 408 in 4 zu sehen) eine hohe Korrelation angeben. Wenn das Merkmal und das Ziel hoch korreliert sind, kann Schlussfolgerung des Ziels auf der Basis des Merkmals somit mit hoher Genauigkeit erfolgen. Wie in 4 zu sehen ist, ist dies jedoch nicht eine klare gerade Linie, sondern stattdessen zwei Punktwolken mit zwei verschiedenen Linien jeweils verschiedener Steigungen. Man betrachte zum Beispiel die Linie unten 406, selbst für die größten RSRP-Werte (guter Kanal) könnte die maximale Datenrate nicht beobachtet werden. Dagegen ist die insgesamte Korrelation zwischen RSRP und Datenrate niedrig, und eine Vorhersage der Datenrate rein auf der Basis der passiven Kanalmessungen ist schwierig.
  • Auf der Basis des Problems, dass eine Schlussfolgerung von Datenraten-Samples aus passiven Kanalmessungen problematisch ist, stellt die vorliegende Offenbarung ein merkmaltechnisches System und Verfahren zur Verbesserung der Vorhersageleistungsfähigkeit durch Einbringen der Trägeraggregationstechnik in den Trainingsprozess bereit.
  • Im vorherigen Abschnitt wurde die vorliegende Offenbarung auf der Basis der Beobachtungen in 4 präsentiert, dass eine direkte Korrelation zwischen der Datenrate und RSRP nicht existiert. Es wurde jedoch gezeigt, dass zwei Wolken mit verschiedenen Steigungen beobachtet werden können. Deshalb präsentiert die vorliegende Offenbarung eine Anpassung der Trainingsdaten, wie in 3B gezeigt.
  • 3B ist eine tabellarische Darstellung der sequenziellen 320 Sample-Zeit 322 mit assoziiertem Träger auf der Basis der über Trägeraggregation umgeordneten RSRP (Referenzsignal-Empfangsleistung) 324. Eine tabellarische Darstellung der umgeordneten 340 Sample-Zeit 342 mit einer ersten Träger-RSRP (Referenzsignal-Empfangsleistung) 344, einer zweiten Träger-RSRP (Referenzsignal-Empfangsleistung) 346 und Trägeraggregation 348.
  • Die Kanalmessungsmeldungen, die von dem UE (Benutzergerät) an die BS (Basisstation) übermittelt werden, umfassen passive Messungen und auch die Zellenkennung, d. h. eine PCell, die Messungsmeldungen mit Bezug auf die Prämärzelle, und SCell, die Messungsmeldungen angibt, die Kanalqualitätsmessungen zwischen UE und der Sekundärzelle umfassen. Die vorliegende Offenbarung präsentiert deshalb einen Fluss zum Ausführen der folgenden vier Schritte zur Erzielung des Ergebnisses, das in 3B gezeigt ist.
    1. 1. Zeitliche Assoziation: Die passiven Messungsmeldungen werden aufgezeichnet und mit einem gemeinsamen Zeitstempel zugwiesen. Es ist deshalb wichtig, Messungen von der PCell und SCell auf der Basis des Zeitstempels zusammenzuführen. Die Zeit ist ihrerseits eine eindeutige Kennung. Es ist wichtig zu beachten, dass die betrachtete Anzahl von Trägern mit der Zeit variiert, d. h., das Maschinenlernmodell muss in der Lage sein, mit „fehlenden“ Eingaben umzugehen, muss in der Lage sein, mit asynchronen Daten umzugehen. Diese Situation entsteht, wenn zum Beispiel nur PCell-Messungen für einen bestimmten Schnappschuss existieren.
    2. 2. Eingangsdaten-Umformung: Wie in 3B gezeigt, ist zeitliche Assoziation gleich einer Umformung der in die Maschinenlernarchitektur geleiteten Eingangsdaten. Man beachte, dass 3B eine beispielhafte Skizze ist. Im Allgemeinen können auch andere passive Merkmale betrachtet werden, wie RSSI (Empfangssignalstärkeindikator), RSRQ (Referenzsignal-Empfangsqualität) usw. In diesem Fall ist die Anzahl der Eingangsmerkmale (eine Anzahl von Merkmalen) mal (eine Anzahl von Trägern).
    3. 3. Merkmaltechnik: Zusätzlich wird ein zusätzliches künstliches Eingangsmerkmal konstruiert, d. h., die Anzahl aktiver Träger.
    4. 4. Verarbeiten über eine trainierbare Funktion wie ein rekurrentes neuronales Netz: Da die Abtastrate, mit der die passiven Messungen gesammelt werden, von der Rate verschieden ist, mit der die Datenrate gesammelt wird, wird vorgeschlagen, ein rekurrentes neuronales Netz wirksam zu nutzen. Im Allgemeinen ist jede trainierbare Funktion mit der Fähigkeit zur Verarbeitung von Zeitreihen möglich.
  • Als Alternative können die Schritte, die durch einen hier offenbarten Prozessor ausgeführt werden können, Folgendes umfassen:
    1. 1. Messung der RSRP (Referenzsignal-Empfangsleistung) von Trägern (wie etwa eines ersten, zweiten, dritten usw.).
    2. 2. Annotieren der RSRP für jeden Träger und die empfangene Zeit.
    3. 3. Assoziieren der RSRP für jeden Träger, die gleichzeitig ist, an einem relativen Zeitpunkt. Man beachte, dass gleichzeitig relativ zu dem Signal ist, das von den Masken oder der BS übertragen wird, so dass die Signale zu etwas verschiedenen Zeitpunkten ankommen können und zu etwas verschiedenen Zeitpunkten abgetastet werden, aber aggregiert werden können. Ein gleichzeitiger Zeitraum ist ein Zeitraum, in dem zwei Signale als Trägeraggregation unterstützend übertragen aufgefasst würden. Zum Beispiel sind in 3B zum Zeitpunkt t1/t2 die Träger C1 und C2 in einem gleichzeitigen Zeitraum und können aggregiert werden.
    4. 4. Erzeugen eines Vektors von N Dimensionen aller RSRP an dem relativen Zeitpunkt.
    5. 5. Produzieren einer vorhergesagten Datenrate über die trainierbare Funktion (z. B. ein NN, CDRKN) und den Vektor von N Dimensionen.
  • Die vorhergesagte Datenrate (z. B. vorhergesagte QoS) kann dann verwendet werden, um das drahtlose System oder eine mit dem drahtlosen System gekoppelte Maschine zu steuern.
  • Bei einer beispielhaften Ausführungsform eines autonomen oder halbautonomen Fahrzeugs, wenn die vorhergesagte Datenrate unter einen Kein-Betrieb-Bereich fällt, Betrieb des Systems in einem Sicherheitsmodus, wobei der Sicherheitsmodus das Fahrzeug sicher anhält, den Fahrer hinweist, autonome Steuerung sperrt oder eine andere Aktion. Außerdem in diesem Beispiel, wenn die Datenrate in dem Niederbetriebsbereich liegt, Betriebsjustierung des Datenratenbedarfs durch Umkonfiguieren des Systems, wie etwa Umkonfigurieren eines Videocodecs oder Audiocodecs, wie etwa Verringerung einer Abtastrate. Wenn das System mehrere Kameras aufweist, wie etwa eine Front- und Rückkamera, vielleicht Sperren der Rückkamera bei Vorwärtsbewegung, um Bandbreite zu verringern.
  • Bei einer anderen beispielhaften Ausführungsform für ein mobiles (Mobilfunk-) Telefon, während ein Videoanruf abläuft, wenn vorhergesagt wird, dass die Bandbreite unter den Niederbetriebsbereich abfällt, Modifizieren des Videocodec oder Ausschalten des Videos unter Aufrechterhaltung des Audioanrufs oder Modifizieren des Audiocodecs zur Bewahrung der Kommunikation. Außerdem kann das System, während ein Audioanruf abläuft, den Audiocodec modifizieren (z. B. die Abtastrate reduzieren).
  • Außerdem wird die Verwendung von Trägeraggregation aktuell nur in Mobilfunknetzen implementiert, die vorliegende Offenbarung ist jedoch nicht auf Mobilfunknetze (z. B. 3GPP-Standards, UMTS, WCDMA, LTE, 5G usw.) beschränkt, sondern andere drahtlose Netze wie der WiFi-Standard von 802.11, UWB usw., die in der Zukunft Trägeraggregation hinzufügen können.
  • Die Techniken der vorliegenden Offenbarung wurden mit einem rekurrenten neuronalen Netz (d. h. CDRKN) geprüft, wobei der Anteil der Varianz über die Trainingsepochen erläutert wird. Der erläuterte Anteil der Varianz hängt eng mit dem Korrelationskoeffizienten zusammen. Somit ist ein hohes FVE wünschenswert. Es wurde beobachtet, dass das vorgeschlagene Verfahren größtenteils besser als MLP arbeitete.
  • FVE kann ein relativ abstraktes Leistungsfähigkeitsmaß sein. Ein Vergleich der echten Datenrate gegenüber der Vorhersage der trainierbaren Vorrichtung wurde somit durchgeführt. Die Ergebnisse des Vergleichs waren, dass die echte Datenrate (Grundwahrheit) und die Vorhersage des trainierten Netzes im Wesentlichen gleich erschienen.
  • Man beachte, dass das RNN kontinuierlich die vorhergesagte Datenrate ausgibt. Die wahre Datenrate wird jedoch weniger häufig aufgezeichnet. Der Trainingsverlust wird daher nur zwischen Grundwahrzeit-Samples und der Vorhersage für den entsprechenden Zeitschritt berechnet. Dazwischen kann die Qualität der Ausgabe des Netzes nicht auf beaufsichtigte Weise gemessen werden.
  • 5A ist eine grafische Darstellung 500, die asynchrone Netzeingangsdaten darstellt, darunter Nutzinformationen 502 und Netzdaten 504 mit synchronen Ausgangsdaten 506 (z. B. Datenrate). Die Nutzinformationen 502 umfassen Benutzerdaten wie Geschwindigkeit, GPS-Daten, Audiodaten, Videodaten usw.) und die Netzdaten 504 umfassen Systemdaten, wie etwa Bitübertragungsschicht- bzw. PHY-Daten, Medienzugangskontroll- bzw. MAC-Daten, Funkressourcensteuerungs- bzw. RRC-Statusdaten.
  • Die Figur zeigt die Merkmale, die aus verschiedenen Schichten des Kommunikationsprotokollstapels gesammelt wurden. Da der drahtlose Protokollstapel ereignisgetriggert arbeitet oder über die Schichten hinweg verschiedene Abtastraten aufweist. Die tatsächliche Datenrate wird bei der niedrigsten Abtastrate beobachtet. Die Eingabe für die trainierbare Funktion ist somit Xt 508, d. h., eine Matrix von Beobachtungen, da mehrere beobachtete N-dimensionale Merkmalvektoren für ein Beobachtungsfenster gepoolt werden. Die allgemeine Gleichung kann ausgedrückt werden als X t f θ ( X t ) y t
    Figure DE102023201776A1_0001
  • Wobei Xt 508 die asynchronen Eingangsdaten sind und fθ(Xt) die trainierbare Funktion (z. B. ein NN, CNN, CDRKN, MLP oder eine andere trainierbare Funktion) und yt die synchrone Ausgabe der trainierbaren Funktion ist.
  • 5B ist eine grafische Darstellung 550 von zur Vorhersage von QoS verwendeter Datensatzstruktur. Diese Darstellung umfasst asynchrone Eingaben mit synchronen Ausgaben. Die Eingaben sind sowohl passive als auch technische Datenströme, passive Daten können zum Beispiel Primärzellendaten 552, Sekundärzellendaten 554 und Aufwärtsstreckenbandbreite 556 umfassen. Die Primär- und Sekundärzellendaten können RSRP-, RSRQ- oder RSSI-Daten umfassen. Die technischen Daten können aktiven Träger 558 und Zeitdifferenzdaten 560 umfassen. Die Ausgaben umfassen eine Aufwärtsstrecken-Durchsatzausgabe 562, die von einer trainierbaren Funktion 564, wie etwa einem NN (Neuronalnetz), ausgegeben wird.
  • 6 ist eine grafische Darstellung 600 eines CDRKN (kontinuierlich-diskreten rekurrenten Kalman-Netzes), angewandt gemäß einer beispielhaften Ausführungsform der vorliegenden Offenbarung. Die Eingangsdaten 602 werden zu einem Beobachtungszeitpunkt 604 empfangen. Die Eingangsdaten 602 werden codiert, um latente Beobachtungen 606 zu erhalten, gemäß [ y t , σ t o b s ] = f θ ( x t ) .
    Figure DE102023201776A1_0002
  • Dann Aktualisieren des Priors mit latenter Beobachtung an Posterior gemäß zum Erhalten schlussgefolgerter Latentzustandsdaten 608 gemäß [ μ t + , t + ] = aktualisiere ( μ t , t , y t , t o b s | H ) .
    Figure DE102023201776A1_0003
  • Und Propagieren von kontinuierlichem Prior zur nächsten Beobachtungszeit gemäß [ μ t ' , t ' ] = vorhersage A ( μ t + , t + | G , Q ) .
    Figure DE102023201776A1_0004
  • Dann Decodieren des Posteriors zum Beobachtungsraum zum Finden gefilterter Beobachtungen 610 gemäß [ μ x t σ x t 2 ] = g ϕ ( μ t + , t + ) .
    Figure DE102023201776A1_0005
  • Das kontinuierlich-diskrete Kalman-Filter nimmt kontinuierliche latente Zustände an, die sich gemäß der SDE entwickeln: d z = Az d t + G d β .
    Figure DE102023201776A1_0006
  • Die diskreten Gauß‘schen Beobachtungen, die aus dem latenten Zustand in irregulären Intervallen gesampelt werden, folgen y t N ( Hz t , t o b s ) .
    Figure DE102023201776A1_0007
  • Diese Version des Kalman-Filters erlaubt Modellieren diskreter Beobachtungen in potenziell beliebigen Zeitintervallen als Samples aus einer kontinuierlichen Trajektorie von z. Dies ist wichtig aufgrund der asynchronen Beschaffenheit der Eingangsdaten. Das kontinuierlich-diskrete Kalman-Filter verarbeitet Beobachtungen durch Abwechseln zwischen:
    1. (1) Aktualisierungsschritt (Einschluss von Beobachtungen mit dem Bayes-Theorem), wie in Gleichung (3) gezeigt.
    2. (2) Vorhersageschritt (Propagieren des latenten Zustands zum nächsten Zeitschritt), wie in Gleichung (4) gezeigt.
  • Wobei der Aktualisierungsschritt einen Posterior-Mittelwert (8), Posterior-Kovarianz (9) und Kalman-Gewinn (10) umfasst. μ t + = μ t + K t ( y t H μ t )
    Figure DE102023201776A1_0008
    t + = ( I K t H ) t
    Figure DE102023201776A1_0009
    K t = t H T ( H t H T + t o b s ) 1
    Figure DE102023201776A1_0010
  • Und der Vorhersageschritt einen Prior-Mittelwert (11) und Prior-Kovarianz (12) umfasst. μ t ' = exp ( A ( t ' t ) ) μ t + .
    Figure DE102023201776A1_0011
    t = exp ( A ( t ' t ) ) t + exp ( A ( t ' t ) ) T + t t ' exp ( A ( t ' τ ) ) GQG T exp ( A ( t ' τ ) ) T d τ
    Figure DE102023201776A1_0012
  • 7 zeigt eine schematische Darstellung einer Interaktion zwischen einer computer-gesteuerten Maschine 700 und einem Steuersystem 702. Die computer-gesteuerte Maschine 700 umfasst einen Aktor 704 und einen Sensor 706. Der Aktor 704 kann einen oder mehrere Aktoren umfassen, und der Sensor 706 kann einen oder mehrere Sensoren umfassen. Der Sensor 706 ist ausgelegt zum Erfassen einer elektromagnetischen Welle, wie etwa eines HF-Signals. Der Sensor 706 kann dafür ausgelegt sein, die erfasste Bedingung zu Sensorsignalen 708 zu codieren und die Sensorsignale 708 zu dem Steuersystem 702 zu übertragen. Ein nicht einschränkendes Beispiel für den Sensor 706 wäre ein HF-Empfänger.
  • Das Steuerungssystem 702 ist dazu eingerichtet, Sensorsignale 708 von der computergesteuerten Maschine 700 zu empfangen. Wie nachstehend dargelegt, kann das Steuerungssystem 702 ferner dazu eingerichtet sein, Aktuatorsteuerbefehle 710 in Abhängigkeit von den Sensorsignalen zu berechnen und die Aktuatorsteuerbefehle 710 an den Aktuator 704 der computergesteuerten Maschine 700 zu senden.
  • Wie in 7 dargestellt, umfasst das Steuerungssystem 702 eine Empfangseinheit 712. Die Empfangseinheit 712 kann dazu eingerichtet sein, Sensorsignale 708 vom Sensor 706 zu empfangen und die Sensorsignale 708 in Eingangssignale x zu transformieren. In einer alternativen Ausführungsform werden die Sensorsignale 708 direkt als Eingangssignale x ohne die Empfangseinheit 712 empfangen. Jedes Eingangssignal x kann ein Abschnitt jedes Sensorsignals 708 sein. Die Empfangseinheit 712 kann dazu eingerichtet sein, jedes Sensorsignal 708 zu verarbeiten, um jedes Eingangssignal x zu erzeugen. Das Eingangssignal x kann Daten umfassen, die einem durch den Sensor 706 empfangenen Datenpaket entsprechen.
  • Das Steuerungssystem 702 umfasst einen Klassifizierer 714. Der Klassifizierer 714 kann dazu eingerichtet sein, Eingangssignale x in ein oder mehrere Labels unter Verwendung eines Algorithmus des maschinellen Lernens (ML) über ein Verwenden des trainierten Systems 140 des maschinellen Lernens (1) zu klassifizieren. Der Klassifizierer 714 ist dazu eingerichtet, durch Parameter, wie z. B. jene vorstehend beschriebenen, die in einem nichtflüchtigen Speicher 716 gespeichert und durch diesen bereitgestellt werden können, parametrisiert zu werden. Der Klassifizierer 714 ist dazu eingerichtet, Ausgangssignale y aus Eingangssignalen x zu bestimmen. Jedes Ausgangssignal y umfasst Informationen, die ein oder mehrere Labels jedem Eingangssignal x zuordnen.
