KR102372549B1 - 복수의 트래픽 상황들을 결정하기 위한 방법, 장치, 및 컴퓨터 프로그램 - Google Patents

복수의 트래픽 상황들을 결정하기 위한 방법, 장치, 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR102372549B1
KR102372549B1 KR1020200002524A KR20200002524A KR102372549B1 KR 102372549 B1 KR102372549 B1 KR 102372549B1 KR 1020200002524 A KR1020200002524 A KR 1020200002524A KR 20200002524 A KR20200002524 A KR 20200002524A KR 102372549 B1 KR102372549 B1 KR 102372549B1
Authority
KR
South Korea
Prior art keywords
road users
traffic conditions
road
predicted
communication links
Prior art date
Application number
KR1020200002524A
Other languages
English (en)
Other versions
KR20200086640A (ko
Inventor
아사드 아마드 엘
Original Assignee
폭스바겐 악티엔게젤샤프트
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 폭스바겐 악티엔게젤샤프트 filed Critical 폭스바겐 악티엔게젤샤프트
Publication of KR20200086640A publication Critical patent/KR20200086640A/ko
Application granted granted Critical
Publication of KR102372549B1 publication Critical patent/KR102372549B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/149—Network analysis or design for prediction of maintenance
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • H04L47/83—Admission control; Resource allocation based on usage prediction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • H04W28/24—Negotiating SLA [Service Level Agreement]; Negotiating QoS [Quality of Service]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/543—Allocation or scheduling criteria for wireless resources based on quality criteria based on requested quality, e.g. QoS
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0852—Delays

Abstract

본 발명은, 복수의 트래픽 상황들을 결정하고, 도로 사용자들 사이의 연결된 서비스들 및 도로 사용자들 사이의 통신 서비스 품질을 예측하기 위한 장치, 방법, 및 컴퓨터 프로그램에 관한 것이다. 방법은 복수의 도로 사용자들 및 복수의 도로-측 인프라스트럭처 엔티티들로부터 복수의 환경 인식 모델들을 획득하는 단계(110)를 포함한다. 방법은 복수의 환경 인식 모델들에 기초하여, 미리-정의된 영역에 대한 조합 환경 인식 모델을 생성하는 단계(120)를 더 포함한다. 복수의 환경 인식 모델들은 조합 환경 인식 모델 내에 융합된다. 방법은 조합 환경 인식 모델에 기초하여, 미래의 복수의 시점들에 걸쳐, 미리-정의된 영역 내의 복수의 트래픽 상황들을 예측하는 단계(130)를 더 포함한다. 조합 환경 인식 모델은 도로 사용자들 사이의 연결된 서비스들의 예측에서 활용될 수 있다. 연결된 서비스들의 예측은 도로 사용자 클러스터들 및 클러스터들 사이의 통신 링크들의 예측을 가능하게 할 수 있다. 통신 링크들의 예측은 미리-정의된 영역에서의 예측된 트래픽 상황들에 기초하여, 예측된 연결된 서비스들에 대한 예측된 통신 링크들에 대한 리소스들의 사전-할당을 가능하게 할 수 있다. 리소스들의 사전-할당은 예측된 통신 링크들에 대한 예측된 채널 상태들을 사용하여, 예측된 통신 링크들의 통신 품질의 예측을 가능하게 할 수 있다.

