JP7276432B2 - 通信システム及び端末 - Google Patents
通信システム及び端末 Download PDFInfo
- Publication number
- JP7276432B2 JP7276432B2 JP2021515692A JP2021515692A JP7276432B2 JP 7276432 B2 JP7276432 B2 JP 7276432B2 JP 2021515692 A JP2021515692 A JP 2021515692A JP 2021515692 A JP2021515692 A JP 2021515692A JP 7276432 B2 JP7276432 B2 JP 7276432B2
- Authority
- JP
- Japan
- Prior art keywords
- communication
- information
- communication quality
- unit
- terminal
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/20—Monitoring; Testing of receivers
- H04B17/27—Monitoring; Testing of receivers for locating or positioning the transmitter
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/02—Terminal devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/20—Monitoring; Testing of receivers
- H04B17/26—Monitoring; Testing of receivers using historical data, averaging values or statistics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Description
前記端末の周囲の周辺情報から所定のオブジェクトを抽出し、該オブジェクトの特徴量とともにオブジェクト情報として出力するオブジェクト判定部と、
前記外部装置と前記端末との間の通信品質と、前記オブジェクト情報との関係を機械学習して学習モデルを生成する通信品質学習部と、
前記通信品質学習部が生成した前記学習モデルを用い、前記オブジェクト判定部が出力した前記オブジェクト情報から所定時間後の通信品質を予測する通信予測部と、
を備える。
前記通信品質学習部は、前記端末情報も前記関係に含めて前記学習モデルを生成し、
前記通信予測部は、前記端末情報も含めて通信品質を予測する
ことを特徴とする。通信品質の予測の精度を向上させることができる。
前記通信品質学習部は、前記位置関係情報も前記関係に含めて前記学習モデルを生成し、
前記通信予測部は、前記位置関係情報も含めて通信品質を予測する
ことを特徴とする。通信品質の予測の精度を向上させることができる。
前記オブジェクト判定部と、前記通信品質学習部と、前記通信予測部と、を備える。
前記通信部は、外部にある前記通信品質学習部へ前記通信品質、前記オブジェクト情報を転送し、前記通信品質学習部から前記学習モデルを受信して前記通信予測部へ転送することでもよい。
前記通信部は、外部にある他の通信品質学習部へ前記通信品質及び前記オブジェクト情報を転送し、前記他の通信品質学習部から前記学習モデルを受信して前記通信品質学習部へ転送し、
前記通信品質学習部は、前記オブジェクト情報及び自身に関する情報である端末情報で前記他の通信品質学習部からの前記学習モデルを更新し、
前記通信予測部は、前記通信品質学習部が更新した前記学習モデルを用いて通信品質を予測することでもよい。
図1は、本実施形態の通信システムの構成例を示すブロック図である。本通信システムは、端末1と通信する外部装置2を有する通信システムであって、
端末1の周囲の周辺情報から所定のオブジェクトを抽出し、該オブジェクトの特徴量とともにオブジェクト情報として出力するオブジェクト判定部1-7と、
外部装置2と端末1との間の通信品質と、前記オブジェクト情報との関係を機械学習して学習モデルを生成する通信品質学習部1-5と、
通信品質学習部1-5が生成した前記学習モデルを用い、オブジェクト判定部1-7が出力した前記オブジェクト情報から所定時間後の通信品質を予測する通信予測部1-6と、
を備える。
外部の通信装置2と通信部1-4を用いて通信を行う端末1と、
当該通信を評価する通信評価部1-1と、
端末1の周辺環境情報を取得する周辺環境情報取得部1-3と、
端末1の端末情報を生成し、端末や端末の構成物や端末の通信を制御する端末管理部1-2と、
前記周辺環境情報と前記端末情報を用いて通信品質を学習して当該時間または当該時間より未来の通信品質を予測するための入出力関係を学習する通信品質学習部1-5と、
前記入出力関係を用い、入力された周辺環境情報と端末情報から、未来の通信品質の予測値を出力する通信予測部1-6と、を備える。
端末内の機能ブロックで入出力を行う端末NW部1-0、
端末と外部の通信装置との間の通信品質を評価する通信評価部1-1、
端末の周辺環境情報を可視光カメラ、赤外線カメラ、電磁波センサー、光センサー、音波センサーなどで収集する端末周辺環境情報収集部1-3、
前記端末周辺環境情報収集部の出力結果から、外部の通信装置との間の通信品質に関連のあるオブジェクトを抽出するオブジェクト判定部1-7、
外部装置2と通信する通信部1-4-1~1-4-N(Nは1以上の整数)、
周辺オブジェクト情報、端末情報、および通信品質情報から、未来の通信品質を出力するための周辺オブジェクト情報と周辺オブジェクト情報と通信品質との間の入出力関係を決める通信品質学習部1-5と、
前記得られた入出力関係、周辺オブジェクト情報、端末情報を用いて、未来の通信品質を予測する通信予測部1-6と、
を備える。
一方、通信品質学習部1-5は、現在または過去の通信品質に関するパラメータと、オブジェクト情報との間で入出力関係を学習するが、さらに、端末情報や位置関係情報も考慮して学習モデルを生成できる。
図3は、本実施形態の通信システムの構成例を示すブロック図である。本実施形態の端末1は、オブジェクト判定部1-7と、通信予測部1-6と、通信部1-4を備え、通信部1-4は、外部にある通信品質学習部2-5へ前記通信品質、前記オブジェクト情報を転送し、通信品質学習部2-5から学習モデルを受信して通信予測部1-6へ転送することを特徴とする。
図4は、本実施形態の通信システムの構成例を示すブロック図である。本実施形態の端末1は、オブジェクト判定部1-7と、通信品質学習部1-5と、通信予測部1-6と、通信部1-4を備え、
通信部1-4は、外部にある他の通信品質学習部2-5へ通信品質及びオブジェクト情報を転送し、他の通信品質学習部2-5から学習モデルを受信して通信品質学習部1-5へ転送し、
通信品質学習部1-5は、オブジェクト情報及び自身に関する情報である端末情報で他の通信品質学習部2-5からの学習モデルを更新し、
通信予測部1-6は、通信品質学習部1-5が更新した前記学習モデルを用いて通信品質を予測する。
図5は、実施形態1~3の通信システムにおいて、通信品質学習部1-5または2-5が行う機械学習のフローを説明する図である。まず最小形態である、実線で囲まれたブロックでのフローを説明する。通信予測のため、周辺環境情報収集部1-3は周辺環境情報を取得し、その結果をオブジェクト判定部へ入力する。なお、周辺環境とは、基地局の周囲にある車や歩行者などの移動体や建物や木々等の固定物である。
通信装置位置関係生成部1-9で生成される端末と通信を行う外部通信部の間の関係を表す情報、端末管理部1-2で生成される端末の制御/位置情報/向き/姿勢/ID/状態/端末の構成物の制御/位置情報/向き/姿勢/ID/状態の情報、及び端末の通信部の通信方式/周波数/周波数帯域などの情報のうち一つ以上からなる端末情報、ならびに学習フィードバック生成部1-8や2-8から入力される通信品質と相関のある情報、を指す。補助情報は、これらのうち一つでも、複数で用いてもよい。
すでに学習済みの入出力関係(学習モデル)を用い、新たな学習用データにおける予測性能を評価する。予測性能が低い場合、入力するパラメータの数(次元の数)に対し、十分に学習が行われておらず、データ数が増え、学習が進めば予測性能が上がることが期待できる場合と、当該データ条件では、通信予測が不可能な場合があり得る。前者であれば学習を続けることによる効果が期待でき、後者であれば学習の必要がない可能性がある。通信品質学習部1-5または2-5は、入出力関係としてより積極的に新規の情報を取り入れて学習を行うものと、確実に通信品質が推定できることを目指し、不確定なデータで学習を行わない戦略をとりえる。前者であれば常に学習を行うとともに、現時点で、当該学習用データに対しての信頼性が低いことを抽出し、低信頼条件として記憶する。後者であれば、入出力関係のための学習には当該学習用データを用いず、この条件を低信頼条件として記憶することもできる。
入力された情報の重要度を評価する。通信品質学習部1-5または2-5は、入力されたパラメータに対し、どれだけ参照されたかを検出し、参照されていないオブジェクトやパラメータを抽出する(Step 4-2)。用いられていないオブジェクトやパラメータ、または用いられているオブジェクトやパラメータを、オブジェクト判定部1-7や、通信予測部1-6にフィードバックすることで、例えば以下のように学習と予測を効率化できる。
・オブジェクト判定部1-7において、通信に影響を与えるオブジェクトの種類、オブジェクトの位置、オブジェクトの状態の条件を指定し、それ以外のオブジェクトの検出を行わなかったり、検出結果を破棄したりすることで演算負荷を軽減したり、通信予測部1-6や学習用フィードバック部2-8へ入力する情報量を減らしたりすることができる。
