CN113785600B - 用户设备状态的共享 - Google Patents

用户设备状态的共享 Download PDF

Info

Publication number
CN113785600B
CN113785600B CN201980095826.1A CN201980095826A CN113785600B CN 113785600 B CN113785600 B CN 113785600B CN 201980095826 A CN201980095826 A CN 201980095826A CN 113785600 B CN113785600 B CN 113785600B
Authority
CN
China
Prior art keywords
user equipment
state estimation
network node
motion
type state
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
CN201980095826.1A
Other languages
English (en)
Other versions
CN113785600A (zh
Inventor
S·亚斯尼
T·维格伦
P·佩尔松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Telefonaktiebolaget LM Ericsson AB
Original Assignee
Telefonaktiebolaget LM Ericsson AB
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
Application filed by Telefonaktiebolaget LM Ericsson AB filed Critical Telefonaktiebolaget LM Ericsson AB
Publication of CN113785600A publication Critical patent/CN113785600A/zh
Application granted granted Critical
Publication of CN113785600B publication Critical patent/CN113785600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/74—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems
    • G01S13/76—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems wherein pulse-type signals are transmitted
    • 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
    • G01S5/0081—Transmission between base stations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/24—Reselection being triggered by specific parameters
    • H04W36/32—Reselection being triggered by specific parameters by location or mobility data, e.g. speed data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/24—Reselection being triggered by specific parameters
    • H04W36/32—Reselection being triggered by specific parameters by location or mobility data, e.g. speed data
    • H04W36/322—Reselection being triggered by specific parameters by location or mobility data, e.g. speed data by location data
    • 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
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04—Large scale networks; Deep hierarchical networks
    • H04W84/06—Airborne or Satellite Networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种用于在无线通信网络内的节点之间共享用户设备状态估计的方法包括向接收网络节点发起（S3）获得的用户设备运动状态估计信息和获得的用户设备类型状态估计信息中的至少一个的传输作为对针对共享用户设备状态估计的需要的所获得的指示的响应。获得的用户设备运动状态估计信息包括最新运动状态更新时间，以及针对至少一个用户设备运动模式的模式状态向量估计、模式协方差矩阵和模式概率。获得的用户设备类型状态估计信息包括最新类型状态更新时间和类型状态概率估计。还公开了一种用于接收和传播用户设备状态估计的方法，以及用于这两种方法的装置。

Description

用户设备状态的共享
技术领域
所提出的技术一般涉及无线通信系统的节点之间的状态估计共享，并且特别地涉及用于典型地在下一代节点B(gNB)或演进节点B(eNB)之间的用户设备状态估计共享的方法和装置。
背景技术
现今，空中飞行的无线电控制无人机正变得越来越普遍。这些所谓的无人机在过去被限制停留在专用于控制无人机的无线电控制设备的范围内。
然而，最近，允许无人机通过蜂窝网络被远程控制的功能性已经相当大地增加了它们的范围。这可以例如通过将长期演进(LTE)用户设备(UE)附连到无人机并且通过将UE耦合到无人机的导航系统来实现。这样，能够实现无人机在多个小区上行进，从而导致仅由无人机的电池限制的范围。在一些市场中，这已经被管制，并且附连到无人机的UE被如此注册。然而，大量用户未能注册，此类用户被表示为“流氓(rogue)无人机”。
具有LTE或未来的新空口(NR)能力的无人机需要在其飞行方面被限制。对于流氓无人机而言这尤其是如此情况。
其中第一个原因是，在显著的高度传送和接收蜂窝无线电消息的流氓无人机倾向于比基于地面的UE产生更多的干扰，仅仅因为当无人机的高度显著时，存在较少的障碍物，然后传播可以接近于自由空间传播。因此，干扰进一步到达并且在相邻小区中也产生干扰问题。在较高的高度，无人机也可以由下倾(downtilted)的无线电基站天线的旁瓣来服务。这可能增加突然信号改变的风险。
第二个原因是当在空域的某些部分非法飞行时，流氓无人机产生危险情况。示例包括其中商业空中交通可能处于危险中的机场、军事限制区域、以及在坠毁可能会引起人身伤害的情况下的人口密集区域上的空域。例如在2018年12月20日，英国伦敦Gatwick国际机场由于流氓无人机的存在而被关闭。在2019年1月8日，类似的情况在英国伦敦Heathrow国际机场出现。不能低估问题的严重性和开发对抗非法飞行的解决方案的紧迫性。
因此，一般的问题是要得到流氓无人机何时以及在哪里行进的信息。存在若干种可能的方法通过使用无线通信网络节点本身来得到此类有用信息，因为无人机控制信号通过蜂窝网络传送以扩展无人机的范围，如相对于控制驾驶员所测量的那样。其结果是，无人机在若干小区的覆盖区域上行进是很可能的。这进而意味着在一个小区中获得的无人机信息(例如估计的运动状态和类型)非常快速地变为无效。将需要重新开始整个无人机信息收集，例如状态估计和无人机检测过程。其结果将是例如运动状态估计精确度的损失和无人机检测性能的非常显著的恶化。
发明内容
目的是提供用于在无线通信网络内的节点之间共享用户设备状态估计的方法和装置。
这个和其它目的通过所提出的技术的实施例来满足。
根据第一方面，提供有一种用于在无线通信网络内的节点之间共享用户设备状态估计的方法，所述方法包括向接收网络节点发起获得的用户设备运动状态估计信息和获得的用户设备类型状态估计信息中的至少一个的传输作为对针对共享用户设备状态估计的需要的所获得的指示的响应。获得的用户设备运动状态估计信息包括最新运动状态更新时间，以及对于至少一个用户设备运动模式的最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率。获得的用户设备类型状态估计信息包括最新类型状态更新时间，以及对于最新类型状态更新时间有效的类型状态概率估计。
根据第二方面，提供有一种用于在无线通信网络中的节点之间共享用户设备状态估计的方法，所述方法包括从发送网络节点接收用户设备运动状态估计信息和用户设备类型状态估计信息中的至少一个作为对针对共享用户设备状态估计的需要的指示的响应。用户设备运动状态估计信息包括最新运动状态更新时间，以及对于至少一个用户设备运动模式的最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率。用户设备类型状态估计信息包括最新类型状态更新时间，以及对于最新类型状态更新时间有效的类型状态概率估计。基于用户设备运动状态估计信息或用户设备类型状态估计信息，分别将用户设备运动状态估计和/或用户设备类型状态估计传播到当前时间。
根据第三方面，提供有一种配置用于在无线通信网络内共享用户设备状态估计的网络节点。网络节点配置成向接收网络节点发起获得的用户设备运动状态估计信息和获得的用户设备类型状态估计信息中的至少一个的传输作为对针对共享用户设备状态估计的需要的所获得的指示的响应。获得的用户设备运动状态估计信息包括最新运动状态更新时间，以及对于至少一个用户设备运动模式的最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率。获得的用户设备类型状态估计信息包括最新类型状态更新时间，以及对于最新类型状态更新时间有效的类型状态概率估计。
根据第四方面，提供有一种配置用于在无线通信网络内共享用户设备状态估计的网络节点。网络节点配置成从发送网络节点接收用户设备运动状态估计信息和用户设备类型状态估计信息中的至少一个作为对针对共享用户设备状态估计的需要的指示的响应。用户设备运动状态估计信息包括最新运动状态更新时间，以及对于至少一个用户设备运动模式的最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率。用户设备类型状态估计信息包括最新类型状态更新时间，以及对于最新类型状态更新时间有效的类型状态概率估计。网络节点还配置成基于用户设备运动状态估计信息或用户设备类型状态估计信息，分别将用户设备运动状态估计和/或用户设备类型状态估计传播到当前时间。
根据第五方面，提供有一种无线通信网络，所述无线通信网络包括根据第三方面的至少一个网络节点和根据第四方面的至少一个网络节点。
根据第六方面，提供有一种包括指令的计算机程序，所述指令在由至少一个处理器执行时使所述(一个或多个)处理器向接收网络节点发起获得的用户设备运动状态估计信息和获得的用户设备类型状态估计信息中的至少一个的传输作为对针对共享用户设备状态估计的需要的所获得的指示的响应。获得的用户设备运动状态估计信息包括最新运动状态更新时间，以及对于至少一个用户设备运动模式的最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率。获得的用户设备类型状态估计信息包括最新类型状态更新时间，以及对于最新类型状态更新时间有效的类型状态概率估计。
根据第七方面，提供有一种包括指令的计算机程序，所述指令在由至少一个处理器执行时使所述(一个或多个)处理器从发送网络节点接收用户设备运动状态估计信息和用户设备类型状态估计信息中的至少一个作为对针对共享用户设备状态估计的需要的指示的响应。用户设备运动状态估计信息包括最新运动状态更新时间，以及对于至少一个用户设备运动模式的最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率。用户设备类型状态估计信息包括最新类型状态更新时间，以及对于最新类型状态更新时间有效的类型状态概率估计。指令在由(一个或多个)处理器执行时进一步使(一个或多个)处理器基于用户设备运动状态估计信息或用户设备类型状态估计信息，分别将用户设备运动状态估计和/或所述用户设备类型状态估计传播到当前时间。
根据第八方面，提供有一种计算机程序产品，所述计算机程序产品包括在其上存储了第六和/或第七方面的计算机程序的计算机可读介质。
所提出的技术的优点在于，提供了能够实现产生关于利用无线网络的无人机的广域空中情况感知画面的功能性。
当阅读详细描述时，将意识到其它优点。
附图说明
通过对连同附图一起进行的以下描述进行参考，可以最好地理解实施例连同其进一步的目的和优点，其中：
图1是无人机检测原理的示意说明；
图2是往返时间测量的说明；
图3是典型的目标状态估计系统的示例；
图4是交互多模型算法的框图；
图5是状态估计的一个循环的示例的流程图；
图6是高度区分特征的说明；
图7是示出用于在无线通信网络内的节点之间共享用户设备状态估计的方法的实施例的步骤的示意性流程图；
图8是示出用于在无线通信网络内的节点之间共享用户设备状态估计的方法的另一实施例的步骤的示意性流程图；
图9示意性地示出了无线通信系统；
图10示意性地示出LTE X2切换目标eNB过程；
图11示意性地示出LTE S1切换目标eNB过程；
图12示出X2AP子层架构；
图13示出X2私有消息(private messages)过程；
图14示出基于X2的UE状态估计的共享；
图15示出S1AP子层架构；
图16A-B示出S1私有消息过程；
图17A-B示出基于S1的UE状态估计的共享；
图18是示出网络节点的实施例的示意性框图；
图19是示出基于硬件电路实现的网络节点的实施例的示意性框图；
图20是示出基于处理器和硬件电路两者的组合的网络节点的另一实施例的示意性框图；
图21是示出网络节点的计算机实现的实施例的示意图；
图22是示出网络装置的实施例的示意性框图；
图23是示出网络节点的实施例的示意图；
图24是示出另一网络节点的实施例的示意图；
图25是示出功能性分布或划分的一般示例的示意图；以及
图26是示出与一个或多个基于云的网络装置协作的无线通信系统的示例的示意图。
具体实施方式
贯穿附图，相同的参考标记用于类似或对应的元件。
本技术通过公开能够实现产生关于利用无线网络的无人机的广域空中情况感知画面的功能性来解决上面提到的问题。
这可以通过在无线通信网络中在足够高的级别上执行UE运动状态和UE类型状态的估计使得所有小区总是被覆盖来实现。这要求深入核心网络的测量数据的大量信令，并且因此不被认为是非常有吸引力的。
备选地，必须提供有在无线通信网络内转发所收集的无人机信息(例如运动状态估计和/或类型状态估计)的可能性。用户设备状态估计的此类共享可以例如在当前服务小区和下一服务小区之间执行。因此，如果例如服务小区的改变在进行中，例如在切换过程中，则转发通常是感兴趣的。然而，现今不存在可用以支持此类转发动作的信令功能性。
本思想基于在网络节点中存在UE的可用状态估计的先决条件。用于实现此类估计的实际方法的细节不被认为是对于本思想的基本重要性。替代地，只要提供了最终类型的估计和关联的数据，则获得它们的详细方式不具有至关重要性。
然而，为了更好地理解所提出的技术，通过用于提供此类UE状态估计的可能方法的简要概述开始可能是有用的。
由于无线通信系统被设计成处理移动对象，在无线通信系统的不同部分中存在可用的不同种类的UE的运动信息。有用的运动信息可以例如包括距离测量或甚至位置确定。此类运动信息可以被利用以估计例如UE的位置。然而，相同类型的运动信息也会可能组合到关于UE的移动属性的信息中。换句话说，如果正确的信息和估计技术可用，则运动状态的估计是可能的。
一旦访问UE的运动状态估计，可以提取不同种类的移动模式。由于无人机至少在一些方面和在一些情况下具有唯一的运动行为，运动信息与关于无人机的这些唯一特征的知识的组合，类型状态估计可能执行。
图1中示意性地示出了由此处理的无人机状态估计问题。包括UE 10的无人机11例如在受限区域中移动。无人机11经由提供有噪声运动测量62的基站(例如eNB/gNB 32)通信。这些运动测量62可以具有例如在相应eNB/gNB 32和无人机之间的范围。UE运动状态估计器60使用这些有噪声运动测量62来提供运动状态估计61。UE类型状态估计器74可以分析状态估计61，并且通过使用无人机11的特征移动的知识，确定UE 10必须被附连到无人机11。因此可以基于无人机类型信息68执行不同种类的测量。
如上面简单提到的，可以利用不同种类的测量来产生运动状态估计。一个示例是范围测量，即与固定网络节点和UE之间的距离相关的量的测量。存在用于范围测量的若干可能性。一种方式是要执行路径损耗测量。然而，这对于本申请这一般不够精确，因为路径损耗受无线电衰落的影响，并且因为需要从假设的无线电传播模型来计算范围。然而，在特定应用中，例如，在无线电衰落被良好建模的情况下，路径损耗测量可以贡献可接受的范围测量。
用于测量范围的更好和更精确的基础通常是要测量无线电波到基站和UE/来自基站和UE的无线电波的行进时间。然后，一种备选是要测量无线电波从基站到UE并返回的行进时间，即，往返时间(RTT)测量。在附录A中公开了RTT测量原理的描述。
因此，上面讨论的测量可以被利用用于估计目的。如此，具有世界范围内的许多操作系统的移动对象运动状态估计的技术领域现今是成熟的。参见例如关于主题的许多可用的教科书中的任何一种。一种备选是所谓的多传感器状态估计系统。这在附录B中进一步描述。
为了能够精确地估计无人机的移动，即运动状态，首先认识到无人机以非常特定的方式或移动模式飞行。这些移动模式需要由应用于测量处理的最佳估计器来反映。在附录C中描述了运动状态估计的一些备选。
移动模式优选地适于其中它们被采用的应用。因此，在当前情况下，移动模式应该优选地对对于任何估计过程最有益的移动建模。因此，当处理无人机检测时，移动模式模型应该反映无人机移动的特性特征。在附录F中，呈现了一种可能的3模式模型，其被认为是用于获得有用的运动状态估计的一种适合的方法。
地表建模也可能是感兴趣的。这在附录G中简要描述。
关于离散化的注释对于读者可能是有用的。在本技术的详细描述中讨论的模型使用微分方程以连续时间定义。对于计算机实现，它们需要被离散化。给定连续时间Wiener过程：
dx＝Axdt+Bdv (1)
其中，x是状态，A是系统矩阵，B是干扰增益矩阵，并且v是干扰，其遵循在通过采样周期T采样之后离散时间状态方程是：
x(k+1)＝Fix(k)+v(k) (2)
其中
并且具有离散化的过程噪声协方差：
在本公开中假设所有连续时间方程像这样离散化。
这里还必须呈现无人机类型状态估计过程。此类无人机类型估计算法应该布置用于在空中飞行的流氓无人机与陆地移动和固定UE(像膝上型计算机、行人、汽车和火车中的用户)之间的区分。如上面所提到的，检测算法基于运动状态估计(通常在单个gNB或eNB中获得)。优选地，运动状态估计基于移动模式估计和地面高度模型。这里所呈现的无人机检测优选地使用估计的流氓无人机状态的新Bayesian处理。在附录H中给出了细节。
从上面描述中，理解到，可以提供有一种系统和情况，其中无线通信网络的网络节点具有对UE状态估计的可用性。此类UE状态估计可以是UE运动状态估计和UE类型状态估计中的一个或两者。
运动状态估计包括与位置和移动关联的参数或信号的估计，例如位置、速度和/或加速度。这些估计的参数或信号通常作为向量来实现。向量的配置由运动模式确定，所述运动模式定义要估计的量。估计的结果通常被称为状态向量估计。如上面所讨论的，如果估计过程通过多个可能的运动模式操作，则对于每个模式可能存在一个状态向量估计，即，模式状态向量估计。
在估计期间，还探究不同量之间的关系。这些关系通常被称为并呈现为模式协方差矩阵。
在通过多个可能的运动模式操作的估计过程中，通常还存在模式概率，其表达该模式是最正确的模式的概率。对于单个UE运动模式估计过程，模式概率总是变得等于一(unity)。
类型状态估计包括识别具有特定类型的对象的概率的估计。在当前情况下，涉及无人机的检测，典型的类型状态将是“无人机”。在简单的实施例中，如上面所描述的，可以使用具有状态“无人机”和“非无人机”的两-状态估计方法。
如果UE运动状态估计和UE类型状态估计应该与另一网络节点共享的指示到达具有此状态估计中的一个或两者的网络节点，则其首先必须决定必须提供哪些信息。当然，一种可能性是要复制与估计过程关联的所有可用信息，并将所有数据传输到接收节点。然而，这可能牵涉非常大量的数据，并且将不适合用于一般无线通信网络中的操作。
替代地，网络节点发起传输估计数据的所选部分，作为对针对共享UE状态估计的需要的所获得的指示的响应。为了在共享到新网络节点中之后无缝地继续IMM运动状态估计，需要将包括可用估计的部分以及与其关联的其它信息的一些运动状态估计信息发信号通知到新网络节点。此运动状态估计信息因此应该至少包括针对至少一个运动模式的模式状态向量估计、模式协方差矩阵和模式概率。这些对象被假设成在某个更新时间有效。最后更新的这个时间也应该包括在运动状态估计信息中。
为了用于接收网络节点知道所述信息涉及什么UE，还提供UE的ID作为运动状态信息的一部分。然而，此ID信息也可以单独提供，例如，在由HO请求引起的共享中，其中论述中的UE的ID由其它部件共享。作为无人机的ID的此ID可以是服务临时移动订阅身份(STMSI)
在附录中的描述的注释中，运动状态估计信息应该至少包括：
-模式状态向量估计
Pj(k|k)-模式协方差矩阵
μj(k)-模式概率，以及
tlastupdate-最后更新的时间。
这里j指示特定模式的编号。
在一些应用中，如果跟踪坐标系参数被共享也可以是优选的。
此外，在一个实施例中，还共享每个模式的系统噪声协方差矩阵和/或每个模式的测量噪声协方差矩阵。
为了在共享到新网络节点中之后无缝地继续类型状态估计，需要将包括可用估计的部分的一些类型状态估计信息发信号通知到新网络节点。因此，这种类型的状态估计信息应该至少包括无人机概率估计。假设此对象在某个更新时间有效。最后更新的这个时间也应该包括在类型状态估计信息中。此信息将能够实现到执行新服务小区中的第一次更新的时间的所谓传播。注意到，运动状态估计更新和类型状态估计更新不需要在时间上同时执行。
在附录中的描述的注释中，运动状态估计信息应该至少包括：
P(D|zt)-无人机概率估计
tlastupdate-类型估计的最后更新的时间。
可选地，“非无人机”概率估计也被共享。
此外，在一个实施例中，UE类型状态估计信息还包括用于UE类型状态估计的区分特征的参数。
图7是示出用于在无线通信网络内的节点之间共享用户设备状态估计的方法的实施例的步骤的示意性流程图。在步骤S3中，向接收网络节点发起获得的UE运动状态估计信息和获得的UE类型状态估计信息中的至少一个的传输作为对针对共享UE状态估计的需要的所获得的指示的响应。获得的UE运动状态估计信息包括最新运动状态更新时间。获得的UE运动状态估计信息还包括对于至少一个UE运动模式的最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率。获得的UE类型状态估计信息包括最新类型状态更新时间。获得的UE类型状态估计信息还包括对于最新类型状态更新时间有效的类型状态概率估计。
如图中所指示的，在一个实施例中，发起传输的步骤S3包括发起S4获得的UE运动状态估计信息的传输。
在另外实施例中，所述方法包括步骤S1，其中给出模式状态向量估计、模式协方差矩阵和模式概率而执行UE运动状态估计。
在一个实施例中，获得的UE运动状态估计信息还包括跟踪坐标系参数。
在一个实施例中，获得的UE运动状态估计信息还包括至少一个用户设备运动模式中的每个的系统噪声协方差矩阵。
在一个实施例中，获得的UE运动状态估计信息还包括至少一个用户设备运动模式中的每个的测量噪声协方差矩阵。
如图中所指示的，在一个实施例中，发起传输的步骤S3包括发起S5获得的UE类型状态估计信息的传输。
在另外实施例中，所述方法包括步骤S2，其中给出类型状态概率估计而执行UE类型状态估计。
在一个实施例中，UE类型状态概率估计包括针对UE是无人机的概率估计。
在一个实施例中，UE类型状态估计信息还包括针对UE不是无人机的概率估计。
在一个实施例中，UE类型状态估计信息还包括用于UE类型状态估计的区分特征的参数。
图8是示出用于在无线通信网络中的节点之间共享UE状态估计的方法的实施例的步骤的示意性流程图。在步骤S10中，从发送网络节点接收UE运动状态估计信息和UE类型状态估计信息中的至少一个作为对针对共享UE状态估计的需要的指示的响应。UE运动状态估计信息包括最新运动状态更新时间。UE运动状态估计信息还包括对于至少一个UE运动模式的最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率。UE类型状态估计信息包括最新类型状态更新时间。UE类型状态估计信息还包括对于最新类型状态更新时间有效的类型状态概率估计。
在步骤S13中，基于UE运动状态估计信息或UE类型状态估计信息，分别将UE运动状态估计和UE类型状态估计中的至少一个传播到当前时间。
例如，当在新的服务eNB/gNB中接收到UE状态估计时，检索系统时间tsystem。运动状态估计和/或类型状态估计(即无人机概率)，从tlastupdate传播到tsystem。如此，传播可以以现有技术中已知的任何方式来执行。附录E呈现了一个非限制性的示例。
如图中指示的，在一个实施例中，接收的步骤S10包括接收UE运动状态估计信息的步骤S11。同样地，传播的步骤S13包括将运动状态估计传播到当前时间的步骤S14。
在另外实施例中，所述方法包括执行UE运动状态估计的另外步骤S16。此UE运动状态估计基于模式状态向量估计、模式协方差矩阵和模式概率，所述UE运动状态估计基于最新运动状态更新时间被传播到当前时间。
在一个实施例中，所接收的UE运动状态估计信息还包括跟踪坐标系参数。
在一个实施例中，所接收的UE运动状态估计信息还包括至少一个UE运动模式中的每个的系统噪声协方差矩阵。
在一个实施例中，所接收的UE运动状态估计信息还包括至少一个UE运动模式中的每个的测量噪声协方差矩阵。
如图中所指示的，在一个实施例中，接收的步骤S10包括接收UE类型状态估计信息的步骤S12。同样地，传播的步骤S13包括将类型状态估计传播到当前时间的步骤15。如此，传播可以以现有技术中已知的任何方式来执行。附录H呈现了一个非限制性示例。
在另外实施例中，所述方法包括执行UE类型状态估计的另外步骤S17。此UE类型状态估计基于类型状态概率估计，所述UE类型状态估计基于最新类型状态更新时间传播到当前时间。
在一个实施例中，所接收的UE类型状态概率估计包括针对UE是无人机的概率估计。
在一个实施例中，所接收的UE类型状态估计信息还包括针对UE不是无人机的概率估计。
在一个实施例中，所接收的UE类型状态估计信息还包括用于UE类型状态估计的区分特征的参数。
图9示意性地示出了无线通信系统1。以基站20形状的网络节点30(在此实施例中是eNB)服务第一小区11内的UE 10。如由箭头所指示的，UE从第一小区11移出并且靠近第二小区12。第一小区11的网络节点因此是源网络节点31。第二小区12由目标网络节点32服务。基站20经由核心网络130的至少一个网络节点30(在此实施例中是移动性管理实体(MME)34)互连。当UE离开第一小区11并进入第二小区12时，优选地期望共享UE状态估计。
在本技术的一个方面中，无线通信网络1包括根据上面描述的用于发起传输UE状态估计的至少一个网络节点31以及根据上面描述的用于接收和传播UE状态估计的至少一个网络节点32。
如上面提到的，其中要执行估计共享的典型情况与切换(HO)相联系。因此，在一个实施例中，参考图7，对共享UE状态估计的需要的指示是切换请求。
同样地，在一个实施例中，参考图8，对共享UE状态估计的需要的指示是切换请求。
HO可以以不同的方式执行。附录I中呈现了分别基于S1和X2接口的一些标准过程，在这些过程中，当前不存在添加任何UE估计信息的机会。
因此，在一个实施例中，扩展当前的HO信令以虑及在HO过程期间在eNB之间传输UE估计信息。
然而，由于UE估计不是无线通信系统的必要部分，因此针对HO的标准的改变可能不是最适当的方式。
备选方法是要使用“私有消息”。“私有消息”是传达器IE，其通常是制造商或运营商特定IE，通常在特定标准X2AP消息或IE内或特定标准S1AP消息或IE内作为最后的元素放置。它通常用于传达制造商或运营商专有IE，其可适用作为对特定标准X2AP/S1AP消息或IE的补充。
在一个实施例中，参考图7，要经由私有消息来执行传输。
同样地，在一个实施例中，参考图8，经由私有消息执行接收。
图12示出了制造商/运营商X2AP消息，例如Ericsson X2AP，作为对标准X2应用协议X2AP的扩展。制造商/运营商X2AP被建模为标准X2AP子层之上的协议子层。
作为一个实施例，Ericsson X2AP传达器IE是Ericsson特定IE，其被作为特定标准X2AP消息或IE内的最后的元素放置。它用于传送Ericsson专有IE，其可适用作为对特定标准X2AP消息或IE的补充。
通过Ericsson X2AP私有扩展(Ericsson X2AP)，eNB可以向其邻居提供扩展的服务集合。Ericsson X2AP移动性过程模块包含用于处置演进通用陆地无线电接入(E-UTRA)网络内的UE移动性的过程。通过Ericsson X2AP私有扩展，可以将专有扩展附连到特定标准X2AP协议数据单元(PDU)。扩展传达器可以在PDU(消息)级别或在特定(标准)信息元素(IE)内附连。
Ericsson X2AP被建模为标准X2AP子层之上的协议子层。X2AP-Ericsson-PDU在对等Ericsson X2AP实体之间传输，在由标准X2AP子层提供的PRIVATE MESSAGE中携带。X2AP-Ericsson-PDU通常用于Ericsson特定的X2AP过程。
标准X2AP PDU的扩展也在特定情况下使用。扩展用作对标准X2AP过程的补充。那些扩展被放置在附连到特定标准X2AP PDU消息的Ericsson X2AP传达器IE内的私有IE中。
如图13中示出的，根据来自发送Ericsson X2AP实体的请求，发起过程的eNB 20A向对等eNB 20B发送PRIVATE MESSAGE。发起该过程的eNB 20A应当在PRIVATE MESSAGE中包括X2AP-Ericsson-PDU IE。如果PRIVATE MESSAGE中包括X2AP-Ericsson-PDU IE，则接收eNB 20B应当将Ericsson X2AP PDU转发到接收Ericsson X2AP实体。
图14示出了使用私有消息以便共享UE状态估计的可能性。发起共享过程的源eNB31应当在私有消息中包括X2AP-Ericsson-PDUIE(其至少包含强制的UE状态估计信息)，如上面所描述的。接收目标eNB 32从私有消息中提取UE状态估计信息。
在一个实施例中，参考图7，要向基站执行传输。
在一个实施例中，参考图7，要从基站执行传输。
在一个实施例中，参考图8，在基站中执行接收。
在一个实施例中，参考图8，从基站接收UE运动状态估计信息和UE类型状态估计信息中的至少一个。
私有消息也可以在S1接口上利用。图15示出了制造商/运营商S1AP消息，例如Ericsson S1AP，作为对标准S1应用协议S1AP的扩展。制造商/运营商S1AP被建模为标准S1AP子层之上的协议子层。
作为一个实施例，Ericsson S1AP私有扩展(Ericsson S1AP)、eNB和E-UTRA网络可以向演进分组核心(EPC)并且进一步向属于其它3GPP技术或者甚至在3GPP标准化范围之外的其它网络实体提供扩展的服务集合。通过Ericsson的S1AP私有扩展，可以将专有扩展附连到特定标准S1AP PDU。扩展传达器可以在PDU(消息)级别或在特定(标准)IE内附连。Ericsson S1AP被建模为标准S1AP子层之上的协议子层。
标准S1AP PDU的扩展也在特定情况下使用。那些扩展用作对标准S1AP过程的补充。那些扩展用作附连到特定标准S1AP PDU(消息)的Ericsson S1AP传达器IE内的私有IE。
如图16A中示出的，根据来自发送Ericsson S1AP实体的请求，发起该过程的节点eNB 20A向对等节点(即MME 34)发送PRIVATE MESSAGE。发起该过程的eNB 20A应当在PRIVATE MESSAGE中包括S1AP-Ericsson-PDU IE。接收节点(即MME 34)将Ericsson S1APPDU转发到接收Ericsson S1AP实体。
类似地，如图16B中示出的，根据来自发送Ericsson S1AP实体MME 34的请求，该过程向对等节点(即eNB 20B)发送PRIVATE MESSAGE。发起该过程的MME 34应当在PRIVATEMESSAGE中包括S1AP-Ericsson-PDU IE。接收节点(即eNB 20B)将Ericsson S1AP PDU转发到接收Ericsson S1AP实体。
图17A和图17B示出了使用私有消息来共享UE状态估计的可能性。发起共享过程的源eNB 31应当在私有消息中包括X2AP-Ericsson-PDU IE(其至少包含强制的UE状态估计信息)，如上面所描述的。接收MME 34从私有消息中提取UE状态估计信息，并且将其包括在转发X2AP-Ericsson-PDU IE中。将此转发的X2AP-Ericsson-PDU IE提供到目标eNB 32(通常是新的服务eNB)，在其中提取并使用UE状态估计信息。
在一个实施例中，参考图7，要经由核心网络节点在两个基站之间执行传输。
在一个实施例中，参考图8，经由核心网络节点在基站中从基站接收UE运动状态估计信息和UE类型状态估计信息中的至少一个。
NR Xn切换
类似地，在NR中，在基站之间也存在私有消息。这被表示为Xn接口，其可以在两个gNB或gNB和ng-eNB之间。
因此，与上面描述类似，在NR中，可以通过在Xn接口中使用私有消息来处置UE状态估计的共享。UE运动状态估计信息和UE类型状态估计信息然后应当被附连到属于Xn接口中的私有消息的PrivateIE容器。
如本文所使用的，非限制性术语“用户设备(UE)”、“站(STA)”和“无线通信装置”或“无线装置”可以指移动电话、蜂窝电话、配备具有无线电通信能力的个人数字助理(PDA)、智能电话、配备具有内部或外部移动宽带调制解调器的膝上型或个人计算机(PC)、具有无线电通信能力的平板PC、目标装置、装置到装置UE、能够机器到机器通信的UE或机器类型UE、iPAD、客户驻地设备(CPE)、膝上型嵌入式设备(LEE)、膝上型安装设备(LME)、通用串行总线(USB)加密狗、便携式电子无线电通信装置、配备具有无线电通信能力的传感器装置等等。特别地，术语“UE”、术语“站”、术语“无线装置”和术语“无线通信装置”应该被解释为非限制性术语，其包括与无线通信系统中的网络节点通信和/或可能直接与另一无线通信装置通信的任何类型的无线装置。换句话说，无线通信装置可以是配备具有用于根据任何相关通信标准的无线通信的电路的任何装置。
如本文所使用的，术语“有线装置”可以指被配置或准备用于到网络的有线连接的任何装置。特别地，当被配置用于有线连接时，有线装置可以是具有或不具有无线电通信能力的上面装置中的至少一些。
如本文所使用的，非限制性术语“网络节点”可以指基站、接入点、网络控制节点，例如网络控制器、无线电网络控制器、基站控制器、接入控制器等等。特别地，术语“基站”可以涵盖不同类型的无线电基站，包括标准化基站，诸如节点B(NB)或演进节点B(eNB)以及还包括宏/微/微微无线电基站、家庭基站(也称为毫微微基站)、中继节点、中继器、无线电接入点、基站收发信台(BTS)、以及甚至控制一个或多个远程无线电单元(RRU)的无线电控制节点等等。
在下文中，一般非限制性术语“通信单元”包括网络节点和/或关联的无线装置。
如本文所使用的，术语“网络装置”可以指与通信网络相联系定位的任何装置，包括但不限于接入网络、核心网络和类似网络结构中的装置。术语网络装置还可以涵盖基于云的网络装置。
将意识到，本文所描述的方法和装置可以以多种方式组合和重新布置。
例如，实施例可以以硬件、或以用于由适合的处理电路执行的软件、或其组合来实现。
可以使用任何常规技术(例如分立电路或集成电路技术，包括通用电子电路和专用电路)，以硬件实现本文描述的步骤、功能、过程、模块和/或块。
备选地，或者作为补充，本文描述的步骤、功能、过程、模块和/或块中的至少一些可以以软件(例如用于由例如一个或多个处理器或处理单元的适合的处理电路执行的计算机程序)来实现。
处理电路的示例包括但不限于一个或多个微处理器、一个或多个数字信号处理器(DSP)、一个或多个中央处理单元(CPU)、视频加速硬件和/或任何适合的可编程逻辑电路，诸如一个或多个现场可编程门阵列(FPGA)或一个或多个可编程逻辑控制器(PLC)。
还应该理解到，重新使用任何常规装置或单元(在其中实现所提出的技术)的一般处理能力可以是可能的。例如通过对现有软件重新编程或者通过添加新的软件组件来重新使用现有软件也可以是可能的。
根据所提出的技术的方面，提供有一种配置用于在无线通信网络内共享UE状态估计的网络节点。网络节点配置成向接收网络节点发起获得的UE运动状态估计信息和获得的UE类型状态估计信息中的至少一个的传输作为对针对共享UE状态估计的需要的所获得的指示的响应。获得的UE运动状态估计信息包括最新运动状态更新时间。获得的UE运动状态估计信息还包括对于至少一个UE运动模式的最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率。获得的UE类型状态估计信息包括最新类型状态更新时间。获得的UE类型状态估计信息还包括对于最新类型状态更新时间有效的类型状态概率估计。
图18是示出根据实施例基于处理器-存储器实现的网络节点30的示例的示意性框图。在此特定示例中，网络节点30包括处理器241和存储器251，存储器251包括由处理器241可执行的指令，由此处理器241操作以向接收网络节点发起获得的UE运动状态估计信息和获得的UE类型状态估计信息中的至少一个的传输作为对针对共享UE状态估计的需要的所获得的指示的响应。
网络节点30还可以包括通信电路201。通信电路201可以包括用于与网络中的其它装置和/或网络节点的有线和/或无线通信的功能。在特定示例中，通信电路201可以基于用于与一个或多个其它节点通信(包括传送和/或接收信息)的无线电电路。通信电路201可以互连到处理器241和/或存储器251。作为示例，通信电路201可以包括以下中的任何一个：接收器、传输器、收发器、输入/输出(I/O)电路、(一个或多个)输入端口和/或(一个或多个)输出端口。
在一个实施例中，网络节点配置成发起获得的UE运动状态估计信息的传输。
在另外实施例中，网络节点还配置成给出模式状态向量估计、模式协方差矩阵和模式概率而执行UE运动状态估计。
在一个实施例中，获得的UE运动状态估计信息还包括跟踪坐标系参数。
在一个实施例中，获得的UE运动状态估计信息还包括至少一个UE运动模式中的每个的系统噪声协方差矩阵。
在一个实施例中，获得的UE运动状态估计信息还包括至少一个UE运动模式中的每个的测量噪声协方差矩阵。
在另一实施例中，网络节点配置成发起获得的UE类型状态估计信息的传输。
在另外实施例中，网络节点还配置成给出类型状态概率估计而执行UE类型状态估计。
在一个实施例中，类型状态概率估计包括针对UE是无人机的概率估计。
在一个实施例中，获得的UE类型状态估计信息还包括针对UE不是无人机的概率估计。
在一个实施例中，获得的UE类型状态估计信息还包括用于UE类型状态估计的区分特征的参数。
在一个实施例中，对共享UE状态估计的需要的指示是切换请求。
在一个实施例中，要经由私有消息来执行传输。
在一个实施例中，要向基站执行传输。
在一个实施例中，网络节点是基站。
在一个实施例中，要经由核心网络节点在两个基站之间执行传输。
根据所提出的技术的另一方面，提供有一种配置用于在无线通信网络内共享UE状态估计的网络节点。网络节点配置成从发送网络节点接收UE运动状态估计信息和UE类型状态估计信息中的至少一个作为对针对共享UE状态估计的需要的指示的响应。UE运动状态估计信息包括最新运动状态更新时间。UE运动状态估计信息还包括对于至少一个UE运动模式的最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率。所述UE类型状态估计信息包括最新类型状态更新时间。UE类型状态估计信息还包括对于最新类型状态更新时间有效的类型状态概率估计。
网络节点还配置成基于UE运动状态估计信息或UE类型状态估计信息，分别将UE运动状态估计和/或UE类型状态估计传播到当前时间。
图18还可以被认为是示出了根据实施例的基于处理器-存储器实现的此类网络节点30的示例的示意性框图。由此，处理器241操作以基于UE运动状态估计信息和/或UE类型状态估计信息，分别将UE运动状态估计和/或UE类型状态估计传播到当前时间。
如之前所提到的，网络节点30还可以包括通信电路201。通信电路209操作以接收UE运动状态估计信息和/或UE类型状态估计信息。
在一个实施例中，网络节点配置成接收UE运动状态估计信息。
在另外实施例中，网络节点还配置成基于模式状态向量估计、模式协方差矩阵和模式概率执行UE运动状态估计，所述UE运动状态估计基于最新运动状态更新时间被传播到当前时间。
在一个实施例中，所接收的UE运动状态估计信息还包括跟踪坐标系参数。
在一个实施例中，所接收的UE运动状态估计信息还包括至少一个UE运动模式中的每个的系统噪声协方差矩阵。
在一个实施例中，所接收的UE运动状态估计信息还包括至少一个UE运动模式中的每个的测量噪声协方差矩阵。
在另一实施例中，网络节点配置成接收UE类型状态估计信息。
在另外实施例中，网络节点还配置成基于类型状态概率估计执行UE类型状态估计，所述UE运动状态估计基于最新类型状态更新时间传播到当前时间。
在一个实施例中，类型状态概率估计包括针对UE是无人机的概率估计。
在一个实施例中，UE类型状态估计信息还包括针对UE不是无人机的概率估计。
在一个实施例中，UE类型状态估计信息还包括用于UE类型状态估计的区分特征的参数。
在一个实施例中，对共享UE状态估计的需要的指示是切换请求。
在一个实施例中，经由私有消息执行接收。
在一个实施例中，网络节点是基站。
在一个实施例中，从基站接收UE运动状态估计信息和/或UE类型状态估计信息。
在一个实施例中，经由核心网络节点从基站接收UE运动状态估计信息和/或UE类型状态估计信息。
图19是示出根据实施例的基于硬件电路实现的网络节点30的另一示例的示意性框图。适合的硬件(HW)电路211的特定示例包括一个或多个适合配置的或可能可重新配置的电子电路，例如专用集成电路(ASIC)、现场可编程门阵列(FPGA)或任何其它硬件逻辑，例如基于互连以与适合的寄存器(REG)和/或存储器单元(MEM)相联系而执行专用功能的离散逻辑门和/或触发器的电路。
图20是示出基于与适合的(一个或多个)存储器单元251相联系的(一个或多个)处理器241-1、241-2和硬件电路211-1、211-2两者的组合的网络节点30的又一示例的示意性框图。网络节点30包括一个或多个处理器241-1、241-2、包括用于软件和数据的存储的存储器251、以及诸如ASIC和/或FPGA的硬件电路211-1、211-2的一个或多个单元。因此，在用于在一个或多个处理器241-1、241-2上执行的编程软件(SW)与一个或多个预配置或可能可重新配置的硬件电路211-1、211-2(例如ASIC和/或FPGA)之间划分总体功能性。实际的硬件-软件划分可以由系统设计者基于包括处理速度、实现成本和其它要求的多个因素来决定。
备选地，或者作为补充，本文描述的步骤、功能、过程、模块和/或块中的至少一些可以以软件(例如用于由适合的处理电路(例如一个或多个处理器或处理单元)执行的计算机程序)来实现。
因此，当由一个或多个处理器执行时，本文呈现的一个或多个流程图可以被认为是一个或多个计算机流程图。对应的设备可以被定义为功能模块群组，其中由处理器执行的每个步骤对应于功能模块。在这种情况下，功能模块被实现为在处理器上运行的计算机程序。
处理电路的示例包括但不限于一个或多个微处理器、一个或多个数字信号处理器(DSP)、一个或多个中央处理单元(CPU)、视频加速硬件和/或任何适合的可编程逻辑电路，诸如一个或多个现场可编程门阵列(FPGA)或一个或多个可编程逻辑控制器(PLC)。
还应该理解到，重新使用任何常规装置或单元(在其中实现所提出的技术)的一般处理能力可以是可能的。例如通过对现有软件重新编程或者通过添加新的软件组件来重新使用现有软件也可以是可能的。
图21是示出网络节点30的计算机实现的实施例的示意图。在此特定实施例中，本文描述的步骤、功能、过程、模块和/或框中的至少一些在计算机程序231中实现，其被加载到存储器251中以用于由包括一个或多个处理器241的处理电路执行。(一个或多个)处理器241和存储器251彼此互连以能够实现正常的软件执行。可选的输入/输出装置204也可以互连到(一个或多个)处理器241和/或存储器251，以能够实现诸如(一个或多个)输入参数和/或(一个或多个)引起的输出参数的相关数据的输入和/或输出。
术语“处理器”应该在一般意义上被解释为能够执行程序代码或计算机程序指令以执行特定处理、确定或计算任务的任何系统或装置。
包括一个或多个处理器241的处理电路因此配置成在执行计算机程序231时执行诸如本文描述的那些处理任务的清楚定义的处理任务。术语“处理电路”和“处理器”在本公开中将用作同义表达。
处理电路不必须专用于仅执行上面描述的步骤、功能、过程和/或块，但是还可以执行其它任务。
在特定实施例中，计算机程序231包括指令，所述指令当由至少一个处理器241执行时，使(一个或多个)处理器241向接收网络节点发起获得的UE运动状态估计信息和获得的UE类型状态估计信息中的至少一个的传输作为对针对共享UE状态估计的需要的所获得的指示的响应。获得的UE运动状态估计信息包括最新运动状态更新时间。获得的UE运动状态估计信息还包括对于至少一个UE运动模式的最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率。获得的UE类型状态估计信息包括最新类型状态更新时间。获得的UE类型状态估计信息还包括对于最新类型状态更新时间有效的类型状态概率估计。
在另一特定实施例中，计算机程序239包括指令，所述指令当由至少一个处理器248执行时，使(一个或多个)处理器248从发送网络节点接收UE运动状态估计信息和UE类型状态估计信息中的至少一个作为对针对共享UE状态估计的需要的指示的响应。UE运动状态估计信息包括最新运动状态更新时间。UE运动状态估计信息还包括对于至少一个UE运动模式的最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率。所述UE类型状态估计信息包括最新类型状态更新时间。UE类型状态估计信息还包括对于最新类型状态更新时间有效的类型状态概率估计。所述指令在由(一个或多个)处理器执行时进一步使(一个或多个)处理器基于UE运动状态估计信息和/或UE类型状态估计信息，分别将UE运动状态估计和/或UE类型状态估计传播到当前时间。
所提出的技术还提供了一种包括计算机程序的载体，其中载体是电子信号、光信号、电磁信号、磁信号、电信号、无线电信号、微波信号或计算机可读存储介质中的一种。
作为示例，软件或计算机程序230；231可以实现为计算机程序产品，其通常在计算机可读介质255；251上携带或存储，特别是非易失性介质。计算机可读介质可以包括一个或多个可移动或不可移动的存储器装置，包括但不限于只读存储器(ROM)、随机存取存储器(RAM)、致密盘(CD)、数字多功能盘(DVD)、蓝光盘、通用串行总线(USB)存储器、硬盘驱动器(HDD)存储装置、闪存、磁带或任何其它常规存储器装置。因此，计算机程序可以被加载到计算机或等效处理装置的操作存储器中，以用于由其处理电路执行。
在一个方面，所呈现的技术公开了一种计算机程序产品，其包括其上存储了根据上面描述的计算机程序的计算机可读介质。
图22是示出根据实施例中的任何一个的包括网络节点30的网络装置(ND)40的示例的示意性框图。
根据方面，提供有一种包括如本文所描述的网络节点30的网络装置40。
网络装置可以是无线通信系统中的任何适合的网络装置，或者是与无线通信系统相联系的网络装置。作为示例，网络装置可以是适合的网络节点，诸如基站或接入点。然而，网络装置可以备选地是云实现的网络装置。
根据另一方面，提供有一种无线通信系统中的通信单元10，其中通信单元10包括如本文所述的网络节点30。通信单元可以是无线通信系统中的任何适合的通信单元。作为示例，通信单元可以是无线通信装置，诸如UE、STA或类似的终端用户装置。
当由一个或多个处理器执行时，本文呈现的一个或多个流程图可以被认为是一个或多个计算机流程图。对应的设备可以被定义为功能模块群组，其中由处理器执行的每个步骤对应于功能模块。在这种情况下，功能模块被实现为在处理器上运行的计算机程序。
驻留在存储器中的计算机程序因此可以被组织为适当的功能模块，其配置成当由处理器执行时执行本文描述的步骤和/或任务的至少一部分。
图23是示出用于在无线通信网络内的节点之间共享UE状态估计的网络节点30的示例的示意图。网络节点30包括传输发起器310，其用于向接收网络节点发起获得的UE运动状态估计信息和获得的UE类型状态估计信息中的至少一个的传输作为对针对共享UE状态估计的需要的所获得的指示的响应。获得的UE运动状态估计信息包括最新运动状态更新时间。获得的UE运动状态估计信息还包括对于至少一个UE运动模式的最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率。获得的UE类型状态估计信息包括最新类型状态更新时间。获得的UE类型状态估计信息还包括对于最新类型状态更新时间有效的类型状态概率估计。
图24是示出用于在无线通信网络中的节点之间共享UE状态估计的网络节点30的示例的示意图。网络节点30包括接收器320，其用于从发送网络节点接收UE运动状态估计信息和UE类型状态估计信息中的至少一个作为对针对共享UE状态估计的需要的指示的响应。所接收的UE运动状态估计信息包括最新运动状态更新时间。所接收的UE运动状态估计信息还包括对于至少一个UE运动模式的最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率。所接收的UE类型状态估计信息包括最新类型状态更新时间。所接收的UE类型状态估计还包括对于最新类型状态更新时间有效的类型状态概率估计。网络节点30还包括传播器330，其用于基于UE运动状态估计信息和/或UE类型状态估计信息，分别将UE运动状态估计和/或UE类型状态估计传播到当前时间。
备选地，主要通过硬件模块，或者备选地通过硬件，利用相关模块之间的适当互连来实现图23和24中的(一个或多个)模块是可能的。特定示例包括一个或多个适合配置的数字信号处理器和其它已知的电子电路，例如，互连以执行专用功能的离散逻辑门，和/或如先前所提到的专用集成电路(ASIC)。可使用硬件的其它示例包括输入/输出(I/O)电路和/或用于接收和/或发送信号的电路。软件相对于硬件的程度纯粹是实现选择。
在诸如网络节点和/或服务器的网络装置中提供计算服务(硬件和/或软件)正变得日益流行，在其中资源作为服务通过网络被递送到远程位置。作为示例，这意味着如本文所描述的功能性可以分布或重新定位到一个或多个单独的物理节点或服务器。功能性可以被重新定位或分布到一个或多个联合动作的物理和/或虚拟机，其可以定位在(一个或多个)单独的物理节点中，即在所谓的云中。这有时也被称为云计算，其是用于能够实现对诸如网络、服务器、存储、应用和一般或定制服务的可配置计算资源池的无处不在的按需网络访问的模型。
存在可以在此上下文中有用的不同形式的虚拟化，包括以下中的一个或多个：
将网络功能整合到在定制或通用硬件上运行的虚拟化软件中。这有时被称为网络功能虚拟化。
将单独硬件上运行的包括操作系统的一个或多个应用栈共址到单个硬件平台上。这有时被称为系统虚拟化或平台虚拟化。
硬件和/或软件资源的共址，目的是使用一些高级域级别调度和协调技术来得到增加的系统资源利用。这有时被称为资源虚拟化，或者集中和协调的资源池。
尽管将功能性集中在所谓的通用数据中心中经常可能是期望的，但是在其它场景中，将功能性分布在网络的不同部分上实际上可能是有益的。
图25是示出在一般情况下可以如何在不同网络装置(ND)之间分布或划分功能性的示例的示意图。在此示例中，存在至少两个单独的但互连的网络装置ND 1和ND 2(分别具有附图标记40A和40B)，它们可以具有不同的功能性，或者具有相同功能性的部分(在网络装置40A和40B之间划分)。可以存在附加的网络装置(例如ND 3(具有附图标记40(C))，其是此类分布式实现的一部分。网络装置40A-C可以是相同无线通信系统的一部分，或者网络装置中的一个或多个可以是位于无线通信系统外部的所谓的基于云的网络装置。
图26是示出了无线通信系统的示例的示意图，所述无线通信系统包括与一个或多个基于云的网络装置40协作的接入网络120和/或核心网络130和/或操作和支持系统(OSS)135。与接入网络120和/或核心网络130和/或OSS系统135相关的功能性可以至少部分地被实现用于在基于云的网络装置40中执行，其中在基于云的网络装置与接入网络和/或核心网络和/或OSS系统中的相关网络节点和/或通信单元之间适合地传输信息。
网络装置(ND)一般可以被看作通信地连接到网络中的其它电子装置的电子装置。
作为示例，网络装置可以用硬件、软件或其组合来实现。例如，网络装置可以是专用网络装置或通用网络装置，或其混合。
专用网络装置可以使用定制处理电路和专有操作系统(OS)以用于执行软件，来提供本文公开的特征或功能中的一个或多个。
通用网络装置可以使用普通现货(COTS)处理器和标准OS，以用于执行配置成提供本文所公开的特征或功能中的一个或多个的软件。
作为示例，专用网络装置可以包括硬件，所述硬件包括(一个或多个)处理或计算资源(多个)，其通常包括一个或多个处理器、以及物理网络接口(NI)(其有时称为物理端口)，以及其上存储了软件的非暂时性机器可读存储媒体的集合。物理NI可以被看作网络装置中的硬件，通过所述硬件例如通过无线网络接口控制器(WNIC)或者通过将电缆插入到连接到网络接口控制器(NIC)的物理端口来无线地进行网络连接。在操作期间，软件可以由硬件执行以实例化一个或多个软件实例的集合。(一个或多个)软件实例中的每个以及执行该软件实例的硬件的该部分可以形成单独的虚拟网络元件。
作为另一示例，通用网络装置可以例如包括硬件，所述硬件包括一个或多个处理器(通常是COTS处理器)和(一个或多个)网络接口控制器(NIC)以及其上存储了软件的非暂时性机器可读存储媒体的集合。在操作期间，(一个或多个)处理器执行软件以实例化一个或多个应用的一个或多个集合。虽然一个实施例不实现虚拟化，但是备选实施例可以使用不同形式的虚拟化-例如由虚拟化层和软件容器表示。例如，一个此类备选实施例实现操作系统级别虚拟化，在这种情况下，虚拟化层表示操作系统的内核(或在基本操作系统上执行的垫层(shim))，其允许产生多个软件容器，每个软件容器可以用于执行应用集合中的一个。在示例实施例中，软件容器(也称为虚拟化引擎、虚拟专用服务器或监室(Jail))中的每个是用户空间实例(通常是虚拟存储器空间)。这些用户空间实例可以彼此分离并且与内核空间(操作系统在其中执行)分离；在给定用户空间中运行的应用集合除非明确允许，否则不能访问其它进程的存储器。另一个此类备选实施例实现完全虚拟化，在这种情况下：1)虚拟化层表示管理程序(有时称为虚拟机监视器(VMM))或管理程序在主机操作系统之上执行；以及2)软件容器每个表示被称为虚拟机的紧密隔离形式的软件容器，所述虚拟机由管理程序执行并且可以包括访客操作系统。
管理程序是负责产生和管理各种虚拟化实例并且在一些情况下是实际物理硬件的软件/硬件。管理程序管理底层资源并将它们呈现为虚拟化实例。管理程序虚拟化以作为单个处理器出现的东西实际上可以包括多个单独的处理器。从操作系统的角度来看，虚拟化实例作为实际硬件组件出现。
虚拟机是物理机器的软件实现，其运行程序，就像它们在物理的非虚拟化机器上执行一样；并且应用一般不知道它们正在虚拟机上运行(与在“裸机”主机电子装置上运行相反)，尽管为了优化目的一些系统提供了允许操作系统或应用知道虚拟化的存在的半虚拟化。
一个或多个应用的一个或多个集合以及虚拟化层和软件容器(如果被实现)的实例化被统称为(一个或多个)软件实例。应用的每个集合、对应的软件容器(如果被实现)以及执行它们的硬件的该部分(它是专用于该执行的硬件和/或由软件容器临时共享的硬件的时间分片)形成单独的(一个或多个)虚拟网络元件。
与(一个或多个)虚拟网络元件(VNE)相比，(一个或多个)虚拟网络元件可以执行类似的功能性。硬件的这种虚拟化有时被称为网络功能虚拟化(NFV)。因此，NFV可以用于将许多网络装置类型整合到工业标准的高容量服务器硬件、物理交换机和物理存储装置上，它们可以位于数据中心、ND和客户驻地设备(CPE)中。然而，不同的实施例可以不同地实现(一个或多个)软件容器中的一个或多个。例如，虽然实施例被示出每个软件容器对应于VNE，但是备选实施例可以以更精细的粒度级别实现软件容器-VNE之间的这种对应或映射；应该理解到，本文参考软件容器与VNE的对应描述的技术也适用于使用这种更精细粒度级别的实施例。
根据又一实施例，提供有混合网络装置，其在网络装置中(例如在ND内的卡或电路板中)包括定制处理电路/专有OS和COTS处理器/标准OS两者。在此类混合网络装置的某些实施例中，平台虚拟机(VM)(诸如实现专用网络装置的功能性的VM)可以向混合网络装置中存在的硬件提供半虚拟化。
针对本公开中所公开的问题的技术依赖于多个组件，所述组件在上面和下面进一步讨论。优选地，存在基于相对于多个基站的高精确度往返时间测量的新颖高精确度范围信息。此外，优选地存在新颖的无人机移动建模方法。此外，优选地存在融合范围测量和移动模建模信息的新颖无人机状态估计算法。此外，优选地存在使用估计的流氓无人机状态的新Bayesian处理的新颖无人机检测。最后，存在流氓无人机身份和类型的新颖信令以用于干扰减轻和/或飞行限制。
上面描述的实施例仅作为示例给出，并且应该理解到，所提出的技术不限于此。本领域技术人员将理解，在不脱离如由所附权利要求定义的当前范围的情况下，可以对实施例进行各种修改、组合和改变。特别地，不同实施例中的不同部分解决方案可以在技术上可能的情况下以其它配置组合。
附录A
往返时间(RTT)测量对无线电波从基站到UE以及返回的行进时间进行测量。给定往返时间测量RTT，范围遵循：
其中c表示光速。RTT测量的原理在图2中示出。基站在时刻t1传送信号。信号传播到UE，所述UE在时刻t2接收信号。UE通过应答信号进行应答，所述应答信号在时刻t3传送。应答信号在时刻t4在基站中接收。UE跟踪第一信号的接收与应答信号的传输之间的延迟UERxTx，并且通常在无线电资源协议(RRC)消息中向基站发信号通知此延迟时间。在UE中UERxTx被测量为：
UE RxTx＝t3-t2 (A2)
在基站侧，真实RTT时间然后可以被获得为：
RTT＝t4-t1-UE RxTx.(A3)
可以注意到，测量的不精确度的主要贡献源自UE和基站中的两个接收过程。在自由空间传播中，一种此类测量的理论不精确度与测量带宽成反比，为：
这意味着，在测量带宽例如是30MHz的情况下，则可能的最佳时间不精确度是2.65ns，其对应于略小于1m，从而对应于1个∑值。由于两个独立的测量过程用于RTT，40MHz测量带宽将引起大约1m的组合RTT测量不精确度。
附录B
图3中描绘了所谓的多传感器状态估计系统的一个示例框图。
此特定系统的操作可以简要地解释如下。首先从附连到移动对象估计系统的传感器收集由选通(strobe)和曲线(plot)组成的测量。选通是仅角度测量，并且曲线是笛卡尔位置测量。将曲线和选通发送到输入处理单元以用于与现有三维状态估计关联。关联是确定哪些测量属于每个状态估计的过程。
在每个传感器的测量空间中执行关联，即，将通常驻留在地球正切的笛卡尔坐标系中的状态估计变换到每个传感器的测量空间。然后，关联的数据在状态估计内核中更新状态估计，通常通过Kalman滤波技术，如下面进一步讨论的那样。不关联的曲线和选通可以源自新的对象，并且它们被发送到曲线处置器或选通处置器，以用于发起新的状态估计。交叉(cross)是暂时与新对象关联的选通对。与高质量估计关联的曲线和选通也用于在传感器注册块中计算传感器偏差参数。
如果在无线通信系统中实现此类状态估计技术，则输入测量可以具有仅范围特性。换句话说，测量从传感器到状态估计的对象的距离，但是方向基本上是未知的。
此外，可以实现一些简化。在无线通信系统中，当附连到蜂窝系统时，每个UE具有唯一的ID。这意味着不需要上面描述关联过程。此外，在无线通信系统中一般不需要高级状态发起，但是已知技术可以与这里呈现的技术组合以用于进一步增强。最后，在本实现中通常不需要上面描述的传感器注册。然而，已知技术可以与当前思想组合以用于进一步增强。
附录C
当多个动态模式描述对象(其状态被估计)的行为时，存在许多已知的方法以用于估计。
执行此类估计的第一种且最一般的方式将要取决于目标状态的联合概率分布。在现有技术中，这种状态在时间上向前传播已知由所谓的Fokker-Planck偏微分方程来支配(govern)。通过多维积分来执行测量处理，以从测量的可能性和先验概率分布获得后验概率状态分布。这个过程在名字Bayesian推断下是已知的。然而，它比下面进一步公开的解决方案在计算上复杂得多并且存储器密集得多。顺便可以提到，Bayesian推断现今由所谓的粒子滤波近似，其中概率密度函数在单独“粒子”方面被离散化。由于粒子滤波仍然比所公开的解决方案复杂得多，因此这里不进一步详细讨论细节。
在另一复杂度极端，每个模式可以被分别建模并且也被分别估计。然后可以使用特别逻辑来选择移动模式。以该方式设计了例如用于空中交通工具的传统状态估计。一种移动模式被假设为恒定速度移动，即直线移动，并且另一种移动模式是机动模式，其通过响应于具有比恒定速度模式高得多的敏捷性的测量的泄漏恒定速度移动来建模。最后，在认为更好地匹配测量的情况下，使用机动检测器来选择机动滤波器。在机动终止之后，重新初始化的恒定速度移动模式被用于状态估计。这种方法是稳健的，但是在选择用于机动检测器的阈值方面遭受困难。
通过在大约30年前发现的交互-多-模型(IMM)滤波器，提供了一种对目前状态估计问题的更系统性的方法。
IMM算法假设系统根据有限数量的模型中的一个(其是若干模式中的一个)来行动。这些模型在噪声级别或它们的结构方面可以不同，诸如不同的状态维度和未知的输入。在IMM方法中，在时间k，使用r个滤波器在每个可能模型下计算状态估计，其中每个滤波器使用先前模型条件的估计-混合的初始条件的不同组合。
图4描述了典型IMM算法的一个循环，其由并行操作的r个交互滤波器组成。在附录D中更详细地描述了IMM算法。
为了设置IMM滤波器，需要进行三个主要选择。首先，必须定义移动模式。其次，必须定义移动模式之间的转变概率。最后，必须选择滤波器的初始条件。
对于每个移动模式，这通过将状态映射到测量相当于状态空间模型的定义，即，定义动态的一个向量差分方程，以及定义测量关系的另一静态向量方程。此外，测量方程和动态状态模型的不精确度需要在不确定性的协方差矩阵方面给出。
第二选择在隐马尔可夫模型方面描述模式如何交互，这在估计对象在两个离散时间实例之间的模式转变的概率方面被表达。
第三选择通常在每个模型的预期初始状态和协方差方面进行。
所有这些选择通常对IMM的实际实现是特定的并且因此对于每个新的实现或多或少是唯一的。
对于每个滤波器Mj，j＝1，…，r，通常使用非线性扩展Kalman滤波(EKF)。EKF基于非线性系统的线性近似。它可以用于估计由具有加性高斯白噪声的向量差分方程(其对不可预测的干扰进行建模)描述的离散时间动态系统的状态。
图5中示出了典型的EKF滤波的流程图，并且在附录E中更详细地描述了EKF。
附录D
图4描述了典型IMM算法的一个循环，其由并行操作的r个交互的滤波器组成。在状态交互/混合单元处，在滤波器的输入处，通过以数据Zk-1为条件的概率进行混合。IMM算法的结构是：
(Ne；Nf)＝(r；r)，(D1)
其中Ne是在算法循环开始时的估计的数量，并且Nf是算法中的滤波器数量。
算法的一个循环由以下组成。计算混合概率(i，j＝1，…，r)。倘若Mj在k以Zk-1为条件有效，则模式Mi在时间k-1有效的概率是：
/>
其中归一化常数由下面的方程给出。此方程使用模式转变概率pij，其是估计的对象在时间k处于模式j的相应概率，以在时间k-1处于模式i为条件。归一化常数的表达是：
接下来，对(j＝1，…r)执行混合。以开始，匹配到Mj(k)的滤波器的混合初始条件的一个分量为：
对应于上面的协方差是：
其中'表示转置。
接下来，对(j＝1，…r)执行模式匹配滤波。在方程(5)中获得的估计和协方差被用作匹配到Mj(k)的滤波器的输入，其使用z(k)来产生和Pj(k|k)。
对应于r个滤波器的可能性函数：
Λj(k)＝p[z(k)|Mj(k)，Zk-1] (D6)
使用混合初始条件和关联的协方差被计算为：
对(j＝1，…，r)执行模型概率更新。这被完成如下：
其中在上面给出，并且
是归一化因子。
执行估计和协方差组合。以模型为条件估计协方差的组合根据混合方程来完成：
附录(E)
EKF的动态模型是：
x(k+1)＝F(k)x(k)+v(k)，(E1)
其中x(k)是nx-维度状态向量，并且v(k)，k＝0，1，…是具有如下协方差的零均值白高斯过程噪声(也是nx向量)的序列：
测量方程为：
z(k)＝h(x(k)，k)+w(k)k＝1，…(E3)
其中h(.))是状态的非线性函数并且w(k)是具有如下协方差的零均值高斯测量噪声的序列：
假设矩阵F、Q、R和函数h(.)是已知的并且可能是时变的。换句话说，系统可以是时变的，并且噪声是非固定的。相对于k的测量模型h(x(k)，k)的雅可比矩阵定义为：
一般未知的初始状态x(0)被建模为随机变量，具有已知均值和协方差的高斯分布。假设两个噪声序列和初始状态是相互独立的。这构成了线性高斯(LG)假设。
条件平均：
其中Zk＝{z(j)，j≤k}表示在时间k可用的观察序列是状态的估计(如果j＝k)和状态的预测值(如果j＞k)。给定数据Zk或与估计关联的协方差，x(j)的条件协方差矩阵是：
估计算法通过假设成可用的关联的初始协方差P(0|0)和x(0)的初始估计千始。第二(条件)索引0代表Z0初始信息。
动态估计算法-扩展Kalman滤波(EKF)的一个循环——将因此由计算组成以获得估计：
其是给定直到并包括时间k的观测的在时间k(当前阶段)的状态的条件平均，并且关联的协方差矩阵：
它仍然描述到下一更新时间的传播。这通过以下方程获得：
P(k+1|k)＝AP(k|k)AT+Q(k).(E11)
附录F
下面的3-模式模型被认为构成了移动模式的新组合，其适于无人机能够进行的悬停移动。这三个模型是3D恒定速度移动Wiener过程、3D恒定加速度移动Wiener过程和3D恒定位置Wiener过程。注释“恒定”虑及微小波动，使得第一模型实际上涉及几乎恒定速度移动，第二模型实际上涉及几乎恒定的加速度移动，并且第三模型实际上涉及几乎悬停恒定位置移动。
使用以下状态描述连续时间状态空间恒定速度模型：
其中下标定义笛卡尔坐标方向。模型是：
其中
过程噪声协方差矩阵是：
其中，q11、q12和q13是过程噪声协方差。
连续时间状态空间恒定加速度模型使用以下状态来定义：
其中下标定义笛卡尔坐标方向。模型是：
过程噪声协方差矩阵是/>
连续时间状态空间恒定位置悬停模型由以下状态定义：
其中下标定义笛卡尔坐标方向。模型是：
过程噪声协方差是
优选IMM滤波过程的另一方面与无人机移动的物理性质相关。当无人机处于恒定速度移动时，它不能立即停止，而是它进行制动。这意味着模式转变的序列是从模式l经过模式2到模式3。从模式1到模式3的直接模式传输被禁止。这通过IMM滤波器的模式转变概率矩阵中的新约束(也就是下式)来反映：
新限制被选择为以下限制：
p13≤ε13，p31≤ε31.(F12)
这里，ε13和ε31两者比1小得多。
可以基于RTT测量使用非线性范围测量模型。基于RTT的范围测量模型是：
其中xs(·)表示站点位置，并且常数c是光速。测量模型的导数被定义为：
在此示例中，假设在更新的时间相对于一个站点进行测量。在应用中，多个测量将作为新的行而出现。还注意到，如这里给出的雅可比矩阵以用于悬停模式。明显的修改对于恒定速度和恒定加速度模型出现。
附录G
用于计算地面的平均海平面以上的高度的模型将对定义技术是有用的。此类系统的第一示例将是完整的地理信息系统(GIS)，其由覆盖蜂窝系统的区域的地面高度图组成。第二示例将是对于蜂窝系统的每个天线站点使用配置的地面高度。第三示例将是使用地面高度的模型(在蜂窝系统的每个小区的内部有效)，其通过[1]T.Wigren，“Wireless hybridpositioning based on surface modeling with polygon support”，2018年六月，葡萄牙，Porto，VTC 2018春季期刊的方法获得。
附录H
当Bayesian方法用于检测流氓无人机时，基于特征集合来估计每种类型或对象的类型的集合的概率。可以利用运动能力。然而，此类特征通常基于硬列表信息而没有不确定性，这是当前技术领域的问题。
在优选情况下，因此区别了两种UE类型，也就是说，无人机UE和“陆地”UE。后者被称为“非无人机”。在下面的数学描述中，这些分别表示为D和因此，第一状态被选择成P(D|zt)∝P(zt|D)P(D)，即，以测量为条件的无人机的概率。类似地，第二状态被选择成即，以测量为条件的不是无人机的概率。这里∝意味着“与...成比例”。
在这些状态的第一变换中，Bayes规则被用于将状态分解成测量集合zt的可能性，乘以先验概率。
当关联的UE的运动状态估计被更新时，UE类型状态需要被更新。为了了解如何定义所牵涉的近似，其可以写成：
给定图1的动机，因此将可能性视为估计的IMM状态的可能性，其应该根据估计理论理想地包含对象的所有信息。然后，将可能性表达为指示符函教均函数，其中无论何时状态与区分特征f集合一致，可能性是(接近)最大值。区分特征是运动状态估计的特征，其将无人机UE与非无人机UE的典型行为区别。这里下面进一步详细描述区分特征的集合、可能性的评估和状态的更新。
上面方程的含义是，假如计算了可能性，则可以在时间t上通过迭代根据P(D|zt-1)计算P(D|zt)。定义方程示出迭代要通过先验概率初始化。然后获得真正的递归检测算法。
在上面两-类型-状态情况下，另一状态更新迭代类似地遵循：
初始化两种类型的分量：
P(t0，D|z0)＝PD (H3)
并且针对t：＝t+T进行迭代。
更新的最后步骤是归一化步骤，意图保持状态类型概率的总和等于一，即：
/>
接着是：
P(D|zt)＝Pnorm(D|zt) (H7)
在此之后，针对新的迭代设置一切。
特征可能性计算的优选基础思想是要假设运动UE类型区分特征是独立的，并且因此可以针对每个特征单独地执行类型概率更新。
为了示出特征可能性计算，首先考虑具有与高度相联系的区分特征的情况。运动状态估计的高度，减去地面高度模型值，连同不确定性测量(例如标准偏差)，是区分特征的目的。在蜂窝系统的小区中，选择基于无人机的高度通常大于陆地用户的高度的事实。
可能性由给出，其中hmax表示阈值高度，参考方程(H1)。这里，假设指示符函数在与无人机的概率一致的高度区域中等于一，并且否则等于零。因此，假设高度hmax以上的每一个估计的高度指无人机UE，并且其以下(但是在地面上方)的一切事物可以指无人机或非无人机。因此在此示范情况下它是阶跃函数。如公知的，此类阶跃或Heaviside函数可以通过在由第一正狄拉克delta函数和第二负狄拉克delta函数组成的分布上的积分而生成，即，在以下高度的情况下：
遵循其因为行人或汽车不能位于在高度hmax以上，并且也不能位于地面以下，参考图6。
现在，此特征信息是不确定的。对于状态估计相同情况也为真。然而，这里假设运动状态估计不确定性通过特征信息不确定性的增加来考虑。然后，进一步优选的基础思想是通过概率分布代替上面方程中的狄拉克delta函数。概率分布然后用于平滑指示符函数。为了计算方便，在当前情况下选择高斯一维概率分布函数。然而，这不意图被认为是任何限制性特征。也可以使用对不确定性建模的任何其它概率分布函数。
然后，概率被认为与指示符函数成比例。然后，特征可能性的计算遵循：
其中误差函数erf(.)被定义为：
/>
该过程对于其它运动UE类型区分特征是相同的。
已经识别了与无人机行为关联的有用的运动UE类型区分特征集合。可以选择这里下面呈现的运动UE类型区分特征中的一个或若干以用于在上面描述的过程。换句话说，由所公开的检测算法使用的特征集合优选地是状态的至少以下函数的子集。
如已经指示的，减去了地面高度模型值的运动状态估计的高度可以连同不确定性测量(例如如下面讨述的标准偏差)使用。另一运动UE类型区分特征是运动状态估计/>的高度速度，连同特征不确定性，例如如上面讨论的标准偏差。运动状态估计/>的水平速度，连同特征不确定性(例如如上面讨论的标准偏差)也可以使用。运动状态/>的加速度的大小，连同特征不确定性(例如如上面讨论的标准偏差)是另一种可能性。还可以使用状态向量/>的水平位置连同特征不确定性(例如如上面讨论的标准偏差)。
通常，当执行运动状态估计时，需要丢弃旧的信息。这优选地通过在本IMM滤波器的每个EKF模式中系统噪声协方差矩阵和测量协方差矩阵的大小之间的公知折衷来实现。
在类型估计中，可以优选地还需要信息丢弃。实现此的一种方式是要假设类型概率朝向恒定概率向量的线性扩散，通常对于每种类型的备选具有相等的概率。考虑时间间隔[t，t+Δt]，其遵循：
P(t+Δt，D|zt)-P(t，D|zt)≈-αP(t，D|zt)Δt+αPDΔt.(H13)
这里α是预定的常数，并且PD是常数，通常是初始的无人机概率。让时间间隔靠近零，给出了具有解的线性微分方程：
P(t+T，D|zt)＝PD+(P(t，D|zt)-PD)α-αT.(H14)
此方程可以用于在两个更新时间实例之间传播无人机的概率。可以针对不是无人机的概率导出等效方程。
可以以许多方式来进行将UE指配成无人机UE。最简单和优选的方式是宣布状态估计表示无人机，只要：
P(D|zt)＞thresholdassign，(H15)
其中thresholdassign是略小于1的预定指配阈值。
附录I
LTE X2 HO过程在图10中示出。主要通信直接在所牵涉的eNB之间发生。测量报告间歇地从UE 10发送到源eNB 31。当检测到对HO的需要时，例如当到目标eNB 32的连接似乎有益时，源eNB 31向目标eNB 32发送HO请求。目标eNB通过HO请求确认进行应答。源eNB 31向UE 10发送对无线电资源控制(RRC)连接重新配置的请求。UE 10通过RRC连接重新配置完成消息向目标eNB 32进行应答。目标eNB向移动性管理实体(MME)34发送路径切换请求，所述移动性管理实体(MME)34通过路径切换请求确认进行应答。目标eNB 32向源eNB 34发送UE上下文释放消息作为改变的确认。从目标eNB 32向UE 10发送对RRC连接重新配置的请求，所述UE 10通过RRC连接重新配置完成消息向目标eNB 32进行应答。
还可以执行LTE S1 HO过程。然后，MME在该过程中更活跃。这在图11中示意性地示出。测量报告间歇地从UE 10发送到源eNB31。当检测到对HO的需要时，例如当到目标eNB 32的连接似乎有益时，源eNB 31向MME 34发送要求HO的消息。MME 34向目标eNB 32发送HO请求，并且目标eNB 32通过HO请求确认来向MME 34进行应答。源eNB 31向UE 10发送RRC连接重新配置消息。MME 34向目标eNB 32传输MME状态。UE上下文释放命令从MME 34发送到源eNB 31，其通过UE上下文释放完成消息进行应答。MME 34还将对RRC连接重新配置的请求从目标eNB 32发送到UE 10，所述UE通过RRC连接重新配置完成消息向目标eNB 32进行应答。
缩略词
ASIC 专用集成电路
BTS 基站收发信台
CD 致密盘
COTS 普通现货
CPE 客户驻地设备
CPU 中央处理单元
DSP 数字信号处理器
DVD 数字多功能光盘
EKF 扩展Kalman滤波
eNB 演进节点B
EPC 演进分组核心
E-UTRA 演进通用陆地无线电接入
FPGA 现场可编程门阵列
GIS 地理信息系统
GNBS 下一代NodeB
HDD 硬盘驱动器
HO 切换
HW 硬件
IE 信息元素
IMM 交互-多-模型
I/O 输入/输出
LEE 膝上型嵌入式设备
LG 线性高斯
LME 膝上型安装设备
LTE 长期演进
MEM 存储器单元
MME 移动性管理实体
NB 节点B
ND 网络装置
NFV 网络功能虚拟化
NI 网络接口
NIC 网络接口控制器
NR 新空口
OS 操作系统
OSS 操作和支持系统
PC 个人计算机
PDA 个人数字助理
PDU 协议数据单元
PLC 可编程逻辑控制器
RAM 随机存取存储器
REG 寄存器
ROM 只读存储器
RRU 远程无线电单元
RTT 往返时间
SAR 合成孔径雷达
STA 站
STMSI 服务临时移动订阅身份
SW 软件
UE 用户设备
USB 通用串行总线
VM 虚拟机
VMM 虚拟机监视器
VNE 虚拟网络元件
WNIC 无线网络接口控制器
参考文献
[1]T.Wigren，“Wireless hybrid positioning based on surface modelingwith polygon support”，2018年六月，葡萄牙，波尔图，VTC201春季期刊。

Claims (49)

1.一种用于在无线通信网络(1)内的节点之间共享用户设备(10)状态估计的方法，所述方法包括以下步骤：
向接收网络节点(32)发起(S3)获得的用户设备(10)运动状态估计信息和获得的用户设备(10)类型状态估计信息中的至少一个的传输作为对针对共享用户设备(10)状态估计的需要的所获得的指示的响应；
所述获得的用户设备(10)运动状态估计信息包括最新运动状态更新时间，以及对于至少一个用户设备(10)运动模式的所述最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率；
所述获得的用户设备(10)类型状态估计信息包括最新类型状态更新时间，以及对于所述最新类型状态更新时间有效的类型状态概率估计；
给出所述类型状态概率估计而执行用户设备(10)类型状态估计，所述类型状态概率估计包括针对所述用户设备(10)是无人机(11)的概率估计，要向基站(20)执行所述传输，要从基站(20)执行所述传输，要经由核心网络节点(34)在两个基站(20)之间执行所述传输。
2.根据权利要求1所述的方法，其特征在于：发起(S3)传输的所述步骤包括发起(S4)获得的用户设备(10)运动状态估计信息的传输。
3.根据权利要求2所述的方法，通过以下的另外步骤来表征：
给出所述模式状态向量估计、所述模式协方差矩阵和所述模式概率而执行(S1)用户设备(10)运动状态估计。
4.根据权利要求2或3所述的方法，其特征在于：所述获得的用户设备(10)运动状态估计信息还包括跟踪坐标系参数。
5.根据权利要求2或3所述的方法，其特征在于：所述获得的用户设备(10)运动状态估计信息还包括所述至少一个用户设备(10)运动模式中的每个的系统噪声协方差矩阵。
6.根据权利要求2或3所述的方法，其特征在于：所述获得的用户设备(10)运动状态估计信息还包括所述至少一个用户设备(10)运动模式中的每个的测量噪声协方差矩阵。
7.根据权利要求1至3中的任一项所述的方法，其特征在于：发起(S3)传输的所述步骤包括发起(S4)获得的用户设备(10)类型状态估计信息的传输。
8.根据权利要求7所述的方法，其特征在于：所述用户设备(10)类型状态估计信息还包括针对所述用户设备(10)不是无人机的概率估计。
9.根据权利要求7所述的方法，其特征在于：所述用户设备(10)类型状态估计信息还包括用于所述用户设备(10)类型状态估计的区分特征的参数。
10.根据权利要求1至3中任一项所述的方法，其特征在于：针对共享用户设备(10)状态估计的需要的所述指示是切换请求。
11.根据权利要求1至3中任一项所述的方法，其特征在于：所述传输要经由私有消息来执行。
12.一种用于在无线通信网络(1)中的节点之间共享用户设备(10)状态估计的方法，包括以下步骤：
从发送网络节点(31)接收(S10)用户设备(10)运动状态估计信息和用户设备(10)类型状态估计信息中的至少一个作为对针对共享用户设备(10)状态估计的需要的指示的响应；
所述用户设备(10)运动状态估计信息包括最新运动状态更新时间，以及对于至少一个用户设备(10)运动模式的所述最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率；
所述用户设备(10)类型状态估计信息包括最新类型状态更新时间，以及对于所述最新类型状态更新时间有效的类型状态概率估计；以及
基于用户设备(10)运动状态估计信息或用户设备(10)类型状态估计信息，分别将所述用户设备(10)运动状态估计和用户设备(10)类型状态估计中的至少一个传播(S13)到当前时间，基于所述类型状态概率估计执行(S17)用户设备(10)类型状态估计，所述用户设备(10)类型状态估计基于所述最新类型状态更新时间传播到当前时间，所述类型状态概率估计包括针对所述用户设备(10)是无人机(11)的概率估计，在基站(20)中执行所述接收，从基站(20)接收用户设备(10)运动状态估计信息和用户设备(10)类型状态估计信息中的所述至少一个，经由核心网络节点(34)从基站(20)中的基站(20)接收用户设备(10)运动状态估计信息和用户设备(10)类型状态估计信息中的所述至少一个。
13.根据权利要求12所述的方法，其特征在于：接收(S10)的所述步骤包括接收(S11)用户设备(10)运动状态估计信息，以及传播(S13)的所述步骤包括将所述用户设备(10)运动状态估计传播(S14)到当前时间。
14.根据权利要求13所述的方法，通过以下的另外步骤来表征：
基于所述模式状态向量估计、所述模式协方差矩阵和所述模式概率执行(S16)用户设备(10)运动状态估计，所述用户设备(10)运动状态估计基于所述最新运动状态更新时间传播到当前时间。
15.根据权利要求12或13所述的方法，其特征在于：所述接收的用户设备(10)运动状态估计信息还包括跟踪坐标系参数。
16.根据权利要求12或13所述的方法，其特征在于：所述接收的用户设备(10)运动状态估计信息还包括所述至少一个用户设备(10)运动模式中的每个的系统噪声协方差矩阵。
17.根据权利要求12或13所述的方法，其特征在于：所述接收的用户设备(10)运动状态估计信息还包括所述至少一个用户设备(10)运动模式中的每个的测量噪声协方差矩阵。
18.根据权利要求12或13所述的方法，其特征在于：接收(S10)的所述步骤包括接收(S12)用户设备(10)类型状态估计信息，以及传播(S13)的所述步骤包括将所述用户设备(10)类型状态估计传播(S15)到当前时间。
19.根据权利要求18所述的方法，其特征在于：所述用户设备(10)类型状态估计信息还包括针对所述用户设备(10)不是无人机的概率估计。
20.根据权利要求19所述的方法，其特征在于：所述用户设备(10)类型状态估计信息还包括用于所述用户设备(10)类型状态估计的区分特征的参数。
21.根据权利要求19所述的方法，其特征在于：针对共享用户设备(10)状态估计的需要的所述指示是切换请求。
22.根据权利要求19所述的方法，其特征在于：经由私有消息来执行所述接收。
23.一种网络节点(30)，配置用于在无线通信网络(1)内共享用户设备(10)状态估计，其中所述网络节点(30)配置成向接收网络节点(32)发起获得的用户设备(10)运动状态估计信息和获得的用户设备(10)类型状态估计信息中的至少一个的传输作为对针对共享用户设备(10)状态估计的需要的所获得的指示的响应；
所述获得的用户设备(10)运动状态估计信息包括最新运动状态更新时间，以及对于至少一个用户设备(10)运动模式的所述最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率；
所述获得的用户设备类型状态估计信息包括最新类型状态更新时间，以及对于所述最新类型状态更新时间有效的类型状态概率估计，所述网络节点(30)还配置成给出所述类型状态概率估计而执行用户设备(10)类型状态估计，所述类型状态概率估计包括针对所述用户设备(10)是无人机(11)的概率估计，要向基站(20)执行所述传输，所述网络节点(30)是基站(20)，要经由核心网络节点(34)在两个基站(20)之间执行所述传输，所述网络节点(30)包括处理器(241)和存储器(251)，所述存储器(251)包括由所述处理器(241)可执行的指令，由此所述处理器(241)操作以向接收网络节点(32)发起获得的用户设备(10)运动状态估计信息和获得的用户设备(10)类型状态估计信息中的至少一个的传输作为对针对共享用户设备(10)状态估计的需要的所获得的指示的响应。
24.根据权利要求23所述的网络节点，其中所述网络节点(30)包括通信电路(201)。
25.根据权利要求23或24所述的网络节点，其特征在于：所述网络节点(30)配置成发起获得的用户设备(10)运动状态估计信息的传输。
26.根据权利要求25所述的网络节点，其特征在于：所述网络节点(30)还配置成给出所述模式状态向量估计、所述模式协方差矩阵和所述模式概率而执行用户设备(10)运动状态估计。
27.根据权利要求26所述的网络节点，其特征在于：所述获得的用户设备(10)运动状态估计信息还包括跟踪坐标系参数。
28.根据权利要求26或27所述的网络节点，其特征在于：所述获得的用户设备(10)运动状态估计信息还包括所述至少一个用户设备(10)运动模式中的每个的系统噪声协方差矩阵。
29.根据权利要求26或27所述的网络节点，其特征在于：所述获得的用户设备(10)运动状态估计信息还包括所述至少一个用户设备(10)运动模式中的每个的测量噪声协方差矩阵。
30.根据权利要求26或27所述的网络节点，其特征在于：所述网络节点(30)配置成发起获得的用户设备(10)类型状态估计信息的传输。
31.根据权利要求30所述的网络节点，其特征在于：所述用户设备(10)类型状态估计信息还包括针对所述用户设备(10)不是无人机的概率估计。
32.根据权利要求26或27所述的网络节点，其特征在于：所述用户设备(10)类型状态估计信息还包括用于所述用户设备(10)类型状态估计的区分特征的参数。
33.根据权利要求26或27所述的网络节点，其特征在于：针对共享用户设备(10)状态估计的需要的所述指示是切换请求。
34.根据权利要求26或27所述的网络节点，其特征在于：要经由私有消息来执行所述传输。
35.一种网络节点(30)，配置用于在无线通信网络(1)内共享用户设备(10)状态估计，其中所述网络节点(30)配置成从发送网络节点(31)接收用户设备(10)运动状态估计信息和用户设备(10)类型状态估计信息中的至少一个作为对针对共享用户设备(10)状态估计的需要的指示的响应；
所述用户设备(10)运动状态估计信息包括最新运动状态更新时间，以及对于至少一个用户设备(10)运动模式的所述最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率；
所述用户设备(10)类型状态估计信息包括最新类型状态更新时间，以及对于所述最新类型状态更新时间有效的类型状态概率估计；以及
其中所述网络节点(30)还配置成基于所述用户设备(10)运动状态估计信息或所述用户设备(10)类型状态估计信息，分别将所述用户设备(10)运动状态估计和所述用户设备(10)类型状态估计中的所述至少一个传播到当前时间，所述网络节点还配置成基于所述类型状态概率估计执行用户设备(10)类型状态估计，所述用户设备(10)类型状态估计基于所述最新类型状态更新时间传播到当前时间，所述类型状态概率估计包括针对所述用户设备(10)是无人机(11)的概率估计，所述网络节点(30)是基站(20)，从基站(20)接收用户设备(10)运动状态估计信息和用户设备(10)类型状态估计信息，经由核心网络节点(34)从基站(20)接收用户设备(10)运动状态估计信息和用户设备(10)类型状态估计信息，所述网络节点(30)包括处理器(241)和存储器(251)，所述存储器(251)包括由所述处理器(241)可执行的指令，由此所述处理器(241)操作以基于所述用户设备(10)运动状态估计信息或所述用户设备(10)类型状态估计信息，分别将用户设备(10)运动状态估计和用户设备(10)类型状态估计中的所述至少一个传播到当前时间。
36.根据权利要求35所述的网络节点，其中所述网络节点(30)包括通信电路(201)，由此所述通信电路(201)配置成接收用户设备(10)运动状态估计信息和用户设备(10)类型状态估计信息中的所述至少一个。
37.根据权利要求35或36所述的网络节点，其特征在于：所述网络节点(30)配置成接收用户设备(10)运动状态估计信息。
38.根据权利要求37所述的网络节点，其特征在于：所述网络节点(30)还配置成基于所述模式状态向量估计、所述模式协方差矩阵和所述模式概率执行用户设备(10)运动状态估计，所述用户设备(10)运动状态估计基于所述最新运动状态更新时间传播到当前时间。
39.根据权利要求35或36所述的网络节点，其特征在于：所述接收的用户设备(10)运动状态估计信息还包括跟踪坐标系参数。
40.根据权利要求35或36所述的网络节点，其特征在于：所述接收的用户设备(10)运动状态估计信息还包括所述至少一个用户设备(10)运动模式中的每个的系统噪声协方差矩阵。
41.根据权利要求35或36所述的网络节点，其特征在于：所述接收的用户设备(10)运动状态估计信息还包括所述至少一个用户设备(10)运动模式中的每个的测量噪声协方差矩阵。
42.根据权利要求35或36所述的网络节点，其特征在于：所述网络节点配置成接收用户设备(10)类型状态估计信息。
43.根据权利要求42所述的网络节点，其特征在于：所述用户设备(10)类型状态估计信息还包括针对所述用户设备(10)不是无人机的概率估计。
44.根据权利要求43所述的网络节点，其特征在于：所述用户设备(10)类型状态估计信息还包括用于所述用户设备(10)类型状态估计的区分特征的参数。
45.根据权利要求43所述的网络节点，其特征在于：针对共享用户设备(10)状态估计的需要的所述指示是切换请求。
46.根据权利要求45所述的网络节点，其特征在于：经由私有消息来执行所述接收。
47.一种无线通信网络(1)，包括根据权利要求23至34中任一项所述的至少一个网络节点(30)和根据权利要求35至46中任一项所述的至少一个网络节点(30)。
48.一种计算机程序产品(25)，包括在其上存储有计算机程序(230；231)的计算机可读介质，所述计算机程序(230；231)包括指令，所述指令在由至少一个处理器(241)执行时使所述至少一个处理器(241)向接收网络节点(32)发起获得的用户设备(10)运动状态估计信息和获得的用户设备(10)类型状态估计信息中的所述至少一个的传输作为对针对共享用户设备(10)状态估计的需要的所获得的指示的响应；
所述获得的用户设备(10)运动状态估计信息包括最新运动状态更新时间，以及对于至少一个用户设备(10)运动模式的所述最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率；
所述获得的用户设备(10)类型状态估计信息包括最新类型状态更新时间，以及对于所述最新类型状态更新时间有效的类型状态概率估计，
给出所述类型状态概率估计而执行用户设备(10)类型状态估计，所述类型状态概率估计包括针对所述用户设备(10)是无人机(11)的概率估计，要向基站(20)执行所述传输，要从基站(20)执行所述传输，要经由核心网络节点(34)在两个基站(20)之间执行所述传输。
49.一种计算机程序产品(25)，包括在其上存储有计算机程序(230；231)的计算机可读介质，所述计算机程序(230；231)包括指令，所述指令在由至少一个处理器(241)执行时使所述至少一个处理器(241)从发送网络节点(31)接收用户设备(10)运动状态估计信息和用户设备(10)类型状态估计信息中的至少一个作为对针对共享用户设备(10)状态估计的需要的指示的响应；
所述用户设备(10)运动状态估计信息包括最新运动状态更新时间，以及对于至少一个用户设备(10)运动模式的所述最新运动状态更新时间有效的模式状态向量估计、模式协方差矩阵和模式概率；
所述用户设备(10)类型状态估计信息包括最新类型状态更新时间，以及对于所述最新类型状态更新时间有效的类型状态概率估计；以及
其中所述指令在由所述至少一个处理器(241)执行时进一步使所述至少一个处理器(241)基于所述用户设备(10)运动状态估计信息或所述用户设备(10)类型状态估计信息，分别将用户设备(10)运动状态估计和用户设备(10)类型状态估计中的至少一个传播到当前时间，基于所述类型状态概率估计执行(S17)用户设备(10)类型状态估计，所述用户设备(10)类型状态估计基于所述最新类型状态更新时间传播到当前时间，所述类型状态概率估计包括针对所述用户设备(10)是无人机(11)的概率估计，在基站(20)中执行所述接收，从基站(20)接收用户设备(10)运动状态估计信息和用户设备(10)类型状态估计信息中的所述至少一个，经由核心网络节点(34)从基站(20)中的基站(20)接收用户设备(10)运动状态估计信息和用户设备(10)类型状态估计信息中的所述至少一个。
CN201980095826.1A 2019-04-26 2019-04-26 用户设备状态的共享 Active CN113785600B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/SE2019/050379 WO2020218958A1 (en) 2019-04-26 2019-04-26 Sharing of user equipment states

Publications (2)

Publication Number Publication Date
CN113785600A CN113785600A (zh) 2021-12-10
CN113785600B true CN113785600B (zh) 2024-05-17

Family

ID=66530401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980095826.1A Active CN113785600B (zh) 2019-04-26 2019-04-26 用户设备状态的共享

Country Status (4)

Country Link
US (1) US11960020B2 (zh)
EP (1) EP3959901A1 (zh)
CN (1) CN113785600B (zh)
WO (1) WO2020218958A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11963130B2 (en) 2019-04-26 2024-04-16 Telefonaktiebolaget Lm Ericsson (Publ) Device type state estimation
US11960020B2 (en) 2019-04-26 2024-04-16 Telefonaktiebolaget Lm (Publ) Sharing of user equipment states
WO2022018487A1 (en) * 2020-07-22 2022-01-27 Telefonaktiebolaget Lm Ericsson (Publ) State estimation for aerial user equipment (ues) operating in a wireless network

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104602218A (zh) * 2013-10-31 2015-05-06 诺基亚公司 移动性状态估计(mse)或移动性历史信息报告
WO2018156696A1 (en) * 2017-02-27 2018-08-30 Intel IP Corporation Exit conditions for conditional handovers and beam based mobility state estimation

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2007259030B2 (en) * 2006-06-13 2011-08-04 Bae Systems Plc Improvements relating to target tracking
WO2014049911A1 (ja) * 2012-09-28 2014-04-03 日本電気株式会社 移動通信システム、移動予測装置及びページングエリアの決定方法
CN110800370A (zh) 2017-06-30 2020-02-14 瑞典爱立信有限公司 用于确定无线设备是否是空中设备的方法和网络节点
EP3725676A1 (en) * 2019-04-16 2020-10-21 Volocopter GmbH Method of controlling an actuator system, emergency control system and aircraft equipped with such system
US11963130B2 (en) 2019-04-26 2024-04-16 Telefonaktiebolaget Lm Ericsson (Publ) Device type state estimation
US11960020B2 (en) 2019-04-26 2024-04-16 Telefonaktiebolaget Lm (Publ) Sharing of user equipment states
US11698625B2 (en) * 2020-12-10 2023-07-11 Mitsubishi Electric Research Laboratories, Inc. Stochastic model-predictive control of uncertain system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104602218A (zh) * 2013-10-31 2015-05-06 诺基亚公司 移动性状态估计(mse)或移动性历史信息报告
WO2018156696A1 (en) * 2017-02-27 2018-08-30 Intel IP Corporation Exit conditions for conditional handovers and beam based mobility state estimation

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Distributed smart sensor scheduling for underwater target tracking;HARE JAMES等;《IEEE》;第2节 *

Also Published As

Publication number Publication date
CN113785600A (zh) 2021-12-10
EP3959901A1 (en) 2022-03-02
US20220206104A1 (en) 2022-06-30
WO2020218958A1 (en) 2020-10-29
US11960020B2 (en) 2024-04-16

Similar Documents

Publication Publication Date Title
CN113785600B (zh) 用户设备状态的共享
US20220191816A1 (en) User Equipment State Estimation
US11979851B2 (en) User equipment kinematic state estimation
US20170123045A1 (en) Mobile apparatus for measuring relative location based on uwb and method thereof
US11963130B2 (en) Device type state estimation
WO2020107369A9 (en) Positioning in wireless communication networks
EP3447729B1 (en) 2d vehicle localizing using geoarcs
CN107798695B (zh) 使用地理弧的3d交通工具定位
CN112180401A (zh) 移动对象的位置确定
US20220390545A1 (en) Method and apparatus for kinematic state estimation of a user equipment
Khatib et al. Designing a 6g testbed for location: Use cases, challenges, enablers and requirements
JP2023549684A (ja) 磁気ベースの協調測位のための方法およびシステム
US20220357439A1 (en) Multi-site range rate measurement compilation in a wireless communication system
Herekoglu et al. Flight testing of a multiple UAV RF emission and vision based target localization method
CN111602066A (zh) 方法、系统和装置
Goel et al. Cooperative P2I localization using UWB and Wi-Fi
Rajasekaran et al. Bayesian Fusion of Unlabeled Vision and RF Data for Aerial Tracking of Ground Targets
TWI793495B (zh) 藉由單一基地台之無人機狀態估計
US20230358873A1 (en) User equipment two-dimensional state estimation
Cuesta et al. A particle filter-based method for ground-based WSN localization using an Aerial Robot
Oliveira et al. RF-based relative position estimation in mobile ad-hoc networks with confidence regions
Ostroumov et al. Cooperative Navigation of Personal Electronic Devices Formation Movement
Esrafilian et al. UAV Trajectory Optimization and Tracking for User Localization in Wireless Networks
JP2023150094A (ja) 制御装置、プログラム、飛行体、システム、及び制御方法

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
GR01 Patent grant
GR01 Patent grant