Description

복수의 트래픽 상황들을 결정하기 위한 방법, 장치, 및 컴퓨터 프로그램{METHOD, APPARATUS AND COMPUTER PROGRAM FOR DETERMINING A PLURALITY OF TRAFFIC SITUATIONS}
본 발명은 복수의 트래픽 상황들을 결정하기 위한 장치, 방법, 및 컴퓨터 프로그램에 관한 것으로, 더 구체적으로(그러나 배타적이지는 않음), 복수의 도로 사용자들로부터 획득된 복수의 환경 인식 모델들의 조합에 기초하여 복수의 트래픽 상황들을 결정하는 것에 관한 것이다.
차량 통신은 연구 개발의 분야이다. 차량들의 자율 또는 반-자율 주행을 가능하게 하기 위해, 차량들은, 예컨대, 운전 조작들을 조정하고 그리고/또는 원격-동작 운전 명령들을 수신하기 위해 차량-대-차량 통신(V2V) 및 차량-대-네트워크(V2N) 통신을 사용할 것으로 예상된다. 이 통신은 일반적으로 무선이며, 즉, 차량들은 셀룰러 모바일 통신 시스템들을 통해, 이들 근처의 다른 차량들 및/또는 및/또는 백엔드 서비스들과 무선으로 통신할 수 있다. 라디오 리소스들의 이용 가능성에 의해 제한될 수 있는 공유 매체를 통해 무선 통신이 발생하기 때문에, 차량 통신에서 라디오 리소스 관리를 위한 개선된 개념을 제공할 필요가 있을 수 있다.
미국 특허 제US 10,147,324 B1호는 트래픽 거동 모델들에 기초한 차량에서의 사용자 보조의 제공에 관한 것이다. 특허에서, 차량들은 센서 데이터를 생성하고, 이를 사용하여 차량들 주변의 다른 차량들 및 오브젝트들에 관한 정보를 수집한다. 이 정보는 검출 차량들 및 도로 센서 시스템으로부터의 유사한 정보와 함께 사용될 수 있다. 시스템은 다른 차량들과 같은 참조 오브젝트들의 우세한 트래픽 거동을 설명하는 트래픽 거동 모델을 생성한다.
미국 특허 출원 제US 2006/0104219 A1호는 예측 모바일 애드 혹 네트워킹에 관한 것이다. 특허 출원에서, 요구될 가능성이 있는 네트워크 서비스들이 예측되고, 그리고 네트워크를 선제적으로 조정하는 데 사용된다.
미국 특허 출원 제US 2018/0376306 A1호는 자율 차량들의 네트워크들을 사용하여, 도시 생활 관리를 개선하기 위해, 이상들을 검출하고 최적화들을 예측하기 위한 방법 및 시스템에 관한 것이다.
실시예들은 차량 통신에서 리소스 관리를 실시하기 위해, 리소스 관리가 제공될 미리-정의된 영역 내에서 발생하는 트래픽 상황들을 예측하는 것이 유용할 수 있다는 발견에 기초한다. 이 미리-정의된 영역은, 예를 들어, 모바일 통신 시스템의 기지국의 커버리지 영역과 오버랩될 수 있다. 미리-정의된 영역 내에서, 2개의 종류의 무선 통신들이 고려될 수 있으며, 그 2개의 종류의 무선 통신들은 도로 사용자들(즉, 차량들, 이를테면 자동차들, 모터바이크들 또는 자전거들, 또는 보행자들)과 기지국 사이의 통신(즉, 차량-대-네트워크-통신), 및 도로 사용자들 사이의 통신(즉, 차량-대-차량-통신)이다. 적어도 일부의 차량 통신 접근법들에서, 동일한 라디오 리소스가 V2V 및 V2N 통신 둘 모두에 사용되기 때문에, 공동 라디오 리소스 관리가 사용될 수 있다. 실시예들은 미리-정의된 영역을 커버하는 조합 환경 인식 모델을 구성하기 위해, 복수의 도로 사용자들에 의해 생성되는 환경 인식 모델들을 사용한다. 조합 모델을 사용하면, 조합 환경 인식 모델을 사용하여 예견될 수 있는 트래픽 상황들이 미래의 다수의 시점들에 걸쳐 예측된다. 이와 관련하여, 트래픽 상황들은 하나 초과의 도로 사용자를 수반하는 상황들, 즉, 연결된 도로 사용자들 사이의 통신을 요구하는 트래픽 상황들일 수 있다. 이러한 트래픽 상황은, 예를 들어, 도로 상으로의 도로 사용자의 병합을 조정하기 위해 도로 사용자가 추가적인 도로 사용자들과 통신하는 상황, 또는 다수의 차량들이 차량들 중 어떤 차량이 먼저 교차로에 진입할지를 조정하는 트래픽 상황들일 수 있다. 다른 예시적인 트래픽 상황은 도로 사용자가 원격-동작 운전 서비스를 사용하는 상황이다. 각각의 트래픽 상황은 트래픽 상황에 참여하는 도로 사용자들 사이에서 통계적으로 발생하는 통신 패턴, 예를 들어, 트래픽 상황에 참여하는 도로 사용자들 사이의 통신 및 상기 도로 사용자들과 백엔드 서버의 통신을 발생시킬 수 있다. 트래픽 상황들이 예측되면, 이들은 미래의 시점들에 걸쳐 통신의 종류, 양, 및 위치를 예측하는 데 사용될 수 있다. 예측된 통신을 사용하여, 라디오 리소스들의 사전-할당이 수행될 수 있고, 서비스 품질(QoS)의 예측이 수행될 수 있다. 부가적으로, 예측된 트래픽 상황들은, 예측된 트래픽 상황들이 대개, 동일한 주변에 위치되고 유사한 페이스로 운전하는 도로 사용자들을 수반할 수 있기 때문에, 도로 사용자들을 도로 사용자들의 클러스터들로 그룹화하기 위해 추가로 사용될 수 있다.
실시예들은 복수의 트래픽 상황들을 예측하기 위한 방법을 제공한다. 방법은 복수의 도로 사용자들(즉, 차량들 또는 모터바이크들) 및 (선택적으로는) 복수의 도로-측 인프라스트럭처 엔티티들로부터 복수의 환경 인식 모델들을 획득하는 단계를 포함한다. 방법은 복수의 환경 인식 모델들에 기초하여, 미리-정의된 영역에 대한 조합 환경 인식 모델을 생성하는 단계를 더 포함한다. 복수의 환경 인식 모델들은 조합 환경 인식 모델 내에 융합된다. 방법은 조합 환경 인식 모델에 기초하여, 미래의 복수의 시점들에 걸쳐, 미리-정의된 영역 내의 복수의 트래픽 상황들을 예측하는 단계를 더 포함한다.
복수의 도로 사용자들의 개별 환경 인식 모델들을 융합하는 것은, 예를 들어, 미리-정의된 영역을 모니터링하기 위한 전용 센서들을 요구하지 않으면서, 미리-정의된 영역에 대한 조합 인식 모델을 생성하는 것을 가능하게 할 수 있다. 조합 인식 모델은 트래픽 상황들을 예측하는 데 사용될 수 있으며, 이는 차례로, 라디오 리소스 관리 및 도로 사용자들의 클러스터들로의 도로 사용자들의 그룹화를 위해 사용될 수 있다. 조합 환경 인식 모델은 도로 사용자들 사이의 연결된 서비스들의 예측에서 활용될 수 있다. 연결된 서비스들의 예측은 도로 사용자 클러스터들 및 클러스터들 사이의 통신 링크들의 예측을 가능하게 할 수 있다. 통신 링크들의 예측은 미리-정의된 영역에서의 예측된 트래픽 상황들에 기초하여, 예측된 연결된 서비스들에 대한 예측된 통신 링크들에 대한 리소스들의 사전-할당을 가능하게 할 수 있다. 리소스들의 사전-할당은 예측된 통신 링크들에 대한 예측된 채널 상태들을 사용하여, 예측된 통신 링크들의 통신 품질의 예측을 가능하게 할 수 있다.
적어도 일부 실시예들에서, 방법은 복수의 도로 사용자들의 복수의 계획된 조작들에 관련된 정보를 획득하는 단계를 더 포함한다. 조합 환경 인식 모델은 복수의 계획된 조작들에 관련된 정보에 기초하여 생성될 수 있다. 이는 복수의 도로 사용자들의 임박한 조작들이 고려될 때, 트래픽 상황들의 예측의 정확도를 증가시킬 수 있다.
방법은 복수의 도로 사용자들의 복수의 계획된 경로들에 관련된 정보를 획득하는 단계를 더 포함할 수 있다. 조합 환경 인식 모델은 복수의 계획된 경로들에 관련된 정보에 기초하여 생성될 수 있다. 이는 복수의 도로 사용자들에 의해 취해지는 경로들, 그리고 그에 따른 차선들 및/또는 도로 출구들이 고려될 때, 트래픽 상황들의 예측의 정확도를 더 증가시킬 수 있다.
실시예들에서, 복수의 환경 인식 모델들은 복수의 도로 사용자들 주변의 영역에 대한 모델링 정보를 포함한다. 모델링 정보는 복수의 도로 사용자들의 인식 센서들을 사용하여 복수의 도로 사용자들에 의해 식별된 오브젝트들에 관련될 수 있다. 복수의 환경 인식 모델들은 복수의 도로 사용자들에 의해 인식되는 오브젝트들의 고-레벨 추상화를 제공할 수 있으며, 이는 조합 환경 인식 모델을 생성하기 위해 융합되는 것이 더 용이할 수 있다.
다양한 실시예들에서, 방법은 예측된 복수의 트래픽 상황들에 기초하여, 복수의 도로 사용자들을 도로 사용자들의 복수의 클러스터들로 그룹화하는 단계를 더 포함한다. 도로 사용자들은 클러스터링에 대해 통지받을 수 있고, 이는 도로 사용자들이 요구되는 연결된 서비스들을 사용할 수 있게 할 수 있고, 이는 차례로, 클러스터들 내에서 다이렉트 통신을 통해 가능하게 되고, 이는 차례로, V2N 통신의 양을 감소시킬 수 있다. 트래픽 상황들의 예측은 차량들 사이의 그리고 차량들과 구축된 클러스터들 내의 다른 도로 사용자들 사이의 요구되는 연결된 서비스들을 결정할 수 있다. 클러스터들은 시간 범위 및 미리-정의된 위치 내에서 요구되는 연결된 서비스들에 기초하여 구축될 수 있다. 클러스터는 상이한 타입의 도로 사용자들, 예를 들어, 차량들, 보행자, 사이클리스트 등을 포함할 수 있다. 연결된 서비스들을 사용한 클러스터들의 결정은 클러스터들 내의 도로 사용자들 사이의 통신 링크들, 예를 들어 V2V 및/또는 V2N을 정의할 수 있다. 예를 들어, 차량과 보행자 사이의 통신은 다이렉트 통신(V2V 또는 보행자의 경우 V2P(Vehicle to pedestrian))을 통해, 또는 V2N을 통한 모바일 라디오 네트워크를 통해 수행될 수 있다. 게다가, 이 통신이 고도로 국소화되어 있기 때문에, 클러스터 내의 통신에 대해 요구되는 라디오 리소스들은 다른 클러스터들에서도 또한 재사용될 수 있다.
방법은 예측된 복수의 트래픽 상황들에 기초하여, 복수의 트래픽 상황들에서의 도로 사용자들 사이의 통신 링크들(예를 들어, 복수의 트래픽 상황들에 기초하여 결정되는 예측된 연결된 서비스들로부터 도출될 수 있는 복수의 클러스터들의 클러스터 내의 도로 사용자들 사이의 통신 링크들)의 예측에 관련된 정보를 결정하는 단계를 더 포함할 수 있다. 예측된 통신 링크들은 요구되는 라디오 리소스들을 추정하는 데 사용될 수 있다. 예측된 통신 링크들은 클러스터들 내의 링크들의 타입, 예를 들어 V2V 및/또는 V2N, 통신 주파수 및 단-대-단 경로 설명, 요구되는 데이터 레이트, 및 링크들 상의 통신 파트너들 사이의 통신 레이턴시에 관련된 정보를 포함할 수 있다. 예측된 통신 링크들은 요구되는 라디오 리소스들을 추정하는 데 사용될 수 있다.
결과적으로, 방법은 통신 링크들의 예측에 관련된 정보에 기초하여, 예측된 통신 링크들에 대해 요구되는 라디오 리소스들에 관련된 정보를 결정하는 단계를 포함할 수 있다. 요구되는 라디오 리소스들은 라디오 리소스들의 계획 및/또는 사전-할당에서 사용될 수 있다.
예를 들어, 방법은 복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들(즉, 연결된 차량 통신 서비스들 또는 짧은 연결 서비스들; 연결된 서비스들은 교차로에서의 좌회전 보조, 시골 도로에서의 추월 보조 등일 수 있고; 연결된 서비스들은 서비스 기능들을 가능하게 하기 위해 도로 사용자들/차량들 사이의 통신들을 요구하는 연결된 기능들일 수 있음)에 관련된 정보를 결정하는 단계를 포함할 수 있다. 예측된 통신 링크들에 대해 요구되는 라디오 리소스들에 관련된 정보는 복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들에 관련된 정보에 기초하여 결정될 수 있다. 복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들은 예측된 통신 링크들에 대해 요구되는 라디오 리소스들을 도출하는 데 사용될 수 있다.
방법은 요구되는 라디오 리소스들에 기초하여, 미리-정의된 영역 내의 라디오 리소스들의 리소스 계획을 결정하는 단계를 포함할 수 있다. 리소스 계획은 이용 가능한 라디오 리소스들의 부족에 의해 도로 사용자 통신이 제한되는 상황들을 피하기 위해 사용될 수 있다.
적어도 일부 실시예들에서, 복수의 트래픽 상황들에서의 도로 사용자들 사이의 통신 링크들은 차량-대-차량 통신 링크들 및 차량-대-네트워크 통신 링크들을 포함한다. V2V 및 V2N 통신 둘 모두를 고려함으로써, 더 효율적인 리소스 할당이 실시될 수 있다.
방법은 예측된 통신 링크들에 기초하여, 미리-정의된 영역 내의 이용 가능한 라디오 리소스들에 관련된 정보에 기초하여, 그리고 (선택적으로는) 미리-정의된 영역 내의 도로 사용자들 사이의 예측된 통신 링크들에 대한 예측된 채널 상태 정보에 기초하여, 예측된 통신 링크들의 추정된 서비스 품질에 관련된 정보를 결정하는 단계를 포함할 수 있다. 이 정보가 도로 사용자들에 통신되는 경우, 이들은 이용 가능한 라디오 리소스들과 매칭하도록 이들의 통신을 조절할 수 있다.
적어도 일부 실시예들에서, 복수의 트래픽 상황들에서의 도로 사용자들 사이의 통신 링크들의 예측에 관련된 정보는 머신-학습 알고리즘을 사용하여 결정된다. 복수의 트래픽 상황들에 관련된 정보는 머신-학습 알고리즘에 대한 입력으로서 사용될 수 있다. 이는 다른 모델들을 사용하여 도출 가능하지 않을 수 있는 트래픽 상황들과 차량 통신 사이의 상관들의 결정을 가능하게 할 수 있다.
다양한 실시예들에서, 방법은 모바일 통신 시스템의 기지국에 위치된 컴퓨팅 엔티티에 의해 실행된다. 기지국의 커버리지 영역은 미리-정의된 영역의 일부와 적어도 부분적으로 오버랩될 수 있다. 이는, 관련 정보가 현장에서 계산되기 때문에, 모바일 통신 시스템의 코어 네트워크에서 지연 및 대역폭의 전체 사용을 감소시킬 수 있다.
복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들에 관련된 정보의 결정은 복수의 트래픽 상황들에 관여된 도로 사용자들의 결정, 복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들의 결정, 및 복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들의 시간 및 장소의 결정의 그룹의 하나 이상의 엘리먼트들을 포함할 수 있다. 이는 차량 통신 서비스들에 대해 요구되는 라디오 리소스들의 세밀한 결정을 가능하게 할 수 있다.
일부 실시예들에서, 방법은 예측된 통신 링크들에 대한 원하는 서비스 품질을 결정하는 단계를 포함하며, 여기서, 예측된 통신에 대해 요구되는 라디오 리소스들은 예측된 통신 링크들에 대한 원하는 서비스 품질에 기초하여 결정된다. 예측된 통신 링크들에 대한 원하는 서비스 품질은, 예를 들어, 최대 허용 가능한 지연 또는 최소 요구 대역폭에 관한 예측된 통신의 최소 및/또는 최적의 요건들을 정의할 수 있다.
실시예들은, 컴퓨터, 프로세서, 또는 프로그램 가능 하드웨어 컴포넌트 상에서 컴퓨터 프로그램이 실행될 때, 방법을 수행하기 위한 프로그램 코드를 갖는 컴퓨터 프로그램을 추가로 제공한다.
