CN114450600A - 位置确定 - Google Patents

Abstract

公开了一种装置、方法和计算机程序。该装置可以包括用于以下操作的部件：在第一时间实例处从目标设备接收与多个基站中的每个基站相关联的第一测量数据集合，以及基于接收到的第一测量数据集合来确定目标设备的第一位置。该部件还可以在一个或多个后续时间实例中的每个时间实例处从目标设备接收与一个基站或较小数目的基站中的每个基站相关联的第二测量数据集合，以及基于在先前时间实例处所确定的位置和第二测量数据集合，在一个或多个后续时间实例中的每个时间实例处确定目标设备的相应位置。

Description

位置确定

技术领域

示例实施例涉及位置确定，例如用于确定用户设备的地理位置的装置和方法。

背景技术

确定目标设备的位置在各种应用中可以是有用的。例如，目标设备可以是移动电话，并且位置确定可以支持定位紧急电话呼叫的发起点和/或在电话网络处执行优化，诸如用于无线电资源管理(RRM)。

在移动电话网络的背景下，全球导航卫星系统(GNSS)可以被用来在室外环境中提供定位，假设目标设备上提供了GNSS接收器和/或有足够的卫星信号来实现位置确定。如果目标设备在室内或在特别建成的环境中，则情况可能并非如此。在目标设备与一个或多个基站之间使用无线电信号也可以被用作确定位置的另一种方式，包括用于室内环境。

发明内容

本发明的各种实施例所寻求的保护范围由独立权利要求来阐述。说明书中描述的未落入独立权利要求的范围的实施例和特征(如果有的话)将被解释为对理解本发明的各种实施例有用的示例。

根据一个方面，提供了一种装置，包括用于以下操作的部件：在第一时间从目标设备接收与多个基站中的每个基站相关联的第一测量数据集合的装置；基于接收到的第一测量数据集合来确定目标设备的第一位置；在一个或多个后续时间实例中的每个时间实例处从目标设备接收第二测量数据集合，该第二测量数据集合与多个基站中的一个基站或多个基站中的较小数目的基站中的每个基站相关联；以及基于在先前时间实例处所确定的位置和第二测量数据集合，在一个或多个后续时间实例中的每个时间实例处确定目标设备的相应位置。

该装置还可以包括用于使目标设备在第一时间实例处发送第一测量数据集合，以及在后续时间实例处发送第二测量数据集合的部件。该装置还可以包括用于使目标设备在重复时段处发送第一测量数据集合以及在每个时段内的一个或多个子间隔处发送(多个)第二测量数据集合的部件。可以仅与用于目标设备的服务基站相关联的一个第二测量数据集合被接收。第一测量数据集合可以与用于目标设备的服务基站和一个或多个相邻基站相关联。第一测量数据集合和第二测量数据集合可以表示由目标设备针对来自基站的参考信号确定的参考信号接收功率(RSRP)测量。在先前时间实例处所确定的位置可以被存储在装置的存储设备中。在一个或多个后续时间实例中的每一个处确定目标设备的相应位置可以基于机器学习模型，该机器学习模型确定相应位置与在先前时间实例处所确定的位置和第二测量数据集合的函数关系。机器学习模型可以包括卷积神经网络和递归神经网络。该装置可以是无线电通信网络的定位节点。

根据另一方面，可以提供一种方法，包括：在第一时间实例处从目标设备接收与多个基站中的每个基站相关联的第一测量数据集合；基于接收到的第一测量数据集合来确定目标设备的第一位置；在一个或多个后续时间实例中的每个时间实例处从目标设备接收第二测量数据集合，第二测量数据集合与多个基站中的一个基站或多个基站中的较小数目的基站中的每个基站相关联；并且基于在先前时间实例处所确定的位置和第二测量数据集合，在一个或多个后续时间实例中的每个时间实例处确定目标设备的相应位置。

该方法还可以包括使目标设备在第一时间实例处发送第一测量数据集合以及在后续时间实例处发送第二测量数据集合。该方法还可以包括使目标设备在重复时段处发送第一测量数据集合，以及在每个时段内的一个或多个子间隔处发送(多个)第二测量数据集合。可以仅与用于目标设备的服务基站相关联的一个第二测量数据集合被接收。第一测量数据集合可以与用于目标设备的服务基站和一个或多个相邻基站相关联。第一测量数据集合和第二测量数据集合可以表示由目标设备针对来自基站的参考信号确定的参考信号接收功率(RSRP)测量。该方法还可以包括将在先前时间实例处所确定的位置存储在存储器设备中。在一个或多个后续时间实例中的每一个处确定目标设备的相应位置可以基于机器学习模型，该机器学习模型确定相应位置与在先前时间实例处所确定的位置和第二测量数据集合的函数关系。机器学习模型可以包括卷积神经网络和递归神经网络。该方法可以在无线电通信网络的定位节点处被执行，

根据另一方面，可以提供一种装置，包括至少一个处理器，直接连接到该至少一个处理器的至少一个存储器，该至少一个存储器包括计算机程序代码，并且该至少一个处理器与该至少一个存储器和该计算机程序代码一起被布置为执行以下方法：在第一时间实例处从目标设备接收与多个基站中的每个基站相关联的第一测量数据集合；基于接收到的第一测量数据集合来确定目标设备的第一位置；在一个或多个后续时间实例中的每个时间实例处从目标设备接收第二测量数据集合，第二测量数据集合与多个基站中的一个基站或多个基站中的较小数目的基站中的每个基站相关联；并且基于在先前时间实例处所确定的位置和第二测量数据集合，在一个或多个后续时间实例中的每个时间实例处确定目标设备的相应位置。

根据另一方面，可以提供一种包括指令集的计算机程序产品，该指令当在装置上执行时被配置为使该装置执行以下方法：在第一时间实例处从目标设备接收与多个基站中的每个基站相关联的第一测量数据集合；基于接收到的第一测量数据集合来确定目标设备的第一位置；在一个或多个后续时间实例中的每个时间实例处从目标设备接收第二测量数据集合，第二测量数据集合与多个基站中的一个基站或多个基站中的较小数目的基站中的每个基站相关联；基于在先前时间实例处所确定的位置和第二测量数据集合，在一个或多个后续时间实例中的每个时间实例处确定目标设备的相应位置。

根据另一方面，可以提供一种非瞬态计算机可读介质，包括存储在其上程序指令，所述程序指令用于执行包括以下操作的方法：在第一时间实例处从目标设备接收与多个基站中的每一个相关联的第一测量数据集合；基于接收到的第一测量数据集合来确定目标设备的第一位置；在一个或多个后续时间实例中的每个时间实例处从目标设备接收第二测量数据集合，第二测量数据集合与多个基站中的一个基站或多个基站中的较小数目的基站中的每个基站相关联；并且基于在先前时间实例处所确定的位置和第二测量数据集合，在一个或多个后续时间实例中的每个时间实例处确定目标设备的相应位置。

附图说明

将参考附图以非限制性示例的方式描述示例实施例，其中：

图1是无线电网络的部分示意图，包括三个基站、一个用户设备和核心网络的一部分；

图2是作为时间的函数如何经由接收信号接收功率测量报告来确定用户设备的位置的示意图；

图3是示出了根据示例实施例的如何触发用户设备的位置以发送测量报告的信号时序图；

图4是示出了根据示例实施例的可以在核心网络的一部分处执行以确定用户设备位置的操作的流程图；

图5是根据示例实施例的作为时间的函数如何经由接收信号接收功率测量报告来确定用户设备的位置的示意图；

图6是根据示例实施例的可以被训练并被用于推理的神经网络的示意图；

图7是示出对于包括根据示例实施例的方法在内的三种定位方法类型的不同时间实例的平均位置误差的条形图；

图8A是示出根据示例实施例的定位方法和参考定位方法在不同时间实例处的百分比开销增加的条形图；

图8B是示出根据示例实施例的定位方法和参考定位方法在不同时间实例处的百分比准确度增益的条形图；

图9是示出了根据示例实施例的处理操作的流程图；

图10是可以被配置或用于执行示例实施例的装置；和

图11是用于存储可以执行示例实施例的计算机可读代码的非暂时性介质。

具体实施方式

示例实施例涉及定位系统和方法。

在本文中可以使用以下缩写：

3G/4G/5G 第三代、第四代、第五代蜂窝网络技术；

AMF 访问和移动性功能；

BS 基站；

BSC 基站控制器；

eNodeB 增强型NodeB；

ESM 增强测量集合；

FCN 全连接网络；

gNB 下一代基站；

LCS 位置服务；

LMF 位置管理功能；

LUT 查找表；

RAN 无线电接入网络；

RNC 无线电网络控制器；

RNN 循环神经网络；

RSRP 参考信号接收功率；和

UE 用户设备。

示例实施例涉及基于与基站相关联的信号来确定目标设备(例如UE)的位置。基站可以包括具有已知位置并且经由一个或多个天线向关联的覆盖区域提供无线电传输(并且通常还有接收)功能性的RAN的任何节点。基站在本文中可以被称为NodeB，但是该术语可与上述任何此类节点互换。在4G的上下文中，基站有时被称为eNodeB，而在5G的上下文中，基站有时被称为gNB。示例实施例适用于任何下一代蜂窝网络技术。示例实施例可以涉及多个空间分离的基站的使用，每个基站具有通常被称为小区的覆盖区域，在该覆盖区域内它可以可靠地发射和接收承载数据的信号。相邻小区之间可以存在一些覆盖重叠。每个基站可以发射参考信号，其可以至少部分地被用来估计UE的位置。UE从两个或更多基站接收信号是很常见的。通常基于诸如信号强度和/或服务质量之类的一些测量参数，基站之一将通常被指定为服务基站，并且其对应的小区被指定为服务小区。服务基站/小区有时可以被称为主基站/小区并且可以随时间改变，例如在切换期间。

可以使用能够通过网络从空间上分离的基站接收数据的任何形式的UE，并且UE可以包括智能电话、平板计算机、膝上型计算机、个人计算机等。

每个小区可以由本地无线电区域内的标识来识别，该标识在小区中被广播。基站通过在无线电频率上操作的空中接口来与基站范围内的UE进行通信。在RAN的一些版本中，若干基站通常连接(例如，通过陆线或微波)到控制器节点(诸如RNC或BSC)，该控制器节点监督并协调与其连接的多个基站的各种活动。RNC通常连接到一个或多个核心网络。

存在许多已知方法用于确定UE位置，其中一些方法基于观察到的到达时间差(OTDOA)和定位增强小区ID(E-CID)。本文的示例实施例涉及参考信号接收功率(RSRP)测量的使用。RSRP的概念和测量将是已知的。实施例可以可适用于其他定位技术。总而言之，可以创建覆盖区内所有相关基站的预期RSRP的数据库。来自UE的消息收发报告(MR)(其中MR可以包括针对至少服务小区以及可能地针对相邻小区的RSRP测量)可以与数据库相关以将最佳匹配点识别为UE当前位置。这种定位方法可以被称为指纹识别，因而存储在数据库中的每个RSRP测量值都是关于位置的一种形式的指纹。可以使用其他测量类型。

在5G的上下文中，基站(gNB)将利用天线阵列来通过一个或多个相应的波束进行发射。参考图1，示出了涉及三个gNB 10、11、12的场景。第一gNB是用于目标UE 13的服务小区的服务基站。另外两个11、12是用于相邻小区的相邻gNB。实际上，UE 13可以测量来自服务小区和相邻小区的发射波束14的质量。然而，一般来说，只有这些测量的子集可以被报告给服务小区。该子集可能仅对应于关于服务小区的最佳测量波束。在预定义的触发条件下，UE 13还可以将来自相邻小区的测量报告给它的服务小区(例如，在切换触发事件的情况下)。测量报告中的这种限制是为了信令开销优化而做的。

在示例实施例中，在服务gNB10处可用的波束RSRP测量被用作用于定位的输入。

本公开的以下部分将仅参考gNB 10、11、12作为基站的示例。然而，其他实施例可以使用其他形式的基站。

gNB 10、11、12中的每一个可以连接到网络的管理部分。这可以被称为核心网络。核心网络可以包括(在5G环境中)AMF 15和LMF 6。AMF 36是3GPP 5G架构的一部分，并且具有注册管理、连接管理、可达性管理、移动性管理和与安全和接入管理和授权相关的各种功能的主要任务。其他技术可以具有等效的功能，并且AMF 15的规定本身对于示例实施例来说不是必需的。

LMF 38是确定UE 13的位置并且实际上可以触发位置测量的网络的一部分。

图2描绘了UE 13发送作为时间的函数的RSRP测量报告20的示意性示例，其也对应于运动轨迹。在每个时间瞬时t_i，UE的位置(X_t)可以在AMF 15处作为报告的波束测量(BR)的函数而被估计，用{BR}_t标示。所实现的定位准确度高度依赖于所考虑的波束RSRP测量，通常取决于所报告的波束数量以及小区数量(服务小区加上最佳相邻小区)。例如，可以观察到，使用最好的四个波束，通过来自服务小区的波束测量可以实现大约2.6m的定位准确度。还可以观察到，使用来自服务小区和两个最佳相邻小区的波束测量可以实现大约1.5m的定位准确度，其中每个小区报告四个波束。

这些结果可以利用基于神经网络的方法来实现(例如2个隐藏层，每个隐藏层500个节点，并且激活函数＝tanh)。

然后可以直接得出结论：更高的定位准确度需要来自服务小区和相邻小区的更大的波束测量集合。例如由于相邻小区测量报告，示例实施例提供了用于实现这种更高定位准确度同时将相关信令开销减少或最小化的方法和装置。

仍然参考图2，每个测量报告{BR}_t可以是指由UE 13在相应的时间实例t_i向其当前服务gNB 10报告的RSRP。可以每δ_t秒进行报告。在实践中，可以在每个测量报告{BR}_t中仅报告服务gNB 10的波束子集，例如，四。在一些预定义的条件下，可以从相邻小区报告更多波束，例如二十个，以提供更高的准确度。

为了减少信令开销，示例实施例使用预定义的持续时间T或时段，使得每T秒就使用包括增强测量集合(ESM)的测量报告以更高的准确度估计UE 13的位置，例如测量报告包括来自服务小区和一个或多个相邻小区的RSRP测量。例如，可以使用来自两个相邻小区的RSRP测量。

在连续的ESM报告之间，测量的报告仅限于较少数量的测量，例如最低要求。例如，如果在时间瞬时t₀处进行ESM报告，则在时段T内的子间隔(例如t₀+δ_t、t₀+2δ_t、...t₀+T-δ_t)处，只能执行最少的测量报告。UE 13在t+δ_t处的位置可以被估计为其在先前时间实例t处的估计位置与最小测量报告{BR}_t+δt的函数f，即

X_t+δt＝f(X_t,BR_t+δt)

在一些示例实施例中，可以使用机器学习模型来逼近函数f。

可以在LMF 16处执行UE 13的位置X_t的确定。在特定时间瞬时处，LMF 16或网络的一些其他节点可以触发UE 13以报告测量。特别地，可以响应于使用来自相邻小区的RSRP测量来增强定位的需要来执行触发。在ESM报告之后的其他报告是那些已经执行的报告，或者传统上使用来自仅服务小区或较少数量的小区的波束执行的报告。

图3提供了根据示例实施例的网络时序图。时序图表示由一个或多个LCS客户端30发送和/或接收的信号，其可以是请求UE 13以及LMF 16和AMF 15的当前位置的任何服务。在从LCS客户端30接收到位置请求时，LMF 16可以确定需要哪种定位方法(例如ESM或非ESM)。LMF 16可以将标识是否需要ESM报告的报告请求转发给AMF 15。如果需要ESM报告，则AMF 15然后可以向UE 13发送触发消息以用于ESM报告，即发送与服务gNB 10和一个或多个相邻gNB 11、12相关联的预定数目的波束的RSRP测量。这意味着ESM方法可以仅在需要时被触发，同时确保触发之间的间隔中的位置准确度。这导致信令开销方面的重要增益。在任何情况下作为调度的一部分都可以执行非ESM报告，该方法可以被用于ESM报告之间的间隔。

图4是指示可以在LMF 16或某个其他节点处以硬件、软件或其组合执行的操作的流程图。操作的编号不一定指示处理的顺序。在一些实施例中可以提供更多或更少的操作。

参考标号4.1指示开始条件，其可以对应于接收到来自LCS客户端30的定位请求。在这个阶段，可以确定时间段T；这可以是预定数目，或者基于LCS客户端30的类型或来自LCS客户端30的特定请求的数目。在一些实施例中，时间段参数T的值可以被离线估计并以LUT的形式被存储在网络中(例如在LMF 16处)，其中对于所需的定位准确度和所允许的信令开销的配对，与T的值相关联。

在操作4.2中，确定是否需要ESM报告。这可以对应于时间实例t＝0、T、2T等等。

如果需要ESM报告，则在操作4.3中，LMF 16可以在ESM报告{BR}_t中向网络请求测量集合。

在操作4.4中，LMF 16可以接收针对该时间实例的ESM报告{BR}_t。经由AMF 15从UE13接收ESM报告{BR}_t。

在操作4.5中，LMF 16可以根据ESM报告中的测量来确定从其中接收到ESM报告的UE 13的位置(X_t)。例如，ESM报告{BR}_t可以包括测量，该测量包括与服务gNB 10的四个波束中的每个波束相关的RSRP以及与来自两个相邻gNB 11、12中的每一个的四个波束中的每个波束相关的RSRP。可以基于RSRP的值将两个相邻gNB 11、12选择为“最佳邻居”。

在操作4.6中，可以将位置(X_t)报告回LCS客户端30。

在操作4.7中，位置(X_t)可以与对应的时间实例一起被存储在存储器中，该存储器可以是LMF 16的本地存储器或不同的存储器。例如，在操作4.8中，位置(X_t)可以被存储在位置数据库中。

在时段T内的子间隔(例如t₀+δ_t、t₀+2δ_t、...t₀+T-δ_t)处，可以执行非ESM报告。如所解释的，该方法可以使用来自例如仅服务gNB10的常规RSRP测量，这些测量已经可用，因为它们是用于资源分配的常规信令的一部分。例如，这些可以包括对服务gNB 10的四个波束的RSRP测量。因此在这些子间隔期间不需要特定的测量报告。相反，子间隔处的相应位置基于所存储的先前位置(X_t-δt)的函数f以及与服务gNB 10相关联的可用测量。

因此，在操作4.2中，如果不需要ESM报告，则操作4.9，经由操作4.4和4.5，请求或简单地使用常规数量的RSRP测量来基于测量报告{BR}_t和值(X_t-δt)来估计UE的当前位置，如操作4.10中提供的。

操作4.11表示对当前时间实例的评估，这可能涉及监视时钟。对于后续的时间实例，该过程可以返回到操作4.2。

图5与图2的相似之处在于，它示意性地描绘了UE 13发送作为时间的函数的RSRP测量报告50的示例，该时间也对应于运动轨迹。在这种情况下，根据示例实施例，在每个时间实例t处，RSRP测量报告50取决于是否请求或需要ESM，例如仅在具有时段T的预定时间实例处。T的值可以被认为是调整参数，因为它调整了定位准确度。UE 13在时段T内的子间隔(例如t₀+δ_t、t₀+2δ_t、…t₀+T-δ_t)处的位置被确定为其在先前时间实例处的估计位置与所报告的当前时间的测量的相应函数f 60。换一种方式：

X_t+δt＝f(X_t,BR_t+δt)。

该函数f 60可以使用机器学习模型来确定。机器学习模型可以是经训练的模型。例如，机器学习模型可以包括基于卷积神经网络(CNN)和递归神经网络(RNN)架构的深度神经网络架构。该架构考虑了当前测量报告以及UE 13的先前估计的位置。

在仿真中，训练了具有图6中所示架构的深度学习模型。网格61上的数据点表示训练数据，将该训练数据传递通过六个CNN层62、一个展平层63，然后通过三个密集的全连接网络层63，之后传递到RNN层65。

深度学习模型的示例参数被规定在下表1中。

层	参数
		卷积1	N<sub>f</sub>＝128,k＝(3,3),s＝(1,1)
卷积2	N<sub>f</sub>＝64,k＝(3,3),s＝(2,2)
		卷积3	N<sub>f</sub>＝32,k＝(2,3),s＝(1,1)
卷积4	N<sub>f</sub>＝16,k＝(3,3),s＝(2,2)
		卷积5	N<sub>f</sub>＝8,k＝(3,2),s＝(1,1)
卷积6	N<sub>f</sub>＝2,k＝(3,3),s＝(1,1)
		密集1	N<sub>L</sub>＝64
密集2	N<sub>L</sub>＝16
		密集3	N<sub>L</sub>＝2
RNN	N<sub>o</sub>＝2

表1

密钥：

N_f ＝滤波器的数目；

K ＝内核尺寸；

S ＝步幅；

N_L ＝神经元的数目；和

N_o ＝输出维度

为了训练图6模型的目的，数据集合包括16800个UE数据值，其由来自服务小区和两个最佳相邻小区的四个最佳波束的波束RSRP值组成。测试数据由4200个样本组成。

对于以下三种情况，针对从1到10变化的不同时间瞬时t值记录测试数据的平均位置误差值：

·在所有时间实例处为ESM方法(对于所有t值，3个小区*4个波束RSRP)；

·在任何时间实例处无ESM方法(对于所有t值，1个小区*4个波束RSRP)；和

·仅在时段T的第一时间实例处为ESM方法(在t＝0处为3个小区*4个波束RSRP，并且在t>0处为1个小区*4个波束RSRP)。

图7是针对三种不同情况所实现的平均位置误差的图形比较。x轴的范围对应于单个时间段T，因此在第三种情况下，在t＝0处使用ESM方法，并且从t＝1到下一个时段T开始之前不使用ESM。在第三种情况下，T值越大，位置误差越大。然而，使用第三种情况的优点从图8A和图8B中显而易见，它们分别示出了作为时间的函数的信令开销百分比和定位准确度百分比。

在图8A中，信令开销被示为与在任何时候都没有使用ESM的第二种情况相比开销增加的百分比。在图8B中，定位准确度被示为与在任何时候都没有使用ESM的第二种情况相比的增益百分比。

可以从所示出的结果中得出的结论包括，第三种情况提供的准确度低于第一种情况，但是这种差距取决于所考虑的时段T。对于低时段值(T<4)，差距低于10％并且对于T＝9时达到40％。然而，在检查信令开销时，使用第三种情况的好处变得更加清晰，并且随着时间的推移而增加。

所获得的仿真结果清楚地示出了仅在周期性间隔处使用ESM的优势，例如在信令开销方面的优势(对于T＝9仅增加20％的开销)，同时确保了定位准确度优于基于传统报告测量集合的参考方案。

图9是指示可以在LMF 16或某个其他节点处以硬件、软件或其组合执行的操作的流程图。操作的编号不一定指示处理的顺序。在一些实施例中可以提供更多或更少的操作

第一操作9.1可以包括在第一时间实例处从目标设备接收与多个基站中的每个基站相关联的第一测量数据集合。

第二操作9.2可以包括基于接收到的第一测量数据集合来确定目标设备的第一位置。

第三操作9.3可以包括在一个或多个后续时间实例中的每个时间实例处从目标设备接收第二测量数据集合，第二测量数据集合与多个基站中的一个基站或多个基站中的较少数目的基站中的每个基站相关联。

第四操作9.4可以包括基于在先前时间实例处确定的位置和第二测量数据集合，在一个或多个后续时间实例中的每一个处确定目标设备的相应位置。

操作还可以包括由目标设备在第一时间实例处发送第一测量数据集合以及在后续时间实例处发送第二测量数据集合。可以在重复时段处发送第一测量数据集合，并且可以在每个时段内的一个或多个子间隔处发送(多个)第二测量数据集合。可以接收与目标设备的服务基站相关联的一个第二测量数据集合。第一测量数据集合可以与目标设备的服务基站和一个或多个相邻基站相关联。这些集合可以包括与由(多个)基站发送的多个波束相关联的测量数据。第一测量数据集合和第二测量数据集合可以表示由目标设备针对来自基站的参考信号确定的RSRP测量。

图10示出了根据示例实施例的装置。该装置可以被配置为执行本文描述的操作，例如参考图3、图4和/或图9描述的操作。该装置可以包括至少一个处理器100和直接或紧密连接到处理器的至少一个存储器120。存储器120包括至少一个随机存取存储器(RAM)120b和至少一个只读存储器(ROM)120a。计算机程序代码(软件)125被存储在ROM 120b中。该装置可以连接到基站的接收器路径以便获得LPP层信号等。该装置可以与用于指示该装置和/或用于输出结果的用户界面UI相连接。然而，代替UI，可以例如从批处理文件输入指令，并且输出可以被存储在非易失性存储器中。至少一个处理器100与至少一个存储器120和计算机程序代码125一起被布置为使该装置至少执行根据图5的方法或者如本文所公开的其任何变体。

图11示出了根据一些实施例的非暂时性介质130。非暂时性介质130是计算机可读存储介质。它可以是例如CD、DVD、USB记忆棒、蓝光盘等。非暂时性介质130存储计算机程序代码当由诸如图10的处理器100之类的处理器执行时，使装置执行图3、图4和/或图9的方法或者如本文所公开的其任何变体。

网络元件、协议和方法的名称基于当前标准。在其他版本或其他技术中，这些网络元件和/或协议和/或方法的名称可以不同，只要它们提供对应的功能性即可。例如，实施例可以被部署在2G/3G/4G/5G网络和3GPP的更进一步的世代中，但是也可以被部署在诸如WiFi之类的非3GPP无线电网络中。因此，基站可以是BTS、NodeB、eNodeB、gNB、WiFi接入点等。

存储器可以是易失性或非易失性的。它可能是例如RAM、SRAM、闪存、FPGA blockram、DCD、CD、USB记忆棒和蓝光盘。如果没有另外说明或从上下文中明确说明，则两个实体不同的陈述意味着它们执行不同的功能。这并不一定意味着它们基于不同的硬件。也就是说，本说明书中描述的每个实体可以基于不同的硬件，或者一些或所有实体可以基于相同的硬件。这并不一定意味着它们基于不同的软件。也就是说，本说明书中描述的每个实体可以基于不同的软件，或者一些或所有实体可以基于相同的软件。本说明书中描述的每个实体可以被体现在云中。

作为非限制性示例，任何上述块、装置、系统、技术或方法的实现包括作为硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其一些组合的实现。一些实施例可以被实现在云中。

应当理解，以上描述的是目前认为的优选实施例。然而，应当注意，优选实施例的描述仅作为示例给出，并且可以进行各种修改而不脱离所附权利要求限定的范围。

Claims (23)

1.一种装置，包括用于以下的部件：

在第一时间实例处从目标设备接收与多个基站中的每个基站相关联的第一测量数据集合；

基于接收到的所述第一测量数据集合来确定所述目标设备的第一位置；

在一个或多个后续时间实例中的每个时间实例处从所述目标设备接收第二测量数据集合，所述第二测量数据集合与所述多个基站中的一个基站或所述多个基站中的较小数目的基站中的每个基站相关联；

基于在先前时间实例处确定的所述位置和所述第二测量数据集合，在所述一个或多个后续时间实例中的每个时间实例处确定所述目标设备的相应位置。

2.根据权利要求1所述的装置，还包括用于使所述目标设备在所述第一时间实例处发送所述第一测量数据集合以及在所述后续时间实例处发送所述第二测量数据集合的部件。

3.根据权利要求2所述的装置，还包括用于使所述目标设备在重复时段处发送所述第一测量数据集合以及在每个时段内的一个或多个子间隔处发送一个或多个第二测量数据集合的部件。

4.根据前述权利要求中任一项所述的装置，其中仅与用于所述目标设备的服务基站相关联的一个第二测量数据集合被接收。

5.根据前述权利要求中任一项所述的装置，其中所述第一测量数据集合与用于所述目标设备的服务基站和一个或多个相邻基站相关联。

6.根据前述权利要求中任一项所述的装置，其中所述第一测量数据集合和所述第二测量数据集合表示由所述目标设备针对来自所述基站的参考信号确定的参考信号接收功率(RSRP)测量。

7.根据前述权利要求中任一项所述的装置，其中在先前时间实例处确定的所述位置被存储在所述装置的存储器设备中。

8.根据前述权利要求中任一项所述的装置，其中在所述一个或多个后续时间实例中的每个时间实例处确定所述目标设备的相应位置是基于机器学习模型的，所述机器学习模型确定所述相应位置与在先前时间实例处确定的所述位置和所述第二测量数据集合的函数关系。

9.根据权利要求8所述的装置，其中所述机器学习模型包括卷积神经网络和递归神经网络。

10.根据前述权利要求中任一项所述的装置，包括无线电通信网络的定位节点。

11.一种方法，包括：

在第一时间实例处从目标设备接收与多个基站中的每个基站相关联的第一测量数据集合；

基于接收到的所述第一测量数据集合来确定所述目标设备的第一位置；

在一个或多个后续时间实例中的每个时间实例处从所述目标设备接收第二测量数据集合，所述第二测量数据集合与所述多个基站中的一个基站或所述多个基站中的较小数目的基站中的每个基站相关联；

基于在先前时间实例处确定的所述位置和所述第二测量数据集合，在所述一个或多个后续时间实例中的每个时间实例处确定所述目标设备的相应位置。

12.根据权利要求11所述的方法，还包括使所述目标设备在所述第一时间实例处发送所述第一测量数据集合以及在所述后续时间实例处发送所述第二测量数据集合。

13.根据权利要求12所述的方法，还包括使所述目标设备在重复时段处发送第一测量数据集合以及在每个时段内的一个或多个子间隔处发送一个或多个第二测量数据集合。

14.根据权利要求11至13中任一项所述的方法，其中仅与用于所述目标设备的服务基站相关联的一个第二测量数据集合被接收。

15.根据权利要求11至14中任一项所述的方法，其中所述第一测量数据集合与用于所述目标设备的服务基站和一个或多个相邻基站相关联。

16.根据权利要求11至15中任一项所述的方法，其中所述第一测量数据集合和所述第二测量数据集合表示由所述目标设备针对来自所述基站的参考信号确定的参考信号接收功率(RSRP)测量。

17.根据权利要求11至16中任一项所述的方法，还包括将在先前时间实例处确定的位置存储在存储器设备中。

18.根据权利要求11至17中任一项所述的方法，其中在所述一个或多个后续时间实例中的每个时间实例处确定所述目标设备的相应位置是基于机器学习模型的，所述机器学习模型确定所述相应位置与在先前时间实例处确定的所述位置和所述第二测量数据集合的函数关系。

19.根据权利要求18所述的方法，其中所述机器学习模型包括卷积神经网络和递归神经网络。

20.根据权利要求11至19中任一项所述的方法，所述方法在无线电通信网络的定位节点处被执行。

21.一种装置，包括至少一个处理器，直接连接到所述至少一个处理器的至少一个存储器，所述至少一个存储器包括计算机程序代码，并且所述至少一个处理器与所述至少一个存储器和所述计算机程序代码一起被布置以执行以下方法：

在第一时间实例处从目标设备接收与多个基站中的每个基站相关联的第一测量数据集合；

基于接收到的所述第一测量数据集合来确定所述目标设备的第一位置；

在一个或多个后续时间实例中的每个时间实例处从所述目标设备接收第二测量数据集合，所述第二测量数据集合与所述多个基站中的一个基站或所述多个基站中的较小数目的基站中的每个基站相关联；

基于在先前时间实例处确定的所述位置和所述第二测量数据集合，在所述一个或多个后续时间实例中的每个时间实例处确定所述目标设备的相应位置。

22.一种计算机程序产品，包括指令集，所述指令集在装置上执行时被配置为使所述装置执行以下方法：

在第一时间实例处从目标设备接收与多个基站中的每个基站相关联的第一测量数据集合；

基于接收到的所述第一测量数据集合来确定所述目标设备的第一位置；

在一个或多个后续时间实例中的每个时间实例处从所述目标设备接收第二测量数据集合，所述第二测量数据集合与所述多个基站中的一个基站或所述多个基站中的较小数目的基站中的每个基站相关联；

基于在先前时间实例处确定的所述位置和所述第二测量数据集合，在所述一个或多个后续时间实例中的每个时间实例处确定所述目标设备的相应位置。

23.一种非瞬态计算机可读介质，包括被存储在其上的程序指令，所述程序指令用于执行一种方法，所述方法包括：

在第一时间实例处从目标设备接收与多个基站中的每个基站相关联的第一测量数据集合；

基于接收到的所述第一测量数据集合来确定所述目标设备的第一位置；

在一个或多个后续时间实例中的每个时间实例处从所述目标设备接收第二测量数据集合，所述第二测量数据集合与所述多个基站中的一个基站或所述多个基站中的较小数目的基站中的每个基站相关联；

基于在先前时间实例处确定的所述位置和所述第二测量数据集合，在所述一个或多个后续时间实例中的每个时间实例处确定所述目标设备的相应位置。

Images