CN116234001A - 定位方法及通信设备 - Google Patents

定位方法及通信设备 Download PDF

Info

Publication number
CN116234001A
CN116234001A CN202111450538.9A CN202111450538A CN116234001A CN 116234001 A CN116234001 A CN 116234001A CN 202111450538 A CN202111450538 A CN 202111450538A CN 116234001 A CN116234001 A CN 116234001A
Authority
CN
China
Prior art keywords
information
network model
intelligent network
positioning
artificial intelligence
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
CN202111450538.9A
Other languages
English (en)
Inventor
王园园
孙鹏
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.)
Vivo Mobile Communication Co Ltd
Original Assignee
Vivo Mobile Communication Co Ltd
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 Vivo Mobile Communication Co Ltd filed Critical Vivo Mobile Communication Co Ltd
Priority to CN202111450538.9A priority Critical patent/CN116234001A/zh
Priority to PCT/CN2022/135040 priority patent/WO2023098662A1/zh
Publication of CN116234001A publication Critical patent/CN116234001A/zh
Pending legal-status Critical Current

Links

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
    • H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
    • 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
    • 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
    • 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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/02—Terminal devices
    • H04W88/06—Terminal devices adapted for operation in multiple networks or having at least two operational modes, e.g. multi-mode terminals

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请公开了一种定位方法及通信设备，属于无线通信技术领域，本申请实施例的定位方法包括：第一通信设备接收第一定位请求信息；所述第一通信设备根据所述第一定位请求信息，确定和/或发送人工智能网络模型和/或人工智能网络模型参数，所述人工智能网络模型用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息。

Description

定位方法及通信设备
技术领域
本申请属于无线通信技术领域，具体涉及一种定位方法及通信设备。
背景技术
新无线(New Radio，NR)定位是基于网络侧和用户设备(User Equipment，UE，也称为终端)之间的信号测量进行的定位。目前，通常在无线通信网领域，往往是终端直接基于定位信号测量信息进行定位。但在复杂的多径或非直射径环境下(NLOS),定位结果往往存在误差，无法满足需求。
发明内容
本申请实施例提供一种定位方法及通信设备，能够解决现有直接基于定位信号测量结果进行定位的方法存在误差，无法满足需求的问题。
第一方面，提供了一种定位方法，包括：
第一通信设备接收第一定位请求信息；
所述第一通信设备根据所述第一定位请求信息，确定和/或发送目标人工智能网络模型和/或目标人工智能网络模型参数，所述目标人工智能网络模型用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息。
第二方面，提供了一种定位方法，包括：
第二通信设备发送第一定位请求信息；
所述第二通信设备接收目标人工智能网络模型和/或目标人工智能网络模型参数，所述目标人工智能网络模型用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息。
第三方面，提供了一种定位装置，包括：
第一接收模块，用于接收第一定位请求信息；
第一确定模块，用于根据所述第一定位请求信息，确定和/或发送目标人工智能网络模型和/或目标人工智能网络模型参数，所述目标人工智能网络模型用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息。
第四方面，提供了一种定位装置，包括：
第一发送模块，用于发送第一定位请求信息；
第一接收模块，用于接收目标人工智能网络模型和/或目标人工智能网络模型参数，所述目标人工智能网络模型用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息。
第五方面，提供了一种通信设备，该终端包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面或第二方面所述的方法的步骤。
第六方面，提供了一种通信设备，包括处理器及通信接口，其中，所述通信接口用于接收第一定位请求信息；所述处理器用于根据所述第一定位请求信息，确定和/或发送目标人工智能网络模型和/或目标人工智能网络模型参数，所述目标人工智能网络模型用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息。
第七方面，提供了一种通信设备，包括处理器及通信接口，其中，所述通信接口用于发送第一定位请求信息；接收目标人工智能网络模型和/或目标人工智能网络模型参数，所述目标人工智能网络模型用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息。
第八方面，提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面或第二方面所述的方法的步骤。
第九方面，提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面或第二方面所述的方法。
第十方面，提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在存储介质中，所述计算机程序/程序产品被至少一个处理器执行以实现如第一方面或第二方面所述的方法的步骤。
在本申请实施例中，第一通信设备根据第二通信设备的请求，与第二通信设备协商用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息的人工智能网络模型和/或人工智能网络模型参数，以使用协商的人工智能网络模型获得或优化目标终端的定位信号测量信息和/或位置信息，从而减少定位误差，提高定位结果的准确度。
附图说明
图1为本申请实施例可应用的一种无线通信系统的框图；
图2为本申请实施例的神经网络的示意图；
图3为本申请实施例的神经元的示意图；
图4A为本申请一实施例的定位方法的流程示意图；
图4B为本申请另一实施例的定位方法的流程示意图；
图5为本申请实施例一的定位方法的流程示意图；
图6为本申请实施例二的定位装置的结构示意图；
图7为本申请实施例三的定位装置的结构示意图
图8A为本申请一实施例的通信设备的结构示意图；
图8B为本申请另一实施例的通信设备的结构示意图；
图9为本申请又一实施例的通信设备的结构示意图；
图10为本申请实施例的终端的硬件结构示意图；
图11为本申请一实施例的网络侧设备的硬件结构示意图；
图12为本申请另一实施例的网络侧设备的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”所区别的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是，本申请实施例所描述的技术不限于长期演进型(Long TermEvolution，LTE)/LTE的演进(LTE-Advanced，LTE-A)系统，还可用于其他无线通信系统，诸如码分多址(Code Division Multiple Access，CDMA)、时分多址(Time DivisionMultiple Access，TDMA)、频分多址(Frequency Division Multiple Access，FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access，OFDMA)、单载波频分多址(Single-carrier Frequency Division Multiple Access，SC-FDMA)和其他系统。本申请实施例中的术语“系统”和“网络”常被可互换地使用，所描述的技术既可用于以上提及的系统和无线电技术，也可用于其他系统和无线电技术。以下描述出于示例目的描述了新空口(New Radio，NR)系统，并且在以下大部分描述中使用NR术语，但是这些技术也可应用于NR系统应用以外的应用，如第6代(6th Generation，6G)通信系统。
图1示出本申请实施例可应用的一种无线通信系统的框图。无线通信系统包括终端11和网络侧设备12。其中，终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal DigitalAssistant，PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personalcomputer，UMPC)、移动上网装置(Mobile Internet Device，MID)、增强现实(augmentedreality，AR)/虚拟现实(virtual reality，VR)设备、机器人、可穿戴式设备(WearableDevice)、车载设备(VUE)、行人终端(PUE)、智能家居(具有无线通信功能的家居设备，如冰箱、电视、洗衣机或者家具等)、游戏机、个人计算机(personal computer，PC)、柜员机或者自助机等终端侧设备，可穿戴式设备包括：智能手表、智能手环、智能耳机、智能眼镜、智能首饰(智能手镯、智能手链、智能戒指、智能项链、智能脚镯、智能脚链等)、智能腕带、智能服装等。需要说明的是，在本申请实施例并不限定终端11的具体类型。网络侧设备12可以包括接入网设备或核心网设备，其中，接入网设备12也可以称为无线接入网设备、无线接入网(Radio Access Network,RAN)、无线接入网功能或无线接入网单元。接入网设备12可以包括基站、WLAN接入点或WiFi节点等，基站可被称为节点B、演进节点B(eNB)、接入点、基收发机站(Base Transceiver Station，BTS)、无线电基站、无线电收发机、基本服务集(BasicService Set，BSS)、扩展服务集(Extended Service Set，ESS)、家用B节点、家用演进型B节点、发送接收点(Transmitting Receiving Point，TRP)或所述领域中其他某个合适的术语，只要达到相同的技术效果，所述基站不限于特定技术词汇，需要说明的是，在本申请实施例中仅以NR系统中的基站为例进行介绍，并不限定基站的具体类型。核心网设备可以包含但不限于如下至少之一：核心网节点、核心网功能、移动管理实体(Mobility ManagementEntity，MME)、接入移动管理功能(Access and Mobility Management Function，AMF)、会话管理功能(Session Management Function，SMF)、用户平面功能(User Plane Function，UPF)、策略控制功能(Policy Control Function，PCF)、策略与计费规则功能单元(Policyand Charging Rules Function，PCRF)、边缘应用服务发现功能(Edge ApplicationServer Discovery Function，EASDF)、统一数据管理(Unified Data Management，UDM)，统一数据仓储(Unified Data Repository，UDR)、归属用户服务器(Home SubscriberServer，HSS)、集中式网络配置(Centralized network configuration，CNC)、网络存储功能(Network Repository Function，NRF)，网络开放功能(Network Exposure Function，NEF)、本地NEF(Local NEF，或L-NEF)、绑定支持功能(Binding Support Function，BSF)、应用功能(Application Function，AF)，位置管理功能LMF(location manage function)，E-SMLC,NWDAF(network data analytics function)等。需要说明的是，在本申请实施例中仅以NR系统中的核心网设备为例进行介绍，并不限定核心网设备的具体类型。
下面结合附图，通过一些实施例及其应用场景对本申请实施例提供的定位方法及通信设备进行详细地说明。
下面首先对本申请实施例涉及的人工智能(Artificial Intelligence，AI)网络模型进行说明。
人工智能网络模型目前在各个领域获得了广泛的应用。人工智能网络模型有多种实现方式，例如神经网络、决策树、支持向量机、贝叶斯分类器等。本申请以神经网络为例进行说明，但是并不限定上述其它人工智能网络模型的应用。
一个神经网络的示意图如图2所示。其中，神经网络由神经元组成，神经元如图3所示。其中a1,a2,…aK为输入，w为权值(乘性系数)，b为偏置(加性系数)，σ(.)为激活函数。常见的激活函数包括Sigmoid、tanh、线性整流函数，修正线性单元(Rectified Linear Unit，ReLU)等。
神经网络的参数通过优化算法进行优化。优化算法就是一种能够帮我们最小化或者最大化目标函数(有时候也叫损失函数)的一类算法。而目标函数往往是模型参数和数据的数学组合。例如给定数据X和其对应的标签Y(即真实值)，我们构建一个神经网络模型f(.)，有了模型后，根据输入X就可以得到预测输出f(x)，并且可以计算出预测值和真实值之间的差距(f(x)-Y)，这个就是损失函数。我们的目的是找到合适的w,b使上述的损失函数的值达到最小，损失值越小，则说明我们的模型越接近于真实情况。
目前常见的优化算法，基本都是基于误差反向传播(error Back Propagation，BP)算法。BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。
常见的优化算法有梯度下降(Gradient Descent)、随机梯度下降(StochasticGradient Descent，SGD)、小批量梯度下降(mini-batch gradient descent)、动量法(Momentum)、Nesterov(发明者的名字，具体为带动量的随机梯度下降)、Adagrad(ADAptiveGRADient descent，自适应梯度下降)、Adadelta、RMSprop(root mean square prop，均方根误差降速)、Adam(Adaptive Moment Estimation，自适应动量估计)等。
这些优化算法在误差反向传播时，都是根据损失函数得到的误差/损失，对当前神经元求导数/偏导，加上学习速率、之前的梯度/导数/偏导等影响，得到梯度，将梯度传给上一层。
为解决现有直接基于定位信号测量结果进行定位的方法存在误差，无法满足需求的问题，请参考图4A，本申请实施例提供一种定位方法，包括：
步骤41A：第一通信设备接收第一定位请求信息；
步骤42A：所述第一通信设备根据所述第一定位请求信息，确定和/或发送目标人工智能网络模型和/或目标人工智能网络模型参数，所述目标人工智能网络模型用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息。
在本申请实施例中，第一通信设备根据第二通信设备的请求，与第二通信设备协商用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息的人工智能网络模型和/或人工智能网络模型参数，以使用协商的人工智能网络模型获得或优化目标终端的定位信号测量信息和/或位置信息，从而减少定位误差，提高定位结果的准确度。
本申请实施例中，可选的，第一通信设备为网络侧设备，如LMF,E-SMLC(增强服务移动定位中心),或者，为人工智能或者机器学习处理功能模块，如NWDAF。
本申请实施例中，可选的，第二通信设备为终端或者网络侧设备，网络侧设备如LMF,E-SMLC或基站。
本申请实施例中，可选的，第一通信设备为终端或基站，又或者LMF，第二通信设备为人工智能或者机器学习处理功能模块,或者LMF。
本申请实施例中，可选的，所述第一定位请求信息包括以下至少之一：
第一测量信息；
人工智能网络模型和/或人工智能网络模型参数的标识ID；
人工智能网络模型；
部分或全部人工智能网络模型参数；
人工智能网络模型的复杂度信息；
人工智能网络模型的类型信息；
第一参数信息，所述第一参数信息用于确定人工智能网络模型的输入信息和/或输出信息，或者，用于确定人工智能网络模型的网络结构和/或参数的信息，或者，用于确定上报或反馈的用于定位的信息；
第一指示信息，用于指示是否请求人工智能网络模型和/或人工智能网络模型参数。
进一步的，在一个实施例中，当第一通信设备为终端时，终端接收第一指示信息，指示人工智能网络模型用于终端进行定位，如用于终端获取或者优化定位信号测量信息和/或位置信息；和/或；终端接收人工智能网络模型和/或人工智能网络模型参数的标识ID，指示该人工智能网络模型用于终端进行定位，如用于终端获取或者优化定位信号测量信息和/或位置信息；和/或；终端接收人工智能网络模型的复杂度信息，用于指示终端结束人工智能网络模型迭代的条件或复杂度阈值；和/或；终端接收部分或全部人工智能网络模型参数，用于更新终端用于定位的人工智能网络模型和/或参数，如用于终端获取或者优化定位信号测量信息和/或位置信息；终端接收人工智能网络模型的类型信息，用于辅助终端选择用于定位的人工智能网络模型和/或参数。
进一步的，在一个实施例中，当第一通信设备为网络侧设备时，网络侧设备接收第一指示信息，指示终端期待用人工智能网络模型进行定位，如终端希望通过人工智能网络模型获取或者优化定位信号测量信息和/或位置信息；和/或；网络侧设备接收人工智能网络模型和/或人工智能网络模型参数的标识ID，指示该人工智能网络模型被终端用于定位，或者期待被激活和配置该ID对应的人工智能网络模型和/或人工智能网络模型参数；和/或；网络侧设备接收人工智能网络模型的复杂度信息，用于指示终端期待的人工智能网络模型迭代的条件或复杂度阈值；和/或；网络侧设备接收部分或全部人工智能网络模型参数，用于指示终端期待用于定位的人工智能网络模型和/或参数，如用于终端获取或者优化定位信号测量信息和/或位置信息；网络侧设备接收人工智能网络模型的类型信息，用于指示终端期待用于定位的人工智能网络模型和/或参数。
进一步的，在一个实施例中，当第一通信设备为第一网络侧设备时，第一网络侧设备接收第一指示信息，指示第二网络侧设备期待所述第一网络侧设备用人工智能网络模型进行定位，如第二网络侧设备希望通过人工智能网络模型获取或者优化定位信号测量信息和/或位置信息；和/或；第一网络侧设备接收人工智能网络模型和/或人工智能网络模型参数的标识ID，指示第二网络侧设备指示该人工智能网络模型被第一网络侧设备用于定位，或者期待被激活和配置该ID对应的人工智能网络模型和/或人工智能网络模型参数；和/或；第一网络侧设备接收人工智能网络模型的复杂度信息，用于第二网络侧设备指示的人工智能网络模型迭代的条件或复杂度阈值；和/或；第一网络侧设备接收部分或全部人工智能网络模型参数，用于第一网络侧设备指示用于定位的人工智能网络模型和/或参数；第一网络侧设备接收人工智能网络模型的类型信息，用于指示用于定位的人工智能网络模型和/或参数。
下面分别对上述各第一定位请求信息进行说明。
本申请实施例中，可选的，所述第一测量信息用于辅助所述第一通信设备确定和/或发送目标人工智能网络模型和/或目标人工智能网络模型参数，所述第一测量信息，包括以下至少之一：
目标终端的定位信号测量信息；
目标终端的位置信息；所述位置信息可以是绝对位置信息(例如经纬度信息)，也可以是相对位置信息。
误差信息，所述误差信息包括以下至少之一：位置误差值、测量误差值、人工智能网络模型误差值或参数误差值。
可选的，上述定位信号测量信息和/或位置信号，可以是通过到达时间差定位法(Observed Time Difference of Arrival，OTDOA)、全球导航卫星系统(GlobalNavigation Satellite System，GNSS)，下行到达时间差(DL-TDOA)，上行到达时间差(UL-TDOA)，上行到达角(AoA)，出发角(AoD)，往返时延(Round trip time，RTT)，多站往返时延(Multi-RTT)，蓝牙，传感器或wifi得到。
本申请实施例中，可选的，所述目标终端的定位信号测量信息包括以下至少之一：
定位信号时间差(Reference Signal Time Difference，RSTD)测量结果；
往返时延(Round Trip Time，RTT)；
到达角(Angle of Arrival，AOA)测量结果；
出发角(Angle of Departure，AOD)测量结果；
定位信号接收功率(Reference Signal Received Power，RSRP)。
本申请实施例中，可选的，所述定位信号测量信息关联或包括至少一个视距(Lineof Sight，LOS)指示信息。
本申请实施例中，可选的，所述定位信号测量信息包括至少一条路径(path)的定位信号测量信息。
本申请实施例中，可选的，所述定位信号测量信息包括以下至少之一：
1)路径的角度信息；例如path AOA，path AoD；
2)路径的时间信息；
所述时间信息例如为路径的参考信号时间差(ReferenceSignal TimeDifference，additional path RSTD或path RSTD)测量结果、路径的往返时延(round-triptime,Path RTT)，又如路径的TOA或路径的rx-tx(接收-发送)测量结果。
3)路径的能量信息；例如RSRPP(path RSRP)；
4)LOS指示信息。
本申请实施例中，可选的，所述至少一条路径的定位信号测量信息包括至少一个LOS指示信息。进一步可选的，每条路径的定位信号测量信息包括一个LOS指示信息。
可选的，在一个实施例中，所述至少一条路径的定位信号测量信息可以理解为对应一个时间戳的定位信号测量信息包括至少两条路径的定位信号测量信息，或者，在另一个实施例中，可以理解为一个定位信号识别信息关联至少一条路径的定位信号测量信息。
此外，在一个实施例中，所述定位信号测量信息包括至少一条路径的定位信号测量信息和未区分path的定位信号测量信息，如RSRP和RSRPP一起上报，如path RSTD和RSRPP一起上报，path RSTD和RSTD一起上报，path rx-tx和RSRPP一起上报等
本申请实施例中，可选的，所述LOS指示信息用于指示以下之一：
目标终端和目标发送接收点TRP之间的LOS情况；
目标终端的LOS情况；
目标终端和目标TRP的一个或多个定位参考信号资源之间的LOS情况。
本申请实施例中，可选的，所述LOS指示信息包括以下至少之一：
1)用于指示是LOS或是非视距NLOS的第一比特；
例如，采用0，1表示是LOS或是NLOS。
2)用于指示为LOS的概率的第二比特；
例如采用{0，0.X,2*0.X，…,1}M个bit指示为LOS的概率。
3)用于指示为LOS的置信度的第三比特。
本申请实施例中，可选的，所述LOS指示信息包括以下至少之一：
用于指示定位信号测量是LOS或是非视距(Non Line Of Sight，NLOS)的第一比特；
用于指示定位信号测量为LOS的概率的第二比特；
用于指示定位信号测量为LOS的置信度的第三比特。
其中，所述终端和目标发送接收点TRP之间的LOS情况可以理解为，所述终端和目标发送接收点TRP之间是LOS还是NLOS，或者是否包含LOS，又或者包含LOS的概率
其中，所述终端的LOS情况；可以理解为，所述终端至少包括N个LOS，或者最多包含M个LOS。
其中，所述终端和目标TRP的一个或多个定位参考信号资源之间的LOS情况。可以理解分别指示，所述终端和目标TRP的定位参考信号A的LOS情况，或者所述终端和目标TRP的定位参考信号B的LOS情况,其中定位参考信号A和B为选定的定位参考信号的代指；且数目可扩展为ABCDEFGH等。
本申请实施例中，可选的，所述人工智能网络模型参数包括以下至少之一：
1)人工智能网络模型的结构；
所述结构例如包括以下至少之一：
全连接神经网络，卷积神经网络，循环神经网络或残差网络；
多个小网络的组合方式，例如全连接+卷积，卷积+残差等；
隐藏层的层数；
输入层与隐藏层的连接方式、多个隐藏层之间的连接方式和/或隐藏层与输出层的连接方式；
每层神经元的数目。
2)人工智能网络模型每个神经元的乘性系数，加性系数和/或激活函数；
3)人工智能网络模型的复杂度信息；
如1flop，如100次迭代，如硬件条件，计算条件；
4)人工智能网络模型的预期训练次数；
5)人工智能网络模型的应用文档；
在一种实施例中，可以理解为人工智能网络模型的通用应用方式；
6)人工智能网络模型的输入格式；
在一种实施例中，可以理解为输入到人工智能网络模型的信息元素，信息格式，取值范围等。又比如第一参数信息的输入格式，第一测量信息的输入格式等。
7)人工智能网络模型的输出格式。
在一种实施例中，可以理解为人工智能网络模型输出的信息元素，信息格式，取值范围等。又比如第二参数信息的输出格式，定位信号测量信息和/或位置信息的输出格式等。
本申请实施例中，可选的，所述人工智能网络模型的类型信息包括以下至少之一：
全连接模型；
第一类型，所述第一类型为由所述第一通信设备根据人工智能网络模型获得终端的位置信息；
第二类型，所述第二类型为由所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息；
第三类型，所述第三类型为由第二通信设备辅助所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息；
第四类型，所述第四类型为由第二通信设备辅助所述第一通信设备根据人工智能网络模型获得终端的位置信息；
第六类型，所述第六类型为由第一通信设备指示所述第二通信设备根据人工智能网络模型获得终端的位置信息；
第七类型，所述第七类型为由第一通信设备指示所述第二通信设备根据人工智能网络模型获得终端的位置信息；
第八类型，所述第八类型为由所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息和终端的位置信息两者中的其中之一，由第二通信设备根据人工智能网络模型获得终端的定位信号测量信息或终端的位置信息两者中的另一个；
非监督模型或监督模型。
本申请实施例中，可选的，所述第一参数信息包括以下至少之一：
信道冲激响应(channel impulse response，CIR)的长度；
信道冲激响应(channel impulse response，CIR)的起始时间；
多径的数目；如最多20条路径；
获取CIR的带宽；
信号的频域信息，如Frequency layer ID,band D,Point A，ARFCN或Start PRB。
时间信息；进一步可选的包括至少一条path的时间信息；
相位信息；进一步可选的包括至少一条path的相位信息；
能量信息：进一步可选的包括至少一条path的能量信息；
角度信息；进一步可选的包括至少一条path的角度信息；
基于第三人工智能模型或第三人工智能模型参数处理的CIR信息；
基于第三人工智能模型或第三人工智能模型参数处理的多径信息，例如多径时延，多径能量，多径角度等。
本申请实施例中，可选的，所述第一参数信息还包括以下至少之一：
第三人工智能网络模型结构；
第三人工智能网络模型参数。
本申请实施例中，可选的，所述第一定位请求信息还包括：
LOS置信度；
第二信息，所述第二信息可以与LOS指示信息相关。
本申请实施例中，可选的，所述第二信息包括以下至少之一：
1)用于确定LOS指示信息的第二人工智能网络模型；
可能包括人工智能网络模型的一些关键参数，如果是基于神经网络判断可能要告诉网络训练集合的构成、训练的具体参数，神经网络的超参数(hyper-parameter)等，也有可能直接告诉网络对应的神经网络参数。
2)信道冲激响应(Channel Impulse Response，CIR)；
3)首径的功率；
4)多径的功率；
本申请实施例中，所述功率可以是绝对功率或相对功率，相对功率例如为相对于信号RSRP的功率，例如，多径相对于首径的，多径相对于信号的。
5)首径的时延；
6)首径的到达时间(Time Of Arrival，TOA)；
7)首径的参考信号时间差(Reference Signal Time Difference，RSTD)；
8)多径的时延；
本申请实施例中，所述时延可以是绝对时延或相对时延，相对时延例如为相对于信号时延，例如，多径相对于首径的，多径相对于信号的。
9)多径的TOA；
10)多径的RSTD；
11)首径的到达角；
12)多径的到达角；
13)首径的天线子载波相位差；
14)多径的天线子载波相位差；
15)平均过量时延；
16)均方根时延拓展；
17)相干带宽。
本申请实施例中，可选的，所述第一通信设备根据所述第一定位请求信息，确定和/或发送目标人工智能网络模型和/或目标人工智能网络模型参数，之前还包括：
所述第一通信设备发送或接收预配置信息，所述预配置信息包括以下至少之一：
一个或多个预配置的人工智能网络模型；
一套或多套预配置的人工智能网络模型参数。
本申请实施例中，可选的，每个预配置的人工智能网络模型或人工智能网络模型参数包括一个ID信息。所述ID信息可以采用两种描述方式：第一种描述方式可以是数值1～N或者0～N-1，其中，N是最大预配置的人工智能网络模型或参数的个数，每一个数值对应唯一的一个人工智能网络模型或参数。第二种描述方式可以N比特表示，其中，N是最大预配置的人工智能网络模型或参数的个数，第i比特为第i个人工智能网络模型或参数，i属于(1～N)。
本申请实施例中，可选的，所述第一通信设备根据所述第一定位请求信息，确定和/或发送目标人工智能网络模型和/或目标人工智能网络模型参数，还包括：
所述第一通信设备发送至少两个目标人工智能网络模型和/或目标人工智能网络模型参数。可选的，所述第一通信设备向发送第一定位请求的第二通信设备发送至少两个目标人工智能网络模型和/或目标人工智能网络模型参数。
可选的，所述第一通信设备向第二通信设备和第三通信是设备各发送一个目标人工智能网络模型和/或目标人工智能网络模型参数。
可选的所述至少两个目标人工智能网络模型和/或目标人工智能网络模型参数可以为一个人工智能网络模型和参数的功能性拆分，如目标人工智能网络模型1进行功能1(如信息预处理，如获得终端的定位信号测量信息，如获得LOS指示信息)，如目标人工智能网络模型2进行功能2(如信息反预处理，如信息解码，如获得终端的位置信息)
可选的，所述至少两个目标人工智能网络模型和/或目标人工智能网络模型参数可以为分部式人工智能网络模型和参数，如目标人工智能网络模型1对目标人工智能网络模型2进行更新迭代。
本申请实施例中，可选的，若所述第一定位请求信息中包括第一测量信息，所述第一测量信息用于辅助所述第一通信设备确定和/或发送目标人工智能网络模型和/或目标人工智能网络模型参数。即，在一种实施例下，所述第一通信网发送的标人工智能网络模型和/或目标人工智能网络模型参数是基于第一测量信息选择的
本申请实施例中，可选的，若所述第一定位请求信息中包括目标ID，所述第一通信设备选择所述目标ID对应的目标人工智能网络模型和/或目标人工智能网络模型参数。即，在一种实施例下，所述第一通信网发送的目标人工智能网络模型和/或目标人工智能网络模型参数为所述目标ID对应的目标人工智能网络模型和/或目标人工智能网络模型参数
本申请实施例中，可选的，若所述第一定位请求信息中包括人工智能网络模型，则所述第一通信设备选择与所述第一定位请求信息中的人工智能网络模型匹配的目标人工智能网络模型。即，在一种实施例下，所述第一通信网发送的目标人工智能网络模型和/或目标人工智能网络模型参数与第一定位请求信息中包括人工智能网络模型相关联。
本申请实施例中，可选的，若所述第一定位请求信息中包括部分或全部人工智能网络模型参数，所述第一通信设备则选择与所述第一定位请求信息中的人工智能网络模型参数匹配的目标人工智能网络模型参数。
本申请实施例中，可选的，若所述第一定位请求信息中包括人工智能网络模型的复杂度信息，所述第一通信设备则选择与所述第一定位请求信息中的复杂度信息匹配的目标人工智能网络模型。即，在一种实施例下，所述第一通信网发送的目标人工智能网络模型和/或目标人工智能网络模型参数与第一定位请求信息中复杂度信息匹配相匹配。
本申请实施例中，可选的，若所述第一定位请求信息中包括人工智能网络模型的类型信息，所述第一通信设备则选择与所述第一定位请求信息中的类型信息匹配的目标人工智能网络模型。即，在一种实施例下，所述第一通信网发送的目标人工智能网络模型和/或目标人工智能网络模型参数与第一定位请求信息中类型信息匹配相匹配。
本申请实施例中，可选的，若所述第一定位请求信息中包括第一参数信息，所述第一通信设备则选择与所述第一参数信息匹配的目标人工智能网络模型或参数。
本申请实施例中，可选的，若所述第一定位请求信息中包括第一指示信息，且所述第一指示信息指示请求人工智能网络模型和/或人工智能网络模型参数，第一通信设备则确定和/或发送目标人工智能网络模型和/或目标人工智能网络模型参数，若所述第一指示信息指示不请求人工智能网络模型和/或人工智能网络模型参数，第一通信设备则无需确定和/或发送目标人工智能网络模型和/或目标人工智能网络模型参数。
本申请实施例中，可选的，所述定位方法还包括：
所述第一通信网设备发送第二参数信息，所述第二参数信息包括以下至少之一：
CIR；
第一定位参考信号的多径测量结果；
时间信息；
相位信息；
角度信息；
能量信息；
第二指示信息，所述第二指示信息用于指示是否通过第四人工智能网络模型结构或第四人工智能网络模型参数获取或优化其它第二参数信息，或是否使用目标人工智能网络模型获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息；
第四人工智能网络模型结构；
第四人工智能网络模型参数。
可选的，所述第二参数信息根据所述第一参数信息确定。
在一个实施例中，第一通信设备发送CIR的长度信息，期待第二通信设备反馈的CIR长度为所述第一参数中的CIR的长度信息
在一个实施例中，第一通信设备发送CIR的长度信息和第四人工智能网络模型结构和/或第四人工智能网络模型参数，期待第二通信设备反馈的CIR为根据所述第四人工智能网络模型结构和/或第四人工智能网络模型参数获得的满足第一参数中的CIR的长度信息的CIR
在一个实施例中，第一通信设备发送多径数目信息，期待第二通信设备反馈的多径数目信息为所述第一参数中的多径数目信息
在一个实施例中，第一通信设备发送多径数目信息和时间信息，期待第二通信设备反馈的多径数目信息为所述第一参数中的多径数目信息且包括多径时间信息
在一个实施例中，第一通信设备发送多径数目信息和时间信息和能量信息，期待第二通信设备反馈的多径数目信息为所述第一参数中的多径数目信息且包括多径时间信息和能量信息
在一个实施例中，第一通信设备发送多径数目信息和时间信息和能量信息和第四人工智能网络模型结构和/或第四人工智能网络模型参数，期待第二通信设备反馈的多径数目信息为所述第一参数中的多径数目信息且包括多径时间信息和能量信息为根据所述第四人工智能网络模型结构和/或第四人工智能网络模型参数获得的满足第一参数中的反馈的多径数目信息为所述第一参数中的多径数目信息且包括多径时间信息和能量信息。
本申请实施例中，可选的，所述定位方法还包括：
所述第一通信设备上报能力信息，所述能力信息包括以下至少之一：
是否支持基于所述第一定位请求信息的人工智能网络模型或人工智能网络模型参数；
是否支持多个人工智能网络模型或多套人工智能网络模型参数；
是否支持使用人工智能网络模型或人工智能网络模型参数获得或优化定位信号测量信息和/或位置信息。
本申请实施例中的通信设备可以是终端、接入网设备或核心网设备。
本申请实施例中的通信设备可以是终端、接入网设备或核心网设备。
请参考图4B，本申请实施例提供一种定位方法，包括：
步骤41B：第二通信设备发送第一定位请求信息；
步骤42B：所述第二通信设备接收目标人工智能网络模型和/或目标人工智能网络模型参数，所述目标人工智能网络模型用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息。
在本申请实施例中，第一通信设备根据第二通信设备的请求，与第二通信设备协商用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息的人工智能网络模型和/或人工智能网络模型参数，以使用协商的人工智能网络模型获得或优化目标终端的定位信号测量信息和/或位置信息，从而减少定位误差，提高定位结果的准确度。
本申请实施例中，可选的，所述第一定位请求信息包括以下至少之一：
第一测量信息；
人工智能网络模型和/或人工智能网络模型参数的标识ID；
人工智能网络模型；
部分或全部人工智能网络模型参数；
人工智能网络模型的复杂度信息；
人工智能网络模型的类型信息；
第一参数信息，所述第一参数信息用于确定人工智能网络模型的输入信息和/或输出信息，或者，用于确定人工智能网络模型的网络结构和/或参数的信息，或者，用于确定上报或反馈的用于定位的信息；
第一指示信息，用于指示是否请求人工智能网络模型和/或人工智能网络模型参数。
本申请实施例中，可选的，所述第一测量信息包括以下至少之一：
目标终端的定位信号测量信息；
目标终端的位置信息；
误差信息，所述误差信息包括以下至少之一：位置误差值、测量误差值、人工智能网络模型误差值或参数误差值。
本申请实施例中，可选的，所述目标终端的定位信号测量信息包括以下至少之一：
定位信号的信道响应信息；
定位信号时间差RSTD测量结果；
往返时延RTT；
到达角AOA测量结果；
出发角AOD测量结果；
定位信号接收功率RSRP。
本申请实施例中，可选的，所述定位信号测量信息关联或包括至少一个视距LOS指示信息，或，包括至少一条路径的定位信号测量信息。
本申请实施例中，可选的，所述LOS指示信息包括以下至少之一：
用于指示是LOS或是非视距NLOS的第一比特；
用于指示为LOS的概率的第二比特；
用于指示为LOS的置信度的第三比特。
本申请实施例中，可选的，所述LOS指示信息包括以下至少之一：
用于指示定位信号测量是LOS或是非视距NLOS的第一比特；
用于指示定位信号测量为LOS的概率的第二比特；
用于指示定位信号测量为LOS的置信度的第三比特。
本申请实施例中，可选的，所述人工智能网络模型参数包括以下至少之一：
人工智能网络模型的结构；
人工智能网络模型每个神经元的乘性系数，加性系数和/或激活函数；
人工智能网络模型的复杂度信息；
人工智能网络模型的预期训练次数；
人工智能网络模型的应用文档；
人工智能网络模型的输入格式；
人工智能网络模型的输出格式。
本申请实施例中，可选的，所述人工智能网络模型的类型信息包括以下至少之一：
全连接模型；
第一类型，所述第一类型为由所述第一通信设备根据人工智能网络模型获得终端的位置信息；
第二类型，所述第二类型为由所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息；
第三类型，所述第三类型为由第二通信设备辅助所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息；
第四类型，所述第四类型为由第二通信设备辅助所述第一通信设备根据人工智能网络模型获得终端的位置信息；
第六类型，所述第六类型为由第一通信设备指示所述第二通信设备根据人工智能网络模型获得终端的位置信息；
第七类型，所述第七类型为由第一通信设备指示所述第二通信设备根据人工智能网络模型获得终端的位置信息；
第八类型，所述第八类型为由所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息和终端的位置信息两者中的其中之一，由第二通信设备根据人工智能网络模型获得终端的定位信号测量信息或终端的位置信息两者中的另一个；
非监督模型或监督模型。
本申请实施例中，可选的，，所述第一定位请求信息还包括：
LOS置信度；
第二信息。
本申请实施例中，可选的，所述第二信息包括以下至少之一：
用于确定LOS指示信息的第二人工智能网络模型；
频道冲激响应CIR；
首径的功率；
多径的功率；
首径的时延；
首径的到达时间TOA；
首径的参考信号时间差RSTD；
多径的时延；
多径的TOA；
多径的RSTD；
首径的到达角；
多径的到达角；
首径的天线子载波相位差；
多径的天线子载波相位差；
平均过量时延；
均方根时延拓展；
相干带宽。
本申请实施例中，可选的，所述第一参数信息包括以下至少之一：
CIR的长度；
多径的数目；
CIR的带宽；
信号的频域信息；
时间信息；
相位信息；
角度信息；
能量信息；
基于第三人工智能模型或第三人工智能模型参数处理的CIR信息；
基于第三人工智能模型或第三人工智能模型参数处理的多径信息。
本申请实施例中，可选的，所述第一参数信息还包括以下至少之一：
第三人工智能网络模型结构；
第三人工智能网络模型参数。
本申请实施例中，可选的，所述定位方法还包括：所述第二通信设备发送第二参数信息，所述第二参数信息包括以下至少之一：
CIR；
第一定位参考信号的多径测量结果；
时间信息；
相位信息；
角度信息；
能量信息；
第二指示信息，所述第二指示信息用于指示是否通过第四人工智能网络模型结构或第四人工智能网络模型参数获取或优化其它第二参数信息，或是否使用目标人工智能网络模型获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息；
第四人工智能网络模型结构；
第四人工智能网络模型参数。
本申请实施例中，可选的，所述第二参数信息根据所述第一参数信息确定。
下面结合具体应用场景，对本申请的定位方法进行说明。
请参考图5，图5为本申请实施例一的定位方法的流程示意图，该定位方法包括：
步骤51：第二通信设备(终端、接入网设备或本地管理功能(Location ManagementFunction，LMF))向第一通信设备(LMF或NWADF)发送第一定位请求信息，所述第一定位请求信息的具体内容可以参见上述实施例中的描述，不再重复说明。
步骤52：第一通信设备根据第一定位请求信息，确定目标人工智能网络模型和/或目标人工智能网络模型参数；
根据第一定位请求信息，确定目标人工智能网络模型和/或目标人工智能网络模型参数的方法可以参见上述实施例中的描述，不再重复说明。
步骤53：第一通信设备向第二通信设备发送目标人工智能网络模型和/或目标人工智能网络模型参数。
请参考图6，图6为本申请实施例二的定位方法的流程示意图，该定位方法包括：
步骤61：第一通信设备(LMF或NWADF)向第一通信设备(终端、接入网设备或LMF)发送预配置的人工智能网络模型和/或人工智能网络模型参数；
步骤62：第二通信设备(终端、接入网设备或LMF)向第一通信设备(LMF或NWADF)发送第一定位请求信息，所述第一定位请求信息中包括预配置的人工智能网络模型和/或人工智能网络模型参数的ID；
步骤63：第一通信设备确定与所述ID对应的目标人工智能网络模型和/或目标人工智能网络模型参数；
步骤64：第一通信设备向第二通信设备发送目标人工智能网络模型和/或目标人工智能网络模型参数。
请参考图7，图7为本申请实施例三的定位方法的流程示意图，该定位方法包括：
步骤71：第二通信设备(LMF或NWADF)向第一通信设备(终端、接入网设备或LMF)发送第一定位请求信息，所述第一定位请求信息中包括第一参数信息，例如基于第三人工智能模型或第三人工智能模型参数处理的CIR信息，或者，基于第三人工智能模型或第三人工智能模型参数处理的定位信号测量结果；
步骤72：第一通信设备根据第一定位请求信息，确定目标人工智能网络模型和/或目标人工智能网络模型参数，基于确定的目标人工智能网络模型和/或目标人工智能网络模型参数则可以得到与所述第一参数信息对应的定位信号测量结果和/或位置信息。
下面对本申请上述定位方法进行补充说明。
本申请实施例的人工智能网络模型包括一个或多个人工智能网络模型，和/或，一套或多套人工智能网络模型参数。
本申请实施例的人工智能网络模型可以是机器学习模型或神经网络模型或深度神经网络模型，包括但不限于：
卷积神经网络(Convolutional Neural Network,CNN)，如googlenet，AlexNet；
递归神经网络((Recursive Neural Network，RNN)及长短期记忆(Long short-term memory,LSTM)；
递归张量神经网络(Recursive Neural Tensor Network，RNTN)；
生成对抗网络(Generative Adversarial Networks，GAN)；
深度置信网络(Deep Belief Networks，DBN)；
受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)等。
本申请实施例中，所述人工智能网络模型参数包括机器学习模型或神经网络模型或深度神经网络的参数，包括但不限于以下至少之一：各层的权值，步长，均值和方差等。
本申请实施例中，可选的，所述人工智能网络模型的输入信息包括以下至少之一：
信道冲激响应(channel impulse response，CIR)；
时延功率谱(Power Delay Profile,PDP)；
参考信号时间差(Reference Signal Time Difference,RSTD)；
往返时延(Round-trip Time,RTT)；
到达角(Angle of Arrival,AoA)；
RSRP；
TOA；
首径的功率；
多径的功率；
首径的时延；
首径的TOA；
首径的RSTD；
多径的时延；
多径的TOA；
多径的RSTD；
首径的到达角；
多径的到达角；
首径的天线子载波相位差；
多径的天线子载波相位差；
LoS/NLoS识别信息
平均过量时延；
均方根时延拓展
相干带宽等。
本申请实施例中，上述输入信息可以是单站的，或者是多站的，所述单站或多站信息由网络侧下发的基站数量信息确定，所述基站数量包括1-maxTRPNumber,maxTRPNumber为特定场景下TRP的最大数量。
所述人工智能网络模型的输出信息包括以下至少之一：
位置坐标信息；
参考信号时间差(Reference Signal Time Difference,RSTD)；
往返时延(Round-trip Time,RTT)；
到达角(Angle of Arrival,AoA)；
RSRP；
TOA；
首径的功率；
多径的功率；
首径的时延；
首径的到达时间TOA；
首径的参考信号时间差RSTD；
多径的时延；
多径的TOA；
多径的RSTD；
首径的到达角；
多径的到达角；
LoS/NLoS识别信息。
本申请实施例的人工智能网络模型还可以包括：误差模型信息，用于校准位置、测量、人工智能网络模型和/或参数误差，包括以下至少之一：
1)网络侧预估的误差值；进一步的所述误差值包括以下至少之一：位置误差值，测量误差值，人工智能网络模型误差值或参数误差值；
2)一个或多个网络侧预估的误差模型；进一步的所述误差模型包括以下模型之一：位置误差模型，测量误差模型，参数误差模型。
本申请实施例的人工智能网络模型还可以包括：预处理模型信息，用于处理终端定位信号测量信息，包括以下至少之一：
滤波器参数或结构；
卷积层参数或结构；
池化层参数或结构；
离散余弦变换(Discrete Cosine Transform，DCT)变换参数或结构；
小波变换参数或结构；
定位信号测量信息处理方法的参数或结构(如采样、截断、归一化、联立合并等)。
可选的，所述定位信号测量信息包括以下至少之一：
信道冲击响应CIR；
时延功率谱；
参考信号时间差(Reference Signal Time Difference,RSTD)；
往返时延(Round-trip Time,RTT)；
到达角(Angle of Arrival,AoA)；
RSRP；
TOA；
首径的功率；
多径的功率；
首径的时延；
首径的到达时间TOA；
首径的参考信号时间差RSTD；
多径的时延；
多径的TOA；
多径的RSTD；
首径的到达角；
多径的到达角；
首径的天线子载波相位差；
多径的天线子载波相位差；
参考信号波形；
参考信号的相关序列等。
本申请实施例中，所述误差模型信息和/或预处理模型信息可以跟用于优化位置信息的人工智能网络模型相关联发送；每个人工智能网络模型对应一个误差模型信息和/或预处理模型信息。
本申请实施例提供的定位方法，执行主体可以为定位装置。本申请实施例中以定位装置执行定位方法为例，说明本申请实施例提供的定位装置。
请参考图8A，本申请实施例还提供一种定位装置80A，包括：
第一接收模块81A，用于接收第一定位请求信息；
第一确定模块82A，用于根据所述第一定位请求信息，确定和/或发送目标人工智能网络模型和/或目标人工智能网络模型参数，所述目标人工智能网络模型用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息。
在本申请实施例中，根据请求，协商用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息的人工智能网络模型和/或人工智能网络模型参数，以使用协商的人工智能网络模型获得或优化目标终端的定位信号测量信息和/或位置信息，从而减少定位误差，提高定位结果的准确度。
本申请实施例中，可选的，所述第一定位请求信息包括以下至少之一：
第一测量信息；
人工智能网络模型和/或人工智能网络模型参数的标识ID；
人工智能网络模型；
部分或全部人工智能网络模型参数；
人工智能网络模型的复杂度信息；
人工智能网络模型的类型信息；
第一参数信息，所述第一参数信息用于确定人工智能网络模型的输入信息和/或输出信息，或者，用于确定人工智能网络模型的网络结构和/或参数的信息，或者，用于确定上报或反馈的用于定位的信息；
第一指示信息，用于指示是否请求人工智能网络模型和/或人工智能网络模型参数。
本申请实施例中，可选的，所述第一测量信息包括以下至少之一：
目标终端的定位信号测量信息；
目标终端的位置信息；
误差信息，所述误差信息包括以下至少之一：位置误差值、测量误差值、人工智能网络模型误差值或参数误差值。
本申请实施例中，可选的，所述目标终端的定位信号测量信息包括以下至少之一：
定位信号的信道响应信息；
定位信号时间差RSTD测量结果；
往返时延RTT；
到达角AOA测量结果；
出发角AOD测量结果；
定位信号接收功率RSRP。
本申请实施例中，可选的，所述定位信号测量信息关联或包括至少一个视距LOS指示信息，或，包括至少一条路径的定位信号测量信息。
本申请实施例中，可选的，所述LOS指示信息包括以下至少之一：
用于指示是LOS或是非视距NLOS的第一比特；
用于指示为LOS的概率的第二比特；
用于指示为LOS的置信度的第三比特。
本申请实施例中，可选的，所述LOS指示信息包括以下至少之一：
用于指示定位信号测量是LOS或是非视距NLOS的第一比特；
用于指示定位信号测量为LOS的概率的第二比特；
用于指示定位信号测量为LOS的置信度的第三比特。
本申请实施例中，可选的，所述人工智能网络模型参数包括以下至少之一：
人工智能网络模型的结构；
人工智能网络模型每个神经元的乘性系数，加性系数和/或激活函数；
人工智能网络模型的复杂度信息；
人工智能网络模型的预期训练次数；
人工智能网络模型的应用文档；
人工智能网络模型的输入格式；
人工智能网络模型的输出格式。
本申请实施例中，可选的，所述人工智能网络模型的类型信息包括以下至少之一：
全连接模型；
第一类型，所述第一类型为由所述第一通信设备根据人工智能网络模型获得终端的位置信息；
第二类型，所述第二类型为由所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息；
第三类型，所述第三类型为由第二通信设备辅助所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息；
第四类型，所述第四类型为由第二通信设备辅助所述第一通信设备根据人工智能网络模型获得终端的位置信息；
第六类型，所述第六类型为由第一通信设备指示所述第二通信设备根据人工智能网络模型获得终端的位置信息；
第七类型，所述第七类型为由第一通信设备指示所述第二通信设备根据人工智能网络模型获得终端的位置信息；
第八类型，所述第八类型为由所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息和终端的位置信息两者中的其中之一，由第二通信设备根据人工智能网络模型获得终端的定位信号测量信息或终端的位置信息两者中的另一个；
非监督模型或监督模型。
本申请实施例中，可选的，所述定位装置80还包括：
传输模块，用于发送或接收预配置信息，所述预配置信息包括以下至少之一：
一个或多个预配置的人工智能网络模型；
一套或多套预配置的人工智能网络模型参数。
本申请实施例中，可选的，每个预配置的人工智能网络模型或人工智能网络模型参数包括一个ID信息。
本申请实施例中，可选的，所述定位装置80A还包括：
第一发送模块，用于发送至少两个目标人工智能网络模型和/或目标人工智能网络模型参数。
本申请实施例中，可选的，所述第一定位请求信息还包括：
LOS置信度；
第二信息。
本申请实施例中，可选的，所述第二信息包括以下至少之一：
用于确定LOS指示信息的第二人工智能网络模型；
频道冲激响应CIR；
首径的功率；
多径的功率；
首径的时延；
首径的到达时间TOA；
首径的参考信号时间差RSTD；
多径的时延；
多径的TOA；
多径的RSTD；
首径的到达角；
多径的到达角；
首径的天线子载波相位差；
多径的天线子载波相位差；
平均过量时延；
均方根时延拓展；
相干带宽。
本申请实施例中，可选的，所述第一参数信息包括以下至少之一：
CIR的长度；
多径的数目；
CIR的带宽；
信号的频域信息；
时间信息；
相位信息；
角度信息；
能量信息；
基于第三人工智能模型或第三人工智能模型参数处理的CIR信息；
基于第三人工智能模型或第三人工智能模型参数处理的多径信息。
本申请实施例中，可选的，所述第一参数信息还包括以下至少之一：
第三人工智能网络模型结构；
第三人工智能网络模型参数。
本申请实施例中，可选的，所述定位装置80A还包括：
第二发送模块，用于发送第二参数信息，所述第二参数信息包括以下至少之一：
CIR；
第一定位参考信号的多径测量结果；
时间信息；
相位信息；
角度信息；
能量信息；
第二指示信息，所述第二指示信息用于指示是否通过第四人工智能网络模型结构或第四人工智能网络模型参数获取或优化其它第二参数信息，或是否使用目标人工智能网络模型获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息；
第四人工智能网络模型结构；
第四人工智能网络模型参数。
本申请实施例中，可选的，所述第二参数信息根据所述第一参数信息确定。
本申请实施例中，可选的，所述定位装置80A还包括：
上报模块，用于上报能力信息，所述能力信息包括以下至少之一：
是否支持基于所述第一定位请求信息的人工智能网络模型或人工智能网络模型参数；
是否支持多个人工智能网络模型或多套人工智能网络模型参数；
是否支持使用人工智能网络模型或人工智能网络模型参数获得或优化定位信号测量信息和/或位置信息。
本申请实施例中的定位装置可以是电子设备，例如具有操作系统的电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，终端可以包括但不限于上述所列举的终端11的类型，其他设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)等，本申请实施例不作具体限定。
本申请实施例提供的定位装置能够实现图4A的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
请参考图8B，本申请实施例还提供一种定位装置80B，包括：
第一发送模块81B，用于发送第一定位请求信息；
第一接收模块82B，用于接收目标人工智能网络模型和/或目标人工智能网络模型参数，所述目标人工智能网络模型用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息。
在本申请实施例中，根据请求，协商用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息的人工智能网络模型和/或人工智能网络模型参数，以使用协商的人工智能网络模型获得或优化目标终端的定位信号测量信息和/或位置信息，从而减少定位误差，提高定位结果的准确度。
本申请实施例中，可选的，所述第一定位请求信息包括以下至少之一：
第一测量信息；
人工智能网络模型和/或人工智能网络模型参数的标识ID；
人工智能网络模型；
部分或全部人工智能网络模型参数；
人工智能网络模型的复杂度信息；
人工智能网络模型的类型信息；
第一参数信息，所述第一参数信息用于确定人工智能网络模型的输入信息和/或输出信息，或者，用于确定人工智能网络模型的网络结构和/或参数的信息，或者，用于确定上报或反馈的用于定位的信息；
第一指示信息，用于指示是否请求人工智能网络模型和/或人工智能网络模型参数。
本申请实施例中，可选的，所述第一测量信息包括以下至少之一：
目标终端的定位信号测量信息；
目标终端的位置信息；
误差信息，所述误差信息包括以下至少之一：位置误差值、测量误差值、人工智能网络模型误差值或参数误差值。
本申请实施例中，可选的，所述目标终端的定位信号测量信息包括以下至少之一：
定位信号的信道响应信息；
定位信号时间差RSTD测量结果；
往返时延RTT；
到达角AOA测量结果；
出发角AOD测量结果；
定位信号接收功率RSRP。
本申请实施例中，可选的，所述定位信号测量信息关联或包括至少一个视距LOS指示信息，或，包括至少一条路径的定位信号测量信息。
本申请实施例中，可选的，所述LOS指示信息包括以下至少之一：
用于指示是LOS或是非视距NLOS的第一比特；
用于指示为LOS的概率的第二比特；
用于指示为LOS的置信度的第三比特。
本申请实施例中，可选的，所述LOS指示信息包括以下至少之一：
用于指示定位信号测量是LOS或是非视距NLOS的第一比特；
用于指示定位信号测量为LOS的概率的第二比特；
用于指示定位信号测量为LOS的置信度的第三比特。
本申请实施例中，可选的，所述人工智能网络模型参数包括以下至少之一：
人工智能网络模型的结构；
人工智能网络模型每个神经元的乘性系数，加性系数和/或激活函数；
人工智能网络模型的复杂度信息；
人工智能网络模型的预期训练次数；
人工智能网络模型的应用文档；
人工智能网络模型的输入格式；
人工智能网络模型的输出格式。
本申请实施例中，可选的，所述人工智能网络模型的类型信息包括以下至少之一：
全连接模型；
第一类型，所述第一类型为由所述第一通信设备根据人工智能网络模型获得终端的位置信息；
第二类型，所述第二类型为由所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息；
第三类型，所述第三类型为由第二通信设备辅助所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息；
第四类型，所述第四类型为由第二通信设备辅助所述第一通信设备根据人工智能网络模型获得终端的位置信息；
第六类型，所述第六类型为由第一通信设备指示所述第二通信设备根据人工智能网络模型获得终端的位置信息；
第七类型，所述第七类型为由第一通信设备指示所述第二通信设备根据人工智能网络模型获得终端的位置信息；
第八类型，所述第八类型为由所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息和终端的位置信息两者中的其中之一，由第二通信设备根据人工智能网络模型获得终端的定位信号测量信息或终端的位置信息两者中的另一个；
非监督模型或监督模型。
本申请实施例中，可选的，所述第一定位请求信息还包括：
LOS置信度；
第二信息。
本申请实施例中，可选的，所述第二信息包括以下至少之一：
用于确定LOS指示信息的第二人工智能网络模型；
频道冲激响应CIR；
首径的功率；
多径的功率；
首径的时延；
首径的到达时间TOA；
首径的参考信号时间差RSTD；
多径的时延；
多径的TOA；
多径的RSTD；
首径的到达角；
多径的到达角；
首径的天线子载波相位差；
多径的天线子载波相位差；
平均过量时延；
均方根时延拓展；
相干带宽。
本申请实施例中，可选的，所述第一参数信息包括以下至少之一：CIR的长度；
多径的数目；
CIR的带宽；
信号的频域信息；
时间信息；
相位信息；
角度信息；
能量信息；
基于第三人工智能模型或第三人工智能模型参数处理的CIR信息；
基于第三人工智能模型或第三人工智能模型参数处理的多径信息。
本申请实施例中，可选的，所述第一参数信息还包括以下至少之一：
第三人工智能网络模型结构；
第三人工智能网络模型参数。
本申请实施例中，可选的，所述定位装置80B还包括：
第二发送模块，用于发送第二参数信息，所述第二参数信息包括以下至少之一：
CIR；
第一定位参考信号的多径测量结果；
时间信息；
相位信息；
角度信息；
能量信息；
第二指示信息，所述第二指示信息用于指示是否通过第四人工智能网络模型结构或第四人工智能网络模型参数获取或优化其它第二参数信息，或是否使用目标人工智能网络模型获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息；
第四人工智能网络模型结构；
第四人工智能网络模型参数。
本申请实施例中，可选的，所述第二参数信息根据所述第一参数信息确定。
可选的，如图9所示，本申请实施例还提供一种通信设备90，包括处理器91和存储器92，存储器92上存储有可在所述处理器91上运行的程序或指令，该程序或指令被处理器91执行时实现上述定位方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供一种通信设备，包括处理器和通信接口，通信接口用于接收第一定位请求信息；所述处理器用于根据所述第一定位请求信息，确定和/或发送目标人工智能网络模型和/或目标人工智能网络模型参数，所述目标人工智能网络模型用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息。该实施例与上述第一通信设备执行的定位方法实施例对应，上述方法实施例的各个实施过程和实现方式均可适用于该实施例中，且能达到相同的技术效果。
本申请实施例还提供一种通信设备，包括处理器和通信接口，通信接口用于发送第一定位请求信息；接收目标人工智能网络模型和/或目标人工智能网络模型参数，所述目标人工智能网络模型用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息。该实施例与上述第二通信设备执行的定位方法实施例对应，上述方法实施例的各个实施过程和实现方式均可适用于该实施例中，且能达到相同的技术效果。
具体地，图10为实现本申请实施例的一种终端的硬件结构示意图。该终端100包括但不限于：射频单元101、网络模块102、音频输出单元103、输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109以及处理器1010等中的至少部分部件。
本领域技术人员可以理解，终端100还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器1010逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图10中示出的终端结构并不构成对终端的限定，终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
应理解的是，本申请实施例中，输入单元104可以包括图形处理单元(GraphicsProcessing Unit，GPU)1041和麦克风1042，图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元106可包括显示面板1061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板1061。用户输入单元107包括触控面板1071以及其他输入设备1072中的至少一种。触控面板1071，也称为触摸屏。触控面板1071可包括触摸检测装置和触摸控制器两个部分。其他输入设备1072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
本申请实施例中，射频单元101接收来自网络侧设备的下行数据后，可以传输给处理器1010进行处理；另外，射频单元101可以向网络侧设备发送上行数据。通常，射频单元101包括但不限于天线、放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器109可用于存储软件程序或指令以及各种数据。存储器109可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器109可以包括易失性存储器或非易失性存储器，或者，存储器109可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(SynchronousDRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本申请实施例中的存储器109包括但不限于这些和任意其它适合类型的存储器。
处理器1010可包括一个或多个处理单元；可选的，处理器1010集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器1010中。
其中，射频单元101，用于接收第一定位请求信息；
处理器1010，用于根据所述第一定位请求信息，确定和/或发送目标人工智能网络模型和/或目标人工智能网络模型参数，所述目标人工智能网络模型用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息。
在本申请实施例中，终端根据第二通信设备的请求，与第二通信设备协商用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息的人工智能网络模型和/或人工智能网络模型参数，以使用协商的人工智能网络模型获得或优化目标终端的定位信号测量信息和/或位置信息，从而减少定位误差，提高定位结果的准确度。
本申请实施例中，可选的，所述第一定位请求信息包括以下至少之一：
第一测量信息；
人工智能网络模型和/或人工智能网络模型参数的标识ID；
人工智能网络模型；
部分或全部人工智能网络模型参数；
人工智能网络模型的复杂度信息；
人工智能网络模型的类型信息；
第一参数信息，所述第一参数信息用于确定人工智能网络模型的输入信息和/或输出信息，或者，用于确定人工智能网络模型的网络结构和/或参数的信息，或者，用于确定上报或反馈的用于定位的信息；
第一指示信息，用于指示是否请求人工智能网络模型和/或人工智能网络模型参数。
本申请实施例中，可选的，所述第一测量信息包括以下至少之一：
目标终端的定位信号测量信息；
目标终端的位置信息；
误差信息，所述误差信息包括以下至少之一：位置误差值、测量误差值、人工智能网络模型误差值或参数误差值。
本申请实施例中，可选的，所述目标终端的定位信号测量信息包括以下至少之一：
定位信号的信道响应信息；
定位信号时间差RSTD测量结果；
往返时延RTT；
到达角AOA测量结果；
出发角AOD测量结果；
定位信号接收功率RSRP。
本申请实施例中，可选的，所述定位信号测量信息关联或包括至少一个视距LOS指示信息，或，包括至少一条路径的定位信号测量信息。
本申请实施例中，可选的，所述LOS指示信息包括以下至少之一：
用于指示是LOS或是非视距NLOS的第一比特；
用于指示为LOS的概率的第二比特；
用于指示为LOS的置信度的第三比特。
本申请实施例中，可选的，所述LOS指示信息包括以下至少之一：
用于指示定位信号测量是LOS或是非视距NLOS的第一比特；
用于指示定位信号测量为LOS的概率的第二比特；
用于指示定位信号测量为LOS的置信度的第三比特。
本申请实施例中，可选的，所述人工智能网络模型参数包括以下至少之一：
人工智能网络模型的结构；
人工智能网络模型每个神经元的乘性系数，加性系数和/或激活函数；
人工智能网络模型的复杂度信息；
人工智能网络模型的预期训练次数；
人工智能网络模型的应用文档；
人工智能网络模型的输入格式；
人工智能网络模型的输出格式。
本申请实施例中，可选的，所述人工智能网络模型的类型信息包括以下至少之一：
全连接模型；
第一类型，所述第一类型为由所述第一通信设备根据人工智能网络模型获得终端的位置信息；
第二类型，所述第二类型为由所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息；
第三类型，所述第三类型为由第二通信设备辅助所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息；
第四类型，所述第四类型为由第二通信设备辅助所述第一通信设备根据人工智能网络模型获得终端的位置信息；
第六类型，所述第六类型为由第一通信设备指示所述第二通信设备根据人工智能网络模型获得终端的位置信息；
第七类型，所述第七类型为由第一通信设备指示所述第二通信设备根据人工智能网络模型获得终端的位置信息；
第八类型，所述第八类型为由所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息和终端的位置信息两者中的其中之一，由第二通信设备根据人工智能网络模型获得终端的定位信号测量信息或终端的位置信息两者中的另一个；
非监督模型或监督模型。
本申请实施例中，可选的，所述处理器1010还用于发送或接收预配置信息，所述预配置信息包括以下至少之一：
一个或多个预配置的人工智能网络模型；
一套或多套预配置的人工智能网络模型参数。
本申请实施例中，可选的，每个预配置的人工智能网络模型或人工智能网络模型参数包括一个ID信息。
本申请实施例中，可选的，所述处理器1010还用于发送至少两个目标人工智能网络模型和/或目标人工智能网络模型参数。
本申请实施例中，可选的，所述第一定位请求信息还包括：
LOS置信度；
第二信息。
本申请实施例中，可选的，所述第二信息包括以下至少之一：
用于确定LOS指示信息的第二人工智能网络模型；
频道冲激响应CIR；
首径的功率；
多径的功率；
首径的时延；
首径的到达时间TOA；
首径的参考信号时间差RSTD；
多径的时延；
多径的TOA；
多径的RSTD；
首径的到达角；
多径的到达角；
首径的天线子载波相位差；
多径的天线子载波相位差；
平均过量时延；
均方根时延拓展；
相干带宽。
本申请实施例中，可选的，所述第一参数信息包括以下至少之一：
CIR的长度；
多径的数目；
CIR的带宽；
信号的频域信息；
时间信息；
相位信息；
角度信息；
能量信息；
基于第三人工智能模型或第三人工智能模型参数处理的CIR信息；
基于第三人工智能模型或第三人工智能模型参数处理的多径信息。
本申请实施例中，可选的，所述第一参数信息还包括以下至少之一：
第三人工智能网络模型结构；
第三人工智能网络模型参数。
本申请实施例中，可选的，所述处理器1010还用于发送第二参数信息，所述第二参数信息包括以下至少之一：
CIR；
第一定位参考信号的多径测量结果；
时间信息；
相位信息；
角度信息；
能量信息；
第二指示信息，所述第二指示信息用于指示是否通过第四人工智能网络模型结构或第四人工智能网络模型参数获取或优化其它第二参数信息，或是否使用目标人工智能网络模型获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息；
第四人工智能网络模型结构；
第四人工智能网络模型参数。
本申请实施例中，可选的，所述第二参数信息根据所述第一参数信息确定。
本申请实施例中，可选的，所述处理器1010还用于上报能力信息，所述能力信息包括以下至少之一：
是否支持基于所述第一定位请求信息的人工智能网络模型或人工智能网络模型参数；
是否支持多个人工智能网络模型或多套人工智能网络模型参数；
是否支持使用人工智能网络模型或人工智能网络模型参数获得或优化定位信号测量信息和/或位置信息。
或者
所述射频单元101，用于发送第一定位请求信息；接收目标人工智能网络模型和/或目标人工智能网络模型参数，所述目标人工智能网络模型用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息。
本申请实施例中，可选的，所述第一定位请求信息包括以下至少之一：
第一测量信息；
人工智能网络模型和/或人工智能网络模型参数的标识ID；
人工智能网络模型；
部分或全部人工智能网络模型参数；
人工智能网络模型的复杂度信息；
人工智能网络模型的类型信息；
第一参数信息，所述第一参数信息用于确定人工智能网络模型的输入信息和/或输出信息，或者，用于确定人工智能网络模型的网络结构和/或参数的信息，或者，用于确定上报或反馈的用于定位的信息；
第一指示信息，用于指示是否请求人工智能网络模型和/或人工智能网络模型参数。
本申请实施例中，可选的，所述第一测量信息包括以下至少之一：
目标终端的定位信号测量信息；
目标终端的位置信息；
误差信息，所述误差信息包括以下至少之一：位置误差值、测量误差值、人工智能网络模型误差值或参数误差值。
本申请实施例中，可选的，所述目标终端的定位信号测量信息包括以下至少之一：
定位信号的信道响应信息；
定位信号时间差RSTD测量结果；
往返时延RTT；
到达角AOA测量结果；
出发角AOD测量结果；
定位信号接收功率RSRP。
本申请实施例中，可选的，所述定位信号测量信息关联或包括至少一个视距LOS指示信息，或，包括至少一条路径的定位信号测量信息。
本申请实施例中，可选的，所述LOS指示信息包括以下至少之一：
用于指示是LOS或是非视距NLOS的第一比特；
用于指示为LOS的概率的第二比特；
用于指示为LOS的置信度的第三比特。
本申请实施例中，可选的，所述LOS指示信息包括以下至少之一：
用于指示定位信号测量是LOS或是非视距NLOS的第一比特；
用于指示定位信号测量为LOS的概率的第二比特；
用于指示定位信号测量为LOS的置信度的第三比特。
本申请实施例中，可选的，所述人工智能网络模型参数包括以下至少之一：
人工智能网络模型的结构；
人工智能网络模型每个神经元的乘性系数，加性系数和/或激活函数；
人工智能网络模型的复杂度信息；
人工智能网络模型的预期训练次数；
人工智能网络模型的应用文档；
人工智能网络模型的输入格式；
人工智能网络模型的输出格式。
本申请实施例中，可选的，所述人工智能网络模型的类型信息包括以下至少之一：
全连接模型；
第一类型，所述第一类型为由所述第一通信设备根据人工智能网络模型获得终端的位置信息；
第二类型，所述第二类型为由所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息；
第三类型，所述第三类型为由第二通信设备辅助所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息；
第四类型，所述第四类型为由第二通信设备辅助所述第一通信设备根据人工智能网络模型获得终端的位置信息；
第六类型，所述第六类型为由第一通信设备指示所述第二通信设备根据人工智能网络模型获得终端的位置信息；
第七类型，所述第七类型为由第一通信设备指示所述第二通信设备根据人工智能网络模型获得终端的位置信息；
第八类型，所述第八类型为由所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息和终端的位置信息两者中的其中之一，由第二通信设备根据人工智能网络模型获得终端的定位信号测量信息或终端的位置信息两者中的另一个；
非监督模型或监督模型。
本申请实施例中，可选的，所述第一定位请求信息还包括：
LOS置信度；
第二信息。
本申请实施例中，可选的，所述第二信息包括以下至少之一：
用于确定LOS指示信息的第二人工智能网络模型；
频道冲激响应CIR；
首径的功率；
多径的功率；
首径的时延；
首径的到达时间TOA；
首径的参考信号时间差RSTD；
多径的时延；
多径的TOA；
多径的RSTD；
首径的到达角；
多径的到达角；
首径的天线子载波相位差；
多径的天线子载波相位差；
平均过量时延；
均方根时延拓展；
相干带宽。
本申请实施例中，可选的，所述第一参数信息包括以下至少之一：
CIR的长度；
多径的数目；
CIR的带宽；
信号的频域信息；
时间信息；
相位信息；
角度信息；
能量信息；
基于第三人工智能模型或第三人工智能模型参数处理的CIR信息；
基于第三人工智能模型或第三人工智能模型参数处理的多径信息。
本申请实施例中，可选的，所述第一参数信息还包括以下至少之一：
第三人工智能网络模型结构；
第三人工智能网络模型参数。
本申请实施例中，可选的，所述射频单元101，还用于发送第二参数信息，所述第二参数信息包括以下至少之一：
CIR；
第一定位参考信号的多径测量结果；
时间信息；
相位信息；
角度信息；
能量信息；
第二指示信息，所述第二指示信息用于指示是否通过第四人工智能网络模型结构或第四人工智能网络模型参数获取或优化其它第二参数信息，或是否使用目标人工智能网络模型获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息；
第四人工智能网络模型结构；
第四人工智能网络模型参数。
本申请实施例中，可选的，所述第二参数信息根据所述第一参数信息确定。具体地，本申请实施例还提供了一种网络侧设备。如图11所示，该网络侧设备110包括：天线111、射频装置112、基带装置113、处理器114和存储器115。天线111与射频装置112连接。在上行方向上，射频装置112通过天线111接收信息，将接收的信息发送给基带装置113进行处理。在下行方向上，基带装置113对要发送的信息进行处理，并发送给射频装置112，射频装置112对收到的信息进行处理后经过天线111发送出去。
以上实施例中网络侧设备执行的方法可以在基带装置113中实现，该基带装置113包括基带处理器。
基带装置113例如可以包括至少一个基带板，该基带板上设置有多个芯片，如图11所示，其中一个芯片例如为基带处理器，通过总线接口与存储器115连接，以调用存储器115中的程序，执行以上方法实施例中所示的网络设备操作。
该网络侧设备还可以包括网络接口116，该接口例如为通用公共无线接口(commonpublic radio interface，CPRI)。
具体地，本发明实施例的网络侧设备1100还包括：存储在存储器115上并可在处理器114上运行的指令或程序，处理器114调用存储器115中的指令或程序执行图8所示各模块执行的方法，并达到相同的技术效果，为避免重复，故不在此赘述。
具体地，本申请实施例还提供了一种网络侧设备。如图12所示，该网络侧设备120包括：处理器121、网络接口122和存储器123。其中，网络接口122例如为通用公共无线接口(common public radio interface，CPRI)。
具体地，本发明实施例的网络侧设备120还包括：存储在存储器123上并可在处理器121上运行的指令或程序，处理器121调用存储器123中的指令或程序执行图8所示各模块执行的方法，并达到相同的技术效果，为避免重复，故不在此赘述。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片，系统芯片，芯片系统或片上系统芯片等。
本申请实施例另提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在存储介质中，所述计算机程序/程序产品被至少一个处理器执行以实现上述定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (37)

1.一种定位方法，其特征在于，包括：
第一通信设备接收第一定位请求信息；
所述第一通信设备根据所述第一定位请求信息，确定和/或发送目标人工智能网络模型和/或目标人工智能网络模型参数，所述目标人工智能网络模型用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息。
2.根据权利要求1所述的定位方法，其特征在于，所述第一定位请求信息包括以下至少之一：
第一测量信息；
人工智能网络模型和/或人工智能网络模型参数的标识ID；
人工智能网络模型；
部分或全部人工智能网络模型参数；
人工智能网络模型的复杂度信息；
人工智能网络模型的类型信息；
第一参数信息，所述第一参数信息用于确定人工智能网络模型的输入信息和/或输出信息，或者，用于确定人工智能网络模型的网络结构和/或参数的信息，或者，用于确定上报或反馈的用于定位的信息；
第一指示信息，用于指示是否请求人工智能网络模型和/或人工智能网络模型参数。
3.根据权利要求2所述的定位方法，其特征在于，所述第一测量信息包括以下至少之一：
目标终端的定位信号测量信息；
目标终端的位置信息；
误差信息，所述误差信息包括以下至少之一：位置误差值、测量误差值、人工智能网络模型误差值或参数误差值。
4.根据权利要求3所述的定位方法，其特征在于，所述目标终端的定位信号测量信息包括以下至少之一：
定位信号的信道响应信息；
定位信号时间差RSTD测量结果；
往返时延RTT；
到达角AOA测量结果；
出发角AOD测量结果；
定位信号接收功率RSRP。
5.根据权利要求3所述的定位方法，其特征在于，所述定位信号测量信息关联或包括至少一个视距LOS指示信息，或，包括至少一条路径的定位信号测量信息。
6.根据权利要求5所述的定位方法，其特征在于，所述LOS指示信息包括以下至少之一：
用于指示是LOS或是非视距NLOS的第一比特；
用于指示为LOS的概率的第二比特；
用于指示为LOS的置信度的第三比特。
7.根据权利要求6所述的定位方法，其特征在于，所述LOS指示信息包括以下至少之一：
用于指示定位信号测量是LOS或是非视距NLOS的第一比特；
用于指示定位信号测量为LOS的概率的第二比特；
用于指示定位信号测量为LOS的置信度的第三比特。
8.根据权利要求2所述的定位方法，其特征在于，所述人工智能网络模型参数包括以下至少之一：
人工智能网络模型的结构；
人工智能网络模型每个神经元的乘性系数，加性系数和/或激活函数；
人工智能网络模型的复杂度信息；
人工智能网络模型的预期训练次数；
人工智能网络模型的应用文档；
人工智能网络模型的输入格式；
人工智能网络模型的输出格式。
9.根据权利要求2所述的定位方法，其特征在于，所述人工智能网络模型的类型信息包括以下至少之一：
全连接模型；
第一类型，所述第一类型为由所述第一通信设备根据人工智能网络模型获得终端的位置信息；
第二类型，所述第二类型为由所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息；
第三类型，所述第三类型为由第二通信设备辅助所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息；
第四类型，所述第四类型为由第二通信设备辅助所述第一通信设备根据人工智能网络模型获得终端的位置信息；
第六类型，所述第六类型为由第一通信设备指示所述第二通信设备根据人工智能网络模型获得终端的位置信息；
第七类型，所述第七类型为由第一通信设备指示所述第二通信设备根据人工智能网络模型获得终端的位置信息；
第八类型，所述第八类型为由所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息和终端的位置信息两者中的其中之一，由第二通信设备根据人工智能网络模型获得终端的定位信号测量信息或终端的位置信息两者中的另一个；
非监督模型或监督模型。
10.根据权利要求1所述的定位方法，其特征在于，所述第一通信设备根据所述第一定位请求信息，确定和/或发送目标人工智能网络模型和/或目标人工智能网络模型参数，之前还包括：
所述第一通信设备发送或接收预配置信息，所述预配置信息包括以下至少之一：
一个或多个预配置的人工智能网络模型；
一套或多套预配置的人工智能网络模型参数。
11.根据权利要求10所述的定位方法，其特征在于，每个预配置的人工智能网络模型或人工智能网络模型参数包括一个ID信息。
12.根据权利要求1所述的定位方法，其特征在于，所述第一通信设备根据所述第一定位请求信息，确定和/或发送目标人工智能网络模型和/或目标人工智能网络模型参数，还包括：
所述第一通信设备根据所述第一定位请求信息发送至少两个目标人工智能网络模型和/或目标人工智能网络模型参数。
13.根据权利要求2所述的定位方法，其特征在于，所述第一定位请求信息还包括：
LOS置信度；
第二信息。
14.根据权利要求13所述的定位方法，其特征在于，所述第二信息包括以下至少之一：
用于确定LOS指示信息的第二人工智能网络模型；
频道冲激响应CIR；
首径的功率；
多径的功率；
首径的时延；
首径的到达时间TOA；
首径的参考信号时间差RSTD；
多径的时延；
多径的TOA；
多径的RSTD；
首径的到达角；
多径的到达角；
首径的天线子载波相位差；
多径的天线子载波相位差；
平均过量时延；
均方根时延拓展；
相干带宽。
15.根据权利要求2所述的定位方法，其特征在于，所述第一参数信息包括以下至少之一：
CIR的长度；
多径的数目；
CIR的带宽；
信号的频域信息；
时间信息；
相位信息；
角度信息；
能量信息；
基于第三人工智能模型或第三人工智能模型参数处理的CIR信息；
基于第三人工智能模型或第三人工智能模型参数处理的多径信息。
16.根据权利要求15所述的定位方法，其特征在于，所述第一参数信息还包括以下至少之一：
第三人工智能网络模型结构；
第三人工智能网络模型参数。
17.根据权利要求2所述的定位方法，其特征在于，还包括：
所述第一通信网设备发送第二参数信息，所述第二参数信息包括以下至少之一：
CIR；
第一定位参考信号的多径测量结果；
时间信息；
相位信息；
角度信息；
能量信息；
第二指示信息，所述第二指示信息用于指示是否通过第四人工智能网络模型结构或第四人工智能网络模型参数获取或优化其它第二参数信息，或是否使用目标人工智能网络模型获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息；
第四人工智能网络模型结构；
第四人工智能网络模型参数。
18.根据权利要求17所述的定位方法，其特征在于，所述第二参数信息根据所述第一参数信息确定。
19.根据权利要求1所述的定位方法，其特征在于，还包括：
所述第一通信设备上报能力信息，所述能力信息包括以下至少之一：
是否支持基于所述第一定位请求信息的人工智能网络模型或人工智能网络模型参数；
是否支持多个人工智能网络模型或多套人工智能网络模型参数；
是否支持使用人工智能网络模型或人工智能网络模型参数获得或优化定位信号测量信息和/或位置信息。
20.一种定位方法，其特征在于，包括：
第二通信设备发送第一定位请求信息；
所述第二通信设备接收目标人工智能网络模型和/或目标人工智能网络模型参数，所述目标人工智能网络模型用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息。
21.根据权利要求20所述的定位方法，其特征在于，所述第一定位请求信息包括以下至少之一：
第一测量信息；
人工智能网络模型和/或人工智能网络模型参数的ID；
人工智能网络模型；
部分或全部人工智能网络模型参数；
人工智能网络模型的复杂度信息；
人工智能网络模型的类型信息；
第一参数信息，所述第一参数信息用于确定人工智能网络模型的输入信息和/或输出信息，或者，用于确定人工智能网络模型的网络结构和/或参数的信息，或者，用于确定上报或反馈的用于定位的信息；
第一指示信息，用于指示是否请求人工智能网络模型和/或人工智能网络模型参数。
22.根据权利要求21所述的定位方法，其特征在于，所述第一测量信息包括以下至少之一：
目标终端的定位信号测量信息；
目标终端的位置信息；
误差信息，所述误差信息包括以下至少之一：位置误差值、测量误差值、人工智能网络模型误差值或参数误差值。
23.根据权利要求22所述的定位方法，其特征在于，所述目标终端的定位信号测量信息包括以下至少之一：
定位信号的信道响应信息；
定位信号时间差RSTD测量结果；
往返时延RTT；
到达角AOA测量结果；
出发角AOD测量结果；
定位信号接收功率RSRP。
24.根据权利要求22所述的定位方法，其特征在于，所述定位信号测量信息关联或包括至少一个视距LOS指示信息，或，包括至少一条路径的定位信号测量信息。
25.根据权利要求24所述的定位方法，其特征在于，所述LOS指示信息包括以下至少之一：
用于指示是LOS或是非视距NLOS的第一比特；
用于指示为LOS的概率的第二比特；
用于指示为LOS的置信度的第三比特。
26.根据权利要求21所述的定位方法，其特征在于，所述人工智能网络模型参数包括以下至少之一：
人工智能网络模型的结构；
人工智能网络模型每个神经元的乘性系数，加性系数和/或激活函数；
人工智能网络模型的复杂度信息；
人工智能网络模型的预期训练次数；
人工智能网络模型的应用文档；
人工智能网络模型的输入格式；
人工智能网络模型的输出格式。
27.根据权利要求21所述的定位方法，其特征在于，所述人工智能网络模型的类型信息包括以下至少之一：
全连接模型；
第一类型，所述第一类型为由第一通信设备根据人工智能网络模型获得终端的位置信息；
第二类型，所述第二类型为由第一通信设备根据人工智能网络模型获得终端的定位信号测量信息；
第三类型，所述第三类型为由第二通信设备辅助所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息；
第四类型，所述第四类型为由第二通信设备辅助所述第一通信设备根据人工智能网络模型获得终端的位置信息；
第六类型，所述第六类型为由第一通信设备指示所述第二通信设备根据人工智能网络模型获得终端的位置信息；
第七类型，所述第七类型为由第一通信设备指示所述第二通信设备根据人工智能网络模型获得终端的位置信息；
第八类型，所述第八类型为由所述第一通信设备根据人工智能网络模型获得终端的定位信号测量信息和终端的位置信息两者中的其中之一，由第二通信设备根据人工智能网络模型获得终端的定位信号测量信息或终端的位置信息两者中的另一个；
非监督模型或监督模型。
28.根据权利要求21所述的定位方法，其特征在于，所述第一参数信息包括以下至少之一：
CIR的长度；
多径的数目；
CIR的带宽；
信号的频域信息；
时间信息；
相位信息；
角度信息；
能量信息；
基于第三人工智能模型或第三人工智能模型参数处理的CIR信息；
基于第三人工智能模型或第三人工智能模型参数处理的多径信息。
29.根据权利要求28所述的定位方法，其特征在于，所述第一参数信息还包括以下至少之一：
第三人工智能网络模型结构；
第三人工智能网络模型参数。
30.根据权利要求21所述的定位方法，其特征在于，还包括：
所述第二通信网设备接收第二参数信息，所述第二参数信息包括以下至少之一：
CIR；
第一定位参考信号的多径测量结果；
时间信息；
相位信息；
角度信息；
能量信息；
第二指示信息，所述第二指示信息用于指示是否通过第四人工智能网络模型结构或第四人工智能网络模型参数获取或优化其它第二参数信息，或是否使用目标人工智能网络模型获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息；
第四人工智能网络模型结构；
第四人工智能网络模型参数。
31.根据权利要求30所述的定位方法，其特征在于，所述第二参数信息根据所述第一参数信息确定。
32.一种定位装置，其特征在于，包括：
第一接收模块，用于接收第一定位请求信息；
第一确定模块，用于根据所述第一定位请求信息，确定和/或发送目标人工智能网络模型和/或目标人工智能网络模型参数，所述目标人工智能网络模型用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息。
33.根据权利要求32所述的定位装置，其特征在于，所述第一定位请求信息包括以下至少之一：
第一测量信息；
人工智能网络模型和/或人工智能网络模型参数的标识ID；
人工智能网络模型；
部分或全部人工智能网络模型参数；
人工智能网络模型的复杂度信息；
人工智能网络模型的类型信息；
第一参数信息，所述第一参数信息用于确定人工智能网络模型的输入信息和/或输出信息，或者，用于确定人工智能网络模型的网络结构和/或参数的信息，或者，用于确定上报或反馈的用于定位的信息；
第一指示信息，用于指示是否请求人工智能网络模型和/或人工智能网络模型参数。
34.一种定位装置，其特征在于，包括：
第一发送模块，用于发送第一定位请求信息；
第一接收模块，用于接收目标人工智能网络模型和/或目标人工智能网络模型参数，所述目标人工智能网络模型用于获得或优化目标终端的定位信号测量信息和/或目标终端的位置信息。
35.根据权利要求34所述的定位装置，其特征在于，所述第一定位请求信息包括以下至少之一：
第一测量信息；
人工智能网络模型和/或人工智能网络模型参数的ID；
人工智能网络模型；
部分或全部人工智能网络模型参数；
人工智能网络模型的复杂度信息；
人工智能网络模型的类型信息；
第一参数信息，所述第一参数信息用于确定人工智能网络模型的输入信息和/或输出信息，或者，用于确定人工智能网络模型的网络结构和/或参数的信息，或者，用于确定上报或反馈的用于定位的信息；
第一指示信息，用于指示是否请求人工智能网络模型和/或人工智能网络模型参数。
36.一种通信设备，其特征在于，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至19任一项所述的定位方法的步骤，或者，所述程序或指令被所述处理器执行时实现如权利要求20至31任一项所述的定位方法的步骤。
37.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1至19任一项所述的定位方法，或者，所述程序或指令被处理器执行时实现如权利要求20至31任一项所述的定位方法。
CN202111450538.9A 2021-11-30 2021-11-30 定位方法及通信设备 Pending CN116234001A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111450538.9A CN116234001A (zh) 2021-11-30 2021-11-30 定位方法及通信设备
PCT/CN2022/135040 WO2023098662A1 (zh) 2021-11-30 2022-11-29 定位方法及通信设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111450538.9A CN116234001A (zh) 2021-11-30 2021-11-30 定位方法及通信设备

Publications (1)

Publication Number Publication Date
CN116234001A true CN116234001A (zh) 2023-06-06

Family

ID=86582950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111450538.9A Pending CN116234001A (zh) 2021-11-30 2021-11-30 定位方法及通信设备

Country Status (2)

Country Link
CN (1) CN116234001A (zh)
WO (1) WO2023098662A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476096A (zh) * 2020-03-06 2020-07-31 深圳壹账通智能科技有限公司 一种人脸图像关键点方法、装置、计算机设备及存储介质
CN113472830B (zh) * 2020-03-31 2023-03-10 华为技术有限公司 一种通信方法及装置
CN113543305A (zh) * 2020-04-22 2021-10-22 维沃移动通信有限公司 定位方法、通信设备和网络设备
CN111989948B (zh) * 2020-07-17 2023-07-25 北京小米移动软件有限公司 定位测量数据上报方法、装置、终端及存储介质
CN112040394B (zh) * 2020-08-05 2022-06-10 深圳市微能信息科技有限公司 一种基于ai深度学习算法的蓝牙定位方法及系统

Also Published As

Publication number Publication date
WO2023098662A1 (zh) 2023-06-08

Similar Documents

Publication Publication Date Title
WO2023143572A1 (zh) 基于人工智能ai模型的定位方法及通信设备
CN116234001A (zh) 定位方法及通信设备
CN116488747A (zh) 信息交互方法、装置及通信设备
WO2023098661A1 (zh) 定位方法及通信设备
CN116017493A (zh) 模型请求方法、模型请求处理方法及相关设备
WO2023151657A1 (zh) 信息处理方法及通信设备
WO2024008111A1 (zh) 数据采集方法及装置
CN118042399A (zh) 模型监督方法、终端及网络侧设备
WO2023185865A1 (zh) 模型有效性反馈方法、装置、终端及网络侧设备
WO2024067281A1 (zh) Ai模型的处理方法、装置及通信设备
WO2024027576A1 (zh) 一种ai网络模型的性能监督方法、装置和通信设备
WO2023179617A1 (zh) 定位方法、装置、终端及网络侧设备
CN116846493A (zh) 信道预测方法、装置及无线通信设备
WO2023103911A1 (zh) 测量方法、装置、设备及存储介质
WO2023088423A1 (zh) 定位方法、装置、终端及网络侧设备
WO2024083004A1 (zh) Ai模型配置方法、终端及网络侧设备
WO2023125951A1 (zh) 通信模型配置方法、装置和通信设备
CN117255403A (zh) 定位模型的选择方法、终端及网络侧设备
CN116668309A (zh) Ai模型的在线学习方法、装置、通信设备及可读存储介质
CN117560301A (zh) 事件信息传输方法、lmf、接入网设备及终端
CN117896838A (zh) Ai模型推理方法、设备及可读存储介质
CN116418693A (zh) 通信方法、装置及相关设备
CN117639862A (zh) Csi预测处理方法、装置、通信设备及可读存储介质
CN117998295A (zh) 数据标注方法、装置、终端设备及网络侧设备
CN117834427A (zh) 更新ai模型参数的方法、装置及通信设备

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