  • Der Klassifizierer 714 kann Ausgangssignale y an eine Umwandlungseinheit 718 senden. Die Umwandlungseinheit 718 ist dazu eingerichtet, Ausgangssignale y in Aktuatorsteuerbefehle 710 umzuwandeln. Das Steuerungssystem 702 ist dazu eingerichtet, die Aktuatorsteuerbefehle 710 an den Aktuator 704 zu senden, der dazu eingerichtet ist, die computergesteuerte Maschine 700 als Antwort auf die Aktuatorsteuerbefehle 710 zu betätigen. In einigen Ausführungsformen ist der Aktuator 704 dazu eingerichtet, die computergesteuerte Maschine 700 direkt auf der Grundlage von Ausgangssignalen y zu betätigen.
  • Nach dem Empfang von Aktuatorsteuerbefehlen 710 durch den Aktuator 704 ist der Aktuator 704 dazu eingerichtet, eine Aktion, die dem zugehörigen Aktuatorsteuerbefehl 710 entspricht, auszuführen. Der Aktuator 704 kann eine Steuerlogik umfassen, die dazu eingerichtet ist, Aktuatorsteuerbefehle 710 in einen zweiten Aktuatorsteuerbefehl zu transformieren, der zum Steuern des Aktuators 704 genutzt wird. In einer oder mehreren Ausführungsformen können die Aktuatorsteuerbefehle 710 zum Steuern einer Anzeige anstelle von oder zusätzlich zu einem Aktuator verwendet werden.
  • In einigen Ausführungsformen umfasst das Steuerungssystem 702 den Sensor 706 anstelle von oder zusätzlich zu der computergesteuerten Maschine 700, die den Sensor 706 umfasst. Das Steuerungssystem 702 kann außerdem den Aktuator 704 anstelle von oder zusätzlich zu der computergesteuerten Maschine 700 umfassen, die den Aktuator 704 umfasst. Wie in 7 dargestellt, umfasst das Steuerungssystem 702 außerdem einen Prozessor 720 und einen Speicher 722. Der Prozessor 720 kann einen oder mehrere Prozessoren umfassen. Der Speicher 722 kann eine oder mehrere Speichervorrichtungen umfassen. Der Klassifizierer 714 (z. B. die trainierbare Funktion oder das trainierte System 140 des maschinellen Lernens) einer oder mehrerer Ausführungsformen kann durch das Steuerungssystem 702 implementiert werden, das einen nichtflüchtigen Speicher 716, einen Prozessor 720 und einen Speicher 722 umfasst.
  • Der nichtflüchtige Speicher 716 kann eine oder mehrere dauerhafte Datenspeichervorrichtungen, wie z. B. eine Festplatte, ein optisches Laufwerk, ein Bandlaufwerk, eine nichtflüchtige Festkörperzustandsvorrichtung (solid-state device), einen Cloud-Speicher oder eine beliebige andere Vorrichtung, die in der Lage ist, Informationen dauerhaft zu speichern, umfassen. Der Prozessor 720 kann eine oder mehrere Vorrichtungen umfassen, die aus Folgenden ausgewählt sind: Hochleistungsrechensystemen (HPC-Systemen), einschließlich von Hochleistungskernen, Grafikverarbeitungseinheiten, Mikroprozessoren, Mikrocontrollern, digitalen Signalprozessoren, Mikrocomputern, zentralen Verarbeitungseinheiten, Field Programmable Gate Arrays, programmierbaren Logikvorrichtungen, Zustandsmaschinen, logischen Schaltungen, analogen Schaltungen, digitalen Schaltungen oder beliebigen anderen Vorrichtungen, die (analoge oder digitale) Signale auf der Grundlage von computerausführbaren Anweisungen, die sich im Speicher 722 befinden, manipulieren. Der Speicher 722 kann eine einzelne Speichervorrichtung oder eine Anzahl von Speichervorrichtungen umfassen, die einen Direktzugriffsspeicher (RAM), einen flüchtigen Speicher, einen nichtflüchtigen Speicher, einen statischen Direktzugriffsspeicher (SRAM), einen dynamischen Direktzugriffsspeicher (DRAM), einen Flash-Speicher, einen Cache-Speicher oder eine beliebige andere Vorrichtung, die in der Lage ist, Informationen zu speichern, umfassen, aber nicht darauf beschränkt sind.
  • Der Prozessor 720 kann dazu eingerichtet sein, im Speicher 722 zu lesen und computerausführbare Befehle, die sich im nichtflüchtigen Speicher 716 befinden und einen oder mehrere ML-Algorithmen und/oder Methodologien einer oder mehrerer Ausführungsformen verkörpern, auszuführen. Der nichtflüchtige Speicher 716 kann ein oder mehrere Betriebssysteme und Anwendungen umfassen. Der nichtflüchtige Speicher 716 kann kompilierte und/oder interpretierte Computerprogramme speichern, die unter Verwendung einer Vielfalt von Programmiersprachen und/oder -technologien erzeugt wurden, einschließlich von, ohne Beschränkung und entweder einzeln oder in Kombination Java, C, C++, C#, Objective C, Fortran, Pascal, Java Script, Python, Perl und PLVSQL.
  • Nach der Ausführung durch den Prozessor 720 können die computerausführbaren Befehle des nichtflüchtigen Speichers 716 das Steuerungssystem 702 dazu veranlassen, einen oder mehrere der ML-Algorithmen und/oder -Methodologien zu implementieren, um das trainierte System 140 des maschinellen Lernens zu verwenden, wie hier offenbart. Der nichtflüchtige Speicher 716 kann außerdem ML-Daten (die Modellparameter umfassen) umfassen, die die Funktionen, Merkmale und Prozesse der einen oder der mehreren hier beschriebenen Ausführungsformen unterstützen.
  • Der Programmcode, der die Algorithmen und/oder Methodologien, die hier beschrieben wurden, verkörpert, kann als ein Programmprodukt in einer Vielfalt unterschiedlicher Formen einzeln oder gemeinsam vertrieben werden. Der Programmcode kann unter Verwendung eines computerlesbaren Speichermediums, das darauf computerlesbare Programmbefehle zum Veranlassen eines Prozessors zum Ausführen von Aspekten einer oder mehrerer Ausführungsformen aufweist, vertrieben werden. Computerlesbare Speichermedien, die inhärent nichtflüchtig sind, können flüchtige und nichtflüchtige, und entfernbare und nicht entfernbare materielle Medien umfassen, die in einem beliebigen Verfahren oder einer beliebigen Technologie zum Speichern von Informationen implementiert sind, wie z. B. computerlesbare Befehle, Datenstrukturen, Programmmodule oder andere Daten. Computerlesbare Speichermedien können außerdem umfassen: einen RAM, ein ROM, einen löschbaren programmierbaren Nur-Lese-Speicher (EPROM), einen elektrisch löschbaren programmierbaren Nur-Lese-Speicher (EEPROM), einen Flash-Speicher oder eine andere Festkörperzustand-Speichertechnologie, eine CD-ROM (portable compact disc read-only memory), oder einen anderen optischen Speicher, Magnetkassetten, ein Magnetband, einen Magnetplattenspeicher oder andere magnetische Speichervorrichtungen, oder ein beliebiges anderes Medium, das zum Speichern der gewünschten Informationen verwendet werden kann und das durch einen Computer gelesen werden kann. Computerlesbare Programmierbefehle können auf einen Computer, eine andere Art von programmierbarer Datenverarbeitungsvorrichtung, oder eine andere Vorrichtung über ein Netzwerk von einem computerlesbaren Speichermedium oder auf einen externen Computer oder eine externe Speichervorrichtung heruntergeladen werden.
  • Computerlesbare Programmbefehle, die in einem computerlesbaren Medium gespeichert sind, können verwendet werden, um einen Computer, andere Typen von programmierbaren Datenverarbeitungsvorrichtungen oder andere Vorrichtungen anzuweisen, auf eine bestimmte Weise zu funktionieren, so dass die im computerlesbaren Medium gespeicherten Befehle einen Herstellungsgegenstand erzeugen, der Befehle umfasst, die die Funktionen, Vorgänge und/oder Operationen, die in den Ablaufdiagrammen oder Diagrammen spezifiziert sind, implementieren. In bestimmten alternativen Ausführungsformen können die Funktionen, Vorgänge und/oder Operationen, die in den Ablaufdiagrammen und Diagrammen spezifiziert sind, in Übereinstimmung mit einer oder mehreren Ausführungsformen umgeordnet, seriell verarbeitet und/oder gleichzeitig verarbeitet werden. Des Weiteren kann ein beliebiges der Ablaufdiagramme und/oder Diagramme mehr oder weniger Knoten oder Blöcke als jene umfassen, die in Übereinstimmung mit einer oder mehreren Ausführungsformen dargestellt sind. Außerdem können die Prozesse, Verfahren oder Algorithmen gänzlich oder teilweise unter Verwendung geeigneter Hardware-Komponenten, wie z. B. ASICs, FPGAs, Zustandsautomaten, Steuerungen oder anderer Hardware-Komponenten oder Vorrichtungen oder einer Kombination von Hardware-, Software- und Firmware-Komponenten, verkörpert werden.
  • 8 zeigt ein schematisches Diagramm des Steuerungssystems 702, das dazu eingerichtet ist, ein Fahrzeug 800 zu steuern, das zumindest ein teilweise autonomes Fahrzeug oder ein teilweise autonomer Roboter sein kann. Das Fahrzeug 800 umfasst einen Aktuator 704 und einen Sensor 706. Der Sensor 706 kann einen oder mehrere HF-Empfänger umfassen. Ein oder mehrere des einen oder der mehreren spezifischen Sensoren können in das Fahrzeug 800 integriert sein. Alternativ oder zusätzlich zu dem einen oder den mehreren spezifischen Sensoren, die vorstehend identifiziert wurden, kann der Sensor 706 ein Software-Modul umfassen, das dazu eingerichtet ist, beim Ausführen einen Zustand des Aktuators 704 zu bestimmen.
  • Der Klassifizierer 714 des Steuerungssystems 702 des Fahrzeugs 800 kann dazu eingerichtet sein, in Abhängigkeit von Eingangssignalen x Objekte in der Nähe des Fahrzeugs 800 zu detektieren. In einer solchen Ausführungsform kann ein Ausgangssignal y Informationen umfassen, die Objekte in einer Nähe des Fahrzeugs 800 klassifizieren oder charakterisieren. Ein Aktuatorsteuerbefehl 710 kann gemäß diesen Informationen bestimmt werden. Der Aktuatorsteuerbefehl 710 kann verwendet werden, um Kollisionen mit den detektierten Objekten zu vermeiden.
  • In einigen Ausführungsformen ist das Fahrzeug 800 ein zumindest teilweise autonomes Fahrzeug oder ein vollständig autonomes Fahrzeug. Der Aktuator 704 kann in einer Bremse, einem Antriebssystem, einem Motor, einem Antriebsstrang, einer Lenkung des Fahrzeugs 800 usw. verkörpert sein. Die Aktuatorsteuerbefehle 710 können derart bestimmt werden, dass der Aktuator 704 gesteuert wird, so dass das Fahrzeug 800 Kollisionen mit detektierten Objekten vermeidet. Detektierte Objekte können außerdem danach klassifiziert werden, was der Klassifizierer 714 für am wahrscheinlichsten hält, dass sie sind, wie z. B. Fußgänger, Bäume, beliebige geeignete Labels usw. Die Aktuatorsteuerbefehle 710 können in Abhängigkeit von der Klassifizierung bestimmt werden.
