本公开整体涉及边缘计算,并且更具体地涉及用于自主移动机器人的方法和装置。
背景技术:
1、边缘计算是指一种计算架构,其中计算和存储器资源位于基站或端点设备和传统移动网络接入点之间的其他位置以满足低延迟要求。例如,边缘环境中的端点设备可将工作负载卸载到一个或多个计算和存储器资源。一个或多个计算和存储器资源可位于紧邻端点设备的位置。一个或多个计算和存储器资源可附加地或另选地被配置为执行由客户端设备提供的特定类型的工作负载。因此,客户端设备可获得具有比传统网络更短的延迟的结果,在传统网络中,工作负载被卸载到服务器。
技术实现思路
1、实施例提出了一种自主移动无线电接入网络(ran)节点,包括:通信电路;指令;和可编程电路,所述可编程电路用于:使得所述通信电路经由网络将工作负载传输到服务器;在失去与所述服务器的连接性之后发起所述工作负载的本地处理;以及将所述自主移动ran节点从第一位置移动到第二位置。
2、实施例还提出了相应的自主移动无线电接入网络(ran)节点、方法以及至少一个计算机可读介质。
1.一种自主移动无线电接入网络(ran)节点,包括:
2.根据权利要求1所述的自主移动ran节点,其中所述可编程电路用于使得所述通信电路将所述本地处理的结果传输到所述服务器以恢复所述工作负载的处理。
3.根据权利要求1或2所述的自主移动ran节点,其中:
4.根据权利要求1所述的自主移动ran节点,其中所述可编程电路用于:
5.根据权利要求4所述的自主移动ran节点,其中:
6.根据权利要求5所述的自主移动ran节点,其中所述第二预测基于:a)所述工作负载的本地处理或b)来自客户端设备的遥测数据中的至少一者。
7.一种自主移动无线电接入网络(ran)节点,包括:
8.根据权利要求7所述的自主移动ran节点,其中所述网络性能基于:a)服务质量(qos)协议、b)所述客户端设备和所述自主移动ran节点之间的连接性以及c)所述自主移动ran节点和所述服务器之间的连接性。
9.根据权利要求7所述的自主移动ran节点,其中所述可编程电路用于执行机器学习模型以识别所述第二位置。
10.根据权利要求9所述的自主移动ran节点,其中所述可编程电路用于在执行之前基于所述网络性能训练所述机器学习模型。
11.根据权利要求10所述的自主移动ran节点,其中所述可编程电路用于基于强化学习训练所述机器学习模型。
12.根据权利要求7或8所述的自主移动ran节点,其中:
13.根据权利要求7所述的自主移动ran节点,其中所述第二位置比所述第一位置更靠近所述客户端设备以使得所述客户端设备节省电池电力。
14.根据权利要求7所述的自主移动ran节点,其中:
15.根据权利要求7所述的自主移动ran节点,其中:
16.一种方法,包括:
17.根据权利要求16所述的方法,还包括使用所述自主移动ran节点将所述本地处理的结果传输到所述服务器以恢复所述工作负载的处理。
18.根据权利要求16所述的方法,其中:
19.一种方法,包括:
20.根据权利要求19所述的方法,还包括执行机器学习模型以识别所述第二位置。
21.根据权利要求19所述的方法,其中:
22.至少一个计算机可读介质,包括使可编程电路至少执行以下操作的指令:
23.根据权利要求22所述的至少一个计算机可读介质,其中所述指令使得所述可编程电路使用所述自主移动ran节点将所述本地处理的结果传输到所述服务器以恢复所述工作负载的处理。
24.至少一个计算机可读介质,包括在执行时使可编程电路至少执行以下操作的指令:
25.根据权利要求24所述的至少一个计算机可读介质,其中: