JP6714279B2 - 通信制御方法、通信システム及び事前学習補助装置 - Google Patents
通信制御方法、通信システム及び事前学習補助装置 Download PDFInfo
- Publication number
- JP6714279B2 JP6714279B2 JP2017039126A JP2017039126A JP6714279B2 JP 6714279 B2 JP6714279 B2 JP 6714279B2 JP 2017039126 A JP2017039126 A JP 2017039126A JP 2017039126 A JP2017039126 A JP 2017039126A JP 6714279 B2 JP6714279 B2 JP 6714279B2
- Authority
- JP
- Japan
- Prior art keywords
- communication
- base station
- terminal
- learning
- communication quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Description
本発明は、通信制御方法、通信システム及び事前学習補助装置に関する。
ミリ波通信は次世代無線通信における高速かつ大容量の通信を実現するための技術として期待されている(例えば、非特許文献３参照)。例えばミリ波を使用する無線通信規格のIEEE 802.11adでは1Gbit/s以上の超高速通信が可能である。しかし、ミリ波は水分や酸素による減衰が大きく直進性が高いため、見通し通信路が人体などの遮蔽物により遮蔽されると受信信号電力が大きく低下するという問題がある(例えば、非特許文献４参照)。
このような見通し通信路の遮蔽問題の解決手法として、通信路の遮蔽発生時に端末の接続する基地局を通信品質の良い他の基地局に切り替えるハンドオーバ制御や、回折波や反射波などをより強く受信できる方向にアンテナの指向性を切り替える指向性制御などの技術が提案されている(例えば、非特許文献５参照)。しかし、通信中の基地局が通信路の遮蔽を検知後にハンドオーバを制御するシステムにおいて、素早く通信品質の良い基地局に切り替えるためには、事前に端末と全基地局間の通信品質の情報を取得する必要がある。例えば通信品質の情報を取得するために制御信号を用いる方法が知られているが、制御信号を送受信する必要があるため、本来のデータ送受信に用いる通信帯域が圧迫されるという問題がある。ここで、通信品質の情報は、例えば基地局と端末とが通信するときのスループットでもよいし、或いは受信信号電力(RSSI(Received Signal Strength Indicator))や誤り率など通信の状態を把握できる指標であれば他の情報であってもよい。
そこで、ミリ波通信における見通し通信路の遮蔽問題を解決するために、本願の発明者により、距離情報を含む画像(深度画像と称する)を取得可能なRGB-D(RGB and Depth)カメラを用いたミリ波通信システムが検討されている(例えば、非特許文献１及び非特許文献２参照)。ここで、深度画像は、撮影される画像内の被写体(人物や物体等)とカメラとの間の実際の距離(奥行とも呼ばれる)を示す情報を含み、カメラと被写体との距離を取得することができる。非特許文献２では、ハンドオーバ先の基地局を決定するときに、非通信中の基地局と端末間の通信品質をRGB-Dカメラの深度画像から推定することにより、通信品質の情報を取得するための通信を行う必要がなくなり、通信帯域を圧迫することなくハンドオーバ先の基地局を選択する指標が取得可能となる。例えば図７に示すミリ波通信システム８００の場合、RGB-Dカメラを使用するカメラCA1及びカメラCA2により通信環境を撮影する。そして、基地局制御装置８０１の学習推定部９０２は、カメラCA1及びカメラCA2から得られた画像(静止画像や動画像)から基地局BS1，基地局BS2，端末ST1，端末ST2及び遮蔽物などの位置を把握し、現在の通信環境や将来の通信環境を推定・予測する。そして、基地局制御装置８０１の統合制御部９０１は、推定・予測データに基づいて制御信号を出力して基地局BS1及び基地局BS2を制御し、基地局BS1と基地局BS2との間のハンドオーバ制御や各基地局のアンテナ指向性制御を行う。
図８は、図７に示すミリ波通信システム８００の統合制御部９０１と学習推定部９０２の動作例を示す。図８において、学習推定部９０２は、学習推定部LE1と学習推定部LE2とを有する。学習推定部LE1は、通信中のミリ波基地局BS1から通信品質(実測通信品質)を取得すると共に、RGB-DカメラCA1からRGB-D画像(距離情報を含む撮影画像(又は実画像と称する))を取得して、撮影画像と実測通信品質との対応関係を学習する(学習フェーズ)。一方、学習推定部LE2は、RGB-DカメラCA2から取得するRGB-D画像の情報を元に機械学習によりミリ波端末STと非通信中のミリ波基地局BS2の通信品質を推定する(推定フェーズ)。そして、統合制御部901は、学習推定部LE1から受け取る実測通信品質と、学習推定部LE2が推定した推定通信品質とに基づいて、ミリ波端末STと通信を行うのに適したミリ波基地局を判別し、制御信号により適切なミリ波基地局への切り替え(ハンドオーバ)やミリ波基地局のアンテナの指向性制御などを行う。
このようにして、ミリ波通信システム８００では、通信帯域を圧迫することなく、見通し通信路の遮蔽を含むミリ波通信環境の変化による通信品質の低下が回避される。また、非通信中の基地局と端末との間の通信品質情報が深度画像から推定されるので、通信品質を測定するための無線制御信号を送受信する必要がない。また、非特許文献２では、オンライン機械学習アルゴリズムのAROW(Adaptive Regularization Of Weight vectors(例えば、非特許文献６参照))を用い、フレーム送受信中にRGB-Dカメラから得られる深度画像とスループットとの対応モデルを学習した後、そのモデルを用いて新たな深度画像から回帰手法によりスループットを推定する例が記載されている。しかし、このようなスループット推定法においては、推定モデルを構築するために多くのデータを必要とするので、実際にスループット推定を行うまでに時間がかかってしまうという問題がある。さらに、学習時に撮影されなかったような発生頻度の低いRGB-D画像が撮影された場合、通信品質の推定精度が低下してしまうという問題がある。
Y.Oguma,R.Arai,T.Nishio,K.Yamamoto,and M.Morikura,"Proactive base station selection based on human blockage prediction using RGB-D cameras for mmWave communications,"Proc.IEEE GLOBECOM 2015,pp.1-6,San Diego,CA,USA,Dec.2015.
岡本浩尚 他,"ミリ波通信制御のためのオンライン機械学習を用いた深度画像からのスループット推定,"信学技報,SR2015-96,Mar.2016.
P.Wang,Y.Li,L.Song,and B.Vucetic,"Multi-gigabit mil-limeter wave wireless communications for 5G:From fixed access to cellular networks,"IEEE Commun.Mag.,vol.53,no.1,pp.168-178,Jan.2015.
S.Collonge,G.Zaharia,and G.E.Zein,"Influence of the hu-man activity on wide-band characteristics of the 60GHz in-door radio channel,"IEEE Trans.Wireless Commun.,vol.3,no.6,pp.2396-2406,Nov.2004.
B.Gao,Z.Xiao,C.Zhang,L.Su,D.Jin,and L.Zeng,"Double-link beam tracking against human blockage and device mobility for 60-GHz WLAN,"Proc.IEEE WCNC 2014,pp.323-328,I端末nbul,Turkey,April 2014.
K.Crammer,O.Dekel,J.Keshet,S.Shalev-Shwartz,and Y.Singer,"Online passive-aggressive algorithms,"J.Mach.Learn.Res.,vol.7,pp.551-585,Dec.2006.
従来の通信品質の推定方法では、実際の通信環境で学習した情報に基づいて推定モデルに対する通信品質の推定を行うため、推定モデルを構築するために多くのデータを必要とし、実際に通信品質の推定を行うまでに時間を要するという問題がある。また、実際に発生頻度の低い通信環境における学習量が少ないので推定精度が向上せず、通信環境の変化に柔軟に対応することが難しいという問題もある。
上記課題に鑑み、本発明では、システムの初期動作段階や発生頻度の低い通信環境における通信品質の推定精度を向上することができる通信制御方法、通信システム及び事前学習補助装置を提供する。
第１の発明は、端末と無線通信を行う複数の基地局と、前記端末と前記複数の基地局との通信環境を撮影する撮像装置と、機械学習を用いて前記複数の基地局を制御する基地局制御装置と、前記基地局制御装置用の事前学習データを生成する事前学習補助装置とを有する通信システムにおける通信制御方法であって、前記事前学習補助装置が、前記端末、前記複数の基地局、前記撮像装置、及び遮蔽物を配置した複数の仮想的な通信環境の三次元空間モデルを構築する処理と、前記三次元空間モデルの各々に基づいて、複数の仮想画像を生成し、前記基地局制御装置に出力する処理と、前記三次元空間モデルの各々に基づいて、前記仮想画像の各々に対応する通信環境での前記複数の基地局と前記端末との通信品質を伝搬シミュレーションにより推定し、前記仮想画像と対応付けて前記基地局制御装置に出力する処理とを実行し、前記基地局制御装置が、前記撮像装置により撮影した距離情報を含む撮影画像と、前記撮影画像に対応する通信環境において前記端末と通信中の基地局が実測した通信品質とを取得する処理と、前記撮影画像と前記端末と通信中の基地局が実測した通信品質との対応関係、及び、前記事前学習補助装置から入力した前記仮想画像と推定された通信品質との対応関係の双方を学習して、前記端末と非通信中の基地局との間の通信品質を推定する処理と、前記端末と非通信中の基地局との間の推定された通信品質の情報と、前記端末と通信中の基地局が実測した通信品質の情報とに基づいて、前記端末の通信に適した基地局を選択する処理とを実行することを特徴とする。
第２の発明は、第１の発明において、前記複数の基地局が通信を開始する前に、前記仮想画像の生成と当該仮想画像に対応する通信環境での通信品質の推定とを行い、生成された前記仮想画像と推定された前記通信品質との対応関係を学習することを特徴とする。
第３の発明は、端末と無線通信を行う複数の基地局と、前記端末と前記複数の基地局との通信環境を撮影する撮像装置と、機械学習を用いて前記複数の基地局を制御する基地局制御装置と、前記基地局制御装置用の事前学習データを生成する事前学習補助装置とを有する通信システムにおいて、前記事前学習補助装置は、前記端末、前記複数の基地局、前記撮像装置、及び遮蔽物を配置した複数の仮想的な通信環境の三次元空間モデルを構築する空間モデル生成部と、前記三次元空間モデルの各々に基づいて複数の仮想画像を生成し、前記基地局制御装置に出力する画像生成部と、前記三次元空間モデルの各々に基づいて前記仮想画像の各々に対応する通信環境での前記複数の基地局と前記端末との通信品質を伝搬シミュレーションにより推定し、前記仮想画像と対応付けて前記基地局制御装置に出力するシミュレーション部とを備え、前記基地局制御装置は、前記撮像装置により撮影した距離情報を含む撮影画像と、前記撮影画像に対応する通信環境において前記端末と通信中の基地局が実測した通信品質を取得して、前記撮影画像と前記端末と通信中の基地局が実測した通信品質との対応関係、及び、前記事前学習補助装置から入力した前記仮想画像と推定された通信品質との対応関係の双方を学習して、前記端末と非通信中の基地局との間の通信品質を推定する学習推定部と、前記端末と非通信中の基地局との間の推定された通信品質の情報と、前記端末と通信中の基地局が実測した通信品質の情報とに基づいて、前記端末の通信に適した基地局を選択する統合制御部とを備えることを特徴とする。
第４の発明は、第３の発明において、前記複数の基地局が通信を開始する前に、前記空間モデル生成部による前記三次元空間モデルの構築と、前記画像生成部による前記仮想画像の生成と、前記シミュレーション部による前記仮想画像に対応する通信環境での通信品質の推定と、前記学習推定部による生成された前記仮想画像と推定された前記通信品質との対応関係の学習と、を行うことを特徴とする。
第５の発明は、第３の発明又は第４の発明において、前記空間モデル生成部は、前記複数の基地局が通信を開始する前に前記撮影画像を取得して、前記撮影画像に含まれる距離情報をベースに通信環境を解析し、解析した情報を元に複数の前記三次元空間モデルを構築することを特徴とする。
第６の発明は、端末と無線通信を行う複数の基地局の通信環境を撮像装置により撮影した画像で距離情報を含む撮影画像と、前記端末と通信中の基地局が実測した通信品質とを取得して、機械学習を用いて前記複数の基地局を制御する基地局制御装置に対して、事前学習データを生成する事前学習補助装置において、前記端末、前記複数の基地局、前記撮像装置、及び遮蔽物を配置した複数の仮想的な通信環境の三次元空間モデルを構築する空間モデル生成部と、前記三次元空間モデルの各々に基づいて複数の仮想画像を生成し、前記基地局制御装置に出力する画像生成部と、前記三次元空間モデルの各々に基づいて前記仮想画像の各々に対応する通信環境での前記複数の基地局と前記端末との通信品質を伝搬シミュレーションにより推定し、前記仮想画像と対応付けて前記基地局制御装置に出力するシミュレーション部とを備え、前記基地局制御装置は、前記撮影画像と前記端末と通信中の基地局が実測した通信品質との対応関係、及び、当該事前学習補助装置から入力した前記仮想画像と推定された通信品質との対応関係の双方を学習して、前記端末と非通信中の基地局との間の通信品質を推定し、前記端末と非通信中の基地局との間の推定された通信品質の情報と、前記端末と通信中の基地局が実測した通信品質の情報とに基づいて、前記端末の通信に適した基地局を選択することを特徴とする。
第７の発明は、第６の発明において、前記複数の基地局が通信を開始する前に、前記空間モデル生成部による前記三次元空間モデルの構築と、前記画像生成部による前記仮想画像の生成と、前記シミュレーション部による前記仮想画像に対応する通信環境での通信品質の推定と、を行い、前記基地局制御装置に、前記仮想画像と推定された前記通信品質との対応関係を学習させることを特徴とする。
第８の発明は、第６の発明又は第７の発明において、前記空間モデル生成部は、前記複数の基地局が通信を開始する前に前記撮影画像を取得して、前記撮影画像に含まれる距離情報をベースに通信環境を解析し、解析した情報を元に複数の前記三次元空間モデルを構築することを特徴とする。
本発明に係る通信制御方法、通信システム及び事前学習補助装置は、システムの初期動作段階や発生頻度の低い通信環境における通信品質の推定精度を向上することができる。
以下、図面を参照して本発明に係る通信方法、通信システム及び事前学習補助装置の実施形態について説明する。