실시예들은 추가로, 복수의 트래픽 상황들을 예측하기 위한 장치를 제공한다. 장치는, 복수의 도로 사용자들과 통신하고 복수의 도로-측 인프라스트럭처 엔티티들과 통신하기 위한 적어도 하나의 인터페이스를 포함한다. 장치는 제어 모듈을 포함한다. 제어 모듈은 적어도 하나의 인터페이스를 통해 복수의 도로 사용자들 및 (선택적으로는) 복수의 도로-측 인프라스트럭처 엔티티들로부터 복수의 환경 인식 모델들을 획득하도록 구성된다. 제어 모듈은 복수의 환경 인식 모델들에 기초하여, 미리-정의된 영역에 대한 조합 환경 인식 모델을 생성하도록 구성된다. 복수의 환경 인식 모델들은 조합 환경 인식 모델 내에 융합된다. 제어 모듈은 조합 환경 인식 모델에 기초하여, 미래의 복수의 시점들에 걸쳐, 미리-정의된 영역 내의 복수의 트래픽 상황들을 예측하도록 구성된다.
일부 다른 특징들 또는 양태들은, 단지 예로서 그리고 첨부 도면들을 참조하여, 장치들 또는 방법들 또는 컴퓨터 프로그램들 또는 컴퓨터 프로그램 제품들의 다음의 비-제한적인 실시예들을 사용하여 설명될 것이다.
도 1a 및 도 1b는 복수의 트래픽 상황들을 예측하기 위한 방법의 실시예들의 흐름도들을 도시한다.
도 1c는 복수의 트래픽 상황들을 예측하기 위한 장치의 실시예의 블록도를 도시한다.
도 2는 도로 사용자들의 서비스 예측 및 클러스터링 및 통신 링크들에 대한 서비스 품질의 예측의 정보 흐름의 개략도를 도시한다.
도 3은 V2V 및 V2N 링크들에 대한 연결된 서비스들 및 QoS의 예측을 위한 아키텍처의 실시예의 블록도를 도시한다.
다양한 예시적인 실시예들이 이제 일부 예시적인 실시예들이 예시된 첨부 도면들을 참조하여 더 완전히 설명될 것이다. 도면들에서, 선들, 층들, 또는 구역들의 두께들은 명확성을 위해 확대될 수 있다. 선택적인 컴포넌트들은 은선, 파선, 또는 점선을 사용하여 예시될 수 있다.
따라서, 예시적인 실시예들이 다양한 변형들 및 대안적인 형태들로 이루어질 수 있는 한편, 그 실시예들은 도면들에 예로서 도시되고, 본원에서 상세히 설명될 것이다. 그러나, 예시적인 실시예들을 개시된 특정 형태들로 제한하려는 의도는 없고, 반대로, 예시적인 실시예들은 본 발명의 범위 내에 속하는 모든 변형물들, 균등물들, 및 대안물들을 커버하는 것으로 이해되어야 한다. 동일한 번호들은 도면들의 설명 전체에 걸쳐 동일하거나 또는 유사한 엘리먼트들을 지칭한다.
본원에서 사용되는 바와 같이, "또는"이라는 용어는, 달리 표시되지 않는 한, 비-배타적인 또는(예를 들어, "또는 그렇지 않으면" 또는 "또는 대안으로")을 지칭한다. 게다가, 본원에서 사용되는 바와 같이, 엘리먼트들 사이의 관계를 설명하기 위해 사용되는 단어들은, 달리 표시되지 않는 한, 직접적인 관계 또는 개재 엘리먼트들의 존재를 포함하도록 광범위하게 해석되어야 한다. 예를 들어, 엘리먼트가 다른 엘리먼트에 "연결" 또는 "커플링"되어 있는 것으로 언급될 때, 엘리먼트는 다른 엘리먼트에 직접적으로 연결 또는 커플링될 수 있거나, 또는 개재 엘리먼트들이 존재할 수 있다. 대조적으로, 엘리먼트가 다른 엘리먼트에 "직접적으로 연결된" 또는 "직접적으로 커플링된" 것으로 언급될 때, 개재 엘리먼트들이 존재하지 않는다. 유사하게, "사이에", "인접한" 등과 같은 단어들이 유사한 방식으로 해석되어야 한다.
본원에서 사용되는 용어는 특정 실시예들을 설명하는 목적을 위한 것일 뿐이고, 예시적인 실시예들의 제한으로 의도되지 않는다. 본원에서 사용되는 바와 같이, 단수형들("a", "an" 및 "the")은, 문맥상 명확히 달리 표시하지 않는 한, 복수형들을 또한 포함하는 것으로 의도된다. "포함한다", "포함하는", "구비한다", 또는 "구비하는"이라는 용어들은, 본원에서 사용될 때, 명시된 특징들, 정수들, 단계들, 동작들, 엘리먼트들, 컴포넌트들의 존재를 특정하지만, 하나 이상의 다른 특징들, 정수들, 단계들, 동작들, 엘리먼트들, 컴포넌트들, 또는 이들의 그룹들의 존재 또는 부가를 배제하는 것은 아님이 더 이해될 것이다.
달리 정의되지 않는 한, 본원에서 사용되는 모든 용어들(기술적 및 과학적 용어들을 포함함)은 예시적인 실시예들이 속해 있는 기술 분야의 당업자에 의해 일반적으로 이해되는 의미와 동일한 의미를 갖는다. 예를 들어, 일반적으로 사용되는 사전들에서 정의되는 용어들과 같은 용어들은 관련 기술의 정황에서의 이들의 의미와 일치하는 의미를 갖는 것으로 해석되어야 하고, 본원에서 명백히 정의되지 않는 한, 이상적이거나 또는 과도하게 공식적인 의미로 해석되지 않을 것임이 더 이해될 것이다.
V2N 및 다이렉트 통신 링크들의 통신 서비스 품질의 신뢰성 있는 예측은 연구에서 충분히 커버되지 않을 수 있다. 특히, 도로 사용자들/도로 사용자들에 의한 연결된 서비스들의 시간 및 위치의 예측은 여전히 해결되지 않았을 수 있다. 따라서, 예측된 서비스들의 QoS 요건들에 기초한 리소스들의 사전-할당을 위한 신뢰성 있는 개념이 또한, 개선될 필요가 있을 수 있다. (항상) 서비스들이 사용될 때 서비스 발견 및 이웃 발견 프로세스들이 수행되기 때문에 그리고 트래픽 상황들 및 환경 조건들이 대개 고려되지 않기 때문에, 도로 사용자들의 연결된 서비스들의 사용이 이전에 예측되지 않거나, 또는 예측하기 어렵기 때문에, 난제가 여전히 해결되지 않았을 수 있다.
도 1a 및 도 1b는 복수의 트래픽 상황들을 예측하기 위한 방법(예를 들어, 컴퓨터-구현 방법)의 실시예의 흐름도들을 도시한다. 방법은 복수의 도로 사용자들(즉, 차량들 또는 모터마이크들)로부터 복수의 환경 인식 모델들을 획득하는 단계(110)를 포함한다. 게다가, 복수의 환경 인식 모델들은 복수의 도로-측 인프라스트럭처 엔티티들, 예를 들어, 미리-정의된 영역 내의 보행자들을 인식할 수 있는, 도시 영역들 내의 카메라들과 같은 인프라스트럭처 센서들로부터 획득될 수 있다. 방법은 복수의 환경 인식 모델들에 기초하여, 미리-정의된 영역에 대한 조합 환경 인식 모델을 생성하는 단계(120)를 더 포함한다. 복수의 환경 인식 모델들은 조합 환경 인식 모델 내에 융합된다. 방법은 조합 환경 인식 모델에 기초하여, 미래의 복수의 시점들에 걸쳐, 미리-정의된 영역 내의 복수의 트래픽 상황들을 예측하는 단계(130)를 더 포함한다.
도 1c는 복수의 트래픽 상황들을 예측하기 위한 (대응하는) 장치(10)의 실시예의 블록도를 도시한다. 장치(10)는, 복수의 도로 사용자들과 통신하고 복수의 도로-측 인프라스트럭처 엔티티들과 통신하기 위한 적어도 하나의 인터페이스(12)를 포함한다. 장치는 적어도 하나의 인터페이스(12)에 커플링된 제어 모듈(14)을 포함한다. 제어 모듈(14)은, 예를 들어 적어도 하나의 인터페이스와 함께, 도 1a 및/또는 도 1b와 관련하여 도입된 방법을 실행하도록 구성될 수 있다. 제어 모듈(14)은 적어도 하나의 인터페이스(12)를 통해 복수의 도로 사용자들 및 (선택적으로는) 복수의 도로-측 인프라스트럭처 엔티티들로부터 복수의 환경 인식 모델들을 획득하도록 구성된다. 제어 모듈(14)은 추가로, 복수의 환경 인식 모델들에 기초하여, 미리-정의된 영역에 대한 조합 환경 인식 모델을 생성하도록 구성된다. 복수의 환경 인식 모델들은 조합 환경 인식 모델 내에 융합된다. 제어 모듈(14)은 조합 환경 인식 모델에 기초하여, 미래의 복수의 시점들에 걸쳐, 미리-정의된 영역 내의 복수의 트래픽 상황들을 예측하도록 구성된다. 도 1c는 추가로, 장치(10)를 포함하는 컴퓨팅 엔티티(100)를 도시한다. 적어도 일부 실시예들에서, 컴퓨팅 엔티티(100)는 에지 컴퓨팅 엔티티 또는 V2X 컴퓨팅 엔티티일 수 있으며, 즉, 컴퓨팅 엔티티는 모바일 통신 시스템의 기지국 또는 도로-측 인프라스트럭처 엔티티와 함께 위치될 수 있다. 실시예들은 장치(10)를 갖는 컴퓨팅 엔티티(100)를 포함하는 모바일 통신 시스템의 기지국을 제공한다.
다음의 설명은 도 1a 및/또는 도 1b의 방법과 도 1c의 장치 둘 모두에 관한 것이다.
실시예들은 복수의 트래픽 상황들을 예측하기 위한 방법 및/또는 장치에 관한 것이다. 차량 통신에서, 트래픽 상황들의 예측은 미리-정의된 영역 내에서 어떤 통신들이 발생할 가능성이 있는지를 예측하는 데 유용할 수 있다. 예를 들어, 연결된 운전에서, 각각의 트래픽 상황들은 특정 통신 패턴을 야기할 수 있다. 예를 들어, 연결된 도로 사용자가 좌회전을 하려고 의도하는 경우, 도로 사용자는 다른 연결된 도로 사용자들과 통신하여 이들에게 좌회전 도로 사용자를 위한 양보를 요청할 수 있다. 다른 예에서, 연결된 도로 사용자는 원격-동작 운전 서비스를 사용할 수 있다. 이 통신은 이 통신에 관여된 도로 사용자들, 요구되는 통신의 양, 및 상기 통신의 서비스 품질(QoS) 요건들을 예측하기 위해 사용될 수 있는 패턴에 따를 수 있다. 트래픽 상황들을 예측하기 위해, 실시예들은 복수의 도로 사용자들의 복수의 환경 인식 모델들(그리고 선택적으로는, 복수의 도로 사용자들의 복수의 계획된 조작들에 관련된 정보, 복수의 도로 사용자들의 복수의 계획된 경로들에 관련된 정보, 및 도로-측 인프라스트럭처 엔티티들로부터 발생된 환경 인식 모델들 중 적어도 하나)로부터 조합 환경 인식 모델을 생성하는 것에 기초한다. 이러한 다수의 정보는 조합 모델을 생성하기 위해 조합(즉 "융합")될 수 있으며, 그 조합 모델은 복수의 시점들에 걸친 미리-정의된 영역 내의 도로 사용자들의 위치 및 이동을 모델링한다. 도로 사용자들의 위치 및 이동에 기초하여, 트래픽 상황들이 예측될 수 있으며, 이는 후속하여, 통신 패턴들의 예측을 위해 사용될 수 있다. 적어도 일부 실시예들에서, 장치의 방법 및/또는 기능 컴포넌트들의 실행은 도로 사용자의 요청에 기초할 수 있다.
방법은 복수의 도로 사용자들(및/또는 복수의 도로-측 인프라스트럭처 엔티티들)로부터 복수의 환경 인식 모델들을 획득(예를 들어, 수신)하는 단계(110)를 포함한다. 일부 경우들에서, 복수의 환경 인식 모델들은 2개의 소스들 중 하나로부터만, 예를 들어, 복수의 도로 사용자들로부터만 또는 복수의 도로-측 인프라스트럭처 엔티티들로부터만 획득될 수 있다. 예를 들어, 복수의 환경 인식 모델들은 협력 인식 메시지(Cooperative Perception Message; CPM)들을 통해 획득(예를 들어, 수신)될 수 있다. 다시 말하면, CPM은 도로 사용자의 환경 인식 모델을 포함할 수 있다. CPM의 콘텐츠는 환경 인식 모델일 수 있다. 결과적으로, 방법은 복수의 도로 사용자들(및/또는 복수의 도로-측 인프라스트럭처 엔티티들)로부터 복수의 CPM들을 획득하는 단계를 포함할 수 있다.
방법은, 예를 들어 모바일 라디오 네트워크(예를 들어, 모바일 통신 시스템)를 통해, 복수의 도로 사용자들 및 (선택적으로는) 복수의 도로-측 인프라스트럭처 엔티티들로부터 복수의 환경 인식 모델들을 요청하는 단계를 포함할 수 있다. 요청은 복수의 도로 사용자들의 도로 사용자의 계획된 경로에 기초할 수 있거나 또는 이를 포함할 수 있으며, 예를 들어, 복수의 계획된 경로들에 관련된 정보에 기초할 수 있다. 계획된 경로는 미리-정의된 영역에 대응할 수 있다. 예를 들어, 복수의 환경 인식 모델이 요청될 수 있고, 그에 따라, 경로를 따라 조합 환경 인식 모델이 생성될 수 있다. 요청은 복수의 환경 인식 모델들에 대한 원하는 업데이트 레이트를 특정할 수 있다. 복수의 환경 인식 모델들은 복수의 도로 사용자들 및 (선택적으로는) 복수의 도로-측 인프라스트럭처 엔티티들에 의해, 예를 들어 원하는 업데이트 레이트로 제공될 수 있다.
예를 들어, 복수의 환경 인식 모델들은 복수의 도로 사용자를 주변의(및/또는 복수의 도로-측 인프라스트럭처 엔티티들 주변의) 영역에 대한 모델링 정보를 포함할 수 있다. 환경 인식 모델들은 도로 사용자/차량 주변의 정적 오브젝트, 예를 들어 빌딩들, 도로 표지판 등, 및 동적 오브젝트들, 예를 들어 보행자들, 사이클리스트들 등에 관련된 정보를 포함할 수 있다. 이 정보는 차량들 및 인프라스트럭처에 의해 인식되는 환경 모델에 의해 생성될 수 있다. 모델링 정보는 복수의 도로 사용자들의 인식 센서들을 사용하여 복수의 도로 사용자들에 의해 식별된 오브젝트들에 관련될 수 있다(도로-측 인프라스트럭처 엔티티들의 경우도 유사함). 예를 들어, 인식 센서들은 RADAR(Radio Detection and Ranging)(이하 "radar"로 표시됨) 센서, LIDAR(Light Detection and Ranging)(이하 "lidar"로 표시됨) 센서, 카메라 센서, 및 초음파 센서 중 적어도 하나를 포함할 수 있다. 복수의 환경 인식 모델들의 환경 인식 모델은 각각의 센서 데이터를 포함하지 않을 수 있지만, 복수의 도로 사용자들(및/또는 복수의 도로-측 인프라스트럭처 엔티티들)의 인식 센서들의 센서 데이터의 고-레벨 추상화에 대응할 수 있다. 예를 들어, 복수의 환경 인식 모델들의 환경 인식 모델은 복수의 도로 사용자들(및/또는 복수의 도로-측 인프라스트럭처 엔티티들)의 인식 센서들을 사용하여 복수의 도로 사용자들(및/또는 복수의 도로-측 인프라스트럭처 엔티티들)에 의해 식별된 오브젝트들의 위치 및/또는 범위에 관련된 정보를 포함할 수 있다. 일부 실시예들에서, 복수의 환경 인식 모델들의 환경 인식 모델은, 예를 들어, 오브젝트들이 연결된 도로 사용자들인 경우(즉, 오브젝트들이 복수의 도로 사용자들과 통신하는 도로 사용자들인 경우), 복수의 도로 사용자들(및/또는 복수의 도로-측 인트라스트럭처 엔티티들)의 인식 센서들을 사용하여 복수의 도로 사용자들(및/또는 복수의 도로-측 인프라스트럭처 엔티티들)에 의해 식별된 오브젝트들의 식별자에 관련된 정보를 포함할 수 있다.
일부 실시예들에서, 복수의 환경 인식 모델들 중 적어도 일부의 환경 인식 모델들은 복수의 도로-측 인프라스트럭처 엔티티들로부터 획득될 수 있다. 다시 말하면, 복수의 환경 인식 모델들은 복수의 도로 사용자들 및 복수의 도로-측 인프라스트럭처 엔티티들로부터 획득될 수 있다(110). 복수의 환경 인식 모델들은 복수의 도로 사용자들 및 복수의 도로-측 인프라스트럭처 엔티티들로부터 유래할 수 있다. 예를 들어, 복수의 도로-측 인프라스트럭처 엔티티들은 신호등, 트래픽 속도계, 트래픽 제어 스테이션, 및 유료 브리지 중 적어도 하나를 포함할 수 있다.
적어도 일부 실시예들에서, 복수의 도로 사용자들 또는 추가적인 복수의 도로 사용자들은 연결된 도로 사용자들(예를 들어, 연결된 차량들), 즉 자율 도로 사용자들(즉, 자율 차량들) 또는 반-자율 도로 사용자들(즉, 반-자율 차량들)일 수 있으며, 이들은 이들의 운전 판정들을 행하기 위해 다른 도로 사용자들 또는 백엔드 서버와 통신하도록 구성된다. 예를 들어, 복수의 도로 사용자들 또는 추가적인 복수의 도로 사용자들은 다른 도로 사용자들 또는 백엔드 서버와 이들의 자율 또는 반-자율 주행을 조정하도록 구성된 도로 사용자들일 수 있다.
부가하여, 도 1b에 도시된 바와 같이, 방법은 복수의 도로 사용자들의 복수의 계획된 조작들에 관련된 정보를 획득(예를 들어, 수신)하는 단계(112)를 포함할 수 있다. 예를 들어, 복수의 계획된 조작들에 관련된 정보는 조작 조정 메시지(Maneuver Coordination Message; MCM)들을 통해 획득될 수 있다. 예를 들어, 방법은 복수의 도로 사용자들로부터 복수의 MCM들을 획득하는 단계를 포함할 수 있으며, 여기서, 복수의 MCM들은 복수의 계획된 조작들에 관련된 정보를 포함하거나 또는 표시한다. 예를 들어, 각각의 MCM은 복수의 계획된 조작들 중 하나의(단일의) 계획된 조작에 관련된 정보를 포함할 수 있다. 복수의 계획된 조작들에 관련된 정보는 복수의 도로 사용자들에 의해 송신될 수 있다. 복수의 도로 사용자들의 복수의 계획된 조작들에 관련된 정보는 복수의 도로 사용자들이 어떤 운전 조작들(즉, 차선 변경들, 회전들, 추월 조작들 등)을 착수하려고(즉, 다음 최대 30초 내에) 계획하고 있는지를 표시할 수 있다. 따라서, 복수의 계획된 운전 조작의 계획된 운전 조작은 복수의 도로 사용자들의 도로 사용자가 (예를 들어, 운전 조작에 관련된 정보를 획득한 후에) 최대 30초 내에(또는 최대 25초, 최대 20초, 최대 15초, 최대 10초 내에) 실행하려고 계획하고 있는 (임박한) 운전 조작일 수 있다.
적어도 일부 실시예들에서, 방법은 복수의 도로 사용자들의 복수의 계획된 경로들에 관련된 정보를 획득하는 단계(114)를 더 포함한다. 복수의 계획된 조작들과 대조적으로, 복수의 계획된 경로들은 복수의 도로 사용자들의 복수의 계획된 목적지들, 즉 복수의 도로 사용자들의 장기 경로들에 관련된 정보를 포함할 수 있다. 예를 들어, 복수의 계획된 경로들은 복수의 도로 사용자들이 복수의 경로들을 따라 이동하려고 의도하고 있는 복수의 도로들을 표시할 수 있다. 예를 들어, 복수의 도로 사용자들의 복수의 계획된 경로들에 관련된 정보는 복수의 도로 사용자들이 어떤 차선들 또는 도로 출구들을 사용하려고 계획하고 있는지를 표시할 수 있다.
방법은 복수의 환경 인식 모델들에 기초하여, 미리-정의된 영역에 대한 조합 환경 인식 모델을 생성하는 단계(120)를 포함한다. 예를 들어, 조합 환경 인식 모델은 복수의 계획된 조작들에 관련된 정보 및/또는 복수의 계획된 경로들에 관련된 정보에 기초하여 생성될 수 있다. 복수의 환경 인식 모델들, 복수의 계획된 조작들에 관련된 정보, 및/또는 복수의 계획된 경로들에 관련된 정보는 조합 환경 인식 모델 내에 융합될 수 있다. 예를 들어, 미리-정의된 영역은 도로, 예를 들어 (정확히) 하나의 도로 또는 복수의 도로들을 포함할 수 있다. 조합 환경 인식 모델은 도로 또는 복수의 도로들을 점유하는 도로 사용자들(또한 보행자들일 수 있음)의 적어도 하나의 위치 및 이동을 모델링할 수 있다. 결과적으로, 조합 환경 인식 모델은 도로/복수의 도로들을 점유하는 (모든) 도로 사용자들(또는 차량들)의 위치 및 이동에 관련된 정보를 포함할 수 있다. 이를 달성하기 위해, 조합 환경 인식 모델의 생성(120)은, 예를 들어, 개별 환경 인식 모델들을 오버레이함으로써, 개별 환경 인식 모델들을 단일 조합 환경 인식 모델로 병합(즉, "융합")하는 것을 포함할 수 있다. 부가적으로, 조합 환경 인식 모델의 생성(120)은 병합된(또는 융합된) 환경 인식 모델들을 복수의 계획된 조작들에 관련된 정보 및/또는 복수의 계획된 경로들에 관련된 정보와 조합하여, 즉, 복수의 도로 사용자들의 운전 의도들을 고려하는 것을 포함할 수 있다. 방법은 복수의 계획된 조작들에 관련된 정보 및/또는 복수의 계획된 경로들에 관련된 정보에 기초하여, 복수의 도로 사용자들의 운전 의도들에 관련된 정보를 결정하는 단계를 포함할 수 있다. 조합 환경 인식 모델의 생성(120)은 병합된(또는 융합된) 환경 인식 모델들에 복수의 도로 사용자들의 운전 의도들에 관련된 정보를 부가하는 것을 포함할 수 있다. 조합 환경 인식 모델은, 예를 들어, 모바일 라디오 네트워크(예를 들어, 모바일 통신 시스템)를 통해 적합한 업데이트 레이트로 그리고/또는 도로 사용자의 요청 시에 도로 사용자에게 제공될 수 있다. 다시 말하면, 방법은, 예를 들어, 도로 사용자의 요청 시에, 조합 환경 인식 모델을 도로 사용자에게 제공하는 단계를 포함할 수 있다. 일부 실시예들에서, 조합 환경 인식 모델은 조합 환경 인식 모델에 대한 신뢰 표시자와 함께 도로 사용자에게 제공될 수 있다.
조합 환경 인식 모델은 미리-정의된 영역에 대해 생성된다(120). 예를 들어, 미리-정의된 영역은 도로를 따라(또는 복수의 도로들을 따라) 연장될 수 있다. 예를 들어, 미리-정의된 영역은 도로(또는 복수의 도로들)의 경로에 기초할 수 있다. 예를 들어, 미리-정의된 영역은 모바일 통신 시스템의 커버리지 영역, 예를 들어, 모바일 통신 시스템의 하나 이상의 기지국들의 커버리지 영역에 기초할 수 있다. 정보의 이러한 국소성은 조합 환경 인식 모델의 생성에서 레이턴시를 감소시키는 데 사용될 수 있다. 예를 들어, 방법은 모바일 통신 시스템의 기지국에 위치된 컴퓨팅 엔티티(예를 들어, 서버)에 의해 실행될 수 있다. 예를 들어, 방법은 도로 트래픽 에코시스템 컴퓨팅 엔티티에 의해 실행될 수 있다. 방법을 사용하여 제공되는 정보는 모바일 통신 시스템의 기지국에 위치된 컴퓨팅 엔티티 및/또는 도로 트래픽 에코시스템 컴퓨팅 엔티티에 의해 제공될 수 있다. 기지국의 커버리지 영역은 미리-정의된 영역의 일부와 적어도 부분적으로 오버랩될 수 있다. 예를 들어, 기지국의 커버리지 영역은 미리-정의된 영역에 대응할 수 있다. 대안적으로, 미리-정의된 영역은 기지국의 커버리지 영역을 포함할 수 있다. 예를 들어, 모바일 통신 시스템은 차량 통신 시스템, 예를 들어 차량-대-네트워크(V2N) 통신 시스템일 수 있다. 예를 들어, 모바일 통신 시스템은 C-V2X(Cellular-Vehicle-to-Anything)(이는 LTE-V2X(Long Term Evolution Vehicle-to-Anything) 및 5G-V2X(5th generation mobile communication system V2X)를 포함할 수 있음) 모바일 통신 시스템일 수 있거나 또는 이에 기초할 수 있다. 모바일 통신 시스템은 2개의 통신 모드들을 지원할 수 있으며, 그 2개의 통신 모드들은, 도로 사용자들 사이에 사용되는 PC5, 및 도로 사용자들과 기지국들 사이에 사용되는 Uu이다. PC5 및 Uu를 사용하여, 모바일 통신 시스템은 다이렉트 차량-대-차량 통신(기지국에 의해 또는 자율적으로 관리되는 PC5를 사용하여, 통신 홉으로의 기지국의 개입 없이), 모바일 통신 시스템을 기지국을 통한 차량-대-차량 통신, 및 모바일 통신 시스템의 기지국을 통한 차량-대-네트워크 통신을 지원할 수 있다. 다이렉트 차량-대-차량 통신은 도로 사용자의 기지국을 통한 통신과 동일한 라디오 리소스들(예를 들어, 동일한 주파수 리소스들)에 기초할 수 있다. 결과적으로, 다이렉트 차량-대-차량 통신 및 기지국을 통한 통신을 위한 라디오 리소스들의 공동 계획이 있을 수 있다.
방법은 조합 환경 인식 모델에 기초하여, 미래의 복수의 시점들에 걸쳐, 미리-정의된 영역 내의 복수의 트래픽 상황들을 예측하는 단계(130)를 포함한다. 예를 들어, 복수의 트래픽 상황들은 하나 초과의 도로 사용자를 수반하는 트래픽 상황들, 즉, 연결된 도로 사용자들(즉, 연결된 차량들) 사이의 통신을 요구하는 트래픽 상황들에 대응할 수 있다. 예를 들어, 트래픽 상황은 2 이상의 도로 사용자들을 수반하는 상황일 수 있으며, 여기서, 상황은 2 이상의 도로 사용자들의 협력을 요구하거나 또는 그로부터 이익을 얻는다. 적어도 일부 실시예들에서, 미리-정의된 영역은 추가적인 복수의 도로 사용자들을 포함할 수 있으며, 이는 복수의 도로 사용자들 및 복수의 추가적인 도로 사용자들을 포함할 수 있다(즉, 추가적인 도로 사용자들이 복수의 환경 인식 모델들 능동적으로 기여함). 복수의 도로 사용자들 및 복수의 추가적인 도로 사용자들의 도로 사용자들 둘 모두는 복수의 트래픽 상황들 중 트래픽 상황들에 관여될 수 있다. 복수의 추가적인 도로 사용자들은 복수의 환경 인식 모델들에 능동적으로 기여하지 않을 수 있지만, 예를 들어, 복수의 도로 사용자들에 의해 생성된 모델들에 의해 복수의 환경 인식 모델들 내에서 모델링될 수 있다. 복수의 트래픽 상황들의 예측(130)은 조합 환경 인식 모델을 사용하여, 복수의 시점들에 걸쳐, 추가적인 복수의 도로 사용자들(또는 복수의 도로 사용자들)의 위치 및 이동을 예측하는 것을 포함할 수 있다. 예를 들어, 복수의 시점들은 적어도 5초(또는 적어도 8초, 적어도 10초) 및/또는 최대 20초(또는 최대 15초, 최대 10초)만큼 미래로 연장될 수 있다. 복수의 시점들에 걸친 추가적인 복수의 도로 사용자들(또는 복수의 도로 사용자들)의 위치 및 이동의 예측은, 예를 들어, 추가적인 복수의 도로 사용자들(또는 복수의 도로 사용자들)의 위치 및 이동(의 예측)을 입력으로 하여 머신-학습 알고리즘을 사용함으로써, 복수의 트래픽 상황들을 인지하는 데 사용될 수 있다.
적어도 일부 실시예들에서, 조합 환경 인식 모델 및/또는 결정된 복수의 트래픽 상황들은 연속적으로 업데이트될 수 있다. 예를 들어, 방법은 복수의 차량들 및 (선택적으로는) 복수의 도로-측 인프라스트럭처 엔티티들로부터 복수의 환경 인식 모델들을 연속적으로 획득(즉, 수신)하는 단계(110)를 포함할 수 있다. 방법은 연속적으로 획득된 복수의 차량들에 기초하여, 조합 환경 인식 모델을 연속적으로 업데이트하는 단계를 포함할 수 있다. 이와 관련하여, "복수의 환경 인식 모델들을 연속적으로 획득하는"은, 주기적 또는 비주기적 시간 간격들로, 복수의 도로 사용자들 및 (선택적으로는) 복수의 도로-측 인프라스트럭처 엔티티들로부터 복수의 환경 인식 모델들의 새로운 버전들이 획득되는 것을 의미한다. 복수의 환경 인식 모델들의 새롭게 획득된 이들 새로운 버전들 복수의 도로 사용자들 및 (선택적으로는) 복수의 도로-측 인프라스트럭처 엔티티들의 환경 인식 센서 데이터의 업데이트된 버전에 기초한다. 조합 환경 인식 모델은 복수의 환경 인식 모듈들의 업데이트된 버전들에 기초하여 업데이트될 수 있고, 예를 들어, 주기적으로 업데이트될 수 있거나, 또는 환경 인식 모델의 새로운 버전의 수신 시에 업데이트될 수 있다. 따라서, 복수의 계획된 조작들에 관련된 정보 및/또는 복수의 계획된 경로들의 정보의 업데이트된 버전이 연속적으로 획득(예를 들어, 수신)될 수 있고, 조합 환경 인식 모델을 (연속적으로) 업데이트하는 데 사용될 수 있다. 방법은 연속적으로 업데이트된 조합 환경 인식 모델들에 기초하여, 복수의 트래픽 상황들을 (연속적으로) 업데이트하는 단계를 더 포함할 수 있다.
복수의 트래픽 상황들은, 예를 들어, 복수의 도로 사용자들 내에 통신 클러스터들을 형성하기 위해, 도로 사용자들을 함께 그룹화하기 위해 사용될 수 있다. 방법은 예측된 복수의 트래픽 상황들에 기초하여, 복수의 도로 사용자들(또는 추가적인 복수의 도로 사용자들)을 도로 사용자들의 복수의 클러스터들로 그룹화하는 단계(140)를 포함할 수 있다. 부가적으로, 예를 들어, 복수의 추가적인 도로 사용자들의 도로 사용자들이 연결된 도로 사용자들인 경우, 복수의 클러스터들은 복수의 추가적인 도로 사용자들의 도로 사용자들을 포함할 수 있다. 도로 사용자들의 클러스터는 매우 가까이 있고 유사한 페이스로 이동하는 도로 사용자들을 포함할 수 있다. 예를 들어, 도로 사용자들의 클러스터는 협력 방식으로 운전하는 도로 사용자들을 포함할 수 있다. 도로 사용자들의 복수의 클러스터들로의 복수의 도로 사용자들(또는 추가적인 복수의 도로 사용자들)의 그룹화(140)는, 동일한 트래픽 상황에 참여할 것으로 예측되고 그리고/또는 미리-정의된 영역 내에서 (예를 들어, 동일한 연결된 서비스들을 사용하여) 통신할 것으로 예측되는 동일한 클러스터로 도로 사용자들을 그룹화할 수 있다. 일부 실시예들에서, 방법은, 예를 들어, 도로 사용자들의 복수의 클러스터들에 그리고/또는 도로 사용자들의 복수의 클러스터들로부터 복수의 도로 사용자들의 도로 사용자들을 등록 및 등록-해제함으로써, 도로 사용자들의 복수의 클러스터들로의 복수의 도로 사용자들의 그룹화를 조절 및/또는 관리하는 단계를 더 포함할 수 있다.
다양한 실시예들에서, 방법은 예측된 복수의 트래픽 상황들에 기초하여, 복수의 트래픽 상황들에서의 (차량) 통신 링크들의 예측(예를 들어, 차량 통신의 예측)에 관련된 정보를 결정하는 단계(150)를 포함한다. 예측/예측된 통신 링크들에 관련된 정보는, 예를 들어, 모바일 라디오 네트워크(예를 들어, 모바일 통신 시스템)를 통해 적합한 업데이트 레이트로 그리고/또는 도로 사용자의 요청 시에 도로 사용자에게 제공될 수 있다. 다시 말하면, 방법은, 예를 들어, 도로 사용자의 요청 시에, 도로 사용자에 대한 예측/예측된 통신 링크들에 관련된 정보를 제공하는 단계를 포함할 수 있다. 복수의 트래픽 상황들에서의 도로 사용자들 사이의 통신 링크들은 차량-대-차량 통신 링크들 및 차량-대-네트워크 통신 링크들을 포함할 수 있다. 통신 패턴은 차량-대-차량 통신(즉, 기지국의 관여 없는 도로 사용자들 사이의 다이렉트 통신)과 차량-대-네트워크 통신(예를 들어, 도로 사용자들과 백엔드 서버, 예를 들어 원격 운전 서버의 통신) 둘 모두를 포함할 수 있다. 복수의 트래픽 상황 중 각각의 트래픽 상황은 (통계적 또는 결정적) 통신 패턴, 즉, 트래픽 상황 내에서 발생할 가능성이 있는 통신과 연관될 수 있다. 트래픽 상황들이 예측되면, 이들이 생성할 가능성이 있는 통신(예를 들어, 도로 사용자들 사이의 그리고 도로 사용자들과 백엔드 사이의 통신)을 예측하기 위해 이들이 사용될 수 있다. 적어도 일부 실시예들에서, 복수의 트래픽 상황들에서의 도로 사용자들 사이의 통신 링크들의 예측에 관련된 정보는 머신-학습 알고리즘, 예를 들어, 미리-트레이닝된 뉴럴 네트워크를 사용하여 결정될 수 있다(150). 복수의 트래픽 상황들에 관련된 정보는 머신-학습 알고리즘에 대한 입력으로서 사용될 수 있다.
각각의 통신은 또한, 통신에 대해 요구되는 라디오 리소스들과 연관될 수 있다. 방법은 통신 링크들의 예측에 관련된 정보에 기초하여, 예측된 통신 링크들에 대해 요구되는 라디오 리소스들에 관련된 정보를 결정하는 단계(160)를 더 포함할 수 있다. 예를 들어, 라디오 리소스들은 예측된 통신 링크들의 요구되는 데이터 처리량에 관련된 정보, 예측된 통신 링크들의 요구되는 데이터 볼륨에 관련된 정보, 예측된 통신 링크들에 대해 요구되는 리소스 블록들의 양에 관련된 정보, 예측된 통신 링크들에 대해 요구되는 주파수 및/또는 시간 리소스들의 양에 관련된 정보, 및 예측된 통신 링크들에 대해 요구되는 공간 리소스들에 관련된 정보 중 적어도 하나를 포함할 수 있다. 예측된 통신 링크들에 대해 요구되는 라디오 리소스들을 결정하기 위해, 방법은 트래픽 상황들에서의 도로 사용자들에 의해 사용될 가능성이 있는 서비스들을 결정할 수 있다. 다시 말하면, 방법은, 도 1b에 추가로 도시된 바와 같이, 복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들(즉, 연결된 차량 통신 서비스들 또는 짧은 연결 서비스들)에 관련된 정보를 결정하는 단계(162)를 포함할 수 있다. 예를 들어, 차량 통신 서비스는 V2V 또는 V2N 통신을 통해 추가적인 도로 사용자 또는 백엔드 서비스에 의해 (복수의 도로 사용자들 또는 추가적인 복수의 도로 사용자들의) 도로 사용자에게 제공되는 서비스일 수 있다. 차량 통신 서비스는 복수의 트래픽 상황들의 트래픽 상황에 관련될 수 있다. 예를 들어, 차량 통신 서비스의 예에서 백엔드 서버에 의해(또는 이를 통해) 원격 운전 서비스가 제공된다. 다른 예는 군집 통신 서비스이다. 제3 예는, 예를 들어, 회전하는 사람에게 양보함으로써, 도로 사용자의 좌회전을 돕는 것을 목표로 하는 차량 통신 서비스이다. 예측된 통신 링크들에 대해 요구되는 라디오 리소스들에 관련된 정보는 복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들에 관련된 정보에 기초하여 결정될 수 있다(160). 예를 들어, 각각의 차량 통신 서비스는 차량 통신 서비스에 대해 요구되는 라디오 리소스들과 연관될 수 있다.
복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들을 결정하기 위해, 방법은 다양한 메트릭들을 이용할 수 있다. 예를 들어, 복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들에 관련된 정보의 결정은 복수의 트래픽 상황들에 관여된 도로 사용자들의 결정(164)과 복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들의 결정(166)의 그룹의 하나 이상의 엘리먼트들을 포함할 수 있다. 부가적으로, 예측된 통신 링크들에 대해 요구되는 공간 라디오 리소스들을 결정할 수 있기 위해, 복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스에 관련된 정보의 결정은 복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들의 시간 및 장소의 결정(168)을 포함할 수 있다. 방법은 복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들에 관련된 정보를, 예를 들어 모바일 라디오 네트워크(예를 들어, 모바일 통신 시스템)을 통해, 적절한 업데이트 레이트로 그리고/또는 도로 사용자의 요청 시에 도로 사용자에게 제공하는 단계를 포함할 수 있다.
적어도 일부 예들에서, 요구되는 라디오 리소스들의 추정된 양을 결정하기 위해, 예측된 통신 링크들의 각각의 통신은 통신의 원하는 QoS에 관련된 정보와 연관될 수 있으며, 이는 통신에 대해 최소로, 전형적으로, 그리고/또는 최대로 요구되는 라디오 리소스들, 예를 들어 최대 지연 또는 최소 요구 데이터 처리량을 표시할 수 있다. 이 정보는 요구되는 라디오 리소스들을 추정하는 데 사용될 수 있다. 예를 들어, 방법은 예측된 통신 링크들에 대한 원하는 서비스 품질을 결정하는 단계(170)를 포함할 수 있다. 원하는 서비스 품질은 예측된 통신 링크들에 대해 최소로, 전형적으로, 그리고/또는 최대로 요구되는 라디오 리소스들에 관련된 정보를 포함할 수 있다. 예측된 통신에 대해 요구되는 리소스들은 (예를 들어, 예측된 통신 링크들에 대해 최소로, 전형적으로, 그리고/또는 최대로 요구되는 라디오 리소스들로부터 도출된) 예측된 통신 링크들에 대한 원하는 서비스 품질에 기초하여 결정될 수 있다.
일부 예들에서, 방법은 요구되는 라디오 리소스들에 기초하여, 미리-정의된 영역 내의 라디오 리소스들의 리소스 계획을 결정하는 단계(180)를 포함한다. 예를 들어, 라디오 리소스들의 리소스 계획의 결정(180)은 라디오 리소스들의 사전-할당에 대응할 수 있다. 방법은 라디오 리소스들의 리소스 계획에 기초하여, 라디오 리소스들의 사전-할당을 수행하는 단계를 포함할 수 있다. 예를 들어, 라디오 리소스들의 리소스 계획의 결정(180)은 추가로, 예측된 통신 링크들에 대한 예측된 채널 상태(즉, 예측된 채널 상태 정보)에 기초할 수 있다. 다시 말하면, 방법은, 예를 들어, 복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들의 시간 및 장소에 기초하여, 예측된 통신 링크들에 대해 사용될 통신 링크들의 예측에 관련된 정보를 결정하는 단계를 더 포함할 수 있다. 방법은, 예를 들어, 이력 데이터, 미리-정의된 영역의 지리, 및/또는 예측된 통신 링크들에 관여된 통신 파트너들의 거리에 기초하여, 예측된 통신 링크들에 대한 채널 상태를 예측하는 단계를 포함할 수 있다. 방법은, 예를 들어 기지국을 통해, 복수의 트래픽 상황들에 관여된 도로 사용자들에게 라디오 리소스들을 할당하기 위해, 라디오 리소스들의 리소스 계획을 사용하는 단계를 더 포함할 수 있다. 적어도 일부 실시예들에서, 방법은 라디오 리소스들의 결정된 리소스 계획에 기초하여, 모바일 통신 시스템의 동적 시간 분할 듀플렉스(TDD) 할당에서 라디오 리소스들의 할당을 조절하는 단계를 포함할 수 있다.
적어도 일부 실시예들에서, 방법은 예측된 통신 링크들의 추정된 서비스 품질에 관련된 정보를 결정하는 단계(190)를 더 포함할 수 있다. 추정된 서비스 품질은, 예를 들어, V2V 또는 V2N 통신이 사용될지 여부를 선택하거나, 또는 예측된 통신 링크들에 대해 사용될 정밀도 또는 상세 레벨을 선택함으로써, 도로 사용자 통신을 조절하기 위해 사용될 수 있다. 예측된 통신 링크들의 추정된 서비스 품질에 관련된 정보는, 예측된 통신 링크들에 기초하여, 미리-정의된 영역 내의 이용 가능한 라디오 리소스들에 관련된 정보에 기초하여, 그리고 미리-정의된 영역 내의 도로 사용자들 사이의 예측된 통신 링크들에 대한 예측된 채널 상태 정보에 기초하여 결정될 수 있다(190). 이용 가능한 라디오 리소스들에 관련된 정보는 예측된 통신 링크들의 예측된 통신 링크들에 대한 예측된 채널 상태에 대응할 수 있거나 또는 이에 기초할 수 있다.
적어도 하나의 인터페이스(12)는 모듈 내에서, 모듈들 사이에서, 또는 상이한 엔티티들의 모듈들 사이에서, 특정된 코드에 따른 디지털(비트) 값들일 수 있는 정보를 수신 및/또는 송신하기 위한 하나 이상의 입력들 및/또는 출력들에 대응할 수 있다.
실시예들에서, 제어 모듈(14)은 하나 이상의 프로세싱 유닛들, 하나 이상의 프로세싱 디바이스들, 프로세싱을 위한 임의의 수단, 이를테면, 프로세서, 컴퓨터, 또는 알맞게 적응된 소프트웨어로 동작 가능한 프로그램 가능 하드웨어 컴포넌트를 사용하여 구현될 수 있다. 다시 말하면, 제어 모듈(14)의 설명된 기능은 또한 소프트웨어로 구현될 수 있으며, 그 후, 소프트웨어는 하나 이상의 프로그램 가능 하드웨어 컴포넌트들 상에서 실행된다. 이러한 하드웨어 컴포넌트들은 범용 프로세서, 디지털 신호 프로세서(DSP), 마이크로-제어기 등을 포함할 수 있다.
방법 및/또는 장치(10)의 더 상세한 세부사항들 및 양태들은 제안된 개념 또는 위 또는 아래(예를 들어, 도 2 또는 3)에서 설명된 하나 이상의 예들과 관련하여 언급된다. 방법 및/또는 장치(10)는 제안된 개념의 하나 이상의 양태들 또는 위 또는 아래에서 설명된 하나 이상의 예들에 대응하는 하나 이상의 추가적인 선택적 특징들을 포함할 수 있다.
실시예는 연결된 서비스들의 예측을 위한 환경 인식을 제공한다. 적어도 일부 실시예들은, 도로 사용자들에서의 인식된 환경 모델들(협력 인식 메시지(CPM)들에 포함될 수 있고, 도 1a 내지 1c와 관련하여 도입된 바와 같은 복수의 환경 인식 모델들에 대응할 수 있음), 이들의 계획된 조작들(조작 조정 메시지(MCM)에 포함될 수 있고, 복수의 계획된 조작들에 관련된 정보에 대응할 수 있음), 이들의 경로들(복수의 계획된 경로들에 관련된 정보에 대응할 수 있음), 및/또는 인트라스트럭처에 의해 인식된 환경 모델들(예를 들어, 횡단로 상의 카메라 인식과 같은 복수의 도로-측 인프라스트럭처 엔티티들로부터 획득된 복수의 환경 인식 모델들)을 융합하여, 글로벌 인식 모델(GPM)(조합 환경 인식 모델에 대응할 수 있음)을 생성하는 것에 기초한다. GPM은 위치들 및 시간 지평(예를 들어, 복수의 시점들) 상에 도로 사용자들을 매핑할 수 있으며, 이는 도로 트래픽 상황들의 예측(PRTS)(복수의 트래픽 상황들에 대응할 수 있음)을 가능하게 한다. PRTS는 요구되는 서비스들(예를 들어, 복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들에 관련된 정보) 및 도로 사용자들의 클러스터(예를 들어, 복수의 클러스터들로의 복수의 도로 사용자들의 그룹화, 이를테면, 도로 사용자들, 자전거들, 오토바이 등의 클러스터들)(PSC)를 결정하기 위해 사용될 수 있다. PSC는 추가로, 연결된 서비스들 및 도로 사용자들의 클러스터들의 관리, 예를 들어, 연결된 서비스들의 사전-예약, 연결된 서비스들을 사용한 도로 사용자들의 등록 및 등록-해제, 및 클러스터 구축의 동적 관리를 위해 활용될 수 있다. 게다가, 예측된 서비스들 및 미리-알려진 서비스 구현들, 예를 들어, 다이렉트 통신들 또는 V2N 통신들을 통해 가능하게 되는 서비스로 인해, 도로 사용자들 사이의 통신 링크들이 식별될 수 있다(예를 들어, 복수의 트래픽 상황들에서의 도로 사용자들 사이의 통신 링크들의 예측에 관련된 정보). 이 정보 "특성화된 예측된 서비스들 및 클러스터들(characterized predicted services and clusters; CPSC)"은 GPM을 고려하여 예측된 통신 링크들에 대한 채널 상태를 예측(PCS)하기 위해 제공될 수 있다. 통신 링크들에 대한 예측된 채널 상태(PCS)는 추가로, 연결된 서비스들을 사용하는 클러스터들 내의 도로 사용자들 사이의 통신 링크들에 대한 (예를 들어, 라디오 리소스들의 리소스 계획의 결정에서의) 라디오 리소스들의 사전-할당을 위해 전개될 수 있다. 예측된 리소스(PR)들, 그에 따라 할당될 수 있는 것에 기초하여, PR 및 PCS는 예측된 연결된 서비스들을 사용하는 도로 사용자들 클러스터들에서의 통신 링크들에 대해 (예를 들어, 예측된 통신 링크들의 추정된 서비스 품질에 관련된 정보를 결정함으로써) 서비스 품질을 예측하기 위해 사용될 수 있다.
도 2는 예에 따른, 도로 사용자들의 서비스 예측 및 클러스터링 및 통신 링크들에 대한 서비스 품질의 예측의 정보 흐름의 개략도를 도시한다. 도 2는 동일한 정보 흐름의 2개의 양태들을 도시하며, 양태 a)는 도로 사용자들의 서비스 예측 및 클러스터링이고, 양태 b)는 통신 링크들에 대한 QoS의 예측이다. 도로 사용자들의 서비스 예측 및 클러스터링에서, CPM, MPM, 및 인프라스트럭처에 의한 인식 모델은 "협력 인식 모델들의 융합"(210)에서 사용될 수 있으며, 이는 도로 사용자들 및 도로-측 인프라스트럭처 엔티티들의 환경 인식 모델들(즉, 인식된 환경 모델들)을 계획된 조작들과 융합할 수 있고, GPM을 생성할 수 있다. GPM은 "도로 트래픽 상황들의 예측"(220)에서 입력으로서 사용될 수 있으며, 이는 PRTS를 생성할 수 있다. PRTS는 "도로 사용자들의 연결된 서비스 및 클러스터들의 결정"(230)을 위해 사용될 수 있으며, 이는 PSC를 생성할 수 있다. PSC는 "예측된 연결된 서비스들 및 클러스터들의 특성화의 관리"(240)에서 사용될 수 있으며, 이는 CPSC를 생성할 수 있다. 통신 링크들에 대한 QoS의 예측에서, CPSC는 GPM과 함께 "통신 링크들에 대한 채널 상태의 예측(PSC)"(250) 및 "통신 링크들에 대한 QoS 요구들의 예측"(260)에서 사용될 수 있으며, 그 통신 링크들에 대한 QoS 요구들의 예측은 PCS와 함께 "라디오 리소스들의 사전-할당(PR)"(270)에서 사용될 수 있다. PR 및 PCS는 "통신 링크들에 대한 QoS의 예측"(280)에서 사용될 수 있으며, 이는 예측된 QoS를 산출할 수 있다.
실시예들은 차량들 및 도로 인프라스트럭처에 의해 인식된 환경 정보를 사용하여, 연결된 서비스들의 예측을 위한 고-레벨 아키텍처를 제공할 수 있다. 아키텍처는 차량들과 차량들 및 다른 도로 사용자들 사이의 군집 또는 협력 충돌 회피와 같은 예측된 연결된 서비스들의 동작을 가능하게 하기 위해 라디오 링크들에 대해 요구되는 라디오 리소스들의 사전-할당을 가능하게 할 수 있다. 차량-대-차량(V2V) 및 차량-대-네트워크(V2N) 링크들 상에 초점이 맞춰질 수 있다. 추가로, 실시예들은 연결된 서비스들의 예측 및 라디오 리소스들의 사전-할당이 어떻게 통신 링크들에 대한 서비스 품질(QoS)의 예측을 가능하게 할 수 있는지를 나타낼 수 있다.
실시예들은 서비스 품질 예측을 위한 시스템 아키텍처를 제공할 수 있다.
공공 도로 및 개인 도로 상의 자동화 차량들의 연결은 자동화 주행 차량들의 안전하고 효율적이며 편안한 동작을 가능하게 한다. 이는 협력 충돌 회피, 취약한 도로 사용자 보호, 및 복잡한 상호 작용들을 갖는 다른 사용 경우들과 같은 연결된 시버스들을 가능하게 할 수 있다. 이러한 연결된 서비스들은 향후 라디오 리소스들의 가용성 및 그에 따른 V2V 및 V2N 통신 링크들에 대한 대응하는 스케줄링 알고리즘들에 대한 엄격한 요건들을 적용할 수 있다. 라디오 리소스들의 사전-할당의 효율은 연결된 서비스들의 QoS 요건들이 모바일 라디오 네트워크에서의 스케줄러들에서 미리 알려져 있는 경우에 향상될 수 있다. 도 3은 제안된 아키텍처를 도시하며, 이는 다음의 컴포넌트들을 포함할 수 있다.
● 모바일 라디오 네트워크(도 3의 참조 부호(320), 예를 들어, 모바일 통신 시스템): 이는 릴리스 16 이상에 기초한 3GPP 모바일 라디오 네트워크를 지칭할 수 있다.
● 차량(도 3의 참조 부호(310), 예를 들어, 복수의 도로 사용자들의 도로 사용자): 이는 자동화 레벨들 L3-L5의 자동화 차량을 나타낼 수 있다.
● 도로 인프라스트럭처(도 3의 참조 부호(340), 예를 들어, 복수의 도로-측 인프라스트럭처 엔티티들): 이는 신호등들, 모니터링 카메라들, 및 도로 트래픽 서버들와 같은 도로 트래픽 관리 및 모니터링 시스템들의 합을 나타낼 수 있다.
● 도로 트래픽 에코시스템(도 3의 참조 부호(330), 예를 들어, 도 1a/도 1b의 방법을 실행하고 그리고/또는 도 1c의 장치(10)를 포함하는 모바일 통신 시스템의 고정 엔티티): 이는 연결된 서비스들, 도로 사용자들의 클러스터를 예측하고 이들을 시간적으로 그리고 공간적으로 관리하는 것이 가능할 수 있는 에코시스템을 나타낼 수 있다. 이는 도로 차량들 및 도로 인프라스트럭처로부터 협력 인식 메시지(CPM)들을 연속적으로 수신할 수 있고, 차량들의 계획된 경로들 및 계획된 조작들을 또한 알고 있을 수 있다.
도 3은 V2V 및 V2N 링크들에 대한 연결된 서비스들 및 QoS의 예측을 위한 아키텍처의 실시예의 블록도를 도시한다. 도 3은 엔티티들, 즉, 차량(310)(예를 들어, 복수의 차량들의 차량), 모바일 라디오 네트워크(320)(예를 들어, 모바일 통신 시스템(300)), 도로 트래픽 에코시스템(330)(예를 들어, 도 1a/도 1b의 방법을 실행하고 그리고/또는 도 1c의 장치(10)를 포함하는 모바일 통신 시스템의 고정 엔티티), 및 도로 인트라스트럭처(340)(예를 들어, 복수의 도로-측 인프라스트럭처 엔티티들의 도로-측 인프라스트럭처 엔티티)를 도시한다. 아키텍처 컴포넌트들 사이의 인터페이스들은 아래에서 설명되고, 예측 절차의 메시지 흐름에서의 이들의 시간 순서 발생에 따라 나열된다.
Veh2MRN은 차량(310)과 모바일 라디오 네트워크(320) 사이의 인터페이스/메시지를 나타낸다. 이 인터페이스는 차량과 모바일 라디오 네트워크 사이의 예측된 QoS 요청 인터페이스를 제공할 수 있다.
MRN2Eco는 모바일 라디오 네트워크(320)와 도로 트래픽 에코시스템(330) 사이의 인터페이스/메시지를 나타낸다. 이는 적절한 업데이트 레이트로 요청 차량의 계획된 경로에 따른, 연결된 서비스들의 예측 및 글로벌 환경 인식에 대한 요청을 제공할 수 있다.
Eco2Inf는 도로 트래픽 에코시스템(330)과 도로 인프라스트럭처(340) 사이의 인터페이스/메시지를 나타낸다. 이는 인프라스트럭처 측에 설치된 인식 센서들을 사용한 환경 인식에 대한 요청을 설명할 수 있다. 환경 인식은 요청 차량의 계획된 경로에 의해 참조될 수 있다. 요청은 인식 정보의 업데이트 레이트를 특정할 수 있다.
Inf2Eco는 도로 인프라스트럭처(340)와 도로 트래픽 에코시스템(330) 사이의 인터페이스/메시지를 나타낸다. 이 인터페이스를 통해 송신되는 메시지는 요청 차량의 계획된 경로를 따라 인프라스트럭처 센서들에 의해 인식된 (모든) 정적 및 동적 오브젝트들(예를 들어, 복수의 인프라스트럭처 센서들로부터 획득된 복수의 환경 인식 모델들)을 포함할 수 있다. 이는 환경 인식 모델에 대응할 수 있다. 이러한 오브젝트들은 CPM들에 캡슐화될 수 있다. 요청된 업데이트 레이트에 따라 정보가 업데이트될 수 있다.
Eco2MRN은 도로 트래픽 에코시스템(330)과 모바일 라디오 네트워크(320) 사이의 인터페이스/메시지를 나타낸다. 이 메시지는 모바일 라디오 네트워크에 대한 도로 트래픽 에코시스템의 응답을 나타낼 수 있다. 이는 요청 차량의 계획된 경로를 따르는 예측된 연결된 서비스들을 포함할 수 있다. 각각의 예측된 연결된 서비스는 경로를 따르는 도로 사용자들(차량들, 보행자들, 모터바이크들 등)의 클러스터들의 리스트 또는 데이터 구조로 매핑될 수 있다. 대응하는 QoS 요건들을 갖는 V2N 및 V2V 링크들(예를 들어, 예측된 통신 링크들)의 리스트는 예측된 클러스터들에 할당될 수 있다. 통신 링크들은 예측된 연결된 서비스들의 라디오 구현에 관한 이용 가능한 사전 정보에 기초하여 특정될 수 있다. 예측된 통신 링크들은 차례로, 연결된 서비스들이 클러스터링된 도로 사용자들에 의해 활용될 것으로 예상되는, 도로 세그먼트들(예를 들어, 미리-정의된 영역) 및 미래의 시간 범위들(예를 들어, 미래의 시점들)에 매핑될 수 있다. 예측은 계획된 경로 부근의 차량들 및 도로 인프라스트럭처 인식 센서들에 의해 수집된 CPM들(예를 들어, 복수의 환경 인식 모델들)의 융합에 기초하여 수행될 수 있다. CPM들의 융합은 글로벌 인식 모델(GPM), 예를 들어 조합 환경 인식 모델을 생성할 수 있으며, 이는 요청 차량/도로 사용자의 경로를 따라 시간 및 공간 도메인들에서 (모든) 정적 및 동적 오브젝트들을 나타낼 수 있다. 예측된 정보는 계획된 경로에 따라 변화될 수 있는 신뢰 표시자에 의해 보충될 수 있다. 신뢰 표시자는 환경 인식의 불확실성들에 따라 좌우될 수 있다. 예측의 지평은 요청 차량의 계획된 경로의 시간적 및 공간적 특성들에 의해 결정될 수 있다.
게다가, 응답은 요청 차량의 경로에 할당된 GPM을 포함할 수 있다. GPM은 특정된 주기 레이트에 따라 전송될 수 있다. 모바일 라디오 네트워크는 예측된 연결된 서비스를 사용하는 도로 사용자들 사이의 통신 링크들에 대한 채널 상태들을 예측하기 위해 GPM을 활용할 수 있다. 예측된 채널 상태들, 예를 들어, V2N 및 V2V 링크들에 대한 채널 추정치들 및 QoS 요건들의 지식은 라디오 링크들 상의 실행 가능한 변조 및 코딩 기법들을 고려하여 리소스들의 신뢰성 있는 사전-할당을 가능하게 할 수 있다. 라디오 리소스들이 부족한 경우, 통신 링크들에 대한 QoS 레벨은 예측된 채널 상태들, 이용 가능한 리소스들, 및 변조 및 코딩 기법들에 기초하여 예측될 수 있다.
Mrn2Veh는 모바일 라디오 네트워크(320)와 차량 사이의 인터페이스/메시지를 나타낸다. 이는 모바일 라디오 네트워크와 차량 사이의 예측된 QoS에 대한 응답 인터페이스를 특정할 수 있다. 게다가, 이는 연결된 서비스들의 리스트를 포함할 수 있으며, 차량은 계획된 경로를 따라 시간적 및 공간적 도메인들에 등록된다.
도로 트래픽 에코시스템은 차량 제조자들과 같은 자체 에코시스템들을 갖는 OEM들에 의해 구현될 수 있다. 이는 교차-OEM 상호 운용성을 가능하게 하기 위해 상이한 OEM들의 상이한 에코시스템들을 연결하는 데 매우 편리할 수 있다. 도로 인프라스트럭처는, 인프라스트럭처로부터의 CPM에 의해 OEM들을 지원함으로써 OEM들과의 비즈니스 모델들에 관심이 있을 수 있는 도로 당국들 또는 제3 자에 의해 구현될 수 있다. 모바일 라디오 네트워크는 모바일 라디오 오퍼레이터들에 의해 구현될 수 있다. 그리고 차량은 OEM들에 의해 관리될 수 있다.
복잡성은 상이한 시스템 컴포넌트들 사이의 인터페이스들의 사양이 복잡성을 구성할 수 있다. 인터페이스들은 자동차 사용 경우들에서 QoS 정보의 교환을 위한 인터페이스들에 적어도 부분적으로 기초할 수 있으며, 이는 차량/UE와 모바일 라디오 네트워크 사이의 예측 QoS 인터페이스를 제공 또는 특정할 수 있다.
이미 언급된 바와 같이, 실시예들에서, 각각의 방법들은 각각의 하드웨어 상에서 실행될 수 있는 컴퓨터 프로그램들 또는 코드들로서 구현될 수 있다. 따라서, 다른 실시예는, 컴퓨터, 프로세서, 또는 프로그램 가능 하드웨어 컴포넌트 상에서 컴퓨터 프로그램이 실행될 때, 위의 방법들 중 적어도 하나를 수행하기 위한 프로그램 코드를 갖는 컴퓨터 프로그램이다. 추가적인 실시예는, 컴퓨터, 프로세서, 또는 프로그램 가능 하드웨어 컴포넌트에 의해 실행될 때, 컴퓨터로 하여금 본원에서 설명된 방법들 중 하나를 구현하게 하는 명령들을 저장하는 컴퓨터 판독가능 저장 매체이다.
당업자는 다양한 위에서 설명된 방법들의 단계들이 프로그래밍된 컴퓨터들에 의해 수행될 수 있고, 예를 들어, 슬롯들의 위치들이 결정 또는 계산될 수 있음을 쉽게 인식할 것이다. 본원에서, 일부 실시예들은 또한, 머신 또는 컴퓨터 판독가능한 프로그램 저장 디바이스들, 예를 들어 디지털 데이터 저장 매체들을 커버하고, 명령들의 머신-실행가능 또는 컴퓨터-실행가능 프로그램들을 인코딩하도록 의도되며, 여기서, 상기 명령들은 본원에서 설명되는 방법들의 단계들 중 일부 또는 전부를 수행한다. 프로그램 저장 디바이스들은, 예를 들어, 디지털 메모리들, 자기 저장 매체들, 이를테면 자기 디스크들 및 자기 테이프들, 하드 드라이브들, 또는 광학 판독가능 디지털 데이터 저장 매체들일 수 있다. 실시예들은 또한, 본원에서 설명된 방법들의 상기 단계들을 수행하도록 프로그래밍된 컴퓨터들, 또는 위에서 설명된 방법들의 상기 단계들을 수행하도록 프로그래밍된, (필드) 프로그램 가능 로직 어레이((F)PLA)들 또는 (필드) 프로그램 가능 게이트 어레이((F)PGA)들을 커버하도록 의도된다.
설명 및 도면들은 단지 본 발명의 원리들을 예시한다. 따라서, 본 발명의 원리들을 구현하고 본 발명의 사상 및 범위 내에 포함되는, 본원에서 명시적으로 설명 또는 도시되지는 않은 다양한 어레인지먼트들을 당업자가 고안하는 것이 가능하게 될 것임이 이해될 것이다. 게다가, 본원에서 언급된 모든 예들은 주로, 독자가 본 발명의 원리들을 이해하는 것을 돕기 위한 교육적인 목적들, 및 본 기술분야의 발전을 위해 발명자(들)에 의해 기여되는 개념들만을 위한 것으로 명백하게 의도되고, 그리고 그러한 특별히 언급된 예들 및 조건들로 제한되지 않도록 해석되어야 한다. 더욱이, 본 발명의 원리들, 양태들, 및 실시예들을 언급하는 본원의 모든 기재들 뿐만 아니라 그 특정 예들은 그의 등가물들을 포함하도록 의도된다.
프로세서에 의해 제공될 때, 기능들은 단일 전용 프로세서, 단일 공유 프로세서, 또는 복수의 개별 프로세서들에 의해 제공될 수 있으며, 이들 중 일부는 공유될 수 있다. 더욱이, "프로세서" 또는 "제어기"라는 용어의 명시적인 사용은 소프트웨어를 실행할 수 있는 하드웨어를 배타적으로 지칭하는 것으로 해석되지 않아야 하고, 그리고 디지털 신호 프로세서(DSP) 하드웨어, 네트워크 프로세서, 주문형 집적 회로(ASIC), 필드 프로그램 가능 게이트 어레이(FPGA), 소프트웨어를 저장하기 위한 판독 전용 메모리(ROM), 랜덤 액세스 메모리(RAM), 및 비-휘발성 저장소를 제한되지 않게 암시적으로 포함할 수 있다. 종래의 또는 주문형의 다른 하드웨어가 또한 포함될 수 있다. 이들의 기능은 프로그램 로직의 동작, 전용 로직, 프로그램 제어 및 전용 로직의 상호 작용을 통해, 또는 심지어 수동으로 수행될 수 있으며, 정황으로부터 더 구체적으로 이해되는 바와 같이 구현자에 의해 특정 기법이 선택 가능하다.
본원의 모든 블록도들이 본 발명의 원리들을 구현하는 예시적인 회로의 개념도들을 나타낸다는 것이 당업자에 의해 이해되어야 한다. 유사하게, 임의의 흐름도들, 흐름 다이어그램들, 상태 천이도들, 의사 코드 등은, 컴퓨터 판독가능 매체로 실질적으로 표현될 수 있고 그에 따라 컴퓨터 또는 프로세서(그러한 컴퓨터 또는 프로세서가 명시적으로 도시되는지 여부와 관계없음)에 의해 실행될 수 있는 다양한 프로세스를 나타낸다는 것이 이해될 것이다.
게다가, 이로써, 다음의 청구 범위는 상세한 설명에 포함되며, 여기서, 각각의 청구항은 별개의 실시예로서 자체적으로 존재할 수 있다. 각각의 청구항이 별개의 실시예로서 자체적으로 존재할 수 있는 한편, 종속 청구항이 청구 범위에서 하나 이상의 다른 청구항들의 특정 조합을 나타낼 수 있기는 하지만, 다른 실시예들이 또한, 각각의 다른 종속 청구항의 내용과 독립 청구항의 조합을 포함할 수 있다는 것이 유의된다. 이러한 조합들은 특정 조합이 의도되지 않는 것으로 명시되지 않는 한 본원에서 제안된다. 게다가, 청구항이 독립 청구항에 직접적으로 종속되지 않는 경우에도, 그 청구항의 특징들을 임의의 다른 종속 청구항에 또한 포함시키도록 의도된다.
본 명세서 또는 청구 범위에서 개시되는 방법들이 이들 방법들의 각각의 단계들 각각을 수행하기 위한 수단을 갖는 디바이스에 의해 구현될 수 있다는 것이 추가로 유의되어야 한다.
10 장치
12 적어도 하나의 인터페이스
14 제어 모듈
100 컴퓨팅 엔티티
110 복수의 환경 인식 모델들을 획득함
112 복수의 계획된 조작들에 관련된 정보를 획득함
114 복수의 경로들에 관련된 정보를 획득함
120 조합 환경 인식 모델을 생성함
130 복수의 트래픽 상황들을 예측함
140 복수의 도로 사용자들을 그룹화함
150 통신 링크들의 예측에 관련된 정보를 결정함
160 예측된 통신 링크들에 대해 요구되는 라디오 리소스들에 관련된 정보를 결정함
162 복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들에 관련된 정보를 결정함
164 복수의 트래픽 상황들에 관여된 도로 사용자들을 결정함
166 복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들을 결정함
168 복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들의 장소의 시간을 결정함
170 예측된 통신 링크들에 대한 원하는 서비스 품질을 결정함
180 리소스 계획을 결정함
190 예측된 통신의 추정된 서비스 품질에 관련된 정보를 결정함
200a 도로 사용자들의 서비스 예측 및 클러스터링
200b 통신 링크들에 대한 QoS의 예측
210 협력 인식 모델들의 융합
220 도로 트래픽 상황들의 예측
230 도로 사용자들의 연결된 서비스들 및 클러스터들의 결정
240 예측된 연결된 서비스들 및 클러스터들의 특성화의 관리
250 통신 링크들에 대한 채널 상태의 예측
260 통신 링크들에 대한 QoS 요건들의 예측
270 라디오 리소스들의 사전-할당
280 통신 링크들에 대한 QoS의 예측
310 차량
320 모바일 라디오 네트워크
330 도로 트래픽 에코시스템
340 도로 인프라스트럭처

Claims (14)

  1. 복수의 트래픽 상황들을 예측하기 위한 방법으로서,
    복수의 도로 사용자들로부터 그리고 복수의 도로-측 인프라스트럭처 엔티티(road-side infrastructure entity)들로부터 복수의 환경 인식 모델들을 획득하는 단계(110);
    상기 복수의 환경 인식 모델들에 기초하여, 미리-정의된 영역에 대한 조합 환경 인식 모델(combined environmental perception model)을 생성하는 단계(120) - 상기 복수의 환경 인식 모델들은 상기 조합 환경 인식 모델 내에 융합(fuse)됨 - ;
    상기 조합 환경 인식 모델에 기초하여, 미래의 복수의 시점들에 걸쳐, 상기 미리-정의된 영역 내의 복수의 트래픽 상황들을 예측하는 단계(130); 및
    상기 예측된 복수의 트래픽 상황들에 기초하여, 상기 복수의 트래픽 상황들에서의 도로 사용자들 사이에서 형성될 통신 링크들을 예측하는 단계(150)
    를 포함하고,
    상기 방법은 모바일 통신 시스템의 기지국에 위치된 컴퓨팅 엔티티에 의해 실행되는 것인,
    복수의 트래픽 상황들을 예측하기 위한 방법.
  2. 제1항에 있어서,
    상기 복수의 도로 사용자들의 복수의 계획된 조작(maneuver)들에 관련된 정보를 획득하는 단계(112)를 더 포함하며,
    상기 조합 환경 인식 모델은 상기 복수의 계획된 조작들에 관련된 정보에 기초하여 생성되는 것인,
    복수의 트래픽 상황들을 예측하기 위한 방법.
  3. 제1항 또는 제2항에 있어서,
    상기 복수의 도로 사용자들의 복수의 계획된 경로들에 관련된 정보를 획득하는 단계(114)를 더 포함하며,
    상기 조합 환경 인식 모델은 상기 복수의 계획된 경로들에 관련된 정보에 기초하여 생성되는 것인,
    복수의 트래픽 상황들을 예측하기 위한 방법.
  4. 제1항 또는 제2항에 있어서,
    상기 복수의 환경 인식 모델들은 상기 복수의 도로 사용자들 주변의 영역에 대한 모델링 정보를 포함하며,
    상기 모델링 정보는 상기 복수의 도로 사용자들의 인식 센서들을 사용하여 상기 복수의 도로 사용자들에 의해 식별된 오브젝트(object)들에 관련되는 것인,
    복수의 트래픽 상황들을 예측하기 위한 방법.
  5. 제1항 또는 제2항에 있어서,
    상기 예측된 복수의 트래픽 상황들에 기초하여, 상기 복수의 도로 사용자들을 복수의 도로 사용자들의 클러스터들로 그룹화하는 단계(140)를 더 포함하는,
    복수의 트래픽 상황들을 예측하기 위한 방법.
  6. 제1항 또는 제2항에 있어서,
    상기 예측된 통신 링크들에 기초하여, 상기 예측된 통신 링크들에 대해 요구되는 라디오 리소스들에 관련된 정보를 결정하는 단계(160)를 포함하는,
    복수의 트래픽 상황들을 예측하기 위한 방법.
  7. 제6항에 있어서,
    상기 복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들에 관련된 정보를 결정하는 단계(162)를 포함하며,
    상기 예측된 통신 링크들에 대해 요구되는 라디오 리소스들에 관련된 정보는, 상기 복수의 트래픽 상황들에 관여된 도로 사용자들에 의해 요구되는 차량 통신 서비스들에 관련된 정보에 기초하여 결정되는(160) 것인,
    복수의 트래픽 상황들을 예측하기 위한 방법.
  8. 제6항에 있어서,
    상기 요구되는 라디오 리소스들에 기초하여, 상기 미리-정의된 영역 내의 라디오 리소스들의 리소스 계획을 결정하는 단계(180)를 포함하는,
    복수의 트래픽 상황들을 예측하기 위한 방법.
  9. 제1항 또는 제2항에 있어서,
    상기 복수의 트래픽 상황들에서의 도로 사용자들 사이의 통신 링크들은 차량-대-차량-통신 링크들 및 차량-대-네트워크-통신 링크들을 포함하는 것인,
    복수의 트래픽 상황들을 예측하기 위한 방법.
  10. 제1항 또는 제2항에 있어서,
    상기 예측된 통신 링크들에 기초하여, 상기 미리-정의된 영역 내에서 이용 가능한 라디오 리소스들에 관련된 정보에 기초하여, 그리고 상기 미리-정의된 영역 내의 도로 사용자들 사이의 예측된 통신 링크들에 대한 예측된 채널 상태 정보에 기초하여, 상기 예측된 통신 링크들의 추정된 서비스 품질에 관련된 정보를 결정하는 단계(190)를 포함하는,
    복수의 트래픽 상황들을 예측하기 위한 방법.
  11. 제1항 또는 제2항에 있어서,
    상기 복수의 트래픽 상황들에서의 도로 사용자들 사이의 통신 링크들의 예측에 관련된 정보는 머신-학습 알고리즘을 사용하여 결정되며(150),
    상기 복수의 트래픽 상황들에 관련된 정보는 상기 머신-학습 알고리즘에의 입력으로서 사용되는 것인,
    복수의 트래픽 상황들을 예측하기 위한 방법.
  12. 제1항 또는 제2항에 있어서,
    상기 기지국의 커버리지 영역은 상기 미리-정의된 영역의 일부와 적어도 부분적으로 오버랩하는 것인,
    복수의 트래픽 상황들을 예측하기 위한 방법.
  13. 매체에 저장되고 프로그램 코드를 갖는 컴퓨터 프로그램으로서,
    상기 프로그램 코드는, 상기 컴퓨터 프로그램이 컴퓨터, 프로세서, 또는 프로그램 가능 하드웨어 컴포넌트 상에서 실행될 때, 제1항 또는 제2항에 따른 방법을 수행하기 위한 것인,
    매체에 저장되고 프로그램 코드를 갖는 컴퓨터 프로그램.
  14. 복수의 트래픽 상황들을 예측하기 위한 장치(10)로서,
    복수의 도로 사용자들과 그리고 복수의 도로-측 인프라스트럭처 엔티티들과 통신하기 위한 적어도 하나의 인터페이스(12); 및
    제어 모듈(14)
    을 포함하며,
    상기 제어 모듈(14)은,
    상기 적어도 하나의 인터페이스(12)를 통해 상기 복수의 도로 사용자들로부터 그리고 상기 복수의 도로-측 인프라스트럭처 엔티티들로부터 복수의 환경 인식 모델들을 획득하고,
    상기 복수의 환경 인식 모델들에 기초하여, 미리-정의된 영역에 대한 조합 환경 인식 모델을 생성하고 - 상기 복수의 환경 인식 모델들은 상기 조합 환경 인식 모델 내에 융합됨 - ;
    상기 조합 환경 인식 모델에 기초하여, 미래의 복수의 시점들에 걸쳐, 상기 미리-정의된 영역 내의 복수의 트래픽 상황들을 예측하며;
    상기 예측된 복수의 트래픽 상황들에 기초하여, 상기 복수의 트래픽 상황들에서의 도로 사용자들 사이에서 형성될 통신 링크들을 예측하도록
    구성되고,
    상기 장치(10)는 모바일 통신 시스템의 기지국에 위치된 컴퓨팅 엔티티에 포함되는 것인,
    복수의 트래픽 상황들을 예측하기 위한 장치(10).
KR1020200002524A 2019-01-09 2020-01-08 복수의 트래픽 상황들을 결정하기 위한 방법, 장치, 및 컴퓨터 프로그램 KR102372549B1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
EP19150971.0 2019-01-09
EP19150971.0A EP3681180A1 (en) 2019-01-09 2019-01-09 Method, apparatus and computer program for determining a plurality of traffic situations
EP19152087.3A EP3681181B1 (en) 2019-01-09 2019-01-16 Method, apparatus and computer program for determining a plurality of traffic situations
EP19152087.3 2019-01-16

Publications (2)

Publication Number Publication Date
KR20200086640A KR20200086640A (ko) 2020-07-17
KR102372549B1 true KR102372549B1 (ko) 2022-03-10

Family

ID=65036593

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200002524A KR102372549B1 (ko) 2019-01-09 2020-01-08 복수의 트래픽 상황들을 결정하기 위한 방법, 장치, 및 컴퓨터 프로그램

Country Status (5)

Country Link
US (1) US11749107B2 (ko)
EP (2) EP3681180A1 (ko)
JP (1) JP7021266B2 (ko)
KR (1) KR102372549B1 (ko)
CN (1) CN111432372B (ko)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019214810A1 (en) * 2018-05-08 2019-11-14 Nokia Solutions And Networks Oy Management & orchestration aided transparent of 3gpp network into tsn bases industrial network
WO2021078357A1 (en) * 2019-10-21 2021-04-29 Telefonaktiebolaget Lm Ericsson (Publ) Methods, apparatus and machine-readable media relating to channel quality prediction in a wireless network
US11570636B2 (en) * 2020-06-28 2023-01-31 Ambeent Inc. Optimizing utilization and performance of Wi-Fi networks
US11256937B2 (en) * 2020-07-17 2022-02-22 Toyota Motor Engineering & Manufacturing North America, Inc. Anomalous event detection and/or validation using inherent human behavior
CN112950929B (zh) * 2021-01-11 2022-08-05 张昕 全天候实时交通信息监测和qos分级控制系统及方法
US11877217B2 (en) * 2021-02-01 2024-01-16 Toyota Motor Engineering & Manufacturing North America, Inc. Message processing for wireless messages based on value of information
DE112021006291T5 (de) * 2021-02-05 2023-11-09 Mitsubishi Electric Corporation Kommunikationsverwaltungseinrichtung, kommunikationsverwaltungsverfahren, kommunikationsverwaltungsprogramm, fahrassistenzvorrichtung, fahrassistenzverfahren und fahrassistenzprogramm
US11653252B2 (en) * 2021-03-12 2023-05-16 Ford Global Technologies, Llc Systems and methods of detecting and predicting quality of service of communication links of connected vehicles
EP4106216A1 (en) 2021-06-14 2022-12-21 Volkswagen Ag Method for user equipment for predicting a channel dynamic
US11765562B2 (en) * 2021-10-11 2023-09-19 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for matching objects in collaborative perception messages
US20230129290A1 (en) * 2021-10-21 2023-04-27 Cisco Technology, Inc. Interpretable forecasting using path state transitions in application driven predictive routing
GB2620169A (en) * 2022-06-30 2024-01-03 Canon Kk Improved communications within an intelligent transport system to anticipate the behavior of mobile objects
WO2024044396A1 (en) * 2022-08-26 2024-02-29 Ohio State Innovation Foundation Systems and methods for cooperative navigation with autonomous vehicles
CN117253365B (zh) * 2023-11-17 2024-02-02 上海伯镭智能科技有限公司 一种车辆交通状况自动检测方法和相关装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003044994A (ja) * 2001-05-25 2003-02-14 Honda Motor Co Ltd 危険車両抽出装置、危険車両情報提供装置、及びそのプログラム
JP2008521283A (ja) * 2004-11-15 2008-06-19 ハリス コーポレイション 関連のシステム及び方法を含む予測的移動体アドホックネットワーキング
JP2008310469A (ja) * 2007-06-13 2008-12-25 Sumitomo Electric Ind Ltd 路側通信装置及び通信方法
JP2010219919A (ja) * 2009-03-17 2010-09-30 Sumitomo Electric Ind Ltd 移動通信機、路側通信機、及び路上通信システム
JP2010224610A (ja) * 2009-03-19 2010-10-07 Aisin Aw Co Ltd 運転支援装置、運転支援方法および運転支援プログラム
US10147324B1 (en) * 2017-07-10 2018-12-04 Toyota Research Institute, Inc. Providing user assistance in a vehicle based on traffic behavior models

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3184873B2 (ja) * 1997-09-04 2001-07-09 国土交通省土木研究所長 車両通信システムおよび方法
CA2758972A1 (en) 2009-04-22 2010-10-28 Inrix, Inc. Predicting expected road traffic conditions based on historical and current data
US9842498B2 (en) 2011-07-05 2017-12-12 Qualcomm Incorporated Road-traffic-based group, identifier, and resource selection in vehicular peer-to-peer networks
EP2555569B1 (en) 2011-08-04 2013-10-09 Deutsche Telekom AG Method and system for proactive and dynamic cross-layer optimization of data transmission to vehicles
US9215598B2 (en) 2011-11-10 2015-12-15 Toyota Jidosha Kabushiki Kaisha Optimizing dynamic spectrum access
US10072938B2 (en) * 2016-04-29 2018-09-11 Bayerische Motoren Werke Aktiengesellschaft Method and system for determining and providing a personalized ETA with privacy preservation
US11889393B2 (en) * 2017-06-23 2024-01-30 Veniam, Inc. Methods and systems for detecting anomalies and forecasting optimizations to improve urban living management using networks of autonomous vehicles
US11630998B2 (en) * 2018-03-26 2023-04-18 Cohda Wireless Pty Ltd. Systems and methods for automatically training neural networks
CN108428340B (zh) * 2018-05-11 2021-01-26 深圳市图灵奇点智能科技有限公司 道路交通状况分析方法和系统
WO2020018394A1 (en) * 2018-07-14 2020-01-23 Moove.Ai Vehicle-data analytics
US11044588B2 (en) * 2018-07-23 2021-06-22 International Business Machines Corporation System and method for collaborative caching
US20200125086A1 (en) * 2018-10-23 2020-04-23 Peloton Technology, Inc. Systems and methods for platooning and automation safety

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003044994A (ja) * 2001-05-25 2003-02-14 Honda Motor Co Ltd 危険車両抽出装置、危険車両情報提供装置、及びそのプログラム
JP2008521283A (ja) * 2004-11-15 2008-06-19 ハリス コーポレイション 関連のシステム及び方法を含む予測的移動体アドホックネットワーキング
JP2008310469A (ja) * 2007-06-13 2008-12-25 Sumitomo Electric Ind Ltd 路側通信装置及び通信方法
JP2010219919A (ja) * 2009-03-17 2010-09-30 Sumitomo Electric Ind Ltd 移動通信機、路側通信機、及び路上通信システム
JP2010224610A (ja) * 2009-03-19 2010-10-07 Aisin Aw Co Ltd 運転支援装置、運転支援方法および運転支援プログラム
US10147324B1 (en) * 2017-07-10 2018-12-04 Toyota Research Institute, Inc. Providing user assistance in a vehicle based on traffic behavior models

Also Published As

Publication number Publication date
CN111432372A (zh) 2020-07-17
CN111432372B (zh) 2023-08-04
EP3681181A1 (en) 2020-07-15
JP2020113272A (ja) 2020-07-27
EP3681180A1 (en) 2020-07-15
KR20200086640A (ko) 2020-07-17
US11749107B2 (en) 2023-09-05
EP3681181B1 (en) 2022-08-24
JP7021266B2 (ja) 2022-02-16
US20200219386A1 (en) 2020-07-09

Similar Documents

Publication Publication Date Title
KR102372549B1 (ko) 복수의 트래픽 상황들을 결정하기 위한 방법, 장치, 및 컴퓨터 프로그램
Raza et al. A survey on vehicular edge computing: architecture, applications, technical issues, and future directions
Abdel Hakeem et al. 5G-V2X: Standardization, architecture, use cases, network-slicing, and edge-computing
US10735518B2 (en) Systems and methods for self-organized fleets of autonomous vehicles for optimal and adaptive transport and offload of massive amounts of data
US10812996B2 (en) Methods and systems for communication among nodes for the internet of things, including autonomous vehicles, for optimizing operations of the nodes
US11362882B2 (en) Methods and systems for optimal and adaptive urban scanning using self-organized fleets of autonomous vehicles
Hussein et al. A comprehensive survey on vehicular networking: Communications, applications, challenges, and upcoming research directions
US20190171208A1 (en) Cloud-aided and collaborative data learning among autonomous vehicles to optimize the operation and planning of a smart-city infrastructure
US20180373268A1 (en) Systems and methods for managing fleets of autonomous vehicles to optimize electric budget
US20190205115A1 (en) Systems and methods for secure and safety software updates in the context of moving things, in particular a network of autonomous vehicles
US11605298B2 (en) Pedestrian navigation based on vehicular collaborative computing
Khan et al. A journey towards fully autonomous driving-fueled by a smart communication system
Garg et al. SDVN-based smart data dissemination model for high-speed road networks
Bintoro A study of V2V communication on VANET: characteristic, challenges and research trends
Jurczenia et al. A survey of vehicular network systems for road traffic management
KR102365319B1 (ko) 모바일 통신 시스템에서 국부화된 통신을 위한 듀플렉스 자원 방식을 결정하기 위한 장치, 방법 및 컴퓨터 프로그램
US11343059B2 (en) Apparatus, method and computer program for determining a duplex resource scheme for a localized communication in a mobile communication system
Khelifi et al. Toward an efficient deployment of open source software in the Internet of vehicles field
Hasan et al. Federated Learning for Computational Offloading and Resource Management of Vehicular Edge Computing in 6G-V2X Network
Chebaane et al. Time‐Critical Fog Computing for Vehicular Networks
Younis et al. Dynamic road management in the era of cav
Slamnik-Kriještorac et al. Edge-aware cloud-native service for enhancing back situation awareness in 5G-based vehicular systems
Choudhary et al. An analysis of real-time traffic congestion optimisation through VTL in VANETs
US20230110310A1 (en) Uninterrupted vehicular cloud service in an overlapping vehicular micro cloud area
Zoghlami Enhancing V2X communication systems for cooperative perception: road users safety

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)