CN115022795A - Rf指纹识别映射更新 - Google Patents
Rf指纹识别映射更新 Download PDFInfo
- Publication number
- CN115022795A CN115022795A CN202210144700.2A CN202210144700A CN115022795A CN 115022795 A CN115022795 A CN 115022795A CN 202210144700 A CN202210144700 A CN 202210144700A CN 115022795 A CN115022795 A CN 115022795A
- Authority
- CN
- China
- Prior art keywords
- error
- network
- fingerprinting
- mapping
- user terminal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013507 mapping Methods 0.000 title claims abstract description 52
- 238000004891 communication Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 description 32
- 230000006870 function Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229920003087 methylethyl cellulose Polymers 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- 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
- G01S5/02521—Radio frequency fingerprinting using a radio-map
- G01S5/02524—Creating or updating the radio-map
- G01S5/02527—Detecting or resolving anomalies in the radio frequency fingerprints of the radio-map
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0205—Details
- G01S5/0244—Accuracy or reliability of position solution or of measurements contributing thereto
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
-
- 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
- G01S5/02521—Radio frequency fingerprinting using a radio-map
- G01S5/02524—Creating or updating the radio-map
- G01S5/02525—Gathering the radio frequency fingerprints
- G01S5/02526—Gathering the radio frequency fingerprints using non-dedicated equipment, e.g. user equipment or crowd-sourcing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
公开了通信系统中的装置和方法。关于多于一个用户终端的位置与所估计的多于一个用户终端的位置之间的误差的数据被获得(500),所估计的位置利用射频指纹识别被获得。评估(502)该误差是否大于给定阈值,如果是,则确定(504)该误差是否由于射频指纹识别。基于该确定,决策(506)对射频指纹识别映射的初始化更新而被做出。
Description
技术领域
本发明的示例性和非限制性实施例总体上涉及无线通信系统。本发明的实施例尤其涉及无线通信网络中的装置和方法。
背景技术
无线电信系统正在不断发展。新的服务正在被开发。一个受到关注的特征是利用用户终端的定位的知识。即使在卫星定位服务不可用时也能准确并且可靠地确定用户终端的位置的可能性是令人感兴趣的。
一种已开发的定位技术是射频RF指纹识别。在RF指纹识别中,特定区域的无线电特性被映射到其物理位置,例如映射到xy坐标。当用户终端的无线电特性已知时,用户终端的位置可以被确定。这在许多用例中都很有用,包括UE定位、主动移动/切换和各种基于位置的资源分配功能。
RF指纹识别理论已为人所知多年,并且已在通信中使用,但机器学习ML的最新进展引起人们对基于RF指纹识别的方法越来越感兴趣。利用机器学习的智能计算算法有助于提高将RF数据的特性映射到物理位置的准确性。
RF指纹识别部分依赖于UE无线电特性被链接到位置的映射。如果此映射已过时,则指纹识别无法产生可靠的结果。由于改变的环境条件,映射可能改变。因此,映射可能会不时更新。然而,映射更新是昂贵并且耗时的过程,因此只能在需要时进行。
发明内容
为了提供本发明的一些方面的基本理解,下文呈现了本发明的简化发明内容。该发明内容不是本发明的广泛概述。它不旨在标识本发明的关键/至关重要要素或描述本发明的范围。其唯一目的是以简化形式呈现本发明的一些概念,作为稍后呈现的更详细描述的前奏。
根据本发明的一个方面,提供了根据权利要求1所述的装置。
根据本发明的一个方面,提供了根据权利要求5所述的方法。
根据本发明的一个方面,提供了根据包括权利要求9所述的指令的计算机程序。
在附图和以下描述中更详细地阐述了实现的一个或多个示例。从描述和附图以及从权利要求中,其他特征将是显然的。在本说明书中所描述的不落入独立权利要求的范围的实施例和/或示例和特征(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。
附图说明
下面仅通过示例的方式结合附图描述本发明的实施例,在附图中图1和图2图示了通信系统的简化系统架构的示例;
图3图示了RF指纹识别解决方案的示例;
图4图示了原始光线追踪数据的示例;
图5、图6、图7和图8是图示一些实施例的流程图;
图9A图示了相关系数值;
图9B是图示实施例的流程图;
图10A、图10B和图10C图示了用于各种组合的累积分布函数CDF;
图11图示了利用神经网络的实施例;以及
图12、图13A和图13B图示了应用本发明的一些实施例的装置的简化示例。
具体实施方式
以下实施例仅是示例。尽管说明书可能在多个位置引用“一个(an)”、“一个(one)”或“一些”实施例,但这并不一定意味着每个这样的引用都指向相同的(多个)实施例,或者该特征仅应用于单个实施例。也可以组合不同实施例的单个特征以提供其他实施例。此外,词语“包括”和“包含”应当被理解为不将所描述的实施例限制为仅含有已提及的那些特征,并且这样的实施例还可以包含尚未具体提及的特征、结构、单元、模块等。
本发明的一些实施例适用于用户终端、通信设备、基站、eNodeB、gNodeB、基站的分布式实现、通信系统的网络元件、对应的组件和/或任何通信系统或支持所需功能的不同通信系统的任何组合。
所使用的协议、通信系统、服务器和用户装备的规范(特别是在无线通信中)发展迅速。这样的开发可能需要对实施例进行额外的改变。因此,所有的词语和表达都应当被广义地解释,它们旨在说明而不是限制实施例。
在下文中,将使用基于高级长期演进(高级LTE,LTE-A)或新无线电(NR,5G)的无线电接入架构作为可以应用实施例的接入架构的示例,来描述不同的示例性实施例,但是不将实施例限制到这样的架构。通过适当地调整参数和过程,这些实施例也可以被应用于具有适当部件的其他类型的通信网络。用于适合系统的其他选项的一些示例是通用移动电信系统(UMTS)无线电接入网络(UTRAN)、无线局域网(WLAN或WiFi)、全球微波接入互操作性(WiMAX)、 个人通信服务(PCS)、Zig宽带码分多址(WCDMA)、使用超宽带(UWB)技术的系统、传感器网络、移动自组织网络(MANET)和互联网协议多媒体子系统(IMS)或其任意组合。3GPP(第三代合作伙伴计划)是协调许多无线通信系统(诸如5G或NR)的开发的组织。
图1描绘了简化系统架构的示例,仅示出了一些元件和功能实体,它们都是逻辑单元,其实现可能与所示出的不同。图1所示的连接是逻辑连接;实际的物理连接可以不同。对于本领域的技术人员来说显然的是,该系统通常还包括除了图1中所示的功能和结构之外的其他功能和结构。
然而,实施例不限于作为示例给出的系统,而是本领域技术人员可以将解决方案应用于提供有必要属性的其他通信系统。
图1的示例示出了示例性无线电接入网络的一部分。
图1示出了设备100和102。设备100和102例如可以是用户设备或用户终端。设备100和102被配置为在一个或多个通信信道上与节点104进行无线连接。节点104还被连接到核心网106。在一个示例中,节点104可以是接入节点(诸如、(e/g)NodeB),在小区中服务设备。在一个示例中,节点104可以是非3GPP接入节点。从设备到(e/g)NodeB的物理链路被称为上行链路或反向链路,以及从(e/g)NodeB到设备的物理链路称为下行链路或前向链路。应当理解,(e/g)NodeB或其功能可以通过使用适合于这样的用途的任何节点、主机、服务器或接入点等实体来实现。
通信系统通常包括多于一个(e/g)NodeB,在这种情况下,(e/g)NodeB也可以被配置为通过出于该目的而设计的有线或无线链路相互通信。这些链路可用于信令目的。(e/g)NodeB是被配置为控制它所耦合到的通信系统的无线电资源的计算设备。NodeB也可以被称为基站、接入点或任何其他类型的接口设备,包括能够在无线环境中操作的中继站。(e/g)NodeB包括或被耦合到收发器。从(e/g)NodeB的收发器,连接被提供到天线单元,该天线单元建立到设备的双向无线电链路。天线单元可以包括多个天线或天线元件。(e/g)NodeB还被连接到核心网106(CN或下一代核心NGC)。
该设备(也称为订户单元、用户设备、用户装备(UE)、用户终端、终端设备等)图示了一种类型的装置,空中接口上的资源被分配和指派给该装置,因此本文中描述的利用设备的任何特征都可以利用对应的装置来实现,诸如中继节点。这样的中继节点的示例是朝向基站的层3中继(自回程中继)。
设备通常是指一种设备(例如便携式或非便携式计算设备),包括利用或不利用通用订户标识模块(USIM)操作的无线移动通信设备,包括但不限于以下类型的设备:移动站(移动电话)、智能电话、个人数字助理(PDA)、手持设备、使用无线调制解调器的设备(警报或测量设备等)、膝上型计算机和/或触摸屏计算机、平板计算机、游戏控制台、笔记本电脑和多媒体设备。应当理解,设备也可以是几乎排他性的仅上行链路设备,其中的一个示例是将图像或视频剪辑加载到网络的照相机或摄像机。设备也可以是具有在物联网(IoT)网络中操作的能力的设备,物联网网络是对象在其中具有通过网络传送数据的能力而无需人与人或人与计算机的交互的场景,例如用于智能电网和所连接的车辆中。在一些应用中,设备可以包括具有无线电部件的用户便携式设备(诸如手表、耳机或眼镜),并且计算在云中被执行。该设备(或在一些实施例中是层3中继节点)被配置为执行一个或多个用户装备功能。
本文中所描述的各种技术也可以被应用于赛博物理系统(CPS)(协作计算元素控制物理实体的系统)。CPS可以启用嵌入在不同位置的物理对象中的大量互连信息和通信技术、ICT、设备(传感器、致动器、处理器微控制器等)的实现和利用。移动赛博物理系统(其中所讨论的物理系统具有固有的移动性)是网络物理系统的子类别。移动物理系统的示例包括由人类或动物运送的移动机器人和电子设备。
附加地,尽管装置已被描述为单个实体,但可以实现不同的单元、处理器和/或存储器单元(图1中未全部示出)。
5G或NR(新无线电)支持使用多输入多输出(MIMO)天线,比长期演进LTE(所谓的小小区概念)多得多的基站或节点,包括与较小站合作操作并且根据服务需求、用例和/或可用频谱采用各种无线电技术的宏站点。5G移动通信支持广泛的用例和相关应用,包括视频流、增强现实、数据共享的不同方式和各种形式的机器类型应用(诸如(大规模)机器类型通信(mMTC),包括车辆安全、不同的传感器和实时控制。预计5G将具有多个无线电接口,例如低于6GHz或高于24GHz、厘米波和毫米波,并且还与现有的传统无线电接入技术(诸如LTE)可集成。至少在早期阶段,与LTE的集成可以被实现为系统,其中宏覆盖由LTE提供,并且5G无线电接口接入通过聚合到LTE而来自小小区。换言之,5G计划支持RAT间可操作性(诸如LTE-5G)和RI间可操作性(无线电接口间可操作性,诸如6GHz以下-厘米波、6GHz或24GHz以上-厘米波和毫米波)两者。被认为在5G网络中所使用的概念中的一个概念是网络切片,其中可以在相同的基础架构内创建多个独立并且专用的虚拟子网络(网络实例),以运行对延时、可靠性、吞吐量和移动性有不同要求的服务。
LTE网络中的当前架构完全分布在无线电中,并且完全集中在核心网中。5G中的低延时应用和服务需要将内容靠近无线电,从而引起本地爆发和多接入边缘计算(MEC)。5G使分析和知识生成能够在数据源处发生。这种方法要求利用可能不会持续连接到网络的资源,诸如膝上型计算机、智能电话、平板计算机和传感器。MEC为应用和服务托管提供分布式计算环境。它还能够在靠近蜂窝订户的地方存储和处理内容,以用于加快响应时间。边缘计算涵盖了广泛的技术,诸如无线传感器网络、移动数据采集、移动签名分析、协作分布式对等自组织网络和处理,也可分类为本地云/雾计算和网格/网式计算、露计算、移动边缘计算、薄云、分布式数据存储和获取、自主自愈网络、远程云服务、增强和虚拟现实、数据缓存、物联网(大规模连接和/或延时关键)、关键通信(自动驾驶汽车、交通安全、实时分析、时间关键控制、医疗保健应用)。
通信系统还能够与其他网络112通信,诸如公共交换电话网络、或VoIP网络、或互联网、或专用网络,或利用由它们所提供的服务。通信网络也可以能够支持云服务的使用,例如核心网操作的至少一部分可以作为云服务被执行(这在图1中由“云”114描绘)。通信系统还可以包括中央控制实体等,针对不同运营方的网络提供设施以例如在频谱共享中进行合作。
通过利用网络功能虚拟化(NFV)和软件定义网络(SDN),边缘云技术可以被引入无线电接入网(RAN)。使用边缘云的技术可以意味着接入节点操作至少部分地在可操作地耦合到包括无线电部分的远程无线电头或基站的服务器、主机或节点中被执行。节点操作将分布在多个服务器、节点或主机之间也是可能的。云RAN架构的应用使RAN实时功能能够在远程天线站点处或附近(在分布式单元DU 108中)被执行,并且非实时功能能够以集中方式(在集中式单元CU 110中)被执行。
还应当理解,核心网运营和基站运营之间的劳动力分布可以与LTE不同,甚至不存在。可能要被使用的其他一些技术进步是大数据和全IP,这可以会改变网络被构建和管理的方式。5G(或新无线电NR)网络被设计以支持多个层次,其中MEC服务器可以被放置在核心和基站或节点B(gNB)之间。应当理解,MEC也可以被应用于4G网络。
5G还可以利用卫星通信116来增强或补充5G服务的覆盖,例如通过提供回程。可能的用例包括针对机器对机器(M2M)或物联网(IoT)设备或针对车上乘客提供服务连续性,或确保用于关键通信和未来铁路/海事/航空通信的服务可用性。卫星通信可以利用地球静止轨道(GEO)卫星系统,也可以利用近地轨道(LEO)卫星系统,特别是巨型星座(在其中部署了数百颗(纳米)卫星的系统)。巨型星座中的每颗卫星都可以覆盖多个启用卫星的网络实体,这些启用卫星的网络实体创建了地面小区。可以通过地面中继节点或由位于地面或卫星中的gNB创建地面小区。
对于本领域技术人员来说,所描绘的系统只是无线电接入系统的一部分的示例是显然的,并且在实践中,该系统可以包括多个(e/g)NodeB,该设备可以具有对多个无线电小区的接入,并且该系统还可以包括其他装置,诸如物理层中继节点或其他网络元件等。(e/g)NodeB中的至少一个(e/g)NodeB或者可以是家庭(e/g)NodeB。另外,在无线电通信系统的地理区域中,可以提供多个不同种类的无线电小区以及多个无线电小区。无线电小区可以是宏小区(或伞形小区),它们是大小区,通常具有高达数十公里的直径,或者是较小的小区,诸如微型小区、毫微微小区或微微小区。图1的(e/g)NodeB可以提供任何种类的这些小区。蜂窝无线电系统可以被实现为包括多种小区的多层网络。通常,在多层网络中,一个接入节点提供一种或多种小区,因此需要多个(e/g)NodeB来提供这样的网络结构。
为了满足用于提高通信系统部署和性能的需要,引入了“即插即用”(e/g)NodeB的概念。通常,能够使用“即插即用”(e/g)NodeB的网络,除了家庭(e/g)NodeB(H(e/g)nodeB)之外,还包括家庭节点B网关或HNB-GW(图1中未显示)。通常安装在运营方的网络中的HNB网关(HNB-GW)可以将来自大量HNB的业务聚合回核心网。
图2图示了基于5G网络组件的通信系统的示例。用户终端或用户装备100经由5G网络202与数据网络112通信。用户终端100被连接到无线电接入网络RAN节点,诸如(e/g)NodeB 206,其经由一个或多个用户平面功能208为用户终端提供到网络112的连接。用户终端100还被连接到核心接入和移动性管理功能AMF 210,它是用于(无线电)接入网络的控制平面核心连接器并且从这个角度可以看成是LTE中的5G版本的移动管理实体MME。5G网络还包括会话管理功能SMF 212,其负责订户会话,诸如会话建立、修改和释放,以及策略控制功能214,其被配置为通过向控制平面功能提供策略规则来管理网络行为。
图3图示了RF指纹识别解决方案的示例。首先创建RF指纹识别。
在实施例中,光线追踪工具300可以被使用,基于现实映射,得到关于所选择的研究区域的映射的每个坐标的测量。无线电信号和卫星定位数据302的测量可以被利用。可以在已知位置以测试或实验模式从用户终端获得测量。该原始数据被存储在数据库中并且被馈送到系统水平模拟器306,该系统水平模拟器306对于所选择的地理位置的每个坐标,针对来自服务gNB和相邻gNB两者的波束生成参考信号接收功率(RSRP)。所生成的数据用作用于所选择的地理位置区域的每个xy坐标的RF指纹识别。该所生成的RSRP数据然后可以被用作用于ML训练的输入,其中用于实现基于无线电特性的UE定位的ML模型308被创建。上述动作可以被“离线”执行,这意味着数据和模型可以在系统投入使用之前在实验室中被收集和创建。
接下来,当系统投入使用时,来自用户终端的无线电测量数据312由分析工具310接收。该工具使用经训练的模型基于从用户终端接收到的无线电测量数据来确定用户终端的位置。位置数据可以在各种应用程序314中被利用。
图4图示了用于特定区域的原始光线追踪数据的示例。点图示了视线数据(标记为区域400)和非视线数据(标记区域400之外)。在本示例中,这些测量是在1m的水平分辨率下进行的。然而,分辨率取决于应用要求。ML算法严重依赖于针对RF指纹识别所收集的数据的准确性和数量。在ML模型被训练时,RF指纹识别中的所有不准确性都会引起错误增加,因此推理误差也会增加。
除了RF指纹识别不足或不准确的问题外,如上述创建的RF指纹识别映射在一段时间后可能会过时。由于环境条件的改变,RF指纹识别可能不再有效。这在毫米波场景中问题更大,其中小障碍物可能对特定区域的RF环境具有巨大影响。因此,对于所有基于指纹识别的应用,RF测量映射更新和ML模型再训练的问题一直存在。
然而,RF指纹识别映射更新/增强的问题是,有时当性能下降不是由于过时的RF映射时,可能会触发映射更新。因此,任何性能下降是由于过时的RF指纹识别引起的默认假设被过度简化并且不一定正确。如图3所示,进行RF映射更新成本高昂,并且并非在所有情况下都是该问题的解决方案。这些情况中的一些情况是暂时的,并且超出了RF指纹识别解决方案的控制,诸如输入测量/报告误差。
如果RF指纹识别触发过早完成并且ML解决方案误差是由于一些其他误差源,则映射更新是不必要的。RF映射更新需要通过通信链路从用户终端传输几GB的数据。RF指纹识别的早触发的最可能原因是误差检测系统认为大量的应用程序误差是由RF指纹识别引起的,并且这种假设是错误的。另一方面,RF映射更新的晚触发意味着基于RF指纹识别的应用中的严重误差,并且性能将受到影响。因此,重要的是决定何时需要RF指纹映射更新,并且何时不需要更新,只有在需要时才触发更新。
在实施例中,目的是通过检查其他更可能的误差源(诸如RSRP测量或RSRP报告误差)来降低RF指纹识别映射更新的错误触发的概率。这旨在最小化RF指纹识别映射的早或错误触发的概率。如果RF指纹识别位置估计的误差是由于其他误差源,更新RF指纹识别映射将不解决问题。
可能有各种误差源可能引起RF指纹识别映射更新的错误触发。例如,发送器和接收器之间的信号路径上或信号路径附近的短期阻塞,例如,由于车辆,可以引起RF指纹识别的改变。这种情况可能会出现暂时的问题,但在阻塞被去除后将自动地被解决。在下文中,RSRP报告误差被用作这种误差源的非限制性示例。
在实施例中,确定是否需要RF指纹识别映射更新涉及在测试模式下对用户终端的集合执行误差的周期评估,该误差在用户终端位置与基于RF指纹识别映射的所估计的用户终端的位置之间。
在测试模式下用户终端的集合被使用,该集合包括多于一个的用户终端。例如,这些测试用户终端被配置为通过卫星定位系统或固定位置以高精度知道它们的准确地理位置。可以根据它们的地理分布来挑选这些用户终端,使得它们针对现实的网络条件提供良好的样本。
在测试模式下的用户终端集合中的每个用户终端利用RF指纹识别确定其位置。用户终端执行参考信号接收功率RSRP测量并且基于测量确定对位置的估计。将该估计的位置与已知位置相比较。如果误差大于给定阈值,则检测到推理误差。在实施例中,可以在若干时隙或给定时间间隔上对结果求平均。
基于来自在测试模式下的用户终端的集合中的用户终端的结果,可以确定RF指纹识别映射更新是否被需要。在实施例中,可以对来自特定用户终端的误差检测的多个实例执行评估以移除时间相关性,并且可以通过该用户终端的集合的选择来减少空间相关性。
RF指纹识别映射将由用户终端获得的RSRP值映射到用户终端的位置的估计,作为用户终端的XY坐标。
由经训练的ML模型会产生固有的平均推理误差。因此,如果所计算的误差等于或低于固有平均推理误差,则将其视为推理误差并且不采取任何动作。
随着时间推移来自相同用户终端以及相同区域中的其他用户终端的类似测量可以被收集。在实施例中,一些统计测量可以被使用来声明RF映射不准确。作为示例,两种可能的方法被描述如下:
在一个方法中,如果误差e大于用于特定测量的给定阈值ε(大于由经训练的ML模型产生的固有平均推理误差),则位置推理误差针对该测量被声明。对于给定数目N这样的时间和空间上不同的测量,如果所有测量上的误差率大于给定阈值γ,则RF指纹识别映射更新可以被触发。变量N、ε和γ是系统变量。
在另一方法中,可以通过收集所有时间和空间上不同的测量来形成误差向量E=[e1,e2,...]。如果平均误差大于给定阈值β,则RF指纹识别映射更新可以被触发。
上述过程没有考虑误差不是由于RF指纹识别映射中的误差引起的问题。ML误差检测中的现有技术不会区分这些。该应用中最可能的其他误差的源的一个源是RSRP报告误差。如果误差e是由于RSRP报告误差并且RF指纹识别映射更新被错误触发,对网络来说将是代价高昂的操作。因此,找出误差的原因是非常有益的。
图5的流程图图示了实施例。该流程图示出了在装置(诸如网络元件)处应用的实施例的示例。在实施例中,网络元件是gNodeB或gNodeB的一部分。
在步骤500中,该装置被配置为接收关于多于一个用户终端的位置与多于一个用户终端的所估计的位置之间的误差的数据,所估计的位置是利用射频指纹识别获得的。
在步骤502中,该装置被配置为评估该误差是否大于给定阈值。如果不是,则该误差被忽略。
否则,该过程在步骤504中继续,其中该装置被配置为确定该误差是否是由于射频指纹识别引起的。该误差可能有各种其他原因。例如,误差可能是由于用户终端测量或测量报告中的(多个)误差。例如,该误差可能是由于RSRP测量或RSRP报告中的误差。例如,该误差可能进一步由于信号路径上或信号路径附近的短期阻塞。
在步骤506中,该装置被配置为基于该确定做出关于射频指纹识别映射的更新的决策。
图6的流程图示出了实施例。该流程图图示了装置的操作的示例。在实施例中,该装置可以是终端设备或用户装备、终端设备或用户装备的一部分或能够执行以下步骤的任何其他装置。
在步骤600中,该装置被配置为存储该装置的位置。例如,该位置可以通过使用卫星定位系统来确定,或者该装置的位置可以是固定的。
在步骤602中,该装置被配置为利用射频指纹识别来估计该装置的位置。
在步骤604中,该装置被配置为计算该装置的位置与所估计的该装置的位置之间的误差。
在步骤606中,该装置被配置为确定所计算的误差是否小于或等于给定阈值。
如果是,则在步骤608中,该装置被配置为忽略该误差。
如果不是,则在步骤610中,该装置被配置为向网络发送关于该装置的位置与所估计的该装置的位置之间的误差的信息。
在步骤612中,该装置被配置为从网络接收射频指纹识别映射的更新是否被初始化的信息。
存在划分与位置估计和误差评估相关的任务的各种方式。在实施例中,位置估计在用户终端处被执行,并且误差评估在网络侧被执行。在实施例中,这两个任务都在网络侧执行。
图7的流程图示出了两个任务都在网络侧执行的实施例。该流程图图示了在装置(诸如网络元件)处应用的实施例的示例。在实施例中,网络元件是gNodeB或gNodeB的一部分。该过程是关于一个所图示的用户终端的。
该过程开始于步骤700。该装置被配置为存储用户终端的位置并且指导用户终端执行周期检查。
在步骤702中,该装置被配置为从用户终端接收所估计的用户终端的位置,该估计是通过使用RF指纹识别来执行的。
在步骤704中,该装置被配置为计算用户终端的位置与所估计的用户终端的位置之间的误差,并且确定该误差是否小于或等于给定阈值。如果是,则该误差被忽略。
如果不是,则在步骤706中,该装置被配置为确定该误差是否是由于除了错误的RF指纹识别映射之外的其他来源,诸如RSRP报告误差。如果是,则该误差被忽略。
如果不是,则在步骤708中,该装置被配置为从其他用户终端接收对应的数据并且确定RF指纹识别映射的更新是否被需要。
因此,在上述过程中,仅当指纹识别中的误差是由于错误的映射时,RF指纹识别映射的更新被执行。
图8的流程图示了在用户终端处执行位置估计和在网络侧执行误差评估的实施例。该流程图图示了由用户终端执行的动作800和在网络侧执行的动作802。
该过程开始于步骤804。用户终端被配置为存储用户终端的位置并且执行周期检查。
在步骤806中,用户终端被配置为利用RF指纹识别来估计用户终端的位置。
在步骤808中,用户终端被配置为计算用户终端的位置与所估计的用户终端的位置之间的误差,并且确定该误差是否小于或等于给定阈值。如果是,则该错误被忽略。
如果不是,则在步骤810中,该装置被配置为向网络报告关于该误差的信息。
在步骤812中,网络装置(诸如gNB)被配置为确定该误差是否是由于除了错误的RF指纹识别映射之外的其他源,诸如RSRP报告误差。如果是,则误差关于RF指纹识别被忽略。可能的RSRP报告误差可以由网络处理,但这是一个分离的问题。
如果不是,则在步骤814中,网络装置被配置为从其他用户终端接收对应的数据816并且确定RF指纹识别映射的更新是否被需要。如果更新被发起,则可以是网络辅助的备用定位方法可以由用户终端使用。
网络装置(诸如gNB)被配置为通知818用户终端射频指纹识别映射的更新是否被初始化。
用户终端接收该消息,并且取决于该消息继续使用射频指纹识别(如果映射将不被更新)或利用备用定位方法。
因此,同样在上述过程中,仅在指纹识别中的误差是由于错误的映射的情况下才执行RF指纹识别映射的更新。
RSRP报告误差检测可以以各种方式被执行。下面讨论两个示例。
发明人已经评估了各种用户终端测量报告之间存在高度相关性。图9A是图示了RSRP测量和各种关键性能指示符KPI(诸如信道质量指示符CQI、接收信号强度指示符RSSI、信噪比SINR1、SINR2、参考信号接收质量RSRQ)之间的皮尔逊相关系数(PCC)值的图表。
图9A示出了RSRP测量和各种KPIS之间的PCC,如下所示(为清楚起见,图9A中的数字已被截断):
其他测量之间(例如CQI和RSSI之间)的PCC也可以被计算。
在实施例中,这些测量之间的可接受PCC值的范围要被确定。图9B图示了示例。
确定RSRP值900以及用于其他KPI的值902。相关系数被计算904。如果相关系数在认为正常的范围内,则可以假设906RSRP报告误差是用于用户终端的已知位置与所估计的用户终端的位置之间的误差的原因。
图10A至10C图示了用于各种组合的累积分布函数CDF。
图10A图示了用于PCC RSRP-RSRQ的累积分布函数CDF。图10B图示了用于PCCRSRP-RSSI范围的CDF,并且图10C图示了用于PCC RSRQ-RSSI范围的CDF。
从图10A和图10B可以看出,RSRP和RSSI之间存在高度相关性,并且其范围在0.9-0.99之间变化,平均值约为0.98,而RSRP和RSRQ之间的相关范围是0.4-0.75,平均值接近0.55。
基于这些数字,对于RSRP-RSSI相关性,我们可以定义平均值±0.02内的正常范围。对于RSRP-RSRQ,它可以定义为平均值的±0.05。例如,对于特定的RSRP测量,如果RSRP-RSSI相关性是0.9,而RSRP-RSRQ相关性结果是0.4,则两者的相关性均超出正常范围。如果我们计算RSSI和RSRQ之间的PCC并且它在正常范围内(图10C的平均值约为0.35),则暗示RSRP测量报告是错误的。
因此,如果PCC在正常范围内,则测量报告被认为大概率是正确的。如果不是,则误差可能出现在任何测量报告中。为了移除歧义,针对其PCC较低的两个参数,可以利用其他参数计算PCC。如果PCC在参数中的一个参数的范围内,而不在另一个参数的范围内,我们可以标识具有报告误差的参数。
例如,假设RSRP和RSSI之间的PCC超出了所定义的正常范围。当计算用于RSSI和CQI的PCC时,它在正常范围内,但它可能超出用于CQI和RSRP的正常范围。在这种情况下,RSRP报告误差很大的可能性很大。
在这种情况下,该RF指纹识别模块将假设用户终端的已知位置与所估计的用户终端的位置之间的较大误差更可能是由于RSRP报告误差,并且将此信息记录下来以与用于其他测试用户终端的评估相结合。
可以基于收集的信息做出针对RF指纹识别映射更新的较明智的决策。例如,如果仅一些用户终端的RSRP报告误差较大,而不是全部,则可以确定误差源是那些用户终端本地的,并且不需要RF指纹识别映射更新。
用于RSRP报告误差检测的另一可能解决方案是使用基于监督学习的ML模型来确定RSRP报告中可能的差错。图11图示了该备选的可能实现。
在这个备选中,ML模型(诸如深度神经网络,DNN)可以被利用,。该过程包括训练阶段1100,随后是使用阶段1102。训练阶段可以被离线执行。
在训练阶段,网络包括经标记的数据作为输入。该输入包括RSRP1110、其他KPI1112,其可能与先前的备选中相同,以及标签输入1114,其中标签是1,如果对于RSRP和任何其他KPI(例如,CQI)的组合,误差在RSRP测量报告中被检测到,否则为零。大量数据可以被手动收集和标记,并且需要针对RSRP值和KPI的每种组合对DNN模型进行训练。
在实施例中,对于输入元组(所报告的RSRP、CQI、RSSI、UE位置(X,Y))和输出=0/1,如果所报告的RSRP在所测量的RSRP的±∝dB内,则利用标签数据训练DNN模型,该标签数据为1,否则为0,其中∝是系统变量。
在推理/使用阶段,推理可以被实时执行,其中对所报告的RSRP是否有误差>|±∝|dB进行分类。
这是利用输入元组(所报告的RSRP、CQI、RSSI、UE位置(X,Y))执行的,并且输出是测量误差=1或0。
图12、图13A和图13B图示了实施例。附图图示了应用本发明的实施例的装置的简化示例。应当理解,该装置在本文中被描述为图示一些实施例的示例。对于本领域技术人员来说显然的是,该装置还可以包括其他功能和/或结构,并且并非所有描述的功能和结构都是必需的。尽管该装置已被描述为一个实体,但不同的模块和存储器可以在一个或多个物理或逻辑实体中被实现。
图12图示了可以是用户装备或终端设备100或用户装备或终端设备的一部分的装置的示例。
该示例的装置100包括控制电路系统1200,该控制电路系统1200被配置为控制该装置的操作的至少一部分。
该装置可以包括用于存储数据的存储器1202。此外,存储器可以存储可由控制电路系统1200执行的软件1204。存储器可以被集成在控制电路系统中。
该装置可以包括一个或多个接口电路系统1206、1208。接口电路系统可操作地被连接到控制电路系统1200。接口电路系统1206可以是被配置为与RAN节点(诸如无线通信网络的(e/g)NodeB)通信的收发器的集合。接口电路系统可以连接到天线布置(未示出)。该装置还可以包括到发送器而不是收发器的连接。该装置还可以包括用户接口1208。
在实施例中,软件1204可以包括计算机程序,该计算机程序包括程序代码部件,该程序代码部件适于使装置的控制电路系统1200实现上述实施例中的至少一些实施例。
图13A图示了装置的示例,该装置可以是基站、gNodeB 206或者基站或gNodeB的一部分。
该示例的装置206包括控制电路系统1300,该控制电路系统1300被配置为控制该装置的操作的至少一部分。
该装置可以包括用于存储数据的存储器1302。此外,存储器可以存储可由控制电路系统1300执行的软件1304。存储器可以被集成在控制电路系统中。
该装置可以包括一个或多个接口电路系统1306。接口电路系统可操作地连接到控制电路系统1300。接口电路系统1306可以是收发器集合,该收发器集合被配置为与无线通信网络的终端设备或用户装备进行无线通信。接口电路系统可以连接到天线布置(未示出)。该装置还可以包括到发送器而不是收发器的连接。该装置还可以包括接口,该接口被配置为与其他网络元件(诸如核心网络)或其他对应装置(例如用户接口)通信。
在实施例中,软件1304可以包括计算机程序,该计算机程序包括程序代码部件,该程序代码部件适于使装置的控制电路系统1300实现上述实施例中的至少一些实施例。
在一个实施例中,如图13B所示,图13A的装置的至少一些功能可以在两个物理分离的设备之间被共享,形成一个操作实体。因此,可以看到该装置描绘了包括一个或多个物理上分离的设备的操作实体,该一个或多个物理上分离的设备用于执行至少一些所描述的过程。因此,利用这样的共享架构的图13B的装置可以包括远程控制单元RCU 1310,诸如主机计算机或服务器计算机,其可操作地耦合(例如,经由无线或有线网络)到位于(e/g)NodeB中的远程分布式单元RDU 1312。在实施例中,至少一些所描述的过程可以由RCU 1310执行。在实施例中,至少一些所描述的过程的执行可以在RDU 1312和RCU 1310之间被共享。
在实施例中,RCU 1310可以生成虚拟网络,RCU 1310通过该虚拟网络与RDU 1312通信。一般而言,虚拟网络可以涉及将硬件和软件网络资源以及网络功能组合成单个的、基于软件的管理实体、虚拟网络的过程。网络虚拟化可以涉及平台虚拟化,通常与资源虚拟化相组合。网络虚拟化可以被归类为外部虚拟网络,它将许多网络或网络的一部分组合到服务器计算机或主机计算机中(例如到RCU)。外部网络虚拟化旨在优化网络共享。另一类是内部虚拟网络,它向单个系统上的软件容器提供类似网络的功能。虚拟网络也可以被用于测试终端设备。
在实施例中,虚拟网络可以在RDU和RCU之间提供灵活的操作分布。在实践中,任何数字信号处理任务都可以在RDU或RCU中被执行,并且RDU和RCU之间职责转移的边界可以根据实现来选择。
上述以及附图中描述的步骤和相关功能没有绝对的时间顺序,并且一些步骤可以被同时执行或以与给定顺序不同的顺序执行。其他功能也可以在步骤之间或在步骤内执行。步骤中的一些步骤也可以被省略或代替为对应的步骤。
能够执行上述步骤的装置或控制器可以被实现为电子数字计算机、处理系统或电路系统,其可以包括工作存储器(随机接入存储器RAM)、中央处理单元(CPU)和系统时钟。CPU可以包括寄存器的集合、算术逻辑单元和控制器。处理系统、控制器或电路系统由从RAM传送到CPU的程序指令的序列控制。控制器可能包含用于基本操作的许多微指令。微指令的实现可以取决于CPU设计而变化。程序指令可以由编程语言编码,该编程语言可以是高级编程语言,诸如C、Java等,或者可以是低级编程语言,诸如机器语言、或汇编程序。电子数字计算机还可以具有操作系统,该操作系统可以向利用程序指令编写的计算机程序提供系统服务。
如在本申请中使用的,术语“电路系统”是指以下所有项:(a)仅硬件电路实现,诸如仅在模拟和/或数字电路系统中的实现,以及(b)电路和软件(和/或固件)的组合,诸如(如适用):(i)(多个)处理器的组合或(ii)(多个)处理器/软件的一部分,包括(多个)数字信号处理器、软件和(多个)存储器,它们一起工作以使装置执行各种功能,以及(c)电路,该电路(诸如(多个)微处理器或(多个)微处理器的一部分)需要软件或固件才能操作,即使该软件或固件物理上并不存在。
“电路系统”的该定义适用于本申请中该术语的所有使用。作为另外的示例,如在本申请中使用的,术语“电路系统”也将涵盖仅处理器(或多个处理器)或处理器的一部分及其(或它们的)随附软件和/或固件的实现。例如,如果适用于特定元件,术语“电路系统”还将涵盖用于移动电话的基带集成电路或应用处理器集成电路,或者服务器、蜂窝网络设备或其他网络设备中的类似集成电路。
实施例提供了一种计算机程序,该计算机程序被实施在分发介质上,包括程序指令,该程序指令当被加载到电子设备中时被配置为控制该装置执行上述实施例。
计算机程序可以是源代码形式、目标代码形式或某种中间形式,并且可以被存储在某种载体中,该载体可以是能够携带该程序的任何实体或设备。例如,这样的载体包括记录介质、计算机存储器、只读存储器和软件分发分组。取决于所需的处理能力,计算机程序可以在单个电子数字计算机中被执行,也可以分布在多台计算机中。
该装置还可以被实现为一个或多个集成电路,诸如专用集成电路ASIC。其他硬件实施例也是可行的,诸如由分离的逻辑组件构建的电路。这些不同的实现的混合也是可行的。在选择实现的方法时,本领域技术人员将考虑例如对装置的大小和功耗、必要的处理能力、生产成本和生产量设定的要求。
在实施例中,一种通信系统中的装置,包括用于获得关于多于一个用户终端的位置与该多于一个所估计的用户终端的位置之间的误差的数据的部件,所估计的位置利用射频指纹识别被获得,用于评估该误差是否大于给定阈值的部件,并且如果是,则用于确定该误差是否是由于射频指纹识别的部件,以及用于基于该确定做出关于射频指纹识别映射的更新的决策的部件。
在实施例中,一种通信系统中的装置,包括用于存储该装置的位置的部件;用于利用射频指纹识别估计装置的位置的部件;用于计算装置的位置与所估计的装置的位置之间的误差的部件;用于确定该误差是否小于或等于给定阈值的部件,如果是,则用于忽略该误差的部件;如果不是,则用于向网络发送关于装置的位置与所估计的装置的位置之间的误差的数据的部件,以及用于从网络接收射频指纹识别映射的更新是否被初始化的信息的部件。
对于本领域技术人员来说显然是,随着技术的进步,本发明的概念可以以各种方式被实现。本发明及其实施例不限于上述示例,而是可以在权利要求的范围内变化。
Claims (9)
1.一种通信系统中的装置,包括:
处理器(1200);以及存储器(1202),所述存储器包括指令(1204),所述指令在由所述处理器执行时使所述装置至少:
存储(600)所述装置的位置;
利用射频指纹识别估计(602)所述装置的位置;
计算(604)所述装置的位置与所估计的所述装置的位置之间的误差;其特征在于
确定(606)所述误差是否小于或等于给定阈值,
如果是,则忽略(608)所述误差;
如果不是,则向网络发送(610)关于所述装置的位置和所估计的所述装置的位置之间的所述误差的数据;
从所述网络接收(612)射频指纹识别映射的更新是否被初始化的信息。
2.根据权利要求1所述的装置,所述存储器和所述计算机程序代码被配置为与所述处理器一起还使所述装置:
在若干时隙上对估计结果求平均。
3.根据权利要求1所述的装置,所述存储器和所述计算机程序代码被配置为与所述处理器一起还使所述装置:
在给定时间窗口上对估计结果求平均。
4.根据任一项前述权利要求所述的装置,其中所述装置被配置为在射频指纹识别映射的更新被初始化时在测试模式下动作。
5.一种在通信系统中的装置中的方法,包括以下步骤:
存储(600)所述装置的位置;
利用射频指纹识别估计(602)所述装置的位置;
计算(604)所述装置的位置与所估计的所述装置的位置之间的所述误差;其特征在于
确定(606)所述误差是否小于或等于给定阈值,
如果是,则忽略(608)所述误差;
如果不是,则向网络发送(610)关于所述装置的位置和所估计的所述装置的位置之间的所述误差的数据;
从所述网络接收(612)射频指纹识别映射的更新是否被初始化的信息。
6.根据权利要求5所述的方法,还包括:
在若干时隙上对估计结果求平均。
7.根据权利要求5所述的方法,还包括:
在给定时间窗口上对估计结果求平均。
8.根据前述权利要求5至7中任一项所述的方法,还包括:
当射频指纹识别映射的更新被初始化时在测试模式下动作。
9.一种计算机程序,所述计算机程序包括指令,所述指令用于使装置至少执行:
存储(600)所述装置的位置;
利用射频指纹识别估计(602)所述装置的位置;
计算(604)所述装置的位置与所估计的所述装置的位置之间的误差;其特征在于
确定(606)所述误差是否小于或等于给定阈值,
如果是,则忽略(608)所述误差;
如果不是,则向网络发送(610)关于所述装置的位置与所估计的所述装置的位置之间的所述误差的数据;
从所述网络接收(612)射频指纹识别映射的更新是否被初始化的信息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FI20215167 | 2021-02-18 | ||
FI20215167 | 2021-02-18 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115022795A true CN115022795A (zh) | 2022-09-06 |
Family
ID=80625233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210144700.2A Pending CN115022795A (zh) | 2021-02-18 | 2022-02-17 | Rf指纹识别映射更新 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220264514A1 (zh) |
EP (1) | EP4047382A1 (zh) |
CN (1) | CN115022795A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12003289B2 (en) * | 2021-06-13 | 2024-06-04 | Levl Parent, Llc | System and method for radio frequency fingerprinting |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102461291A (zh) * | 2009-06-08 | 2012-05-16 | 北电网络有限公司 | 用于位置估计的rf指纹识别 |
CN102947724A (zh) * | 2010-04-22 | 2013-02-27 | 弗兰霍菲尔运输应用研究公司 | 用于对基于无线电定位的定位装置进行校准的装置和方法 |
CN103298105A (zh) * | 2012-02-24 | 2013-09-11 | 美国博通公司 | 能精确执行位置估计的无线通信装置 |
US20130310066A1 (en) * | 2012-04-05 | 2013-11-21 | Telefonaktiebolaget L M Ericsson (Publ) | Positioning accuracy estimation |
CN103718626A (zh) * | 2011-08-25 | 2014-04-09 | 英派尔科技开发有限公司 | 使用射频信息的位置确定 |
US8977287B1 (en) * | 2011-04-26 | 2015-03-10 | Andrew Joseph Gold | Method and system for indoor RF mapping |
CN104509182A (zh) * | 2012-04-05 | 2015-04-08 | 高通股份有限公司 | Wi-fi接入点位置数据库中的自动数据准确性维持 |
WO2016050258A1 (en) * | 2014-09-29 | 2016-04-07 | Telecom Italia S.P.A. | Positioning method and system for wireless communication networks |
CN111885700A (zh) * | 2020-06-08 | 2020-11-03 | 广州杰赛科技股份有限公司 | 一种结合支撑向量机的移动终端定位方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201211994D0 (en) * | 2012-07-05 | 2012-08-22 | Sensewhere Ltd | Method of estimating position of user device |
DE102015225388A1 (de) * | 2015-12-16 | 2017-06-22 | Osram Gmbh | Verfahren und system zur analyse einer umgebung eines mobilen endgeräts |
-
2022
- 2022-02-09 EP EP22155841.4A patent/EP4047382A1/en not_active Withdrawn
- 2022-02-16 US US17/672,905 patent/US20220264514A1/en not_active Abandoned
- 2022-02-17 CN CN202210144700.2A patent/CN115022795A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102461291A (zh) * | 2009-06-08 | 2012-05-16 | 北电网络有限公司 | 用于位置估计的rf指纹识别 |
CN102947724A (zh) * | 2010-04-22 | 2013-02-27 | 弗兰霍菲尔运输应用研究公司 | 用于对基于无线电定位的定位装置进行校准的装置和方法 |
US8977287B1 (en) * | 2011-04-26 | 2015-03-10 | Andrew Joseph Gold | Method and system for indoor RF mapping |
CN103718626A (zh) * | 2011-08-25 | 2014-04-09 | 英派尔科技开发有限公司 | 使用射频信息的位置确定 |
CN103298105A (zh) * | 2012-02-24 | 2013-09-11 | 美国博通公司 | 能精确执行位置估计的无线通信装置 |
US20130310066A1 (en) * | 2012-04-05 | 2013-11-21 | Telefonaktiebolaget L M Ericsson (Publ) | Positioning accuracy estimation |
CN104509182A (zh) * | 2012-04-05 | 2015-04-08 | 高通股份有限公司 | Wi-fi接入点位置数据库中的自动数据准确性维持 |
WO2016050258A1 (en) * | 2014-09-29 | 2016-04-07 | Telecom Italia S.P.A. | Positioning method and system for wireless communication networks |
CN111885700A (zh) * | 2020-06-08 | 2020-11-03 | 广州杰赛科技股份有限公司 | 一种结合支撑向量机的移动终端定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
EP4047382A1 (en) | 2022-08-24 |
US20220264514A1 (en) | 2022-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3661249B1 (en) | Measurement-based wireless communications network design | |
US11012133B2 (en) | Efficient data generation for beam pattern optimization | |
WO2021191176A1 (en) | Reporting in wireless networks | |
CN113438663A (zh) | 基于机器学习的切换参数优化 | |
CN110637479A (zh) | 基于高度位置状态的移动通信 | |
CN114389779B (zh) | 信道状态信息报告 | |
US11310864B2 (en) | Hybrid transmission scheme determination | |
US20220038931A1 (en) | Radio link adaptation in wireless network | |
US20220131625A1 (en) | Selecting Uplink Transmission Band in Wireless Network | |
EP4047382A1 (en) | Rf-fingerprinting map update | |
CN113016143B (zh) | 用于无线电载波分析的装置 | |
US11647532B1 (en) | Algorithm for mitigation of impact of uplink/downlink beam mismatch | |
CN115442847A (zh) | 提高链路自适应 | |
JP2023542613A (ja) | Losトレーニング・データセットの不均衡の検出 | |
US20240187284A1 (en) | Channel State Information Reporting | |
US20240007181A1 (en) | Communication in non-terrestrial networks | |
EP4195791A1 (en) | Selection of power control parameters | |
US12035421B2 (en) | Procedure for optimization of self-organizing network | |
GB2624156A (en) | Detecting misclassification of line-of-sight or non-line-of-sight indicator | |
US20210219384A1 (en) | Procedure for optimization of self-organizing network | |
CN117376815A (zh) | 无线电地图改进 | |
WO2024039400A1 (en) | Updating machine learning model for positioning | |
CN114944855A (zh) | 用于有效定位的方法和装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220906 |
|
WD01 | Invention patent application deemed withdrawn after publication |