您的位置:主页 > 知识资讯 > 知识分享 >

AI 在泛家庭智能家居领域的技术研究

知识分享 / 2021-06-11 10:27

5G+AI 在泛家庭领域的技术研究

5G 泛家庭领域接入技术中国移动在 5G 无线频谱上获得 2.6 G 和 4.9 G 频段牌照,然而电磁波频率越高波长越短,信号能量衰落越快,信号绕射能力越弱。近期的 5G 外场测试发现,5G 信号在室内环境中存在信号不稳定、覆盖不全的情况。这表明仅凭部署室外基站,很难完成完整 5G 室内信号的覆盖。家庭基站(femtocell)和新型无线局域网技术(Wi-Fi 6)可以部署在泛家庭环境中,用于解决5G 信号不稳定等覆盖问题。家庭基站又称飞站,是目前最小的无线接入基站类型,发射功率一般为毫瓦级,覆盖半径较小,支持接入用户数约 5 ~ 6 人。在泛家庭环境中,家庭基站可通过入户光纤宽带,经由 femto 网关快速连接至核心网让用户获取语音、数据等服务。不仅如此,由于家庭基站主要面向室内环境的设备接入,用户数量不会出现较大波动,因此网络服务质量能够得到较高保障。5G CPE(Customer Premise Equipment, 客 户 终端设备)是一种将 5G 无线信号转换为 Wi-Fi 信号的终端设备。与家庭基站通过光纤接入核心网的方式不同,5G CPE 通过 5G 信号与宏基站通信接入 5G 核心网。目前,5G CPE 的实测网络速率在 1 Gbit/s 以上,已达到吉比特光纤宽带的接入速率。将 5G 信号转成 Wi-Fi信号过程中,5G CPE 将支持 Wi-Fi 6 技术。Wi-Fi6 又称 IEEE 802.11ax,是新一代的无线局域网标准。2019 年 9 月 16 日,Wi-Fi 联盟宣布启动 Wi-Fi 6 认证计划。Wi-Fi 6 采用正交频分多址(OFDMA)技术实现在一个通道内同时为多个客户端提供服务。多用户多输入多输出(MU-MIMO)技术允许 5G CPE 同时与多个设备进行通信。Wi-Fi 6 仍支持 2.4 GHz 和5 GHz 频段,向下兼容 802.11 a/b/g/n/ac 等标准,可使用 160 MHz 的频谱资源。调制方面采用 1024 正交调幅(1024 QAM)可以承载更多数据。Wi-Fi 6 最高速率可达 9.6 Gbit/s,其数据传输速率比上一代 Wi-Fi提高了 4 倍,可以满足虚拟 / 增强现实(VR/AR)在泛家庭场所中的业务速率需求。
泛家庭领域 5G 网络技术5G 泛家庭应用发展驱动 5G 泛家庭网络结构发生变化。5G 泛家庭应用在 ITU-R 为 5G 网络业务划分的三大业务场景都有涉及,超高清视频、VR/AR 业务需求符合增强移动宽带(eMBB)和高可靠低时延(uRLLC)要求,全屋智能设备符合海量机器通信(mMTC)要求。因此,为了满足不同业务彼此之间相互矛盾的业务需求,泛家庭网络环境亟需构建一种灵活的网络结构为各类泛家庭应用提供支撑和管理。网络功能虚拟化(NFV)通过抽象以及网络功能与物理硬件的隔离实现多用户间网络资源的共享。通信网络通常包含大量硬件设备,每提供一种新业务往往需要集成复杂的专用硬件。然而,硬件的生命周期随着技术的创新和业务的更替而变得越来越短。网络功能虚拟化通过软件实现各种网络功能,实现软硬件解耦以及功能抽象。5G 泛家庭网络环境可能也需要采用网络功能虚拟化技术匹配未来 5G 网络架构的演进。网络功能虚拟化架构主要包含 3 层 :基础设施层、虚拟网络层和虚拟网络实现层。基础设施层指最底层的物理资源,包括路由器、计算处理器和存储设备等。虚拟网络层将硬件抽象成虚拟资源。虚拟网络实现层主要完成对网络功能的软件实现,由一个或者多个虚拟机组成。网络功能虚拟化使网络不再依赖专业硬件,可以灵活分配资源,并基于实际业务需求,实现资源弹性分配和数据安全隔离。
泛家庭领域人工智能技术近年来人工智能技术的三大核心引擎 :数据、算法和算力发展迅速,在智能安防、全屋智能和智慧社区等领域得到了广泛的应用。数据方面 :数据是驱动人工智能提升识别率和精准度的核心因素,互联网时代积累了海量数据,随着 5G技术的发展和落地应用,全球的数据将以指数级增长。据预测,2025 年全球产生的数据总量将超过 160 ZB,是 2016 年的 10 倍。算法方面 :深度学习算法采用了深度神经网络(DNN)构建模型使得算法突破传统的人工提取特征和选择分类器的局限,学习能力更强,准确率更高,通用性更广。卷积神经网络(CNN)通过卷积层提取输入图像的特征,池化层对数据降维,全连接层输出高维特征的组合,从而得到训练任务的结果,主要用于人脸识别、目标检测和图像搜索等,其中基于深度 CNN 建立的人脸识别模型的准确率已经远远超过人类。循环递归网络(RNN)在序列中前面的输入也会影响到后面的输出,能有效的处理文章和音频等序列数据,主要应用在文本生成、语音识别和机器翻译等。生成对抗网络(GAN)是一种通过生成模型和判别模型相互博弈、不断学习更新的无监督学习算法,目前非常热门,在人脸图片生成、文字 / 图片相互转换、照片编辑等方面应用广泛。算力方面 :传统的 CPU 架构中计算单元占比小于 30%,不满足海量数据的计算。相反,GPU 架构中80% 以上为计算单元,与 CPU 相比能够支持大批量数据的吞吐和并行计算,极大缩短了计算时间,但是功耗大、成本高。NPU 工作原理是在电路层模拟人类神经元和突触,并且用深度学习指令集直接处理大规模的神经元和突触,相同功耗下性能是 GPU 的 100 倍以上。FPGA 具有功耗低、性能高和硬件可编程的特点,直接通过底层的逻辑门电路来实现算法运算,没有通过指令系统的翻译,执行效率更高。