用于评估连接质量的技术制造技术

公开了一种用于评估无线通信网络中的连接质量的技术。技术的方法实现包括：获得(S202)指示在由无线通信网络覆盖的位置处观察到的时间和频率上的信道增益的射频RF信道响应测量，以及基于RF信道响应测量、使用被训练成将基于RF信道响应测量的特征映射到对应的连接质量的机器学习模型来确定(S204)所述位置处的估计的连接质量。位置处的估计的连接质量。位置处的估计的连接质量。

【技术实现步骤摘要】
【国外来华专利技术】用于评估连接质量的技术


[0001]本公开通常涉及无线通信网络。特别地，呈现了用于评估无线通信网络中的连接质量的技术。技术可以体现在方法、计算机程序、设备和系统中。

技术介绍

[0002]例如，在工业中，无线网络连接性日益成为工厂基础设施的重要元素并且可以被使用来将关键机器连接到控制器以及将无线传感器连接到中央控制实体，或者可以被使用来连接诸如自动导引车辆(AGV)的移动机器人、整个工厂的运输材料和产品。例如，这样的用例通常要求提供非常低的延迟(例如＜1ms)和非常低的分组错误率(例如＜10
‑6)的高度可靠的连接性并且因此在5G网络中采用诸如超可靠低时延通信(URLLC)的服务。无法通过传统的信号强度测量来量化这些类型的服务的网络覆盖或质量。相反，需要根据不同位置处的URLLC连接的延迟和丢失度量来表征网络覆盖或质量。在这样的严格质量要求的情况下，仔细的网络规划和连接评估变得日益重要。
[0003]用于网络规划和无线电勘测的常规方法主要以移动宽带服务为目标，其中可靠性保证和目标分组错误率更加宽松。通常在尽力而为的基础上提供这些服务，其中应用(例如web浏览、电子邮件或视频)对信道变化不太敏感并且可以容易地适应变化的连接质量。用于这样的服务的网络规划和站点勘测以可以提供足够好的平均连接性的平均信号强度为目标。规划通常借助于简单模型或者部分基于楼层图来考虑阴影衰落和信号衰减，例如假设通过墙壁、玻璃等进行的一些固定值衰减。例如，模型可以给出可被映射到平均块错误率(BLER)的平均信噪比(SNR)，其中SNR
‑
BLER映射模型取决于信道的快速衰落属性，又可以使用诸如Rayleigh或Price衰落模型的一些通用统计模型来建模信道的快速衰落属性。为了获得SNR
‑
BLER映射，采用离线模拟，并且模拟通常要求冗长的模拟运行。例如，不是通过使用通用统计模型，而是还可以通过假设信道的某个延迟扩展分布(即，通常接收到多少以及多强的多个路径)来获得统计快速衰落信道模型，其中可以通过进行频率信道脉冲响应的逆傅立叶变换来获得分布，又可以从正交频分复用(OFDM)系统中使用的参考信号来测量所述频率信道脉冲响应。如果可以收集大量的这样的信道响应测量，则创建快速衰落模型的形式的统计相关表示是可能的，然后可以在离线模拟中使用所述统计相关表示。
[0004]这些常规方法通常遭受若干缺点。一个缺点是仅平均质量的估计发生，这对于如上面所描述的要求高可靠性和低时延的工业应用来说是不够的，为此反而需要针对最坏情况的规划。换句话说，支持包括URLLC的要求更高的工业用例的新一代无线技术(例如5G和WiFi6)具有更严格的质量要求，并且在几个选择的位置处进行的平均信号电平测量不足以导出令人满意的质量度量。
[0005]另一个缺点是或者需要执行冗长的测量(以获得统计信道脉冲响应)以及冗长的模拟(以获得SNR
‑
BLER映射)或者需要依赖不能捕获工厂的环境特定的属性并且因此仅仅导致粗略且不准确的估计的一些统计信道模型。换句话说，传统的基于模拟的估计是不适合的，因为它们假设了可能不是非常适合特定的工厂环境(从而错误地估计了连接质量)的
一些通用统计信道模型或者因为它们要求执行冗长的测量和模拟运行。
[0006]对于延迟关键业务，合理的测量可能根本不可行。对于延迟关键业务，毫秒的时间尺度上的无线电信道可变性通常可影响应用服务质量(QoS)，使得必须将高度详细的信道测量用于RF质量评估(例如，在正交频分多址(OFDMA)系统中，需要毫秒和子载波级的导频信号测量)。尽管像突然且大的信号下降的相关关键性能指标(KPI)的直接测量通常是可能的，但是与平均信号强度(例如参考信号接收功率(RSRP)类型)测量形成对比，例如由于保持URLLC业务的必要的10
‑5到10
‑6丢失率的要求，这些事件在时间和空间上极其罕见(或“本地化”)。此外，为了可靠地测量这些丢失度量，将会需要把真实业务注入网络以能够实际测量传送的数据的丢失和延迟。实际上，这意味着在站点处运行统计相关且详尽的测量对于这些要求高的类型的应用来说可能是不可行的。

技术实现思路

[0007]因此，存在有对于用于评估无线通信网络中的连接质量的技术的需要，所述技术避免了这些问题中的一个或多个问题并且所述技术可被用来确保所服务的区域中的足够的连接质量。
[0008]根据第一方面，提供了一种用于评估无线通信网络中的连接质量的方法。方法包括：获得指示在由无线通信网络覆盖的位置处观察到的时间和频率上的信道增益的RF信道响应测量，以及基于RF信道响应测量、使用被训练成将基于RF信道响应测量的特征映射到对应的连接质量的机器学习模型来确定所述位置处的估计的连接质量。
[0009]可以基于从无线通信网络的基站传送的参考符号来在时间和频率上测量信道增益。基于RF信道响应测量的特征可以代表时间和频率上的信道增益，其中基于RF信道响应测量来确定估计的连接质量可以包括将测量的时间和频率上的信道增益输入到机器学习模型。而且，可以在RF信道响应测量上应用多路径解析算法以确定观察到的多路径RF传播模式，其中基于RF信道响应测量的特征可以代表多路径RF传播模式，并且其中基于RF信道响应测量来确定估计的连接质量可以包括将确定的多路径RF传播模式输入到机器学习模型。多路径RF传播模式可以包括在所述位置处观察到的多个RF传播路径的数量和强度，以及可选地包括多个RF传播路径中的不同RF传播路径的方向。
[0010]可以从在无线通信网络中传递的URLLC业务获得RF信道响应测量。可以使用包括作为输入数据的多组基于RF信道响应测量的特征和作为输出数据的在由代表性的无线通信网络覆盖的不同位置处测量的对应的连接质量的训练数据来训练机器学习模型，从指示在由代表性的无线通信网络覆盖的不同位置处执行的时间和频率上的信道增益的RF信道响应测量获得多组基于RF信道响应测量的特征。无线通信网络可以覆盖工业环境，其中可以从在工业环境中执行工业任务的一个或多个无线装置连续获得附加的训练数据，并且其中附加的训练数据可被用来增强机器学习模型。
[0011]机器学习模型可以是被训练成将基于RF信道响应测量的特征映射到对应的连接质量的多个机器学习模型中的一个，其中可以使用从在由各自代表不同类型的RF环境的不同的代表性的无线通信网络覆盖的位置处执行的测量获得的训练数据来训练多个机器学习模型中的每个。可以使用被训练成将基于RF信道响应测量的特征映射到对应类型的RF环境的分类器、基于RF信道响应测量来从多个机器学习模型中选择机器学习模型。而且，多个
机器学习模型可被用作其中多个机器学习模型中的每个可被用来基于RF信道响应测量来估计相应的连接质量的集合，并且其中可以基于相应的连接质量来确定估计的连接质量。
[0012]可以针对由无线通信网络覆盖的多个位置来执行获得RF信道响应测量和确定估计的连接质量，其中作为结果的估计的连接质量可被用来生成由无线通信网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于评估无线通信网络中的连接质量的方法，所述方法包括：获得(S202)指示在由所述无线通信网络覆盖的位置处观察到的时间和频率上的信道增益的射频RF信道响应测量；以及基于所述RF信道响应测量、使用被训练成将基于RF信道响应测量的特征映射到对应的连接质量的机器学习模型来确定(S204)所述位置处的估计的连接质量。2.如权利要求1所述的方法，其中，基于从所述无线通信网络的基站(702)传送的参考符号(302)在时间和频率上测量所述信道增益。3.如权利要求1或2所述的方法，其中，所述基于RF信道响应测量的特征代表时间和频率上的信道增益，并且其中，基于所述RF信道响应测量来确定所述估计的连接质量包括将时间和频率上的测量的信道增益输入到所述机器学习模型。4.如权利要求1或2所述的方法，其中，在所述RF信道响应测量上应用多路径解析算法以确定观察到的多路径RF传播模式，其中，所述基于RF信道响应测量的特征代表多路径RF传播模式，并且其中，基于所述RF信道响应测量来确定所述估计的连接质量包括将确定的多路径RF传播模式输入到所述机器学习模型。5.如权利要求4所述的方法，其中，所述多路径RF传播模式包括在所述位置处观察到的多个RF传播路径的数量和强度，以及可选地包括所述多个RF传播路径中的不同RF传播路径的方向。6.如权利要求1至5中的任一项所述的方法，其中，从在所述无线通信网络中传递的超可靠低时延通信URLLC业务获得所述RF信道响应测量。7.如权利要求1至6中的任一项所述的方法，其中，使用包括作为输入数据的多组基于RF信道响应测量的特征和作为输出数据的在由代表性的无线通信网络覆盖的不同位置处测量的对应的连接质量的训练数据来训练所述机器学习模型，从指示在由所述代表性的无线通信网络覆盖的所述不同位置处执行的时间和频率上的信道增益的RF信道响应测量获得所述多组基于RF信道响应测量的特征。8.如权利要求7所述的方法，其中，所述无线通信网络覆盖工业环境，其中，从在所述工业环境中执行工业任务的一个或多个无线装置连续获得附加的训练数据，并且其中，所述附加的训练数据被用来增强所述机器学习模型。9.如权利要求1至8中的任一项所述的方法，其中，所述机器学习模型是被训练成将基于RF信道响应测量的特征映射到对应的连接质量的多个机器学习模型中的一个，其中，使用从在由各自代表不同类型的RF环境的不同的代表性的无线通信网络覆盖的位置处执行的测量获得的训练数据来训练所述多个机器学习模型中的每个。10.如权利要求9所述的方法，其中，使用被训练成将基于RF信道响应测量的特征映射到对应类型的RF环境的分类器、基于所述RF信道响应测量来从所述多个机器学习模型中选择所述机器学习模型。11.如权利要求9所述的方法，其中，所述多个机器学习模型被用作其中所述多个机器学习模型中的每个机器学习模型被用来基于所述RF信道响应测量来估计相应的连接质量的集合，并且其中，基于所述相应的连接质量来确定所述估计的连接质量。12.如权利要求1至11中的任一项所述的方法，其中，针对由所述无线通信网络覆盖的多个位置来执行获得RF信道响应测量和确定估计的连接质量，并且其中，作为结果...

【专利技术属性】
技术研发人员：T，
申请(专利权)人：瑞典爱立信有限公司，
类型：发明
国别省市：