CN116709170A - 一种通信方法及装置 - Google Patents
一种通信方法及装置 Download PDFInfo
- Publication number
- CN116709170A CN116709170A CN202210191893.7A CN202210191893A CN116709170A CN 116709170 A CN116709170 A CN 116709170A CN 202210191893 A CN202210191893 A CN 202210191893A CN 116709170 A CN116709170 A CN 116709170A
- Authority
- CN
- China
- Prior art keywords
- channel estimation
- estimation information
- channel
- information
- mth
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 191
- 238000000034 method Methods 0.000 title claims abstract description 131
- 238000012549 training Methods 0.000 claims description 117
- 230000008054 signal transmission Effects 0.000 claims description 54
- 238000004590 computer program Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 description 327
- 230000006870 function Effects 0.000 description 61
- 238000005259 measurement Methods 0.000 description 49
- 238000013461 design Methods 0.000 description 46
- 238000013528 artificial neural network Methods 0.000 description 40
- 238000012545 processing Methods 0.000 description 29
- 210000002569 neuron Anatomy 0.000 description 20
- 230000005540 biological transmission Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 15
- 238000013507 mapping Methods 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 13
- 230000004044 response Effects 0.000 description 13
- 210000004460 N cell Anatomy 0.000 description 10
- 230000003993 interaction Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000011664 signaling Effects 0.000 description 7
- 230000008093 supporting effect Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000002787 reinforcement Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000001976 improved effect Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 210000001744 T-lymphocyte Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005191 phase separation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0204—Channel estimation of multiple channels
-
- 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
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开提供一种通信方法及装置,能够提升定位性能。该方法包括:获取M个第一信道估计信息,M个第一信道估计信息中的第m个第一信道估计信息是M个小区节点中第m个小区节点与终端设备之间的信道的估计信息;其中,M为大于1的正整数,m为取遍1至M的正整数;根据M个第一信道估计信息中的至少一个第一信道估计信息,确定M个第二信道估计信息,M个第二信道估计信息中的第m个第二信道估计信息对应第m个小区节点与终端设备之间的信道。
Description
技术领域
本公开涉及通信技术领域,尤其涉及一种通信方法及装置。
背景技术
在无线通信网络中,例如在移动通信网络中,网络支持的业务越来越多样,因此需要满足的需求也越来越多样。例如,网络需要能够支持超高速率、超低时延、和/或超大连接,该特点使得网络规划、网络配置、和/或资源调度越来越复杂。此外,由于网络的功能越来越强大,例如支持的频谱越来越高、支持高阶多入多出(multiple input multipleoutput,MIMO)技术、支持波束赋形、和/或支持波束管理等新技术,使得网络节能成为了热门研究课题。这些新需求、新场景和新特性给网络规划、运维和高效运营带来了前所未有的挑战。为了迎接该挑战,可以将人工智能技术引入无线通信网络中,从而实现网络智能化。基于此,如何在网络中有效地实现人工智能是一个值得研究的问题。
发明内容
本公开提供一种通信方法及装置,以期提升定位性能。
第一方面,本公开提供一种通信方法,包括:
获取M个第一信道估计信息,所述M个第一信道估计信息中的第m个第一信道估计信息是M个小区节点中第m个小区节点与终端设备之间的信道的估计信息;其中,M为大于1的正整数,m为取遍1至M的正整数;根据所述M个第一信道估计信息中的至少一个第一信道估计信息,确定M个第二信道估计信息,所述M个第二信道估计信息中的第m个第二信道估计信息对应所述第m个小区节点与所述终端设备之间的信道。
在上述设计中,基于终端设备或小区节点测量的第一信道估计信息,推导出第二信道估计信息。第二信道估计信息可用于训练定位相关的模型,这样的训练方式更适合实际场景环境,能够提升模型的性能,从而提升定位精度。可选的,第二信道估计信息用于指示以下至少一项:在直射路径(line of sight,LOS)条件下,所述第m个小区节点与所述终端设备之间的距离;在LOS条件下,所述第m个小区节点与所述终端设备之间的信号传输时延或信号传输时延差;在LOS条件下,所述第m个小区节点对应的信号出发角度(angle ofdeparture,AoD)或信号到达角度(angle of arrival,AoA);在LOS条件下,所述第m个小区节点与所述终端设备之间的信号质量;或,所述第m个小区节点与所述终端设备之间的实际信号传输路径的类型,该路径类型为LOS或者非直射路径(non-line of sight,NLOS)。
在一种可能的设计中,所述第二信道估计信息用于模型的训练;其中,在进行所述模型的训练时,所述模型的输入是根据所述第m个小区节点与终端设备之间的信道的信道信息确定的,所述输入对应的标签是根据所述第m个小区节点与终端设备之间的信道所对应的第二信道估计信息确定的。基于测量的第一信道估计信息,推导可用作模型训练的标签数据,有助于提升模型的性能。
在一种可能的设计中,还包括:向第一设备发送K个第二信道估计信息,所述K个第二信道估计信息包含于所述M个第二信道估计信息,K为正整数。通过这样的设计,可以实现针对不同小区节点训练对应的模型,使得模型的训练及应用更为灵活。
在一种可能的设计中,还包括:从所述第一设备获取训练请求信息,所述训练请求信息用于请求所述K个第二信道估计信息。
在一种可能的设计中,所述训练请求信息用于指示所述第二信道估计信息指示的参数类型。通过这样的设计,指定第二信道估计信息指示的参数类型,降低由于额外的信息所造成的传输资源浪费,能够降低信令开销。
在一种可能的设计中,所述获取M个第一信道估计信息,包括:从第一设备获取所述第m个第一信道估计信息;其中,所述第一设备为所述第m个小区节点,或者所述第一设备为所述终端设备。
在一种可能的设计中,所述根据所述M个第一信道估计信息中的至少一个第一信道估计信息,确定M个第二信道估计信息,包括:根据所述M个第一信道估计信息中的至少一个第一信道估计信息,确定所述终端设备的第一位置;根据所述终端设备的第一位置和所述M个小区节点的位置,确定所述M个第二信道估计信息。
可选的,根据所述M个第一信道估计信息中的至少一个第一信道估计信息,确定所述终端设备的第一位置,包括:
根据所述M个第一信道估计信息和所述M个小区节点的位置,确定所述终端设备的多个第二位置。其中,所述多个第二位置中的第一部分位置位于第一区域,所述多个第二位置中的第二部分位置不位于所述第一区域,且所述第一部分位置的数量大于所述第二部分位置的数量;以及根据所述多个第二位置中的第一部分位置,确定所述终端设备的第一位置。或者,
根据N个第一信道估计信息和所述N个小区节点的位置,确定所述终端设备的第一位置;其中,N个第一信道估计信息与N个小区节点一一对应,所述N个小区节点包含于所述M个小区节点,N为小于或者等于M的正整数。所述N个小区节点中每个小区节点与所述终端设备之间的路径为直射路径。
通过这样的设计,基于第一信道估计信息,首先估算终端设备的可信位置(即第一位置),再利用该可信位置,反推出可信的第二信道估计信息用于训练模型,有助于提升模型的性能。
在一种可能的设计中,所述第m个第一信道估计信息用于指示以下中的一个或多个参数:所述第m个小区节点与所述终端设备之间的距离;所述第m个小区节点与所述终端设备之间的信号传输时延或信号传输时延差;所述第m个小区节点对应的信号出发角度或信号到达角度;所述第m个小区节点与所述终端设备之间的信号质量;所述第m个第一信道估计信息用于指示所述第m个小区节点与所述终端设备之间的信号传输路径为直射路径或者非直射路径。
在一种可能的设计中,所述M个小区节点属于一个接入网设备,或者所述M个小区节点中至少两个小区节点所属的接入网设备不同。
第二方面,本公开提供一种通信方法,包括:
发送第m个第一信道估计信息,所述第m个第一信道估计信息属于M个第一信道估计信息,M为大于1的正整数,m为取遍1至M的正整数,所述M个第一信道估计信息中的第m个第一信道估计信息是M个小区节点中第m个小区节点与终端设备之间的信道的估计信息;其中,所述M个第一信道估计信息中的至少一个第一信道估计信息用于确定M个第二信道估计信息,所述M个第二信道估计信息中第m个第二信道估计信息对应所述第m个小区节点与所述终端设备之间的信道;
获取用于指示模型的信息;其中,在进行所述模型的训练时,所述模型的输入是根据所述第m个小区节点与终端设备之间的信道的信道信息确定的,所述输入对应的标签是根据所述第m个小区节点与终端设备之间的信道所对应的第二信道估计信息确定的。
在一种可能的设计中,还包括:发送所述第m个小区节点与终端设备之间的信道的信道信息。
关于第一信道估计信息指示的参数以及M个小区节点的定位可参照第一方面的描述,本公开对此不再进行赘述。
第三方面,本公开提供一种通信方法,包括:
确定K个信道信息,其中,所述K个信道信息中的第k个信道信息是K个小区节点中第k个小区节点与终端设备之间的信道的信道信息;其中,K为正整数,k为取遍1至K的正整数;
获取K个第二信道估计信息,所述K个第二信道估计信息中第k个第二信道估计信息对应所述第k个小区节点与所述终端设备之间的信道,所述K个第二信道估计信息由M个第一信道估计信息中的至少一个第一信道估计信息确定,其中,所述M个第一信道估计信息中的第m个第一信道估计信息是M个小区中第m个小区节点与所述终端设备之间的信道的估计信息,所述K个小区包含于所述M个小区,M为大于1的正整数,m取遍1至M的正整数;
根据所述K个第二信道估计信息,进行模型的训练;其中,在进行所述模型的训练时,所述模型的输入是根据所述第k个小区节点与终端设备之间的信道的信道信息确定的,所述输入对应的标签是根据所述第k个小区节点与终端设备之间的信道所对应的第二信道估计信息确定的。
在一种可能的设计中,还包括:发送训练请求信息,所述训练请求信息用于请求所述K个第二信道估计信息。
在一种可能的设计中,所述训练请求信息用于指示所述第二信道估计信息指示的参数类型。
在一种可能的设计中,还包括:发送所述第m个小区节点与所述终端设备之间的信道的第一信道估计信息。
关于第一信道估计信息指示的参数以及M个小区节点的定位可参照第一方面的描述,本公开对此不再进行赘述。
第四方面,本公开提供一种通信方法,包括:
确定第t个信道信息,其中,所述第t个信道信息是T个小区节点中第t个小区节点与终端设备之间的信道的信道信息;其中,T为大于1的正整数,t为取遍1至T的正整数;
根据所述第t个信道信息和模型,确定第t个第三信道估计信息,所述第t个第三信道估计信息对应所述第t个小区节点与所述终端设备之间的信道;其中,所述模型的输入是根据所述第t个小区节点与终端设备之间的信道的信道信息确定的,所述输入对应的输出包括所述第t个第三信道估计信息;
发送所述第t个第三信道估计信息,所述第t个第三信道估计信息用于对所述终端设备进行定位。可选地,T和上述M的取值可以相同,也可以不同,不予限制。
在一种可能的设计中,所述第t个第三信道估计信息用于指示如下的一个或多个参数:所述第t个小区节点与所述终端设备之间的LOS长度距离;所述第t个小区节点与所述终端设备之间符合LOS传输的信号传输时延或信道传输时延差;所述第t个小区节点对应的符合LOS传输的信号出发角度或信号到达角度;所述第t个小区节点与所述终端设备之间符合LOS传输的信号质量;所述第t个小区节点与所述终端设备之间的实际信号传输路径的类型;或,所述第t个小区节点与所述终端设备之间的实际信号传输路径的类型,其中,所述类型为LOS或NLOS。
通过这样的设计,可以实现利用模型得到符合LOS传输的测量量,和/或者利用模型识别终端设备与小区节点之间的信号传输路径。应用于定位场景,能够提升定位精度。
在一种可选的设计中,在进行所述模型的训练时,所述模型的输入是根据M个小区节点中第m个小区节点与终端设备之间的信道的信道信息确定的,所述输入对应的标签是根据所述第m个小区节点与终端设备之间的信道所对应的第二信道估计信息确定的。
其中,所述第m个小区节点与终端设备之间的信道所对应的第二信道估计信息是由M个第一信道估计信息中的至少一个第一信道估计信息确定的,所述M个第一信道估计信息中第m个第一信道估计信息是所述M个小区节点中第m个小区节点与终端设备之间的信道的估计信息。
第五方面,本公开提供一种通信装置,该通信装置可以是位置管理服务功能(location management function,LMF)网元,如下简称LMF;也可以是LMF中的装置,或者是能够和LMF匹配使用的装置。一种设计中,该通信装置可以包括执行第一方面中所描述的方法/操作/步骤/动作所一一对应的模块,该模块可以是硬件电路,也可是软件,也可以是硬件电路结合软件实现。一种设计中,该通信装置可以包括处理模块和通信模块。
一种示例:
通信模块,用于获取M个第一信道估计信息,所述M个第一信道估计信息中的第m个第一信道估计信息是M个小区节点中第m个小区节点与终端设备之间的信道的估计信息;其中,M为大于1的正整数,m为取遍1至M的正整数;
处理模块,用于根据所述M个第一信道估计信息中的至少一个第一信道估计信息,确定M个第二信道估计信息,所述M个第二信道估计信息中的第m个第二信道估计信息对应所述第m个小区节点与所述终端设备之间的信道。
关于第二信道估计信息的定义可参照第一方面的描述,本公开对此不再进行赘述。
在一种可能的设计中,通信模块,还用于向第一设备发送K个第二信道估计信息,所述K个第二信道估计信息包含于所述M个第二信道估计信息,K为正整数。
在一种可能的设计中,通信模块,还用于从所述第一设备获取训练请求信息,所述训练请求信息用于请求所述K个第二信道估计信息。
在一种可能的设计中,所述训练请求信息用于指示所述第二信道估计信息指示的参数类型。
在一种可能的设计中,通信模块,还用于从第一设备获取所述第m个第一信道估计信息;其中,所述第一设备为所述第m个小区节点,或者所述第一设备为所述终端设备。
在一种可能的设计中,所述处理模块,具体用于:根据所述M个第一信道估计信息中的至少一个第一信道估计信息,确定所述终端设备的第一位置;根据所述终端设备的第一位置和所述M个小区节点的位置,确定所述M个第二信道估计信息。
关于第一信道估计信息指示的参数以及M个小区节点的定位可参照第一方面的描述,本公开对此不再进行赘述。
第六方面,本公开提供一种通信装置,该通信装置可以是为终端设备或者第m个小区节点,也可以是终端设备或者第m个小区节点中的装置,或者是能够和终端设备匹配使用的装置,或者能够和第m个小区节点匹配使用的装置。一种设计中,该通信装置可以包括执行第二方面中所描述的方法/操作/步骤/动作所一一对应的模块,该模块可以是硬件电路,也可是软件,也可以是硬件电路结合软件实现。一种设计中,该通信装置可以包括处理模块和通信模块。
一种示例:
处理模块,用于通过通信模块发送第m个第一信道估计信息,所述第m个第一信道估计信息属于M个第一信道估计信息,M为大于1的正整数,m为取遍1至M的正整数,所述M个第一信道估计信息中的第m个第一信道估计信息是M个小区节点中第m个小区节点与终端设备之间的信道的估计信息;其中,所述M个第一信道估计信息中的至少一个第一信道估计信息用于确定M个第二信道估计信息,所述M个第二信道估计信息中第m个第二信道估计信息对应所述第m个小区节点与所述终端设备之间的信道;
通信模块,用于获取用于指示模型的信息;其中,在进行所述模型的训练时,所述模型的输入是根据所述第m个小区节点与终端设备之间的信道的信道信息确定的,所述输入对应的标签是根据所述第m个小区节点与终端设备之间的信道所对应的第二信道估计信息确定的。
在一种可能的设计中,处理模块,还用于通过通信模块发送所述第m个小区节点与终端设备之间的信道的信道信息。
关于第一信道估计信息指示的参数以及M个小区节点的定位可参照第一方面的描述,本公开对此不再进行赘述。
第七方面,本公开提供一种通信装置,该通信装置可以是模型训练节点,如终端设备、第m个小区节点或人工智能(artificial Intelligence,AI)网元,也可以是模型训练节点中的装置,或者是能够和模型训练节点匹配使用的装置。一种设计中,该通信装置可以包括执行第三方面中所描述的方法/操作/步骤/动作所一一对应的模块,该模块可以是硬件电路,也可是软件,也可以是硬件电路结合软件实现。一种设计中,该通信装置可以包括处理模块和通信模块。
一种示例:
处理模块,用于确定K个信道信息,其中,所述K个信道信息中的第k个信道信息是K个小区节点中第k个小区节点与终端设备之间的信道的信道信息;其中,K为正整数,k为取遍1至K的正整数;
通信模块,用于获取K个第二信道估计信息,所述K个第二信道估计信息中第k个第二信道估计信息对应所述第k个小区节点与所述终端设备之间的信道,所述K个第二信道估计信息由M个第一信道估计信息中的至少一个第一信道估计信息确定,其中,所述M个第一信道估计信息中的第m个第一信道估计信息是M个小区中第m个小区节点与所述终端设备之间的信道的估计信息,所述K个小区包含于所述M个小区,M为大于1的正整数,m取遍1至M的正整数;
处理模块,还用于根据所述K个第二信道估计信息,进行模型的训练;其中,在进行所述模型的训练时,所述模型的输入是根据所述第k个小区节点与终端设备之间的信道的信道信息确定的,所述输入对应的标签是根据所述第k个小区节点与终端设备之间的信道所对应的第二信道估计信息确定的。
在一种可能的设计中,通信模块,还用于发送训练请求信息,所述训练请求信息用于请求所述K个第二信道估计信息。
在一种可能的设计中,所述训练请求信息用于指示所述第二信道估计信息指示的参数类型。
在一种可能的设计中,通信模块,还用于发送所述第m个小区节点与所述终端设备之间的信道的第一信道估计信息。
关于第一信道估计信息指示的参数以及M个小区节点的定位可参照第一方面的描述,本公开对此不再进行赘述。
第八方面,本公开提供一种通信装置,该通信装置可以是终端设备或第t个小区节点。也可以是终端设备或第t个小区节点中的装置,或者是能够和终端设备匹配使用的装置,能够和第t个小区节点匹配使用的装置。一种设计中,该通信装置可以包括执行第四方面中所描述的方法/操作/步骤/动作所一一对应的模块,该模块可以是硬件电路,也可是软件,也可以是硬件电路结合软件实现。一种设计中,该通信装置可以包括处理模块和通信模块。
一种示例:
处理模块,用于确定第t个信道信息,其中,所述第t个信道信息是T个小区节点中第t个小区节点与终端设备之间的信道的信道信息;其中,T为大于1的正整数,m为取遍1至T的正整数;
处理模块,还用于根据所述第t个信道信息和模型,确定第t个第三信道估计信息,所述第t个第三信道估计信息对应所述第t个小区节点与所述终端设备之间的信道;其中,所述模型的输入是根据所述第t个小区节点与终端设备之间的信道的信道信息确定的,所述输入对应的输出包括所述第t个第三信道估计信息;
通信模块,用于发送所述第t个第三信道估计信息,所述第t个第三信道估计信息用于对所述终端设备进行定位。可选地,T和上述M的取值可以相同,也可以不同,不予限制。
在一种可能的设计中,通信模块,还用于获取用于指示所述模型的信息。
关于第三信道估计信息以及模型的定义可参照第四方面的描述,本公开对此不再进行赘述。
第九方面,本公开提供一种通信装置,所述通信装置包括处理器,用于实现上述第一方面所描述的方法。处理器与存储器耦合,存储器用于存储指令和数据,所述处理器执行所述存储器中存储的指令时,可以实现上述第一方面描述的方法。可选的,所述通信装置还可以包括存储器;所述通信装置还可以包括通信接口,所述通信接口用于该装置与其它设备进行通信,示例性的,通信接口可以是收发器、电路、总线、模块、管脚或其它类型的通信接口。
在一种可能的设备中,该通信装置包括:
存储器,用于存储程序指令;
处理器,用于利用通信接口获取M个第一信道估计信息,所述M个第一信道估计信息中的第m个第一信道估计信息是M个小区节点中第m个小区节点与终端设备之间的信道的估计信息;其中,M为大于1的正整数,m为取遍1至M的正整数;以及根据所述M个第一信道估计信息中的至少一个第一信道估计信息,确定M个第二信道估计信息,所述M个第二信道估计信息中的第m个第二信道估计信息对应所述第m个小区节点与所述终端设备之间的信道。
第十方面,本公开提供一种通信装置,所述通信装置包括处理器,用于实现上述第二方面至第四方面中任一方面所描述的方法。处理器与存储器耦合,存储器用于存储指令和数据,所述处理器执行所述存储器中存储的指令时,可以实现上述第二方面至第四方面中任一方面描述的方法。可选的,所述通信装置还可以包括存储器;所述通信装置还可以包括通信接口,所述通信接口用于该装置与其它设备进行通信,示例性的,通信接口可以是收发器、电路、总线、模块、管脚或其它类型的通信接口。
在第一种可能的设备中,该通信装置包括:
存储器,用于存储程序指令;
处理器,用于利用通信接口发送第m个第一信道估计信息,所述第m个第一信道估计信息属于M个第一信道估计信息,M为大于1的正整数,m为取遍1至M的正整数,所述M个第一信道估计信息中的第m个第一信道估计信息是M个小区节点中第m个小区节点与终端设备之间的信道的估计信息;其中,所述M个第一信道估计信息中的至少一个第一信道估计信息用于确定M个第二信道估计信息,所述M个第二信道估计信息中第m个第二信道估计信息对应所述第m个小区节点与所述终端设备之间的信道;
以及,利用通信接口获取用于指示模型的信息;其中,在进行所述模型的训练时,所述模型的输入是根据所述第m个小区节点与终端设备之间的信道的信道信息确定的,所述输入对应的标签是根据所述第m个小区节点与终端设备之间的信道所对应的第二信道估计信息确定的。
在第二种可能的设备中,该通信装置包括:
存储器,用于存储程序指令;
处理器,用于确定K个信道信息,其中,所述K个信道信息中的第k个信道信息是K个小区节点中第k个小区节点与终端设备之间的信道的信道信息;其中,K为正整数,k为取遍1至K的正整数;
处理器,还用于利用通信接口获取K个第二信道估计信息,所述K个第二信道估计信息中第k个第二信道估计信息对应所述第k个小区节点与所述终端设备之间的信道,所述K个第二信道估计信息由M个第一信道估计信息中的至少一个第一信道估计信息确定,其中,所述M个第一信道估计信息中的第m个第一信道估计信息是M个小区中第m个小区节点与所述终端设备之间的信道的估计信息,所述K个小区包含于所述M个小区,M为大于1的正整数,m取遍1至M的正整数;
处理器,还用于根据所述K个第二信道估计信息,进行模型的训练;其中,在进行所述模型的训练时,所述模型的输入是根据所述第k个小区节点与终端设备之间的信道的信道信息确定的,所述输入对应的标签是根据所述第k个小区节点与终端设备之间的信道所对应的第二信道估计信息确定的。
在第三种可能的设备中,该通信装置包括:
存储器,用于存储程序指令;
处理器,用于:
确定第t个信道信息,其中,所述第t个信道信息是T个小区节点中第t个小区节点与终端设备之间的信道的信道信息;其中,T为大于1的正整数,t为取遍1至T的正整数;
根据所述第t个信道信息和模型,确定第t个第三信道估计信息,所述第t个第三信道估计信息对应所述第t个小区节点与所述终端设备之间的信道;其中,所述模型的输入是根据所述第t个小区节点与终端设备之间的信道的信道信息确定的,所述输入对应的输出包括所述第t个第三信道估计信息;
以及利用通信接口发送所述第t个第三信道估计信息,所述第t个第三信道估计信息用于对所述终端设备进行定位。
第十一方面,本公开提供了一种通信系统,包括如第五方面或第九方面中所描述的通信装置;以及如第六方面、第七方面、第八方面中至少一方面所描述的通信装置;
或者,包括如第五方面或第九方面中所描述的通信装置;以及如第十方面所描述的通信装置。
第十二方面,本公开还提供了一种计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行上述第一方面至第四方面中任一方面提供的方法。
第十三方面,本公开还提供了一种计算机程序产品,包括指令,当所述指令在计算机上运行时,使得计算机执行上述第一方面至第四方面中任一方面提供的方法。
第十四方面,本公开还提供了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计算机程序或指令,当所述计算机程序或者指令在计算机上运行时,使得所述计算机执行上述第一方面至第四方面中任一方面提供的方法。
第十五方面,本公开还提供了一种芯片,所述芯片用于读取存储器中存储的计算机程序,执行上述第一方面至第四方面中任一方面提供的方法。
第十六方面,本公开还提供了一种芯片系统,该芯片系统包括处理器,用于支持计算机装置实现上述第一方面至第四方面中任一方面提供的方法。在一种可能的设计中,所述芯片系统还包括存储器,所述存储器用于保存该计算机装置必要的程序和数据。该芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。
附图说明
图1A为本公开提供的通信系统的结构示意图之一;
图1B为本公开提供的通信系统的结构示意图之一;
图1C为本公开提供的通信系统的结构示意图之一;
图2为一种基于TDOA的定位方法的原理示意图;
图3为一种时域信道响应示意图;
图4为一种信号传输路径的结构示意图;
图5为本公开提供的通信系统的结构示意图之一;
图6A为神经元结构的一种示意图;
图6B为神经网络的层关系的一种示意图;
图7为本公开提供的一种模型训练框架的示意图;
图8为本公开提供的通信方法的流程示意图之一;
图9为一种位置分布示意图;
图10为本公开提供的一种基于模型的定位方法的流程示意图;
图11为本公开提供的通信方法的流程示意图之一;
图12为本公开提供的通信方法的流程示意图之一;
图13为本公开提供的通信装置的结构示意图之一;
图14为本公开提供的通信装置的结构示意图之一。
具体实施方式
为了使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开作进一步地详细描述。
本公开如下涉及的至少一个(项),指示一个(项)或多个(项)。多个(项),是指两个(项)或两个(项)以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外,应当理解,尽管在本公开中可能采用术语第一、第二等来描述各对象、但这些对象不应限于这些术语。这些术语仅用来将各对象彼此区分开。
本公开如下描述中所提到的术语“包括”和“具有”以及它们的任何变形,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、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括其他没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。需要说明的是,本公开中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本公开中被描述为“示例性的”或者“例如”的任何方法或设计方案不应被解释为比其它方法或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本公开提供的技术可以应用于各种通信系统,例如,该通信系统可以是第三代(3thgeneration,3G)通信系统(例如通用移动通信系统(universal mobiletelecommunication system,UMTS))、第四代(4th generation,4G)通信系统(例如长期演进(long term evolution,LTE)系统)、第五代(5th generation,5G)通信系统、全球互联微波接入(worldwide interoperability for microwave access,WiMAX)或者无线局域网(wireless local area network,WLAN)系统、或者多种系统的融合系统,或者是未来的通信系统,例如第六代(6th generation,6G)通信系统等。其中,5G通信系统还可以称为新无线(new radio,NR)系统。通信系统中的一个网元可以向另一个网元发送信号或从另一个网元接收信号。其中信号可以包括信息、信令或者数据等。其中,网元也可以被替换为实体、网络实体、设备、通信设备、通信模块、节点、通信节点等等,本公开中以网元为例进行描述。
例如,通信系统可以包括至少一个终端设备和至少一个接入网设备,接入网设备可以向终端设备发送下行信号,和/或终端设备可以向接入网设备发送上行信号。此外可以理解的是,若通信系统中包括多个终端设备,多个终端设备之间也可以互发信号,即信号的发送网元和信号的接收网元均可以是终端设备。
参见图1A示意一种通信系统100,作为示例,该通信系统100包括接入网设备110、接入网设备120、接入网设备130以及终端设备140。终端设备140可以发送上行信号给接入网设备110、接入网设备120以及接入网设备130中一个或多个接入网设备。接入网设备110、接入网设备120以及接入网设备130中一个或多个接入网设备可以向终端设备140发送下行信号。
下面对图1A所涉及的终端设备和接入网设备进行详细说明。
(1)接入网设备
接入网设备可以为基站(base station,BS)。接入网设备还可以称为网络设备、接入节点(access node,AN)、无线接入节点(radio access node,RAN)。其中,基站可能有多种形式,比如宏基站、微基站、中继站或接入点等。接入网设备可以与核心网(如LTE的核心网或者5G的核心网等)连接,接入网设备可以为终端设备提供无线接入服务。接入网设备例如包括但不限于以下至少一个:5G中的基站,如发送接收点(Transmission ReceptionPoint,TRP)或下一代节点B(generation nodeB,gNB)、开放无线接入网(open radioaccess network,O-RAN)中的接入网设备或者接入网设备包括的模块、演进型节点B(evolved node B,eNB)、无线网络控制器(radio network controller,RNC)、节点B(nodeB,NB)、基站控制器(base station controller,BSC)、基站收发台(base transceiverstation,BTS)、家庭基站(例如,home evolved nodeB,或home node B,HNB)、基带单元(base band unit,BBU)、收发点(transmitting and receiving point,TRP)、发射点(transmitting point,TP)、和/或移动交换中心等。或者,接入网设备还可以是无线单元(radio unit,RU)、集中单元(centralized unit,CU)、分布单元(distributed unit,DU)、集中单元控制面(CU control plane,CU-CP)节点、或集中单元用户面(CU user plane,CU-UP)节点。或者,接入网设备可以为车载设备、可穿戴设备或者未来演进的公共陆地移动网络(public land mobile network,PLMN)中的接入网设备等。
本公开中,用于实现接入网设备功能的通信装置可以是接入网设备,也可以是具有接入网设备部分功能的网络设备,也可以是能够支持接入网设备实现该功能的装置,例如芯片系统,硬件电路、软件模块、或硬件电路加软件模块,该装置可以被安装在接入网设备中或者和接入网设备匹配使用。本公开的方法中,以用于实现接入网设备功能的通信装置是接入网设备为例进行描述。
(2)终端设备
终端设备又称之为终端、用户设备(user equipment,UE)、移动台(mobilestation,MS)、移动终端(mobile terminal,MT)等。终端设备可以是一种向用户提供语音和/或数据连通性的设备。终端设备可通过接入网设备与一个或多个核心网进行通信。终端设备可以被部署在陆地上,包括室内、室外、手持、和/或车载;也可以被部署在水面上(如轮船等);还可以被部署在空中(例如飞机、气球和卫星上等)。终端设备包括具有无线连接功能的手持式设备、连接到无线调制解调器的其他处理设备或车载设备等。终端设备可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置。一些终端设备的举例为:个人通信业务(personal communication service,PCS)电话、无绳电话、会话发起协议(session initiation protocol,SIP)话机、无线本地环路(wireless local loop,WLL)站、个人数字助理(personal digital assistant,PDA)、无线网络摄像头、手机(mobilephone)、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mobile internet device,MID)、可穿戴设备如智能手表、虚拟现实(virtual reality,VR)设备、增强现实(augmentedreality,AR)设备、工业控制(industrial control)中的无线终端、车联网系统中的终端、无人驾驶(self driving)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端如智能加油器,高铁上的终端设备以及智慧家庭(smart home)中的无线终端,如智能音响、智能咖啡机、智能打印机等。
本公开中,用于实现终端设备功能的通信装置可以是终端设备,也可以是具有终端部分功能的终端设备,也可以是能够支持终端设备实现该功能的装置,例如芯片系统,该装置可以被安装在终端设备中或者和终端设备匹配使用。本公开中,芯片系统可以由芯片构成,也可以包括芯片和其他分立器件。本公开提供的技术方案中,以用于实现终端设备功能的通信装置是终端设备或UE为例进行描述。
应理解,图1A所示的通信系统中各个设备的数量、类型仅作为示意,本公开并不限于此,实际应用中在通信系统中还可以包括更多的终端设备、更多的接入网设备,还可以包括其它网元,例如可以包括和核心网网元、和/或用于实现人工智能功能的网元。
本公开提供的方法涉及对终端设备的定位技术,参见图1B,在上述图1A所示的通信系统中引入了定位服务器150,该定位服务器150用于估算终端设备的位置。在对终端设备进行定位的场景中,定位服务器可以对终端设备和固定(即已知位置)的接入网设备之间的特征参数进行检测,获取终端设备和接入网设备之间的相对位置或角度信息,从而对终端设备的位置进行估算。其中,一些特征参数举例包括以下一项或多项:信号质量、距离、信号传输时延(或称信号传播时间)或者信号传输时延差、信号出发角度、或信号到达角度等;其中,信号质量可以由信噪比、信号强度、信号场强、信号能量、信号接收功率等中的一项或多项指标体现。
具体地,图1B中的定位服务器可以由位置管理服务功能(location managementfunction,LMF)网元实现。参见图1C示意的一种通信系统,该通信系统中包括接入网设备、终端设备之外,以及核心网网元,如接入和移动管理功能(access and mobilitymanagement function,AMF)网元和位置管理服务功能(location management function,LMF)网元。在图1C示意的通信系统中,接入网设备可以是同一制式下的基站,也可以是不同网络制式下的基站。例如,图1C示意出一个5G基站,如gNB;以及一个可以接入5G核心网的4G基站,如ng-eNB。终端设备(图1C中以UE表示)和gNB之间可以通过NR-Uu接口进行通信,如利用NR-Uu接口传输定位相关的信令。终端设备和ng-eNB之间通过LTE-Uu接口进行通信,如利用LTE-Uu接口传输定位相关的信令。gNB和AMF之间通过NG-C接口进行通信,ng-eNB和AMF之间通过NG-C接口进行通信,例如NG-C接口可以用于传输定位相关的信令。AMF和LMF之间通过NL1接口进行通信,例如利用NL1接口传输定位相关的信令。
具体地,终端设备或者接入网设备中的一方发送参考信号;另一方测量参考信号获取信道信息,并根据该信道信息可以确定终端设备和接入网设备之间的特征参数,特征参数也可以被称为测量量,进而向LMF上报测量量。例如在下行定位场景中,接入网设备或者接入网设备在小区中向终端设备发送定位参考信号(positioning reference signal,PRS),终端设备测量PRS获取下行信道信息,进而终端设备根据该下行信道信息确定测量量,并将测量量上报给LMF用于终端设备的定位。例如在上行定位场景中,终端设备可以向接入网设备或在小区中向接入网设备发送探测参考信号(sounding reference signal,SRS),接入网设备测量SRS获取上行信道信息,进而接入网设备根据该上行信道信息确定测量量,并将测量量上报给LMF用于终端设备的定位。
下面举例介绍一些定位方法:
一种基于到达时间差(time difference of arrival,TDOA)的定位方法,可以利用同步的至少三个接入网设备的位置对终端设备进行定位。如图2所示,三个接入网设备分别标记为eNB1、eNB2、eNB3,该3个接入网设备和终端设备之间的距离分别为d1、d2、d3,对应信号的传播时间分别为t1、t2、t3。例如,3个接入网设备分别向终端设备发送PRS,分别记为P1,P2,和P3。可以设定eNB1为参考节点,终端设备可以测量P2和P1的到达时间差,即t2-t1,也称为参考信号时间差(reference signal time difference,RSTD)。终端设备利用t2-t1可以推断出d2-d1,并获得一条曲线使得该曲线上的每个点都满足到eNB2和eNB1的距离差为d2-d1;类似地,终端设备可以测量P3和P1的到达时间差,即t3-t1,利用t3-t1可以推断出d3-d1,并获得另一条曲线满足该曲线上的每个点都满足到eNB3和eNB1的距离差为d3-d1。终端设备利用上述两个曲线的交点,即可以确定自身的位置。或者,终端设备可以将不同接入网设备与终端设备之间的信号传播时间、到达时间差、距离或者推断的距离差中的至少一个参数上报给LMF,则LMF可以确定上述两个曲线,以及两个曲线的交点,从而确定终端设备的位置。另外,由于不同接入网设备之间存在一定的同步误差,对应获取的到达时间差可以表示为一个区间范围,如对应图2示意曲线所处的区间以虚线表示,得到终端设备的位置处于两曲线所在区间之间的重叠部分。