  • In einigen Ausführungsformen, in denen das Fahrzeug 800 zumindest ein teilweise autonomer Roboter ist, kann das Fahrzeug 800 ein mobiler Roboter sein, der dazu eingerichtet ist, eine oder mehrere Funktionen, wie z. B. Fliegen, Schwimmen, Tauschen und Treten, auszuführen. Der mobile Roboter kann ein Rasenmäher, der zumindest teilweise autonom ist, oder ein Reinigungsroboter, der zumindest teilweise autonom ist, sein. In solchen Ausführungsformen kann der Aktuatorsteuerbefehl 710 bestimmt werden, so dass eine Antriebseinheit, eine Lenkeinheit und/oder eine Bremseinheit des mobilen Roboters derart gesteuert werden kann, dass der mobile Roboter Kollisionen mit identifizierten Objekten vermeiden kann. Basierend auf Übertragung und Empfang von Daten über den HF-Sensor.
  • In einigen Ausführungsformen ist das Fahrzeug 800 ein zumindest teilweise autonomer Roboter in Form eines Gartenroboters. In einer solchen Ausführungsform kann das Fahrzeug 800 Daten vom Sensor 706 empfangen, um einen Zustand von Pflanzen in einer Umgebung in der Nähe des Fahrzeugs 800 zu bestimmen. Der Aktuator 704 kann eine Düse sein, die zum Sprühen von Chemikalien eingerichtet ist. In Abhängigkeit von einer identifizierten Spezies und/oder einem identifizierten Zustand der Pflanzen kann der Aktuatorsteuerbefehl 710 bestimmt werden, zu veranlassen, dass der Aktuator 704 die Pflanzen mit einer geeigneten Menge von geeigneten Chemikalien besprüht.
  • Das Fahrzeug 800 kann ein Roboter sein, der zumindest teilweise autonom ist und die Form eines Haushaltsgeräts aufweist. Als ein nicht beschränkendes Beispiel kann ein Haushaltsgerät eine Waschmaschine, einen Herd, einen Backofen, eine Mikrowelle, eine Geschirrspülmaschine usw. umfassen. In einem solchen Fahrzeug 800 kann der Sensor 706 Daten empfangen, die einen Zustand eines Objektes angeben, das einer Verarbeitung durch das Haushaltsgerät unterzogen werden soll. Zum Beispiel kann im Fall, in dem das Haushaltsgerät eine Waschmaschine ist, der Sensor 706 einen Zustand der Wäsche in der Waschmaschine detektieren. Ein Aktuatorsteuerbefehl 710 kann auf der Grundlage des detektierten Zustands der Wäsche bestimmt werden.
  • Die hier offenbarten Prozesse, Verfahren oder Algorithmen können an eine Verarbeitungsvorrichtung, eine Steuerung oder einen Computer ablieferbar und/oder durch diese implementiert sein, die jede existierende programmierbare elektronische Steuereinheit oder dedizierte elektronische Steuereinheit umfassen können. Ähnlich können die Prozesse, Verfahren oder Algorithmen in vielen Formen als Daten und Anweisungen gespeichert werden, die durch eine Steuerung oder einen Computer ausführbar sind, darunter, aber ohne Beschränkung darauf, Informationen, die permanent auf nicht beschreibbaren Speicherungsmedien wie ROM-Vorrichtungen gespeichert werden, und Informationen, die änderbar auf beschreibbaren Speicherungsmedien, wie etwa Disketten, Magnetbändern, CDs, RAM-Vorrichtungen und anderen magnetischen und optischen Medien, gespeichert werden. Die Prozesse, Verfahren oder Algorithmen können auch in einem ausführbaren Softwareobjekt implementiert werden. Als Alternative können die Prozesse, Verfahren oder Algorithmen ganz oder teilweise unter Verwendung geeigneter Hardwarekomponenten, wie etwa ASICs (anwendungsspezifische integrierte Schaltungen), FPGAs (Field-Programmable Gate Arrays), Automaten, Steuerungen oder andere Hardwarekomponenten oder -vorrichtungen oder einer Kombination von Hardware-, Software- und Firmwarekomponenten realisiert werden.
  • Während oben beispielhafte Ausführungsformen beschrieben werden, ist nicht beabsichtigt, dass diese Ausführungsformen alle durch die Ansprüche eingeschlossenen möglichen Formen beschreiben. Die in dieser Spezifikation verwendeten Wörter sind eher Wörter der Beschreibung als der Beschränkung, und es versteht sich, dass verschiedene Änderungen vorgenommen werden können, ohne vom Geist und Schutzumfang der Offenbarung abzuweichen. Wie bereits beschrieben, können die Merkmale verschiedener Ausführungsformen kombiniert werden, um weitere Ausführungsformen der Erfindung zu bilden, die möglicherweise nicht explizit beschrieben oder dargestellt sind. Obwohl verschiedene Ausführungsformen als Vorteile bereitstellend oder bezüglich einer oder mehrerer gewünschter Charakteristiken als gegenüber anderen Ausführungsformen oder Implementierungen nach dem Stand der Technik vorzuziehen beschrieben hätten werden können, versteht es sich für Durchschnittsfachleute, dass ein oder mehrere Merkmale oder Charakteristiken beeinträchtigt sein können, um gewünschte Gesamtsystemattribute zu erreichen, die von der spezifischen Anwendung und Implementierung abhängen. Diese Attribute können, u. a., Kosten, Stärke, Haltbarkeit, Lebenszykluskosten, Vermarktbarkeit, Erscheinungsbild, Verpackung, Größe, Wartbarkeit, Gewicht, Herstellbarkeit, Einfachheit des Zusammenbaus usw. umfassen. Daher liegen in dem Maß, in dem Ausführungsformen, die als weniger wünschenswert als andere Ausführungsformen oder Umsetzungen des Stands der Technik im Hinblick auf eine oder mehrere Charakteristiken beschrieben werden, diese Ausführungsformen nicht außerhalb des Schutzumfangs der Offenbarung und können für bestimmte Anwendungen wünschenswert sein.

Claims (20)

  1. Verfahren zum Betrieb eines drahtlosen Empfängersystems, umfassend: Messen einer ersten RSRP1 (Referenzsignal-Empfangsleistung) von einem ersten Träger zu einem ersten Zeitpunkt; Messen einer zweiten RSRP2 (Referenzsignal-Empfangsleistung) von einem zweiten Träger zu einem zweiten Zeitpunkt; Annotieren der RSRP1 auf den ersten Träger und der RSRP2 auf den zweiten Träger; wenn der erste Zeitpunkt und der zweite Zeitpunkt in einem gleichzeitigen Zeitraum liegen, Assoziieren von RSRP1 und RSRP2 mit dem gleichzeitigen Zeitraum; Erzeugen eines Vektors von N Dimensionen von RSRP1 und RSRP2 in dem gleichzeitigen Zeitraum; Verarbeiten des Vektors von N Dimensionen über eine trainierbare Funktion zum Erhalten einer vorhergesagten Datenrate; und wenn die vorhergesagte Datenrate unter eine Normalbetriebsbereichsschwelle fällt, Betreiben des Systems in einem Modus niedriger Bandbreite.
  2. Verfahren nach Anspruch 1, wobei die trainierbare Funktion ein neuronales Netz ist.
  3. Verfahren nach Anspruch 2, wobei das neuronale Netz ein CDRKN (kontinuierlich-diskretes rekurrentes Kalman-Netz) ist.
  4. Verfahren nach Anspruch 2, wobei das neuronale Netz ein LSTM-RNN (rekurrentes neuronales Netz mit langem Kurzzeitspeicher) ist.
  5. Verfahren nach Anspruch 1, ferner umfassend: wenn die vorhergesagte Datenrate unter eine niedrige Betriebsbereichsschwelle fällt, Betreiben des Systems in einem Sicherheitsmodus.
  6. Verfahren nach Anspruch 1, wobei 2 Dimensionen des Vektors von N Dimensionen mit dem RSRP1 und RSRP2 von dem ersten und zweiten Träger assoziiert sind.
  7. Verfahren nach Anspruch 1, ferner umfassend: Berechnen eines Verlusts auf der Basis einer Differenz zwischen der vorhergesagten Datenrate und einer tatsächlichen Datenrate; und Modifizieren der trainierbaren Funktion auf der Basis des Verlusts.
  8. Verfahren nach Anspruch 7, wobei der Verlust auf einer Mittlerer-Quadratischer-Fehler-Verlustfunktion basiert.
  9. Verfahren nach Anspruch 1, wobei der Modus niedriger Bandbreite Ausschalten einer Kamera, Umkonfigurieren eines Videocodecs oder Umkonfigurieren eines Audiocodecs umfasst.
  10. Drahtloses System, umfassend: eine Steuerung, ausgelegt zum Messen einer ersten RSRP1 (Referenzsignal-Empfangsleistung) von einem ersten Träger zu einem ersten Zeitpunkt; Messen einer zweiten RSRP2 (Referenzsignal-Empfangsleistung) von einem zweiten Träger zu einem zweiten Zeitpunkt; wenn der erste Zeitpunkt und der zweite Zeitpunkt in einem gleichzeitigen Zeitraum liegen, Assoziieren von RSRP1 und RSRP2 mit dem gleichzeitigen Zeitraum; Erzeugen eines Vektors von N Dimensionen von RSRP1 und RSRP2 in dem gleichzeitigen Zeitraum; Verarbeiten des Vektors von N Dimensionen über eine trainierbare Funktion zum Erhalten einer vorhergesagten Datenrate; und wenn die vorhergesagte Datenrate unter eine Normalbetriebsbereichsschwelle fällt, Betreiben des Systems in einem Modus niedriger Bandbreite.
  11. Drahtloses System nach Anspruch 10, wobei das drahtlose System ein Mobiltelefon ist, die vorhergesagte Datenrate die vorhergesagte Datenrate auf einer Anwendungsschicht ist und der Modus niedriger Bandbreite Verringern einer Abtastrate eines Audiocodecs umfasst.
  12. Drahtloses System nach Anspruch 10, wobei die trainierbare Funktion ein neuronales Netz ist, das ein CDRKN (kontinuierlich-diskretes rekurrentes Kalman-Netz) ist oder ein LSTM-RNN (rekurrentes neuronales Netz mit langem Kurzzeitspeicher) ist.
  13. Drahtloses System nach Anspruch 10, wobei das drahtlose System mit einem Fahrzeug assoziiert ist und der Modus niedriger Bandbreite Ausschalten einer Kamera oder Umkonfigurieren eines Videocodecs umfasst.
  14. Drahtloses System nach Anspruch 10, wobei die Steuerung ferner ausgelegt ist zum Berechnen eines Verlusts auf der Basis einer Differenz zwischen der vorhergesagten Datenrate und einer tatsächlichen Datenrate und Modifizieren der trainierbaren Funktion auf der Basis des Verlusts, wobei der Verlust auf einer Mittlerer-Quadratischer-Fehler-Verlustfunktion basiert.
  15. Drahtloses System, das mit einem Fahrzeug assoziiert ist, umfassend: einen Prozessor; und einen Speicher mit Anweisungen, die, wenn sie durch den Prozessor ausgeführt werden, den Prozessor veranlassen zum Messen einer ersten RSRP1 (Referenzsignal-Empfangsleistung) von einem ersten Träger zu einem ersten Zeitpunkt; Messen einer zweiten RSRP2 (Referenzsignal-Empfangsleistung) von einem zweiten Träger zu einem zweiten Zeitpunkt; Annotieren der RSRP1 auf den ersten Träger und der RSRP2 auf den zweiten Träger; wenn der erste Zeitpunkt und der zweite Zeitpunkt in einem gleichzeitigen Zeitraum liegen, Assoziieren von RSRP1 und RSRP2 mit dem gleichzeitigen Zeitraum; Erzeugen eines Vektors von N Dimensionen von RSRP1 und RSRP2 in dem gleichzeitigen Zeitraum; Verarbeiten des Vektors von N Dimensionen über eine trainierbare Funktion zum Erhalten einer vorhergesagten Datenrate; und wenn die vorhergesagte Datenrate unter eine Normalbetriebsbereichsschwelle fällt, Betreiben des Systems in einem Modus niedriger Bandbreite.
  16. Drahtloses System nach Anspruch 15, wobei das drahtlose System ein Mobiltelefon ist, die vorhergesagte Datenrate die vorhergesagte Datenrate auf einer Anwendungsschicht ist und der Modus niedriger Bandbreite Verringern einer Abtastrate eines Audiocodecs umfasst.
  17. Drahtloses System nach Anspruch 15, wobei die trainierbare Funktion ein neuronales Netz ist.
  18. Drahtloses System nach Anspruch 17, wobei das neuronale Netz ein CDRKN (kontinuierlich-diskretes rekurrentes Kalman-Netz) ist oder ein LSTM-RNN (rekurrentes neuronales Netz mit langem Kurzzeitspeicher) ist.
  19. Drahtloses System nach Anspruch 15, wobei das drahtlose System mit einem Fahrzeug assoziiert ist und der Modus niedriger Bandbreite Ausschalten einer Kamera oder Umkonfigurieren eines Videocodecs umfasst.
  20. Drahtloses System nach Anspruch 15, wobei der Prozessor ferner ausgelegt ist zum Berechnen eines Verlusts auf der Basis einer Differenz zwischen der vorhergesagten Datenrate und einer tatsächlichen Datenrate und Modifizieren der trainierbaren Funktion auf der Basis des Verlusts, wobei der Verlust auf einer Mittlerer-Quadratischer-Fehler-Verlustfunktion basiert.
DE102023201776.8A 2022-02-28 2023-02-27 Prädiktive Dienstgüte über Kanalaggregation Pending DE102023201776A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/682,777 US20230275676A1 (en) 2022-02-28 2022-02-28 Predictive quality of service via channel aggregation
US17/682,777 2022-02-28

Publications (1)

Publication Number Publication Date
DE102023201776A1 true DE102023201776A1 (de) 2023-08-31

Family

ID=87557179

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102023201776.8A Pending DE102023201776A1 (de) 2022-02-28 2023-02-27 Prädiktive Dienstgüte über Kanalaggregation

Country Status (3)

Country Link
US (1) US20230275676A1 (de)
CN (1) CN116669089A (de)
DE (1) DE102023201776A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117289669B (zh) * 2023-11-27 2024-02-02 青岛创新奇智科技集团股份有限公司 一种基于工业大模型的自动调整式生产线控制系统及方法

Also Published As

Publication number Publication date
CN116669089A (zh) 2023-08-29
US20230275676A1 (en) 2023-08-31

Similar Documents

Publication Publication Date Title
US20200364571A1 (en) Machine learning-based data processing method and related device
DE102018121595B4 (de) Unbeaufsichtigtes anlernen von agenten für autonome fahranwendungen
US11533115B2 (en) Systems and methods for wireless signal configuration by a neural network
DE112019005831T5 (de) Kompression in neuronalen netzen
DE112005003076T5 (de) Verfahren zur Steuerung einer industriellen Automationsvorrichtung oder eines Prozesses
DE112019004943T5 (de) Automatisierte Erzeugung neuronaler Netze
DE102019135861B3 (de) Latenzzeitreduzierung basierend auf Paketfehlervorhersage
DE102011014838A1 (de) V2X-verbundene zusammenwirkende Diagnose- und Prognoseanwendungen in Fahrzeug-ad-hoc-Netzen
DE102009006560B4 (de) Verfahren und Sensornetz zur Merkmalsauswahl für eine Ereigniserkennung
DE102023201776A1 (de) Prädiktive Dienstgüte über Kanalaggregation
DE112020003347B4 (de) Generieren von umgebungsinformationen durch verwenden von drahtloser datenübertragung
DE102014212989A1 (de) Steuern von Datenverbindungen und/oder Datenübertragungen in einer mobilen Funkeinrichtung
DE102019135804B4 (de) Gerät und verfahren zum erfassen von empfangenen signalen
DE102022104489A1 (de) Systeme und verfahren zum erkennen und vorhersagen der dienstqualität von kommunikationsverknüpfungen von verbundenen fahrzeugen
EP3621327B1 (de) Verfahren zur vorausschauenden schätzung der übertragungsbedingungen für eine kommunikation zwischen zwei kommunikationspartnern, vorrichtung zur durchführung von verfahrensschritten des verfahrens, fahrzeug sowie computerprogramm
DE102016122752A1 (de) Verfahren zum schätzen einer momentanen qualität eines kommunikationskanals und verfahren zum schätzen einer zukünftigen qualität eines kommunikationskanals
DE102017008389A1 (de) Verfahren und System zur Objektverfolgung
DE102010007561A1 (de) Verfahren zur Datenübertragung und Kommunikationsstation
EP1703343B1 (de) Parallelisierte Optimierung von Parametern zur Steuerung eines Systems
DE102023116221A1 (de) Verfahren und Vorrichtung für lernbasierte Kanalmatrixvorhersage
Smirnov et al. Check for Real-Time Data Transmission Optimization on 5G Remote-Controlled Units Using Deep Reinforcement Learning
DE202021002490U1 (de) Autonomes , adaptives und selbstlernendes System zur Analyse des Windverhaltens
WO2022002448A1 (de) Verfahren und vorrichtung für einen empfänger zur ortung einer authentifizierungseinheit eines kraftfahrzeugs
DE102021133143A1 (de) Systeme und verfahren zur hochfrequenzspektrum-verwaltung in einer fertigungsumgebung
DE102019115893A1 (de) System und Verfahren zum automatischen Bestimmen eines Fahrmodus eines Fahrzeugs

Legal Events

Date Code Title Description
R012 Request for examination validly filed