用于操作无线通信网络的方法和设备
技术领域
本发明涉及一种用于操作无线通信网络的方法以及一种用于操作无线通信网络的设备。
背景技术
已知两个点之间的连接质量要么通过针对当前时刻的测量来执行。
此外，由无线电网络规划已知基于环境模型来估计连接质量。
发明内容
通过根据权利要求1的方法以及根据并列独立权利要求的设备解决了现有技术的问题。在从属权利要求中说明了有利的扩展。
根据本说明书的第一方面，一种用于操作无线通信网络的方法，所述无线通信网络包括在空间上彼此分离的多个通信接口，其中所述方法包括：确定所述多个通信接口中的各自通信接口所位于的空间实际位置；确定分别在所述多个通信接口中的两个通信接口之间建立的或可以建立的无线电连接的实际连接质量；确定期望所述多个通信接口中的各自通信接口在未来时刻所位于的空间未来位置；根据所述实际位置、根据所述实际连接质量以及根据所述未来位置确定在第二时刻分别在所述多个通信接口中的至少两个通信接口之间建立的或可以建立的无线电连接的未来连接质量；以及根据估计的未来连接质量来配置所述多个通信接口中的至少一部分通信接口。
所述未来连接质量表示一种可以简单地用于重新配置所述通信网络的度量。因此，进行实际状态和预期的未来状态到所述未来连接质量的有利映射。
利用所述估计的未来连接质量，有利地进行所述无线通信网络的有针对性的重新配置，以确保在高连接质量的同时不间断的通信。特别是在其中包括通信接口的对象移动的场景下，对所述未来连接质量的预测使得可以总地提高所述通信网络的可用性。
所述估计的未来连接质量有利地补充并完成了空间的未来代表，使得该预测预见了连接损耗或所述连接的劣化并且可以通过配置形式的相应对策来防止所述连接损耗或所述连接的劣化。
在工业自动化领域，通过所提出的方法可以例如实现新的实时应用或首先使新的实时应用成为可能。
一个有利的示例的特征在于，所述方法包括：通过经过学习的人工神经网络来传播所确定的实际位置、所确定的实际连接质量和所述未来位置，其中在所述人工神经网络的输入区域中提供所述实际位置、所述实际连接质量和所述未来位置作为输入变量，并且其中在所述人工神经网络的输出区域中提供可用于确定所述估计的未来连接质量的预测。
有利地，将所述人工神经网络用于在重新配置所述通信网络时考虑在被映射的实际状况中包含的场景动态。所述预测的提供允许对所述未来连接质量进行估计。
一个有利的示例的特征在于，所述方法包括：根据传感器数据确定所述实际位置和/或所述未来位置，所述传感器数据由至少部分观测所述空间的传感器提供。
有利地，例如代表各自通信接口的所述实际位置的信息通过所述传感器数据得到丰富或通过所述传感器数据才提供。因此，通过添加所述传感器数据来增加信息。
一个有利的示例的特征在于，所述方法包括：根据所述传感器数据识别至少一个对象及其在所述空间中的位置；将已识别的对象与所述多个通信接口中的一个通信接口链接；以及根据与所述多个通信接口中的所述一个通信接口链接的对象的位置确定所述一个通信接口的位置。
通过所提出的数据融合有利地改善了针对所述通信接口的位置确定。
一个有利的示例的特征在于，所述方法包括：根据对已用于借助于所述多个通信接口进行无线通信的物理无线电信道和可用于借助于所述多个通信接口进行无线通信的物理无线电信道的监视，确定所述实际位置和/或所述实际连接质量和/或所述未来位置。
通过所提供的监视确定所述通信接口的实际位置和/或估计的未来位置，而无需为此设置附加的硬件。相反，可以使用现有的硬件。
一个有利的示例的特征在于，对所述通信接口中的至少一部分通信接口的配置包括：在所述通信网络的至少两个通信接口之间建立第一无线电连接；根据所述估计的未来连接质量在所述至少两个通信接口之间建立第二无线电连接；以及将通信路径从所述第一无线电连接切换到所述第二无线电连接。
有利地，可以将这种类型的预防性无线电信道切换用于防止所述第一无线电连接的不期望的中断或所述第一无线电连接的连接质量的劣化。由此提高了所述无线通信网络内的通信的可用性。
本说明书的第二方面涉及一种用于操作无线通信网络的设备，其中所述设备包括至少一个处理器和具有计算机程序代码的存储器，其中利用所述处理器执行所述计算机程序代码，使得所述设备确定多个通信接口中的各自通信接口所位于的空间实际位置；确定分别在所述多个通信接口中的两个通信接口之间建立的或可以建立的无线电连接的实际连接质量；确定期望所述多个通信接口中的各自通信接口在未来时刻所位于的空间未来位置；根据所述实际位置、根据所述实际连接质量以及根据所述未来位置确定在第二时刻分别在所述多个通信接口中的至少两个通信接口之间建立的或可以建立的无线电连接的未来连接质量；以及根据估计的未来连接质量来配置所述多个通信接口中的至少一部分通信接口。
附图说明
在附图中：
图1示出了具有空间的示例性场景的示意图；
图2示出了对人工神经网络的示意性表示的训练；
图3示出了经过训练的人工神经网络的示意性表示的使用；以及
图4和图5分别示出了空间的代表。
具体实施方式
图1示出了具有在其中操作无线通信网络4的空间的示例性场景2的示意图。无线通信网络4包括例如一定数量的移动终端T1，T3和/或诸如终端T2的固定终端。通信网络4还包括接入点AP。
终端T1至T3和接入点AP分别包括至少一个通信接口iT1至iT3和iAP。通信接口iT1至iT3例如被构造为建立彼此的无线电连接，例如无线电连接C23。通信接口iAP提供对另一网络区域NA的接入。从而例如在通信接口iAP和通信接口iD1之间建立了无线电连接C1AP。从而接入点AP为终端T1至T3提供了经由通信路径CP与布置在远方的网络单元NE进行通信的可能性。在此，通信路径CP包括无线电连接C1AP和在接入点AP与布置在远方的网络单元NE之间的至少一个其他连接Cx。网络单元NE例如不是通信网络4的一部分，而是布置在也被分配了通信网络4的各自企业的另一网络区域NA中，或者布置在广域网中。
除了表示无线电对象的终端T1至T3和至少一个接入点AP之外，场景2还包括其他无源对象O1和O2，这些无源对象影响终端T1至T3与接入点AP之间的无线电业务。在所示的示例中，无线电连接C1AP没有被无源对象O1和O2之一覆盖。无线电连接C1AP例如比通信接口iT3和iAP之间的无线电连接C3AP更少受信号衰减的影响，因为通信接口iT1和iAP具有视线接触，即，在通信模块iT1与iAP之间存在没有被无源对象或无线电对象直接覆盖的假想的直线连接。在无线电连接C3AP的情况下，必须期望与无线电连接C1AB相比有更高的信号衰减。
如果移动终端T1与分配的通信模块iT1从第一时刻开始沿着轨迹tT1移动，则移动终端T1在未来的第二时刻到达位置pT1，并且从接入点AP的角度来看被无源对象O1遮挡。也就是说，通信模块iT1和iAP在所述第二时刻没有视线接触。因此，在所述第二时刻必须假定针对无线电连接C1AP的信号衰减提高。在另一示例中同样可以想到，这些移动终端中的一个移动终端在所述第二时刻位于第一终端T1和接入点AP之间。
场景2或所分配的空间至少部分地由至少一个传感器S检测，所述至少一个传感器S的传感器数据SD被输送到设备100。传感器S例如是摄像机、雷达传感器、激光雷达传感器或超声传感器。当然，也可以使用多个不同类型的传感器来监视所述场景。设备100包括至少一个处理器和存储器，在所述存储器上存储了计算机程序。当在所述处理器上执行所述计算机程序时，执行本说明书中解释的方法步骤。
接入点AP或其通信接口iAP允许观测通信网络4中已使用和未使用的无线电信道或整个无线电业务。无线电观测Obs被传送到设备100并用于确定第一或第二代表。
根据设备100的方框102，确定多个通信接口iT1至iT3、iAP中的各自通信接口在第一时刻（特别是当前时刻）所位于的空间实际位置p(t1)。例如根据无线电观测Obs和/或根据传感器信号SD来确定实际位置p(t1)。
方框104确定在所述第一时刻分别在多个通信接口iT1至iT3、iAP中的至少两个通信接口之间建立的无线电连接的实际连接质量q(t1)。根据无线电观测Obs来确定这些实际连接质量q(t1)。
方框106确定在比所述第一时刻晚的第二时刻期望多个通信接口iT1至iT3、iAP所位于的各自未来空间位置p(t2)。这例如通过观测各自通信接口iT1至iT3、iAP的轨迹来进行，其中例如除了在所述第一时刻的实际位置之外，还可以确定关联的速度和方向。相应地得到估计区域，通信接口iT1至iT3、iAP中的各自通信接口在所述第二时刻可能位于所述估计区域中。然后可以从所述估计区域中选择空间位置p(t2)的意义上的位置。替代地，还可以借助于方框106确定所述估计区域，可能仍具有各个位置相关的概率。替代地或附加地，通信接口iT1至iT3、iAP可以将规划的轨迹传送到设备100，其中根据所述轨迹来确定各自的未来位置。在一个示例中，根据实际位置p(t1)来估计未来位置p(t2)。
方框108确定在所述第二时刻分别在多个通信接口iT1至iT3、iAP中的至少两个通信接口之间建立的或可以建立的无线电连接的未来连接质量q(t2)。根据实际位置p(t1)、根据实际连接质量q(t1)以及根据未来位置p(t2)来确定连接质量q(t2)。
方框108例如包括确定未来连接质量q(t2)的人工神经网络。
方框110根据估计的未来连接质量q(t2)确定多个通信接口iT1至iT3、iAP中的至少一部分通信接口的配置Conf。有利地，由此可以例如在出现连接损耗之前清除现有的无线电连接并事先建立新的无线电连接，所述连接损耗可以通过未来连接质量q(t2)来加以预测。相应地配置通信网络4的多个通信接口iT1至iT3、iAP中的至少一部分通信接口。
然后，当预期在第二时刻t2可能的无线电信道之一出现劣化，即例如失去视线接触时，确定并执行配置Conf。从而例如经由要新建立的无线电信道进行所述通信，所述要新建立的无线电信道在所述第二时刻的期望信号衰减比现有的无线电连接低，如果所述现有的无线电信道在所述第二时刻仍然存在的话。例如，正在移动的终端还在进入所述第二时刻之前就切换到在并非接入点AP的未示出接入点处的无线电连接。配置Conf例如经由接入点AP分发给终端T1至T3。然后在进入所述第二时刻之前或之时，对通信接口iT1至iT3和iAP进行部分或全部的重新配置。该重新配置包括例如无线电信道的分离和建立、接收强度和/或发送强度和/或数据率和/或分组率的增大或减小、频带的切换、调制和编码方案的切换等。在所述配置的范围内，例如进行现有接入点之间的协调。
用于训练所述人工神经网络的装置在图3中示出。以记录的实际位置p(t1)、实际连接质量q(t1)和未来位置p(t2)的形式提供训练数据Etrain。
所述装置包括具有输入层的人工神经网络200。对于时间步骤i，将输入的输入张量eitrain传递到所述输入层。针对输入E，以输出O的预测的形式确定输出O或所述输出O是事先已知的。从输出O中，在时间步骤i中确定具有观测值的张量oitrain，所述观测值被分配给张量eitrain的观测值。输入E的每个时间序列都被分配给三个输入节点之一。在人工神经网络200的前向路径中，至少一个隐藏层跟随所述输入层。在该示例中，所述至少一个隐藏层的节点数量大于输入节点的数量。该数量被认为是超参数并且优选地单独加以确定。在该示例中，在所述隐藏层中设置四个节点。例如通过根据反向传播形式的梯度下降的方法来教导人工神经网络200。因此，以监视的方式对人工神经网络200进行训练。
当然，也可以不同的方式教导神经网络200。从而例如可以将尽可能高的连接质量设定为学习目标，并且可以通过监视的学习来教导人工神经网络200。相反在强化学习（Reinforcement Learning）的情况下，使用目标函数，例如最低的连接失效率。
在所述前向路径中，在该示例中在所述至少一个隐藏层之后设置输出层202。预测值在输出层202处输出。在该示例中，向每个预测值分配一个输出节点。
在每个时间步骤i中，确定张量o'itrain，在该张量中包含针对该时间步骤i的预测值。在该示例中，将所述张量与观测值的列向量oitrain一起输送给训练装置204。训练装置204在该示例中被构造为借助于损失函数LOSS（特别是借助于均方误差）来确定预测误差，以及利用该预测误差并且借助于优化器（特别是Adam优化器）来训练模型。损失函数LOSS在该示例中是依据观测值的张量oitrain和预测值的张量o'itrain之间的偏差、特别是均方误差来加以确定的。
一旦达到设定的标准，就立即中断所述训练。在该示例中，当损失在超出多个时间步骤后不再下降时，即特别是均方误差不会降低时，中断所述训练。
接着将测试数据输入以这种方式训练的模型。通过使用所述训练数据进行训练来生成所述模型。使用所述测试数据来评估所述模型，特别是关于平均值
根据图3中所示的装置，将经过训练的模型用于针对所输送的输入E提供连接质量的预测。为此执行与在所述训练数据情况下相同的数据预处理步骤。例如，进行输入数据和输出数据的缩放和确定。在该示例中，该确定是在设备100的操作期间进行的，即，在无线通信网络4的操作中进行。
将可能包含要分类的对象的数字图像输入到经过训练的人工神经网络200中。根据此来确定预测值。根据此来确定连接质量得分。
在图3中示意性地示出了用于确定所述未来连接质量的装置。如针对训练所描述的，针对时间步骤i，将输入E的列向量ei借助于方框201传递到所述输入层。在此之后，与训练不同的是，由装置300根据预测值y'i对所述未来连接质量执行预测。
所述连接质量得分针对未来连接质量q(t2)得出，并被传递到设备110。在该示例中，如果所述连接质量得分超过阈值
特别地，为了执行所描述的方法而设置计算机程序的实现人工神经网络200的指令。还可以设置专用硬件，在所述专用硬件中映射了经过训练的模型。
图4示出了由传感器Sa和Sb监视的空间的代表R1。在第一代表中，车辆V1沿方向r移动。在两个接入点APa和APb与工业机器人IR之间存在各自的视线无线电连接402、404，所述视线无线电连接未被位于所述空间中的物体O1、O2或O3覆盖。
在图5中示出了所述空间的第二代表R2，所述第二代表基于第一代表R1而处于未来并且借助于图2和图3的神经网络200来加以估计。人工神经网络200因此确定，在未来时刻，即在第二时刻，车辆V1中断了图4的视线连接404，因为所述车辆相对于接入点APa遮挡了工业机器人IR。相应的重新配置例如可以包括增大工业机器人IR和接入点APb的各自通信接口的发送功率和接收功率。