・通信に影響を与えるオブジェクトの種類、オブジェクトの位置、オブジェクトの状態の条件が、端末管理部1-2で有する情報の条件に依存する場合、端末管理部1-2から予め端末の位置情報などの必要情報を取得し、通信に影響を与えるオブジェクトの種類、オブジェクトの位置、オブジェクトの状態の条件を最適化し、演算負荷を軽減したり、通信予測部1-6や学習用フィードバック部2-8へ入力する情報量を減らしたりすることができる。
・通信に影響を与えるオブジェクトではない情報である、端末管理部1-2や学習フィードバック生成部2-8の種類、オブジェクトの位置、オブジェクトの状態の条件が、端末管理部1-2で有する情報の条件に依存する場合、端末管理部1-2から予め端末1の位置情報などの必要情報を取得し、通信に影響を与えるオブジェクトの種類、オブジェクトの位置、オブジェクトの状態の条件を最適化し、演算負荷を軽減したり、通信予測部1-6や学習用フィードバック部2-8へ入力する情報量を減らしたりすることができる。
予測に用いる主成分の更新(Step 4-3)である。通信品質学習部1-5または2-5は、学習用のデータに対し、主成分分析を実施し、新たな特徴量を抽出して次元圧縮を行ってから更新してもよい。通信品質学習部1-5または2-5において、前記の分析により特徴量の用い方に更新があった場合、通信品質予測部は新たに規定された次元圧縮方法に応じ、入力されたパラメータを加工し、通信品質予測のパラメータとして用い、新たに定義された入出力関係で通信品質を予測する。
図6は、本発明の効果を確認するために行った実験の図である。道路を挟んで無線LANの基地局である外部装置と端末を設置し、端末に備わる2台のカメラ映像を用いて、外部装置と端末との間で行われる未来の通信品質を予測した。ここで、無線LANは5GHz帯のチャネルを用い、通信品質は、20MHz当たりのスループットに対し、過去30秒間の平均で割った規格化スループットを用いた。通信品質は1秒ごとに評価される。カメラは上部を向いたカメラ1と下部を向いたカメラ2を用いた。
図11は、1秒後の通信品質を予測した結果を説明する図である。通信品質学習部は、決定木を500としたランダムフォレスト学習を用い、3時間分のデータを用いk-fold cross validation法により、データを5分割し、4つのデータセットでトレーニングして学習モデルを生成している。通信予測部は、この学習モデルを用いて、残りの1つのデータセットに対し通信品質(規格化スループット)を予測している。入力されたデータは図8に示したカメラからの映像と通信情報である。この結果は端末のそばを車やバスが行き来しているタイミングのデータのみを抽出しており、前述のように乗用車に対し通信品質に影響がない場合も含めての結果を示している。
図11では、予測した通信品質Aと実測した通信品質Bを比較している。通信品質の低下に着目すれば、通信品質Aのラインも通信品質Bのラインも同時に低下しており、実測における通信品質の低下を通信予測部が予測できていることが確認できる。
本実施形態では、端末の位置情報が予測する通信品質の精度に大きく影響することを説明する。図12も実施形態6の図10と同様に、測定された規格化スループットと、オブジェクト検出時の対応を説明する図である。ラインAが規格化スループットを表し、プロットBがカメラ1の映像からオブジェクトが識別されたタイミングを示している。オブジェクトは歩行者(human)、バイク/自転車(bike)、乗用車(car)、バス/トラック(bus)、の種別を定義している。ただし、本実施形態では、実施形態6に対して端末を10cm程度移動し、規格化スループットとカメラによるオブジェクト判定を実施している。本実施形態でも、通信品質は、乗用車の通過に対して全く影響を受けない一方で、バスの通過に対しては影響を受けている。
上述した実施形態における端末をコンピュータで実現するようにしてもよい。その場合、各装置が有する構成要素それぞれを実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、OSや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD-ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。更に「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した構成要素の一部を実現するためのものであってもよく、更に前述した構成要素をコンピュータシステムに既に記録されているプログラムとの組み合わせで実現できるものであってもよく、PLD(Programmable Logic Device)やFPGA(Field Programmable Gate Array)等のハードウェアを用いて実現されるものであってもよい。
以下は、本発明の概要をまとめたものである。
カメラ・センサーなどにより取得できる基地局の周辺環境情報、および、端末の位置情報/向き/姿勢/ID/状態/端末の構成物の制御/端末の制御の情報のうち一つ以上からなる端末情報を用い、現在または未来の通信品質を予測する通信システム。周辺環境情報、端末情報、通信品質を用いて、通信品質を出力するための入出力関係を学習して学習モデルを作成し、当該学習モデル、周辺環境情報及び端末情報を用いて、通信品質を予測する。通信を行う対象となる通信装置との位置関係を用いて精度を向上したり、複数の未来の動作パターンに対して通信品質を予測したり、予測の正答率を記憶したり、予測を誤った場合の情報を抽出して学習部にフィードバックすることもできる。
1-0:ネットワーク
1-1:通信評価部
1-2:端末管理部
1-3:周辺環境情報収集部
1-4、1-4-1、・・・、1-4-N:通信部
1-5:通信品質学習部
1-6:通信予測部
1-7:オブジェクト判定部
1-8:学習フィードバック生成部
1-9:通信装置位置関係生成部
2:外部装置
2-0:外部ネットワーク
2-1:通信評価部
2-5:通信品質学習部
2-4、2-4-1、・・・、2-4-N:外部通信部
2-8:学習/予測用フィードバック生成部
Claims (9)
- 端末と通信する外部装置を有する通信システムであって、
カメラで撮影された画像又はセンサーで収集された前記端末の周囲の周辺環境情報から通信に影響のある所定のオブジェクトを抽出し、該オブジェクトの特徴量とともにオブジェクト情報として出力するオブジェクト判定部と、
前記外部装置と前記端末との間の通信品質と、前記オブジェクト情報との関係を機械学習して学習モデルを生成する通信品質学習部と、
前記通信品質学習部が生成した前記学習モデルを用い、前記オブジェクト判定部が出力した前記オブジェクト情報の変化から所定時間後の通信品質を予測する通信予測部と、
を備える通信システム。 - 前記オブジェクト情報が、異なる時刻で取得された複数の前記オブジェクト情報を統計処理したものであることを特徴とする請求項1に記載の通信システム。
- 前記端末に関する情報である端末情報を生成する端末管理部をさらに備え、
前記通信品質学習部は、前記端末情報も前記関係に含めて前記学習モデルを生成し、
前記通信予測部は、前記端末情報も含めて通信品質を予測する
ことを特徴とする請求項1又は2に記載の通信システム。 - 前記端末と前記外部装置との位置から位置関係情報を生成する通信装置位置関係生成部をさらに備え、
前記通信品質学習部は、前記位置関係情報も前記関係に含めて前記学習モデルを生成し、
前記通信予測部は、前記位置関係情報も含めて通信品質を予測する
ことを特徴とする請求項1から3のいずれかに記載の通信システム。 - 前記通信品質学習部は、前記通信品質の情報を前記端末に関する情報である端末情報に対して一定時間収集し、統計処理を施して得られた定常時通信品質を用い、前記端末情報に対する前記定常時通信品質から所定の閾値以上離れた前記通信品質で機械学習することを特徴とする請求項1から4のいずれかに記載の通信システム。
- 前記オブジェクト判定部が抽出する前記所定のオブジェクトを指定するオブジェクト定義を更新する更新部をさらに備えることを特徴とする請求項1から5のいずれかに記載の通信システム。
- 請求項1から6のいずれかに記載の通信システムが有する端末であって、
前記オブジェクト判定部と、前記通信品質学習部と、前記通信予測部と、を備えることを特徴とする端末。 - 請求項1から6のいずれかに記載の通信システムが有する端末であって、
前記オブジェクト判定部と、前記通信予測部と、通信部を備え、
前記通信部は、外部にある前記通信品質学習部へ前記通信品質、前記オブジェクト情報を転送し、前記通信品質学習部から前記学習モデルを受信して前記通信予測部へ転送することを特徴とする端末。 - 請求項1から6のいずれかに記載の通信システムが有する端末であって、
前記オブジェクト判定部と、前記通信品質学習部と、前記通信予測部と、通信部を備え、
前記通信部は、外部にある他の通信品質学習部へ前記通信品質及び前記オブジェクト情報を転送し、前記他の通信品質学習部から前記学習モデルを受信して前記通信品質学習部へ転送し、
前記通信品質学習部は、前記オブジェクト情報及び自身に関する情報である端末情報で前記他の通信品質学習部からの前記学習モデルを更新し、
前記通信予測部は、前記通信品質学習部が更新した前記学習モデルを用いて通信品質を予測する
ことを特徴とする端末。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/017946 WO2020217458A1 (ja) | 2019-04-26 | 2019-04-26 | 通信システム及び端末 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020217458A1 JPWO2020217458A1 (ja) | 2020-10-29 |
JP7276432B2 true JP7276432B2 (ja) | 2023-05-18 |
Family
ID=72940954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021515692A Active JP7276432B2 (ja) | 2019-04-26 | 2019-04-26 | 通信システム及び端末 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220352995A1 (ja) |
JP (1) | JP7276432B2 (ja) |
WO (1) | WO2020217458A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022113169A1 (ja) * | 2020-11-24 | 2022-06-02 | 日本電信電話株式会社 | 通信品質予測装置、通信品質予測システム、通信品質予測方法、及び、通信品質予測プログラム |
JP7233664B1 (ja) | 2022-06-10 | 2023-03-07 | 17Live株式会社 | 品質予測のためのシステム、方法、及びコンピュータ可読媒体 |
WO2024089820A1 (ja) * | 2022-10-26 | 2024-05-02 | 日本電信電話株式会社 | 情報配信装置、予測システム、情報配信方法、及びプログラム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6534641B2 (ja) * | 2016-06-28 | 2019-06-26 | 日本電信電話株式会社 | 監視方法、監視システム、監視装置および監視プログラム |
WO2018093202A1 (en) * | 2016-11-17 | 2018-05-24 | Samsung Electronics Co., Ltd. | Method and apparatus for analysing communication channel in consideration of material and contours of objects |
EP3376696B1 (en) * | 2017-03-13 | 2021-02-17 | Volkswagen Aktiengesellschaft | Apparatuses, methods and computer programs for estimating a multi-hop radio channel between a transmitter, one or more relay stations, and a receiver in a mobile communication system |
-
2019
- 2019-04-26 WO PCT/JP2019/017946 patent/WO2020217458A1/ja active Application Filing
- 2019-04-26 JP JP2021515692A patent/JP7276432B2/ja active Active
- 2019-04-26 US US17/605,347 patent/US20220352995A1/en active Pending
Non-Patent Citations (2)
Title |
---|
岡本浩尚,ミリ波通信における深度画像からのリアルタイムスループット推定,電子情報通信学会技術研究報告 SR2016-55,日本,一般社団法人電子情報通信学会 The Institute of Ele,2016年10月27日,Vol.116 No.276,1-6頁,2-4節 |
岡本浩尚,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,電子情報通信学会技術研究報告 SR2015-89,日本,一般社団法人電子情報通信学会 The Institute of Ele,2016年02月24日,Vol. 115 No.473,47-52頁, 2.1節 |
Also Published As
Publication number | Publication date |
---|---|
US20220352995A1 (en) | 2022-11-03 |
JPWO2020217458A1 (ja) | 2020-10-29 |
WO2020217458A1 (ja) | 2020-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7276431B2 (ja) | 通信システム及び基地局 | |
Yang et al. | Machine-learning-enabled cooperative perception for connected autonomous vehicles: Challenges and opportunities | |
Higuchi et al. | Value-anticipating V2V communications for cooperative perception | |
Bi et al. | Engineering radio maps for wireless resource management | |
US11941518B2 (en) | Cooperative learning neural networks and systems | |
Thandavarayan et al. | Analysis of message generation rules for collective perception in connected and automated driving | |
Hossain et al. | Comprehensive survey of machine learning approaches in cognitive radio-based vehicular ad hoc networks | |
JP7276432B2 (ja) | 通信システム及び端末 | |
CN111142883B (zh) | 基于sdn架构的车辆计算任务卸载方法 | |
JP7226575B2 (ja) | 通信端末及び通信品質予測方法 | |
EP3398397B1 (en) | Wireless mesh network distributed vision traffic marker | |
JP7184172B2 (ja) | 端末及び通信システム | |
Soleymani et al. | BRAIN-F: Beacon rate adaption based on fuzzy logic in vehicular ad hoc network | |
US20220240168A1 (en) | Occupancy grid map computation, v2x complementary sensing, and coordination of cooperative perception data transmission in wireless networks | |
US20230110467A1 (en) | Collective perception service reporting techniques and technologies | |
Lin et al. | Low-latency edge video analytics for on-road perception of autonomous ground vehicles | |
Yu et al. | Edge-assisted collaborative perception in autonomous driving: A reflection on communication design | |
Shinkuma et al. | Data assessment and prioritization in mobile networks for real-time prediction of spatial information with machine learning | |
CN113179296B (zh) | 一种用于车载边缘计算系统的任务卸载方法 | |
JP7351397B2 (ja) | 通信品質を予測するシステム、装置、方法及びプログラム | |
Abd et al. | Hydra-RAN Perceptual Networks Architecture: Dual-Functional Communications and Sensing Networks for 6G and Beyond | |
Oka et al. | Spatial feature-based prioritization for transmission of point cloud data in 3D-image sensor networks | |
WO2020008541A1 (en) | Link adaptation apparatus, control method, and program based on the prediction of the position of sensors | |
Seymer et al. | Smart Parking Zones Using Meshed Bluetooth Sensor Networks | |
JP7439947B2 (ja) | 通信情報予測装置、通信情報予測方法、および通信情報予測プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210901 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221115 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230105 |
|
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: 20230404 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230417 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7276432 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |