CN115278731A - 通信环境判定方法、数据处理装置、车辆和存储介质 - Google Patents
通信环境判定方法、数据处理装置、车辆和存储介质 Download PDFInfo
- Publication number
- CN115278731A CN115278731A CN202210815638.5A CN202210815638A CN115278731A CN 115278731 A CN115278731 A CN 115278731A CN 202210815638 A CN202210815638 A CN 202210815638A CN 115278731 A CN115278731 A CN 115278731A
- Authority
- CN
- China
- Prior art keywords
- ultra
- type
- wideband
- communication environment
- line
- 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
Images
Classifications
-
- 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
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于超宽带的通信环境判定方法、用于判定通信环境类型的数据处理装置、车辆和存储介质。该方法包括:A、基于接收到的超宽带信号,确定当前超宽带通信过程中的信道冲激响应;B、基于信道冲激响应,计算信道时间色散参数;以及C、将信道时间色散参数输入到算法模型,并基于算法模型生成指示当前通信环境类型的第一判断信息。
Description
技术领域
本发明涉及超宽带技术领域,并且更具体地涉及一种基于超宽带的通信环境判定方法、用于判定通信环境类型的数据处理装置、车辆和存储介质。
背景技术
目前很多应用场景都需要对设备所处的环境类型(诸如,室内、室外)进行判定。部分现有技术利用智能手机检测周边基站数量,并基于在室外检测到的基站数量比室内多的假设来判断手机位于室内还是室外,由于现代系统通信系统广泛采用微蜂窝、微微蜂窝技术组网,因此上述假设并不总是成立的。此外,部分现有技术利用多种传感器提供的信息(诸如,路标、磁场强度、马路纹理、温度、光线强度、气味、污染物检测等)来综合判断环境类型,由于该方法需要借助视觉识别等技术,因此系统复杂且成本高。
有鉴于此,需要提出一种改进的通信环境判定方法。
发明内容
本申请的实施例提供了一种改进的通信环境判定方法、数据处理装置、车辆和存储介质,用于利用超宽带技术进行信道探测并依据信道探测结果对通信环境类型进行判定。
按照本发明的一个方面,提供了一种基于超宽带的通信环境判定方法,包括下列步骤:A、基于接收到的超宽带信号,确定当前超宽带通信过程中的信道冲激响应;B、基于所述信道冲激响应,计算信道时间色散参数;以及C、将所述信道时间色散参数输入到算法模型,并基于所述算法模型生成指示当前通信环境类型的第一判断信息。
作为以上方案的替代或补充,根据本发明一实施例的方法还包括:D、基于所述第一判断信息,确定针对所述当前通信环境类型的定位模型参数。
作为以上方案的替代或补充,在根据本发明一实施例的方法中,所述信道时间色散参数包括下列各项中的一项或多项:多径的数目、每个多径分量的幅度和时延、平均超量时延、均方时延扩展和最大多径时延。
作为以上方案的替代或补充,在根据本发明一实施例的方法中,所述算法模型包括机器学习模型,所述机器学习模型是基于包含信道时间色散参数样本和表征与所述样本相对应的通信环境类型的标注信息的训练数据集而构建的。
作为以上方案的替代或补充,在根据本发明一实施例的方法中,所述算法模型包括阈值分类模型,并且步骤C包括:C1、获取当前超宽带通信的视距类型,其中,所述视距类型包括视距传播和非视距传播;C2、确定与所述视距类型相对应的色散参数阈值;C3、将所述信道时间色散参数与所述色散参数阈值进行比较;以及C4、基于比较结果确定当前通信环境类型。
作为以上方案的替代或补充,在根据本发明一实施例的方法中,针对非视距传播的平均超量时延、均方时延扩展的阈值分别大于针对视距传播的平均超量时延、均方时延扩展的阈值。
作为以上方案的替代或补充,在根据本发明一实施例的方法中,所述当前通信环境类型包括室内和室外。
按照本发明的另一个方面,提供了一种用于判定通信环境类型的数据处理装置,包括:存储器;处理器;以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序的运行使得下列步骤被执行:A、基于接收到的超宽带信号,确定当前超宽带通信过程中的信道冲激响应;B、基于所述信道冲激响应,计算信道时间色散参数;以及C、将所述信道时间色散参数输入到算法模型,并基于所述算法模型生成指示当前通信环境类型的第一判断信息。
作为以上方案的替代或补充,在根据本发明一实施例的装置中,所述计算机程序的运行还使得下列步骤被执行:D、基于所述第一判断信息,确定针对所述当前通信环境类型的定位模型参数。
作为以上方案的替代或补充,在根据本发明一实施例的装置中,所述算法模型包括阈值分类模型,并且所述计算机程序的运行使得步骤C按照下列方式被执行:C1、获取当前超宽带通信的视距类型,其中,所述视距类型包括视距传播和非视距传播;C2、确定与所述视距类型相对应的色散参数阈值;C3、将所述信道时间色散参数与所述色散参数阈值进行比较;以及C4、基于比较结果确定当前通信环境类型。
作为以上方案的替代或补充,在根据本发明一实施例的装置中,针对非视距传播的平均超量时延、均方时延扩展的阈值分别大于针对视距传播的平均超量时延、均方时延扩展的阈值。
按照本发明的又一个方面,提供了一种车辆,包括:超宽带发射机;超宽带接收机,以用于检测由超宽带发射机发出的超宽带信号;以及如上所述的数据处理装置中的任意一项。
按照本发明的又一个方面,提供了一种计算机可读存储介质,其上存储计算机程序,该程序被处理器执行时实现如上所述的方法中的任意一项。
首先,本发明提出的通信环境判定方案能够利用超宽带技术进行信道探测,由于超宽带信号采用持续时间极短的窄脉冲,其时间、空间分辨力都很强,因此具有极高的多径分辨率,能够在获得较强抗衰落能力的同时提高信道探测的精度。
其次,本发明提出的通信环境判定方案巧妙利用了多径效应的时间色散特性,并且进一步借助于基于信道时间色散参数的先验知识(例如,非视距传播的平均超量时延和均方时延扩展大于视距传播、室外环境的平均超量时延和均方时延扩展大于室内环境、室外环境的多径数量小于室内环境等)构建的算法模型对通信环境类型进行判定,从而有效提高了环境判定的效率和准确性。
附图说明
本发明的上述和/或其它方面和优点将通过以下结合附图的各个方面的描述变得更加清晰和更容易理解,附图中相同或相似的单元采用相同的标号表示。
附图包括:
图1为根据本发明的一个实施例的通信环境判定方法10的示意性流程图;
图2为根据本发明的一个实施例的用于判定通信环境类型的数据处理装置20的示意性框图;以及
图3为根据本发明的一个实施例的车辆30的示意性框图。
具体实施方式
在本说明书中,参照其中图示了本发明示意性实施例的附图更为全面地说明本发明。但本发明可以按不同形式来实现,而不应解读为仅限于本文给出的各实施例。给出的各实施例旨在使本文的披露全面完整,以将本发明的保护范围更为全面地传达给本领域技术人员。
需要说明的是,本文中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述对象在时间、空间、大小等方面的顺序。此外,除非另外特别指明,本文中的术语“包括”、“具备”以及类似表述意在表示不排他的包含。
在本说明书中,术语“车辆”或者其它类似的术语包括一般的机动车辆,例如乘用车(包括运动型多用途车、公共汽车、卡车等)、各种商用车等等,并包括混合动力汽车、电动车、插电式混动电动车等。混动动力汽车是一种具有两个或更多个功率源的车辆,例如汽油动力和电动车辆。
目前很多应用场景都需要对设备所处的环境类型(诸如,室内、室外)进行判定。举例而言,手机需要基于对室外或室内的判定来实现WiFi扫描功能的灵活启闭,以便在改善网络信号的同时降低通信资费;自动驾驶系统需要基于对环境类型的判定来选择不同的定位信息(例如,如果检测到车辆行驶在室外则融合全球定位系统(GPS)和惯性测量装置(IMU)的输出信息,如果在室内停车场,则融合超宽带(UWB)和IMU的输出信息)以保证可靠的定位输出;手机需要上报其所处的环境类型,以便运营商能够准确判断基站信号的覆盖范围。
需要说明的是,对于基于无线信号强度来实现定位功能的系统(例如,WiFi和蓝牙)来说,接收信号强度不仅与信号收发机之间的距离有关,还与周围环境中反射体和散射体的密集程度有关,由于室内无线通信系统工作于具有大量多径分量的环境,导致在信号收发机间距离相同的条件下,接收到的信号强度与室外有明显不同。于此情况下,如果将按照室外传播环境建立的定位模型参数用于室内定位就会引入较大的误差,反之亦然。因此,倘若定位工况包括了多种不同的环境场景,就需要首先确定当前系统所处的环境类型,以便选择特定于该环境类型的定位模型参数,从而提高此类系统的定位精度。
应当理解的是,本发明提出的通信环境判定方案可适用于需要对环境类型进行判定的任何场景,包括但不限于上述示例性场景。还应当理解,本发明提出的通信环境判定方案是基于超宽带技术而实现的,因此需要设备本身具有超宽带通信能力(例如,配备有超宽带收发机),或具有对于超宽带信号的检测能力或处理能力。
在下文中,将参考附图详细描述根据本发明的各示例性实施例。
现在参考图1,图1为根据本发明的一个实施例的通信环境判定方法10的示意性流程图。
在步骤S110中,基于接收到的超宽带信号,确定当前超宽带通信过程中的信道冲激响应。可选地,信道冲激响应(CIR)的获取可以是基于本领域已知的测量方法,包括但不限于利用具有CIR捕获功能的UWB芯片或UWB嗅探器,本发明对此不做具体限制。
示例性地,假设发送的超宽带信号为s(t),在多径传播环境中并且在不考虑噪声的情况下,接收到的超宽带信号r(t)可以表示为:
r(t)=s(t)*h(t) (式1)
其中,h(t)即为当前超宽带通信过程中的信道冲激响应,信道冲激响应h(t)中包含了当前信道的多径信息,并且可以表示为:
此处,δ(t)为狄拉克函数,K为多径的数目,an为第n个多径分量的增益因子(即,幅度),τn为第n个多径分量相对于第一个多径分量的到达时延。
在步骤S120中,基于信道冲激响应,计算信道时间色散参数。示例性地,信道时间色散参数包括下列各项中的一项或多项:多径的数目、每个多径分量的幅度和时延、平均超量时延、均方时延扩展和最大多径时延。
可选地,利用信号处理技术对信道冲激响应h(t)中的多径信道的时间色散参数进行提取。示例性地,可以根据上述式2提取h(t)中的多径的数目K、每个多径分量的幅度an和时延τn,并基于K、an、τn计算平均超量时延、均方时延扩展和最大多径时延。
多径信道的平均超量时延τmean和均方时延扩展τrms分别是信道冲激响应的一阶矩和二阶矩的平方根,具体计算公式如下所示:
在步骤S130中,将信道时间色散参数输入到算法模型,并基于算法模型生成指示当前通信环境类型的第一判断信息。
示例性的,当前通信环境类型包括室内和室外。为了更加具体地刻画设备所处的环境,可以进一步将环境类型分为室外开放空间、室外半开放空间、轻度室内空间(例如,有开放门窗)、深度室内空间(室内无窗)等。
步骤S130中的算法模型是基于信道时间色散参数的先验知识而搭建的。举例来说,不同种类的通信环境(例如,室内、室外)中的反射体数目不同,室内环境中存在大量的反射体(诸如,墙壁、天花板、地面、家具、物品等),这导致超宽带信号在室内空间会被多次反射,大量信号沿着多种反射路径到达接收机,因此室内环境的多径数目往往大于室外环境。其次,对于室外环境而言,反射和散射信号通常需要经过较长的路径到达接收机,从而导致平均超量时延和均方时延扩展比室内环境大。再者,上述信道时间色散参数也与当前超宽带通信的视距类型有关,其中,视距类型包括视距(LOS)传播和非视距(NLOS)传播,这取决于具体应用中设备上的超宽带收发机之间的实际布置情况。通常情况下,NLOS传播的平均超量时延和均方时延扩展大于LOS传播。
示例性地,可以基于上述先验知识提前搭建不同的算法模型,包括但不限于阈值分类模型和机器学习模型。
若采用阈值分类模型,则可以基于下述步骤S131-S134来判断当前通信环境类型。
在步骤S131中,获取当前超宽带通信的视距类型。如上所述,超宽带通信的视距类型取决于超宽带收发机之间的实际布置情况,因此可以将视距类型作为已知信息预存至数据处理装置。
在步骤S132中,确定与视距类型相对应的色散参数阈值。基于上述先验知识可知,针对非视距传播的平均超量时延、均方时延扩展的阈值分别大于针对视距传播的平均超量时延、均方时延扩展的阈值。示例性地,NLOS传播的平均超量时延τmean阈值为32ns并且均方时延扩展τrms为21ns,LOS传播的平均超量时延τmean阈值为21ns并且均方时延扩展τrms为18ns。
需要注意的是,本文中所述的预设的值(例如,色散参数阈值等)的数值范围可根据实际需求进行设置,不限于本实施例所示的数值范围。
在步骤S133中,将信道时间色散参数与色散参数阈值进行比较。可选地,上述比较可以是针对平均超量时延τmean、均方时延扩展τrms、多径的数目K、最大多径时延中的一种或多种而作出的。
在步骤S134中,基于上述比较结果确定当前通信环境类型。
示例性地,对于NLOS传播而言,如果平均超量时延τmean大于第一阈值(例如,32ns)、均方时延扩展τrms大于第二阈值(例如,21ns)、多径的数目K小于第三阈值并且最大多径时延大于第四阈值,则可以判定当前通信环境类型为室外,否则为室内。示例性地,对于LOS传播而言,如果均方时延扩展τrms大于第五阈值(例如,18ns)、多径的数目K小于第六阈值并且最大多径时延大于第七阈值,则可以判定当前通信环境类型为室外,否则为室内。
可选地,步骤S130中的算法模型可以是机器学习模型,该机器学习模型是基于包含信道时间色散参数样本和表征与样本相对应的通信环境类型的标注信息的训练数据集而构建的。示例性地,首先利用事先获得的信道时间色散参数数据集(例如,平均超量时延τmean、均方时延扩展τrms、多径的数目K、最大多径时延、视距类型中的一种或多种)作为训练样本,并为其打上通信环境类型标签(例如,室内或室外),从而通过训练获得分类模型。示例性地,模型采用的分类算法包括但不限于多层感知机、决策树、支持向量机、最近邻算法、朴素贝叶斯法。示例性地,该机器学习模型的输出层能够直接输出“1”或“0”来表示当前通信环境类型为室外或室内。
可选地,在步骤S140中,基于第一判断信息,确定针对当前通信环境类型的定位模型参数。
如上文中所述,对于基于无线信号强度来实现定位功能的系统(例如,WiFi和蓝牙)来说,需要基于当前系统所处的环境类型来选择特定于该环境类型的定位模型参数,从而提高此类系统的定位精度。示例性地,该定位模型可以是针对无钥匙进入及启动系统(PEPS)的定位模型。
继续参考图2,图2为根据本发明的一个实施例的用于判定通信环境类型的数据处理装置20的示意性框图。图2所示的装置20可用于实施图1中所示的方法。
如图2所示,数据处理装置20包括通信单元210、存储器220(例如诸如闪存、ROM、硬盘驱动器、磁盘、光盘之类的非易失存储器)、处理器230(例如,微处理器、微控制器等)、存储在存储器220上并可在处理器230上运行的计算机程序240。
通信单元210作为通信接口,被配置为在装置与外部设备或网络(例如,UWB收发机)之间建立通信连接。
存储器220存储可由处理器230执行的计算机程序240。处理器230配置为执行计算机程序240以实施相应的通信环境判定流程。有关通信环境判定流程已经在上文中有详细的描述,此处不再赘述。
图3为根据本发明的一个实施例的车辆30的示意性框图。如图3所示,车辆30包括超宽带发射机310、超宽带接收机320以及数据处理装置330,其中数据处理装置330可用于实施图1中所示的方法。
超宽带发射机310和超宽带接收机320分别具有发送UWB通信信号和接收UWB通信信号的能力。示例性地,超宽带发射机310和超宽带接收机320可以包括按阵列布置的多个超宽带收发器和/或多个超宽带天线。
可选地,超宽带发射机310和超宽带接收机320可以被布置为具有视距路径或非视距路径。示例性地,超宽带发射机310、超宽带接收机320可以对称地安装在车辆两侧B柱的外侧。示例性地,超宽带发射机310、超宽带接收机320还可以分别安装在车的左前方和左后方。在其他实施例中,超宽带发射机310和超宽带接收机320之间可以是视距路径,即在其两者之间没有遮挡物。
按照本发明的另一方面,还提供了一种计算机可读存储介质,其上存储计算机程序,该程序被处理器执行时实现如图1所示的方法。该计算机可读存储介质可以包括随机存取存储器(RAM)(诸如同步动态随机存取存储器(SDRAM))、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦除可编程只读存储器(EEPROM)、闪存、其他已知的存储介质等。
按照本发明的一些实施例能够利用超宽带技术进行信道探测,由于超宽带信号采用持续时间极短的窄脉冲,其时间、空间分辨力都很强,因此具有极高的多径分辨率,能够在获得较强抗衰落能力的同时提高信道探测的精度。
按照本发明的一些实施例巧妙地利用了多径效应的时间色散特性,并且进一步利用基于信道时间色散参数的先验知识(例如,非视距传播的平均超量时延和均方时延扩展大于视距传播、室外环境的平均超量时延和均方时延扩展大于室内环境、室外环境的多径数量小于室内环境等)构建的算法模型对通信环境类型进行判定,有效提高了环境判定效率和准确性。
应当理解的是,本发明附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或者在一个或多个硬件模块或集成电路中实现这些功能实体,或者在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
还应当理解的是,在一些备选实施例中,前述方法中所包括的功能/步骤可以不按流程图所示的次序来发生。例如,依次示出的两个功能/步骤可以基本同时执行或甚至逆序执行。这具体取决于所涉及的功能/步骤。
另外,本领域技术人员容易理解,本发明的上述一个或多个实施例提供的方法可通过计算机程序来实现。例如,当存有该计算机程序的计算机存储介质(例如U盘)与计算机相连时,运行该计算机程序即可执行本发明的一个或多个实施例的方法。
以上尽管只对其中一些本发明的实施方式进行了描述,但是本领域普通技术人员应当了解,本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此,所展示的例子与实施方式被视为示意性的而非限制性的,在不脱离如所附各权利要求所定义的本发明精神及范围的情况下,本发明可能涵盖各种的修改与替换。
Claims (13)
1.一种基于超宽带的通信环境判定方法,其特征在于,包括下列步骤:
A、基于接收到的超宽带信号,确定当前超宽带通信过程中的信道冲激响应;
B、基于所述信道冲激响应,计算信道时间色散参数;以及
C、将所述信道时间色散参数输入到算法模型,并基于所述算法模型生成指示当前通信环境类型的第一判断信息。
2.根据权利要求1所述的方法,还包括:
D、基于所述第一判断信息,确定针对所述当前通信环境类型的定位模型参数。
3.根据权利要求1所述的方法,其中,所述信道时间色散参数包括下列各项中的一项或多项:多径的数目、每个多径分量的幅度和时延、平均超量时延、均方时延扩展、最大多径时延。
4.根据权利要求1所述的方法,其中,所述算法模型包括机器学习模型,所述机器学习模型是基于包含信道时间色散参数样本和表征与所述样本相对应的通信环境类型的标注信息的训练数据集而构建的。
5.根据权利要求1所述的方法,其中,所述算法模型包括阈值分类模型,并且步骤C包括:
C1、获取当前超宽带通信的视距类型,其中,所述视距类型包括视距传播和非视距传播;
C2、确定与所述视距类型相对应的色散参数阈值;
C3、将所述信道时间色散参数与所述色散参数阈值进行比较;以及
C4、基于比较结果确定当前通信环境类型。
6.根据权利要求5所述的方法,其中,针对非视距传播的平均超量时延、均方时延扩展的阈值分别大于针对视距传播的平均超量时延、均方时延扩展的阈值。
7.根据权利要求1所述的方法,其中,所述当前通信环境类型包括室内和室外。
8.一种用于判定通信环境类型的数据处理装置,包括:
存储器;
处理器;以及
存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序的运行使得下列步骤被执行:
A、基于接收到的超宽带信号,确定当前超宽带通信过程中的信道冲激响应;
B、基于所述信道冲激响应,计算信道时间色散参数;以及
C、将所述信道时间色散参数输入到算法模型,并基于所述算法模型生成指示当前通信环境类型的第一判断信息。
9.根据权利要求8所述的装置,所述计算机程序的运行还使得下列步骤被执行:
D、基于所述第一判断信息,确定针对所述当前通信环境类型的定位模型参数。
10.根据权利要求8所述的装置,其中,所述算法模型包括阈值分类模型,并且所述计算机程序的运行使得步骤C按照下列方式被执行:
C1、获取当前超宽带通信的视距类型,其中,所述视距类型包括视距传播和非视距传播;
C2、确定与所述视距类型相对应的色散参数阈值;
C3、将所述信道时间色散参数与所述色散参数阈值进行比较;以及
C4、基于比较结果确定当前通信环境类型。
11.根据权利要求10所述的装置,其中,针对非视距传播的平均超量时延、均方时延扩展的阈值分别大于针对视距传播的平均超量时延、均方时延扩展的阈值。
12.一种车辆,其特征在于,包括:
超宽带发射机;
超宽带接收机,以用于检测由超宽带发射机发出的超宽带信号;以及
如权利要求8-11中任一项所述的数据处理装置。
13.一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,其特征在于,当所述指令由处理器执行时,使得所述处理器执行如权利要求1-7中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210815638.5A CN115278731A (zh) | 2022-07-12 | 2022-07-12 | 通信环境判定方法、数据处理装置、车辆和存储介质 |
PCT/CN2023/104867 WO2024012269A1 (zh) | 2022-07-12 | 2023-06-30 | 通信环境判定方法、数据处理装置、车辆和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210815638.5A CN115278731A (zh) | 2022-07-12 | 2022-07-12 | 通信环境判定方法、数据处理装置、车辆和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115278731A true CN115278731A (zh) | 2022-11-01 |
Family
ID=83765491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210815638.5A Pending CN115278731A (zh) | 2022-07-12 | 2022-07-12 | 通信环境判定方法、数据处理装置、车辆和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115278731A (zh) |
WO (1) | WO2024012269A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024012269A1 (zh) * | 2022-07-12 | 2024-01-18 | 蔚来汽车科技(安徽)有限公司 | 通信环境判定方法、数据处理装置、车辆和存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3738281B1 (en) * | 2018-01-12 | 2024-01-03 | Nokia Technologies Oy | Profiled channel impulse response for accurate multipath parameter estimation |
US11789135B2 (en) * | 2019-03-29 | 2023-10-17 | Robert Bosch Gmbh | Ultra-wideband intelligent sensing system and method for car states detection |
US11402485B2 (en) * | 2019-04-30 | 2022-08-02 | Robert Bosch Gmbh | Ultra-wideband intelligent sensing system and method |
CN114224387B (zh) * | 2021-11-02 | 2023-09-29 | 华南理工大学 | 基于超声多径信道特征参数感知的体脂率测量方法 |
CN115278731A (zh) * | 2022-07-12 | 2022-11-01 | 蔚来汽车科技(安徽)有限公司 | 通信环境判定方法、数据处理装置、车辆和存储介质 |
-
2022
- 2022-07-12 CN CN202210815638.5A patent/CN115278731A/zh active Pending
-
2023
- 2023-06-30 WO PCT/CN2023/104867 patent/WO2024012269A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024012269A1 (zh) * | 2022-07-12 | 2024-01-18 | 蔚来汽车科技(安徽)有限公司 | 通信环境判定方法、数据处理装置、车辆和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2024012269A1 (zh) | 2024-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9207305B2 (en) | Methods and devices for channel identification | |
USRE45656E1 (en) | Distance estimation | |
US9804253B2 (en) | System and methods for non-parametric technique based geolocation and cognitive sensor activation | |
EP2893367B1 (en) | Methods and devices for channel identification | |
EP2789181B1 (en) | Method, apparatus, and computer program product for secure distance bounding based on direction measurement | |
US10768280B2 (en) | Ranging apparatus and method | |
CN109541599B (zh) | 对象检测方法及其装置 | |
US9084087B2 (en) | Detecting earliest channel path in location tracking systems | |
KR101802533B1 (ko) | 무선 통신 시스템에서의 환경을 추정하기 위한 방법, 장치, 시스템, 및 컴퓨터 프로그램 제품 | |
US20100295731A1 (en) | Method for optimum bandwidth selection of time-of-arrival estimators | |
US10292009B2 (en) | Apparatus and method for estimating location in a wireless communication system | |
KR101597437B1 (ko) | 무선신호의 상대적 수신세기 비율정보를 이용한 실내측위시스템 및 방법 | |
WO2024012269A1 (zh) | 通信环境判定方法、数据处理装置、车辆和存储介质 | |
WO2018144236A1 (en) | System and method for determining vehicle position based upon light-based communication and time-of-flight measurements | |
US11496283B2 (en) | Communication device, information processing method, and storage medium | |
EP2017638A2 (en) | System and method for estimating a location of a local device and a local device | |
US20140004878A1 (en) | Location measurement apparatus and method | |
KR101582404B1 (ko) | Uwb 레이더를 이용하여 목표물의 수를 카운팅 방법 및 장치 | |
US20220408400A1 (en) | System and method for facilitating localizing an external object | |
US10602311B2 (en) | Apparatus and method for estimating location in a wireless communication system | |
JP2022035114A (ja) | 通信装置、及びプログラム | |
Diamant et al. | NLOS identification using a hybrid ToA-signal strength algorithm for underwater acoustic localization | |
KR101356019B1 (ko) | 휴대폰 망 이중분리 레이더에서 위치 추정 오차를 줄이는 위치 추정 방법 및 그 시스템 | |
Golestanian et al. | Rssi-based ranging for pedestrian localization | |
Mahler et al. | Propagation of multipath components at an urban intersection |
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 |