図１は、本実施形態に係る通信システム１００の適用例を示す。図１の例では、通信システム１００は、基地局BS1、基地局BS2、端末ST1、端末ST2、カメラCA1及びカメラCA2を有する。図１に示す通信システム１００は、例えばイベント会場などにおいて直進性の高いミリ波を用いた無線LANなどの通信サービスを提供する場合に適している。図１の例では、例えば会場内に設置された基地局BS1及び基地局BS2は、入場者(歩行者)が保持する端末ST1及び端末ST2と通信を行う。また、RGB-D画像など距離情報を含む画像を撮影する撮像装置(カメラCA1及びカメラCA2) が会場内の壁面などに設置され、通信システム１００は、撮影された画像の距離情報に基づいて、基地局BS1、基地局BS2、端末ST1、端末ST2、遮蔽物及び歩行者などの位置などを把握することができる。そして、基地局BS1及び基地局BS2と端末ST1及び端末ST2との間の通信品質を実測又は推定することで、通信システム１００は、端末STの位置に応じた基地局BSのアンテナ指向性の制御や端末STとの通信に適した基地局BSへのハンドオーバ制御などを行う。
ここで、以降の説明において、基地局BS1及び基地局BS2に共通の説明を行う場合は基地局BSと表記する。同様に、端末ST1及び端末ST2に共通の説明を行う場合は端末STと表記し、カメラCA1及びカメラCA2に共通の説明を行う場合はカメラCAと表記する。
図１に示す例では、会場内に様々な遮蔽物があり、且つ、端末STを持った歩行者や端末STを持たない歩行者が動き回るため、基地局BSと端末STとの間の通信環境は時々刻々と変化する。そのため、通信システムにおいて、端末STがどの基地局BSと通信すればよいかを判断して基地局BS間で適切にハンドオーバさせる制御が難しい。例えば図１において、基地局BS1と端末ST1との見通し通信直線が他の歩行者に遮蔽された場合、基地局BS1と端末ST1との間の通信品質が劣化する。しかし、基地局BS2と端末ST1との通信品質が基地局BS1と端末ST1との間の通信品質よりも良好であると推定できれば基地局BS1から基地局BS2へハンドオーバすることにより、端末ST1の通信品質を良好に保つことができる。このためには、端末ST1と基地局BS1とが通信中に端末ST1と非通信中の基地局BS2の通信品質を推定し、基地局BS1で実測した実測通信品質と、基地局BS2の推定通信品質とを比較して、通信品質の良い方の基地局BSを選択する制御を行う必要がある。ところが、従来は、非通信中の基地局BSの通信品質を推定するための無線制御信号を送受信したり、実際の通信環境の撮影画像を用いて学習した通信品質を用いていたので、学習するのに時間がかかったり、学習量の少ないシステム起動時や発生頻度の少ない通信環境などにおける推定精度が低くなってしまうという問題があった。そこで、本実施形態に係る通信システム１００では、仮想的に生成した仮想画像と仮想画像に対する通信品質とを計算して、システムを起動する前から通信環境の事前学習を行うことにより、非通信中の基地局BSの通信品質を精度高く推定することができる。
図２は、本実施形態に係る通信システム１００の構成例を示す。本実施形態に係る通信システム１００は、基地局制御装置１０１、事前学習補助装置１０２、基地局BS1、基地局BS2、カメラCA1及びカメラCA2を有する。なお、基地局BS1及び基地局BS2は、端末ST1又は端末ST2と通信する。ここで、本実施形態に係る通信システム１００は、カメラCAの撮影画像又は事前学習補助装置１０２が生成する仮想画像と、基地局BSが実測する実測通信品質又は事前学習補助装置１０２が推定する仮想画像に対する通信品質との対応モデルを機械学習により蓄積して、基地局BSの通信品質を推定し、基地局BS間のハンドオーバを行うシステムである。ここで、仮想画像は、カメラCAの実際の撮像範囲に対応した仮想空間モデルの画像であって、撮影画像と同様の形式の距離情報を含む。仮想画像の距離情報は、仮想空間モデル上でのカメラCAと被写体となる各物体との位置関係に基づいて生成され、カメラCAから仮想画像に含まれる各物体までの距離をそれぞれ示す。
基地局制御装置１０１は、カメラCAが撮影する距離情報を含む撮影画像と、端末STと通信中の基地局BSが実測する通信品質情報と、後述する事前学習補助装置１０２が求めた距離情報を含む仮想画像及び仮想画像に対する通信品質情報とに基づいて、基地局BSのアンテナ指向性制御やハンドオーバ制御などを行う。
事前学習補助装置１０２は、仮想的な三次元空間モデルを構築して距離情報を含む仮想画像を生成し、生成した仮想画像における無線の伝搬シミュレーションを行って通信品質を推定する。そして、事前学習補助装置１０２は、生成した仮想画像と、仮想画像に対する通信品質情報と、を基地局制御装置１０１に出力する。
このようにして、基地局制御装置１０１は、カメラCAから得られる実際の撮影画像に対応する端末STと通信中の基地局BSから得られる実測通信品質情報と、事前学習補助装置１０２から得られる仮想画像に対応する通信品質情報と、に基づいて、現在の通信品質や将来の通信品質を推定・予測する。そして、基地局制御装置１０１は、推定・予測データに基づいて制御信号により基地局BS1及び基地局BS2を制御し、基地局BS1と基地局BS2との間のハンドオーバ制御や各基地局BSのアンテナ指向性制御などを行う。
このように本実施形態に係る通信システム１００は、システム起動前から仮想画像と仮想画像に対する通信品質との対応関係を学習して蓄積しておくことにより、システムの初期動作段階や発生頻度の低い通信環境における基地局BSの通信品質の推定精度を向上することができる。
図３は、本実施形態に係る通信システム１００の詳細な構成及び動作を示す。なお、図３において、図２と同符号のブロックは、図２と同一又は同様に動作する。
図３において、基地局制御装置１０１は、統合制御部２０１及び学習推定部２０２を有する。また、事前学習補助装置１０２は、三次元空間モデル生成部３０１、画像生成部３０２及び伝搬シミュレーション部３０３を有する。さらに、基地局BS1は、通信制御部４０２＿１及び通信品質測定部４０１＿１を有し、同様に、基地局BS2は、通信制御部４０２＿２及び通信品質測定部４０１＿２を有する。ここで、以降の説明において、通信品質測定部４０１＿１及び通信品質測定部４０１＿２に共通の説明を行う場合は通信品質測定部４０１と表記する。同様に、通信制御部４０２＿１及び通信制御部４０２＿２に共通の説明を行う場合は通信制御部４０２と表記する。
先ず、基地局BSの動作について説明する。
通信品質測定部４０１は、通信中の端末STとの間の通信品質を実測し、実測した実測通信品質の情報を学習推定部２０２に出力する。
通信制御部４０２は、統合制御部２０１から受け取る制御信号により、アンテナ指向性制御やハンドオーバ制御などを行う。例えば基地局BS1から基地局BS2へハンドオーバする場合、統合制御部２０１は、基地局BS1の通信制御部４０２_１に制御信号を出力して端末ST1との通信を停止するように指令すると共に、基地局BS2の通信制御部４０２＿２に制御信号を出力して端末ST1との通信を開始するように指令する。或いは、統合制御部２０１は、端末ST1と通信中の基地局BS1の通信制御部４０２＿１に制御信号を出力し、端末ST1の動きに応じて基地局BS1のアンテナの指向性を制御する。
次に、基地局制御装置１０１について説明する。
統合制御部２０１は、通信システム１００が有する複数の基地局BSを制御する。例えば統合制御部２０１は、学習推定部２０２から受け取る通信品質情報に基づいて、端末STの位置に応じた基地局BSのアンテナ指向性の制御や端末STとの通信に適した基地局BSへのハンドオーバ制御などを行う。例えば本実施形態では、端末ST1と通信中の基地局BS1の実測通信品質情報と、学習推定部２０２が推定した非通信中の基地局BS2の推定通信品質情報とに基づいて、通信品質が良好な基地局BSにハンドオーバする制御を行う。例えば、通信品質情報としてスループットを用いる場合、端末ST1と通信中の基地局BS1の実測スループットが100Mbpsで、学習推定部２０２が推定した非通信中の基地局BS2の推定スループットが150Mbpsである条件下では、統合制御部２０１は、基地局BS1と端末ST1との通信の停止と、基地局BS2と端末ST1との通信の開始とを各基地局BSに指令して基地局BS1から基地局BS2へのハンドオーバを行う。
学習推定部２０２は、カメラCAにより出力される距離情報を含む撮影画像と、端末STと通信中の基地局BSが実測した通信品質との対応関係や、事前学習補助装置１０２により生成される仮想画像と、仮想画像に対応する通信品質との対応関係、などを学習し、例えば内部の記憶装置などに蓄積する。図３の例では、点線５０１で示したように、撮影画像(1)に対応する実測通信品質(1)、撮影画像(2)に対応する実測通信品質(2)、撮影画像(3)に対応する実測通信品質(3)、仮想画像(1)に対応するシミュレーションで推定した通信品質(1)、同様に、仮想画像(2)に対応する通信品質(2)、仮想画像(3)に対応する通信品質(3)などが学習推定部２０２の記憶装置などに蓄積されている。学習推定部２０２は、学習して蓄積された情報に基づいて、非通信中の基地局BSの通信品質の推定を行い、通信中の基地局BSが実測した実測通信品質と非通信中の基地局BSの推定通信品質とを統合制御部２０１に出力する。ここで、学習推定部２０２は、通信品質の推定に機械学習を用いるので、学習データ量が多いほど推定精度が向上する。つまり、本実施形態に係る学習推定部２０２は、実際の学習データが得られたときと同様に、事前学習補助装置１０２により仮想的に生成された大量の学習データに基づいて学習できるので、通信品質の推定精度が向上する。なお、学習推定部２０２で用いる機械学習アルゴリズムには、回帰に拡張したAROWを用いる。以下、簡単にAROWについて説明する。例えば、時刻tにおいて得られた実測スループットをst、深度画像をAROWの入力用に変換した配列を(it)とする。学習フェーズにおいてAROWは正規化したスループットrt=st/ηと変換後の深度画像(it)の対応を学習する。ここで、ηはスループットの正規化係数であり、rtは0から1の値を取る。推定フェーズにおいては、AROWは(it)からrt'を推定し、学習器はst'=ηrt'を出力する(例えば、非特許文献６参照)。なお、カメラから得た深度画像をAROWの入力となる１次元２値配列に変換する手順は以下のとおりである。まず、計算量を削減するため、深度画像の解像度をH×W画素(H,W:正の整数)へと変換する。その後、深度画像の最大値がDとなるように各画素の深度値を正規化する。具体的には、画素座標を(x,y)で表記すると(x:H以下の整数、y:W以下の整数)、座標(x,y)にある画素の深度値をdx,yとし、全ピクセルについて[dx,y]番目（[]は床関数を示す）の値が1、それ以外が0となるDサイズの2値配列を作成する。例えばDが10段階(10個の0で表す)、dx,yが3.3の場合、床関数[3.3]=3となるので、10個の0のうち3番目に1が立ち、その他が0となる2値配列(0010000000)が得られる。このような処理を全画素に対して行って各画素の2値配列を求め、最後に、それぞれの画素の2値配列を連結することで、AROWの入力である深度画像の配列(it)が得られる。そして、得られた深度画像の配列(it)を入力としてAROWの処理が行われ、推定スループットst'が出力される。
このようにして、本実施形態に係る通信システム１００は、AROWによる機械学習により、スループットなどの通信品質を推定する。
次に、事前学習補助装置１０２について説明する。なお、事前学習補助装置１０２は、コンピュータなどの計算機により構成され、予め決められたプログラムに従って、三次元空間モデルの生成や仮想画像の生成及び伝搬シミュレーションなどを実行する。
三次元空間モデル生成部３０１は、先ず、学習を行うモデルの基地局BS、端末ST、カメラCAの位置などを決定する。その後、人体や遮蔽物などの物体の3Dモデルを仮想空間上に配置し、三次元空間モデル(3Dモデル)を生成する。
なお、三次元空間モデルを生成する条件(イベント会場の形状、基地局BS、端末ST、カメラCA、人体や物などの配置など)は、予め外部から与えておいてもよいし、図３の点線矢印で示したように、三次元空間モデル生成部３０１がカメラCA1及びカメラCA2の撮影画像を受け取って、撮影画像に含まれる距離情報をベースに会場の形状や配置などを解析し、解析した情報を元に自動的に三次元空間モデルを生成するようにしてもよい。このようにして生成された三次元空間モデルは、画像生成部３０２及び伝搬シミュレーション部３０３へ出力される。なお、三次元空間モデル生成部３０１は、端末STを持つ人や遮蔽物などの位置を仮想的に替えた様々なモデルを生成する。これにより、事前学習補助装置１０２は、仮想画像と通信品質との対応関係を示すデータを大量に生成することができる。
画像生成部３０２は、三次元空間モデル生成部３０１が生成する三次元空間モデルにおいて、カメラCAから見た場合の画像(仮想画像)をコンピュータグラフィクスの技術を用いて生成する。
伝搬シミュレーション部３０３は、電波伝播モデルに基づき、三次元空間モデル生成部３０１により生成された三次元空間モデルにおける端末STと基地局BSとの間の通信品質を計算により推定する。
このようにして、事前学習補助装置１０２は、仮想画像と、仮想画像に対応する通信品質の情報との対応を示すデータを計算機シミュレーションにより大量に生成することができる。これにより、学習推定部２０２は、学習に必要な通信環境の画像に対応する通信品質の情報を大量に得ることができ、非通信中の基地局BSの通信品質の推定精度を向上することができる。特に、実測による撮影画像と通信品質との対応関係のデータが得られていないシステム起動時や、現実に発生する頻度が低い通信環境に対しても、仮想画像と仮想画像に対応する通信品質の情報との対応を示すデータに基づいて、基地局BSの通信品質を精度高く推定することができる。
図４は、本実施形態に係る通信システム１００の処理の一例を示す。なお、図４において、点線で囲んだ処理以外の処理は、基地局制御装置１０１又は事前学習補助装置１０２により実行される。また、ステップＳ１０１からステップＳ１０７までの処理が事前学習補助装置１０２で実行される処理である。図４の例では、先ずステップＳ１０９で基地局BS1が端末ST1との通信を開始し、以降のステップで基地局BS1から基地局BS2へハンドオーバする場合の処理を行う。以下、各処理について順番に説明する。
ステップＳ１０１において、事前学習補助装置１０２で生成するモデルの数をカウントするためのカウンタＮ(Ｎは整数)が０に初期化される。なお、事前学習補助装置１０２におけるカウンタに関する制御（例えばカウンタＮのカウントアップやカウント値の判別など）は、例えば、事前学習補助装置１０２に含まれる各ブロックの動作を制御する制御部(不図示)で実行される。ここで、Ｎのカウント値は、生成されるモデルの数に相当する。
ステップＳ１０２において、三次元空間モデル生成部３０１は、カメラCA、基地局BS、端末ST、歩行者などの遮蔽物を配置した三次元空間モデルを仮想的に構築する。
ステップＳ１０３において、画像生成部３０２は、三次元空間モデル生成部３０１が構築した仮想空間モデルに基づいて仮想画像を生成する。仮想画像は、カメラCAの実際の撮像範囲に対応した仮想空間モデルの画像であって、撮影画像と同様の形式の距離情報を含む。仮想画像の距離情報は、仮想空間モデル上でのカメラCAと被写体となる各物体との位置関係に基づいて生成され、カメラCAから仮想画像に含まれる各物体までの距離をそれぞれ示す。
