CN113543305A - 定位方法、通信设备和网络设备 - Google Patents
定位方法、通信设备和网络设备 Download PDFInfo
- Publication number
- CN113543305A CN113543305A CN202010323445.9A CN202010323445A CN113543305A CN 113543305 A CN113543305 A CN 113543305A CN 202010323445 A CN202010323445 A CN 202010323445A CN 113543305 A CN113543305 A CN 113543305A
- Authority
- CN
- China
- Prior art keywords
- information
- model
- measurement
- error
- terminal device
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0205—Details
- G01S5/021—Calibration, monitoring or correction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/0009—Transmission of position information to remote stations
- G01S5/0018—Transmission from mobile station to base station
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0205—Details
- G01S5/0236—Assistance data, e.g. base station almanac
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/03—Protecting confidentiality, e.g. by encryption
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/04—Key management, e.g. using generic bootstrapping architecture [GBA]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/08—Access restriction or access information delivery, e.g. discovery data delivery
- H04W48/10—Access restriction or access information delivery, e.g. discovery data delivery using broadcasted information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/02—Terminal devices
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Mobile Radio Communication Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请公开了一种定位方法、通信设备和网络设备,属于通信领域。其中,所述定位方法包括:接收第一信息,第一信息包括:第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个;根据第一信息,确定与终端设备的位置相关的信息。本申请实施例,可以有效地提高定位精度。
Description
技术领域
本申请涉及通信领域,尤其涉及一种定位方法、通信设备和网络设备。
背景技术
目前,随着对用户设备(User Equipment,UE,也可称之为终端设备)的定位精度需求越来越高,比如工业物联网(Internet of Things for Industry,IIOT)场景中,对定位精度需求非常高。
然而,当智能工厂环境比较复杂时,会存在大量的多径情况以及非视距(Non-Lineof Sight,NLOS)概率较高的情况,比如当工厂内部的杂物密度较高时。而当存在大量NLOS情况时,许多传统的基于时间或角度的定位方式的定位精度将受到很大的影响,从而在时间、角度等信息测量不准确的情况下,定位性能将大大下降。
因此,在实现本申请过程中,发明人发现现有技术中至少存在如下问题:在高定位精度的需求下,需要一种能够在复杂的多径和大量NLOS情况下实现准确定位的方案。
发明内容
本申请实施例解决的技术问题之一为如何在复杂的多径和大量NLOS情况下实现对UE的准确定位。
第一方面,本申请实施例提供一种定位方法,应用于通信设备,所述方法包括:
接收第一信息,所述第一信息包括:第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个;根据所述第一信息,确定与终端设备的位置相关的信息。
第二方面,本申请实施例提供一种通信设备,所述通信设备包括:
接收模块,用于接收第一信息,所述第一信息包括:第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个;定位模块,用于根据所述第一信息,确定与终端设备的位置相关的信息。
第三方面,本申请实施例提供一种终端设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面,本申请实施例提供一种可读存储介质,所述可读存储介质上存储有程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
第五方面,本申请实施例提供一种定位方法,应用于网络设备,所述方法包括:
向通信设备发送第一信息,所述第一信息包括:第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个;其中,所述第一信息用于供所述通信设备确定与终端设备的位置相关的信息。
第六方面,本申请实施例提供一种网络设备,所述网络设备包括:
发送模块,用于向通信设备发送第一信息,所述第一信息包括:第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个;其中,所述第一信息用于供所述通信设备确定与终端设备的位置相关的信息。
第七方面,本申请实施例提供一种网络设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤,或者所述程序或指令被所述处理器执行时实现如第五方面所述的方法的步骤。
第八方面,本申请实施例提供一种可读存储介质,其特征在于,所述可读存储介质上存储有程序或指令,所述程序或指令被处理器执行时实现如第五方面所述的方法的步骤。
在本申请实施例中,可以根据预先配置的第一信息确定与终端设备的位置相关的信息,以进一步实现对终端设备的定位,其中,该第一信息包括但不限于第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个。如此,通过提供一种基于机器学习模型、预处理模型和误差模型等训练模型中的至少一个的定位方案,可以有效地解决多径问题和NLOS问题,从而提高定位精度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请实施例中一种定位方法的流程示意图之一;
图2是本申请实施例中一种定位方法的流程示意图之二;
图3是本申请实施例中一种通信设备的结构示意图;
图4是本申请实施例中一种网络设备的结构示意图之一;
图5是本申请实施例中一种终端设备的结构示意图;
图6是本申请实施例中一种网络设备的结构示意图之二。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
本申请的技术方案,可以应用于各种通信系统,例如:全球移动通讯系统(GlobalSystem of Mobile communication,GSM),码分多址(Code Division Multiple Access,CDMA)系统,宽带码分多址(Wideband Code Division Multiple Access,WCDMA),通用分组无线业务(General Packet Radio Service,GPRS),长期演进/增强长期演进(Long TermEvolutionAdvanced,LTE-A),NR等。
用户端UE也可称之为终端设备(Mobile Terminal)、移动用户设备等,可以经无线接入网(Radio Access Network,RAN)与一个或多个核心网进行通信,用户设备可以是终端设备,如移动电话(或称为“蜂窝”电话)和具有终端设备的计算机,例如,可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置,它们与无线接入网交换语言和/或数据。
网络设备,也可称之为基站,可以是GSM或CDMA中的基站(Base TransceiverStation,BTS),也可以是WCDMA中的基站(NodeB),还可以是LTE中的演进型基站(evolutional Node B,eNB或e-NodeB)及5G基站(gNB)。
以下结合附图,详细说明本申请各实施例提供的技术方案。
参见图1所示,本申请实施例提供一种定位方法,由通信设备执行,可选的,该通信设备可以为终端设备也可以为接入网设备(比如基站)。其中,所述方法包括以下流程步骤:
步骤101:接收第一信息,所述第一信息包括:第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个。
可选的,上述第一信息可以由定位管理功能(Location Management Function,LMF)实体等网络设备提供。当然,该第一信息也可以有其他来源,在此不作具体限定。
可选的,上述第一机器学习模型信息包括但不限于:机器学习或神经网络或深度神经网络模型以及机器学习或神经网络或深度神经网络模型的参数。
