Kernelement der im Projekt entwickelten Lösungen sind Methoden, die die Vorhersage der Servicequalität (QoS) bei hoher Mobilität sowie einer darauf basierenden Ressourcenoptimierung- und Vernetzung in allen Teilen der Mobilfunkinfrastruktur ermöglichen. Die Lösungen zur Vorhersage der QoS sollen kritische Zustände in Mobilfunknetzen rechtzeitig erkennen. Kritische Zustände können undefinierte Systemzustände oder extreme Störungen sein und reichen bis zum vollständigen Verlust der Netzabdeckung.
„Die Ergebnisse von AI4Mobile haben das Bild verfestigt, dass maschinelles Lernen ein wichtiges Element in der Weiterentwicklung von Mobilfunknetzen darstellen wird,“ sagt Jan-Peter Meyer-Kahlen, Leiter des Ericsson Forschungs- und Entwicklungsstandorts Eurolab.
Im Rahmen von AI4Mobile wurden verschiedene Anwendungsfälle aus den Bereichen Verkehr und Industrie, wie etwa teleoperiertes Fahren und Kooperation zwischen mobilen und stationären Robotern, identifiziert und im Hinblick auf ihre jeweiligen Anforderungen analysiert.
Zur Datengenerierung und zur Evaluation der Konzepte hat das Team einen dreistufigen Ansatz aus virtueller Nachbildung der Systeme, privaten Campusnetzen in Labor- und Fabrikumgebungen sowie umfangreichen Test- und Messkampagnen in öffentlichen Szenarien bzw. Mobilfunknetzen verfolgt. Die im Projekt erzeugten Datensätze umfassen Daten aus allen Bereichen der Mobilfunkinfrastruktur (Endgeräte, Funkzugangsnetz, Kernnetz), fahrzeugspezifische Informationen (z. B. Route, Position, Geschwindigkeit), Daten hochqualitativer Sensoren (z. B. Lidar) sowie öffentlich zugängliche Kontextinformationen wie Verkehrs- und Wetterdaten. Das Konsortium hat einen Großteil der Datensätze, die im Zuge der Messkampagnen gewonnen wurden, sowie die Software für die komplette Datenverarbeitungskette veröffentlicht.
„Mit der Veröffentlichung der Datensätze leistet das AI4Mobile-Konsortium einen wichtigen Beitrag zur Entwicklung KI-basierter Algorithmen für Mobilfunkanwendungen durch Forschungsgruppen weltweit,” kommentiert Prof. Slawomir Stanczak, Leiter der Abteilung „Drahtlose Kommunikation und Netze“ am Fraunhofer HHI.
Der Berlin V2X Datensatz bietet hochauflösende GPS-geortete drahtlose Messungen in verschiedenen städtischen Umgebungen in Berlin sowohl für zellulare als auch für Sidelink-Funktechnologien. Die Daten wurden mit vier Fahrzeugen über drei Tage hinweg erfasst.
Die AI4Mobile iV2V and iV2I+ Industrial Wireless Datensätze enthalten drahtlose Messungen aus zwei industriellen Testumgebungen: iV2V (industrielles Fahrzeug-zu-Fahrzeug) und iV2I+ (industrielles Fahrzeug-zu-Infrastruktur plus Sensor). Die Daten enthalten Informationen zu Parametern der physikalischen Schicht (z. B. Signalstärke und Signalqualität), zur drahtlosen Dienstgüte (QoS) wie Verzögerung und Durchsatz sowie Positionsdaten. Die Datensätze sind annotiert und vorgefiltert, um ein schnelles Onboarding sowie eine schnelle Anwendbarkeit zu ermöglichen.
Die entwickelten Lösungen werden neuartige Mobilitätsanwendungen im Personenverkehr, im Güterverkehr sowie in industriellen Produktionsumgebungen unterstützen. Weiterhin werden die prädizierten QoS-Informationen genutzt, um KI-Mechanismen zur Echtzeit-Optimierung und zur dynamischen Anpassung in allen Teilen der Mobilfunknetze zu entwickeln.