CN116634358A - 终端定位方法、装置及非易失性存储介质 - Google Patents
终端定位方法、装置及非易失性存储介质 Download PDFInfo
- Publication number
- CN116634358A CN116634358A CN202310688949.4A CN202310688949A CN116634358A CN 116634358 A CN116634358 A CN 116634358A CN 202310688949 A CN202310688949 A CN 202310688949A CN 116634358 A CN116634358 A CN 116634358A
- Authority
- CN
- China
- Prior art keywords
- channel
- arrival time
- sight
- terminal
- sight distance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000007476 Maximum Likelihood Methods 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 127
- 239000013598 vector Substances 0.000 description 21
- 238000013507 mapping Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种终端定位方法、装置及非易失性存储介质。其中,该方法包括:获取终端与多个基站进行通信的第一信道角度时延域信息;基于第一信道角度时延域信息,确定第一信道参数集合,其中,第一信道参数集合中包括预定数量的信道路径分别对应的信道参数;根据第一信道参数集合,采用视距到达时间预测模型,得到终端对应的第一视距到达时间和第一方差值;将多个基站的第一视距到达时间和第一方差值发送至主服务器,用于主服务器基于第一视距到达时间和第一方差值,使用近似最大似然到达时间差算法得到终端的定位结果。本发明考虑了非视距效应严重的场景,解决了相关技术中的终端定位方法存在的算法复杂度高且定位不准确的技术问题。
Description
技术领域
本发明涉及通信技术领域,具体而言,涉及一种终端定位方法、装置及非易失性存储介质。
背景技术
空间位置感知是支持多种移动应用的关键基础技术。近年来,高精度三维定位在学术界和工业界引起了极大的兴趣。但是现有的模型驱动定位方法通常建立在视距传播的假设之上,但在复杂场景中信号传播经常被树木和建筑物阻挡,非视距测量结果严重降低了定位性能。现有的数据驱动方案学习了数据中隐含的先验信息,在复杂的非视距场景中表现出了良好的定位性能。基于学习的方法有望克服非视距效应,但由于对监督数据的依赖度高,以及对不断变化的定位问题缺乏可扩展性和泛化能力,其实际应用受到了限制。另一方面,模型驱动方案固有地具有可扩展性,但不能很好地处理具有严重非视距的情况,定位性能很差。
针对上述相关技术中的终端定位方法存在的算法复杂度高、定位不准确等的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种终端定位方法、装置及非易失性存储介质,以至少解决相关技术中的终端定位方法存在的算法复杂度高且定位不准确的技术问题。
根据本发明实施例的一个方面,提供了一种终端定位方法,包括:获取终端与目标基站进行通信的第一信道角度时延域信息;基于上述第一信道角度时延域信息,确定第一信道参数集合,其中,上述第一信道参数集合中包括预定数量的信道路径分别对应的信道参数;根据上述第一信道参数集合,采用视距到达时间预测模型,得到上述终端对应的第一视距到达时间和第一方差值,其中,上述视距到达时间预测模型是基于上述终端与上述目标基站进行通信的历史信道角度时延域信息,以及上述历史信道角度时延域信息对应的实际视距到达时间进行训练得到的,上述第一方差值用于指示上述第一视距到达时间与对应的实际视距到达时间之间的偏差;将上述第一视距到达时间和上述第一方差值发送至主服务器,用于上述主服务器基于上述第一视距到达时间和上述第一方差值,以及其它视距到达时间和其它方差值,得到上述终端的定位结果,其中,上述其它视距到达时间为其它基站基于对应的上述视距到达时间预测模型得到的,上述其它方差值与上述其它视距到达时间对应,上述其它基站为除上述目标基站之外的基站,上述第一方差值为模型预测得到的第一视距到达时间与对应的实际视距到达时间之间的偏差。
根据本发明实施例的另一方面,还提供了另一种终端定位方法,包括:获取终端与目标基站进行通信的第一视距到达时间和第一方差值,其中,上述第一视距到达时间和上述第一方差值是上述目标基站根据第一信道参数集合,采用视距到达时间预测模型测试得到的,其中,上述第一信道参数集合是上述目标基站基于与上述终端进行通信的第一信道角度时延域信息确定的,上述第一信道参数集合中包括预定数量的信道路径分别对应的信道参数,其中,上述视距到达时间预测模型是基于上述终端与上述目标基站进行通信的历史信道角度时延域信息,以及上述历史信道角度时延域信息对应的实际视距到达时间进行训练得到的;基于上述第一视距到达时间和上述第一方差值,以及其它视距到达时间和其它方差值,得到上述终端的上述定位结果,其中,上述其它视距到达时间为其它基站基于对应的上述视距到达时间预测模型得到的,上述其它方差值与上述其它视距到达时间对应,上述其它基站为除上述目标基站之外的基站,上述第一方差值为模型预测得到的第一视距到达时间与对应的实际视距到达时间之间的偏差。
根据本发明实施例的另一方面,还提供了另一种终端定位方法,包括:目标基站获取与终端进行通信的第一信道角度时延域信息;上述目标基站基于上述第一信道角度时延域信息,确定第一信道参数集合,其中,上述第一信道参数集合中包括预定数量的信道路径分别对应的信道参数;上述目标基站根据上述第一信道参数集合,采用视距到达时间预测模型,得到上述终端对应的第一视距到达时间和第一方差值,其中,上述视距到达时间预测模型是基于上述终端与上述目标基站进行通信的历史信道角度时延域信息,以及上述历史信道角度时延域信息对应的实际视距到达时间进行训练得到的;将上述第一视距到达时间和上述第一方差值发送至主服务器;上述主服务器基于上述第一视距到达时间和上述第一方差值,以及其它视距到达时间和其它方差值,得到上述终端的定位结果,其中,上述其它视距到达时间为其它基站基于对应的上述视距到达时间预测模型得到的,上述其它方差值与上述其它视距到达时间对应,上述其它基站为除上述目标基站之外的基站,上述第一方差值为模型预测得到的第一视距到达时间与对应的实际视距到达时间之间的偏差。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,上述非易失性存储介质存储有多条指令,上述指令适于由处理器加载并执行任意一项上述的终端定位方法。
根据本发明实施例的另一方面,还提供了一种电子设备,包括一个或多个处理器和存储器,上述存储器用于存储一个或多个程序,其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现任意一项上述的终端定位方法。
在本发明实施例中,通过获取终端与目标基站进行通信的第一信道角度时延域信息;基于上述第一信道角度时延域信息,确定第一信道参数集合,其中,上述第一信道参数集合中包括预定数量的信道路径分别对应的信道参数;根据上述第一信道参数集合,采用视距到达时间预测模型,得到上述终端对应的第一视距到达时间和第一方差值,其中,上述视距到达时间预测模型是基于上述终端与上述目标基站进行通信的历史信道角度时延域信息,以及上述历史信道角度时延域信息对应的实际视距到达时间进行训练得到的,上述第一方差值用于指示上述第一视距到达时间与对应的实际视距到达时间之间的偏差;将上述第一视距到达时间和上述第一方差值发送至主服务器,用于上述主服务器基于上述第一视距到达时间和上述第一方差值,以及其它视距到达时间和其它方差值,得到上述终端的定位结果,其中,上述其它视距到达时间为其它基站基于对应的上述视距到达时间预测模型得到的,上述其它方差值与上述其它视距到达时间对应,上述其它基站为除上述目标基站之外的基站,上述第一方差值为模型预测得到的第一视距到达时间与对应的实际视距到达时间之间的偏差,达到了将低终端定位算法复杂度,提升终端定位准确性的目的,从而实现了通过模型预测的方式进行视距达到时间与方差值的确定,实现对终端的准确定位的技术效果,进而解决了相关技术中的终端定位方法存在的算法复杂度高且定位不准确的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种终端定位方法的示意图;
图2是根据本发明实施例的一种可选的转换器模型的结构和连接关系示意图;
图3是根据本发明实施例的一种可选的终端定位方法的流程图;
图4是根据本发明实施例的一种可选的终端定位方法的流程图;
图5是根据本发明实施例的一种可选的终端定位方法的流程图;
图6是根据本发明实施例的一种终端定位装置的结构示意图;
图7是根据本发明实施例的另一种终端定位装置的结构示意图;
图8是根据本发明实施例的另一种终端定位装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明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。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,为方便理解本发明实施例,下面将对本发明中所涉及的部分术语或名词进行解释说明:
NLoS(Non-line-of-sight,非视距),指在无线通信中,由于阻挡、反射等原因,在传输路径上存在遮挡物而导致的信号不能直接到达目标设备的情况。
LoS(Line-of-sight,视距),指在无线通信中,信号传输路径上不存在障碍物,可以直接到达目标设备的情况。
AML TDoA,基于近似最大似然(Approximate Maximum Likelihood,AML)到达时间差算法实现的定位技术。该技术利用多个基站的到达时间差,基于近似最大似然算法来对目标进行位置定位,并能够在目标移动时处理其变化的速度和方向。这种技术比传统卫星导航系统更具灵活性和适应性。
空间位置感知是支持多种移动应用的关键基础技术。近年来,高精度三维定位在学术界和工业界引起了极大的兴趣。在毫米波多输入多输出网络中,基于信道角度时延域信息的协同定位具有广阔的应用价值。定位技术可以分为模型驱动和数据驱动两种类型。模型驱动方法(如AML TDoA算法)固有地具有可扩展性,通常建立在视距假设之上,但受室外场景下严重的非视距效应影响,其定位精度会严重降低。现有基于信道角度时延域信息(即Channel State Information,CSI指纹)的数据驱动方法可以更好地利用数据中隐含的环境先验信息,不需要任何视距假设,但对标记数据依赖度很高,且其端到端的设计方案缺乏可扩展性。
信道角度时延域信息,指在无线通信系统中,通过测量电磁波传播的时间和角度信息来获取的频率响应特性。它可以描述信号在不同时间和角度上的衰减与相位变化情况,是评估无线通信质量的重要参数之一。通过对信道角度时延域信息进行分析,可以优化天线设计、调整传输协议、提高网络容量等,从而提高无线通信系统的性能表现。
毫米波无线通信在农村和城市场景中通常具有多路径传播的特点,这是与静止障碍物(山丘、建筑物、塔)和移动物体(汽车、行人)的相互作用(反射、衍射、透射、散射)造成的。上行毫米波信道冲击响应H被建模为视距信道(即LoS信道)和非视距信道(即NLoS信道)的组合,即:
H=HLoS+HNLoS
其中,视距信道HLoS只有一条直达径,而非视距信道HNLoS是由多个(即Ncl个)主要簇组成,每个簇都由Nray条射线组成。因此,在天线时延域中的宽带信道矩阵HLoS和HNLoS分别描述为:
其中,αLoS表示视距信道对应的复信道增益,ψr表示基站对应的阵列响应,φr,LoS表示视距信道中基站对应的方位角,θr,LoS表示视距信道中基站对应的俯仰角,表示终端对应的阵列响应,φt,LoS表示视距信道中终端对应的方位角,θt,LoS表示视距信道中终端对应的俯仰角,τ表示基站与终端进行通信的实际到达时间,τLoS表示基站与终端进行通信的视距到达时间,Δ()表示求差值;Ncl表示终端与基站进行通信时簇的个数,Nray表示终端与基站进行通信时每个簇对应的射线数量;αm,n表示非视距信道中第m个簇中第n条射线对应的复信道增益,φr,m,n表示基站在非视距信道中第m个簇中第n条射线的方位角,θr,m,n表示基站在非视距信道中第m个簇中第n条射线的俯仰角,φt,m,n表示终端在非视距信道中第m个簇中第n条射线的方位角,θt,m,n表示终端在非视距信道中第m个簇中第n条射线的俯仰角,τm,n表示非视距信道中第m个簇中第n条射线对应的非视距到达时间。其中,基站作为接收机,终端作为发射机,ψ是阵列响应。任意一个簇m中的射线紧密分布在簇中心周围,角度为{φr,m,θr,m,φt,m,θt,m},达到时间为τm。不同簇是可分离的;但由于毫米波系统的角度-时延分辨率有限,簇中的射线通常无法区分。显然,对于目标基站i,视距到达时间τLOS,i=ri/c,其中c是光速,ri为目标基站i与终端之间的实际信号传输距离,并且目标基站i的视距到达时间小于非视距通道中任意一个簇对应的非视距到达时间,通过公式表示为:/>特别地,视距对应的非视距增益αLoS=0表明视距传输被阻断了。
相关技术中宽带多进多出MIMO信道可以用一个非视距信道参数集合(即),和一个视距信道参数集合(即{αLoS,φLoS,θLoS,φLoS,θLoS,τLoS})描述。但是受到数据采集精度等因素的影响,以上两个信道参数集合中的数据并无法完全精确获得,具体理由如下:终端的天线尺寸通常比基站侧的天线尺寸小得多,因此终端侧的方位角φt和俯仰角θt很难获得。接收到的毫米波信号的能量主要集中在视距径和几个镜面反射簇上。视距是时延域的第一条路径。但是,基站接收到来自终端请求的第一条路径不一定是视距LoS,因为视距可能被阻挡,这对于基站来说是未知的。路径幅度,即复信道增益的模长|α|,与空间先验高度相关,反映了该路径的重要性,而路径相位∠α通常表现为均匀随机变量,与空间先验相关性较低。
现有的可对抗非视距效应的技术及其问题如下:1)基于残差的方法:当只有少数测量值受非视距效应破坏且测量值数量足够时,它是有效的,并且不需要额外的先验信息。但在密集的城市等恶劣环境中,非视距成分占主要,而且测量数量有限。2)约束优化方法:利用了优化技术和关于未知坐标或非视距误差的几何约束。然而优化方法计算复杂度高,实际应用受到了限制。3)同步定位和映射(SLAM,Simultaneous Localization AndMapping):使用移动体学习环境地图,同时在地图中定位该移动体的技术。在室内场景中,将信号反射体视为虚拟发射机,信道脉冲响应的多径分量也可以用于SLAM。这种技术在简单的场景中效果很好,但很难用于有大量不规则散射体的复杂场景。4)非视距误差减轻和非视距链路识别:使用了关于非视距的显式模型驱动先验,但先验通常是非平凡的,并且是用专家知识特殊设计的。此外,毫米波信号的角度、功率和时延分布等先验信息通常隐含在特定场景中,而模型驱动方法不能充分利用先验信息。5)深度学习方法:通过收集单个或多个接收器的无线信号(如WiFi、射频识别和超宽带)来建立指纹数据集,并从数据集中学习无线信号到终端坐标的映射。然而其缺乏可扩展性,考虑一个测量值组合不断变化的系统级场景,为每一种组合都设计一个推断模型是不实际的。
综上可以看出,现有的模型驱动定位方法通常建立在视距传播的假设之上,但在复杂场景中信号传播经常被树木和建筑物阻挡,非视距测量结果严重降低了定位性能。现有的数据驱动方案学习了数据中隐含的先验信息,在复杂的非视距场景中表现出了良好的定位性能。基于学习的方法有望克服非视距效应,但由于对监督数据的依赖度高,以及对不断变化的定位问题缺乏可扩展性和泛化能力,其实际应用受到了限制。另一方面,模型驱动方案固有地具有可扩展性,但不能很好地处理具有严重非视距的情况,定位性能很差。
根据本发明实施例,提供了一种终端定位的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的终端定位方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取终端与目标基站进行通信的第一信道角度时延域信息。
可选的,本发明实施例应用于由N个基站BS组成的毫米波MIMO通信网络,这些基站BS通过前传链路连接到一个主服务器CU。假设基站BS的时钟都是同步的,每个基站BS都配备一个大规模平面天线阵列。上述目标基站为与终端进行通信的多个基站中的任意一个基站。在终端与目标基站进行通信的过程中,目标基站侧能够实时监测到对应的信道角度时延域信息(即CSI指纹)。
步骤S104,基于上述第一信道角度时延域信息,确定第一信道参数集合,其中,上述第一信道参数集合中包括预定数量的信道路径分别对应的信道参数。
可选的,信道路径对应的信道参数至少包括:信道路径对应的路径幅度、基站侧到达方位角、基站侧到达俯仰角、路径到达时间。上述预定数量的信道路径是基于预定信道参数,采用信道参数估计方法从终端与目标基站进行通信的非视距信道中包括的多个簇中确定出来的。
可选的,确定第一信道角度时延域信息对应的上行信道矩阵,基于第一信道角度时延域信息对应的上行信道矩阵,确定第一信道参数集合。
通过以上方式,采用信道参数估计技术,从第一信道角度时延域信息中确定出包括有路径幅度、基站侧到达方位角、基站侧到达俯仰角、路径到达时间的信道参数,构成能够获取到准确参数值的第一信道参数集合,不仅能够降低数据维度,同时为后续的模型预测以及终端定位提供更加高质量的数据基础。
在一种可选的实施例中,上述基于上述第一信道角度时延域信息,确定第一信道参数集合,包括:基于上述第一信道角度时延域信息,确定上述终端与上述目标基站进行通信的非视距信道对应的多个簇,以及上述多个簇分别对应的信道参数序列,其中,上述多个簇分别对应的信道参数序列包括预定信道参数,以及除上述预定信道参数之外的其他信道参数;基于上述多个簇分别对应的信道参数序列中的上述预定信道参数,从上述多个簇中确定出上述预定数量的簇作为上述预定数量的信道路径,以及从上述多个簇分别对应的信道参数序列中,确定上述预定数量的信道路径分别对应的信道参数序列;根据上述预定数量的信道路径分别对应的信道参数序列,得到上述第一信道参数集合。
可选的,上述预定信道参数可以但不限于为路径到达时间,上述其他信道参数至少包括:信道路径对应的路径幅度、基站侧到达方位角和基站侧到达俯仰角。
可选的,上述预定数量的信道路径是从终端与目标基站进行通信的非数据信道包括的多个簇中确定出来的。可以理解,在信号实际传输的过程中,由于障碍物等因素的影响,会产生多个簇,每个簇由若干条射线组成,射线信号强度通常较弱且不易步骤,因此不根据射线进行路径确定。并且,同一非视距信道对应的多个簇信号强弱也会存在一定的差异,基于此,通过预定信道参数(如路径到达时间)作为筛选条件,从多个簇中确定出预定数量的信道路径,每一个信道路径均对应于一个包括有路径幅度、基站侧到达方位角、基站侧到达俯仰角、路径到达时间的信道参数序列,基于这些信道参数序列构建的第一信道参数集合不仅考虑了参数的可获取性和可靠性,降低了数据维度,同时考虑了路径信号的强度因素,数据质量较高。例如,使用信道参数估计技术,实际系统能获得的信道参数集合为其中Fm={gm,φr,m,θr,m,τm}为任意一个信道路径对应的信道参数序列,gm=|αm|(即路径幅度)。且Np≤Ncl。另外,/>按照对应的元素/>升序排列,即τm<τm+1,m∈{1,…,Np-1}。
在一种可选的实施例中,上述基于上述多个簇分别对应的信道参数序列中的上述预定信道参数,从上述多个簇中确定出上述预定数量的簇作为上述预定数量的信道路径,以及从上述多个簇分别对应的信道参数序列中,确定上述预定数量的信道路径分别对应的信道参数序列,包括:在上述多个簇的数量大于或等于上述预定数量的情况下,按照上述预定信道参数对上述多个簇分别对应的信道参数序列进行降序排序处理,得到排序后的多个簇分别对应的信道参数序列;将上述排序后的多个簇分别对应的信道参数序列中,排在前面的上述预定数量的簇作为上述预定数量的信道路径,以及将排在前面的上述预定数量的簇分别对应的信道参数序列,得到上述预定数量的信道路径分别对应的信道参数序列。
可选的,在非视距信道包括的多个簇的数量大于预定数量的情况下,需要从多个簇中筛选出预定数量的非视距信道,具体是从多个簇中筛选出预定信道参数(路径到达时间)较大的预定数量的簇作为预定数量的信道路径。
在一种可选的实施例中,上述基于上述多个簇分别对应的信道参数序列中的上述预定信道参数,从上述多个簇分别对应的信道参数序列中,确定上述预定数量的信道路径分别对应的信道参数序列,包括:计算上述预定数量和上述多个簇的数量之间的数量差值,得到第二数量;获取上述第二数量的零序列;将上述多个簇分别对应的信道参数序列,以及上述第二数量的零序列,作为上述预定数量的信道路径分别对应的信道参数序列。
可选的,第一信道参数集合中包括的信道参数序列的数量是固定的,均为预定数量的信道参数。在非视距信道包括的多个簇的数量小于预定数量的情况下,按照预定信道参数对多个簇分别对应的信道参数序列进行升序排列,对于缺失的位置则进行补零处理,由此保证第一信道参数集合中包括的序列个数的一致性。
步骤S106,根据上述第一信道参数集合,采用视距到达时间预测模型,得到上述终端对应的第一视距到达时间和第一方差值,其中,上述视距到达时间预测模型是基于上述终端与上述目标基站进行通信的历史信道角度时延域信息,以及上述历史信道角度时延域信息对应的实际视距到达时间进行训练得到的。
可选的,在获取到第一信道参数集合后,通过预先训练好的视距到达时间预测模型进行预测,即可预测出终端与目标基站进行通信时的视距到达时间(即第一视距到达时间),以及模型输出的第一方差值。模型输出的第一方差值和第一视距到达时间之间存在一定的映射关系,上述映射关系是通过模型训练得到的,上述第一方差值可以理解为模型预测得到的第一视距到达时间与对应的实际视距到达时间之间的偏差。获取到的第一视距到达时间与第一方差值发送至主服务器,用于后续终端定位。
在一种可选的实施例中,在上述根据上述第一信道参数集合,采用视距到达时间预测模型,得到上述终端对应的第一视距到达时间和第一方差值之前,上述方法还包括:获取上述终端与上述目标基站进行通信的上述历史信道角度时延域信息,以及上述历史信道角度时延域信息对应的实际视距到达时间;基于上述历史信道角度时延域信息,确定历史信道参数集合;基于上述历史信道参数集合,上述历史信道角度时延域信息对应的实际视距到达时间,采用小批量梯度下降算法对原始转换器模型进行训练,得到上述视距到达时间预测模型。
可选的,上述视距到达时间预测模型是基于终端与上述目标基站进行通信的历史信道角度时延域信息,对历史信道角度时延域信息进行处理得到历史信道参数集合,基于历史信道参数集合以及对应的实际视距到达时间进行训练得到的。上述历史信道参数集合中包括的信道参数序列的数量与第一信道参数一致,具体的获取过程与上述第一信道参数集合的获取过程相同,此处不再赘述。
可以理解,训练好的视距到达时间预测模型能够学习到信道参数与视距到达时间之间的关系。在后续应用的过程中,将获取到的信道参数输入至预先训练好的视距到达时间预测模型,即可快速预测出对应的视距到达时间,由此简化模型训练过程。并且,由于第一信道参数集合中包括的信道参数均是可以准确获取到的,使得模型输入数据的质量得到保证,基于高质量的输入数据得到的预测结果,可靠性更高。
在一种可选的实施例中,上述采用小批量梯度下降算法对原始转换器模型进行训练,得到上述视距到达时间预测模型,包括:确定训练目标为:
其中,Θg,i表示模型训练参数集,g表示上述模型训练参数集与上述历史信道参数集合之间的映射关系,i表示上述目标基站i,fi表示上述历史信道参数集合,τLoS,i表示上述目标基站i对应的上述历史视距到达时间,ri表示上述目标基站i与上述终端之间的实际距离,c表示光速,为第二方差值,上述第二方差值为上述历史信道角度时延域信息对应的预测视距到达时间与实际视距到达时间之间的偏差,其中,/>即目标基站i与终端之间的实际距离、第二方差值与模型输入(历史信道参数集合)、模型训练参数集合之间存在一定的映射关系;基于上述训练目标,对上述原始转换器模型进行训练,得到上述视距到达时间预测模型。
可选的,设目标基站i和终端MU的三维坐标分别记为si=[xi,yi,zi]T,s=[x,y,z]T。终端MU和基站i间的真实距离是ri=||s-si||2。
可选的,上述训练目标是基于最大似然ML函数思想构建的。具体地,考虑目标基站i,假设视距到达时间τLoS,i是一个时变高斯随机变量,也是一个关于空间的确定性变量。此外,认为几何环境与毫米波在目标基站i附近的传播之间存在一种隐式的映射关系。因此,采用最大似然ML函数构建模型训练目标。
可以理解,对于一阶统计量,即视距到达时间τLoS,i,在训练数据集中被标记,可以直接被映射g学习。对于二阶统计量,即视距到达时间的方差,在训练数据集中没有标记,从标记的一阶统计量中间接学习。通过提出的训练目标,映射g可以实现视距到达时间的概率推断,减少非视距因素的影响,提高后续的终端定位性能。需要说明的是,在接收到终端发送的请求时,所有基站在进行视距到达时间预测时采用的数据收集与处理方式相同,但对应的参数集合不同。
可选的,上述原始转换器模型(即原始Transformer模型)的输入端和输出端之间引入残差连接,原始转换器模型是一个依靠自注意来计算其输入和输出表示的转换器模型。自注意是一种将单个序列的不同位置联系起来计算序列表示的注意机制。例如,考虑基于第一信道角度时延域信息(即CSI)指纹获取到的第一信道参数集合fi,第m列[|αm|,φr,m,θr,m,τm]T是一个信道参数序列,Np是第一信道参数集合中信道参数序列的个数(与信道路径的数量相同)。基于转换器模型作为初始模型,以更精确获得不同信道参数序列(路径)内部和之间的先验分布,并提高视距到达时间和对应方差值的预测结果可靠性。同时,通过上述原始转换器模型的输入端和输出端之间引入残差连接的设置,可以简化训练问题,不仅能够减少对数据的依赖度,同时提升训练拟合效果。
可选的,图2是根据本发明实施例的一种可选的转换器模型的结构和连接关系示意图,如图2所示,该原始转换器模型中由多个线性投影(LP)网络、层正则化(LN)网络、降维(Reduction)网络、Softmax网络、非线性激活函数、自注意力(Attention)网络、扩展前向模块(EFB)网络、残差连接(RC)网络,其中:
对于线性投影(LP)网络:它将输入向量a1∈RM×1线性投影到RM′×1中的嵌入空间。用可学习权重矩阵Wp∈RM′×M和偏差向量b∈RM′×1表示嵌入如下所示:
其中,上标(·)表示输出标识,表示线性投影网络的输出向量。在图2中,第一层作为嵌入层,将输入线性投影到一个嵌入大小为Nem的高维空间。
对于层正则化(LN)网络:输入向量为a2,正则化输出向量为:
其中,μ2和σ2 2分别表示输入向量a2的期望和方差,为了保证数值稳定性,分母上增加了一个小常数ò。LN操作通过将数据归一化为标准正态分布来加速训练。
对于降维(Reduction)网络:考虑输入矩阵A∈RM′×M,输出向量是A中所有列的均值,即:
对于Softmax网络:对于输入向量a4,输出向量按如下方式进行概率归一化:
其中,aj表示输入向量a4中的第j个元素。
对于非线性激活函数:有两种非线性激活函数,即整流线性单元(RELU)和高斯误差线性单元(GELU)。输入标量a5时,RELU和GELU的输出标量分别为:
其中,erf是高斯误差函数,表示非线性激活函数的输出向量。
对于注意力(Attention)网络:注意力函数可以描述为将询问和一组键-值对映射到输出,其中询问、键、值和输出都是向量。输出是按值的加权和计算的,其中分配给每个值的权重是通过询问与相应键的兼容性函数计算的。考虑输入矩阵A∈RM′×M,询问、键、值向量为:
Q=WqA
K=WkA
V=WvA
其中Wq,Wk,Wv分别是相应的可训练线性变换矩阵,Wq和Wk都属于其中Nd是键矩阵的特征维度,Wv∈RM×M。缩放后点积注意的结果是:
对于扩展前向模块(EFB)网络:对于输入向量a6∈RM×1,首先它将输入线性投影到中的展开空间,其中Ne是展开整数。然后,经过非线性映射RELU,将展开向量重新投影到原空间。此过程表示为:
a′1=Wp,1a6+b1
a'2=relu(a'1)
其中,和/>是可训练矩阵,b1和b2是对应的偏差,/>为扩展前向模块(EFB)的输出向量,a′1、a′2为计算向量/>的过程中的中间向量。
对于残差连接(RC)网络:它是通过引入一个恒等映射来解决深度网络中的训练损失退化问题。输入可以是标量、向量或矩阵。我们以输入向量a7为例,输出向量为:
其中,h是一个映射,其输出与输入具有相同的形状。特别地,只有输入的一些元素连接到输出的一些元素,因此残差连接RC是局部的。图2中,残差连接RC操作表示为此外,原始转换器模型中还有一个用虚线表示的残差连接RC连接,给出为:
ri=h(fi)+cτ1,i
其中,i是基站BS的索引,并且τ1,i是原始转换器模型输入参数之一,即f[4,1]。τ1,i可能是视距到达时间,也可能是非视距到达时间。因此,通过模型训练让原始转换器模型学会判断τ1,i是否是视距到达时间,如果不是,则产生合适的偏置h(fi)来纠正第一个路径与视距之间的间隙。由于h只学习了视距与第一个路径的差值,而不是视距到达时间,因此我们认为:与没有在输入端与输出端之间引入残差连接RC的情况相比,为了获得相同的拟合精度,h的计算和存储复杂度大大降低,所需的训练数据也更少。
步骤S108,将上述第一视距到达时间和上述第一方差值发送至主服务器,用于上述主服务器基于上述第一视距到达时间和上述第一方差值,以及其它视距到达时间和其它方差值,得到上述终端的定位结果,其中,上述其它视距到达时间为其它基站基于对应的上述视距到达时间预测模型得到的,上述其它方差值与上述其它视距到达时间对应,上述其它基站为除上述目标基站之外的基站,上述第一方差值为模型预测得到的第一视距到达时间与对应的实际视距到达时间之间的偏差。
可选的,上述主服务器基于上述第一视距到达时间和上述第一方差值,以及其它视距到达时间和其它方差值,采用AML TDoA定位算法得到上述终端的定位结果。
可选的,终端发送请求后,会与多个基站建立通信,主服务器与多个基站之间建立连接,在多个基站基于对应的信道参数集合预测得到各自对应的视距到达时间和方差值之后,分别将各自的视距到达时间和方差值发送至主服务器,主服务器接收到后基于多个基站分别对应的视距到达时间和第一方差值,采用AML TDoA定位算法确定终端的位置。
通过上述步骤S102至步骤S108,可以达到将低终端定位算法复杂度,提升终端定位准确性的目的,从而实现通过模型预测的方式进行视距达到时间与方差值的确定,实现对终端的准确定位的技术效果,进而解决相关技术中的终端定位方法存在的算法复杂度高且定位不准确的技术问题。
需要说明的是,上述步骤S102至步骤S108的执行主体为目标基站,即与终端进行通信的多个基站中的任意一个基站,采用分布式的方式,通过各基站分别部署预先训练好的视距到达时间预测模型,基于各自检测到的信道角度时延域信息通过模型预测的方式进行视距到达时间的确定,提高预测效率的同时,提升各基站视距到达时间预测的实时性。
基于上述实施例和可选实施例,本发明提出一种可选实施方式,图3是根据本发明实施例的一种可选的终端定位方法的流程图,如图3所示,从收发机天线-时延域的信道矩阵Hi到信道参数空间的第一信道参数集合fi的变换近似等价。这种预处理的动机有两方面:降低数据维数,获得对不同收发天线数量的可扩展性。提取的信道路径数随时间空间不断变化。固定信道路径的数量为预定数量Np,通过对应复信道增益的模长(即路径幅度|α|)选择主要的Np条信道径,基于预定信道参数对Np条信道路径分别对应的信道参数序列进行升序排列,得到第一信道参数集合fi,如果路径数不足则设置为零。本发明实施例主要通过两个步骤完成:分布式数据驱动的LoS推断和集中式模型驱动的TDoA定位。在第一步中,任意一个基站i(即目标基站)内置一个视距LoS推断模块,使用上行信道矩阵Hi(i=1,2,…,N;对应于终端与任意一个基站i之间进行通信的第一心道状态信息确定的)得到的第一信道参数集合fi,基于第一信道参数集合fi,采用预先构建好的视距到达时间预测模型,估计视距LoS的ToA统计量(即第一视距到达时间和对应的第一方差值,ri,σi 2)。该步骤由N个基站BS分布式同时执行。在第二步中,主服务器CU采用AML TDoA定位算法,用收集到的N个基站分别对应的ri,σi 2构成统计数据集估计终端MU的坐标。通过以上方式,利用基于模型的先验知识提高了数据驱动方案的可扩展性,同时降低了数据驱动方案的数据依赖性;同时,通过数据学习提升了非视距场景下的定位准确性。
根据本发明实施例,还提供了另一种终端定位方法,图4是根据本发明实施例的一种可选的终端定位方法的流程图,如图4所示,该方法包括:
步骤S402,获取终端与目标基站进行通信的第一视距到达时间和第一方差值,其中,上述第一视距到达时间和上述第一方差值是上述目标基站根据第一信道参数集合,采用视距到达时间预测模型测试得到的,其中,上述第一信道参数集合是上述目标基站基于与上述终端进行通信的第一信道角度时延域信息确定的,上述第一信道参数集合中包括预定数量的信道路径分别对应的信道参数,其中,上述视距到达时间预测模型是基于上述终端与上述目标基站进行通信的历史信道角度时延域信息,以及上述历史信道角度时延域信息对应的实际视距到达时间进行训练得到的;
步骤S404,基于上述第一视距到达时间和上述第一方差值,以及其它视距到达时间和其它方差值,得到上述终端的上述定位结果,其中,上述其它视距到达时间为其它基站基于对应的上述视距到达时间预测模型得到的,上述其它方差值与上述其它视距到达时间对应,上述其它基站为除上述目标基站之外的基站,上述第一方差值为模型预测得到的第一视距到达时间与对应的实际视距到达时间之间的偏差。
可选的,主服务器接收各基站预测得到的视距到达时间,以及视距到达时间的方差值,并基于各基站分别发送过来的各基站预测得到的视距到达时间,以及视距到达时间的方差值,采用AMLTDoA定位算法进行终端定位。
上述步骤S402至步骤S404的执行主体为主服务器,通过上述步骤S102至步骤S108,可以达到将低终端定位算法复杂度,提升终端定位准确性的目的,从而实现通过模型预测的方式进行视距达到时间与方差值的确定,实现对终端的准确定位的技术效果,进而解决相关技术中的终端定位方法存在的算法复杂度高且定位不准确的技术问题。
根据本发明实施例,还提供了另一种终端定位方法,图5是根据本发明实施例的一种可选的终端定位方法的流程图,如图5所示,该方法包括:
步骤S502,目标基站获取与终端进行通信的第一信道角度时延域信息;
步骤S504,上述目标基站基于上述第一信道角度时延域信息,确定第一信道参数集合,其中,上述第一信道参数集合中包括预定数量的信道路径分别对应的信道参数;
步骤S506,上述目标基站根据上述第一信道参数集合,采用视距到达时间预测模型,得到上述终端对应的第一视距到达时间和第一方差值,其中,上述视距到达时间预测模型是基于上述终端与上述目标基站进行通信的历史信道角度时延域信息,以及上述历史信道角度时延域信息对应的实际视距到达时间进行训练得到的;将上述第一视距到达时间和上述第一方差值发送至主服务器;
步骤S508,上述主服务器基于上述第一视距到达时间和上述第一方差值,以及其它视距到达时间和其它方差值,得到上述终端的定位结果,其中,上述其它视距到达时间为其它基站基于对应的上述视距到达时间预测模型得到的,上述其它方差值与上述其它视距到达时间对应,上述其它基站为除上述目标基站之外的基站,上述第一方差值为模型预测得到的第一视距到达时间与对应的实际视距到达时间之间的偏差。
可选的,上述步骤S502至步骤S508的执行主体为目标基站(即多个基站中的每一个基站)和主服务器,多个基站(包括目标基站和其他基站)之间采用分布式处理方式,多个基站中分别部署有视距到达时间预测模型。即过个基站分别获取与终端进行通信的信道角度时延域信息,多个基站分别基于各自获取到的信道角度时延域信息确定各自对应的信道参数集合,并基于各自部署的视距到达时间预测模型进行视距到达时间和方差值的预测。多个基站分别将对应的视距到达时间和方差值发送至主服务器,主服务器在接收到各基站发送过来的数据后,基于多个基站分别对应的视距到达时间和方差值,采用AML TDoA定位算法进行终端定位。通过上述步骤S502至步骤S508,可以达到将低终端定位算法复杂度,提升终端定位准确性的目的,从而实现通过模型预测的方式进行视距达到时间与方差值的确定,实现对终端的准确定位的技术效果,进而解决相关技术中的终端定位方法存在的算法复杂度高且定位不准确的技术问题。
在本实施例中还提供了一种终端定位装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”“装置”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
根据本发明实施例,还提供了另一种用于实施上述终端定位方法的装置实施例,图6是根据本发明实施例的一种终端定位装置的结构示意图,如图6所示,上述终端定位装置,包括:第一获取模块600、第一确定模块602、第一预测模块604、第一发送模块606,其中:
上述第一获取模块600,用于获取终端与目标基站进行通信的第一信道角度时延域信息;
上述第一确定模块602,连接于上述第一获取模块600,用于基于上述第一信道角度时延域信息,确定第一信道参数集合,其中,上述第一信道参数集合中包括预定数量的信道路径分别对应的信道参数;
上述第一预测模块604,连接于上述第一获取模块600,用于根据上述第一信道参数集合,采用视距到达时间预测模型,得到上述终端对应的第一视距到达时间和第一方差值,其中,上述视距到达时间预测模型是基于上述终端与上述目标基站进行通信的历史信道角度时延域信息,以及上述历史信道角度时延域信息对应的实际视距到达时间进行训练得到的,上述第一方差值用于指示上述第一视距到达时间与对应的实际视距到达时间之间的偏差;
上述第一发送模块606,连接于上述第一预测模块604,用于将上述第一视距到达时间和上述第一方差值发送至主服务器,用于上述主服务器基于上述第一视距到达时间和上述第一方差值,以及其它视距到达时间和其它方差值,得到上述终端的定位结果,其中,上述其它视距到达时间为其它基站基于对应的上述视距到达时间预测模型得到的,上述其它方差值与上述其它视距到达时间对应,上述其它基站为除上述目标基站之外的基站,上述第一方差值为模型预测得到的第一视距到达时间与对应的实际视距到达时间之间的偏差。
本发明实施例中,通过设置上述第一获取模块600、第一确定模块602、第一预测模块604、第一发送模块606,可以达到将低终端定位算法复杂度,提升终端定位准确性的目的,从而实现通过模型预测的方式进行视距达到时间与方差值的确定,实现对终端的准确定位的技术效果,进而解决相关技术中的终端定位方法存在的算法复杂度高且定位不准确的技术问题。
根据本发明实施例,还提供了一种用于实施上述终端定位方法的装置实施例,图7是根据本发明实施例的另一种终端定位装置的结构示意图,如图7所示,上述终端定位装置,包括:第二获取模块700、第三获取模块702,其中:
上述第二获取模块700,用于获取终端与目标基站进行通信的第一视距到达时间和第一方差值,其中,上述第一视距到达时间和上述第一方差值是上述目标基站根据第一信道参数集合,采用视距到达时间预测模型测试得到的,其中,上述第一信道参数集合是上述目标基站基于与上述终端进行通信的第一信道角度时延域信息确定的,上述第一信道参数集合中包括预定数量的信道路径分别对应的信道参数,其中,上述视距到达时间预测模型是基于上述终端与上述目标基站进行通信的历史信道角度时延域信息,以及上述历史信道角度时延域信息对应的实际视距到达时间进行训练得到的;
上述第三获取模块702,连接于上述第二获取模块700,用于基于上述第一视距到达时间和上述第一方差值,以及其它视距到达时间和其它方差值,得到上述终端的上述定位结果,其中,上述其它视距到达时间为其它基站基于对应的上述视距到达时间预测模型得到的,上述其它方差值与上述其它视距到达时间对应,上述其它基站为除上述目标基站之外的基站,上述第一方差值为模型预测得到的第一视距到达时间与对应的实际视距到达时间之间的偏差。
本发明实施例中,通过设置上述第二获取模块700、第三获取模块702,可以达到将低终端定位算法复杂度,提升终端定位准确性的目的,从而实现通过模型预测的方式进行视距达到时间与方差值的确定,实现对终端的准确定位的技术效果,进而解决相关技术中的终端定位方法存在的算法复杂度高且定位不准确的技术问题。
根据本发明实施例,还提供了一种用于实施上述终端定位方法的装置实施例,图8是根据本发明实施例的另一种终端定位装置的结构示意图,如图8所示,上述终端定位装置,包括:第四获取模块800、第二确定模块802、第二预测模块804、第五获取模块806,其中:
上述第四获取模块800,用于目标基站获取与终端进行通信的第一信道角度时延域信息;
上述第二确定模块802,连接于上述用于上述目标基站基于上述第一信道角度时延域信息,确定第一信道参数集合,其中,上述第一信道参数集合中包括预定数量的信道路径分别对应的信道参数;
上述第二预测模块804,连接于上述第二确定模块802,用于上述目标基站根据上述第一信道参数集合,采用视距到达时间预测模型,得到上述终端对应的第一视距到达时间和第一方差值,其中,上述视距到达时间预测模型是基于上述终端与上述目标基站进行通信的历史信道角度时延域信息,以及上述历史信道角度时延域信息对应的实际视距到达时间进行训练得到的;将上述第一视距到达时间和上述第一方差值发送至主服务器;
上述第五获取模块806,连接于上述第二预测模块804,用于上述主服务器基于上述第一视距到达时间和上述第一方差值,以及其它视距到达时间和其它方差值,得到上述终端的定位结果,其中,上述其它视距到达时间为其它基站基于对应的上述视距到达时间预测模型得到的,上述其它方差值与上述其它视距到达时间对应,上述其它基站为除上述目标基站之外的基站,上述第一方差值为模型预测得到的第一视距到达时间与对应的实际视距到达时间之间的偏差。
本发明实施例中,通过设置上述第四获取模块800、第二确定模块802、第二预测模块804、第五获取模块806,可以达到将低终端定位算法复杂度,提升终端定位准确性的目的,从而实现通过模型预测的方式进行视距达到时间与方差值的确定,实现对终端的准确定位的技术效果,进而解决相关技术中的终端定位方法存在的算法复杂度高且定位不准确的技术问题。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,例如,对于后者,可以通过以下方式实现:上述各个模块可以位于同一处理器中;或者,上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是,上述第一获取模块600、第一确定模块602、第一预测模块604、第一发送模块606对应于实施例中的步骤S102至步骤S108,上述第二获取模块700、第三获取模块702对应于实施例中的步骤S402至步骤S404,上述第四获取模块800、第二确定模块802、第二预测模块804、第五获取模块806对应于实施例中的步骤S502至步骤S508,上述模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在计算机终端中。
需要说明的是,本实施例的可选或优选实施方式可以参见实施例中的相关描述,此处不再赘述。
上述的终端定位装置还可以包括处理器和存储器,上述第一获取模块600、第一确定模块602、第一预测模块604、第一发送模块606,第二获取模块700、第三获取模块702,第四获取模块800、第二确定模块802、第二预测模块804、第五获取模块806等均作为程序模块存储在存储器中,由处理器执行存储在存储器中的上述程序模块来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序模块,上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
根据本申请实施例,还提供了一种非易失性存储介质的实施例。可选的,在本实施例中,上述非易失性存储介质包括存储的程序,其中,在上述程序运行时控制上述非易失性存储介质所在设备执行上述任意一种终端定位方法。
可选的,在本实施例中,上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中,上述非易失性存储介质包括存储的程序。
可选的,在程序运行时控制非易失性存储介质所在设备执行以下功能:获取终端与目标基站进行通信的第一信道角度时延域信息;基于上述第一信道角度时延域信息,确定第一信道参数集合,其中,上述第一信道参数集合中包括预定数量的信道路径分别对应的信道参数;根据上述第一信道参数集合,采用视距到达时间预测模型,得到上述终端对应的第一视距到达时间和第一方差值,其中,上述视距到达时间预测模型是基于上述终端与上述目标基站进行通信的历史信道角度时延域信息,以及上述历史信道角度时延域信息对应的实际视距到达时间进行训练得到的,上述第一方差值用于指示上述第一视距到达时间与对应的实际视距到达时间之间的偏差;将上述第一视距到达时间和上述第一方差值发送至主服务器,用于上述主服务器基于上述第一视距到达时间和上述第一方差值,以及其它视距到达时间和其它方差值,得到上述终端的定位结果,其中,上述其它视距到达时间为其它基站基于对应的上述视距到达时间预测模型得到的,上述其它方差值与上述其它视距到达时间对应,上述其它基站为除上述目标基站之外的基站,上述第一方差值为模型预测得到的第一视距到达时间与对应的实际视距到达时间之间的偏差。
根据本申请实施例,还提供了一种处理器的实施例。可选的,在本实施例中,上述处理器用于运行程序,其中,上述程序运行时执行上述任意一种终端定位方法。
根据本申请实施例,还提供了一种计算机程序产品的实施例,当在数据处理设备上执行时,适于执行初始化有上述任意一种的终端定位方法步骤的程序。
可选的,上述计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取终端与目标基站进行通信的第一信道角度时延域信息;基于上述第一信道角度时延域信息,确定第一信道参数集合,其中,上述第一信道参数集合中包括预定数量的信道路径分别对应的信道参数;根据上述第一信道参数集合,采用视距到达时间预测模型,得到上述终端对应的第一视距到达时间和第一方差值,其中,上述视距到达时间预测模型是基于上述终端与上述目标基站进行通信的历史信道角度时延域信息,以及上述历史信道角度时延域信息对应的实际视距到达时间进行训练得到的,上述第一方差值用于指示上述第一视距到达时间与对应的实际视距到达时间之间的偏差;将上述第一视距到达时间和上述第一方差值发送至主服务器,用于上述主服务器基于上述第一视距到达时间和上述第一方差值,以及其它视距到达时间和其它方差值,得到上述终端的定位结果,其中,上述其它视距到达时间为其它基站基于对应的上述视距到达时间预测模型得到的,上述其它方差值与上述其它视距到达时间对应,上述其它基站为除上述目标基站之外的基站,上述第一方差值为模型预测得到的第一视距到达时间与对应的实际视距到达时间之间的偏差。
本发明实施例提供了一种电子设备,该电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现上述任意一种终端定位方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如上述模块的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,模块或模块的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取非易失性存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个非易失性存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的非易失性存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种终端定位方法,其特征在于,包括:
获取终端与目标基站进行通信的第一信道角度时延域信息;
基于所述第一信道角度时延域信息,确定第一信道参数集合,其中,所述第一信道参数集合中包括预定数量的信道路径分别对应的信道参数;
根据所述第一信道参数集合,采用视距到达时间预测模型,得到所述终端对应的第一视距到达时间和第一方差值,其中,所述视距到达时间预测模型是基于所述终端与所述目标基站进行通信的历史信道角度时延域信息,以及所述历史信道角度时延域信息对应的实际视距到达时间进行训练得到的;
将所述第一视距到达时间和所述第一方差值发送至主服务器,用于所述主服务器基于所述第一视距到达时间和所述第一方差值,以及其它视距到达时间和其它方差值,得到所述终端的定位结果,其中,所述其它视距到达时间为其它基站基于对应的所述视距到达时间预测模型得到的,所述其它方差值与所述其它视距到达时间对应,所述其它基站为除所述目标基站之外的基站,所述第一方差值为模型预测得到的第一视距到达时间与对应的实际视距到达时间之间的偏差。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一信道角度时延域信息,确定第一信道参数集合,包括:
基于所述第一信道角度时延域信息,确定所述终端与所述目标基站进行通信的非视距信道对应的多个簇,以及所述多个簇分别对应的信道参数序列,其中,所述多个簇分别对应的信道参数序列包括预定信道参数,以及除所述预定信道参数之外的其他信道参数;
基于所述多个簇分别对应的信道参数序列中的所述预定信道参数,从所述多个簇中确定出所述预定数量的簇作为所述预定数量的信道路径,以及从所述多个簇分别对应的信道参数序列中,确定所述预定数量的信道路径分别对应的信道参数序列;
根据所述预定数量的信道路径分别对应的信道参数序列,得到所述第一信道参数集合。
3.根据权利要求2所述的方法,其特征在于,所述基于所述多个簇分别对应的信道参数序列中的所述预定信道参数,从所述多个簇中确定出所述预定数量的簇作为所述预定数量的信道路径,以及从所述多个簇分别对应的信道参数序列中,确定所述预定数量的信道路径分别对应的信道参数序列,包括:
在所述多个簇的数量大于或等于所述预定数量的情况下,按照所述预定信道参数对所述多个簇分别对应的信道参数序列进行降序排序处理,得到排序后的多个簇分别对应的信道参数序列;
将所述排序后的多个簇分别对应的信道参数序列中,排在前面的预定数量的簇作为所述预定数量的信道路径,以及将排在前面的所述预定数量的簇分别对应的信道参数序列,得到所述预定数量的信道路径分别对应的信道参数序列。
4.根据权利要求2所述的方法,其特征在于,所述基于所述多个簇分别对应的信道参数序列中的所述预定信道参数,从所述多个簇分别对应的信道参数序列中,确定所述预定数量的信道路径分别对应的信道参数序列,包括:
计算所述预定数量和所述多个簇的数量之间的数量差值,得到第二数量;
获取所述第二数量的零序列;
将所述多个簇分别对应的信道参数序列,以及所述第二数量的零序列,作为所述预定数量的信道路径分别对应的信道参数序列。
5.根据权利要求2至4中任意一项所述的方法,其特征在于,所述其他信道参数至少包括:路径幅度、基站侧到达方位角和基站侧到达俯仰角,所述预定信道参数为路径到达时间。
6.根据权利要求1至4中任意一项所述的方法,其特征在于,在所述根据所述第一信道参数集合,采用视距到达时间预测模型,得到所述终端对应的第一视距到达时间和第一方差值之前,所述方法还包括:
获取所述终端与所述目标基站进行通信的所述历史信道角度时延域信息,以及所述历史信道角度时延域信息对应的实际视距到达时间;
基于所述历史信道角度时延域信息,确定历史信道参数集合;
基于所述历史信道参数集合,所述历史信道角度时延域信息对应的实际视距到达时间,采用小批量梯度下降算法对原始转换器模型进行训练,得到所述视距到达时间预测模型。
7.一种终端定位方法,其特征在于,包括:
获取终端与目标基站进行通信的第一视距到达时间和第一方差值,其中,所述第一视距到达时间和所述第一方差值是所述目标基站根据第一信道参数集合,采用视距到达时间预测模型测试得到的,其中,所述第一信道参数集合是所述目标基站基于与所述终端进行通信的第一信道角度时延域信息确定的,所述第一信道参数集合中包括预定数量的信道路径分别对应的信道参数,其中,所述视距到达时间预测模型是基于所述终端与所述目标基站进行通信的历史信道角度时延域信息,以及所述历史信道角度时延域信息对应的实际视距到达时间进行训练得到的;
基于所述第一视距到达时间和所述第一方差值,以及其它视距到达时间和其它方差值,得到所述终端的定位结果,其中,所述其它视距到达时间为其它基站基于对应的所述视距到达时间预测模型得到的,所述其它方差值与所述其它视距到达时间对应,所述其它基站为除所述目标基站之外的基站,所述第一方差值为模型预测得到的第一视距到达时间与对应的实际视距到达时间之间的偏差。
8.一种终端定位方法,其特征在于,包括:
目标基站获取与终端进行通信的第一信道角度时延域信息;
所述目标基站基于所述第一信道角度时延域信息,确定第一信道参数集合,其中,所述第一信道参数集合中包括预定数量的信道路径分别对应的信道参数;
所述目标基站根据所述第一信道参数集合,采用视距到达时间预测模型,得到所述终端对应的第一视距到达时间和第一方差值,其中,所述视距到达时间预测模型是基于所述终端与所述目标基站进行通信的历史信道角度时延域信息,以及所述历史信道角度时延域信息对应的实际视距到达时间进行训练得到的;将所述第一视距到达时间和所述第一方差值发送至主服务器;
所述主服务器基于所述第一视距到达时间和所述第一方差值,以及其它视距到达时间和其它方差值,得到所述终端的定位结果,其中,所述其它视距到达时间为其它基站基于对应的所述视距到达时间预测模型得到的,所述其它方差值与所述其它视距到达时间对应,所述其它基站为除所述目标基站之外的基站,所述第一方差值为模型预测得到的第一视距到达时间与对应的实际视距到达时间之间的偏差。
9.一种非易失性存储介质,其特征在于,所述非易失性存储介质存储有多条指令,所述指令适于由处理器加载并执行权利要求1至8中任意一项所述的终端定位方法。
10.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至8中任意一项所述的终端定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310688949.4A CN116634358A (zh) | 2023-06-09 | 2023-06-09 | 终端定位方法、装置及非易失性存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310688949.4A CN116634358A (zh) | 2023-06-09 | 2023-06-09 | 终端定位方法、装置及非易失性存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116634358A true CN116634358A (zh) | 2023-08-22 |
Family
ID=87592014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310688949.4A Pending CN116634358A (zh) | 2023-06-09 | 2023-06-09 | 终端定位方法、装置及非易失性存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116634358A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117222005A (zh) * | 2023-11-08 | 2023-12-12 | 网络通信与安全紫金山实验室 | 指纹定位方法、装置、电子设备及存储介质 |
-
2023
- 2023-06-09 CN CN202310688949.4A patent/CN116634358A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117222005A (zh) * | 2023-11-08 | 2023-12-12 | 网络通信与安全紫金山实验室 | 指纹定位方法、装置、电子设备及存储介质 |
CN117222005B (zh) * | 2023-11-08 | 2024-04-02 | 网络通信与安全紫金山实验室 | 指纹定位方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gante et al. | Deep learning architectures for accurate millimeter wave positioning in 5G | |
Witrisal et al. | High-accuracy localization for assisted living: 5G systems will turn multipath channels from foe to friend | |
US11467248B2 (en) | Position estimation device and communication device | |
JP2016090587A (ja) | 距離推定方法及び距離推定装置、並びにノード測位方法及びノード測位システム | |
Fan et al. | A structured bidirectional LSTM deep learning method for 3D terahertz indoor localization | |
CN115486035A (zh) | 用于信道估计的nn参数的类别 | |
CN116634358A (zh) | 终端定位方法、装置及非易失性存储介质 | |
Wang et al. | Deep convolutional Gaussian Processes for Mmwave outdoor localization | |
KR102052519B1 (ko) | 저전력 블루투스 기반의 실내 측위 방법 및 장치 | |
US20230362039A1 (en) | Neural network-based channel estimation method and communication apparatus | |
Barsocchi et al. | RSSI localisation with sensors placed on the user | |
Zhao et al. | VIRE: Virtual Reference Elimination for Active RFID-based Localization. | |
Bryan et al. | Geolocation of multiple noncooperative emitters using received signal strength: Sparsity, resolution, and detectability | |
CN114554398A (zh) | 室内定位方法、第一定位服务器及室内定位系统 | |
Tian et al. | SAPIL: single access point based indoor localisation using Wi‐Fi L‐shaped antenna array | |
Li et al. | Comparative study of joint TOA/DOA estimation techniques for mobile positioning applications | |
Li et al. | DOA-based localization algorithms under NLOS conditions | |
Zhang et al. | RLoc: Towards Robust Indoor Localization by Quantifying Uncertainty | |
WO2022244112A1 (ja) | 位置推定装置、位置推定方法、及び、位置推定プログラム | |
CN113030853B (zh) | 基于rss和aoa联合测量的多辐射源无源定位方法 | |
EP4206717A1 (en) | Methods for locating a mobile radiocommunication device or passive object in a confined environment | |
US20230152419A1 (en) | Unsupervised location estimation and mapping based on multipath measurements | |
Borenovic et al. | Positioning in Indoor Mobile Systems | |
US20220394653A1 (en) | Method and apparatus of positioning for accomodating wireless-environment change | |
Schmidt et al. | SALOS-A UWB Single Anchor Indoor Localization System based on a Statistical Multipath Propagation Model |
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 |