其中,上述机器学习或神经网络或深度神经网络模型包括但不限于:卷积神经网络(Convolutional Neural Networks,CNN),如GoogLeNet、AlexNet等;递归或循环神经网络(Recurrent Neural Network,RNN)及长短期记忆网络(Long Short-Term Memory,LSTM);递归张量神经网络RNTN;生成对抗网络(Generative Adversarial Networks,GAN);深度置信网络(DeepBeliefNetwork,DBN);受限玻尔兹曼机(Restricted BoltzmannMachine,RBM)等。上述机器学习或神经网络或深度神经网络模型的参数,包括但不限于权值,步长,均值和方差等。
可选的,上述第一预处理模型信息包括但不限于以下至少之一:滤波器参数或模型;卷积层参数或模型;池化层参数或模型;离散余弦变换(Discrete Cosine Transform,DCT)变换参数或模型;小波变换参数或模型;冲击信道处理方法的参数或模型;波形处理方法的参数或模型;信号相关序列处理方法的参数或模型。其中,这里的模型可以指函数模型、网络模型、降采样模型、图像化模型等;这里的参数可以指权值、步长、均值和方差等。
可选的,上述第一误差模型信息包括但不限于:第二误差模型信息和第三误差模型信息中的至少一个。
其中,所述第二误差模型信息包括但不限于:位置误差补偿信息、测量误差补偿信息、设备误差补偿信息和参数调整信息中的至少一个。如此,基于该第二误差模型信息可以对定位结果、测量结果、设备带来的误差或参数误差进行误差补偿。
所述第三误差模型信息包括:机器学习模型补偿信息、预处理模型补偿信息、位置误差模型补偿信息、测量误差模型补偿信息、设备误差模型补偿信息和参数调整模型补偿信息中的至少一个。如此,基于该第三误差模型信息可以对上述的模型或其参数进行误差补偿或调整。
可选的,上述接收第一信息的方式可以包括但不限于:
(1)所述第一信息携带在定位辅助数据信元(Information element,IE)中。可以理解,可以从定位辅助数据信元(ProvideAssistanceData IE)中获取该第一信息。也就是说,可以由网络设备通过单播的方式将该第一信息发送至通信设备。
(2)所述第一信息携带在位置系统信息块posSIB中。可以理解,可以从位置系统信息块posSIB中获取该第一信息。也就是说,可以由网络设备通过广播的方式将该第一信息发送至通信设备。
其中,上述posSIB为小区专用(cell specific)posSIB或区域专用(areaspecific)posSIB。也就是说,通过广播的方式发送的第一信息,可以是在一个小区范围内广播,也可以是在一片区域范围内广播。
步骤103:根据所述第一信息,确定与终端设备的位置相关的信息。
在本申请实施例中,可以根据预先配置的第一信息确定与终端设备的位置相关的信息,以进一步实现对终端设备的定位,其中,该第一信息包括但不限于第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个。如此,通过提供一种基于机器学习模型、预处理模型和误差模型等训练模型中的至少一个的定位方案,可以有效地解决多径问题和NLOS问题,从而提高定位精度。
可选的,在本申请实施例的定位方法中,上述步骤103,可以具体执行为如下内容:
根据所述第一信息和所述终端设备的第一测量信息,确定所述与终端设备的位置相关的信息;其中,所述第一测量信息基于信号测量得到。
可以理解,当基于上述第一信息确定与终端设备的位置相关的信息时,可选的可以结合终端设备的第一测量信息进行确定,以进一步提高对终端设备的定位精度。其中,所述终端设备的第一测量信息可以包括但不限于:由终端设备基于信号测量得到的所述终端设备的第一测量信息和由接入网设备基于信号测量得到的所述终端设备的第一测量信息中的至少一个。所述终端设备的第一测量信息可以是由终端设备基于信号测量得到的,也可以是由接入网设备基于信号测量得到的,本申请实施例对此不作具体限定。
可选的,在本申请实施例的定位方法中,上述第一测量信息包括但不限于以下中的至少一个:
所述终端设备的信道冲击响应;所述终端设备的信号波形;所述终端设备的相关序列或波形;所述终端设备的信号测量结果,该信号测量结果包括但不限于基于增强型小区标识(Enhanced Cell-ID,E-CID)、观察到达时间差(Observed Time Difference ofArrival,OTDOA)、新空口增强型小区标识(New RadioEnhanced Cell-ID,NR-ECID)、多重往复时间(Multi-Round-Trip Time,Multi-RTT)、下行到达角度(Downlink Angle ofDeparture,DL-AOD)、下行到达时间差(Downlink Time Different Of Arrival,UTDOA)、上行到达角度(Uplink Angle of Arrival,UL-AOA)、上行到达时间差(Uplink-timeDifferent Of Arrival,UTDOA)等定位方法得到的信号测量结果。
可选的,在本申请实施例的定位方法中,上述与终端设备的位置相关的信息包括但不限于以下至少之一:
(1)终端设备的定位结果信息。该定位结果信息可以为根据相应的测量信息(比如上述第一测量信息等)进行位置计算得到的终端设备的具体位置。
在一个示例中,若上述第一信息包括第一机器学习模型信息,则上述终端设备的定位结果信息可以包括:根据所述第一机器学习模型信息和所述第一测量信息确定的终端位置信息。
可以理解,基于上述第一机器学习模型信息和第一测量信息可以进行相应的位置计算,准确地得到终端设备的具体位置。举例来说,该第一机器学习模型信息可以包括用于实现位置计算的机器学习或神经网络或深度神经网络模型,如此,则可以将该第一测量信息作为该机器学习或神经网络或深度神经网络模型的输入,经模型预估计算后即可输出终端位置信息。可选的,该机器学习或神经网络或深度神经网络模型可以基于经过实地的信号采集得到某一区域内大量的训练数据预先训练得到,其中,训练数据包括但不限于:信道冲击响应、RSRP、终端实际位置等。
在另一个示例中,若上述第一信息包括第一误差模型信息,则上述终端设备的定位结果信息还可以包括:根据所述第一误差模型信息进行误差补偿后的所述终端设备的定位结果信息。如此,通过对定位结果信息进行误差补偿,可以提高定位精度。
可选的,在该示例中,根据第一误差模型信息对终端位置信息进行误差补偿,得到终端设备的定位结果信息。其中,所述终端位置信息可以是基于上述第一机器学习模型信息和第一测量信息确定的终端位置信息,也可以是通过其他方式确定的终端位置信息,在此不作特别限定。
(2)基于所述第一测量信息确定的第二测量信息。
可以理解,根据第一信息或者根据第一信息和第一测量信息确定的与终端设备的位置相关的信息除了可以包括终端设备的定位结果信息外,还可以为对第一测量信息进行进一步处理后的第二测量信息。其中,该第二测量信息可以用于终端设备的具体位置的计算。也就是说,在对第一测量信息进行一定的处理后再用于终端设备的定位,可以压缩第一测量信息的大小,降低上报开销,并提高定位精度。
在一个示例中,上述第二测量信息包括:经稀疏化处理、降维化处理或者图像化处理后的所述第一测量信息。可选的,可以使用相应的预处理模型信息(比如上述第一预处理模型信息等)对第一测量信息进行稀疏化处理、降维化处理或者图像化处理等预处理得到该第二测量信息。
可选的,上述第二测量信息包括但不限于以下至少之一:稀疏化的信道冲击响应、图像化的信道冲击响应、多径表示的信道冲击响应、降维的图形化信道冲击响应、稀疏化的信号波形、降采样的信号波形、图像化的信号波形、降维的图像化信道波形、稀疏化的相关序列、降采样的相关序列、多径表示的相关序列、稀疏化的其他信号测量结果、降采样的其他信号测量结果、图像化的其他信号测量结果和降维的图像化其他信号测量结果。
在另一个示例中,上述第二测量信息包括:根据所述第一误差模型信息进行误差补偿后的所述第一测量信息。
可以理解,通过对第一测量信息预先进行误差补偿后再进行对终端设备的位置计算,可以提高定位精度。
在又一个示例中,上述第二测量信息包括:根据第一误差模型信息进行误差补偿后,再经第一预处理模型信息处理后的第一测量信息。
可以理解,通过对第一测量信息预先进行误差补偿并经预处理模型处理后再进行对终端设备的位置计算,可以压缩第一测量信息的大小,降低上报开销,并提高定位精度。
(3)基于所述第一机器学习模型信息确定的第二机器学习模型信息。
可以理解,在上述第一信息包括第一机器学习模型信息时,为了提高对终端设备的定位精度,还可以对该第一机器学习模型信息进行优化。
在一个示例中,上述第二机器学习模型信息包括:根据所述第一误差模型信息进行误差补偿后的所述第一机器学习模型信息。
(4)基于所述第一预处理模型信息确定的第二预处理模型信息。
可以理解,在上述第一信息包括第一预处理模型信息时,为了提高对终端设备的定位精度,还可以对该第一预处理模型信息进行优化。
在一个示例中,上述第二预处理模型信息包括:根据所述第一误差模型信息进行误差补偿后的所述第一预处理模型信息。
可选的,在本申请实施例的定位方法中,可以实现不同的对第三信息的上报方案,其中,该第三信息可以供网络设备实现对终端设备的位置相关的信息的确定和对第一信息的更新中的至少一个操作。
在一个示例中,通信设备可以实现对第三信息的主动上报,即本申请实施例的定位方法,还可以包括如下内容:
向所述网络设备上报第三信息,所述第三信息用于供所述网络设备确定所述与终端设备的位置相关的信息;和/或,用于供所述网络设备更新所述第一信息。
其中,更新上述第一信息即指实现相关模型及参数的更新。
在另一个示例中,通信设备可以基于相应的指示实现对第三信息的被动上报,即本申请实施例的定位方法,还可以包括如下内容:
接收第二信息,所述第二信息用于指示是否向所述网络设备上报第三信息。
可选的,上述接收第二信息的方式可以包括但不限于:
(1)所述第二信息携带在定位辅助数据信元中。可以理解,可以从定位辅助数据信元(ProvideAssistanceData IE)中获取该第二信息。也就是说,可以由网络设备通过单播的方式将该第二信息发送至通信设备。
(2)所述第二信息携带在位置系统信息块posSIB中。可以理解,可以从位置系统信息块posSIB中获取该第二信息。也就是说,可以由网络设备通过广播的方式将该第二信息发送至通信设备。
其中,上述posSIB为小区专用(cell specific)posSIB或区域专用(areaspecific)posSIB。也就是说,通过广播的方式发送的第二信息,可以是在一个小区范围内广播,也可以是在一片区域范围内广播。
可选的,上述用于携带第一信息和第二信息中的至少一个的位置系统信息块posSIB的类型可以根据第一信息和第二信息中的至少一个定义posSIB的类型。也就是说,上述posSIB的类型基于所述第一信息和所述第二信息中的至少一个定义。
可选的,该实施例中的位置系统信息块posSIB的类型可以为新定义的类型,如[posSibType4-X]。
进一步可选的,上述需要上报的第三信息可以包括但不限于以下至少之一:所述与终端设备的位置相关的信息中的至少一个;所述第一测量信息中的至少一个。
进一步可选的,在需要上报第三信息时,上述向网络设备上报第三信息的过程可以具体执行为如下内容:
将所述第三信息携带在第一信元IE中,上报至所述网络设备;
其中,所述第一IE包括:基于定位协议(LTE Positioning Protocol,LPP)的位置信息信元或基于新空口定位协议a(NR Positioning Protocol a,NRPPa)的位置信息信元。
可选的,上述位置信息信元可以是各种定位方法的位置信息信元,包括但不限于:E-CID、OTDOA、NR-ECID、Multi-RTT、DL-AOD、DL-TDOA、UL-AOA、UL-TDOA等定位方法。
可选的,在本申请实施例的定位方法中,还可以包括以下内容:
在所述第一信息被分级加密的情况下,接收所述网络设备发送的与所述第一信息的加密等级对应的密钥。
可以理解,通过对第一信息进行分级加密并分配相应的密钥,可以提高信息传输的可靠性和安全性,避免信息泄露,使得接收双方理解一致。可选的,可以基于定位精度要求、负荷大小等实现分级加密。在一个示例中,对可实现定位精度较低、负荷较小的第一信息对应的一组posSIB进行一级加密,相应的分配一级密钥;而对于对可实现定位精度较高、负荷较大的第一信息对应的一组posSIB进行二级加密,相应的分配二级密钥。
由上可知,在高定位精度的需求下,本申请技术方案提出一种在复杂的多径和大量NLOS情况下获得较好的定位性能的定位技术,如基于机器学习、预处理模型、误差模型的定位技术等。具体而言,网络侧可以通过广播或者单播方式播发误差模型信息、预处理模型信息和机器学习模型信息中的至少之一,通信设备侧根据上述信息进行位置测量或计算。可选的,通信设备侧上报相应的补偿参数、位置信息或者测量信息等给网络侧,网络侧通过通信设备侧上报的信息进行模型优化,并更新模型及相关参数,或者基于相应的测量信息实现对终端设备的定位等。
参见图2所示,本申请实施例提供一种定位方法,由网络设备执行,可选的,该网络设备可以为基站,也可以为核心网设备(比如LMF实体)。其中,所述方法包括以下流程步骤:
步骤201:向通信设备发送第一信息,所述第一信息包括:第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个。
其中,所述第一信息用于供所述通信设备确定与终端设备的位置相关的信息。
可选地,在所述网络设备为核心网设备(如LMF实体)的情况下,所述向通信设备发送第一信息,可以是LMF基于定位协议LPP通过单播的方式给终端设备发送第一信息,也可以是LMF基于新空口定位协议NRPPa通过单播的方式给基站发送第一信息。
在所述网络设备为基站的情况下,所述向通信设备发送第一信息,可以是基站通过位置系统信息块posSIB将第一信息通过广播的方式发送给终端设备。
在本申请实施例中,可以通过为通信设备提供预先配置的第一信息,供其确定与终端设备的位置相关的信息,以进一步实现对终端设备的定位,其中,该第一信息包括但不限于第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个。如此,通过提供一种基于机器学习模型、预处理模型和误差模型等训练模型中的至少一个的定位方案,可以有效地解决多径问题和NLOS问题,从而提高定位精度。
可选的,上述第一机器学习模型信息包括但不限于:机器学习或神经网络或深度神经网络模型以及机器学习或神经网络或深度神经网络模型的参数。
其中,上述机器学习或神经网络或深度神经网络模型包括但不限于:卷积神经网络CNN,如googlenet,AlexNet;递归神经网络RNN及LSTM;递归张量神经网络RNTN;生成对抗网络GAN;深度置信网络DBN;受限玻尔兹曼机RBM等。上述机器学习或神经网络或深度神经网络模型的参数,包括但不限于权值,步长,均值和方差等。
可选的,上述第一预处理模型信息包括但不限于以下至少之一:滤波器参数或模型;卷积层参数或模型;池化层参数或模型;离散余弦变换DCT变换参数或模型;小波变换参数或模型;冲击信道处理方法的参数或模型;波形处理方法的参数或模型;信号相关序列处理方法的参数或模型。其中,这里的模型可以指函数模型、网络模型、降采样模型、图像化模型等;这里的参数可以指权值、步长、均值和方差等。
可选的,上述第一误差模型信息包括但不限于:第二误差模型信息和第三误差模型信息中的至少一个。
其中,所述第二误差模型信息包括但不限于:位置误差补偿信息、测量误差补偿信息、设备误差补偿信息和参数调整信息中的至少一个。如此,基于该第二误差模型信息可以对定位结果、测量结果、设备带来的误差或参数误差进行误差补偿。
所述第三误差模型信息包括:机器学习模型补偿信息、预处理模型补偿信息、位置误差模型补偿信息、测量误差模型补偿信息、设备误差模型补偿信息和参数调整模型补偿信息中的至少一个。如此,基于该第三误差模型信息可以对上述模型或其参数进行误差补偿或调整。
可选的,上述向通信设备发送第一信息的方式可以包括但不限于:
(1)所述第一信息携带在定位辅助数据信元中。可以理解,该第一信息可以携带在定位辅助数据信元(ProvideAssistanceData IE)中进行发送。也就是说,可以由核心网设备(如LMF)通过单播的方式将该第一信息发送至通信设备。
(2)所述第一信息携带在位置系统信息块posSIB中。可以理解,该第一信息可以携带在位置系统信息块posSIB中进行发送。也就是说,可以由基站通过广播的方式将该第一信息发送至通信设备。
其中,上述posSIB为小区专用(cell specific)posSIB或区域专用(areaspecific)posSIB。也就是说,通过广播的方式发送的第一信息,可以是在一个小区范围内广播,也可以是在一片区域范围内广播。
可选的,在本申请实施例的定位方法中,上述第一信息具体用于供所述通信设备根据所述终端设备的第一测量信息,确定所述与终端设备的位置相关的信息,其中,所述第一测量信息由所述通信设备基于信号进测量得到。
可以理解,当基于上述第一信息确定与终端设备的位置相关的信息时,可选的可以结合终端设备的第一测量信息进行确定,以进一步提高对终端设备的定位精度。其中,该终端设备的第一测量信息可以包括但不限于:由终端设备基于信号测量得到的该终端设备的第一测量信息和由接入网设备基于信号测量得到的该终端设备的第一测量信息中的至少一个。
可选的,在本申请实施例的定位方法中,上述第一测量信息包括但不限于以下中的至少一个:
所述终端设备的信道冲击响应;所述终端设备的信号波形;所述终端设备的相关序列或波形;所述终端设备的信号测量结果,该信号测量结果包括但不限于基于E-CID、OTDOA、NR-ECID、Multi-RTT、DL-AOD、DL-TDOA、UL-AOA、UL-TDOA等定位方法得到的信号测量结果。
可选的,在本申请实施例的定位方法中,上述与终端设备的位置相关的信息包括但不限于以下至少之一:
(1)终端设备的定位结果信息。该定位结果信息可以为根据相应的测量信息(比如上述第一测量信息等)进行位置计算得到的终端设备的具体位置。
在一个示例中,若上述第一信息包括第一机器学习模型信息,则上述终端设备的定位结果信息可以包括:根据所述第一机器学习模型信息和所述第一测量信息确定的终端位置信息。
可以理解,基于上述第一机器学习模型信息和第一测量信息可以进行相应的位置计算,准确地得到终端设备的具体位置。举例来说,该第一机器学习模型信息可以包括用于实现位置计算的机器学习或神经网络或深度神经网络模型,如此,则可以将该第一测量信息作为该机器学习或神经网络或深度神经网络模型的输入,经模型预估计算后即可输出终端位置信息。可选的,该机器学习或神经网络或深度神经网络模型可以基于经过实地的信号采集得到某一区域内大量的训练数据预先训练得到,其中,训练数据包括但不限于:信道冲击响应、RSRP、终端实际位置等。
在另一个示例中,若上述第一信息包括第一误差模型信息,则上述终端设备的定位结果信息还可以包括:根据所述第一误差模型信息进行误差补偿后的所述终端设备的定位结果信息。如此,通过对定位结果信息进行误差补偿,可以提高定位精度。
可选的,在该示例中,根据第一误差模型信息对终端位置信息进行误差补偿,得到终端设备的定位结果信息。其中,所述终端位置信息可以是基于上述第一机器学习模型信息和第一测量信息确定的终端位置信息,也可以是通过其他方式确定的终端位置信息,在此不作特别限定
(2)基于所述第一测量信息确定的第二测量信息。
可以理解,根据第一信息或者根据第一信息和第一测量信息确定的与终端设备的位置相关的信息除了可以包括终端设备的定位结果信息外,还可以为对第一测量信息进行进一步处理后的第二测量信息。其中,该第二测量信息可以用于终端设备的具体位置的计算。也就是说,在对第一测量信息进行一定的处理后再用于终端设备的定位,可以压缩第一测量信息的大小,降低上报开销,并提高定位精度。
在一个示例中,上述第二测量信息包括:经稀疏化处理、降维化处理或者图像化处理后的所述第一测量信息。可选的,可以使用相应的预处理模型信息(比如上述第一预处理模型信息等)对第一测量信息进行稀疏化处理、降维化处理或者图像化处理等预处理得到该第二测量信息。
可选的,上述第二测量信息包括但不限于以下至少之一:稀疏化的信道冲击响应、图像化的信道冲击响应、多径表示的信道冲击响应、降维的图形化信道冲击响应、稀疏化的信号波形、降采样的信号波形、图像化的信号波形、降维的图像化信道波形、稀疏化的相关序列、降采样的相关序列、多径表示的相关序列、稀疏化的其他信号测量结果、降采样的其他信号测量结果、图像化的其他信号测量结果和降维的图像化其他信号测量结果。
在另一个示例中,上述第二测量信息包括:根据所述第一误差模型信息进行误差补偿后的所述第一测量信息。
可以理解,通过对第一测量信息预先进行误差补偿后再进行对终端设备的位置计算,可以提高定位精度。
在又一个示例中,上述第二测量信息包括:根据第一误差模型信息进行误差补偿后,再经第一预处理模型信息处理的第一测量信息。
可以理解,通过对第一测量信息预先进行误差补偿并经预处理模型处理后再进行对终端设备的位置计算,可以压缩第一测量信息的大小,降低上报开销,并提高定位精度。
