CA3112266C - Optimiseur de deploiement de ressources pour satellites de telecommunications non geostationnaires et/ou geostationnaires - Google Patents

Optimiseur de deploiement de ressources pour satellites de telecommunications non geostationnaires et/ou geostationnaires

Info

Publication number
CA3112266C
CA3112266C CA3112266A CA3112266A CA3112266C CA 3112266 C CA3112266 C CA 3112266C CA 3112266 A CA3112266 A CA 3112266A CA 3112266 A CA3112266 A CA 3112266A CA 3112266 C CA3112266 C CA 3112266C
Authority
CA
Canada
Prior art keywords
satellite
controller
demand
operable
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CA3112266A
Other languages
English (en)
Other versions
CA3112266A1 (fr
Inventor
Eric CHOINIERE
Rahul MINHAS
Original Assignee
Telesat Leo Ulc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from CA3017007A external-priority patent/CA3017007A1/fr
Application filed by Telesat Leo Ulc filed Critical Telesat Leo Ulc
Publication of CA3112266A1 publication Critical patent/CA3112266A1/fr
Application granted granted Critical
Publication of CA3112266C publication Critical patent/CA3112266C/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

L'invention concerne des systèmes, des procédés et des techniques pour découvrir des solutions optimales permettant de satisfaire des demandes de trafic de communication faites à des constellations de satellites en orbite non géostationnaire (NGSO) et en orbite géostationnaire (GSO) utilisés pour les télécommunications. Lorsque de multiples demandes au sol (mobiles et fixes) sont présentes, une constellation de satellites nécessite une attribution de ressources de satellite pour s'adapter de manière optimale aux demandes au sol. Les systèmes, procédés et techniques présentés peuvent utiliser une structure d'optimisation pour maximiser la fonction objectif, en utilisant une programmation linéaire en combinaison avec des fonctions de simulation et de prédiction. Les techniques présentées déterminent une attribution optimale ou quasi-optimale de ressources de satellite rares et fortement contraintes d'une manière efficace. Ces techniques prennent en compte la maximisation de la capacité tout en protégeant d'autres réseaux géostationnaires et non-géostationnaires.
CA3112266A 2018-09-10 2019-09-10 Optimiseur de deploiement de ressources pour satellites de telecommunications non geostationnaires et/ou geostationnaires Active CA3112266C (fr)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CA3,017,007 2018-09-10
CA3017007A CA3017007A1 (fr) 2018-09-10 2018-09-10 Optimiseur de deploiement de ressources pour satellites non geostationnaires de telecommunications
PCT/CA2019/051267 WO2020051685A1 (fr) 2018-09-10 2019-09-10 Optimiseur de déploiement de ressources pour satellites de télécommunications non géostationnaires et/ou géostationnaires

Publications (2)

Publication Number Publication Date
CA3112266A1 CA3112266A1 (fr) 2020-03-19
CA3112266C true CA3112266C (fr) 2026-02-24

Family

ID=

Similar Documents

Publication Publication Date Title
US11996928B2 (en) Resource deployment optimizer for non-geostationary and/or geostationary communications satellites
Cui et al. Latency optimization for hybrid GEO–LEO satellite-assisted IoT networks
US6463279B1 (en) Channel frequency allocation for multiple-satellite communication network
JP2022500928A5 (fr)
US6021309A (en) Channel frequency allocation for multiple-satellite communication network
EP3513596B1 (fr) Gestion et routage de ressources radio pour des circuits de données fixes dans un système de communication de données par satellite ngso
Yahia et al. Evolution of high-throughput satellite systems: A vision of programmable regenerative payload
Pachler et al. Avoiding self-interference in megaconstellations through cooperative satellite routing and frequency assignment
Kisseleff et al. A new optimization tool for mega-constellation design and its application to trunking systems [international communications satellite systems conference]
US11178550B2 (en) Coordination of spectrum allocation and interference avoidance among high-altitude networks
Zhong et al. Joint downlink power and time-slot allocation for distributed satellite cluster network based on Pareto optimization
Pachler et al. Flooding the market: Comparing the performance of nine broadband megaconstellations
Abudureheman et al. Resource allocation in multi-beam leo satellite systems based on beam hopping and frequency reuse
Pachler de la Osa Optimizing resource allocation in large communications satellite constellations
CA3112266C (fr) Optimiseur de deploiement de ressources pour satellites de telecommunications non geostationnaires et/ou geostationnaires
Ma et al. Resource optimization for leo constellation networks: A multi-satellite cooperative coverage design
Wang et al. Optimal dynamic multi-resource management in earth observation oriented space information networks
Eftetahi et al. Fair Beam Scheduling in LEO Satellite Networks with Reinforcement Learning
Casadesus-Vila et al. Dynamic frequency assignment for mobile users in multibeam satellite constellations
Pachler de la Osa A complete resource allocation framework for flexible high throughput satellite constellations
Jin et al. A Multi-Dimensional Resource Allocation Scheme: In Beam Hopping Technique Enhanced MF-TDMA Satellite Systems
Otsuru et al. Frequency Resource Allocation Using Combined Evaluation Function in High Throughput Satellite Communication System
CN121056010A (zh) 卫星系统的资源分配方法、存储介质及电子设备
Hendy et al. Enabling Coexistence: Dynamic Channel Allocation for Scalable LEO-GEO Networks
Ortiz Gómez Optimization of cost and capacity of broadband satellite system and resources management using machine learning techniques