CN114175534A - 利用频谱分集进行基于机器学习的射频信号参数估计 - Google Patents

利用频谱分集进行基于机器学习的射频信号参数估计 Download PDF

Info

Publication number
CN114175534A
CN114175534A CN202080052681.XA CN202080052681A CN114175534A CN 114175534 A CN114175534 A CN 114175534A CN 202080052681 A CN202080052681 A CN 202080052681A CN 114175534 A CN114175534 A CN 114175534A
Authority
CN
China
Prior art keywords
signal
machine learning
learning model
aoa
power measurements
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
Application number
CN202080052681.XA
Other languages
English (en)
Inventor
艾当·史密斯
维克托·西米利斯基
基兰·乌恩
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.)
Cypress Semiconductor Corp
Original Assignee
Cypress Semiconductor Corp
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 Cypress Semiconductor Corp filed Critical Cypress Semiconductor Corp
Publication of CN114175534A publication Critical patent/CN114175534A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength
    • 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
    • G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
    • G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
    • G01S3/14—Systems for determining direction or deviation from predetermined direction
    • G01S3/46—Systems for determining direction or deviation from predetermined direction using antennas spaced apart and measuring phase or time difference between signals therefrom, i.e. path-difference systems
    • G01S3/48—Systems for determining direction or deviation from predetermined direction using antennas spaced apart and measuring phase or time difference between signals therefrom, i.e. path-difference systems the waves arriving at the antennas being continuous or intermittent and the phase difference of signals derived therefrom being measured
    • 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
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
    • 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
    • G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
    • G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
    • G01S3/14—Systems for determining direction or deviation from predetermined direction
    • G01S3/28—Systems for determining direction or deviation from predetermined direction using amplitude comparison of signals derived simultaneously from receiving antennas or antenna systems having differently-oriented directivity characteristics
    • G01S3/30—Systems for determining direction or deviation from predetermined direction using amplitude comparison of signals derived simultaneously from receiving antennas or antenna systems having differently-oriented directivity characteristics derived directly from separate directional systems
    • 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
    • G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
    • G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
    • G01S3/74—Multi-channel systems specially adapted for direction-finding, i.e. having a single antenna system capable of giving simultaneous indications of the directions of different signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength
    • H04B17/327—Received signal code power [RSCP]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0686—Hybrid systems, i.e. switching and simultaneous transmission
    • H04B7/0691—Hybrid systems, i.e. switching and simultaneous transmission using subgroups of transmit antennas
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0697—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using spatial multiplexing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/0848—Joint weighting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Electromagnetism (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radio Transmission System (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

用于估计由天线阵列接收到的射频(RF)信号的到达角(AoA)和其他参数的示例方法包括：接收由多个天线元件在多个RF信道处进行的多个射频(RF)信号功率测量；通过将机器学习模型应用于多个RF信号功率测量来计算估计的RF信号参数值；以及输出RF信号参数值。

Description

利用频谱分集进行基于机器学习的射频信号参数估计
相关申请的交叉引用
本申请是于2019年9月26日提交的美国非临时申请第16/584,545号的国际申请，该美国非临时申请要求于2019年7月24日提交的美国临时申请第62/878,192号的权益，上述所有申请通过引用整体并入本文。
背景技术
可能需要准确估计射频(RF)信号的到达角(AoA)和/或其他参数以执行各种任务例如源跟踪，这涉及确定发送器相对于接收天线阵列的位置。在某些实现方式中，可以基于由一个或更多个接收设备获得的AoA的若干个测量来执行源跟踪。
附图说明
在附图的图中，通过示例而非限制的方式示出了本公开内容，在附图中：
图1描绘了示出接收信号强度指示符(RSSI)在接收天线阵列的空间特性和频谱分集上的示例分布的图。
图2描绘了在降维空间中绘制的经变换的输入数据的示例可视化。
图3示意性地示出了示例神经网络的结构。
图4描绘了示出在多个RF信道上的顺序RF信号功率水平测量的若干个图。
图5示意性地示出了模型序列，其中每个后续模型已经针对在下述信号传播环境中产生的训练数据集进行了训练，所述信号传播环境包括与已经产生了用于对序列中先前模型进行训练的训练数据集的信号传播环境中的信号路径的数量相比更多数量的信号路径。
图6示意性地示出了由图5的模型序列进行的到达角(AoA)估计的误差。
图7是实现估计由天线阵列接收到的RF信号的AoA和/或其他参数的系统的框图。
图8是估计由天线阵列在多个RF信道处接收到的RF信号的AoA和/或其他参数的示例方法的流程图。
图9是基于由天线阵列在多个RF信道处顺序地接收到的RF信号水平测量来迭代地估计RF信号的AoA和/或其他参数的示例方法的流程图。
图10是通过一组机器学习模型迭代地估计由天线阵列在多个RF信道处接收到的RF信号的AoA和/或其他参数的示例方法的流程图。
具体实施方式
本文描述的实施方式涉及用于估计由天线阵列接收到的射频(RF)信号的到达角(AoA)和其他参数的系统和方法。这样的参数可以包括视线(LoS)到达角、反射AoA、反射衰减、反射相对延迟、相对相位和/或其他参数。在说明性示例中，估计的AoA和/或其他参数可以用于源跟踪，即，确定发送器相对于接收天线阵列的位置。在说明性示例中，可以基于由位于不同空间点处的三个接收器获得的三个AoA测量来估计发送器位置。
RF信号传播可能受到各种因素的影响，包括在发送器和接收器周围的环境中反射器的存在，这可能产生RF信号可能遍历的多个路径。因此，接收器会看到所发送的RF信号的多个副本的叠加，每个副本遍历不同的路径。RF信号的多路径传播可能导致相移和信号干扰，这又可能导致信号衰落，从而对AoA和其他RF信号参数的估计的准确度产生不利影响。
各种常见的实现方式试图通过增加接收天线的物理尺寸和/或观察时间来补偿多路径信号传播。然而，天线设计要求可能会基于预期应用例如针对移动或可穿戴设备的预期应用来限制天线的物理尺寸和/或观察时间。
本文描述的系统和方法通过依赖频谱分集来解决常见实现方式的上述和各种其他缺陷，该频谱分集存在于各种无线通信协议和实现方式(例如蓝牙低能耗(BLE)信道或Wi-Fi子载波)并且涉及在多个RF信道处的RF信号的同时和/或顺序发送。由于如图1示意性地示出并在下文中更详细地解释的，在每个信道处的RF信号传播将对信号路径中反射器的存在作出不同的响应，因此利用多个RF信道可以补偿有限数量的天线阵列元件。因此，可以通过分析频谱域中的接收信号参数值来推断空间域中的天线响应。
虽然推断理论上可以分析地进行，即通过应用曲线拟合和表面外推方法进行，但是这样的函数的复杂性将成指数地取决于任务的维数，并且特别地取决于信号路径中反射器的数量。相反地，本文描述的系统和方法利用机器学习技术以构建和训练用于根据在多个RF信道处的观察到的RF信号功率水平(例如由RF信号幅度和相位值表示)来推断接收到的RF信号的AoA和/或其他参数(例如LoS AoA、反射AoA、反射衰减、反射相对延迟、相对相位和/或其他参数)的模型。值得注意的是，本公开内容的基于机器学习的系统和方法是高度可扩展的，因为同一组模型可以被用于宽范围的输入维度。
本方法和系统的各种方面在本文中通过示例而非限制的方式描述。本文描述的方法可以通过硬件(例如通用和/或专用处理设备和/或其他设备和相关联电路系统)、软件(例如可由处理设备执行的指令)或其组合来实现。
如上文所述，为了提高在RF信号多路径存在的情况下估计由天线阵列接收的RF信号的AoA和各种其他参数的准确度，天线阵列的物理维度和/或观察时间可能会增加。然而，这样的“蛮力”方法的适用性可能受到各种设计要求的显著限制，所述各种设计要求可能会限制天线阵列的物理尺寸(例如针对移动或可穿戴设备)和/或最大观察时间。相反地，本公开内容的系统和方法依赖于频谱分集，该频谱分集固有地存在于无线通信(例如蓝牙低能耗(BLE)信道或Wi-Fi子载波)的各种方面并且涉及在多个RF信道处的RF信号的同时和/或顺序发送。由于如图1示意性地示出的，在每个信道处的RF信号传播将对信号路径中反射器的存在作出不同的响应，因此利用多个RF信道可以补偿有限数量的天线阵列元件。
图1描绘了示出接收信号强度指示符(RSSI)在接收天线阵列的空间特性(即天线阵列元件的数量)和频谱分集(即用于信号发送的RF信道的数量)上的分布的图100。虽然图1的说明性示例利用了RSSI，但是各种其他实现方式可以采用其他RF信号参数(例如相位、群延迟等)。
如图1中可以看出，RSSI响应图100包含多个重复模式，使得所绘制的峰和谷具有类似的大小并且周期性地出现。因此，可以通过分析频谱域中的RSSI值来推断空间域中的RSSI值。在图1的说明性示例中，可以在特定值处(例如在四个天线阵列元件处)截断空间维度，并且可以根据从在多个RF信道处接收到的RF信号获得的RSSI值来外推更多数量的天线阵列元件的RSSI值。
如上文所述，本文描述的系统和方法利用机器学习技术以构建和训练用于根据在多个RF信道处的观察到的RF信号功率水平来推断接收到的信号的AoA和其他参数(例如LoSAoA、反射AoA、反射衰减、反射相对延迟、相对相位和/或其他参数)的模型。在一些实现方式中，观察到的RF信号功率水平可以由针对每个天线阵列元件的多对RF信号幅度和相位来表示。
基于机器学习的模型可以执行特征提取以降低输入数据的维度，并且因此显著减小要解决的任务的计算复杂度。图2描绘了在同相和正交(I和Q)值的降维空间中绘制的变换输入数据的示例可视化。在图2中，每个圆形图210A至210K使由相应天线阵列元件接收到的RF信号的AoA可视化，而图210A至210K的每个点对应于单个频率信道上的观察。虽然本文描述的示例以AoA值操作，但是本公开内容的系统和方法类似地适用于接收到的RF信号的其他参数(例如LoS AoA、反射AoA、反射衰减、反射相对延迟、相对相位和/或其他参数)。
基于机器学习的模型可以利用所提取的特征(即，输入数据在降维空间中的表示)来执行回归任务以估计RF信号参数的值。如图2示意性地示出的，可以通过相对于位于图210A至210K中的任何一个之外的旋转中心215旋转初始圆形图210A至210K直至它们合并成具有已知参数集的单个组合图220来可视化回归过程。因此，应用于初始圆形图210A至210K中的每一个的变换的一个或更多个参数(例如旋转角度)将反映组合图220的已知参数集与初始圆形图210A至210K的参数之间的差异。因此，由初始圆形图210A至210K描绘的RF信号的AoA和/或其他参数可以通过基于应用于初始圆形图210A至210K中的每一个的变换的参数对由组合图220表示的已知RF信号参数集进行修改来计算。
虽然在图2的说明性示例中，应用于初始圆形图210A至210K中的每一个的变换是旋转变换，但是机器学习模型在执行回归任务时可以应用其他类型的变换(例如沿一个或更多个轴缩放)。因此，这些变换的参数可以包括例如旋转角度、纵横比、缩放因子等。
在一些实现方式中，用于执行特征提取和回归的模型可以由神经网络例如卷积神经网络(CNN)或循环神经网络(RNN)来实现。神经网络是实现多个称为“人工神经元”的连接节点的计算模型，使得每个人工神经元对一个或更多个输入信号(包括偏置信号)进行处理，并且将输出信号发送至一个或更多个相邻的人工神经元。人工神经元的输出可以通过将其激活函数应用于其输入的线性组合来计算。如下文更详细地描述的，神经网络可以通过对示例(“训练数据集”)进行处理来训练以执行特征提取、回归和/或分类任务，通常无需以任何任务特定的规则进行编程。
如图3示意性地示出，由本公开内容的系统和方法采用的神经网络可以由多层感知器(MLP)300表示，其人工神经元被分组为若干层，包括输入层310、一个或更多个隐藏层320A至320L以及输出层330。输入层310包括一个或更多个神经元340A至340N，所述一个或更多个神经元340A至340N连接至第一隐藏层320A的一个或更多个神经元350A至350K。第一隐藏层神经元350A至350K又连接至第二隐藏层320L的一个或更多个神经元360A至360M。第二隐藏层神经元360A至360M又连接至输出层330的一个或更多个神经元370A至370Z。人工神经网络300的节点中的至少一些可以利用非线性激活函数，而其余节点(例如输出层的节点)可以利用线性激活函数。虽然图3示意性地示出了单个隐藏层350，但是在本公开内容的系统和方法的各种实现方式中隐藏层的数量可以变化。在一些实施方式中，隐藏层的数量是模型的超参数，即，其值在训练过程之前被指定的参数。模型的其他超参数可以包括每层的节点数、激活函数类型等。
图3中的每个边表示用于以类似于人脑中突触的操作的方式将信号从一个人工神经元发送至另一人工神经元的连接。增加或衰减通过相应连接发送的信号的边权重在网络训练阶段基于包括多个标记输入(即，具有已知分类的输入)的训练数据集被限定。
神经网络训练过程可以以将所有边权重和神经元偏置值初始化为随机值或预定值开始。前向传播涉及由神经网络顺序处理训练数据集的标记数据项(即，RF信号功率水平的多个向量，使得包括由多个天线元件在给定频率信道处测量的RF信号幅度和相位值的每个向量用对应的AoA值和/或其他RF信号参数值标记)。将神经网络的观察输出与由与正在被处理的向量相关联的标记指定的期望输出进行比较，并且将误差传播回神经网络的前几层，其中调整权重和偏置值以使预定损失函数(例如观察输出与由标记指定的期望输出之间的差异)最小化。可以重复该过程直至输出误差降至预定阈值以下。
如上文参照图2所示，实现本公开内容的系统和方法的基于机器学习的模型可以通过首先执行特征提取以降低原始数据的维数，然后执行回归以估计RF信号参数的值来对在多个频率信道处接收到的RF信号的多个参数进行处理。在一些实现方式中，特征提取和回归二者可以由同一神经网络执行，在该神经网络中一个或更多个层执行特征提取，而其余层执行回归任务。在其他实现方式中，可以采用两个单独训练的神经网络来执行特征提取和回归任务。
如上文所述，本公开内容的系统和方法利用频谱分集以推断信号功率水平在空间域中的分布。然而，在实践中，可用RF信道的数量可能受到各种设计和/或实现方式特定约束的限制。如图4的一系列图410A至410D示意性地示出，有限数量的可用频率信道上的原始数据测量可以仅揭示每个曲线的某些部分，而不是类似于图2中所示的圆形图的闭环曲线。
此外，RF信号可以在多个频率信道处顺序地而不是同时地发送。在图4的说明性示例中，图410A至410D中的每一个反映了在对应的一组RF信道处的RF信号测量。虽然各种常用技术可能不太适合对顺序数据进行处理，但本公开内容的系统和方法有利地采用了循环神经网络(RNN)来实时顺序地处理批量的原始数据。
RNN能够维持其状态，这反映了关于先前已经由网络处理的输入的信息。RNN会考虑状态信息来处理每个后续输入。换句话说，网络输出不仅由当前输入限定，还由先前已经由网络处理的输入限定。
一些RNN可能容易受到梯度衰减效应的影响，这使得网络实际上无法对长输入序列进行处理。可以通过利用长短期记忆(LSTM)层来避免梯度衰减效应，长短期记忆层利用允许网络在自身状态与输入之间进行选择的门控机制来执行下一层处理。由于LSTM神经网络表现出非常低的梯度衰减，因此这样的网络能够对更长的输入序列进行处理。
因此，基于RNN的模型可以顺序地处理在多个频率信道处接收到的RF信号的多批参数，并且在处理每批之后增加接收到的RF信号的AoA和/或其他参数的估计的准确度。在图4的说明性示例中，图420反映了在由图410A至410D所描绘的四批中接收到的RF信号的顺序处理。
本公开内容的系统和方法所利用的神经网络可以被部署在具有有限计算能力和/或可用存储器的硬件(例如移动或可穿戴设备)上，因为反映数千个测量点的原始数据将被顺序地处理，并且每批原始数据在被神经网络处理之后可以被丢弃，因为神经网络的内部状态存储了从由网络处理的输入数据中提取的必要信息。
在一些实现方式中，原始输入数据可以由两个或更多个模型序列处理，该序列中每个模型根据在多个RF信道处的观察到的RF信号功率水平(例如由RF信号幅度和相位值表示)来推断接收到的RF信号的AoA和/或其他参数(例如LoS AoA、反射AoA、反射衰减、反射相对延迟、相对相位和/或其他参数)，并且每个后续模型已经针对在下述信号传播环境中产生的训练数据集进行了训练，所述信号传播环境包括与已经产生了用于对序列中先前模型进行训练的训练数据集的信号传播环境中的反射器的数量相比更多数量的反射器(并且因此更多数量的信号路径)。在图5的说明性示例中，模型510A已经针对在包括单个信号路径(即，没有多路径)的第一信号传播环境中产生的第一训练数据集进行了训练；模型510A根据观察到的RF信号功率水平来推断AoA。模型510B已经针对在包括至少两个信号路径的第二信号传播环境中产生的第二训练数据集进行了训练；模型510B根据观察到的RF信号功率水平来推断AoA和第一反射的特性(反射AoA、反射衰减、反射相对延迟、相对相位)。模型5IOC已经针对在包括至少三个信号路径的第三信号传播环境中产生的第三训练数据集进行了训练；模型5IOC根据观察到的RF信号功率水平来推断AoA以及第一反射和第二反射的特性(反射AoA、反射衰减、反射相对延迟、相对相位)。
虽然图5示出了三个模型的集合，但是在本公开内容的系统和方法的各种实现方式中，顺序地应用的模型的数量可以变化。
估计AoA误差可以涉及基于估计的AoA输出重建输入(即，RF信号幅度和相位值)，并且将所重建的输入与观察到的输入进行比较，从而即使真实的AoA值未知也允许估计AoA误差。
通过将估计的误差值与预定阈值(其可以由对应的模型510的超参数指定)进行比较来分析每个模型510的输出。如果估计的误差值超过预定阈值，则可以激活下一模型510。这样的迭代可以继续直至估计的误差值变得小于或等于预定阈值，此时该方法可以终止，并且由当前级别模型510产生的输出可以被用作最终输出。
因此，图5的模型510A至510K中的每一个可以使用在包括必需数量的信号路径的信号传播环境中产生的训练数据集来单独训练。在一些实现方式中，可以针对在包括少于必需数量的信号路径的信号传播环境中产生的另一训练数据集进一步训练模型，从而确保模型510A至510K的向后兼容性，即，确保针对在具有与已经用于对模型进行训练的信号传播环境中的信号路径的数量相比的更少数量的信号路径的信号传播环境中测量的原始数据，更高级别的模型将产生令人满意的结果。
图6示意性地示出了由图5的一组模型510A至510K以度为单位的AoA估计的误差。在图6中，图610A描绘了由针对从零个多路径环境获得的训练数据集训练的模型针对零个多路径环境的AoA估计误差(以度为单位)，图610B描绘了由针对从一个多路径环境获得的训练数据集训练的模型针对零个多路径环境的AoA估计误差(以度为单位)，图6IOC描绘了由针对从一个多路径环境获得的训练数据集训练的模型针对一个多路径环境的AoA估计误差(以度为单位)，并且图610D描绘了由针对从零个多路径环境获得的训练数据集训练的模型针对一个多路径环境的AoA估计误差(以度为单位)。从图6看出，成对的图610A至610B示出了类似的AoA估计误差，从而证明了高阶模型在低阶多路径环境中的向后兼容性。
值得注意的是，模型510A至510K可以被部署在具有有限计算能力和/或可用存储器的硬件(例如移动或可穿戴设备)上。由于在任何给定的时刻仅需要操作一个模型，因此硬件占用空间应仅足以部署系列中最大的模型，因为每个模型在使用之后可以被丢弃，并且下一模型可以被加载至相同的硬件上。
图7是实现估计由天线阵列接收到的RF信号的AoA和/或其他参数的系统的框图。系统700可以包括处理设备706，处理设备706又包括耦接至天线阵列707的前端电路系统708。前端电路系统708可以包括收发器712和模数转换器(ADC)714。耦接至天线阵列707的收发器712可以经由天线阵列707发送或接收RF信号。如本文所述，处理设备可以实现AoA估计工具120。处理设备可以包括一个或更多个应用处理器、一个或更多个主处理器、一个或更多个微控制器和/或其他处理部件。在一些实施方式中，系统700可以被实现为包括收发器和处理器的片上系统(SoC)以对表示由收发器接收到或发送的RF信号的数字值进行处理。收发器和处理器可以驻留在公共载体基板上或者可以在单独的集成电路中实现。
在一些实现方式中，处理设备可以接收由天线阵列元件中的每一个在多个RF信道中的每一个处测量的多对RF信号幅度和相位。处理设备然后可以应用机器学习模型以计算接收到的RF信号的AoA和/或其他参数721A至721N(例如LoS AoA、反射AoA、反射衰减、反射相对延迟、相对相位和/或其他参数)。如上文更详细地描述的，机器学习模型可以执行特征提取以降低输入数据的维数，然后可以利用所提取的特征(即，输入数据在降维空间中的表示)来执行回归任务以估计RF信号参数值。
图8是估计由天线阵列在多个RF信道处接收到的RF信号的AoA和/或其他参数的示例方法的流程图。方法800和/或其单独的功能、例程、子例程或操作中的每一个可以由包括硬件(电路系统、专用逻辑等)、软件(例如在通用计算系统或专用机器上运行)、固件(嵌入式软件)或其任意组合的处理逻辑来执行。方法800的两个或更多个功能、例程、子例程或操作可以并行执行或者以可以与下面描述的顺序不同的顺序执行。在某些实现方式中，方法800可以由单个处理线程执行。可替选地，方法800可以由两个或更多个处理线程执行，每个线程执行该方法的一个或更多个单独的功能、例程、子例程或操作。在说明性示例中，实现方法800的处理线程可以被同步(例如使用信号量、临界区和/或其他线程同步机制)。可替选地，实现方法800的处理线程可以相对于彼此异步地执行。在一种实施方式中，方法800的操作可以由图7的示例系统700的处理设备706来执行。
在框810处，实现该方法的处理设备可以接收由多个天线元件在多个RF信道处进行的多个射频(RF)信号功率测量。在一些实现方式中，如上文更详细地描述的，观察到的RF信号功率水平可以由针对每个天线阵列元件的多对RF信号幅度和相位来表示。
在框820处，处理设备可以通过将机器学习模型应用于多个RF信号功率测量来计算估计的RF信号参数值。RF信号参数可以由接收到的信号的AoA和/或其他参数(例如LoSAoA、反射AoA、反射衰减、反射相对延迟、相对相位和/或其他参数)来表示。机器学习模型可以执行特征提取以降低输入数据的维数。如上文更详细地描述的，机器学习然后可以利用所提取的特征(即，输入数据在降维空间中的表示)来执行回归任务以估计RF信号参数值。
在框830处，处理设备可以输出RF信号参数值(例如通过显示RF信号参数值和/或通过一个或更多个通信网络将RF信号参数值发送至一个或更多个接收者来输出RF信号参数值)，并且该方法可以终止。
图9是基于由天线阵列在多个RF信道处顺序地接收到的RF信号水平测量来迭代地估计RF信号的AoA和/或其他参数的示例方法的流程图。方法900和/或其单独的功能、例程、子例程或操作中的每一个可以由包括硬件(电路系统、专用逻辑等)、软件(例如在通用计算系统或专用机器上运行)、固件(嵌入式软件)或其任意组合的处理逻辑来执行。方法900的两个或更多个功能、例程、子例程或操作可以并行执行或者以可以与下面描述的顺序不同的顺序执行。在某些实现方式中，方法900可以由单个处理线程执行。可替选地，方法900可以由两个或更多个处理线程执行，每个线程执行该方法的一个或更多个单独的功能、例程、子例程或操作。在说明性示例中，实现方法900的处理线程可以被同步(例如使用信号量、临界区和/或其他线程同步机制)。可替选地，实现方法900的处理线程可以相对于彼此异步地执行。在一种实施方式中，方法900的操作可以由图7的示例系统700的处理设备706来执行。
在框910处，实现该方法的处理设备可以接收由多个天线元件在多个RF信道处进行的射频(RF)信号功率水平的一批测量。在一些实现方式中，如上文更详细地描述的，观察到的RF信号功率水平可以由针对每个天线阵列元件的多对RF信号幅度和相位来表示。
在框920处，处理设备可以通过将机器学习模型应用于接收到的该批RF信号功率测量来计算估计的RF信号参数值。RF信号参数可以由接收到的信号的AoA和/或其他参数(例如LoS AoA、反射AoA、反射衰减、反射相对延迟、相对相位和/或其他参数)来表示。机器学习模型可以执行特征提取以降低输入数据的维数。如上文更详细地描述的，机器学习然后可以利用所提取的特征(即，输入数据在降维空间中的表示)来执行回归任务以估计RF信号参数值。
在框930处，响应于确定参数估计误差超过预定阈值误差值，该方法可以循环回至框910，在框910处可以接收针对不同的一组RF信道的下一批测量。否则，如果参数估计误差小于或等于预定阈值误差值，则该方法可以继续至框940。
在框940处，处理设备可以输出RF信号参数值(例如通过显示RF信号参数值和/或通过一个或更多个通信网络将RF信号参数值发送至一个或更多个接收者来输出RF信号参数值)，并且该方法可以终止。
图10是通过一组机器学习模型迭代地估计由天线阵列在多个RF信道处接收到的RF信号的AoA和/或其他参数的示例方法的流程图。方法1000和/或其单独的功能、例程、子例程或操作中的每一个可以由包括硬件(电路系统、专用逻辑等)、软件(例如在通用计算系统或专用机器上运行)、固件(嵌入式软件)或其任意组合的处理逻辑来执行。方法1000的两个或更多个功能、例程、子例程或操作可以并行执行或者以可以与下面描述的顺序不同的顺序执行。在某些实现方式中，方法1000可以由单个处理线程执行。可替选地，方法1000可以由两个或更多个处理线程执行，每个线程执行该方法的一个或更多个单独的功能、例程、子例程或操作。在说明性示例中，实现方法1000的处理线程可以被同步(例如使用信号量、临界区和/或其他线程同步机制)。可替选地，实现方法1000的处理线程可以相对于彼此异步地执行。在一种实施方式中，方法1000的操作可以由图7的示例系统700的处理设备706来执行。
在框1010处，实现该方法的处理设备可以接收由多个天线元件在多个RF信道处进行的多个射频(RF)信号功率测量。在一些实现方式中，如上文更详细地描述的，观察到的RF信号功率水平可以由针对每个天线阵列元件的多对RF信号幅度和相位来表示。
在框1020处，处理设备可以从两个或更多个模型序列中选择下一机器学习模型，其中每个后续模型已经针对在下述信号传播环境中产生的训练数据集进行了训练，所述信号传播环境包括与已经产生了用于对序列中先前模型进行训练的训练数据集的信号传播环境中的反射器的数量相比更多数量的反射器(并且因此更多数量的信号路径)。每个机器学习模型可以执行特征提取以降低输入数据的维数。如上文更详细地描述的，机器学习然后可以利用所提取的特征然后可以利用所提取的特征(即，输入数据在降维空间中的表示)来执行回归任务以估计RF信号参数值。
在框1030处，处理设备可以将所选择的机器学习模型应用于多个RF信号功率测量以计算估计的RF信号参数值。如上文更详细地描述的，RF信号参数可以由接收到的信号的AoA和/或其他参数(例如LoS AoA、反射AoA、反射衰减、反射相对延迟、相对相位和/或其他参数)来表示。
在框1040处，响应于确定参数估计误差超过预定阈值误差值，该方法可以循环回至框1010，在框1010处从模型序列中选择下一模型。否则，如果参数估计误差小于或等于预定阈值误差值，则该方法可以继续至框1050。
在框1050处，处理设备可以输出RF信号参数值(例如通过显示RF信号参数值和/或通过一个或更多个通信网络将RF信号参数值发送至一个或更多个接收者来输出RF信号参数值)，并且该方法可以终止。
本文描述的实施方式可以由包括处理设备的电子系统实现，该处理设备可以执行与关于以上附图描述的相同或相似的功能，反之亦然。在另一实施方式中，处理设备可以是微处理器或微控制器。AoA估计工具120可以被实现为在微控制器或微处理器上执行的固件。微控制器可以将本文描述的估计报告给应用处理器。电子系统可以包括用于计算机系统的主处理器，该计算机系统利用微控制器来提供本文描述的估计。主处理器可以包括一个或更多个处理设备、存储器以及为电子系统执行操作的其他硬件或软件部件。
处理设备可以包括模拟和或数字通用输入/输出(“GPIO”)端口。GPIO端口可以是可编程的。GPIO端口可以耦接至可编程互连和逻辑(“PIL”)，其充当GPIO端口与处理设备的数字块阵列之间的互连。处理设备可以包括在一些情况下可以被编程和重新编程以实现各种模拟功能的模拟块。处理设备还可以包括数字块阵列。在一种实施方式中，数字块阵列可以被配置成使用可配置的用户模块(“UM”)来实现各种数字逻辑电路(例如DAC、数字滤波器或数字控制系统)。数字块阵列可以耦接至系统总线。处理设备还可以包括诸如随机存取存储器(“RAM”)和程序闪存的存储器设备。RAM可以是静态RAM(“SRAM”)，并且程序闪存可以是可以用于存储固件(例如可以由处理器执行以实现本文描述的操作的控制算法)的非易失性存储器。处理设备还可以包括耦接至存储器和处理器的存储器控制器单元(“MCU”)。处理器可以是被配置成执行指令或执行操作的处理元件(例如处理器核)。处理器可以包括如受益于本公开内容的本领域普通技术人员将理解的其他处理元件。还应当注意，存储器可以在处理设备内部或外部。在存储器是内部的情况下，存储器可以耦接至处理元件例如处理核。在存储器在处理设备外部的情况下，处理设备耦接至如受益于本公开内容的本领域普通技术人员将理解的存储器所在的另一设备。
在一种实施方式中，处理设备还包括处理逻辑。处理逻辑的一些或所有操作可以在固件、硬件或软件或其一些组合中实现。如本文所述，处理逻辑可以从天线阵列接收信号。处理设备还可以包括模拟块阵列(例如现场可编程模拟阵列)。模拟块阵列也可以耦接至系统总线。在一种实施方式中，模拟块阵列还可以被配置成使用可配置的UM来实现各种模拟电路(例如ADC或模拟滤波器)。模拟块阵列也可以耦接至GPIO端口。处理设备可以包括内部振荡器/时钟和通信块(“COM”)。在另一实施方式中，处理设备包括扩频时钟。振荡器/时钟块将时钟信号提供给处理设备的一个或更多个部件。通信块可以用于经由应用接口(“I/F”)线与外部部件例如主处理器(也称为应用处理器)通信。
处理设备可以驻留在诸如集成电路(“IC”)管芯基板、多芯片模块基板等的公共载体基板上。可替选地，处理设备的部件可以是一个或更多个单独的集成电路和或分立部件。在一种示例性实施方式中，处理设备是由加利福尼亚州圣何塞的赛普拉斯半导体公司开发的可编程片上系统
Figure BDA0003480442290000131
处理设备。可替选地，处理设备可以是本领域普通技术人员已知的一个或更多个其他处理设备例如微处理器或中央处理单元、控制器、专用处理器、数字信号处理器(“DSP”)、专用集成电路(“ASIC”)、现场可编程门阵列(“FPGA”)等。
还应当注意，本文描述的实施方式不限于具有耦接至应用处理器的处理设备的配置，而是可以包括测量RF信号并且将原始数据发送至主计算机的系统，在主计算机中由应用对其进行分析。实际上，由处理设备完成的处理也可以在应用处理器中完成。
AoA估计工具120可以被集成到处理设备的IC中，或者可替选地被集成到单独的IC中。可替选地，可以生成AoA估计工具120的描述并对其进行编译以合并到其他集成电路中。例如，描述用于AoA估计工具120的参数或其部分的行为级代码可以使用诸如VHDL或Verilog的硬件描述语言来生成，并且被存储至机器可访问介质(例如CD-ROM、硬盘、软盘等)。此外，行为级代码可以被编译成寄存器传输级(“RTL”)代码、网表、或甚至电路布局，并且被存储至机器可访问介质中。行为级代码、RTL代码、网表和电路布局可以表示各种抽象级别来描述AoA估计工具120。应当注意，电子系统的部件可以包括上面描述的部件中的所有、一些或者不包括上面描述的部件。
在一种实施方式中，电子系统可以用于平板电脑中。可替选地，电子设备可以用于其他应用，例如笔记本电脑、移动手持终端、个人数据助理(“PDA”)、键盘、电视、遥控器、监视器、手持多媒体设备、手持介质(音频和或视频)播放器、手持游戏设备、用于销售交易的点的签名输入设备、电子书阅读器、医疗器械、仓库跟踪设备例如由运输公司使用的扫描仪、汽车设备例如车钥匙和车辆内的电子设备、全球定位系统(“GPS”)或控制面板。某些实施方式可以被实现为计算机程序产品，该计算机程序产品可以包括存储在机器可读介质上的指令。这些指令可以用于对通用或专用处理器进行编程以执行所描述的操作。机器可读介质包括用于以机器(例如计算机)可读的形式(例如软件、处理应用)存储或发送信息的任何机制。机器可读介质可以包括但不限于磁存储介质(例如软盘)；光学存储介质(例如CD-ROM)；磁光存储介质；只读存储器(ROM)；随机存取存储器(RAM)；可擦除可编程存储器(例如EPROM和EEPROM)；闪存；或者适于存储电子指令的其他类型的介质。
附加地，一些实施方式可以在分布式计算环境中实践，在分布式计算环境中机器可读介质被存储在多于一个的计算机系统上和或由多于一个的计算机系统执行。另外，在计算机系统之间传输的信息可以通过连接计算机系统的通信介质被拉取或推送。
尽管本文的方法的操作以特定的顺序被示出和描述，但是每个方法的操作的顺序可以改变，使得可以以相反的顺序执行某些操作或者使得可以至少部分地与其他操作同时地执行某些操作。在另一实施方式中，不同操作的指令或子操作可以以间歇和或交替的方式进行。如本文所使用的，术语“第一”、“第二”、“第三”、“第四”等意在作为在不同元素中进行区分的标记，并且根据它们的数字指定可能不一定具有顺序含义。如本文所使用的，术语“耦接”可以意指直接连接或通过一个或更多个中间部件间接连接。通过本文描述的各种总线所提供的任何信号可以与其他信号进行时间复用并且通过一个或更多个公共管芯上总线提供。附加地，电路部件或块之间的互连和接口可以被示出为总线或单个信号线。每个总线可以替选地是一个或更多个单信号线，并且每个单信号线可以替选地是总线。
以上描述阐述了许多具体细节例如具体系统、部件、方法等的示例，以便提供对本发明的若干实施方式的理解。然而，对于本领域技术人员而言明显的是，可以在没有这些具体细节的情况下实践至少一些实施方式。在其他情况下，为了避免不必要地模糊本实施方式，公知的部件或方法没有被详细地描述或者以简单的框图格式呈现。因此，所阐述的具体细节仅是示例性的。特定的实现方式可以与这些示例性细节不同，并且仍然被认为在本实施方式的范围内。
所要求保护的主题的实施方式包括但不限于本文描述的各种操作。这些操作可以由硬件部件、软件、固件或其组合来执行。
以上描述阐述了许多具体细节例如具体系统、部件、方法等的示例，以便提供对所要求保护的主题的若干实施方式的理解。然而，对于本领域技术人员而言明显的是，可以在没有这些具体细节的情况下实践该方法的至少一些实施方式。在其他情况下，公知的部件或方法没有被详细地描述或者以简单的框图格式呈现。因此，所阐述的具体细节仅是示例性的。特定的实现方式可以与这些示例性细节不同，并且仍然被认为在所要求保护的主题的范围内。

Claims (20)

1.一种方法，包括：
由处理设备接收由多个天线元件在多个RF信道处进行的多个射频(RF)信号功率测量；
由所述处理设备将机器学习模型应用于所述多个RF信号功率测量来计算估计的RF信号参数值；以及
由所述处理设备输出所述RF信号参数值。
2.根据权利要求1所述的方法，其中，所述多个RF信号功率测量包括多个RF信号幅度值和多个RF信号相位值。
3.根据权利要求1所述的方法，其中，所述RF信号参数值为以下之一：视线(LoS)到达角(AoA)、反射AoA、反射衰减、反射相对延迟或相对相位。
4.根据权利要求1所述的方法，其中，所述机器学习模型执行特征提取以将所述多个RF信号功率测量变换为降维空间中的中间表示。
5.根据权利要求4所述的方法，其中，所述机器学习模型执行回归任务以根据所述降维空间中的所述中间表示推断所述估计的RF信号参数值。
6.根据权利要求1所述的方法，还包括：
通过对训练数据集进行处理来训练所述机器学习模型，所述训练数据集包括由多个天线元件在多个RF信道处进行的多个RF信号功率测量，其中，所述RF信号功率测量用对应的RF信号参数值标记。
7.根据权利要求1所述的方法，其中，所述机器学习模型是神经网络，并且其中，接收所述多个RF信号功率测量并且应用所述机器学习模型被迭代地执行直至估计的误差值降至预定阈值以下。
8.根据权利要求1所述的方法，还包括：
响应于确定估计的误差值超过预定阈值，通过将第二机器学习模型应用于所述多个RF信号功率测量来重新计算估计的信号参数值，其中，所述第二机器学习模型对应于与第一机器学习模型相比更多数量的RF信号多路径。
9.一种系统，包括：
收发器，所述收发器被配置成耦接至包括多个天线元件的天线以接收在多个频率信道处进行的多个射频(RF)信号功率测量；以及
耦接至所述收发器的处理器，所述处理器：
从机器学习模型序列中选择机器学习模型，其中，所述序列的第一机器学习模型已经针对在包括第一数量的信号路径的第一信号传播环境中产生的第一训练数据集进行了训练，其中，所述序列的第二机器学习模型已经针对在包括第二数量的信号路径的第二信号传播环境中产生的第二训练数据集进行了训练，并且其中，所述第二数量的信号路径超过所述第一数量的信号路径；
通过将所选择的机器学习模型应用于所述多个RF信号测量来计算估计的信号参数值；以及
响应于确定参数估计误差小于或等于预定误差阈值，输出所述RF信号参数值。
10.根据权利要求9所述的系统，其中，所述处理器还：
响应于确定参数估计误差超过所述预定误差阈值，迭代地重复选择和计算操作直至所述估计的信号参数值降至所述预定误差阈值以下。
11.根据权利要求9所述的系统，其中，所述多个RF信号功率测量包括多个RF信号幅度值和多个RF信号相位值。
12.根据权利要求9所述的系统，其中，所述RF信号参数值为以下之一：视线(LoS)到达角(AoA)、反射AoA、反射衰减、反射相对延迟或相对相位。
13.根据权利要求9所述的系统，其中，所述机器学习模型序列的每个机器学习模型执行特征提取以将所述多个RF信号功率测量变换为降维空间中的中间表示。
14.根据权利要求13所述的系统，其中，所述机器学习模型执行回归任务以根据所述降维空间中的所述中间表示推断估计的RF信号参数值。
15.一种设备，包括：
收发器，所述收发器被配置成耦接至包括多个天线元件的天线以接收在多个频率信道处进行的多个射频(RF)信号功率测量；以及
耦接至所述收发器的处理器，所述处理器：
通过将机器学习模型应用于所述多个RF信号测量来计算估计的信号参数值；以及
响应于确定参数估计误差小于或等于预定误差阈值，输出所述RF信号参数值。
16.根据权利要求15所述的设备，其中，所述处理器还：
响应于确定参数估计误差超过所述预定误差阈值，针对在不同组RF信道处接收到的下一多个RF信号测量重复所述计算操作。
17.根据权利要求15所述的设备，其中，所述多个RF信号功率测量包括多个RF信号幅度值和多个RF信号相位值。
18.根据权利要求15所述的设备，其中，所述RF信号参数值为以下之一：视线(LoS)到达角(AoA)、反射AoA、反射衰减、反射相对延迟或相对相位。
19.根据权利要求15所述的设备，其中，所述机器学习模型执行特征提取以将所述多个RF信号功率测量变换为降维空间中的中间表示。
20.根据权利要求19所述的设备，其中，所述机器学习模型执行回归任务以根据所述降维空间中的所述中间表示推断估计的RF信号参数值。
CN202080052681.XA 2019-07-24 2020-07-14 利用频谱分集进行基于机器学习的射频信号参数估计 Pending CN114175534A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962878192P 2019-07-24 2019-07-24
US62/878,192 2019-07-24
US16/584,545 2019-09-26
US16/584,545 US11531080B2 (en) 2019-07-24 2019-09-26 Leveraging spectral diversity for machine learning-based estimation of radio frequency signal parameters
PCT/US2020/042008 WO2021016003A1 (en) 2019-07-24 2020-07-14 Leveraging spectral diversity for machine learning-based estimation of radio frequency signal parameters

Publications (1)

Publication Number Publication Date
CN114175534A true CN114175534A (zh) 2022-03-11

Family

ID=74187737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080052681.XA Pending CN114175534A (zh) 2019-07-24 2020-07-14 利用频谱分集进行基于机器学习的射频信号参数估计

Country Status (5)

Country Link
US (2) US11531080B2 (zh)
JP (1) JP2022541607A (zh)
CN (1) CN114175534A (zh)
DE (1) DE112020003509T5 (zh)
WO (1) WO2021016003A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11393182B2 (en) 2020-05-29 2022-07-19 X Development Llc Data band selection using machine learning
EP4067928A1 (en) * 2021-03-29 2022-10-05 u-blox AG Method for determining an angle of arrival, device, computer program product and non-volatile storage medium
WO2023168119A2 (en) * 2022-03-04 2023-09-07 HawkEye 360, Inc. Geolocation-aided unique signal recognition

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030123530A1 (en) * 2001-12-28 2003-07-03 Ntt Docomo, Inc. Receiver, transmitter, communication system, and method of communication
US6785881B1 (en) * 2001-11-19 2004-08-31 Cypress Semiconductor Corporation Data driven method and system for monitoring hardware resource usage for programming an electronic device
CN1612623A (zh) * 2003-10-28 2005-05-04 华为技术有限公司 一种多径统计建模的方法
US20100297953A1 (en) * 2009-05-19 2010-11-25 Broadcom Corporation Wireless transceiver with configuration control and methods for use therewith
CN101911528A (zh) * 2007-10-31 2010-12-08 艾色拉公司 具有接收分集的无线接收器
US20130027251A1 (en) * 2011-07-27 2013-01-31 Itt Manufacturing Enterprises, Inc. System and Method for Direction Finding and Geolocation of Emitters Based on Line-of-Bearing Intersections
CN105208527A (zh) * 2015-09-01 2015-12-30 北京交通大学 多径环境下基于信号传播路径推算的无线定位方法
CN105229934A (zh) * 2013-06-28 2016-01-06 英特尔公司 针对与移动用户设备的下行链路数据传输选择至少一个参数的方法
WO2017147662A1 (en) * 2016-03-04 2017-09-08 The University Of Sydney Systems and methods of estimating channel parameters in a wireless communication system
US9989633B1 (en) * 2017-03-15 2018-06-05 Cypress Semiconductor Corporation Estimating angle measurements for source tracking using a phased array system
WO2018160141A1 (en) * 2017-03-03 2018-09-07 Nanyang Technological University Apparatus and method for localisation and/or tracking
US20180267131A1 (en) * 2017-03-15 2018-09-20 Cypress Semiconductor Corporation Systems and methods for estimating angle of arrival in a wireless device
CN108696932A (zh) * 2018-04-09 2018-10-23 西安交通大学 一种利用csi多径及机器学习的室外指纹定位方法
JP2018170752A (ja) * 2017-03-30 2018-11-01 株式会社国際電気通信基礎技術研究所 フレームエラーレート予測装置、それを用いた無線通信装置および無線通信システム
CN108845339A (zh) * 2018-05-28 2018-11-20 广州吉欧电子科技有限公司 一种gnss定位方法及gnss定位设备
US20180367192A1 (en) * 2017-06-19 2018-12-20 Virginia Tech Intellectual Properties, Inc. Encoding and decoding of information for wireless transmission using multi-antenna transceivers
US20190178972A1 (en) * 2017-12-13 2019-06-13 Cypress Semiconductor Corporation Determining angle of arrival of a radio-frequency signal

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8363744B2 (en) 2001-06-10 2013-01-29 Aloft Media, Llc Method and system for robust, secure, and high-efficiency voice and packet transmission over ad-hoc, mesh, and MIMO communication networks
US8670390B2 (en) * 2000-11-22 2014-03-11 Genghiscomm Holdings, LLC Cooperative beam-forming in wireless networks
US7092673B2 (en) * 2002-12-27 2006-08-15 Nortel Networks Limited Angle of arrival estimation in a wireless telecommunications network
US7646343B2 (en) * 2005-06-24 2010-01-12 Ruckus Wireless, Inc. Multiple-input multiple-output wireless antennas
US8095185B2 (en) * 2006-06-09 2012-01-10 Telefonaktiebolaget L M Ericsson (Publ) Estimation of angular parameters of a signal at an antenna array
US7555395B2 (en) * 2006-09-26 2009-06-30 Tokyo Electron Limited Methods and apparatus for using an optically tunable soft mask to create a profile library
US8515473B2 (en) * 2007-03-08 2013-08-20 Bae Systems Information And Electronic Systems Integration Inc. Cognitive radio methodology, physical layer policies and machine learning
US8184656B2 (en) * 2007-10-02 2012-05-22 Microsoft Corporation Control channel negotiated intermittent wireless communication
US7855681B2 (en) * 2008-11-19 2010-12-21 Harris Corporation Systems and methods for determining element phase center locations for an array of antenna elements
US7970365B2 (en) * 2008-11-19 2011-06-28 Harris Corporation Systems and methods for compensating for transmission phasing errors in a communications system using a receive signal
US20110148578A1 (en) * 2009-12-09 2011-06-23 Oakland University Automotive direction finding system based on received power levels
US8730110B2 (en) * 2010-03-05 2014-05-20 Blackberry Limited Low frequency diversity antenna system
US10129929B2 (en) * 2011-07-24 2018-11-13 Ethertronics, Inc. Antennas configured for self-learning algorithms and related methods
US8942659B2 (en) * 2011-09-08 2015-01-27 Drexel University Method for selecting state of a reconfigurable antenna in a communication system via machine learning
US10243719B2 (en) * 2011-11-09 2019-03-26 The Board Of Trustees Of The Leland Stanford Junior University Self-interference cancellation for MIMO radios
US9716308B2 (en) * 2012-02-13 2017-07-25 The United States Of America, As Represented By The Secretary Of The Navy Wideband multi-function phased array antenna aperture
US10742475B2 (en) * 2012-12-05 2020-08-11 Origin Wireless, Inc. Method, apparatus, and system for object tracking sensing using broadcasting
US20160110657A1 (en) * 2014-10-14 2016-04-21 Skytree, Inc. Configurable Machine Learning Method Selection and Parameter Optimization System and Method
US10355367B2 (en) 2015-10-16 2019-07-16 At&T Intellectual Property I, L.P. Antenna structure for exchanging wireless signals
EP3387849A4 (en) 2015-12-09 2019-11-27 Origin Wireless, Inc. METHOD, DEVICE AND SYSTEMS FOR WIRELESS EVENT DETECTION AND MONITORING
CN108886374B (zh) 2016-01-18 2021-08-03 唯亚威通讯技术有限公司 用于检测蜂窝通信信号的失真或变形的方法和设备
JP2019036199A (ja) * 2017-08-18 2019-03-07 富士通株式会社 情報処理装置、タイミングエラー解析プログラム及びタイミングエラー解析方法
KR101971801B1 (ko) 2017-11-30 2019-04-23 한국과학기술원 가시선 다중 안테나 통신 시스템에서 기계학습을 통한 안테나 다이버시티 및 공간 다중화 이득을 얻는 방법 및 그 장치
US10587987B2 (en) 2017-12-07 2020-03-10 SCRRD, Inc. High accuracy tracking and interaction for low observable devices
US10867210B2 (en) * 2018-12-21 2020-12-15 Waymo Llc Neural networks for coarse- and fine-object classifications

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6785881B1 (en) * 2001-11-19 2004-08-31 Cypress Semiconductor Corporation Data driven method and system for monitoring hardware resource usage for programming an electronic device
US20030123530A1 (en) * 2001-12-28 2003-07-03 Ntt Docomo, Inc. Receiver, transmitter, communication system, and method of communication
CN1612623A (zh) * 2003-10-28 2005-05-04 华为技术有限公司 一种多径统计建模的方法
CN101911528A (zh) * 2007-10-31 2010-12-08 艾色拉公司 具有接收分集的无线接收器
US20100297953A1 (en) * 2009-05-19 2010-11-25 Broadcom Corporation Wireless transceiver with configuration control and methods for use therewith
US20130027251A1 (en) * 2011-07-27 2013-01-31 Itt Manufacturing Enterprises, Inc. System and Method for Direction Finding and Geolocation of Emitters Based on Line-of-Bearing Intersections
CN105229934A (zh) * 2013-06-28 2016-01-06 英特尔公司 针对与移动用户设备的下行链路数据传输选择至少一个参数的方法
CN105208527A (zh) * 2015-09-01 2015-12-30 北京交通大学 多径环境下基于信号传播路径推算的无线定位方法
WO2017147662A1 (en) * 2016-03-04 2017-09-08 The University Of Sydney Systems and methods of estimating channel parameters in a wireless communication system
WO2018160141A1 (en) * 2017-03-03 2018-09-07 Nanyang Technological University Apparatus and method for localisation and/or tracking
US9989633B1 (en) * 2017-03-15 2018-06-05 Cypress Semiconductor Corporation Estimating angle measurements for source tracking using a phased array system
US20180267131A1 (en) * 2017-03-15 2018-09-20 Cypress Semiconductor Corporation Systems and methods for estimating angle of arrival in a wireless device
JP2018170752A (ja) * 2017-03-30 2018-11-01 株式会社国際電気通信基礎技術研究所 フレームエラーレート予測装置、それを用いた無線通信装置および無線通信システム
US20180367192A1 (en) * 2017-06-19 2018-12-20 Virginia Tech Intellectual Properties, Inc. Encoding and decoding of information for wireless transmission using multi-antenna transceivers
US20190178972A1 (en) * 2017-12-13 2019-06-13 Cypress Semiconductor Corporation Determining angle of arrival of a radio-frequency signal
CN108696932A (zh) * 2018-04-09 2018-10-23 西安交通大学 一种利用csi多径及机器学习的室外指纹定位方法
CN108845339A (zh) * 2018-05-28 2018-11-20 广州吉欧电子科技有限公司 一种gnss定位方法及gnss定位设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
F. HEJAZI: "Lower bound of error in AOA based passive source localization using single moving platform", 《EAST-WEST DESIGN & TEST SYMPOSIUM (EWDTS 2013)》 *
李望西: "利用相位差变化率的机载无源定位跟踪算法", 《万方数据库》 *
骆卉子: "多机只测角无源定位中的空间对准方法", 《控制与决策》 *

Also Published As

Publication number Publication date
US20230168330A1 (en) 2023-06-01
US11531080B2 (en) 2022-12-20
WO2021016003A1 (en) 2021-01-28
DE112020003509T5 (de) 2022-04-14
JP2022541607A (ja) 2022-09-26
US20210025962A1 (en) 2021-01-28

Similar Documents

Publication Publication Date Title
US20230168330A1 (en) Leveraging spectral diversity for machine learning-based estimation of radio frequency signal parameters
CN110418974B (zh) 估计对于使用相控阵列系统的源跟踪的角度测量值
US20210067146A1 (en) Software-defined pulse orchestration platform
Hesterberg et al. Least angle and ℓ 1 penalized regression: A review
US11209536B2 (en) Method and apparatus for tracking motion using radio frequency signals
US9239388B2 (en) Pairwise grouping of joint sparsity models for sensing array processing
US11245390B2 (en) Software-defined pulse orchestration platform
Vafaei Sadr et al. Deep learning improves identification of radio frequency interference
CN110427104B (zh) 一种手指运动轨迹校准系统及方法
Mao et al. An Improved DOA Estimation Algorithm Based on Wavelet Operator.
Zibetti et al. Alternating learning approach for variational networks and undersampling pattern in parallel MRI applications
Chen et al. A wifi indoor localization method based on dilated cnn and support vector regression
CN110647973A (zh) 运算方法及相关方法和产品
Sun et al. Multitarget direct localization using block sparse bayesian learning in distributed MIMO radar
Narayanaswamy et al. Underdetermined direction of arrival estimation for multiple input and multiple outputs sparse channel based on Bayesian learning framework, Indones
Tao et al. Guaranteed stability of sparse recovery in distributed compressive sensing MIMO radar
Yu et al. Algorithms for the multi-sensor assignment problem in the δ-generalized labeled multi-Bernoulli filter
US11303041B2 (en) Machine learning-based antenna array validation, prototyping and optimization
Farrell et al. CoIR: Compressive Implicit Radar
CN111859810A (zh) 基于加权字典学习的温度场重构方法、装置、设备及介质
Ni et al. Angular positions estimation of spatially extended targets for MIMO radar using complex spatiotemporal sparse Bayesian learning
US20230305111A1 (en) Direction of arrival (doa) estimation using circular convolutional network
Kirmaz et al. ToA and TDoA Estimation Using Artificial Neural Networks for High-Accuracy Ranging
Lu et al. Radio Tomographic Imaging Localization Based on Transformer Model
CN114384468B (zh) 一种在不一致脉冲噪声环境下的目标直接定位方法和系统

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