具体地,可采用如下公式计算终端设备的位置:
其中,(xi,yi)表示eNBi的位置坐标,i的取值为1、2或者3;(x,y)表示待求终端设备的位置坐标,c表示光速。
上述描述的基于TDOA的定位方法,是根据接入网设备向终端设备发送PRS来进行定位,这种定位方法也可以称为下行-TODA(downlink-TODA,DL-TDOA)或观察到达时间差(observed time difference of arrival,OTDOA)。类似地,如果基于TDOA的定位方法是根据终端设备向接入网设备发送SRS来进行定位的方法,那么这种定位方法也可以称为上行-TODA(uplink-TODA,UL-TDOA)。
一种基于信号到达角度(angle of arrival,AoA)或信号出发角度(angle ofdeparture,AoD)的定位方法,可以利用同步的至少两个接入网设备的位置对终端设备进行定位。其中,这里的信号是接入网设备和终端设备之间传输的信号,AoA以及AoD均为相当于接入网设备来说的角度。即在根据接入网设备向终端设备发送PRS进行定位的场景中,可以由至少两个接入网设备向终端设备发送PRS,终端设备测量不同接入网设备发送的PRS确定各个接入网设备所对应的AoD,或者确定各个接入网设备对应的AoD与AoD参考值之间的角度差值。可选的,AoD参考值可以是至少两个接入网设备中一个接入网设备对应的AoD,或预设的AoD。终端设备将至少两个接入网设备对应的AoD或者角度差值上报给LMF,LMF可以根据至少两个接入网设备对应的AoD或者角度差值,确定终端设备的位置。在根据终端设备向接入网设备发送SRS进行定位的场景中,可以由终端设备向至少两个接入网设备发送SRS,不同接入网设备测量来自终端设备的SRS确定各个接入网设备所对应的AoA,或者确定各个接入网设备对应的AoA与AoA参考值之间的角度差值。可选的,AoA参考值可以是至少两个接入网设备中一个接入网设备对应的AoA,或预设的AoA。各个接入网设备将自身对应的AoA或者角度差值上报给LMF,LMF可以根据至少两个接入网设备对应的AoA或者角度差值,确定终端设备的位置。
在实施上述定位方法时,LMF可以预先与终端设备或接入网设备交互定位配置信息,确定待定位的终端设备,参与终端设备定位的接入网设备,以及定位技术相关的配置。作为示例,定位技术相关的配置可以指示对终端设备定位所使用的定位方法、测量的参考信号是下行定位对应的PRS还是上行定位对应的SRS、和/或用于定位的测量量等。下面以DL-TDOA方法为例,介绍可以用于5G系统中的基于LTE定位协议(LTE positioningprotocol,LPP)的定位流程。其中,LPP协议规定了终端设备和LMF之间交互信息的流程,即终端设备和LMF之间可以通过LPP消息交互信息。需要说明的是,按照终端设备-接入网设备-AMF-LMF的方式相连,LPP消息可以跨接入网设备和AMF进行透明传输实现终端设备和LMF之间的交互。
首先,终端设备和LMF交互定位配置信息。定位配置信息包括定位能力和定位辅助信息。这个过程可以是LMF或者终端设备触发。例如,当LMF触发定位辅助信息传输时,LMF决定需要提供给终端设备的定位辅助信息,并且向终端设备发送一条LPP提供辅助数据(LPPProvide Assistance Data)消息。又如,当终端设备触发定位辅助信息传输时,终端设备首先确定需要的定位辅助信息,并向LMF发送一条LPP请求辅助数据(LPP RequestAssistance Data)消息,该LPP请求辅助数据消息可以用于指示终端设备需要的定位辅助信息。LMF向终端设备发送LPP提供辅助数据消息,以提供终端设备需要的定位辅助信息。其中,定位能力表示终端设备的以下至少一项内容:支持的定位方法、采用的协议和流程、可配置的参数等信息;定位辅助信息包括以下一个或多个参数:终端设备所在的物理小区的标识(identity,ID)、全局小区ID、接入网设备的ID、接入网设备的PRS配置、接入网设备的同步信号块(synchronization signal/physical broadcast channel block,SSB)信息、PRS的空间方向信息、接入网设备的地理位置坐标、接入网设备和参考节点的时间差等信息。
其次,终端设备和LMF交互定位信息,即将终端设备测量各个接入网设备发送的PRS确定的测量量(或称,定位测量结果)反馈给LMF,这个过程可以由终端设备或LMF触发。例如,当LMF触发定位信息交互时,LMF向终端设备发送LPP请求定位信息(LPP RequestLocation Information)消息,该LPP请求定位信息消息用于指示LMF需要的定位测量结果,测量配置信息,和/或要求的响应时间等信息。然后,终端设备在要求的响应时间之前向LMF发送LPP提供定位信息(LPP Provide Location Information)消息,以反馈测量量。当终端设备触发定位信息交互时,终端设备向LMF发送LPP提供定位信息消息,以反馈测量量。其中,测量量可以包括PRS的到达时间戳、PRS的传播时间、PRS对应的到达时间差、或PRS的接收信号功率等一项或多项信息。此外,测量量还可以包括用于标识接入网设备的信息,例如包括各测量量对应的物理小区ID、全局小区ID、和/或接入网设备ID等。
除了终端设备和LMF之间需要交互定位辅助信息和定位信息以外,接入网设备和LMF之间也可以交互一些定位辅助信息。通常由LMF触发接入网设备和LMF之间交互定位辅助信息,相关流程可以参见但不限于NR定位协议A(NR positioning protocol A,NRPPa)的规定,接入网设备与LMF之间通过AMF相连,NRPPa协议对于AMF是透明的,NRPPa数据单元跨AMF透明传输使得接入网设备和LMF实现交互。接入网设备的定位辅助信息包括物理小区ID、全局小区ID、接入网设备的ID、接入网设备的PRS配置、接入网设备的SSB信息、PRS的空间方向信息、或接入网设备的地理位置坐标等一项或多项参数。LMF向接入网设备发送TRP信息请求(TRP Information Request)消息,TRP信息请求消息用于请求LMF需要的接入网设备的定位辅助信息,接入网设备向LMF发送TRP信息响应(TRP Information Response)消息,TRP信息响应消息用于指示LMF需要的接入网设备的定位辅助信息,或者接入网设备向LMF发送TRP信息失败(TRP Information Failure)消息,TRP信息失败消息用于指示失败原因。
在实际场景下,由于噪声和干扰的影响,测量参考信号确定的信号传播时间或者相关角度可能存在一定的测量误差,对应的定位结果也会存在一定误差。例如,图3示意了测量参考信号得到的时域信道响应在不同时域采样点上的功率|h(t)|^2。如图3所示,开始一段时域采样点的信号功率较弱,对应的是噪声信号;中间有一段时域采样点的信号功率较强,对应的是实际信号的多径响应。即实际场景下,需要在存在干扰和噪声的环境下判断实际信号的起始位置,从而获得准确的信号传播时间或相关角度。确定实际信号的起始位置也称为首径识别问题。此外,如果测量的参考信号是由非直射路径(non-line of sight,NLOS)传播的信号,会对终端设备的定位造成较大的估计误差。因此一般要求测量的参考信号是由直射路径(line of sight,LOS)传播的信号。其中,接入网设备和终端设备之间的NLOS是指接入网设备和终端设备之间存在障碍物,使得信号不能直射传播。接入网设备和终端设备之间的LOS是指接入网设备和终端设备之间的信号是直射传播。如图4示意,eNB和UE之间的LOS(虚线)被树木遮挡,实际到达的是经过墙面反射的NLOS(实线),NLOS的距离(d2+d3)大于LOS的距离(d1)。如果在进行终端设备的定位时,将NLOS误认为是LOS,可能出现较大的测量误差。由此可见,LOS和NLOS的分类对于终端设备的定位十分重要。
对此,本公开利用人工智能(artificial Intelligence,AI)技术进行首径识别,根据获取的信道信息推导符合LOS传播的测量量,从而减少测量误差,提升定位精度。其中,AI可以通过各种可能的技术实现,例如通过机器学习(machine learning,ML)技术实现。在本公开中,前述通信系统也可以包括实现AI功能的网元。例如,可以在通信系统中已有网元内配置AI功能(如AI模块或者AI实体)来实现AI相关的操作。例如在5G新无线(new radio,NR)系统中,该已有网元可以是接入网设备(如gNB)、终端设备、核心网设备、或网管等。或者,也可以在通信系统中引入独立的网元来执行AI相关的操作。该独立的网元可以称为AI网元或者AI节点等,本公开对此名称不进行限制。在这种情况下,执行AI相关的操作的网元为内置AI功能(如AI模块或者AI实体)的网元。AI相关的操作还可以称为AI功能。AI功能的具体介绍请参见下文。AI网元可以与前述通信系统中包括的网元,如终端设备、接入网设备、核心网网元等建立通信连接。示例性的,参见图5,通信系统中包括终端设备、接入网设备、AMF网元、LMF网元,引入AI网元可以与终端设备、接入网设备、AMF网元、LMF网元之间建立直接或间接的通信连接。
为了便于理解,下面首先结合A1~A4,对本公开涉及的AI的部分用语进行介绍。可以理解的是,该介绍并不作为对本公开的限定。
A1,AI模型
AI模型是AI功能的具体实现,AI模型表征了模型的输入和输出之间的映射关系,可以指将某种维度的输入映射到某种维度的输出的函数模型。AI模型可以是神经网络或者其他机器学习模型,如决策树、支持向量机等。本公开中,可以将AI模型简称为模型。本公开中,AI功能可以包括以下至少一项:数据收集(收集训练数据和/或推理数据)、数据预处理、模型训练(或称,模型学习)、模型检测、模型信息发布(配置模型信息)、模型推理、或推理结果发布。其中,推理又可以称为预测。模型检测可以用于检测训练得到的模型是否满足需求。本公开中,可以将AI模型简称为模型。
A2,机器学习
机器学习是实现人工智能的一种重要技术途径,如机器学习可以从原始数据中学习模型或规则,机器学习分为监督学习、非监督学习、强化学习。
监督学习依据已采集到的样本(或称样本值)和样本标签,利用机器学习算法学习样本到样本标签的映射关系,并用机器学习模型来表达学到的映射关系。训练机器学习模型的过程就是学习这种映射关系的过程。如信号检测中,样本为含噪声的接收信号,样本标签为该接收信号对应的真实星座点,机器学习期望通过训练学到样本与样本标签之间的映射关系。在训练时,通过计算模型的输出(即预测值)与样本标签的误差来优化模型参数。映射关系学习完成后,可以利用学到的映射关系来预测新样本的样本标签。监督学习学到的映射关系可以包括线性映射、非线性映射。根据样本标签的类型可将机器学习的任务分为分类任务和回归任务。
无监督学习依据采集到的样本,利用算法自行发掘样本的内在模式。无监督学习中有一类算法(如自编码器、对抗生成型网络等)可以将样本自身作为监督信号,模型学习从样本到样本的映射关系,训练时,通过计算模型的预测值与样本本身之间的误差来优化模型参数,实现自监督学习。自监督学习可用于信号压缩及解压恢复的应用场景。
强化学习是一类通过与环境交互来学习解决问题的策略的算法。与监督学习、无监督学习不同,强化学习并没有明确的样本标签,算法需要与环境进行交互,获取环境反馈的奖励信号,进而调整决策动作以获得更大的奖励信号数值。如在下行功率控制中,强化学习模型根据无线网络反馈的系统总吞吐率,调整各个终端的下行发送功率,进而期望获得更高的系统吞吐率。强化学习的目标也是学习环境状态与最优决策动作之间的映射关系。强化学习的训练是通过与环境的迭代交互而实现的。
A3,神经网络
神经网络是AI或机器学习技术的一种具体实现形式。根据通用近似定理,神经网络在理论上可以逼近任意连续函数,从而使得神经网络具备学习任意映射的能力。传统的通信系统需要借助丰富的专家知识来设计通信模块,而基于神经网络的深度学习通信系统可以从大量的数据集中自动发现隐含的模式结构,建立数据之间的映射关系,获得优于传统建模方法的性能。
神经网络的思想来源于大脑组织的神经元结构。例如,每个神经元都对其输入值进行加权求和运算,通过一个激活函数输出运算结果。如图6A所示,为神经元结构的一种示意图。假设神经元的输入为x=[x0,x1,…,xn],与各个输入对应的权值分别为w=[w,w1,…,wn],其中,wi作为xi的权值,用于对xi进行加权。根据权值对输入值进行加权求和的偏置例如为b。激活函数的形式可以有多种,假设一个神经元的激活函数为:y=f(z)=max(0,z),则该神经元的输出为: 再例如,一个神经元的激活函数为:y=f(z)=z,则该神经元的输出为:其中,b、wi、或xi可以是小数、整数(例如0、正整数或负整数)、或复数等各种可能的取值。神经网络中不同神经元的激活函数可以相同或不同。
神经网络一般包括多个层,每层可包括一个或多个神经元。通过增加神经网络的深度和/或宽度,能够提高该神经网络的表达能力或称函数拟合能力,为复杂系统提供更强大的信息提取和抽象建模能力。其中,神经网络的深度可以是指神经网络包括的层数,其中每层包括的神经元个数可以称为该层的宽度。在一种实现方式中,神经网络包括输入层和输出层。神经网络的输入层将接收到的输入信息经过神经元处理,将处理结果传递给输出层,由输出层得到神经网络的输出结果。在另一种实现方式中,神经网络包括输入层、隐藏层和输出层,神经网络的输入层将接收到的输入信息经过神经元处理,将处理结果传递给中间的隐藏层,隐藏层对接收的处理结果进行计算,得到计算结果,隐藏层将计算结果传递给输出层或者相邻的隐藏层,最终由输出层得到神经网络的输出结果。其中,一个神经网络可以包括一个隐藏层,或者包括多个依次连接的隐藏层,不予限制。
如上述已经介绍,每个神经元都对其输入值做加权求和运算,并加权求和结果通过一个函数(例如通常为非线性函数,但是也不排除为线性函数)产生输出。将神经网络中神经元加权求和运算的权值以及非线性函数称作神经网络的参数。以max{0,x}为非线性函数的神经元为例,执行操作的神经元的参数为权值为w=[w,w1,…,wn],其中,加权求和的偏置为b。一个神经网络的所有神经元的参数构成这个神经网络的参数。
本公开涉及的神经网络例如深度神经网络(deep neural network,DNN)。DNN一般具有多个隐藏层,在DNN中,DNN的模型参数包括每个神经元对应的权值。DNN可以使用监督学习或非监督学习策略来优化模型参数。根据网络的构建方式,DNN可以包括前馈神经网络(feedforward neural network,FNN)、卷积神经网络(convolutional neural networks,CNN)和递归神经网络(recurrent neural network,RNN)。以FNN为例,参见图6B示意一种神经网络结构,FNN的特点为相邻层的神经元两两之间完全相连。
CNN可以应用于处理具有类似网格结构的数据。其中,具有类似网格结构的数据可以包括时间序列数据(时间轴离散采样)和图像数据(二维离散采样)等。CNN的卷积层并不一次性利用全部的输入信息做卷积运算,而是设定一个或多个固定大小的窗,采用各个窗截取部分输入信息做卷积运算。这样的设计可以较大程度地降低模型参数的计算量。具体地,针对一个或多个固定大小的窗中的任意一个窗做卷积运算,可以理解为以该窗的系数(如加权系数)和该窗所截取的部分输入信息进行先乘后加运算。卷积运算后可以得到该窗对应的输出信息。其中,不同窗的系数可以是独立配置的。例如,不同窗可以配置不同的系数,这可以使得CNN更好的提取输入数据的特征。窗的系数可以包括卷积核。可选的,不同窗截取的部分输入信息的类型可以不同,示例性的,同一副图中的人和物可以理解为不同类型的信息,在设定两个固定大小的窗中一个窗可以截取该图中的人,另一个窗可以截取该图中的物。RNN是一种利用反馈时间序列信息的DNN网络。它的输入包括当前时刻的新的输入值和RNN在前一时刻的输出值中的部分,其中前一时刻的输出值可以由激活函数和前一时刻的输入所确定。RNN适合获取在时间上具有相关性的序列特征,适用于语音识别、信道编译码等应用场景。
另外,在神经网络的训练过程中,可以定义损失函数。损失函数描述了神经网络的输出值与理想目标值之间的差距或差异,本公开并不限制损失函数的具体形式。神经网络的训练过程就是通过调整神经网络的参数,使得损失函数的取值小于门限,或者使得损失函数的取值满足目标需求的过程。调整神经网络的参数,例如调整如下参数中的至少一种:神经网络的层数、宽度、神经元的权值、或、神经元的激活函数中的参数。
本公开利用AI技术训练可以部署在测量量上报侧的模型。该模型用于从信道信息中提取测量量。该模型的输入类型可以包括信道信息,输出类型可以包括能够表征测量量的信息。其中,信道信息对应终端设备与接入网设备(或接入网设备的小区节点)之间的信道,信道信息可以是信道响应、信道特征矩阵、信道延迟分布或信道特征向量等。参见图7示意一种模型训练框架,在上行定位场景中,测量量上报侧可以为接入网设备或接入网设备的小区节点;在下行定位场景中,测量量上报侧可以为终端设备。测量量上报侧首先向LMF发送第一信道估计信息,该第一信道估计信息用于指示测量量上报侧通过测量信道信息所确定的测量量,第一信道估计信息还可以描述为第一测量信息。LMF根据获取的第一信道估计信息确定(或称反推导)对应的第二信道估计信息,该第二信道估计信息用于模型的训练。可选的,测量上报侧可以利用已有模型从信道信息中获取第一信道估计信息,LMF确定的第二信道估计信息用于对前述已有模型进行更新训练。
下面通过方案一~方案三对本公开提供的模型训练方案,进行详细说明。
方案一
参见图8示意一种通信方法,该方法主要包括如下流程。
可选的,S801,第一设备或者LMF中的一方发起模型的训练请求。
其中,该模型可部署于第一设备,用于从定位测量涉及的相关信道信息中提取用于终端设备定位的信道估计信息。信道估计信息可以表征前述介绍的测量量,具体将在后文S802中描述。
具体地,第一设备为终端设备,或者第一设备为M个小区节点第m个小区节点。其中,M个小区节点为参与模型训练,对终端设备进行定位的小区节点。M为大于1的正整数,m为取遍1至M的正整数。M个小区节点可以为同一接入网设备,即该接入网设备可以管理多个小区,在不同小区中可以相应地称为对应的小区节点;或者,M个小区节点也可以为不同接入网设备的小区节点,M个小区节点也可以描述为M个接入网设备;或者,M个小区节点中至少两个小区节点不属于同一个接入网设备。可选的,小区节点也可以描述为小区。另外需要说明的是,对于接入网设备只管理一个小区,例如接入网设备为微站或者小站的情况,该接入网设备的小区节点也可以理解为接入网设备本身。
一种可选的方式,可以是第一设备向LMF发送训练请求信息,以触发模型的训练过程。例如,第一设备为小区节点时,小区节点可以在搭建基础模型架构后,发送训练请求信息以请求训练适用于当前场景的模型。例如,第一设备为终端设备时,终端设备可以在位置发生较大变化时发起训练,如进入某个商场,或者到达新的城市。例如,终端设备或小区节点也可以周期性的发起训练以定期进行模型的更新。例如,终端设备或小区节点也可以在计算资源较为空闲的时候发起训练。
另一种可选的方式,可以是LMF向第一设备发送训练请求信息。具体地,LMF可以根据实际需求发起训练,例如LMF判断第一设备当前使用的模型效果差时发起模型的更新训练,或者LMF也可以周期性的发起训练,实现模型的定期更新。
上述可选方式中描述的训练请求信息,还可以称作第一请求信息或者其他的名称,本公开对此不做限制。
作为示例,图8在S801中示意出第一设备向LMF发送训练请求信息,以触发模型的训练过程。可以理解的是,第一设备为终端设备时,终端设备与LMF之间可按照LPP协议通信,图8中省略了在终端设备与LMF之间透明传输涉及的接入网设备、AMF;第一设备为小区节点时,小区节点所属接入网设备与LMF可按照NRPPa协议通信,图8中省略了在小区节点与LMF之间透明传输涉及的AMF。
S802,LMF获取M个第一信道估计信息。
其中,所述M个第一信道估计信息中的第m个第一信道估计信息是M个小区节点中第m个小区节点与终端设备之间的信道的估计信息。具体地,所述M个第一信道估计信息中的第m个第一信道估计信息由M个小区节点中第m个小区节点与终端设备之间的信道的信道信息确定。
具体地,如图8示意,LMF可以从第一设备获取第m个第一信道估计信息。示例性的,在下行定位场景中,M个小区节点可以向终端设备发送参考信号如PRS;终端设备测量M个小区节点中第m个小区节点发送的PRS,获取第m个小区节点与终端设备之间的信道的信道信息;终端设备根据获取的信道信息确定第m个小区节点对应的测量量,终端设备向LMF发送该m个第一信道估计信息,该m个第一信道估计信息用于指示第m个小区节点对应的测量量。示例性的,在上行定位场景中,终端设备向M个小区节点中第m个小区节点发送参考信号如SRS;第m个小区节点测量终端设备发送的PRS,获取第m个小区节点与终端设备之间的信道的信道信息;第m个小区节点根据获取的信道信息确定第m个小区节点对应的测量量,第m个小区节点向LMF发送该m个第一信道估计信息,该m个第一信道估计信息用于指示第m个小区节点对应的测量量。可选的,LMF可以配置第一设备在训练阶段周期性的测量参考信号,直到第一设备收到训练结束的指示时停止测量。
具体地,第m个第一信道估计信息具体可以用于指示如下一个或多个参数:
(1)所述第m个小区节点与所述终端设备之间的距离。例如,第m个第一信道估计信息包括所述第m个小区节点与所述终端设备之间的距离;或者,第m个第一信道估计信息包括第m个距离差,第m个距离差表示所述第m个小区节点与所述终端设备之间的距离相对于参考距离的差值;其中,参考距离可以是预先设定的,或者是M个小区节点中的指定小区节点与终端设备之间的距离。
(2)所述第m个小区节点与所述终端设备之间的信号传输时延或信号传输时延差。例如,第m个第一信道估计信息包括所述第m个小区节点与所述终端设备之间的信号传输时延;或者,第m个第一信道估计信息包括第m个信号传输时延差(或称信号传输时间差),第m个信号传输时延差表示所述第m个小区节点与所述终端设备之间的信号传输时延相对于参考时延的差值;其中,参考时延可以是预先设定的,或者是M个小区节点中的指定小区节点与终端设备之间的信号传输时延。
(3)所述第m个小区节点对应的信号出发角度(AoD)或信号到达角度(AoA)。例如,在上行定位场景中,第m个第一信道估计信息包括所述第m个小区节点对应的信号到达角度,或者第m个第一信道估计信息包括第m个到达角度差,第m个到达角度差表示所述第m个小区节点与所述终端设备之间的信号到达角度相对于参考到达角度的差值;其中,参考到达角度可以是预先设定的,或者是M个小区节点中的一个小区节点对应的信号到达角度。又如,在下行定位场景中,第m个第一信道估计信息包括所述第m个小区节点对应的信号出发角度,或者第m个第一信道估计信息包括第m个出发角度差,第m个出发角度差表示所述第m个小区节点与所述终端设备之间的信号出发角度相对于参考出发角度的差值;其中,参考出发角度可以是预先设定的,或者是M个小区节点中的指定小区节点对应的信号出发角度。
(4)所述第m个小区节点与所述终端设备之间的信号质量;其中,信号质量的定义可参照前述内容理解,本公开对此不再进行赘述。
(5)所述第m个小区节点与所述终端设备之间的信号传输路径的类型。例如,信号传输路径的类型为直射路径或者非直射路径。
可选的,第一设备在向LMF发送第m个第一信道估计信息之前,可以与LMF交互定位配置信息。具体地,可参照前述终端设备和LMF交互定位配置信息的方式实施,本公开对此不再进行赘述。
可选的,第一设备可以多次测量信道信息确定第m个第一信道估计信息,向LMF多次发送第m个第一信道估计信息。对应的,LMF获取M个第一信道估计信息,包括:LMF一次或多次,获取M个第一信道估计信息。
S803,根据所述M个第一信道估计信息中的至少一个第一信道估计信息,确定M个第二信道估计信息。
其中,所述M个第二信道估计信息中的第m个第二信道估计信息对应M个小区节点中第m个小区节点与终端设备之间的信道。
具体地,第m个第二信道估计信息所指示的参数可以参考第一信道估计信息指示的参数理解,例如第m个第二信道估计信息可以指示如下一个或多个参数:所述第m个小区节点与所述终端设备之间的距离;所述第m个小区节点与所述终端设备之间的信号传输时延或信号传输时延差;所述第m个小区节点对应的信号出发角度(AoD)或信号到达角度(AoA);所述第m个小区节点与所述终端设备之间的信号质量;或,所述第m个小区节点与所述终端设备之间的实际信号传输路径的类型。
另外可以理解的是,在第m个第二个信道估计信息能够指示的参数中除实际信号传输路径的类型之外,其他参数是对应模拟第m个小区节点与终端设备之间的路径为LOS的情况所计算出的参数。前述所述第m个小区节点与所述终端设备之间的实际信号传输路径的类型,可能为LOS或者NLOS。
可选的,第m个第二信道估计信息所指示的参数类型和第m个第一信道估计信息所指示的参数类型可以相同,例如第m个第一信道估计信息所指示的参数包括如S802描述的(1)~(3)时,第m个第二信道估计信息所指示的参数包括如S802描述的(1)~(3)对应的标签。或者,第m个第二信道估计信息所指示的参数类型和第m个第一信道估计信息所指示的参数类型也可以不相同,例如第m个第一信道估计信息所指示的参数包括如S802描述的(1)~(3)时,第m个第二信道估计信息所指示的参数包括如S802描述的(1)~(2)对应的标签。有关第m个第二信道估计信息所指示的参数类型可以根据实际模型的训练需求所决定,本公开对此不进行限制。
作为一种示例,对应S801第一设备在向LMF发送训练请求信息时,可以通过训练请求信息请求相关的第二信道估计信息。可选的,第一设备可以通过训练请求信息向LMF指定第二信道估计信息指示的参数,例如第一设备可以在训练请求信息中包括该第二信道估计信息指示的参数类型。此情况下,该第二信道估计信息指示的参数类型也可以理解为第一设备希望模型的输出所表征测量量的类型。
可选的,对应S802中LMF一次或多次获取M个第二信道估计信息,在一次或多次中的每一次,LMF可以参照如下方式确定对应的M个第二信道估计信息:LMF根据所述M个第一信道估计信息中的至少一个第一信道估计信息,确定所述终端设备的第一位置;LMF根据所述终端设备的第一位置和所述M个小区节点的位置,确定所述M个第二信道估计信息。
其中,第一位置可以是LMF结合M个小区节点的位置、以及M个第一信道估计信息中的至少一个第一信道估计信息,初步确定出终端设备的一个可信位置(或称可靠位置)。下面对确定第一位置的可选实施方式进行介绍。
一种可选的实施方式中,LMF可以根据所述M个第一信道估计信息和所述M个小区节点的位置,确定所述终端设备的多个第二位置。其中,所述多个第二位置中的第一部分位置位于第一区域,所述多个第二位置中的第二部分位置不位于所述第一区域,且所述第一部分位置的数量大于所述第二部分位置的数量。进而,LMF根据所述多个第二位置中的第一部分位置,确定所述终端设备的第一位置。
示例性的,以TDOA的定位方法为例,M个第一信道估计信息中第m个第一信道估计信息指示的参数包括所述第m个小区节点与所述终端设备之间的信号传输时延。如图9示意一种定位场景,假设M为6,6个小区节点分别记作C1、C2、C3、C4、C5以及C6。其中,C6与终端设备之间的路径为NLOS,其余的小区节点与终端设备之间的路径为LOS。此情况下,LMF基于M个第一信道估计信息,利用6个小区节点中任意3个小区节点的位置估算终端设备的位置时,共可以得到20种可能的位置,这20个位置在图9中以“☆”示意。由于图9所示场景中只有一个NLOS,因此如果选取用于估算终端位置的3个小区节点与终端设备之间的路径都为LOS,也即在C1、C2、C3、C4、C5中任选3个,得到的10个位置是比较接近,均位于图9中虚线框区域(对应前述第一区域)内;而如果用于估算终端位置的3个小区节点包括C6,所得到的10个位置分散在虚线框区域之外。于是LMF可以根据虚线框内的10个位置确定终端设备的第一位置,例如,可以将虚线框内的10个位置进行平均化处理得到第一位置。
另一种可选的实施方式中,LMF可以根据N个第一信道估计信息和所述N个小区节点的位置,确定所述终端设备的第一位置;其中,N个第一信道估计信息与N个小区节点一一对应,所述N个小区节点包含于所述M个小区节点,N为小于或者等于M的正整数。所述N个小区节点中每个小区节点与所述终端设备之间的路径为直射路径。具体地,LMF可以根据M个第一信道估计信息,在M个小区节点中确定出对应直射路径的N个小区节点。
示例性的,以TDOA的定位方法为例,对应M个第一信道估计信息中第m个第一信道估计信息指示的参数包括所述第m个小区节点与所述终端设备之间的信号传输时延。首先,LMF可以在M个小区节点中任意选取3个小区节点,记3个小区节点中第i个小区节点的位置坐标为(xi,yi,zi),i取遍1至3的正整数。LMF利用选取的3个小区节点计算终端设备的位置坐标为(x,y,z)。进而LMF根据前述计算出的终端设备的位置坐标和第i个小区节点的位置坐标,计算终端设备和第i个小区节点之间的距离为以及可以计算出终端设备和第i个小区节点之间的信号传输时延为/>
对应S802,假设第m个第一信道估计信息包括第m个信号传输时延差,参考时延为前述M个小区节点中的指定小区节点与终端设备之间的信号传输时延。记该指定小区节点与终端设备之间的距离为t0,第一设备向LMF上报的前述3个小区节点中第i个小区节点对应的时间差测量量为Δτi,LMF计算的前述3个小区节点中第i个小区节点对应的信号传输时延差为Δti=ti-t0。则会得到第i个小区节点对应的参数εi=|Δti-Δτi|。其中,εi用于确定第i个小区节点与终端设备之间的路径为LOS还是NLOS。具体地,LMF可通过如下公式确定第i个小区节点与终端设备之间的路径为LOS还是NLOS:
其中,th为预设的阈值,可以理解εi≤th时,losi取值为1,表示Δti与Δτi之间的差异较小,第i个小区节点与终端设备之间的路径为LOS;εi>th时,losi取值为0,表示Δti与Δτi之间的差异较大,第i个小区节点与终端设备之间的路径为NLOS。
LMF通过对比上报量和计算量的方式,可以从M个小区节点中选取对应直射路径的N个小区节点。此外,对应S802中描述,M个第一信道估计信息中第m个第一信道估计信息指示其他参数的情况,可以基于上述对比上报量和计算量的方式,确定小区节点和终端设备之间的信号传输路径的类型,本公开对此不再进行赘述。
示例性的,如果M个第一信道估计信息中第m个第一信道估计信息指示的参数包括所述第m个小区节点与所述终端设备之间的信号传输路径的类型;则LMF可以直接根据该第m个第一信道估计信息确定第m个小区节点对应的路径类型为直射路径或非直射路径,进而在M个小区节点中确定出对应直射路径的N个小区节点。
S804,LMF向第一设备发送K个第二信道估计信息,所述第一设备用于所述模型的训练。
其中,K个第二信道估计信息包含于S803中描述的M个第二信道估计信息,可以理解LMF向第一设备发送M个第二信道估计信息中的部分或全部第二信道估计信息,K为正整数,K小于或者等于M。K个第二信道估计信息中第k个第二信道估计信息对应K个小区节点中第k个小区节点与终端设备之间的信道,K个小区节点包含于前述M个小区节点,k取遍1至K的正整数。
具体地,如果所述第一设备为所述第m个小区节点,LMF向所述第一设备发送的K个第二信道估计信息只包括所述第m个小区节点与终端设备之间的信道所对应的第二信道估计信息,则第m个小区节点可基于第m个小区节点与终端设备之间的信道所对应的第二信道估计信息,训练对应的模型。在此情况下,k与m同义。
或者,如果所述第一设备为所述第m个小区节点,LMF向所述第一设备发送的K个第二信道估计信息为所述M个第二信道估计信息,则第m个小区节点可基于M个第二信道估计信息中的部分或全部第二信道估计信息,训练对应的模型。
或者,如果所述第一设备为所述第m个小区节点,LMF向所述第一设备发送的K个第二信道估计信息为所述M个第二信道估计信息中的部分第二信道估计信息,则第m个小区节点可基于M个第二信道估计信息中的部分第二信道估计信息,训练对应的模型。
或者,如果所述第一设备为所述终端设备,LMF向所述第一设备送所述M个第二信道估计信息,则终端设备可基于M个第二信道估计信息,训练对应的模型。
可选的,第一设备可以自行决定根据M个第二信道估计信息中的部分还是全部第二信道估计信息进行模型的训练,或者描述为第一设备可以自行决定利用M个小区中部分还是全部小区对应的第二估计信息进行模型的训练,第一设备在向LMF发送训练请求信息时,指示请求的是K个第二信道估计信息,例如第一设备可以在训练请求信息中包括一个取值为K的指示信息。
可选的,对应S803中描述LMF多次获取M个第一信道估计信息的情况,LMF可以在获取到设定次数的M个第一信道估计信息时,统一发送对应次数的K个第二信道估计信息。或者,LMF可以每隔设定时间,根据设定时间内一次或多次获取的M个第一信道估计信息,统一发送对应次数的K个第二信道估计信息。其中,设定次数或者设定时间可以由第一设备配置给LMF,或者也可以是预先约定的,本公开对此不进行限制。通过这样的方式,能够减少信令开销。
S805,第一设备根据所述K个第二信道估计信息,进行模型的训练。
具体地,第一设备在训练模型时,可以采用监督学习进行训练。以测量的信道信息作为样本,并根据获取的第二信道估计信息确定样本标签,从而得到模型的训练数据集。训练相关的损失函数不予限定,例如可以由模型的结构类型、模型的训练数据集和/或模型的应用场景等因素确定。一些模型的结构类型举例如下:决策树、随机森林、支撑向量机或神经网络等,其中,神经网络例如为CNN、RNN、或FNN等。
具体地,第一设备可以获取K个信道信息,该K个信道信息中的第k个信道信息为K个小区节点中第k个小区节点与终端设备之间的信道的信道信息。对应S804,K个小区节点可以为1个或多个。如果第一设备为一个小区节点,前述K个小区节点可以包括第一设备,且K大于1时,第一设备可以从除自身之外的其他K-1个小区节点请求其与终端设备之间的信道的信道信息。在进行所述模型的训练时,所述模型的输入是根据所述第k个小区节点与终端设备之间的信道的信道信息确定的,所述输入对应的标签是根据所述第k个小区节点与终端设备之间的信道所对应的第二信道估计信息确定的。示例性的,如果信道信息为信道响应,则所述模型的输入可以包括所述第k个小区节点与终端设备之间的信道的信道响应、实虚部分分离后的信道响应、或者幅度相位分离后的信道响应等。
可选的,模型的功能与第二信道估计信息指示的参数类型有关。训练好的所述模型的输入类型包括信道信息,输出类型包括对应的第三信道估计信息,所述第三信道估计信息指示的参数类型与第二信道估计信息指示的参数类型相同;所述第三信道估计信息用于确定所述终端设备的第二位置。参见图10示意一种基于模型的定位方法,训练好的模型可以部署于终端设备或接入网设备(接入网设备的小区),用于根据定位测量涉及的信道信息中确定用于终端设备定位的第三信道估计信息。进而终端设备或接入网设备(接入网设备的小区)可以将前述第三信道估计信息发送给LMF,LMF根据获取的第三信道估计信息计算终端设备的第二位置。
示例性的,如果第一设备可以确定T个小区节点中第t个小区节点与终端设备之间的信道信息,则第一设备利用训练好的模型可以根据所述第t个小区节点与所述终端设备之间的信道的信道信息,确定第t个第三信道估计信息。其中,T为大于1的正整数,t为取遍1至T的正整数;可选地,T和上述M的取值可以相同,也可以不同,不予限制。
其中,当第二信道估计信息指示的参数类型包括小区节点与所述终端设备之间的距离时,第t个第三信道估计信息指示的参数包括:在LOS的条件下,第t个小区节点与所述终端设备之间的距离。其中,该距离还可以称为LOS距离。
当第二信道估计信息指示的参数类型包括小区节点与所述终端设备之间的信号传输时延或信号传输时延差时,第t个第三信道估计信息指示的参数包括:在LOS的条件下,第t个小区节点与所述终端设备之间的信号传输时延或信号传输时延差。其中,该信号传输时延还可以称为符合LOS传输的信号传输时延,该信号传输时延差还可以称为符合LOS传输的信号传输时延差。
当第二信道估计信息指示的参数类型包括相对于小区节点的信号出发角度或信号到达角度时,第t个第三信道估计信息指示的参数包括第t个小区节点对应的符合LOS传输的信号出发角度或信号到达角度。
当第二信道估计信息指示的参数类型包括小区节点与终端设备之间的信号传输路径的类型时,第t个第三信道估计信息指示的参数包括第t个小区节点与终端设备之间的实际信号传输路径的类型。
需要说明的是,以上示例的情况可能结合在一起出现。例如一种可能的情况,第二信道估计信息指示的参数类型包括小区节点与所述终端设备之间的信号传输时延,以及小区节点与终端设备之间的信号传输路径的类型。第一设备利用训练好的模型可以根据所述第t个小区节点与所述终端设备之间的信道的信道信息,确定第t个第三信道估计信息,该第t个第三信道估计信道信息指示的参数包括第t个小区节点与所述终端设备之间的符合LOS传输的信号传输时延,以及第t个小区节点与终端设备之间的实际信号传输路径的类型,例如该实际信号传输路径的类型为NLOS。
本方案中根据终端设备或小区节点测量得到信道估计信息,推导用于模型训练的标签,并将模型训练的标签提供给终端设备或小区节点,使得终端设备或小区节点训练模型。该训练方式更适合实际场景环境,能够提升模型的性能,从而提升定位精度。
在本公开的各示例中,参与模型训练的小区节点和参与模型推理的小区节点可以相同,也可以不同。例如利用第一组小区节点进行模型训练,将训练得到的模型用于第二组小区节点,第一组小区节点和第二组小区节点可以相同,也可以不同,不予限制。
在本公开的各示例中,参与模型训练的终端设备和参与模型推理的终端设备可以相同,也可以不同。例如利用终端A进行模型训练,将训练得到的模型用于终端B,终端A和终端B可以相同,也可以不同,不予限制。
方案二
参见图11示意一种通信方法,该方法主要包括如下流程。
可选的,S1101,第一设备或者LMF中的一方发起模型的训练请求。
该步骤可参照S801实施,本公开对此不再进行赘述。
S1102,LMF获取M个第一信道估计信息。
该步骤可参照S802实施,本公开对此不再进行赘述。
S1103,LMF根据所述M个第一信道估计信息中的至少一个第一信道估计信息,确定M个第二信道估计信息。
该步骤可参照S803实施,本公开对此不再进行赘述。
S1104,LMF获取M个小区节点与终端设备之间的信道的信道信息。
具体地,LMF从第一设备获取所述第m个小区节点与终端设备之间的信道的信道信息。对于第一设备测量所述第m个小区节点与终端设备之间的信道的信道信息可参照S802中描述的内容理解,本公开对此不再进行赘述。
S1105,LMF根据所述M个第二信道估计信息中的至少一个第二信道估计信息,进行模型的训练。
可选的,第一设备为第m个小区节点时,LMF可根据第m个第二信道估计信息,针对第m个小区节点训练对应的模型;其中,在进行所述模型的训练时,所述模型的输入是根据所述第m个小区节点与终端设备之间的信道的信道信息确定的,所述输入对应的标签是根据所述第m个小区节点与终端设备之间的信道所对应的第二信道估计信息确定的。
或者可选的,LMF可根据K个第二信道估计信息,为K个小区节点训练同一个模型,K为小于或者等于M的正整数,K个小区节点包含于前述M个小区节点,是M个小区节点的部分节点或者全部节点,K个第二信道估计信息包含于M个第二信道估计信息。K个第二信道估计信息中第k个第二信道估计信息对应K个小区节点中第k个小区节点与终端设备之间的信道。其中,在进行所述模型的训练时,所述模型的输入是根据所述第k个小区节点与终端设备之间的信道的信道信息确定的,所述输入对应的标签是根据所述第k个小区节点与终端设备之间的信道所对应的第二信道估计信息确定的。
或者可选的,第一设备为终端设备时,LMF可根据M个第二信道估计信息,训练模型。其中,在进行所述模型的训练时,所述模型的输入是根据所述M个小区节点中各个小区节点与终端设备之间的信道的信道信息确定的,所述输入对应的标签是根据所述M个小区节点中各个小区节点与终端设备之间的信道所对应的第二信道估计信息确定的。
S1106,LMF向第一设备发送用于指示模型的信息。
可以理解的是,第一设备为第m个小区节点时,LMF向第一设备发送的是该第m个小区对应的模型。根据S1105的介绍可以理解,该第m个小区对应的模型可以是特定于该小区的,或者是该小区和其他多个小区共用的,不予限定。
进一步,第一设备利用训练好的模型,从测量的信道信息中提取第三信道估计信息,第三估计信息用于确定终端设备的第二位置。具体地可参照方案一中的描述实施,本公开对此不再进行赘述。
本方案中,LMF根据终端设备或小区节点测量得到信道估计信息,推导用于模型训练的标签,训练模型,该方式更适合实际场景环境,能够提升模型的性能,进而LMF将训练好的模型提供给终端设备或小区节点,确定用于定位的信道估计信息,能够提升定位精度。
方案三
参见图12示意一种通信方法,该方法主要包括如下流程。
可选的,S1201,LMF获取训练请求信息。
具体地,可以由执行模型训练的第一设备向LMF发送训练请求信息,或者由测量量上报侧向LMF发送训练请求信息。其中,测量量上报侧可以是终端设备,或者接入网设备的小区节点。
示例性的,以第二设备表示测量量上报侧,图12中示意出LMF从第二设备获取训练请求信息,该训练请求信息的定义可以参照图8对应方案中的描述理解,本公开对此不再进行赘述。可选的,在进行训练模型时,利用M个小区节点的位置进行终端设备的位置估算。第二设备可以为M个小区节点中的第m个小区节点或终端设备,LMF可以从第二设备获取第m个第一信道估计信息。有关M个小区节点以及第一信道估计信息的定义可参照S801理解,本公开对此不再进行赘述。
S1202,LMF获取M个第一信道估计信息。
该步骤可参照S802实施,本公开对此不再进行赘述。
S1203,LMF根据所述M个第一信道估计信息中的至少一个第一信道估计信息,确定M个第二信道估计信息。
该步骤可参照S803实施,本公开对此不再进行赘述。
S1204,LMF向第一设备发送所述M个第二信道估计信息,所述第一设备用于所述模型的训练。
具体地,第一设备可以是除M个小区节点以及终端设备之外,具备模型训练功能的AI网元,LMF向所述第一设备送所述M个第二信道估计信息。
该步骤可参照S804实施,本公开对此不再进行赘述。
S1205,第一设备获取M个小区节点与终端设备之间的信道的信道信息。
示例性,第一设备可以从第二设备获取第m个小区节点与终端设备之间的信道的信道信息。
S1206,第一设备根据所述M个第二信道估计信息,进行模型的训练。
具体地,该步骤可参照S1105实施,本公开对此不再进行赘述。
S1207,第一设备向第二设备发送用于指示模型的信息。
具体地,该步骤可参照S1106实施,本公开对此不再进行赘述。
进一步,第二设备利用训练好的模型,从测量的信道信息中提取第三信道估计信息,第三估计信息用于确定终端设备的第二位置。具体地可参照方案一中的描述实施,本公开对此不再进行赘述。
本方案中,LMF根据终端设备或小区节点测量得到信道估计信息,推导用于模型训练的标签,并将该标签提供给单独的AI网元训练模型,该方式更适合实际场景环境,能够提升模型的性能,进而AI网元将训练好的模型提供给终端设备或小区节点,确定用于定位的信道估计信息,能够提升定位精度。
基于同一构思,参见图13,本公开提供了一种通信装置1300,该通信装置1300包括处理模块1301和通信模块1302。该通信装置1300可以是LMF,也可以是应用于LMF或者和LMF匹配使用,能够实现LMF侧执行的通信方法的通信装置;或者,该通信装置1300可以是第一设备,也可以是应用于第一设备或者和第一设备匹配使用,能够实现第一设备侧执行的通信方法的通信装置;或者,该通信装置1300可以是第二设备,也可以是应用于第二设备或者和第二设备匹配使用,能够实现第二设备侧执行的通信方法的通信装置。
其中,通信模块也可以称为收发模块、收发器、收发机、或收发装置等。处理模块也可以称为处理器,处理单板,处理单元、或处理装置等。可选的,通信模块用于执行上述方法中LMF侧或第一设备侧的发送操作和接收操作,可以将通信模块中用于实现接收功能的器件视为接收单元,将通信模块中用于实现发送功能的器件视为发送单元,即通信模块包括接收单元和发送单元。
该通信装置1300应用于LMF时,处理模块1301可用于实现图8、图11、或者图12所示示例中所述LMF的处理功能,通信模块1302可用于实现图8、图11、或者图12所述示例中所述LMF的收发功能。或者也可以参照发明内容中第五方面以及第九方面中可能的设计理解该通信装置。
该通信装置1300应用于第一设备或第二设备时,处理模块1301可用于实现图8、图11、或者图12所示的示例中第一设备或第二设备的处理功能,通信模块1302可用于实现图8、图11、或者图12所述示例中第一设备或第二设备的收发功能。其中,在图8、图11中,以第一设备表示终端设备或小区节点,在图12中以第一设备表示AI网元,第二设备表示终端设备或小区节点。也可以参照发明内容中第六方面以及第六方面中可能的设计理解该通信装置,或者也可以参照发明内容中第七方面以及第七方面中可能的设计理解该通信装置,或者也可以参照发明内容中第八方面以及第八方面中可能的设计理解该通信装置。
此外需要说明的是,前述通信模块和/或处理模块可通过虚拟模块实现,例如处理模块可通过软件功能单元或虚拟装置实现,通信模块可以通过软件功能或虚拟装置实现。或者,处理模块或通信模块也可以通过实体装置实现,例如若该装置采用芯片/芯片电路实现,所述通信模块可以是输入输出电路和/或通信接口,执行输入操作(对应前述接收操作)、输出操作(对应前述发送操作);处理模块为集成的处理器或者微处理器或者集成电路。
本公开中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本公开各个示例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,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。
基于相同的技术构思,本公开还提供了一种通信装置1400。例如,该通信装置1400可以是芯片或者芯片系统。可选的,在本公开中芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。
通信装置1400可用于实现前述示例描述的通信系统中任一网元的功能。通信装置1400可以包括至少一个处理器1410,该处理器1410与存储器耦合,可选的,存储器可以位于该装置之内,存储器可以和处理器集成在一起,存储器也可以位于该装置之外。例如,通信装置1400还可以包括至少一个存储器1420。存储器1420保存实施上述任一示例中必要计算机程序、计算机程序或指令和/或数据;处理器1410可能执行存储器1420中存储的计算机程序,完成上述任一示例中的方法。
通信装置1400中还可以包括通信接口1430,通信装置1400可以通过通信接口1430和其它设备进行信息交互。示例性的,所述通信接口1430可以是收发器、电路、总线、模块、管脚或其它类型的通信接口。当该通信装置1400为芯片类的装置或者电路时,该装置1400中的通信接口1430也可以是输入输出电路,可以输入信息(或称,接收信息)和输出信息(或称,发送信息),处理器为集成的处理器或者微处理器或者集成电路或则逻辑电路,处理器可以根据输入信息确定输出信息。
本公开中的耦合是装置、单元或模块之间的间接耦合或通信连接,可以是电性,机械或其它的形式,用于装置、单元或模块之间的信息交互。处理器1410可能和存储器1420、通信接口1430协同操作。本公开中不限定上述处理器1410、存储器1420以及通信接口1430之间的具体连接介质。
可选的,参见图14,所述处理器1410、所述存储器1420以及所述通信接口1430之间通过总线1440相互连接。所述总线1440可以是外设部件互连标准(peripheral componentinterconnect,PCI)总线或扩展工业标准结构(extended industry standardarchitecture,EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图14中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
在本公开中,处理器可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本公开中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
在本公开中,存储器可以是非易失性存储器,比如硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD)等,还可以是易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM)。存储器是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本公开中的存储器还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
在一种可能的实施方式中,该通信装置1400可以应用于第一设备,具体通信装置1400可以是第一设备,也可以是能够支持第一设备,实现上述涉及的任一示例中第一设备的功能的装置。存储器1420保存实现上述任一示例中的第一设备的功能的计算机程序(或指令)和/或数据。处理器1410可执行存储器1420存储的计算机程序,完成上述任一示例中第一设备执行的方法。应用于第一设备,该通信装置1400中的通信接口可用于与LMF进行交互,向LMF发送信息或者接收来自LMF的信息。
在一种可能的实施方式中,该通信装置1400可以应用于第二设备,具体通信装置1400可以是第二设备,也可以是能够支持第二设备,实现上述涉及的任一示例中第二设备的功能的装置。存储器1420保存实现上述任一示例中的第一设备的功能的计算机程序(或指令)和/或数据。处理器1410可执行存储器1420存储的计算机程序,完成上述任一示例中第二设备执行的方法。应用于第二设备,该通信装置1400中的通信接口可用于与LMF进行交互,向LMF发送信息或者接收来自LMF的信息。
在一种可能的实施方式中,该通信装置1400可以应用于LMF,具体通信装置1400可以是LMF,也可以是能够支持LMF,实现上述涉及的任一示例中LMF的功能的装置。存储器1420保存实现上述任一示例中的LMF的功能的计算机程序(或指令)和/或数据。处理器1410可执行存储器1420存储的计算机程序,完成上述任一示例中LMF执行的方法。应用于LMF,该通信装置1400中的通信接口可用于与第一设备或第二设备进行交互,例如向第一设备或第二设备发送信息,或者接收来自第一设备或第二设备的信息。
由于本示例提供的通信装置1400可应用于第一设备,完成上述第一设备执行的方法,或者应用于第二设备,完成第二设备执行的方法,或者应用于LMF,完成LMF执行的方法。因此其所能获得的技术效果可参考上述方法示例,在此不再赘述。
基于以上示例,本公开提供了一种通信系统,包括终端设备、至少一个小区节点和LMF。可选的,还包括AI网元。其中,所述终端设备、至少一个小区节点、AI网元和LMF可以实现图8、图11、或者图12所示的示例中所提供的通信方法。具体地,在图8、图11中,以第一设备表示终端设备或小区节点,在图12中以第一设备表示AI网元,第二设备表示终端设备或小区节点。
本公开提供的技术方案可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本公开所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、LMF、终端设备、小区节点、AI网元或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机可以存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,数字视频光盘(digital video disc,DVD))、或者半导体介质等。
在本公开中,在无逻辑矛盾的前提下,各示例之间可以相互引用,例如方法示例之间的方法和/或术语可以相互引用,例如装置示例之间的功能和/或术语可以相互引用,例如装置示例和方法示例之间的功能和/或术语可以相互引用。
显然,本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的范围。这样,倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内,则本公开也意图包含这些改动和变型在内。
Claims (24)
1.一种通信方法,其特征在于,包括:
获取M个第一信道估计信息,所述M个第一信道估计信息中的第m个第一信道估计信息是M个小区节点中第m个小区节点与终端设备之间的信道的估计信息;其中,M为大于1的正整数,m为取遍1至M的正整数;
根据所述M个第一信道估计信息中的至少一个第一信道估计信息,确定M个第二信道估计信息,所述M个第二信道估计信息中的第m个第二信道估计信息对应所述第m个小区节点与所述终端设备之间的信道。
2.如权利要求1所述的方法,其特征在于,所述第二信道估计信息用于模型的训练;其中,在进行所述模型的训练时,所述模型的输入是根据所述第m个小区节点与终端设备之间的信道的信道信息确定的,所述输入对应的标签是根据所述第m个小区节点与终端设备之间的信道所对应的第二信道估计信息确定的。
3.如权利要求1或2所述的方法,其特征在于,还包括:
向第一设备发送K个第二信道估计信息,所述K个第二信道估计信息包含于所述M个第二信道估计信息,K为正整数。
4.如权利要求3所述的方法,其特征在于,还包括:
从所述第一设备获取训练请求信息,所述训练请求信息用于请求所述K个第二信道估计信息。
5.如权利要求4所述的方法,其特征在于,所述训练请求信息用于指示所述第二信道估计信息指示的参数类型。
6.如权利要求1-5任一项所述的方法,其特征在于,所述获取M个第一信道估计信息,包括:
从第一设备获取所述第m个第一信道估计信息;其中,所述第一设备为所述第m个小区节点,或者所述第一设备为所述终端设备。
7.如权利要求1-6任一项所述的方法,其特征在于,所述根据所述M个第一信道估计信息中的至少一个第一信道估计信息,确定M个第二信道估计信息,包括:
根据所述M个第一信道估计信息中的至少一个第一信道估计信息,确定所述终端设备的第一位置;
根据所述终端设备的第一位置和所述M个小区节点的位置,确定所述M个第二信道估计信息。
8.一种通信方法,其特征在于,包括:
发送第m个第一信道估计信息,所述第m个第一信道估计信息属于M个第一信道估计信息,M为大于1的正整数,m为取遍1至M的正整数,所述M个第一信道估计信息中的第m个第一信道估计信息是M个小区节点中第m个小区节点与终端设备之间的信道的估计信息;其中,所述M个第一信道估计信息中的至少一个第一信道估计信息用于确定M个第二信道估计信息,所述M个第二信道估计信息中第m个第二信道估计信息对应所述第m个小区节点与所述终端设备之间的信道;
获取用于指示模型的信息;其中,在进行所述模型的训练时,所述模型的输入是根据所述第m个小区节点与终端设备之间的信道的信道信息确定的,所述输入对应的标签是根据所述第m个小区节点与终端设备之间的信道所对应的第二信道估计信息确定的。
9.如权利要求8所述的通信方法,其特征在于,还包括:发送所述第m个小区节点与终端设备之间的信道的信道信息。
10.一种通信方法,其特征在于,包括:
确定K个信道信息,其中,所述K个信道信息中的第k个信道信息是K个小区节点中第k个小区节点与终端设备之间的信道的信道信息;其中,K为正整数,k为取遍1至K的正整数;
获取K个第二信道估计信息,所述K个第二信道估计信息中第k个第二信道估计信息对应所述第k个小区节点与所述终端设备之间的信道,所述K个第二信道估计信息由M个第一信道估计信息中的至少一个第一信道估计信息确定,其中,所述M个第一信道估计信息中的第m个第一信道估计信息是M个小区中第m个小区节点与所述终端设备之间的信道的估计信息,所述K个小区包含于所述M个小区,M为大于1的正整数,m取遍1至M的正整数;
根据所述K个第二信道估计信息,进行模型的训练;其中,在进行所述模型的训练时,所述模型的输入是根据所述第k个小区节点与终端设备之间的信道的信道信息确定的,所述输入对应的标签是根据所述第k个小区节点与终端设备之间的信道所对应的第二信道估计信息确定的。
11.如权利要求10所述的方法,其特征在于,还包括:
发送训练请求信息,所述训练请求信息用于请求所述K个第二信道估计信息。
12.如权利要求11所述的方法,其特征在于,所述训练请求信息用于指示所述第二信道估计信息指示的参数类型。
13.如权利要求10或11所述的方法,其特征在于,还包括:
发送所述第m个小区节点与所述终端设备之间的信道的第一信道估计信息。
14.如权利要求1-13任一项所述的方法,其特征在于,所述第m个第一信道估计信息用于指示以下中的一个或多个参数:所述第m个小区节点与所述终端设备之间的距离;所述第m个小区节点与所述终端设备之间的信号传输时延;所述第m个小区节点对应的信号出发角度或信号到达角度;所述第m个小区节点与所述终端设备之间的信号质量;所述第m个第一信道估计信息用于指示所述第m个小区节点与所述终端设备之间的信号传输路径为直射路径或者非直射路径。
15.如权利要求1-14任一项所述的方法,其特征在于,所述M个小区节点属于一个接入网设备,或者所述M个小区节点中至少两个小区节点所属的接入网设备不同。
16.一种通信装置,其特征在于,用于实现如权利要求1-7任一项所述的方法。
17.一种通信装置,其特征在于,用于实现如权利要求8或9所述的方法。
18.一种通信装置,其特征在于,用于实现如权利要求10-15任一项所述的方法。
19.一种通信装置,其特征在于,包括:
处理器,所述处理器和存储器耦合,所述处理器用于调用所述存储器存储的计算机程序指令,以执行如权利要求1-7任一项所述的方法。
20.一种通信装置,其特征在于,包括:
处理器,所述处理器和存储器耦合,所述处理器用于调用所述存储器存储的计算机程序指令,以执行如权利要求8或9所述的方法。
21.一种通信装置,其特征在于,包括:
处理器,所述处理器和存储器耦合,所述处理器用于调用所述存储器存储的计算机程序指令,以执行如权利要求10-15任一项所述的方法。
22.一种通信系统,其特征在于,
包括权利要求16或19所述的通信装置,以及权利要求17或20所述的通信装置;或者,
包括权利要求16或19所述的通信装置,权利要求17或20所述的通信装置,以及权利要求19或21所述的通信装置。
23.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1-7任一项所述的方法、如权利要求8或9所述的方法、或者如权利要求10-15任一项所述的方法。
24.一种计算机程序产品,其特征在于,包括指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1-7任一项所述的方法、如权利要求8或9所述的方法、或者如权利要求10-15任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210191893.7A CN116709170A (zh) | 2022-02-28 | 2022-02-28 | 一种通信方法及装置 |
PCT/CN2023/078190 WO2023160656A1 (zh) | 2022-02-28 | 2023-02-24 | 一种通信方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210191893.7A CN116709170A (zh) | 2022-02-28 | 2022-02-28 | 一种通信方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116709170A true CN116709170A (zh) | 2023-09-05 |
Family
ID=87764845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210191893.7A Pending CN116709170A (zh) | 2022-02-28 | 2022-02-28 | 一种通信方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116709170A (zh) |
WO (1) | WO2023160656A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013146273A1 (ja) * | 2012-03-28 | 2013-10-03 | 日本電気株式会社 | 通信路品質推定方法、無線通信システム、基地局及びプログラム |
WO2017161575A1 (en) * | 2016-03-25 | 2017-09-28 | Qualcomm Incorporated | Channel state information reference signal transmission |
WO2020132892A1 (zh) * | 2018-12-25 | 2020-07-02 | 华为技术有限公司 | 获取下行信道信息的方法和装置 |
CN112152948B (zh) * | 2019-06-28 | 2021-12-03 | 华为技术有限公司 | 一种无线通信处理的方法和装置 |
-
2022
- 2022-02-28 CN CN202210191893.7A patent/CN116709170A/zh active Pending
-
2023
- 2023-02-24 WO PCT/CN2023/078190 patent/WO2023160656A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023160656A1 (zh) | 2023-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020042081A1 (en) | Method and apparatus for location services | |
US11012133B2 (en) | Efficient data generation for beam pattern optimization | |
Redondi | Radio map interpolation using graph signal processing | |
US10893495B2 (en) | Method and apparatus for providing timing synchronization | |
Reddy et al. | Spectrum cartography techniques, challenges, opportunities, and applications: A survey | |
US20230388809A1 (en) | Learning-Based Spectrum Occupancy Prediction Exploiting Multi-Dimensional Correlation | |
Yu et al. | Distributed signal strength prediction using satellite map empowered by deep vision transformer | |
CN116419257A (zh) | 一种通信方法及装置 | |
US20230362039A1 (en) | Neural network-based channel estimation method and communication apparatus | |
WO2022048921A1 (en) | Hierarchical positioning for low cost and low power asset tracking | |
Sani et al. | A hybrid combination of a convolutional neural network with a regression model for path loss prediction using tiles of 2D satellite images | |
Wang et al. | Mobile device localization in 5G wireless networks | |
WO2021056246A1 (en) | Method and apparatus for sensor selection for localization and tracking | |
CN116709170A (zh) | 一种通信方法及装置 | |
Wu et al. | Research on RSS based indoor location method | |
Vankayala et al. | Deep-learning based proactive handover for 5G/6G mobile networks using wireless information | |
Rani et al. | A Review and Analysis of Localization Techniques in Underwater Wireless Sensor Networks. | |
Lin et al. | Multi-camera view based proactive bs selection and beam switching for v2x | |
WO2023160633A1 (zh) | 一种通信方法及装置 | |
Liu et al. | D-Fi: Domain adversarial neural network based CSI fingerprint indoor localization | |
CN114666188A (zh) | 信息生成方法及相关装置 | |
Mukherjee et al. | A supervised‐learning‐based spatial performance prediction framework for heterogeneous communication networks | |
WO2024109682A9 (zh) | 一种用于定位的方法及装置 | |
WO2024109682A1 (zh) | 一种用于定位的方法及装置 | |
WO2023088387A1 (zh) | 信道预测方法、装置、ue及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |