Kunstig intelligens er på vej ind i stadig flere dele af radioteknologien. Traditionelle radiosystemer kan også tilpasse sig gennem automatik og adaptiv signalbehandling. AI og maskinlæring tilføjer blandt andet datatrænede modeller til signalanalyse, mønstergenkendelse og i visse systemer styring efter de aktuelle forhold.

Det åbner nye muligheder inden for både professionel radiokommunikation, mobilnetværk, softwaredefineret radio og overvågning af radiospektret. Men hvad betyder kunstig intelligens egentlig for en radio, og hvilke funktioner er allerede tilgængelige?

Hvad betyder kunstig intelligens i radiokommunikation?

En traditionel kommunikationsradio er konstrueret til at sende og modtage radiosignaler på bestemte frekvenser. Den benytter elektroniske kredsløb og signalbehandling til eksempelvis modulation, filtrering, støjspærring og gengivelse af tale.

Nogle funktioner kan justeres automatisk, men de følger normalt faste regler, som er bestemt under udviklingen af radioen.

Ved at anvende kunstig intelligens (AI) og maskinlæring (Machine Learning eller ML) kan et system i stedet lære at genkende bestemte egenskaber i radiosignaler på baggrund af eksempler og træningsdata.

Det betyder eksempelvis, at en algoritme kan trænes til at skelne mellem forskellige signaltyper eller identificere, om et modtaget signal hovedsageligt indeholder tale, støj eller andre lyde.

Træning og anvendelse er forskellige faser. Mange modeller anvendes med faste parametre efter træningen og lærer ikke automatisk videre under drift. Løbende læring kræver en særskilt konstruktion og kontrol af ændringerne.

Fra analog radio til softwaredefineret radio

For at forstå AI's betydning er det nyttigt at se på udviklingen inden for radioteknik.

I ældre analoge radiomodtagere blev en stor del af signalbehandlingen udført af elektroniske komponenter som filtre, oscillatorer og detektorer.

Moderne radioer indeholder ofte digitale signalprocessorer, der kan udføre en lang række funktioner ved hjælp af software.

Et vigtigt skridt i denne udvikling er Software Defined Radio (SDR), hvor væsentlige dele af signalbehandlingen udføres digitalt.

En SDR-modtager kan eksempelvis registrere et udsnit af radiospektret og lade en computer analysere signalerne med forskellige programmer.

Når maskinlæring kombineres med SDR, bliver det muligt at lade software forsøge at genkende, klassificere og analysere signaler automatisk.

Læs mere i Software Defined Radio – når radioen bliver til software.

AI-baseret støjreduktion – tydeligere tale

En af de mest interessante anvendelser af kunstig intelligens er forbedring af talekvaliteten.

Radiokommunikation kan være påvirket af vindstøj, motorstøj, maskiner, trafik og andre forstyrrende lyde. Det er især et problem, når en person sender fra et støjende miljø.

Traditionel støjreduktion kan dæmpe bestemte frekvensområder eller anvende digitale filtre til at reducere støjen.

En AI-baseret løsning kan være trænet til at genkende menneskelig tale og forsøge at adskille den fra baggrundsstøj.

Systemet kan forsøge at dæmpe de uønskede lyde, så stemmen bliver lettere at forstå. Støj omkring mikrofonen, RF-støj ved modtageren og støj i den modtagne lyd er forskellige problemer. Bedre mikrofonlyd betyder ikke automatisk højere modtagerfølsomhed.

Læs også Radioforstyrrelser – svagt signal, støj og interferens.

Kan AI forbedre radioens rækkevidde?

Det er nærliggende at forestille sig, at en intelligent radio automatisk kan opnå større rækkevidde. Virkeligheden er mere nuanceret.

En radios rækkevidde afhænger blandt andet af sendeeffekt, frekvens, antenne, modtagerfølsomhed, terræn og antennernes placering.

Disse fysiske forhold ændres ikke af kunstig intelligens.

AI kan derimod indgå i signalbehandling, der forbedrer modtagelsen under bestemte forhold, eksempelvis ved at hjælpe med at identificere interferens eller vælge mere hensigtsmæssige behandlingsmetoder.

I avancerede netværk kan intelligente algoritmer desuden bidrage til at vælge forbindelser, frekvensressourcer eller transmissionsparametre.

Det kan forbedre forbindelsens kvalitet eller udnyttelsen af netværket uden nødvendigvis at ændre radiosenderens effekt.

Læs mere i Hvorfor betyder antennens placering mere end sendeeffekten?

Automatisk genkendelse af radiosignaler

Et andet vigtigt forsknings- og anvendelsesområde er automatisk signalgenkendelse.

Radiospektret indeholder mange forskellige typer signaler. Nogle benytter analog modulation som AM eller FM, mens andre anvender digitale modulationsformer.

For en erfaren radiooperatør kan et signals lyd eller udseende i et vandfaldsdiagram give et fingerpeg om, hvilken type transmission der er tale om.

Maskinlæring kan anvendes til at forsøge at automatisere dele af denne genkendelse.

En algoritme kan eksempelvis analysere signalets spektrale egenskaber, tidsforløb og variationer i amplitude eller fase.

På den baggrund kan den beregne, hvilken signalklasse der er mest sandsynlig.

Resultatet afhænger af træningsdata, signalstyrke og modtageforhold. Genkendt modulation er ikke det samme som identificeret protokol, afsender eller forstået indhold. En model kan også klassificere ukendte signaler forkert.

DARPAs Radio Frequency Machine Learning Systems-program beskriver forskning i RF-klassifikation og tekniske senderkendetegn. Det dokumenterer forskningsområdet, ikke en bestemt nøjagtighed i enhver radio.

Læs også Radiospionage og signalanalyse – fra lytteoperatører til automatiske værktøjer.

Intelligent overvågning af radiospektret

Radiospektret er en begrænset ressource, som bruges af mange forskellige tjenester og teknologier.

Derfor er der stor interesse for systemer, der kan registrere og analysere frekvensaktivitet mere effektivt.

Traditionel spektrumovervågning kan eksempelvis registrere signalstyrke, frekvens, båndbredde og aktivitet over tid.

AI kan bruges som et ekstra analyseværktøj, der gennemgår store datamængder og forsøger at identificere sammenhænge, gentagne mønstre eller afvigelser.

Det kan hjælpe teknikere med at opdage ændringer, som ellers ville være vanskelige at finde manuelt.

Automatisk analyse bør vurderes med kendte testsignaler og forskellige modtageforhold. En model, der virker på ét datasæt, er ikke nødvendigvis pålidelig i et andet radiomiljø.

Hvad er kognitiv radio?

Begrebet kognitiv radio beskriver radiosystemer, der kan indsamle oplysninger om deres radioomgivelser og tilpasse bestemte driftsparametre efter forholdene.

Det engelske udtryk er Cognitive Radio.

En kognitiv radio kan eksempelvis være udviklet til at undersøge, hvilke kommunikationsressourcer der er tilgængelige, og tilpasse sin funktion inden for systemets fastlagte rammer.

Det kan omfatte valg af frekvensressourcer, transmissionsparametre eller andre tekniske indstillinger.

AI og maskinlæring kan være nyttige i sådanne systemer, fordi de kan hjælpe med at fortolke målinger og forudsige ændringer i radiomiljøet.

Kunstig intelligens i mobilnetværk

Mobilnetværk er blandt de områder, hvor intelligente algoritmer har stor praktisk interesse.

Et moderne mobilnetværk skal håndtere mange brugere, skiftende trafikmængder, forskellige radiosignalforhold og et stort antal basestationer.

AI og maskinlæring kan indgå i netværksoptimering, eksempelvis til analyse af trafikbelastning, energiforbrug og radiodækning.

Algoritmer kan også bruges til at understøtte planlægning og styring af netværksressourcer.

Der arbejdes desuden med maskinlæring i relation til funktioner som beam management, hvor radiosystemer med flere antenner skal håndtere signalretninger og forbindelser effektivt.

Et konkret eksempel er 3GPPs Release 18-studie af AI/ML til NR-radioforbindelsen, herunder beam management, positionsbestemmelse og kanaltilbagemelding. Et studie er ikke det samme som en færdig funktion i alle netværk. Implementeringen afhænger af udstyr, software og den understøttede standardversion.

Hvad betyder udviklingen for LTE- og PoC-radioer?

LTE- og PoC-radioer anvender mobilnetværk eller Wi-Fi til at overføre tale og andre data.

PoC betyder Push-to-Talk over Cellular.

Selvom betjeningen kan minde om en almindelig kommunikationsradio, foregår forbindelsen gennem en digital netværksinfrastruktur.

Det betyder, at både enhedens software, den anvendte PTT-platform og mobilnetværket har betydning for kommunikationen.

På længere sigt kan AI-baserede funktioner få betydning for blandt andet talebehandling, netværksanalyse og administration af større radiogrupper.

Det betyder dog ikke, at enhver moderne PoC-radio automatisk har kunstig intelligens indbygget.

Læs mere i PoC-radio – kommunikation via mobilnet og IP.

Fordele og begrænsninger ved AI i radioteknik

Kunstig intelligens kan være et stærkt værktøj, men teknologien har også begrænsninger.

En af de vigtigste udfordringer er, at en AI-model kan fungere godt under de forhold, den er trænet til, men dårligere i et ukendt radiomiljø.

Et signal med lav signalstyrke, kraftig interferens eller usædvanlig modulation kan eksempelvis blive fortolket forkert.

Derfor skal resultaterne vurderes kritisk, især når de anvendes til tekniske beslutninger.

Kan AI erstatte en erfaren radiooperatør?

AI kan hjælpe med at analysere og sortere information, men der er fortsat stor værdi i menneskelig erfaring.

En erfaren radiooperatør eller tekniker kan kombinere oplysninger om frekvenser, antenner, propagation, udstyr og lokale forhold.

Vedkommende kan desuden opdage sammenhænge, som et automatisk system ikke nødvendigvis er trænet til at forstå.

Den mest interessante anvendelse af kunstig intelligens er derfor ofte som et supplement til den menneskelige vurdering.

Sådan vurderer du en AI-lydfunktion

Sammenlign funktionen slået til og fra med samme mikrofon, radioindstillinger og støjmiljø. Brug flere talere og gentag testen. Vurder forståelighed, tabte ord, forvrængning og forsinkelse, ikke kun hvor stille baggrunden bliver. Et lavere støjniveau kan samtidig skjule dele af talen.

Signalstyrke og talekvalitet er forskellige mål. Læs også S-meter og signalstyrke – S1-S9, dBm og RSSI.

Er DSP det samme som AI?

Nej. DSP betyder digital signalbehandling og omfatter også traditionelle filtre og algoritmer. AI kan indgå i DSP, men digital behandling alene dokumenterer ikke en datatrænet model.

Giver AI-støjreduktion længere rækkevidde?

Den kan forbedre taleforståeligheden under visse forhold, men øger ikke automatisk sendeeffekt, antenneeffektivitet eller modtagerfølsomhed. En eventuel forbedring af brugbar dækning skal dokumenteres for den konkrete funktion og situation.

Lærer en AI-radio hele tiden?

Ikke nødvendigvis. Mange modeller trænes på forhånd og bruges derefter med faste parametre. Automatisk tilpasning eller løbende læring skal være udtrykkeligt understøttet.

Fremtidens intelligente radiosystemer

Udviklingen inden for softwaredefineret radio, digitale signalprocessorer og maskinlæring gør det muligt at undersøge nye måder at behandle og udnytte radiosignaler på.

Forskningen omfatter blandt andet mere avanceret signalgenkendelse, intelligent frekvensanalyse, energieffektive netværk og radiosystemer, der bedre kan tilpasse sig ændringer i deres omgivelser.

Nogle af teknikkerne er allerede relevante i professionelle netværk og specialiserede analysesystemer, mens andre fortsat er under forskning og udvikling.

Det er derfor vigtigt at skelne mellem dokumenterede funktioner i eksisterende udstyr og teknologier, der endnu ikke er blevet almindeligt tilgængelige.

Radioteknikkens grundprincipper består

Selvom AI kan gøre radiosystemer mere avancerede, bygger al radiokommunikation fortsat på de samme grundlæggende fysiske principper.

En sender skal danne et radiosignal, en antenne skal udsende det, og en modtager skal kunne registrere og behandle signalet.

Frekvens, modulation, båndbredde, signalstyrke, antenneforhold og støj har fortsat afgørende betydning.

AI ændrer ikke disse grundprincipper. Teknologien giver os derimod nye muligheder for at arbejde med de informationer, radiosystemerne producerer.

Konklusion: Når klassisk radioteknik møder intelligente algoritmer

Kunstig intelligens er et nyt og interessant værktøj inden for radiokommunikation, men det erstatter ikke den radioteknik, som teknologien bygger på.

AI kan bidrage til tydeligere tale, automatisk signalanalyse, mere effektiv spektrumovervågning og bedre udnyttelse af ressourcerne i avancerede kommunikationsnetværk.

Den største udvikling sker, når klassisk radioteknisk viden kombineres med moderne software, digital signalbehandling og datadrevne metoder.

Radiobølgerne er de samme. Det nye er, hvor meget vi kan lære af dem – og hvor intelligent vi kan behandle de signaler, vi modtager.