ステップＳ１０４において、伝搬シミュレーション部３０３は、仮想空間モデルを用いた伝搬シミュレーションにより、ステップＳ１０３で生成される仮想画像に対応する仮想空間モデルでの基地局BSの通信品質を計算する。なお、複数の基地局BSのそれぞれについて端末STとの間の通信品質を計算する。
ここで、ステップＳ１０３の処理とステップＳ１０４の処理は、並列に実行してもよいし、直列に順番（ステップＳ１０３の次にステップＳ１０４又はステップＳ１０４の次にステップＳ１０３）に行ってもよい。但し、ステップＳ１０３で生成される仮想画像と、ステップＳ１０４で計算される通信品質とは、ステップＳ１０２で生成される同じ三次元空間モデルに対する仮想画像と通信品質である。
ステップＳ１０５において、学習推定部２０２は、ステップＳ１０４で求めたシミュレーションによる通信品質と、ステップＳ１０３で生成した仮想画像との対応関係を学習する。なお、図３で説明したように、対応関係の学習データは、例えば学習推定部２０２に蓄積される。
ステップＳ１０６において、事前学習補助装置１０２は、カウンタＮをカウントアップする(N=N+1)。
ステップＳ１０７において、事前学習補助装置１０２は、カウンタＮが予め設定された最大のモデル数Ｎmaxになったか否かを判別する。そして、Ｎ＝Ｎmaxの場合はステップＳ１０８及びステップＳ１０９の処理に進み、Ｎ≠Ｎmaxの場合はステップＳ１０２の処理に戻って同様の処理を繰り返す。
ここで、以下のステップＳ１０８の処理とステップＳ１０９及びステップＳ１１０の処理は、並列に実行される。
ステップＳ１０８において、カメラCA(カメラCA1又はカメラCA2)により実際に通信環境を撮影した撮影画像(仮想画像に対する実画像)を取得する。取得された撮影画像は、学習推定部２０２のステップＳ１１１及びステップＳ１１２の処理で用いられる。
ステップＳ１０９において、基地局BS1は、端末ST1と通信する。この状態は、図３に示した例に相当し、この時点で端末ST1と通信中の基地局BSは基地局BS1であり、基地局BS2は端末ST1と非通信中である。
ステップＳ１１０において、基地局BS1は、通信中の端末ST1との間の通信品質を実測した実測通信品質を学習推定部２０２に出力し、学習推定部２０２のステップＳ１１１の処理で用いられる。
ここで、以下で説明するステップＳ１１１及びステップ１１２の処理と、ステップＳ１１３及びステップＳ１１４の処理とは並列に実行される。
ステップＳ１１１において、学習推定部２０２は、基地局BS1の実測通信品質と撮影画像との対応関係を学習して蓄積する。
ステップＳ１１２において、学習推定部２０２は、基地局BS1の実測通信品質の情報を統合制御部２０１に出力し、統合制御部２０１のステップＳ１１５の処理で用いられる。
ステップＳ１１３において、ステップＳ１１１の処理と並行して、学習推定部２０２は、蓄積された学習データを参照して、カメラCAの撮影画像から端末ST1と非通信中の基地局BS2の通信品質を推定する。
ステップＳ１１４において、学習推定部２０２は、端末ST1と非通信中の基地局BS2の推定通信品質の情報を統合制御部２０１に出力し、統合制御部２０１のステップＳ１１５の処理で用いられる。
ステップＳ１１５において、統合制御部２０１は、端末ST1と通信中の基地局BS1の実測通信品質の情報と端末ST1と非通信中の基地局BS2の推定通信品質の情報とに基づいて、端末ST1と通信を行う基地局BSを選択する。例えば、通信品質情報としてスループットを用いる場合、端末ST1と通信中の基地局BS1の実測スループットが100Mbpsで、学習推定部２０２が推定した非通信中の基地局BS2の推定スループットが150Mbpsである条件下で、統合制御部２０１は、基地局BS2を選択する。逆に、端末ST1と通信中の基地局BS1の実測スループットが180Mbpsで、学習推定部２０２が推定した非通信中の基地局BS2の推定スループットが150Mbpsである場合、統合制御部２０１は、基地局BS1を選択する。このようにして、統合制御部２０１は、学習推定部２０２から受け取る情報に基づいて、端末ST1との通信に適した基地局BSを決定する。
ステップＳ１１６において、統合制御部２０１は、ステップＳ１１５の処理で決定した基地局BSの情報(例えば基地局BSの名称や固有番号など基地局ＢＳを特定する情報)を全ての基地局BSに通知する。これにより、各基地局BSは、どの基地局BSが端末ST1と通信するのかを知ることができる。そして、新たに端末ST1と通信を開始するハンドオーバ先の基地局BSは、端末ST1との通信を開始する処理を行うことができ、端末ST1と現在通信中のハンドオーバ元の基地局BSは、通信中の端末ST1との通信を停止する処理を行うことができる。
ステップＳ１１７において、基地局BS1は、統合制御部２０１の指令により、端末ST1との通信を終了する。
ステップＳ１１８において、基地局BS2は、統合制御部２０１の指令により、端末ST1との通信を開始する。
ここで、ステップＳ１１７及びステップＳ１１８の処理が終了すると、再び、ステップＳ１０８及びステップＳ１０９の処理に戻って同様の動作を繰り返す。なお、図４に示したフローチャートでは、ステップＳ１０１からステップＳ１０７までの事前学習処理がシステム動作の開始前に実行される例を示してあるが、システム動作が開始された後のステップＳ１０８からステップＳ１１８までの処理が繰り返し行われている期間においても、ステップＳ１０１からステップＳ１０７までの学習処理を並行して実行するようにしてもよい。これにより、学習推定部２０２は、システム動作中においても、仮想画像と仮想画像に対応する通信環境での通信品質との対応関係を学習できるので、学習データ量を増やすことができ、通信品質の推定精度を更に向上することができる。
このように、本実施形態に係る通信システム１００は、各基地局BSが端末STと通信を開始する前に仮想的な様々な通信環境における仮想画像とそのときの通信品質を推定して、仮想画像と通信品質との対応関係を大量に学習しておくことにより、実測による学習データが少ない通信環境においても精度の良い通信品質の推定が可能になる。なお、事前学習補助装置１０２は、通信開始後においても、三次元空間モデルの生成を行い、仮想画像の生成と仮想画像における通信品質を推定し、仮想画像と仮想画像に対応する通信品質との対応関係を示すデータを学習推定部２０２に出力するようにしてもよい。
図５は、従来技術で説明した比較例の通信システム８００の処理の一例を示す。なお、図５において、図４と同符号のブロックは、図４と同様の処理を行う。図５の比較例の処理が本実施形態の処理と異なる点は、ステップＳ１０１からステップＳ１０７までの事前学習の処理を行わないことである。このため、例えばステップＳ１１３の処理において、学習推定部２０２が端末ST1と非通信中の基地局BS2の通信品質を推定する際に参照する蓄積された学習データの量に違いが生じる。例えば本実施形態に係る通信システム１００では、図４で説明したように、事前学習処理によって多数のデータが蓄積されているので、非通信中の基地局BS2の通信品質を推定する精度が事前学習しない場合に比べて高くなる。これに対して、図５に示した比較例の場合、例えばシステム起動時や発生頻度の少ない通信環境における学習データ量が無い又は少ないので、非通信中の基地局BS2の通信品質を推定する精度が事前学習する場合に比べて低くなる。
図６は、通信品質推定誤差の時間変化の一例を示し、横軸が時間ｔ、縦軸が通信品質推定誤差をそれぞれ示す。ここで、通信品質推定誤差は、学習推定部２０２が推定する通信品質と実際の通信環境における通信品質との誤差である。例えば通信品質としてスループットを用いる場合、学習推定部２０２の推定するスループットが200Mbpsで、実際の通信環境におけるスループットが180Mbpsの場合、誤差は約10%となる。なお、誤差が小さいほど推定精度が高く、誤差が大きいほど推定精度が低いことを示す。
図６において、通信品質推定誤差は、事前学習を開始していない時刻T1より前の段階では比較例及び本実施形態ともに同じである。ここで、本実施形態では、基地局BSが動作を開始する前に事前学習を行うことにより、基地局BSの動作開始時の通信品質推定誤差を小さくすることができるが、比較例では、基地局BSの動作開始時に通信品質推定誤差が大きなところから学習を行う必要がある。
例えば図６において、本実施形態に係る事前学習補助装置１０２及び学習推定部２０２は、通信システム１００が動作を開始する時刻T2よりも前の時刻T1から事前学習を開始する。そして、事前学習補助装置１０２は、時刻T1からT2までの事前学習期間において、仮想画像の生成と、仮想画像における端末STと基地局BSとの通信品質を伝搬シミュレーションにより推定する。そして、学習推定部２０２は、事前学習補助装置１０２が出力する仮想画像と、仮想画像に対する通信品質との対応関係を学習する。このようにして、学習推定部２０２は、基地局BSが動作を開始する前の事前学習期間に学習データを蓄積していくので、事前学習期間が長くなるほどより多くの学習データが蓄積される。これにより、推定精度が向上し、通信品質推定誤差は小さくなる。
ここで、事前学習を行わない比較例の通信システムの場合、システム動作が開始された時刻T2から実際に撮影された撮影画像と実測の通信品質との対応関係を学習し始めるので、学習データの蓄積が少ない時刻T2直後の通信品質推定誤差は大きく、学習データの蓄積が増えるのに従って通信品質推定誤差が小さくなっていく。
これに対して、本実施形態に係る通信システム１００の場合、システム動作が開始された時刻T2の時点で既に仮想画像により学習したデータが蓄積されているので、基地局BSの動作開始時点及び動作開始後における通信品質推定誤差は比較例よりも小さい。
このように、本実施形態に係る通信システム１００では、基地局BSが通信を開始し、学習推定部２０２が実際の撮影画像と実測の通信品質情報との対応関係の学習を開始する前に、事前に同様の学習を行うための事前学習補助装置１０２を用いて事前学習を行う。これにより実際に基地局が通信を始める前に通信環境に対応する仮想画像と通信品質との対応関係を学習させておくことができるため、各基地局BSの通信品質を通信開始直後から精度高く推定することができる。
以上、実施形態で説明してきたように、本願発明に係る通信方法、通信システム及び事前学習補助装置は、通信環境の画像から通信品質を推定する機械学習のために必要な多くのデータを実際に基地局が通信を開始する前に仮想的に生成して学習するので、基地局の動作直後から精度の高い通信品質の推定が可能である。
また、発生頻度の少ない通信環境に対しても、計算機シミュレーションにより予め学習を行っておくことができるので、推定精度を向上させることができる。
なお、本願発明に係る通信方法、通信システム及び事前学習補助装置は、通信環境の画像から通信品質を推定するので、直進性の高いミリ波などの無線通信を用いる場合に特に有効である。また、展示会など、ミリ波基地局を短期的なホットスポットとして使用したり、設置場所や周囲の通信環境が短期的に変化する場合などにおいては、通信環境に応じた通信品質を学習をする時間が十分に得られない可能性が高く、本願発明に係る通信方法、通信システム及び事前学習補助装置は特に有用である。
１００，８００・・・通信システム；１０１，８０１・・・基地局制御装置；１０２・・・事前学習補助装置；２０１，９０１・・・統合制御部；２０２，９０２・・・学習推定部；３０３・・・伝搬シミュレーション部；３０１・・・三次元空間モデル生成部；３０２・・・画像生成部；４０１，４０１＿１，４０１＿２・・・通信品質測定部；４０２，４０２＿１，４０２＿２・・・通信制御部；ST，ST1，ST2・・・端末；BS，BS1，BS2・・・基地局；CA，CA1，CA2・・・カメラ；LE1，LE2・・・学習推定部
Claims (8)
- 端末と無線通信を行う複数の基地局と、前記端末と前記複数の基地局との通信環境を撮影する撮像装置と、機械学習を用いて前記複数の基地局を制御する基地局制御装置と、前記基地局制御装置用の事前学習データを生成する事前学習補助装置とを有する通信システムにおける通信制御方法であって、
前記事前学習補助装置が、
前記端末、前記複数の基地局、前記撮像装置、及び遮蔽物を配置した複数の仮想的な通信環境の三次元空間モデルを構築する処理と、
前記三次元空間モデルの各々に基づいて、複数の仮想画像を生成し、前記基地局制御装置に出力する処理と、
前記三次元空間モデルの各々に基づいて、前記仮想画像の各々に対応する通信環境での前記複数の基地局と前記端末との通信品質を伝搬シミュレーションにより推定し、前記仮想画像と対応付けて前記基地局制御装置に出力する処理とを実行し、
前記基地局制御装置が、
前記撮像装置により撮影した距離情報を含む撮影画像と、前記撮影画像に対応する通信環境において前記端末と通信中の基地局が実測した通信品質とを取得する処理と、
前記撮影画像と前記端末と通信中の基地局が実測した通信品質との対応関係、及び、前記事前学習補助装置から入力した前記仮想画像と推定された通信品質との対応関係の双方を学習して、前記端末と非通信中の基地局との間の通信品質を推定する処理と、
前記端末と非通信中の基地局との間の推定された通信品質の情報と、前記端末と通信中の基地局が実測した通信品質の情報とに基づいて、前記端末の通信に適した基地局を選択する処理とを実行する
ことを特徴とする通信制御方法。 - 請求項１に記載の通信制御方法において、
前記複数の基地局が通信を開始する前に、前記仮想画像の生成と当該仮想画像に対応する通信環境での通信品質の推定とを行い、生成された前記仮想画像と推定された前記通信品質との対応関係を学習する
ことを特徴とする通信制御方法。 - 端末と無線通信を行う複数の基地局と、前記端末と前記複数の基地局との通信環境を撮影する撮像装置と、機械学習を用いて前記複数の基地局を制御する基地局制御装置と、前記基地局制御装置用の事前学習データを生成する事前学習補助装置とを有する通信システムにおいて、
前記事前学習補助装置は、
前記端末、前記複数の基地局、前記撮像装置、及び遮蔽物を配置した複数の仮想的な通信環境の三次元空間モデルを構築する空間モデル生成部と、
前記三次元空間モデルの各々に基づいて複数の仮想画像を生成し、前記基地局制御装置に出力する画像生成部と、
前記三次元空間モデルの各々に基づいて前記仮想画像の各々に対応する通信環境での前記複数の基地局と前記端末との通信品質を伝搬シミュレーションにより推定し、前記仮想画像と対応付けて前記基地局制御装置に出力するシミュレーション部とを備え、
前記基地局制御装置は、
前記撮像装置により撮影した距離情報を含む撮影画像と、前記撮影画像に対応する通信環境において前記端末と通信中の基地局が実測した通信品質を取得して、前記撮影画像と前記端末と通信中の基地局が実測した通信品質との対応関係、及び、前記事前学習補助装置から入力した前記仮想画像と推定された通信品質との対応関係の双方を学習して、前記端末と非通信中の基地局との間の通信品質を推定する学習推定部と、
前記端末と非通信中の基地局との間の推定された通信品質の情報と、前記端末と通信中の基地局が実測した通信品質の情報とに基づいて、前記端末の通信に適した基地局を選択する統合制御部とを備える
ことを特徴とする通信システム。 - 請求項３に記載の通信システムにおいて、
前記複数の基地局が通信を開始する前に、前記空間モデル生成部による前記三次元空間モデルの構築と、前記画像生成部による前記仮想画像の生成と、前記シミュレーション部による前記仮想画像に対応する通信環境での通信品質の推定と、前記学習推定部による生成された前記仮想画像と推定された前記通信品質との対応関係の学習と、を行う
