如何使用AI加快室內無線電點設計

室內無線電點的設計和部署通常是耗時且費力的過程。現(xiàn)在，來自愛立信全球人工智慧加速器(GAIA)的一組科學家正在提出一種利用人工智能和機器學習的力量進行無線電設計的新方法。在這里發(fā)現(xiàn)更多。

室內無線連接變得越來越重要。有關蜂窩網絡使用情況的最新研究表明，在，室內流量占用了87%的使用時間，并產生了全球移動數(shù)據流量的70%。自2014年以來，愛立信提供了一種室內解決方案，稱為愛立信無線電點系統(tǒng)(RDS)。RDS易于安裝且覆蓋范圍廣，適用于大型室內區(qū)域，例如辦公室，體育館，購物中心和大學。這與我們部署室外宏小區(qū)系統(tǒng)的方式非常相似，并且可以靈活地重新配置設置以滿足不同的網絡覆蓋要求。

在新建筑物內部署RDS需要現(xiàn)場勘測和初始點布局設計，這通常是相當耗時且昂貴的過程。需要進行現(xiàn)場調查以找出地板的最佳無線點數(shù)量和布局，以實現(xiàn)最佳部署和性能。

現(xiàn)場調查包括以下幾個步驟：首先，我們需要確定所有墻段的墻類型(混凝土，玻璃，金屬等)。然后，我們需要測量宏小區(qū)干擾(附近室外宏基站發(fā)送的信號)，以計算它們對室內位置的干擾。一旦我們完成了所有調查，經驗豐富的無線電設計師就會通過設計，評估和重申由射頻(RF)計劃軟件生成的信號傳播熱圖來確定最佳的無線電點位置，以最大程度地提高每個樓層的覆蓋效率。下圖顯示了從給定的原始平面圖到其RDS部署的典型設計過程。建筑物房東提供目標建筑物的原始平面圖后，工程師被送到建筑物進行現(xiàn)場調查，以用不同的顏色標記墻壁類型。然后，RF設計人員在檢查其模擬的參考信號接收功率(RSRP)級別的模擬熱圖時，手動放置無線電點，這是從無線電點測量的一種接收功率。請注意，在熱圖中，較暗的像素表示更強的RSRP。整個設計過程不僅成本高昂，而且冗長乏味，一棟大型建筑要花數(shù)十天才能完成。由于這些因素，當前的RDS部署方法無法擴展，并且限制了室內RDS業(yè)務。像素越暗表示RSRP越強。整個設計過程不僅成本高昂，而且冗長乏味，一棟大型建筑要花數(shù)十天才能完成。由于這些因素，當前的RDS部署方法無法擴展，并且限制了室內RDS業(yè)務。像素越暗表示RSRP越強。整個設計過程不僅成本高昂，而且冗長乏味，一棟大型建筑要花數(shù)十天才能完成。由于這些因素，當前的RDS部署方法無法擴展，并且限制了室內RDS業(yè)務。

DA-cGAN：無線電設計的生成對抗網絡

為了解決當前RDS部署過程中的效率低下問題，我們提出了一種基于機器學習的解決方案，該解決方案使用生成對抗網絡(GAN)將設計過程公式化為圖像到圖像的轉換問題。具體來說，我們提出了一種尺寸感知條件GAN(DA-cGAN)，以根據給定的平面圖生??成最佳點布局的熱圖。GAN以生成人工圖像的能力而聞名。GAN由兩個深層神經網絡組成：例如，生成器和鑒別器。它們中的兩個相互競爭并互相學習，最終生成器可以生成偽造的圖像，該偽造的圖像無法通過鑒別器和希望的人眼識別出來。使用GAN的一些有趣的應用包括從其素描圖像中著色卡通人物，

在各種應用中，選擇著色作為起點，因為它與我們的問題最相關。給定布局圖草圖的著色不僅需要保留其邊框形狀，而且還需要學習其內部結構以生成所需的信號熱圖，因為布局圖的結構與其最佳點布局及其生成的熱圖高度相關。例如，混凝土墻比干墻具有更高的信號衰減，因此，圍繞混凝土墻的無線電信號強度會迅速下降數(shù)十倍。為了解決我們的圖像翻譯問題，我們采用了條件GAN(cGAN)，它可以學習從輸入圖像和隨機噪聲到對應輸出圖像的映射。但是，我們遵循cGAN中的約定在架構中丟棄了隨機噪聲，