(3)基于所述第一机器学习模型信息确定的第二机器学习模型信息。
可以理解,在上述第一信息包括第一机器学习模型信息时,为了提高对终端设备的定位精度,还可以对该第一机器学习模型信息进行优化。
在一个示例中,上述第二机器学习模型信息包括:根据所述第一误差模型信息进行误差补偿后的所述第一机器学习模型信息。
(4)基于所述第一预处理模型信息确定的第二预处理模型信息。
可以理解,在上述第一信息包括第一预处理模型信息时,为了提高对终端设备的定位精度,还可以对该第一预处理模型信息进行优化。
在一个示例中,上述第二预处理模型信息包括:根据所述第一误差模型信息进行误差补偿后的所述第一预处理模型信息。
可选的,在本申请实施例的定位方法中,可以实现不同的获取第三信息的方案,其中,该第三信息可以供网络设备实现对终端设备的位置相关的信息的确定和对第一信息的更新中的至少一个操作。
其中,更新上述第一信息即指实现相关模型及参数的更新。
在一个示例中,上述第三信息可以是由通信设备主动上报的,即本申请实施例的定位方法,还可以包括如下内容:
接收所述通信设备上报的第三信息;根据所述第三信息确定所述与终端设备的位置相关的信息和/或更新所述第一信息。
在另一个示例中,上述第三信息可以是由通信设备基于相应的指示被动上报的,即本申请实施例的定位方法,还可以包括如下内容:
向所述通信设备发送第二信息,所述第二信息用于指示所述通信设备是否上报第三信息。
可选地,在所述网络设备为核心网设备(如LMF实体)的情况下,所述向通信设备发送第二信息,可以是LMF基于定位协议LPP通过单播的方式给终端设备发送第二信息,也可以是LMF基于新空口定位协议NRPPa通过单播的方式给基站发送第二信息。
在所述网络设备为基站的情况下,所述向通信设备发送第二信息,可以是基站通过位置系统信息块posSIB将第二信息通过广播的方式发送给终端设备。
可选的,上述向通信设备发送第二信息的方式可以包括但不限于:
(1)所述第二信息携带在定位辅助数据信元中。可以理解,该第二信息可以携带在定位辅助数据信元(ProvideAssistanceData IE)中进行发送。也就是说,可以由网络设备核心网设备(如LMF)通过单播的方式将该第二信息发送至通信设备。
(2)所述第二信息携带在位置系统信息块posSIB中。可以理解,该第二信息可以携带在位置系统信息块posSIB中进行发送。也就是说,可以由基站通过广播的方式将该第二信息发送至通信设备。
其中,上述posSIB为小区专用(cell specific)posSIB或区域专用(areaspecific)posSIB。也就是说,通过广播的方式发送的第二信息,可以是在一个小区范围内广播,也可以是在一片区域范围内广播。
可选的,上述用于携带第一信息和第二信息中的至少一个的位置系统信息块posSIB的类型可以根据第一信息和第二信息中的至少一个定义posSIB的类型。也就是说,上述posSIB的类型基于所述第一信息和所述第二信息中的至少一个定义。
可选的,该实施例中的位置系统信息块posSIB的类型可以为新定义的类型,如[posSibType4-X]。
进一步可选的,上述第三信息可以包括但不限于以下至少之一:所述与终端设备的位置相关的信息中的至少一个;所述第一测量信息中的至少一个。
进一步可选的,上述第三信息携带在第一信元IE中,其中,所述第一IE包括:基于定位协议LPP的位置信息信元或基于新空口定位协议NRPPa的位置信息信元。
可选的,上述位置信息信元可以是各种定位方法的位置信息信元,包括但不限于:E-CID、OTDOA、NR-ECID、Multi-RTT、DL-AOD、DL-TDOA、UL-AOA、UL-TDOA等定位方法。
在对所述第一信息进行分级加密的情况下,向所述通信设备发送的与所述第一信息的加密等级对应的密钥。
可以理解,通过对第一信息进行分级加密并分配相应的密钥,可以提高信息传输的可靠性和安全性,避免信息泄露,使得接收双方理解一致。可选的,可以基于定位精度要求、负荷大小等实现分级加密。在一个示例中,对可实现定位精度较低、负荷较小的第一信息对应的一组posSIB进行一级加密,相应的分配一级密钥;而对于对可实现定位精度较高、负荷较大的第一信息对应的一组posSIB进行二级加密,相应的分配二级密钥。
由上可知,在高定位精度的需求下,本申请技术方案提出一种在复杂的多径和大量NLOS情况下获得较好的定位性能的定位技术,如基于机器学习、预处理模型、误差模型的定位技术等。具体而言,网络侧可以通过广播或者单播方式播发误差模型信息、预处理模型信息和机器学习模型信息中的至少之一,通信设备侧根据上述信息进行位置测量或计算。可选的,通信设备侧上报相应的补偿参数、位置信息或者测量信息等给网络侧,网络侧通过通信设备侧上报的信息进行模型优化,并更新模型及相关参数,或者基于相应的测量信息实现对终端设备的定位等。
参见图3所示,本申请实施例提供一种通信设备300,该通信设备300包括:接收模块301和定位模块303。
其中,接收模块301,用于接收第一信息,第一信息包括:第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个;定位模块303,用于根据第一信息,确定与终端设备的位置相关的信息。
可选的,在本申请实施例的通信设备300中,上述定位模块303,可以具体用于:
根据第一信息和终端设备的第一测量信息,确定与终端设备的位置相关的信息,第一测量信息基于信号测量得到。
可选的,在本申请实施例的通信设备300中,上述与终端设备的位置相关的信息包括以下至少之一:
终端设备的定位结果信息;基于第一测量信息确定的第二测量信息;基于第一机器学习模型信息确定的第二机器模型信息;基于第一预处理模型信息确定第二预处理模型信息。
可选的,在本申请实施例的通信设备300中,上述终端设备的定位结果信息包括:根据第一机器学习模型信息和第一测量信息确定的终端位置信息。
可选的,在本申请实施例的通信设备300中,上述终端设备的定位结果信息包括:根据第一误差模型信息进行误差补偿后的终端设备的定位结果信息。
可选的,在本申请实施例的通信设备300中,上述第二测量信息包括:经稀疏化处理、降维化处理或者图像化处理后的第一测量信息。
可选的,在本申请实施例的通信设备300中,上述第二测量信息包括:根据第一误差模型信息进行误差补偿后的第一测量信息。
可选的,在本申请实施例的通信设备300中,上述第二测量信息包括:根据第一误差模型信息进行误差补偿后,再经第一预处理模型信息处理后的第一测量信息。
可选的,在本申请实施例的通信设备300中,上述第二机器学习模型信息包括:根据第一误差模型信息进行误差补偿后的第一机器学习模型信息。
可选的,在本申请实施例的通信设备300中,上述第二预处理模型信息包括:根据第一误差模型信息进行误差补偿后的第一预处理模型信息。
可选的,在本申请实施例的通信设备300中,上述第一预处理模型信息包括以下至少之一:
滤波器参数或模型;卷积层参数或模型;池化层参数或模型;离散余弦变换DCT变换参数或模型;小波变换参数或模型;冲击信道处理方法的参数或模型;波形处理方法的参数或模型;信号相关序列处理方法的参数或模型。
可选的,在本申请实施例的通信设备300中,上述第一误差模型信息包括:第二误差模型信息和第三误差模型信息中的至少一个;其中,第二误差模型信息包括:位置误差补偿信息、测量误差补偿信息、设备误差补偿信息和参数调整信息中的至少一个;第三误差模型信息包括:机器学习模型补偿信息、预处理模型补偿信息、位置误差模型补偿信息、测量误差模型补偿信息、设备误差模型补偿信息和参数调整模型补偿信息中的至少一个。
可选的,在本申请实施例的通信设备300中,上述第一测量信息包括以下中的至少一个:
终端设备的信道冲击响应;终端设备的信号波形;终端设备的相关序列或波形;终端设备的信号测量结果。
可选的,本申请实施例的通信设备300,还包括发送模块,可以用于:
向网络设备上报第三信息,第三信息用于供网络设备确定与终端设备的位置相关的信息;和/或用于供所述网络设备更新第一信息。
可选的,在本申请实施例的通信设备300中,上述接收模块301,还可以用于:
接收第二信息,第二信息用于指示是否向网络设备上报第三信息。
可选的,在本申请实施例的通信设备300中,上述第三信息包括以下中的至少一个:
与终端设备的位置相关的信息中的至少一个;第一测量信息中的至少一个。
可选的,在本申请实施例的通信设备300中,上述发送模块,可以具体用于:
将第三信息携带在第一信元IE中,上报至网络设备;其中,第一IE包括:基于定位协议LPP的位置信息信元或基于新空口定位协议NRPPa的位置信息信元。
可选的,在本申请实施例的通信设备300中,上述第一信息和第二信息中的至少一个携带在定位辅助数据信元中。
可选的,在本申请实施例的通信设备300中,上述第一信息和第二信息中的至少一个携带在位置系统信息块posSIB中。
可选的,在本申请实施例的通信设备300中,上述posSIB的类型基于第一信息和第二信息中的至少一个定义。
可选的,在本申请实施例的通信设备300中,上述posSIB为小区专用posSIB或区域专用posSIB。
可选的,在本申请实施例的通信设备300中,上述接收模块301,还可以用于:
在第一信息被分级加密的情况下,接收网络设备发送的与第一信息的加密等级对应的密钥。
能够理解,本申请实施例提供的通信设备300,能够实现前述由通信设备300执行的定位方法,关于定位方法的相关阐述均适用于通信设备300,此处不再赘述。其中,该通信设备300可以为终端设备或接入网设备。
在本申请实施例中,可以根据预先配置的第一信息确定与终端设备的位置相关的信息,以进一步实现对终端设备的定位,其中,该第一信息包括但不限于第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个。如此,通过提供一种基于机器学习模型、预处理模型和误差模型等训练模型中的至少一个的定位方案,可以有效地解决多径问题和NLOS问题,从而提高定位精度。
参见图4所示,本申请实施例提供一种网络设备400,该网络设备400包括:
发送模块401,用于向通信设备发送第一信息,第一信息包括:第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个;其中,第一信息用于供通信设备确定与终端设备的位置相关的信息。
可选的,在本申请实施例的网络设备400中,上述第一信息具体用于供通信设备根据终端设备的第一测量信息,确定与终端设备的位置相关的信息,其中,第一测量信息由通信设备基于信号进测量得到。
可选的,在本申请实施例的网络设备400中,上述与终端设备的位置相关的信息包括以下至少之一:
终端设备的定位结果信息;基于第一测量信息确定的第二测量信息;基于第一机器学习模型信息确定的第二机器模型信息;基于第一预处理模型信息确定的第二预处理模型信息。
可选的,在本申请实施例的网络设备400中,上述终端设备的定位结果信息包括:根据第一机器学习模型信息和第一测量信息确定的终端位置信息。
可选的,在本申请实施例的网络设备400中,上述终端设备的定位结果信息包括:根据第一误差模型信息进行误差补偿后的终端设备的定位结果信息。
可选的,在本申请实施例的网络设备400中,上述第二测量信息包括:经稀疏化处理、降维化处理或者图像化处理后的第一测量信息。
可选的,在本申请实施例的网络设备400中,上述第二测量信息包括:根据第一误差模型信息进行误差补偿后的第一测量信息。
可选的,在本申请实施例的网络设备400中,上述第二测量信息包括:根据第一误差模型信息进行误差补偿后,再经第一预处理模型信息处理后的第一测量信息。
可选的,在本申请实施例的网络设备400中,上述第二机器学习模型信息包括:根据第一误差模型信息进行误差补偿后的第一机器学习模型信息。
可选的,在本申请实施例的网络设备400中,上述第二预处理模型信息包括:根据第一误差模型信息进行误差补偿后的第一预处理模型信息。
可选的,在本申请实施例的网络设备400中,上述第一预处理模型信息包括以下至少之一:
滤波器参数或模型;卷积层参数或模型;池化层参数或模型;离散余弦变换DCT变换参数或模型;小波变换参数或模型;冲击信道处理方法的参数或模型;波形处理方法的参数或模型;信号相关序列处理方法的参数或模型。
可选的,在本申请实施例的网络设备400中,上述第一误差模型信息包括:第二误差模型信息和第三误差模型信息中的至少一个;
其中,第二误差模型信息包括:位置误差补偿信息、测量误差补偿信息、设备误差补偿信息和参数调整信息中的至少一个;第三误差模型信息包括:机器学习模型补偿信息、预处理模型补偿信息、位置误差模型补偿信息、测量误差模型补偿信息、设备误差模型补偿信息和参数调整模型补偿信息中的至少一个。
可选的,在本申请实施例的网络设备400中,上述第一测量信息包括以下中的至少一个:终端设备的信道冲击响应;终端设备的信号波形;终端设备的相关序列或波形;终端设备的信号测量结果。
可选的,本申请实施例的网络设备400,还包括:接收模块和处理模块。
其中,上述接收模块用于接收通信设备上报的第三信息;上述处理模块用于根据第三信息确定与终端设备的位置相关的信息和/或更新第一信息。
可选的,在本申请实施例的网络设备400中,上述发送模块401,还可以用于:
向通信设备发送第二信息,第二信息用于指示通信设备是否上报第三信息。
可选的,在本申请实施例的网络设备400中,上述第三信息包括以下中的至少一个:
与终端设备的位置相关的信息中的至少一个;第一测量信息中的至少一个。
可选的,在本申请实施例的网络设备400中,上述第三信息携带在第一信元IE中,其中,第一IE包括:基于定位协议LPP的位置信息信元或基于新空口定位协议NRPPa的位置信息信元。
可选的,在本申请实施例的网络设备400中,第一信息和第二信息中的至少一个携带在定位辅助数据信元中。
可选的,在本申请实施例的网络设备400中,第一信息和第二信息中的至少一个携带在位置系统信息块posSIB中。
可选的,在本申请实施例的网络设备400中,posSIB的类型基于第一信息和第二信息中的至少一个定义。
可选的,在本申请实施例的通信设备300中,上述posSIB为小区专用posSIB或区域专用posSIB。
可选的,在本申请实施例的网络设备400中,上述发送模块401,还可以用于:
在对第一信息进行分级加密的情况下,向通信设备发送的与第一信息的加密等级对应的密钥。
能够理解,本申请实施例提供的网络设备400,能够实现前述由网络设备400执行的定位方法,关于定位方法的相关阐述均适用于网络设备400,此处不再赘述。其中,该网络设备400可以为核心网设备。
在本申请实施例中,可以通过为通信设备提供预先配置的第一信息,供其确定与终端设备的位置相关的信息,以进一步实现对终端设备的定位,其中,该第一信息包括但不限于第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个。如此,通过提供一种基于机器学习模型、预处理模型和误差模型等训练模型中的至少一个的定位方案,可以有效地解决多径问题和NLOS问题,从而提高定位精度。
图5是本申请另一个实施例的终端设备的框图。图5所示的终端设备500包括:至少一个处理器501、存储器502、至少一个网络接口504和用户接口503。终端设备500中的各个组件通过总线系统505耦合在一起。可理解,总线系统505用于实现这些组件之间的连接通信。总线系统505除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图5中将各种总线都标为总线系统505。
其中,用户接口503可以包括显示器、键盘或者点击设备(例如,鼠标,轨迹球(trackball)、触感板或者触摸屏等。
可以理解,本申请实施例中的存储器502可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本申请实施例描述的系统和方法的存储器502旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中,存储器502存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:操作系统5021和应用程序5022。
其中,操作系统5021,包含各种系统程序或指令,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序或指令5022,包含各种应用程序或指令,例如媒体播放器(Media Player)、浏览器(Browser)等,用于实现各种应用业务。实现本申请实施例方法的程序或指令可以包含在应用程序或指令5022中。
在本申请实施例中,终端设备500还包括:存储在存储器上502并可在处理器501上运行的程序或指令,该程序或指令被处理器501执行时实现如下步骤:
接收第一信息,第一信息包括:第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个;根据第一信息,确定与终端设备的位置相关的信息。
在本申请实施例中,可以根据预先配置的第一信息确定与终端设备的位置相关的信息,以进一步实现对终端设备的定位,其中,该第一信息包括但不限于第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个。如此,通过提供一种基于机器学习模型、预处理模型和误差模型等训练模型中的至少一个的定位方案,可以有效地解决多径问题和NLOS问题,从而提高定位精度。
上述本申请实施例揭示的方法可以应用于处理器501中,或者由处理器501实现。处理器501可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器501中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器501可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的可读存储介质中。该可读存储介质位于存储器502,处理器501读取存储器502中的信息,结合其硬件完成上述方法的步骤。具体地,该可读存储介质上存储有程序或指令,所述程序或指令被处理器501执行时实现如上述定位方法实施例的各步骤。
可以理解的是,本申请实施例描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(Application Specific Integrated Circuits,ASIC)、数字信号处理器(Digital SignalProcessing,DSP)、数字信号处理设备(DSP Device,DSPD)、可编程逻辑设备(ProgrammableLogic Device,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本申请实施例所述功能的模块(例如过程、函数等)来实现本申请实施例所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
终端设备500能够实现前述实施例中终端设备实现的各个过程,为避免重复,这里不再赘述。
请参阅图6,图6是本申请实施例应用的网络设备的结构图,网络设备600可以为基站或者LMF,在网络设备600为基站的情况下,能够实现权利要求1-21所对应的方法实施例步骤的细节,或者能够实现权利要求22-42所对应的方法实施例步骤的细节,并达到相同的效果。在网络设备600为LMF的情况下,能够实现权利要求22-42所对应的方法实施例步骤的细节,并达到相同的效果。如图6所示,网络设备600包括:处理器601、收发机602、存储器603、用户接口604和总线接口605,其中:
在本申请实施例中,网络设备600还包括:存储在存储器603上并可在处理器601上运行的程序或指令。
在网络设备600为基站的情况下,上述程序或指令被处理器601执行时,能够实现如下步骤:
接收第一信息,第一信息包括:第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个;根据第一信息,确定与终端设备的位置相关的信息。
在本申请实施例中,可以根据预先配置的第一信息确定与终端设备的位置相关的信息,其中,该第一信息包括但不限于第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个。如此,通过提供一种基于机器学习模型、预处理模型和误差模型等训练模型中的至少一个的定位方案,可以有效地解决多径问题和NLOS问题,从而提高定位精度。
或者,在网络设备600为基站或核心网设备(如LMF)的情况下,上述程序或指令被处理器601执行时,能够实现如下步骤:
向通信设备发送第一信息,第一信息包括:第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个;其中,第一信息用于供通信设备确定与终端设备的位置相关的信息。