ことを特徴とする通信システム。 - 請求項３又は請求項４に記載の通信システムにおいて、
前記空間モデル生成部は、前記複数の基地局が通信を開始する前に前記撮影画像を取得して、前記撮影画像に含まれる距離情報をベースに通信環境を解析し、解析した情報を元に複数の前記三次元空間モデルを構築する
ことを特徴とする通信システム。 - 端末と無線通信を行う複数の基地局の通信環境を撮像装置により撮影した画像で距離情報を含む撮影画像と、前記端末と通信中の基地局が実測した通信品質とを取得して、機械学習を用いて前記複数の基地局を制御する基地局制御装置に対して、事前学習データを生成する事前学習補助装置において、
前記端末、前記複数の基地局、前記撮像装置、及び遮蔽物を配置した複数の仮想的な通信環境の三次元空間モデルを構築する空間モデル生成部と、
前記三次元空間モデルの各々に基づいて複数の仮想画像を生成し、前記基地局制御装置に出力する画像生成部と、
前記三次元空間モデルの各々に基づいて前記仮想画像の各々に対応する通信環境での前記複数の基地局と前記端末との通信品質を伝搬シミュレーションにより推定し、前記仮想画像と対応付けて前記基地局制御装置に出力するシミュレーション部とを備え、
前記基地局制御装置は、
前記撮影画像と前記端末と通信中の基地局が実測した通信品質との対応関係、及び、当該事前学習補助装置から入力した前記仮想画像と推定された通信品質との対応関係の双方を学習して、前記端末と非通信中の基地局との間の通信品質を推定し、前記端末と非通信中の基地局との間の推定された通信品質の情報と、前記端末と通信中の基地局が実測した通信品質の情報とに基づいて、前記端末の通信に適した基地局を選択する
ことを特徴とする事前学習補助装置。 - 請求項６に記載の事前学習補助装置において、
前記複数の基地局が通信を開始する前に、前記空間モデル生成部による前記三次元空間モデルの構築と、前記画像生成部による前記仮想画像の生成と、前記シミュレーション部による前記仮想画像に対応する通信環境での通信品質の推定と、を行い、
前記基地局制御装置に、前記仮想画像と推定された前記通信品質との対応関係を学習させる
ことを特徴とする事前学習補助装置。 - 請求項６又は請求項７に記載の事前学習補助装置において、
前記空間モデル生成部は、前記複数の基地局が通信を開始する前に前記撮影画像を取得して、前記撮影画像に含まれる距離情報をベースに通信環境を解析し、解析した情報を元に複数の前記三次元空間モデルを構築する
ことを特徴とする事前学習補助装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017039126A JP6714279B2 (ja) | 2017-03-02 | 2017-03-02 | 通信制御方法、通信システム及び事前学習補助装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017039126A JP6714279B2 (ja) | 2017-03-02 | 2017-03-02 | 通信制御方法、通信システム及び事前学習補助装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2018148297A JP2018148297A (ja) | 2018-09-20 |
| JP6714279B2 true JP6714279B2 (ja) | 2020-06-24 |
Family
ID=63592447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017039126A Active JP6714279B2 (ja) | 2017-03-02 | 2017-03-02 | 通信制御方法、通信システム及び事前学習補助装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6714279B2 (ja) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7244292B2 (ja) * | 2019-02-19 | 2023-03-22 | 株式会社Ｉｈｉエアロスペース | 基地局選択装置と基地局選択方法 |
| US20220264438A1 (en) * | 2019-07-10 | 2022-08-18 | Nippon Telegraph And Telephone Corporation | Control station device and wireless terminal station device |
| WO2021018449A1 (en) | 2019-07-29 | 2021-02-04 | British Telecommunications Public Limited Company | Initiation of transfer of user equipment to base station according to visual data |
| GB201910779D0 (en) * | 2019-07-29 | 2019-09-11 | British Telecomm | Cellular Telecommunications Network |
| EP3772227B1 (en) | 2019-07-29 | 2022-07-13 | British Telecommunications public limited company | Cellular telecommunications network |
| JP7185878B2 (ja) * | 2019-07-30 | 2022-12-08 | 日本電信電話株式会社 | 通信制御システム、事前学習補助装置、通信制御方法及びプログラム |
| US11763191B2 (en) * | 2019-08-20 | 2023-09-19 | The Calany Holding S. À R.L. | Virtual intelligence and optimization through multi-source, real-time, and context-aware real-world data |
| JP7209296B2 (ja) * | 2019-08-23 | 2023-01-20 | 日本電信電話株式会社 | 無線物体検知装置および無線物体検知方法 |
| JP7214611B2 (ja) * | 2019-11-06 | 2023-01-30 | 株式会社Ｋｄｄｉ総合研究所 | 運動状態についての対象との対応度に基づき端末を同定する装置、プログラム及び方法 |
| JP7190998B2 (ja) * | 2019-11-11 | 2022-12-16 | 株式会社Ｋｄｄｉ総合研究所 | 通信状態についての対象との対応度に基づき端末を同定する装置、プログラム及び方法 |
| JP7258732B2 (ja) * | 2019-12-02 | 2023-04-17 | 株式会社Ｋｄｄｉ総合研究所 | 通信種別と対象種別との対応関係に基づき端末を同定する装置、プログラム及び方法 |
| JP7252885B2 (ja) * | 2019-12-18 | 2023-04-05 | 株式会社Ｋｄｄｉ総合研究所 | 通信品質の推定装置及びプログラム |
| US20230097606A1 (en) | 2020-02-25 | 2023-03-30 | Nippon Telegraph And Telephone Corporation | System, device, method and program that predict communication quality |
| JP2021150833A (ja) * | 2020-03-19 | 2021-09-27 | パナソニック株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
| US20230389530A1 (en) * | 2020-10-14 | 2023-12-07 | Japan Agency For Marine-Earth Science And Technology | Fish Count Calculation Method, Fish Count Calculation Program, and Fish Count Calculation Device |
| JP7387575B2 (ja) | 2020-10-19 | 2023-11-28 | 株式会社Ｋｄｄｉ総合研究所 | 対象情報に基づく優先度を用いて端末通信制御を行う装置、システム、プログラム及び方法 |
| WO2022101997A1 (ja) | 2020-11-10 | 2022-05-19 | 日本電信電話株式会社 | 状態推定システム、状態推定方法、状態推定装置、および、状態推定プログラム |
| JP7435827B2 (ja) | 2020-12-02 | 2024-02-21 | 日本電信電話株式会社 | 無線通信方法、無線通信システム、及び電波反射装置 |
| JPWO2022118472A1 (ja) * | 2020-12-04 | 2022-06-09 | ||
| WO2023135795A1 (ja) * | 2022-01-17 | 2023-07-20 | 日本電信電話株式会社 | 無線局選択方法、及び無線局選択システム |
-
2017
- 2017-03-02 JP JP2017039126A patent/JP6714279B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2018148297A (ja) | 2018-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6714279B2 (ja) | 通信制御方法、通信システム及び事前学習補助装置 | |
| US20240049120A1 (en) | Beamforming | |
| EP3165022B1 (en) | Network node and method of taking a mobility decision by considering the beamforming capabilities of the neighbouring nodes | |
| CN109076406A (zh) | 用于波束切换的方法和设备 | |
| US10892814B2 (en) | Performing receive beamforming in a fifth generation millimeter wave system | |
| CN114667773A (zh) | 无线通信网络中基于连通性的定位确定 | |
| CN114079866A (zh) | 一种信号传输方法及设备和装置 | |
| Okamoto et al. | Recurrent neural network-based received signal strength estimation using depth images for mmWave communications | |
| US20230412235A1 (en) | Reporting of a beam index in a communications network | |
| JP2017050797A (ja) | 移動装置、通信システム及び通信制御方法 | |
| CN112312384B (zh) | 蜂窝电信网络 | |
| Ohta et al. | Millimeter-wave received power prediction using point cloud data and supervised learning | |
| US10098024B2 (en) | Method of achieving information, access node and communication device | |
| JP2019215183A (ja) | 干渉源探索方法及び干渉源探索装置 | |
| JP2021022905A (ja) | 通信制御システム、事前学習補助装置、通信制御方法及びプログラム | |
| JP2020074554A (ja) | ビーム形成 | |
| CN111405626B (zh) | 一种基于时隙计算实现微小区预切换的实现方法 | |
| Yonemura et al. | Blockage prediction using exhaustive beam-pair scan in mmWave networks: An experimental study | |
| JP4499765B2 (ja) | 無線端末用のハンドオーバ閾値決定装置及びその方法 | |
| EP3970417B1 (en) | Initiation of transfer of user equipment to base station according to visual data | |
| WO2023134571A1 (zh) | 用于无线通信的电子设备和方法以及计算机可读存储介质 | |
| JP6570469B2 (ja) | 通信装置、制御方法及びプログラム | |
| GB2588989A (en) | Cellular telecommunications network | |
| JP2007243498A (ja) | 通信システムおよび通信方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20170302 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190118 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190122 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20190118 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190903 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190910 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191107 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200519 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200522 |
|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20200528 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20200529 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6714279 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200701 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |