CN114765855A - 位置估计 - Google Patents

位置估计 Download PDF

Info

Publication number
CN114765855A
CN114765855A CN202210040688.0A CN202210040688A CN114765855A CN 114765855 A CN114765855 A CN 114765855A CN 202210040688 A CN202210040688 A CN 202210040688A CN 114765855 A CN114765855 A CN 114765855A
Authority
CN
China
Prior art keywords
matrix
signal
user equipment
signal signature
generating
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
CN202210040688.0A
Other languages
English (en)
Inventor
O-E·巴尔布
B·维杰尔加德
J·哈雷贝克
I·Z·科瓦克斯
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.)
Nokia Technologies Oy
Original Assignee
Nokia Technologies Oy
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 Nokia Technologies Oy filed Critical Nokia Technologies Oy
Publication of CN114765855A publication Critical patent/CN114765855A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01S5/0252—Radio frequency fingerprinting
    • 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
    • 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
    • G01S5/0278—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 involving statistical or probabilistic considerations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment

Landscapes

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

Abstract

描述了一种方法、装置和计算机程序，该方法、装置和计算机程序包括：从用户设备获取在通信系统的多个节点处接收的参考信号；基于所获取的所述参考信号的实部和虚部生成信号签名矩阵；以及通过将基于所生成的所述信号签名矩阵的信号应用于模型的输入，生成针对用户设备的第一三维位置估计。

Description

位置估计
技术领域
本说明书涉及移动通信系统中的位置估计。
背景技术
为移动通信系统的设备生成位置估计对于很多目的是有用的。仍然希望在这个领域有进一步的发展，特别是在垂直位置估计方面。
发明内容
在第一方面，本说明书描述了一种包括用于执行以下操作的部件的装置：从用户设备获取在通信系统(例如，移动通信系统)的多个节点处接收的参考信号(例如，上行链路探测参考信号)；基于所获取的参考信号的实部和虚部生成信号签名矩阵；以及通过将基于所生成的信号签名矩阵的信号应用于模型的输入，生成针对用户设备的第一三维位置估计。节点可以是用户设备的服务节点和相邻节点。在一些示例实施例中，丢失数据点可以作为空数据添加到信号签名矩阵。第一三维位置估计可以是粗略位置估计。
在一些示例实施例中，位置估计基于具有特定分辨率的网格。因此，每个位置数据变量可以是网格的最接近相应位置的节点。
一些示例实施例还包括用于执行以下操作的部件：响应于定位请求，接收或部署上述模型。该请求可以是紧急定位请求，诸如UE紧急定位请求。
一些示例实施例还包括用于执行以下操作的部件：压缩所生成的信号矩阵以生成具有较低维度的矩阵，其中针对用户设备的上述第一三维位置估计通过将压缩矩阵应用于上述模型的输入来生成。上述压缩可以使用PCA、SVD或某些类似的压缩算法来执行。
用于执行生成上述位置估计的部件可以包括将特征矩阵应用于一个或多个分类器以获取位置估计。例如，可以针对3D位置估计的3D维度的x维度、y维度和z维度中的每个维度提供分类器。
用于执行生成上述位置估计的部件生成单独的x维度位置估计、y维度位置估计和z维度位置估计。替代布置是可能的，例如第一分类器可以生成x-y位置估计并且第二分类器可以生成z位置估计。
一些示例实施例还包括用于执行以下操作的部件：使用数据增强(例如，使用GAN原理)在上述信号签名矩阵中生成所估计的丢失数据点。数据增强可以使用机器学习原理基于可用参考信号和用户设备相对于上述多个节点的位置估计来估计丢失数据点。一些示例实施例还包括用于执行以下操作的部件：在信号签名矩阵中的空数据条目的数目高于阈值的情况下和/或在最终估计具有高度不确定性时触发上述数据增强的使用。一些示例实施例还包括用于执行以下操作的部件：通过将所生成的信号签名矩阵(包括所估计的丢失数据点在内)应用于上述模型的输入，生成针对用户设备的第二三维位置估计。
在第二方面，本说明书描述了一种装置(例如，模型生成器)，该装置包括用于执行以下操作的部件：在通信系统的多个节点(例如，服务节点和相邻节点)处从多个用户设备获取参考信号(例如，上行链路探测参考信号)，其中每个用户设备在三维空间内具有标识位置(例如，已知位置或估计位置)；使用互相关来隔离在每个通信节点处从个体用户设备接收的参考信号；针对每个用户设备，分别基于所隔离的参考信号的实部和虚部生成第一信号签名矩阵和第二信号签名矩阵；将每个信号签名矩阵映射到对应用户设备的标识位置；以及基于所生成的第一信号签名矩阵和第二信号签名矩阵以及对应的标识位置来训练模型(例如，机器学习模型(诸如CNN、DNN、ResNet等))。上述互相关可以是由特定用户设备发送的已知信号与在通信系统的特定节点处接收的信号之间的互相关。
一些示例实施例还包括用于执行以下操作的部件：压缩所生成的信号矩阵以生成具有较低维度的矩阵，其中上述模型基于被压缩后的矩阵以及对应标识位置来训练。
用于执行训练上述模型的部件还可以包括用于执行以下操作的部件：生成从所生成的信号矩阵中导出的多个子矩阵，其中每个子矩阵用于训练多个模型中的一个模型。多个子矩阵中的至少一个可以提供垂直位置估计。在一个示例实施例中，第一模型、第二模型和第三模型分别提供x维度位置估计、y维度位置估计和z维度位置估计。
一些示例实施例还包括用于执行以下操作的部件：使用数据增强在上述信号签名矩阵中生成丢失数据点。上述数据增强可以使用GAN或其他机器学习原理。一些示例实施例还包括用于执行以下操作的部件：在信号签名矩阵中的空数据条目的数目高于阈值的情况下触发上述数据增强的使用。
在第一方面和第二方面中，上述部件可以包括：至少一个处理器；以及包括计算机程序代码的至少一个存储器，至少一个存储器和计算机程序被配置为与至少一个处理器一起该装置的执行。
在第三方面，本说明书描述了一种方法，该方法包括：从用户设备获取在通信系统的多个节点处接收的参考信号(例如，上行链路探测参考信号)；基于所获取的参考信号的实部和虚部生成信号签名矩阵；以及通过将基于所生成的信号签名矩阵的信号应用于模型的输入，生成针对用户设备的第一三维位置估计。在一些示例实施例中，丢失数据点可以作为空数据添加到信号签名矩阵。第一三维位置估计可以是粗略位置估计。
一些示例实施例还包括响应于诸如紧急定位请求等定位请求而接收或部署上述模型。
一些示例实施例还包括：压缩所生成的信号矩阵以生成具有较低维度的矩阵，其中针对用户设备的上述第一三维位置估计通过将被压缩后的矩阵应用于上述模型的输入来生成。上述压缩可以使用PCA、SVD或某些类似的压缩算法来执行。
生成上述位置估计可以包括将特征矩阵应用于一个或多个分类器以获取位置估计。
一些示例实施例还包括：使用数据增强(例如，使用GAN原理)在上述信号签名矩阵中生成所估计的丢失数据点。数据增强可以使用机器学习原理基于可用参考信号和用户设备相对于上述多个节点的位置估计来估计丢失数据点。一些示例实施例还包括：在信号签名矩阵中的空数据条目的数目高于阈值的情况下和/或在最终估计具有高度不确定性时触发上述数据增强的使用。一些示例实施例还包括：通过将所生成的信号特征矩阵包括所估计的丢失数据点在内)应用于上述模型的输入，生成针对用户设备的第二三维位置估计。
在第四方面，本说明书描述了一种方法，该方法包括：在通信系统的多个节点处从多个用户设备获取参考信号，其中每个用户设备在三维空间内具有标识位置；使用互相关来隔离在每个通信节点处从个体用户设备接收的参考信号；针对每个用户设备，分别基于所隔离的参考信号的实部和虚部生成第一信号签名矩阵和第二信号签名矩阵；将每个信号签名矩阵映射到对应用户设备的标识位置；以及基于所生成的第一信号签名矩阵和第二信号签名矩阵以及对应标识位置来训练模型。上述互相关可以是由特定用户设备发送的已知信号与在通信系统的特定节点处接收的信号之间的互相关。
一些示例实施例还包括：压缩所生成的信号矩阵以生成具有较低维度的矩阵，其中上述模型基于所压缩的矩阵和对应标识位置来训练。
用于执行训练上述模型的部件还可以包括：生成从所生成的信号矩阵中导出的多个子矩阵，其中每个子矩阵用于训练多个模型中的一个模型。多个子矩阵中的至少一个可以提供垂直位置估计。在一个示例实施例中，第一模型、第二模型和第三模型分别提供x维度位置估计、y维度位置估计和z维度位置估计。
一些示例实施例还包括：使用数据增强在上述信号签名矩阵中生成丢失数据点。上述数据增强可以使用GAN或其他机器学习原理。该方法可以包括：在信号签名矩阵中的空数据条目的数目高于阈值的情况下触发上述数据增强的使用。
在第五方面，本说明书描述了一种计算机可读指令，该计算机可读指令在由计算装置执行时使计算装置(至少)执行如参考第三方面或第四方面描述的任何方法。
在第六方面，本说明书描述了一种包括存储在其上的程序指令的计算机可读介质(例如，非暂态计算机可读介质)，该程序指令用于(至少)执行如参考第三方面或第四方面描述的任何方法。
在第七方面，本说明书描述了一种装置，该装置包括：至少一个处理器；以及包括计算机程序代码的至少一个存储器，该计算机程序代码在由至少一个处理器执行时使该装置(至少)执行如参考第三方面或第四方面描述的任何方法。
在第八方面，本说明书描述了一种计算机程序，该计算机程序包括用于使装置至少执行以下操作的指令：从用户设备获取在通信系统的多个节点处接收的参考信号；基于所获取的参考信号的实部和虚部生成信号签名矩阵；以及通过将基于所生成的信号签名矩阵的信号应用于模型的输入，生成针对用户设备的第一三维位置估计。
在第九方面，本说明书描述了一种计算机程序，该计算机程序包括用于引起装置至少执行以下操作的指令：在通信系统的多个节点处从多个用户设备获取参考信号，其中每个用户设备在三维空间内具有标识位置；使用互相关来隔离在每个通信节点处从个体用户设备接收的参考信号；针对每个用户设备，分别基于所隔离的参考信号的实部和虚部生成第一信号签名矩阵和第二信号签名矩阵；将每个信号签名矩阵映射到对应用户设备的标识位置；以及基于所生成的第一信号签名矩阵和第二信号签名矩阵以及对应标识位置来训练模型。
在第十方面，本说明书描述了：用于从用户设备获取在通信系统的多个节点处接收的参考信号(例如，上行链路探测参考信号)的部件(例如，输入)；用于基于所获取的参考信号的实部和虚部生成信号签名矩阵的部件(例如，处理器)；以及用于通过将基于所生成的信号签名矩阵的信号应用于模型的输入，生成针对用户设备的第一三维位置估计的部件(例如，位置估计器)。
在第十一方面，本说明书描述了：用于在通信系统的多个节点处从多个用户设备获取参考信号的部件(例如，输入)，其中每个用户设备在三维空间内具有标识位置；用于隔离在每个通信节点处从个体用户设备接收的参考信号的部件(例如，互相关部件)；用于针对每个用户设备，分别基于所隔离的参考信号的实部和虚部生成第一信号签名矩阵和第二信号签名矩阵的部件(例如，处理器)；用于将每个信号签名矩阵映射到对应用户设备的标识位置的部件(例如，映射部件)；以及用于基于所生成的第一信号签名矩阵和第二信号签名矩阵以及对应标识位置来训练模型的部件(例如，机器学习算法)。
附图说明
现在将参考以下示意图仅通过示例来描述示例实施例，在附图中：
图1是根据示例实施例的系统的框图；
图2至图4是示出根据示例实施例的算法的流程图；
图5是根据示例实施例的系统的框图；
图6是示出根据示例实施例的算法的流程图；
图7至图10是示出示例实施例的方面的框图；
图11是示出根据示例实施例的算法的流程图；
图12是示出根据示例实施例的算法的流程图；
图13是示出示例实施例的方面的框图；
图14是根据示例实施例的系统的组件的框图；以及
图15A和图15B示出了有形介质，分别为可移动非易失性存储器单元和光盘(CD)，该有形介质存储在由计算机运行时执行根据示例实施例的操作的计算机可读代码。
具体实施方式
本发明的各种实施例所寻求的保护范围由独立权利要求规定。说明书中描述的不属于独立权利要求的范围的实施例和特征(如果有)将被解释为对理解本发明的各种实施例有用的示例。
在描述和附图中，相同的附图标记始终指代相同的元素。
图1是根据示例实施例的系统的框图，该系统总体上由附图标记10指示。系统10包括用户设备12和移动通信系统的一个或多个节点(作为示例，在系统10中示出了第一节点14a、第二节点14b和第三节点14c)。用户设备12可以与通信节点14a至14c中的一个或多个通信。
图2是示出根据示例实施例的算法的流程图，该算法总体上由附图标记20指示。算法20可以使用系统10来实现。
算法20开始于操作22，其中获取在用户设备12与节点14a至14c中的一个或多个节点之间传输的无线电信号。无线电信号可以在用户设备12处处获取，也可以在相关节点14a至14c处和/或在另一节点(诸如服务器，例如位置管理功能(LMF))处获取。
在操作24，基于在操作22中获取的无线电信号估计用户设备12的位置。位置估计可以在用户设备12处生成，也可以在相关节点14a至14c处和/或在另一节点(诸如服务器，例如位置管理功能(LMF))处生成。
用于使用在用户设备与移动通信系统的一个或多个节点之间传输的无线电信号来估计该用户设备的位置的机制的示例包括：
·下行链路到达时间差(DL-TDOA)
·上行链路到达时间差(UL-TDOA)
·下行链路出发角(DL-AoD)
·上行链路到达角(UL-AoA)
·多小区往返时间(Multi-RTT)
在3GPP Rel-16中，为定位目的提供了下行链路定位参考信号(PRS)和上行链路探测参考信号(SRS)布置。在3GPP Rel-17中，新无线电(NR)定位正在取得进一步发展，包括关于提高垂直位置估计的准确性。
可能需要用户设备的准确垂直位置估计的理由有很多。例如，美国联邦通信委员会(FCC)制定了无线增强型911(E911)规则，该E911规则旨在通过向911调度员提供有关无线911呼叫的附加信息来提高无线911服务的有效性和可靠性。E911规则设想要求无线运营商提供诸如呼叫者的纬度和经度等信息。在建筑物内发出紧急呼叫的情况下，生成所谓的“可调度位置”(dispatchable location)可以包括诸如街道地址、楼层和房间号等信息，使得急救人员可以更快地定位呼叫者。
图3是示出根据示例实施例的算法的流程图，该算法总体上由附图标记30指示。算法30可以用于生成垂直位置的估计，例如以用作算法20的操作24的一部分。
算法30开始于操作32，其中从一个或多个传感器获取信号。这样的传感器可以包括可以作为用户设备的一部分被并入的气压传感器。在操作34，(全部或部分)基于在操作32中获取的传感器数据获取垂直位置估计。
用于垂直位置估计的气压传感器有很多限制。例如，气压计测量有多种误差源，诸如湿度、温度、海平面气压漂移或建筑物中气候控制系统的影响。此外，算法30中气压传感器(或其他类似传感器)的使用生成不基于无线电信号的垂直位置估计。
图4是示出根据示例实施例的算法的流程图，该算法总体上由附图标记40指示。
算法40开始于操作42，其中获取在一个或多个用户设备与节点14a至14c中的一个或多个节点之间传输的无线电信号。因此，操作42类似于上述操作22。
在操作44，将所获取的无线电信号中的一些或全部应用于模型，该模型可能已经使用机器学习原理进行了训练，如下文详细讨论的。
在操作46，通过模型生成一个或多个用户设备的3D位置估计。3D位置估计包括垂直位置估计。这样的位置估计可以具有所需要的精度，而不需要使用外部传感器，诸如上面讨论的气压传感器。
图5是根据示例实施例的系统的框图，该系统总体上由附图标记50指示。系统50可以用于实现上述算法40。
系统50包括多个用户设备52a、52b、52c、52d以及移动通信系统的多个节点(作为示例，在系统50中示出了第一节点54a、第二节点54b、第三节点54c、第四节点54d和第五节点54e)。用户设备52a至52d可以与通信节点54a至54e中的一个或多个(例如，全部)通信。
在算法40的实现中，无线电信号(例如，参考信号，诸如探测参考信号)可以在系统50的多个节点处从用户设备52a至52d中的一个获取(例如，有关的用户设备的服务节点和相邻节点)。可以获取基于所获取的参考信号(例如，宽带参考信号)的实部和虚部的信号特征矩阵，并且在操作44中将其提供给模型，以用于为用户设备生成三维位置估计，如下面进一步讨论的。
图6是示出根据示例实施例的算法的流程图，该算法总体上由附图标记60指示。算法60可以用于训练模型，诸如在上述算法40的操作44中使用的模型。
算法60开始于操作62，其中在多个通信节点(例如，节点54a至54e中的一些或全部)处从多个用户设备(例如，用户设备52a至52d中的一些或全部)接收无线电信号。每个用户设备在三维空间内具有标识位置(例如，已知或估计位置)。因此，如下文进一步讨论的，在操作62中获取的数据是可以用于训练模型的标记数据。在一个示例实施例中，无线电信号是参考信号，诸如上行链路探测参考信号(SRS)。接收无线电信号的节点可以包括特定用户设备的服务节点和一个或多个相邻节点。
因此，为了训练模型，网络(在操作62中)收集上行链路无线电信号(例如，诸如由服务节点和相邻节点接收的参考信号(RS)，诸如UE特定上行链路探测参考信号(SRS))。在这个第一“数据关联”阶段，网络可以在所接收的参考信号(输入特征)与3D位置(标签)之间建立映射。这些数据可以用于训练(多个)机器学习模块。为了生成标记训练数据(labelledtraining data)，网络可以采用各种策略，例如：
·使用实时网络测量。在这种情况下，网络可以选择并分配其3D位置已知的一组参考UE(例如，由UE自身传送，如从UE传感器/非蜂窝接收器获取的)。网络可以在预定义时间窗口内和/或在获取足够的标记训练数据之前收集参考UE测量。这可以在内部决定，例如通过检查总测量的数目以及不同标签集之间的平衡。网络可以选择随机UE成为参考UE。一旦该UE成为参考UE，则该UE可能需要报告其3D位置并且执行RS传输。
·使用仿真工具从建筑物内的选定位置生成参考信号(RS)。射线追踪(raytracing)、BVDM等及其组合可以用于该目的。
·上述方法的组合。
在操作62中在每个节点(例如，传输接收点(TRP))处接收的无线电信号是来自很多用户设备的无线电信号的叠加。
在操作63，将在通信节点(例如，节点54a至54e)处接收的来自个体用户设备的信号彼此隔离(isolate)。这可以使用由特定用户设备传输的已知信号与在特定节点处接收的信号之间的互相关来实现。例如，TRP可以将所接收的信号与UE特定传输信号的在本地生成的副本相互关联，并且分析在接收信号中是否存在特定签名。
在操作64，在用户设备处分别基于隔离的无线电信号的实部和虚部为每个用户设备生成第一信号特征矩阵和第二信号特征矩阵。如下文进一步讨论的，任何丢失数据点都可以作为空条目添加到信号特征矩阵中。
例如，对于来自特定UE的信号，如在每个TRP i处检测到的，所得到的(在操作63中生成的)互相关G复样本可以被收集在复数值(complex value)x(i)的行向量中。所得到的向量被拆分成两个行向量xr(i)、xi(i)，以收集实部和虚部。每个行向量作为新行附加到矩阵Xr＝[xr(1)T…xr(N)T]T和Xi＝[xi(1)T…xi(N)T]T。这些是在UE 3D位置被离散化为高分辨率D的网格之后用UE 3D位置标记的输入特征(如下面参考图7讨论的)。应当注意，离散化3D位置的使用在本文中以示例方式进行描述。本文中描述的原理可以应用于其中3D位置由(x，y，z)给出的情况，其中每个值采用实值(real value)(而不是整数/离散值)。
如下文进一步讨论的，每个矩阵Xr/i可以被馈送到压缩块，例如PCA，该压缩块将该矩阵转换为降维(即，具有少量列，即，L＜＜G)的特征矩阵Tr/i。
在操作65，将每个信号特征矩阵映射到对应用户设备的标识位置。例如，某些位置是准确已知的(诸如传感器位置)。
在操作66，使用所生成的第一信号矩阵和第二信号矩阵以及对应的标识位置来训练模型。该模型可以是使用机器学习原理训练的ML模型(诸如CNN、DNN、ResNet等)。例如，上面讨论的特征矩阵Tr和Ti可以用UE位置标记并且馈送到有监督机器学习模型，例如CNN、DNN、ResNet，该有监督机器学习模型称为FloorML，该FloorML将输入特征矩阵集与输出匹配，该输出包括所选择的分辨率D的3D定位网格中的3D离散位置[kx，ky，kz]。
如上所述，为了生成提供UL RS与准确的3D离散位置之间的映射的模型，网络(例如，LMF)可以收集标记数据。这是通过在从位置[a，b，c]发送并且由N个TRP接收的上行链路RS之间创建映射来实现的。为此，网络可以：
·生成建筑物的无线传播模型的模拟，例如使用射线追踪、BVDM等。
·使用实时数据并且指定传输RS并且其3D位置事先已知的参考UE，例如从UE传感器(WiFi接收器、气压传感器、陀螺仪等)中提取。
·以上各项的组合。
在网络使用上述方法之一生成映射之后，针对所有UE 1:Z，网络收集所有节点/TRP 1:N处的接收信号。
图7是示出示例实施例的方面的框图，该框图总体上由附图标记70指示。框图70示出了网络如何将用户设备(UE)的3D位置(例如，经度和纬度)映射到固定分辨率(例如，网格分辨率D)的3D点。在一个示例实施例中，可以使用K最近邻(K-nearest neighbours，KNN)算法，其中：[x，y，z]＝KNN([lat，long，height])：如上所述，离散位置的使用并非对于所有示例实施例来说都必不可少。
在特定节点处(在操作62中)接收的无线电信号表示为v(n)。
如上所述，在操作63中，节点/TRP n计算来自UE a的已知传输信号(即，s(a))与v(n)之间的互相关。该互相关(在操作64中)存储到具有G个元素的行向量t(n，a)＝xcorr{v(n，a)，s(a)}中。这是UE a在节点/TRP n处的信号签名(signal signature)。此外，节点/TRP可以计算接收信号的信噪比(SNR)水平，即SNR(n，a)。互相关t(n，a)可以用用户设备(UE)的离散化[xa，ya，fa]之后的位置来标记。
所生成的数据可以存储在表中，诸如下表1：
信号签名(特征) 离散位置[x，y，f](标签) SNR
t(n，a) [xa，ya，fa] SNR(n，a)
… … …
t(n，Z) [xz，yz，fz] SNR(n，Z)
表1：在每个TRP处映射到标签的观察
图8是示出示例实施例的方面的框图，该框图总体上由附图标记80指示。框图80示出了上面参考表1描述的互相关数据t(n，a)的示例处理。
具体地，在示例框图80中，互相关数据t(n，a)被拆分成实部和虚部，其中：
·tr(n，a)＝real(t(n，a))；以及
·ti(n.a)＝imag(t(n，a))。
所得到的向量被级联成具有G列的两个矩阵Xr和Xi，该G列对应于样本的数目，其中：
·Xr＝concat(tr(n，a)，n＝1:N，a＝1:Z)；以及
·Xi＝concat(ti(n，a)，n＝1:N，a＝1:Z)
实数和虚数矩阵(Xr和Xi)是由上述操作64生成的示例签名矩阵。
图9是示出示例实施例的方面的框图，该框图总体上由附图标记90指示。框图90包括第一压缩模块92和第二压缩模块94。第一压缩模块92将第一矩阵Xr压缩成低维矩阵Tr(具有L＜＜G列)。类似地，第二压缩模块94将第二矩阵Xi压缩成低维矩阵Ti(具有L＜＜G列)。可以提供压缩以实现特征从节点/TRP到LMF的更快传输。
在一些示例实施例中，压缩矩阵Tr和Ti是在操作64中生成的矩阵。
图10是示出示例实施例的方面的框图，该框图总体上由附图标记100指示。框图100包括多类z位置分类器102、多类x位置分类器104和多类y位置分类器106。
压缩矩阵Tr和Ti从节点/TRP传输到LMF，其中它们如下使用：
·与每个垂直索引f对应的行被收集到子矩阵TrF(f)、TiF(f)中，其中f＝1:F。
·与离散网格中的x位置对应的行被收集到子矩阵TrX(x)、TrX(x)中，其中x＝1:X。
·与离散网格中的y位置对应的行被收集到子矩阵TrY(x)、TrY(x)中，其中y＝1:Y。
接下来，TrF、TiF被输入到多类z位置分类器102，例如，决策森林或某种其他ML分类器，TrX、TiR被输入到x位置多类分类器104，并且类似地，TrY、TiY被输入到y位置分类器106。输出激活函数可以是例如softmax以输出与网格中每个3D位置相关联的概率向量。以这种方式，可以从所生成的信号矩阵中导出多个子矩阵，其中每个子矩阵用于生成多个模型中的一个模型。
尽管框图100示出了三个分类器(x维度、y维度和z维度每个有一个分类器)，但这并非对于所有示例实施例来说都必不可少。例如，可以提供用于组合的x-y-z坐标的单个分类器。该解决方案适用于其中x-y-z坐标与其误差源之间存在高度相关性的情况；例如在高层建筑场景中，UE的楼层高于周围建筑物的平均高度。在另一示例实施例中，可以提供两个分类器，一个分类器用于x-y维度，而单独的一个分类器用于z维度。该解决方案适用于x-y坐标与其误差源之间存在高度相关性而与z坐标没有(或很少)预期相关性的情况；例如在很多建筑物具有相同平均高度的建筑物场景中，对于任何楼层的UE。具有两个分类器(x-y和z)的实现解决方案的另一用例是x-y坐标预期满足目标位置精度(例如，由于减少的错误、GDoP、物理上可能的位置等)而z方向上的位置精度较低(传统的GNSS/基于气压的解决方案)。当然，系统100的很多其他变体是可能的。
在另一示例实施例中，分类器块(诸如分类器102至106)的输出还包括对输出坐标的预期精度(信任度)的估计。然后，该信任度量/信息可以用于在“实时”推理执行期间验证FloorML的标称操作。此外，精度信息还可以与在训练阶段期间记录的精度信息进行比较，以确定估计在“实时”(live)推理执行期间的可信度。
图11是示出根据示例实施例的算法的流程图，该算法总体上由附图标记110指示。算法110示出了用于为用户设备生成位置估计的上述模型的示例使用。
算法110开始于操作112，其中接收定位请求。定位请求可以是紧急请求(诸如UE紧急定位请求)。操作112是用于触发位置估计的生成的一种可能机制。
在操作113，获取无线电信号，诸如参考信号(例如，上行链路SRS信号)。例如，可以在移动通信系统的多个节点处从用户设备接收无线电信号。多个节点可以包括用户设备的服务节点和相邻节点。
在操作114，基于所获取的参考信号的实部和虚部生成信号签名矩阵。签名矩阵对应于上述训练过程的矩阵Xr和Xi。如下文进一步讨论的，丢失数据点可以作为空数据添加到信号签名中。
在操作115，压缩(例如，使用PCA、SVD或一些类似压缩算法)在操作114中生成的信号矩阵以生成具有较低维度的矩阵，其中针对用户设备的上述第一三维位置估计通过将压缩矩阵应用于上述模型的输入来生成。压缩矩阵对应于上述训练过程的矩阵Tr和Ti。
最后，在操作116，通过将基于所生成的信号签名矩阵的信号应用于模型(例如，在上述操作66中训练的模型)的输入来生成三维位置估计。位置估计可以基于具有特定分辨率的网格(使得位置变量是网格到相应位置的最近节点)。
如下文进一步讨论的，在操作116中生成的位置估计可以是粗略位置估计。该粗略估计可以进一步细化。
因此，每当需要对用户设备的位置请求时(例如，响应于位置请求，参见操作112，诸如紧急911定位请求)，就可以部署并激活学习模型(例如，FloorML)。随后，在所有TRP处使用UE O的UL RS的最新观察来生成矩阵Tr/i。运行第一估计，并且将FloorML的输出记录为新位置：[x_o,y_o,z_o]。
图12是示出根据示例实施例的算法的流程图，该算法总体上由附图标记120指示。如下文进一步讨论的，算法120使用数据增强(例如，使用GAN原理)在上述信号签名矩阵中生成所估计的丢失数据点。
算法120开始于操作122，其中数据增强被触发。例如，操作112可以包括确定空数据条目的数目高于阈值(该确定可以用于触发数据增强的使用)。应当注意，针对数据增强的其他触发也是可能的。例如，如果(例如，如在算法110的操作116中生成的)位置估计具有高度不确定性(例如，较大方差)，则数据增强可以被触发。
在操作124，使用机器学习原理估计丢失数据点(即，估计空条目中的至少一些)。如下文进一步讨论的，丢失数据点可以基于可用参考信号以及用户设备相对于上述多个节点的位置估计。
在操作126，通过将所生成的信号签名矩阵(包括所估计的丢失数据点)应用于上述模型的输入来获取针对用户设备的更新后位置估计。
例如，如果矩阵Tr/i是行稀疏的(例如，所有指定的TRP都没有接收到RS信号)，且空行的数目大于所选择的阈值(例如，Tr/i的一半以上的行为零)，则可以触发初始3D估计的进一步细化。
图13是示出示例实施例的方面的框图，该框图总体上由附图标记130指示。系统130包括重构模块132、矩阵生成模块134和位置估计模块136，
假定矩阵Tr/i中的第v空行对应于所估计的UE O的位置[x_o，y_o，f_o]与TRP v之间的信道。
上面讨论的表1中与TRP v相对应的条目被收集到表中(参见下面的表2)：
信号签名 离散位置[x，y，f] SNR
t(v，a) [xa，ya，fa] SNR(v，a)
… … …
t(v，Z) [xz，yz，fz] SNR(v，Z)
表2：针对映射到离散UE位置的TRP v的观察
然后任务变成从存储在上表2中的可用观察来重构丢失的t(v，o)。为此，重构模块132(例如，ML回归模型，诸如CNN或GAN)用于重构该丢失向量。在这种情况下，目标是使用现有UE位置(表2的第二列)和可用信号t(v，j)(其中j＝a:Z)重构t(v，o)。该模型学习3D位置网格中的位置与TRP v和UE O之间的信道简档之间的映射。
一旦信号被重构(从而实现算法120的操作124)，则矩阵生成模块134用重构向量替换矩阵Tr/i中的丢失条目以生成增强矩阵eTr/i。
由矩阵生成模块134输出的增强矩阵被提供给位置估计模块136(例如，上述FloorML模型)以生成更新后位置估计(从而实现算法120的操作126)。
细化的3D位置[ex_o，ey_o，ez_o]的z维度可以例如映射到建筑物的覆盖该位置的用于紧急服务的楼层编号。
在另一实施例中，重构模块132可以被配置为使用来自可用TRP的不同子集的输入被执行多次。
上述实施例一般在网络侧进行训练和部署。然而，该方法通常可以在用户设备侧实现，例如通过模型下载和训练后调节。
上述实施例的很多其他变体是可能的。例如，可以通过使用从目标UE接收的更大量的SRS样本来进一步增强所提出的位置估计算法(例如，FloorML)。例如，这可以通过出于定位目的(高层建筑、街道峡谷、缺乏TRP等)为已知为“有问题”的给定区域中的所有UE强制执行更长的“紧急呼叫”预设传输时间来实现。典型SRS配置(即，SF中的1/2/4个OFDM符号)具有2/4/6频率梳。通过重复，这可以扩展到例如1000 SF，相当于例如4000个符号。以例如N＝1024采样/符号的采样率，产生4096K个样本，在压缩之后，FloorML可以很好地处理。
为完整起见，图14是先前描述的一个或多个示例实施例的组件的示意图，该组件在下文中统称为处理系统300。处理系统300例如可以是在以下权利要求中提及的装置。
处理系统300可以具有处理器302、紧密耦合到处理器并且包括RAM 314和ROM 312的存储器304、以及可选的用户输入310和显示器318。处理系统300可以包括一个或多个网络/装置接口308用于到网络/装置的连接，例如，可以是有线或无线的调制解调器。网络/装置接口308也可以作为与其他装置(诸如不是网络侧装置的设备/装置)的连接来操作。因此，无需网络参与的设备/装置之间的直接连接是可能的。
处理器302连接到其他组件中的每个以控制其操作。
存储器304可以包括非易失性存储器，诸如硬盘驱动器(HDD)或固态驱动器(SSD)。存储器304的ROM 312存储操作系统315等等并且可以存储软件应用316。存储器304的RAM314由处理器302用于数据的临时存储。操作系统315可以包含代码，该代码在由处理器执行时实现上述算法20、30、40、60、110和120的各方面。注意，在小型设备/装置的情况下，存储器最适合小尺寸使用，即，并不总是使用硬盘驱动器(HDD)或固态驱动器(SSD)。
处理器302可以采用任何合适的形式。例如，它可以是一个微控制器、多个微控制器、一个处理器或多个处理器。
处理系统300可以是独立的计算机、服务器、控制台或其网络。处理系统300和所需要的结构部件可以全部在设备/装置(诸如IoT设备/装置)内，即，嵌入到非常小的尺寸。
在一些示例实施例中，处理系统300还可以与外部软件应用相关联。这些可以是存储在远程服务器设备/装置上的应用，并且可以部分或全部在远程服务器设备/装置上运行。这些应用可以称为云托管应用。处理系统300可以与远程服务器设备/装置通信以便利用存储在那里的软件应用。
图15A和图15B示出了有形介质，分别为可移动存储器单元365和光盘(CD)368，该有形介质存储计算机可读代码，该计算机可读代码在由计算机运行时可以执行根据上述示例实施例的方法。可移动存储器单元365可以是记忆棒，例如，USB记忆棒，该记忆棒具有存储计算机可读代码的内部存储器366。内部存储器366可以由计算机系统经由连接器367访问。CD 368可以是CD-ROM或DVD等。可以使用其他形式的有形存储介质。有形介质可以是能够存储数据/信息的任何设备/装置，其中数据/信息可以在设备/装置/网络之间交换。
本发明的实施例可以以软件、硬件、应用逻辑、或者软件、硬件和应用逻辑的组合来实现。软件、应用逻辑和/或硬件可以驻留在存储器或任何计算机介质上。在示例实施例中，应用逻辑、软件或指令集被维护在各种常规计算机可读介质中的任何一种上。在本文档的上下文中，“存储器”或“计算机可读介质”可以是任何非暂态介质或装置，该介质或装置可以包含、存储、传送、传播或传输指令以供指令执行系统、装置或设备(诸如计算机)使用或与其相结合使用。
在相关情况下，对“计算机可读介质”、“计算机程序产品”、“有形地实施的计算机程序”等或“处理器”或“处理电路”等的引用应当理解为不仅涵盖具有不同架构(诸如单/多处理器架构和定序器/并行架构)的计算机，而且涵盖专用电路，诸如现场可编程门阵列FPGA、专用电路ASIC、信号处理设备/装置和其他设备/装置。对计算机程序、指令、代码等的引用应当被理解为将用于可编程处理器固件的软件(诸如硬件设备/装置的可编程内容)表达为用于处理器的指令或者用于固定功能设备/装置、门阵列、可编程逻辑器件/装置等的配置或配置设置。
如果需要，本文中讨论的不同功能可以以不同顺序和/或彼此同时执行。此外，如果需要，上述功能中的一个或多个可以是可选的或者可以组合。类似地，还应当理解，图2、图3、图4、图6、图11和图12的流程图仅是示例，并且其中描述的各种操作可以省略、重新排序和/或组合。
应当理解，上述示例实施例纯粹是说明性的并且不限制本发明的范围。通过阅读本说明书，本领域技术人员将明白其他变化和修改。
此外，本申请的公开应当被理解为包括本文中明确或隐含地公开的任何新颖特征或特征的任何新颖组合或其任何概括，并且在本申请或从其衍生的任何申请的实施期间，新的权利要求可以被制定以涵盖任何这样的特征和/或这样的特征的组合。
尽管在独立权利要求中阐述了本发明的各个方面，但本发明的其他方面包括来自所描述的示例实施例和/或从属权利要求的特征与独立权利要求的特征的其他组合，而不仅仅是权利要求中明确给出的组合。
本文中还应当注意，虽然以上描述了各种示例，但不应当将这些描述视为限制性的。相反，在不脱离如所附权利要求所限定的本发明的范围的情况下，可以进行多种变化和修改。

Claims (15)

1.一种用于定位的装置，包括用于执行以下操作的部件：
从用户设备获取在通信系统的多个节点处接收的参考信号；
基于所获取的所述参考信号的实部和虚部生成信号签名矩阵；以及
通过将基于所生成的所述信号签名矩阵的信号应用于模型的输入，生成针对所述用户设备的第一三维位置估计。
2.根据权利要求1所述的装置，还包括用于执行以下操作的部件：
响应于定位请求，接收或部署所述模型。
3.根据权利要求1或权利要求2所述的装置，还包括用于执行以下操作的部件：
压缩所生成的所述信号矩阵以生成具有较低维度的矩阵，其中针对所述用户设备的所述第一三维位置估计通过将被压缩后的所述矩阵应用于所述模型的所述输入来生成。
4.根据权利要求1或权利要求2所述的装置，其中用于执行生成所述位置估计的所述部件包括用于将所述特征矩阵应用于一个或多个分类器以获取所述位置估计的部件。
5.根据权利要求1或权利要求2所述的装置，其中用于执行生成所述位置估计的所述部件生成单独的x维度位置估计、y维度位置估计和z维度位置估计。
6.根据权利要求1或权利要求2所述的装置，还包括用于执行以下操作的部件：
使用数据增强在所述信号签名矩阵中生成所估计的丢失数据点。
7.根据权利要求6所述的装置，其中所述数据增强使用机器学习原理基于可用参考信号以及所述用户设备相对于所述多个节点的位置估计来估计丢失数据点。
8.根据权利要求6所述的装置，还包括用于执行以下操作的部件：
在所述信号签名矩阵中的空数据条目的数目高于阈值的情况下触发所述数据增强的所述使用。
9.根据权利要求6所述的装置，还包括用于执行以下操作的部件：
通过将所生成的包括所估计的所述丢失数据点在内的所述信号签名矩阵应用于所述模型的所述输入，生成针对所述用户设备的第二三维位置估计。
10.一种用于定位的装置，包括用于执行以下操作的部件：
在通信系统的多个节点处从多个用户设备获取参考信号，其中每个用户设备在三维空间内具有标识位置；
使用互相关来隔离在每个通信节点处从个体用户设备接收的参考信号；
针对每个用户设备，分别基于所隔离的所述参考信号的实部和虚部生成第一信号签名矩阵和第二信号签名矩阵；
将每个信号签名矩阵映射到对应用户设备的所述标识位置；以及
基于所生成的所述第一信号签名矩阵和所述第二信号签名矩阵以及对应的所述标识位置来训练模型。
11.根据权利要求10所述的装置，还包括用于执行以下操作的部件：
压缩所生成的所述信号矩阵以生成具有较低维度的矩阵，其中所述模型基于被压缩后的所述矩阵以及对应的所述标识位置来训练。
12.根据权利要求10或权利要求11所述的装置，其中用于执行训练所述模型的部件还包括用于执行以下操作的部件：
生成从所生成的所述信号矩阵中导出的多个子矩阵，其中每个子矩阵用于训练多个模型中的一个模型。
13.根据权利要求10或权利要求11所述的装置，还包括用于执行以下操作的部件：
使用数据增强在所述信号签名矩阵中生成丢失数据点。
14.一种用于定位的方法，包括：
从用户设备获取在通信系统的多个节点处接收的参考信号；
基于所获取的所述参考信号的实部和虚部生成信号签名矩阵；以及
通过将基于所生成的所述信号签名矩阵的信号应用于模型的输入，生成针对所述用户设备的第一三维位置估计。
15.一种用于定位的方法，包括：
在通信系统的多个节点处从多个用户设备获取参考信号，其中每个用户设备在三维空间内具有标识位置；
使用互相关来隔离在每个通信节点处从个体用户设备接收的参考信号；
针对每个用户设备，分别基于所隔离的所述参考信号的实部和虚部生成第一信号签名矩阵和第二信号签名矩阵；
将每个信号签名矩阵映射到对应用户设备的所述标识位置；以及
基于所生成的所述第一信号签名矩阵和所述第二信号签名矩阵以及对应的所述标识位置来训练模型。
CN202210040688.0A 2021-01-15 2022-01-14 位置估计 Pending CN114765855A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FI20215052 2021-01-15
FI20215052 2021-01-15

Publications (1)

Publication Number Publication Date
CN114765855A true CN114765855A (zh) 2022-07-19

Family

ID=80112228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210040688.0A Pending CN114765855A (zh) 2021-01-15 2022-01-14 位置估计

Country Status (3)

Country Link
US (1) US20220232509A1 (zh)
EP (1) EP4030181A1 (zh)
CN (1) CN114765855A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024033843A1 (en) * 2022-08-10 2024-02-15 Lenovo (Singapore) Pte. Ltd. Priority criteria for positioning information
WO2024032895A1 (en) * 2022-08-11 2024-02-15 Nokia Technologies Oy Data augmentation for machine learning training in positioning

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3744141A4 (en) * 2018-02-02 2021-10-27 Cornell University CHANNEL MAPPING IN WIRELESS SYSTEMS
US11134465B2 (en) * 2018-11-17 2021-09-28 Commscope Technologies Llc Location determination with a cloud radio access network

Also Published As

Publication number Publication date
US20220232509A1 (en) 2022-07-21
EP4030181A1 (en) 2022-07-20

Similar Documents

Publication Publication Date Title
CN114765855A (zh) 位置估计
CA2877763A1 (en) System, method and computer program for dynamic generation of a radio map
CN103874118B (zh) WiFi室内定位中基于贝叶斯回归的Radio Map校正方法
JP4934441B2 (ja) 無線ノード位置推定方法、システム、及びその処理装置
He et al. A hybrid TDOA-fingerprinting-based localization system for LTE network
WO2015183390A1 (en) Positioning in indoor locations and other gps-denied environments
US20190068302A1 (en) Information processing apparatus, method and non-transitory computer-readable storage medium
CN112887901A (zh) 一种基于量化toa量测的凸优化目标定位方法
Gutierrez et al. Indoor localization for mobile devices
US20190074030A1 (en) Voice extraction device, voice extraction method, and non-transitory computer readable storage medium
Batstone et al. Robust time-of-arrival self calibration with missing data and outliers
JPWO2021076748A5 (zh)
CN113518307A (zh) 基于csi与众包迁移自校准更新的位置指纹定位方法
KR101627419B1 (ko) 이동 노드의 위치 추정 방법 및 그 장치
KR20120071291A (ko) 무선통신을 이용하여 실내 위치를 측정하기 위한 실내 위치 측정 장치 및 방법
KR101219913B1 (ko) 이동 노드 위치 추정 방법
CN114144690A (zh) 用于自动标记高精度室内定位和确定位置信息的设备和方法
EP3061292B1 (en) System and method for localization and traffic density estimation via segmentation and calibration sampling
US20160057583A1 (en) Position estimation device
Naderi et al. The design of measurement-based underwater acoustic channel simulators using the INLSA algorithm
CN110596668B (zh) 基于互逆深度神经网络的目标外辐射源被动定位方法
Saucan et al. Marked poisson point process PHD filter for DOA tracking
JP5746255B2 (ja) 訪問ｐｏｉ推定装置、方法、プログラム、及びプログラムを記録したコンピュータ読取り可能な記録媒体
KR100969465B1 (ko) 무선 센서 네트워크에서 이동노드의 위치 측정 방법
KR20220150604A (ko) 무선 통신 인프라 매칭 특징점을 활용한 기계 학습 기반 미수집 지점의 측위 데이터베이스 생성 및 측위 방법

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