在本申请实施例中,可以通过为通信设备提供预先配置的第一信息,供其确定与终端设备的位置相关的信息,以进一步实现对终端设备的定位,其中,该第一信息包括但不限于第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个。如此,通过提供一种基于机器学模型、预处理模型和误差模型等训练模型中的至少一个的定位方案,可以有效地解决多径问题和NLOS问题,从而提高定位精度。
在图6中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器601代表的一个或多个处理器和存储器603代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口605提供接口。收发机602可以是多个元件,即包括发送机和接收机,提供用于在传输介质上与各种其他装置通信的单元。针对不同的用户设备,用户接口604还可以是能够外接内接需要设备的接口,连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器601负责管理总线架构和通常的处理,存储器603可以存储处理器601在执行操作时所使用的数据。
本申请实施例还提供一种可读存储介质,该可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述应用于通信设备的定位方法实施例,和/或应用于网络设备的定位方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (47)
1.一种定位方法,应用于通信设备,其特征在于,所述方法包括:
接收第一信息,所述第一信息包括:第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个;
根据所述第一信息,确定与终端设备的位置相关的信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一信息,确定与终端设备的位置相关的信息,包括:
根据所述第一信息和所述终端设备的第一测量信息,确定所述与终端设备的位置相关的信息;其中,所述第一测量信息基于信号测量得到。
3.根据权利要求2所述的方法,其特征在于,所述与终端设备的位置相关的信息包括以下至少之一:
所述终端设备的定位结果信息;
基于所述第一测量信息确定的第二测量信息;
基于所述第一机器学习模型信息确定的第二机器模型信息;
基于所述第一预处理模型信息确定的第二预处理模型信息。
4.根据权利要求3所述的方法,其特征在于,所述终端设备的定位结果信息包括:根据所述第一机器学习模型信息和所述第一测量信息确定的终端位置信息。
5.根据权利要求3所述的方法,其特征在于,所述终端设备的定位结果信息包括:根据所述第一误差模型信息进行误差补偿后的所述终端设备的定位结果信息。
6.根据权利要求3所述的方法,其特征在于,所述第二测量信息包括:经稀疏化处理、降维化处理或者图像化处理后的所述第一测量信息。
7.根据权利要求3所述的方法,其特征在于,所述第二测量信息包括:根据所述第一误差模型信息进行误差补偿后的所述第一测量信息。
8.根据权利要求3所述的方法,其特征在于,所述第二机器学习模型信息包括:根据所述第一误差模型信息进行误差补偿后的所述第一机器学习模型信息。
9.根据权利要求3所述的方法,其特征在于,所述第二预处理模型信息包括:根据所述第一误差模型信息进行误差补偿后的所述第一预处理模型信息。
10.根据权利要求1所述的方法,其特征在于,所述第一预处理模型信息包括以下至少之一:
滤波器参数或模型;
卷积层参数或模型;
池化层参数或模型;
离散余弦变换DCT变换参数或模型;
小波变换参数或模型;
冲击信道处理方法的参数或模型;
波形处理方法的参数或模型;
信号相关序列处理方法的参数或模型。
11.根据权利要求1所述的方法,其特征在于,所述第一误差模型信息包括:第二误差模型信息和第三误差模型信息中的至少一个;
其中,所述第二误差模型信息包括:位置误差补偿信息、测量误差补偿信息、设备误差补偿信息和参数调整信息中的至少一个;
所述第三误差模型信息包括:机器学习模型补偿信息、预处理模型补偿信息、位置误差模型补偿信息、测量误差模型补偿信息、设备误差模型补偿信息和参数调整模型补偿信息中的至少一个。
12.根据权利要求2所述的方法,其特征在于,所述第一测量信息包括以下中的至少一个:
所述终端设备的信道冲击响应;
所述终端设备的信号波形;
所述终端设备的相关序列或波形;
所述终端设备的信号测量结果。
13.根据权利要求2所述的方法,其特征在于,所述方法还包括:
向所述网络设备上报第三信息,
所述第三信息用于供所述网络设备确定所述与终端设备的位置相关的信息;
和/或,用于供所述网络设备更新所述第一信息。
14.根据权利要求2所述的方法,其特征在于,所述方法还包括:
接收第二信息,所述第二信息用于指示是否向所述网络设备上报第三信息。
15.根据权利要求13或14所述的方法,其特征在于,所述第三信息包括以下中的至少一个:
所述与终端设备的位置相关的信息中的至少一个;
所述第一测量信息中的至少一个。
16.根据权利要求13或14所述的方法,其特征在于,所述向所述网络设备上报第三信息,包括:
将所述第三信息携带在第一信元IE中,上报至所述网络设备;
其中,所述第一IE包括:基于定位协议LPP的位置信息信元或基于新空口定位协议NRPPa的位置信息信元。
17.根据权利要求14所述的方法,其特征在于,所述第一信息和第二信息中的至少一个携带在定位辅助数据信元中。
18.根据权利要求14所述的方法,其特征在于,所述第一信息和所述第二信息中的至少一个携带在位置系统信息块posSIB中。
19.根据权利要求18所述的方法,其特征在于,所述posSIB的类型基于所述第一信息和所述第二信息中的至少一个定义。
20.根据权利要求18所述的方法,其特征在于,所述posSIB为小区专用posSIB或区域专用posSIB。
21.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述第一信息被分级加密的情况下,接收所述网络设备发送的与所述第一信息的加密等级对应的密钥。
22.一种定位方法,应用于网络设备,其特征在于,所述方法包括:
向通信设备发送第一信息,所述第一信息包括:第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个;
其中,所述第一信息用于供所述通信设备确定与终端设备的位置相关的信息。
23.根据权利要求22所述的方法,其特征在于,所述第一信息具体用于供所述通信设备根据所述终端设备的第一测量信息,确定所述与终端设备的位置相关的信息,其中,所述第一测量信息由所述通信设备基于信号测量得到。
24.根据权利要求23所述的方法,其特征在于,所述与终端设备的位置相关的信息包括以下至少之一:
所述终端设备的定位结果信息;
基于所述第一测量信息确定的第二测量信息;
基于所述第一机器学习模型信息确定的第二机器模型信息;
基于所述第一预处理模型信息确定的第二预处理模型信息。
25.根据权利要求24所述的方法,其特征在于,所述终端设备的定位结果信息包括:根据所述第一机器学习模型信息和所述第一测量信息确定的终端位置信息。
26.根据权利要求24所述的方法,其特征在于,所述终端设备的定位结果信息包括:根据所述第一误差模型信息进行误差补偿后的所述终端设备的定位结果信息。
27.根据权利要求24所述的方法,其特征在于,所述第二测量信息包括:经稀疏化处理、降维化处理或者图像化处理后的所述第一测量信息。
28.根据权利要求24所述的方法,其特征在于,所述第二测量信息包括:根据所述第一误差模型信息进行误差补偿后的所述第一测量信息。
29.根据权利要求24所述的方法,其特征在于,所述第二机器学习模型信息包括:根据所述第一误差模型信息进行误差补偿后的所述第一机器学习模型信息。
30.根据权利要求24所述的方法,其特征在于,所述第二预处理模型信息包括:根据所述第一误差模型信息进行误差补偿后的所述第一预处理模型信息。
31.根据权利要求22所述的方法,其特征在于,所述第一预处理模型信息包括以下至少之一:
滤波器参数或模型;
卷积层参数或模型;
池化层参数或模型;
离散余弦变换DCT变换参数或模型;
小波变换参数或模型;
冲击信道处理方法的参数或模型;
波形处理方法的参数或模型;
信号相关序列处理方法的参数或模型。
32.根据权利要求22所述的方法,其特征在于,所述第一误差模型信息包括:第二误差模型信息和第三误差模型信息中的至少一个;
其中,所述第二误差模型信息包括:位置误差补偿信息、测量误差补偿信息、设备误差补偿信息和参数调整信息中的至少一个;
所述第三误差模型信息包括:机器学习模型补偿信息、预处理模型补偿信息、位置误差模型补偿信息、测量误差模型补偿信息、设备误差模型补偿信息和参数调整模型补偿信息中的至少一个。
33.根据权利要求23所述的方法,其特征在于,所述第一测量信息包括以下中的至少一个:
所述终端设备的信道冲击响应;
所述终端设备的信号波形;
所述终端设备的相关序列或波形;
所述终端设备的信号测量结果。
34.根据权利要求23所述的方法,其特征在于,所述方法还包括:
接收所述通信设备上报的第三信息;
根据所述第三信息确定所述与终端设备的位置相关的信息和/或更新所述第一信息。
35.根据权利要求23所述的方法,其特征在于,所述方法还包括:
向所述通信设备发送第二信息,所述第二信息用于指示所述通信设备是否上报第三信息。
36.根据权利要求34或35所述的方法,其特征在于,所述第三信息包括以下中的至少一个:
所述与终端设备的位置相关的信息中的至少一个;
所述第一测量信息中的至少一个。
37.根据权利要求34或35所述的方法,其特征在于,所述第三信息携带在第一信元IE中,其中,所述第一IE包括:基于定位协议LPP的位置信息信元或基于新空口定位协议NRPPa的位置信息信元。
38.根据权利要求35所述的方法,其特征在于,所述第一信息和所述第二信息中的至少一个携带在定位辅助数据信元中。
39.根据权利要求35所述的方法,其特征在于,所述第一信息和所述第二信息中的至少一个携带在位置系统信息块posSIB中。
40.根据权利要求39所述的方法,其特征在于,所述posSIB的类型基于所述第一信息和所述第二信息中的至少一个定义。
41.根据权利要求39所述的方法,其特征在于,所述posSIB为小区专用posSIB或区域专用posSIB。
42.根据权利要求22所述的方法,其特征在于,所述方法还包括:
在对所述第一信息进行分级加密的情况下,向所述通信设备发送的与所述第一信息的加密等级对应的密钥。
43.一种通信设备,其特征在于,包括:
接收模块,用于接收第一信息,所述第一信息包括:第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个;
定位模块,用于根据所述第一信息,确定与终端设备的位置相关的信息。
44.一种网络设备,其特征在于,包括:
发送模块,用于向通信设备发送第一信息,所述第一信息包括:第一机器学习模型信息、第一预处理模型信息和第一误差模型信息中的至少一个;
其中,所述第一信息用于供所述通信设备确定与终端设备的位置相关的信息。
45.一种终端设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至21中任一项所述的方法的步骤。
46.一种网络设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至21中任一项所述的方法的步骤,或者所述程序或指令被所述处理器执行时实现如权利要求22至42中任一项所述的方法的步骤。
47.一种可读存储介质,其特征在于,所述可读存储介质上存储有程序或指令或指令,所述程序或指令被处理器执行时实现如权利要求1至21中任一项所述的方法的步骤,或者所述程序或指令被处理器执行时实现如权利要求22至42中任一项所述的方法的步骤。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010323445.9A CN113543305A (zh) | 2020-04-22 | 2020-04-22 | 定位方法、通信设备和网络设备 |
PCT/CN2021/088366 WO2021213376A1 (zh) | 2020-04-22 | 2021-04-20 | 定位方法、通信设备和网络设备 |
EP21792944.7A EP4142384A4 (en) | 2020-04-22 | 2021-04-20 | POSITIONING METHOD, COMMUNICATION DEVICE AND NETWORK DEVICE |
KR1020227040241A KR20230002832A (ko) | 2020-04-22 | 2021-04-20 | 측위 방법, 통신 장비 및 네트워크 장비 |
US17/969,842 US20230043111A1 (en) | 2020-04-22 | 2022-10-20 | Positioning method, communications device, and network device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010323445.9A CN113543305A (zh) | 2020-04-22 | 2020-04-22 | 定位方法、通信设备和网络设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113543305A true CN113543305A (zh) | 2021-10-22 |
Family
ID=78124115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010323445.9A Pending CN113543305A (zh) | 2020-04-22 | 2020-04-22 | 定位方法、通信设备和网络设备 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230043111A1 (zh) |
EP (1) | EP4142384A4 (zh) |
KR (1) | KR20230002832A (zh) |
CN (1) | CN113543305A (zh) |
WO (1) | WO2021213376A1 (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114189889A (zh) * | 2021-12-03 | 2022-03-15 | 中国信息通信研究院 | 一种无线通信人工智能处理方法和设备 |
WO2023088396A1 (zh) * | 2021-11-18 | 2023-05-25 | 华为技术有限公司 | 通信方法及装置 |
WO2023098661A1 (zh) * | 2021-11-30 | 2023-06-08 | 维沃移动通信有限公司 | 定位方法及通信设备 |
WO2023098662A1 (zh) * | 2021-11-30 | 2023-06-08 | 维沃移动通信有限公司 | 定位方法及通信设备 |
WO2023116658A1 (zh) * | 2021-12-20 | 2023-06-29 | 中兴通讯股份有限公司 | 一种定位模式获取方法、电子设备和存储介质 |
WO2023151657A1 (zh) * | 2022-02-10 | 2023-08-17 | 维沃移动通信有限公司 | 信息处理方法及通信设备 |
WO2023184112A1 (en) * | 2022-03-28 | 2023-10-05 | Nec Corporation | Methods, devices, and computer readable medium for communication |
WO2023185865A1 (zh) * | 2022-03-29 | 2023-10-05 | 维沃移动通信有限公司 | 模型有效性反馈方法、装置、终端及网络侧设备 |
WO2023206545A1 (en) * | 2022-04-29 | 2023-11-02 | Nec Corporation | Methods, devices, and medium for communication |
WO2024027576A1 (zh) * | 2022-08-03 | 2024-02-08 | 维沃移动通信有限公司 | 一种ai网络模型的性能监督方法、装置和通信设备 |
WO2024065697A1 (zh) * | 2022-09-30 | 2024-04-04 | Oppo广东移动通信有限公司 | 模型监测的方法、终端设备和网络设备 |
WO2024130709A1 (zh) * | 2022-12-23 | 2024-06-27 | Oppo广东移动通信有限公司 | 模型更新的方法和设备 |
WO2024138739A1 (zh) * | 2022-12-30 | 2024-07-04 | Oppo广东移动通信有限公司 | 获取标签信息的方法及装置、设备、存储介质 |
WO2024148523A1 (zh) * | 2023-01-10 | 2024-07-18 | 富士通株式会社 | 信息交互方法以及装置 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116567806A (zh) * | 2022-01-29 | 2023-08-08 | 维沃移动通信有限公司 | 基于人工智能ai模型的定位方法及通信设备 |
WO2023201549A1 (zh) * | 2022-04-19 | 2023-10-26 | Oppo广东移动通信有限公司 | 定位方法、模型生成方法及设备 |
CN117296402A (zh) * | 2022-04-25 | 2023-12-26 | 北京小米移动软件有限公司 | 辅助信息接收、发送方法和装置、通信装置及存储介质 |
WO2023211604A1 (en) * | 2022-04-29 | 2023-11-02 | Qualcomm Incorporated | Machine learning model positioning performance monitoring and reporting |
CN117440311A (zh) * | 2022-07-14 | 2024-01-23 | 北京三星通信技术研究有限公司 | 由第一节点执行的方法及相关设备 |
WO2024017516A1 (en) * | 2022-07-20 | 2024-01-25 | Nokia Technologies Oy | Bandwidth and/or scenario based feature selection |
WO2024020747A1 (zh) * | 2022-07-25 | 2024-02-01 | 北京小米移动软件有限公司 | 一种模型的生成方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104396321A (zh) * | 2012-11-07 | 2015-03-04 | 华为技术有限公司 | 终端定位方法及定位装置 |
CN108414974A (zh) * | 2018-01-26 | 2018-08-17 | 西北工业大学 | 一种基于测距误差矫正的室内定位方法 |
CN109696698A (zh) * | 2019-03-05 | 2019-04-30 | 湖南国科微电子股份有限公司 | 导航定位预测方法、装置、电子设备及存储介质 |
CN109764876A (zh) * | 2019-02-21 | 2019-05-17 | 北京大学 | 无人平台的多模态融合定位方法 |
CN109951855A (zh) * | 2019-01-18 | 2019-06-28 | 清华大学 | 利用非视距状态空间相关性的定位方法及装置 |
CN110225460A (zh) * | 2019-06-05 | 2019-09-10 | 三维通信股份有限公司 | 一种基于深度神经网络的室内定位方法及装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104640073B (zh) * | 2015-02-09 | 2018-07-24 | 江南大学 | 一种基于逆向同步感知的wifi无线定位方法及系统 |
US10373077B2 (en) * | 2015-10-13 | 2019-08-06 | Athena Vision, Llc | Accurately determining real time parameters describing vehicle motion based on multiple data sources |
CN106658422B (zh) * | 2017-01-09 | 2019-09-10 | 深圳市智开科技有限公司 | 针对高度稀疏WiFi数据的网络侧定位方法与系统 |
CN106851821B (zh) * | 2017-03-16 | 2020-09-18 | 重庆邮电大学 | 一种基于无线通信基站的室内三维定位方法 |
CN107659893B (zh) * | 2017-11-08 | 2020-04-17 | 北京邮电大学 | 一种误差补偿方法、装置、电子设备及可读存储介质 |
CN110022523B (zh) * | 2018-01-05 | 2022-04-12 | 华为技术有限公司 | 用于终端设备定位的方法、装置及系统 |
US11546001B2 (en) * | 2018-02-08 | 2023-01-03 | Raytheon Company | Preprocessor for device navigation |
US11604287B2 (en) * | 2018-08-09 | 2023-03-14 | Apple Inc. | Machine learning assisted satellite based positioning |
CN110632554A (zh) * | 2019-09-20 | 2019-12-31 | 深圳前海微众银行股份有限公司 | 基于联邦学习的室内定位方法、装置、终端设备及介质 |
-
2020
- 2020-04-22 CN CN202010323445.9A patent/CN113543305A/zh active Pending
-
2021
- 2021-04-20 EP EP21792944.7A patent/EP4142384A4/en active Pending
- 2021-04-20 KR KR1020227040241A patent/KR20230002832A/ko active Search and Examination
- 2021-04-20 WO PCT/CN2021/088366 patent/WO2021213376A1/zh unknown
-
2022
- 2022-10-20 US US17/969,842 patent/US20230043111A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104396321A (zh) * | 2012-11-07 | 2015-03-04 | 华为技术有限公司 | 终端定位方法及定位装置 |
CN108414974A (zh) * | 2018-01-26 | 2018-08-17 | 西北工业大学 | 一种基于测距误差矫正的室内定位方法 |
CN109951855A (zh) * | 2019-01-18 | 2019-06-28 | 清华大学 | 利用非视距状态空间相关性的定位方法及装置 |
CN109764876A (zh) * | 2019-02-21 | 2019-05-17 | 北京大学 | 无人平台的多模态融合定位方法 |
CN109696698A (zh) * | 2019-03-05 | 2019-04-30 | 湖南国科微电子股份有限公司 | 导航定位预测方法、装置、电子设备及存储介质 |
CN110225460A (zh) * | 2019-06-05 | 2019-09-10 | 三维通信股份有限公司 | 一种基于深度神经网络的室内定位方法及装置 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023088396A1 (zh) * | 2021-11-18 | 2023-05-25 | 华为技术有限公司 | 通信方法及装置 |
WO2023098661A1 (zh) * | 2021-11-30 | 2023-06-08 | 维沃移动通信有限公司 | 定位方法及通信设备 |
WO2023098662A1 (zh) * | 2021-11-30 | 2023-06-08 | 维沃移动通信有限公司 | 定位方法及通信设备 |
CN114189889A (zh) * | 2021-12-03 | 2022-03-15 | 中国信息通信研究院 | 一种无线通信人工智能处理方法和设备 |
WO2023116658A1 (zh) * | 2021-12-20 | 2023-06-29 | 中兴通讯股份有限公司 | 一种定位模式获取方法、电子设备和存储介质 |
WO2023151657A1 (zh) * | 2022-02-10 | 2023-08-17 | 维沃移动通信有限公司 | 信息处理方法及通信设备 |
WO2023184112A1 (en) * | 2022-03-28 | 2023-10-05 | Nec Corporation | Methods, devices, and computer readable medium for communication |
WO2023185865A1 (zh) * | 2022-03-29 | 2023-10-05 | 维沃移动通信有限公司 | 模型有效性反馈方法、装置、终端及网络侧设备 |
WO2023206545A1 (en) * | 2022-04-29 | 2023-11-02 | Nec Corporation | Methods, devices, and medium for communication |
WO2024027576A1 (zh) * | 2022-08-03 | 2024-02-08 | 维沃移动通信有限公司 | 一种ai网络模型的性能监督方法、装置和通信设备 |
WO2024065697A1 (zh) * | 2022-09-30 | 2024-04-04 | Oppo广东移动通信有限公司 | 模型监测的方法、终端设备和网络设备 |
WO2024130709A1 (zh) * | 2022-12-23 | 2024-06-27 | Oppo广东移动通信有限公司 | 模型更新的方法和设备 |
WO2024138739A1 (zh) * | 2022-12-30 | 2024-07-04 | Oppo广东移动通信有限公司 | 获取标签信息的方法及装置、设备、存储介质 |
WO2024148523A1 (zh) * | 2023-01-10 | 2024-07-18 | 富士通株式会社 | 信息交互方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2021213376A1 (zh) | 2021-10-28 |
US20230043111A1 (en) | 2023-02-09 |
EP4142384A4 (en) | 2023-09-20 |
EP4142384A1 (en) | 2023-03-01 |
KR20230002832A (ko) | 2023-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113543305A (zh) | 定位方法、通信设备和网络设备 | |
US20230180172A1 (en) | Positioning method and device | |
WO2021008581A1 (zh) | 用于定位的方法和通信装置 | |
US7742776B2 (en) | Method for locating mobile terminals, system and components therefor | |
CN108370551B (zh) | 基于到达时间差定位方法、用户设备及网络设备 | |
US20210219104A1 (en) | Positioning method and apparatus | |
US8433250B2 (en) | Estimating whether a wireless terminal is indoors using pattern classification | |
JP6623282B2 (ja) | 差別化された測位 | |
US20170318556A1 (en) | Method and Device for Enhancing Positioning | |
CN104168650A (zh) | 基于动态无线接入点的室内定位方法 | |
CN113316164B (zh) | 信息传输方法及装置 | |
US20230100877A1 (en) | Information transmission method and device | |
CN114521012B (zh) | 定位方法、装置、终端设备、基站及位置管理服务器 | |
CN113784276A (zh) | 定位方法、中继设备、物联网设备和网络设备 | |
US20230031604A1 (en) | Positioning information processing method, terminal device and network device | |
CN114598987A (zh) | 定位方法、装置、电子设备及计算机可读存储介质 | |
WO2016112689A1 (zh) | Aoa和ta的校正处理方法及装置 | |
EP3061290B1 (en) | Apparatus, system and method of estimating a location of a mobile device | |
CN104035871B (zh) | 基于地理位置的应用程序的故障处理方法及装置 | |
CN110062395B (zh) | 用于信道侦听的方法和通信设备 | |
CN113676274B (zh) | 一种信号时延估计方法、装置、设备及存储介质 | |
US9277527B2 (en) | Wireless access node calibration capability for improved mobile wireless device location accuracy | |
CN111629320B (zh) | 用于定位终端设备的方法和设备 | |
CN111198351A (zh) | 一种基于doa的定位方法、装置、设备及存储介质 | |
EP3780687B1 (en) | Sensor privacy management |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |