CN116744441A - 无线定位方法、装置、设备及存储介质 - Google Patents
无线定位方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116744441A CN116744441A CN202310623572.4A CN202310623572A CN116744441A CN 116744441 A CN116744441 A CN 116744441A CN 202310623572 A CN202310623572 A CN 202310623572A CN 116744441 A CN116744441 A CN 116744441A
- Authority
- CN
- China
- Prior art keywords
- preset
- model
- positioning
- user terminal
- target user
- 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 62
- 239000011159 matrix material Substances 0.000 claims abstract description 86
- 238000004891 communication Methods 0.000 claims abstract description 61
- 230000008878 coupling Effects 0.000 claims abstract description 35
- 238000010168 coupling process Methods 0.000 claims abstract description 35
- 238000005859 coupling reaction Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 44
- 238000005070 sampling Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005562 fading Methods 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 230000009977 dual effect Effects 0.000 claims description 5
- 239000004973 liquid crystal related substance Substances 0.000 claims description 5
- 238000003491 array Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 55
- 230000006870 function Effects 0.000 description 14
- 230000007246 mechanism Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- 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
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了无线定位方法、装置、设备及存储介质。该方法包括:从多个预设基站获取目标用户终端对应的位置指纹,其中,预设基站处于基于MIMO‑OFDM的预设通信系统中,目标用户终端处于预设通信系统对应的目标定位区域内,用于表示位置指纹的能量耦合矩阵从预设通信系统对应的双波束信道模型中提取得到,双波束包括空间波束和频率波束,将根据多个位置指纹确定目标用户终端对应的联合位置指纹输入至基于神经网络的预设定位模型中,根据模型输出确定目标用户终端的定位结果。该方案利用大规模MIMO‑OFDM系统具备大规模的天线阵列和宽广的带宽的特性,从双波束信道模型中捕捉丰富的多径特征用于位置指纹的表示,可提高定位准确度。
Description
技术领域
本发明涉及通信技术领域,尤其涉及无线定位方法、装置、设备及存储介质。
背景技术
获取用户终端(User Terminal,UT)的位置信息对许多智能城市和物联网应用非常重要,如交通监控、设备追踪、自动驾驶以及紧急救援等。然而,在复杂的城市、峡谷或室内环境中,由于视线(Line of Sight,LoS)路径会被轻易遮挡,从而会严重降低全球定位系统的性能,导致定位准确度较低。
发明内容
本发明提供了无线定位方法、装置、设备及存储介质,可以解决用户终端的无线定位准确度低的问题。
根据本发明的一方面,提供了一种无线定位方法,包括:
从多个预设基站获取待定位的目标用户终端对应的位置指纹,其中,所述预设基站处于预设通信系统中,所述目标用户终端处于所述预设通信系统对应的目标定位区域内,所述预设通信系统包括多小区大规模多输入多输出正交频分复用系统,所述位置指纹采用能量耦合矩阵表示,所述能量耦合矩阵从所述预设通信系统对应的双波束信道模型中提取得到,所述双波束包括空间波束和频率波束;
根据多个所述位置指纹确定所述目标用户终端对应的联合位置指纹;
将所述联合位置指纹输入至预设定位模型中,并根据所述预设定位模型的输出确定所述目标用户终端的定位结果,其中,所述预设定位模型包括基于神经网络的模型。
根据本发明的另一方面,提供了一种无线定位装置,包括:
位置指纹获取模块,用于从多个预设基站获取待定位的目标用户终端对应的位置指纹,其中,所述预设基站处于预设通信系统中,所述目标用户终端处于所述预设通信系统对应的目标定位区域内,所述预设通信系统包括多小区大规模多输入多输出正交频分复用系统,所述位置指纹采用能量耦合矩阵表示,所述能量耦合矩阵从所述预设通信系统对应的双波束信道模型中提取得到,所述双波束包括空间波束和频率波束;
联合指纹确定模块,用于根据多个所述位置指纹确定所述目标用户终端对应的联合位置指纹;
定位模块,用于将所述联合位置指纹输入至预设定位模型中,并根据所述预设定位模型的输出确定所述目标用户终端的定位结果,其中,所述预设定位模型包括基于神经网络的模型。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的无线定位方法。
根据本发明的另一方面,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存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的无线定位方法。
本发明实施例的无线定位方案,从多个预设基站获取待定位的目标用户终端对应的位置指纹,其中,预设基站处于基于MIMO-OFDM的预设通信系统中,目标用户终端处于预设通信系统对应的目标定位区域内,用于表示位置指纹的能量耦合矩阵从预设通信系统对应的双波束信道模型中提取得到,双波束包括空间波束和频率波束,将根据多个位置指纹确定目标用户终端对应的联合位置指纹输入至基于神经网络的预设定位模型中,根据模型输出确定目标用户终端的定位结果。通过采用上述技术方案,能够充分利用大规模MIMO-OFDM系统具备大规模的天线阵列和宽广的带宽的特性,从双波束信道模型中捕捉丰富的多径特征用于进行位置指纹的表示,进而可提高定位准确度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种应用场景示意图;
图2是根据本发明实施例提供的一种无线定位方法的流程图;
图3是根据本发明实施例提供的另一种无线定位方法的流程图;
图4是根据本发明实施例提供的一种离线阶段和在线阶段的对比示意图;
图5是根据本发明实施例提供的一种多头注意力机制示意图;
图6是根据本发明实施例提供的一种预设定位模型工作过程示意图;
图7是根据本发明实施例提供的一种应用场景的二维平面示意图;
图8是根据本发明实施例提供的定位误差的累积分布函数示意图;
图9是根据本发明实施例提供的一种无线定位装置的结构示意图;
图10是实现本发明实施例的无线定位方法的电子设备的结构示意图。
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。
为了便于理解本发明实施例,下面对相关技术进行介绍。
大规模多输入多输出(Multiple Input Multiple Output,MIMO)和正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)传输技术是第五代(5G)无线蜂窝系统的关键组成部分,它们提高了频谱效率,也为系统带来了更好的传感和定位能力。此外,5G有望在城市场景中实现高空间密度的基站(Base Station,BS),用以支持高速通信和高精度定位服务。
大规模MIMO信道响应已被用于基于几何学和基于指纹的定位方法。基于几何的方法依赖于到达延迟(Delay Of Arrival,DoA)和到达角(Angle of Arrival,AoA)的估计,这需要LoS路径以及BS和UT之间的精确同步。借助机器学习方法,如k-近邻(kNN)和有监督的深度神经网络(Deep-Learning Neural Network,DNN),基于位置指纹的方法可以通过使用标记的数据集来预测UT的相关位置来缓解这些挑战。
目前,不同种类的信道特征可以被提取为与UT的位置有关的指纹,也即位置指纹,如接收信号强度(Received Signal Strength,RSS)等,然而,相关技术中的位置指纹的确定方法只能捕捉到最粗糙的信道信息,在复杂的定位环境中无法保证定位的准确性。
本发明实施例中,为大规模MIMO-OFDM系统引入新的基于双波束的精细化信道模型(记为双波束信道模型),由于大规模MIMO-OFDM系统具备大规模的天线阵列和宽广的带宽,可以从双波束信道模型中捕捉丰富的多径特征用于进行位置指纹的表示,进而可提高定位准确度。
图1是本发明实施例提供的一种应用场景示意图,如图1所示,预设通信系统中包含预设基站101(以3个为例)并对应有目标定位区域103,用户终端102(以3个为例)处于目标定位区域103内,在预设基站101和用户终端102之间存在散射体104。处于目标定位区域103内的任意用户终端可以采用本发明实施例中的无线定位方法进行定位,也即可以成为目标用户终端。
图2为本发明实施例提供的一种无线定位方法的流程图,本实施例可适用于非视线情况下对用户终端进行无线定位的情况,该方法可以由无线定位装置来执行,该无线定位装置可以采用硬件和/或软件的形式实现,该无线定位装置可配置于电子设备中。如图2所示,该方法包括:
步骤201、从多个预设基站获取待定位的目标用户终端对应的位置指纹,其中,预设基站处于预设通信系统中,目标用户终端处于预设通信系统对应的目标定位区域内,预设通信系统包括多小区大规模多输入多输出正交频分复用系统,位置指纹采用能量耦合矩阵表示,能量耦合矩阵从预设通信系统对应的双波束信道模型中提取得到,双波束包括空间波束和频率波束。
示例性的,目标用户终端可以理解为当前需要进行无线定位的用户终端,目标用户终端处于预设通信系统对应的目标定位区域内,预设定位模型可采用处于目标定位区域内的参考用户终端对应的样本联合位置指纹和位置坐标训练得到。
本发明实施例中,可以根据预设通信系统的配置信息,建立双波束信道模型。配置信息例如可包括预设基站的数量、预设基站的配置以及用户终端的配置等。示例性的,预设通信系统包括L个预设基站,每个预设基站配置大规模均匀线性阵列(Uniform LinearArray,ULA),天线间隔为半波长,用户终端配置单天线。例如,考虑多小区大规模MIMO-OFDM系统的上行传输链路,每个预设基站配备一个包含N天线的ULA,有K个单天线UT,随机分布在目标定位区域。假设考虑一个不相关的广义平稳的瑞利衰落信道,进一步假设载波波长λ是天线间距离d的两倍,即d=λ/2。基于配置信息建立双波束信道模型,该模型中包含空间波束的信息和频率波束的信息,从双波束信道模型中提取用于表示位置指纹的能量耦合矩阵,可以对用户终端的位置相关信息进行高精度提取,提高位置指纹的精度,进而可显著提高复杂散射体环境下的定位精度和准确度。
步骤202、根据多个位置指纹确定目标用户终端对应的联合位置指纹。
示例性的,将从多个预设基站分别获取到的目标用户终端对应的位置指纹进行拼接,如拼接为指纹张量,将拼接结果作为联合位置指纹,从而可以实现多小区协作指纹定位,进一步提升定位准确度。
步骤203、将联合位置指纹输入至预设定位模型中,并根据预设定位模型的输出确定目标用户终端的定位结果,其中,预设定位模型包括基于神经网络的模型。
示例性的,预设定位模型的具体网络结构不做限定。可选的,预设定位模型包括基于DNN的模型或基于Transformer的模型等。
本发明实施例的无线定位方法,从多个预设基站获取待定位的目标用户终端对应的位置指纹,其中,预设基站处于基于MIMO-OFDM的预设通信系统中,目标用户终端处于预设通信系统对应的目标定位区域内,用于表示位置指纹的能量耦合矩阵从预设通信系统对应的双波束信道模型中提取得到,双波束包括空间波束和频率波束,将根据多个位置指纹确定目标用户终端对应的联合位置指纹输入至基于神经网络的预设定位模型中,根据模型输出确定目标用户终端的定位结果。通过采用上述技术方案,能够充分利用大规模MIMO-OFDM系统具备大规模的天线阵列和宽广的带宽的特性,从双波束信道模型中捕捉丰富的多径特征用于进行位置指纹的表示,进而可提高定位准确度。
在一些实施例中,所述双波束信道模型用于将所述预设基站的上行链路信道估计结果采用第一矩阵、波束域信道矩阵和第二矩阵表示;其中,所述波束域信道矩阵用于确定所述能量耦合矩阵,所述第一矩阵包括空间域的采样方向矢量,所述第二矩阵包括频率域的采样方向矢量;所述波束域信道矩阵中的元素用于表示空间波束的衰落系数和频率波束的衰落系数,所述空间域的采样方向矢量对应于所述预设基站与所述目标用户终端之间各路径的到达角方向余弦,所述频率域的采样方向矢量对应于所述预设基站与所述目标用户终端之间各路径的到达延迟。由此,可以从波束域信道矩阵中提取丰富的多径信息得到对应的用于表示位置指纹的能量耦合矩阵。
示例性的,为方便起见,方向余弦表示为cos(θ)=Θ,对应于路径AoAθ。在空间域中定义方向矢量a(Θ)∈CN×1为
a(Θ)=[1 e-jπΘ … e-jπ(N-1)Θ]T
考虑一个具有Nc个子载波的OFDM系统,附加有Ng个循环前缀(Cyclic Prefix,CP)。系统采样时间间隔为Ts,相邻子载波的间隔为因此,在频域中对应于DoAτ的方向矢量/>定义为
假设信号在第k个UT和第l个BS之间经过Pl,k条路径。将Θl,k,p、τl,k,p和分别表示第k个UT和第l个BS之间第p条路径的方向余弦、DoA和衰落系数,其中β1,k,p满足复高斯分布,/>为分布的方差。假设最大延迟扩散τl,k,max小于循环前缀的持续时间τl,k,max≤NgTs。空间频域信道矩阵(预设基站的上行链路信道估计结果)可以表示为
其中,fc是载波频率。定义集合 其中的任何元素都可以被视为二维空间中的一个坐标,由第p条路径的方向余弦Θl,k,p和延迟τl,k,p组成。相应地,可以定义
其中,δ()表示冲击响应函数。那么,表达式(1)可以表示为
定义方向余弦Θl,k的值域为τl,k的值域范围为/>因此,可以得到并且hl,k(Θ,τ)=0,/>表达式(2)可以表示为
分别定义采样集和集/>Θi,τj分别指的是采样的方向余弦和延迟。而Na和Nd被称为采样数,a(Θi),b(τj)分别被称为空间域的采样方向矢量和频率域的采样方向矢量。为了保证量化精度,Na≥N,Nd≥Ng,/>在(-1,1)中均匀间隔,在(0,NgTs]中均匀间隔。当Na和Nd足够大时,表达式(3)可以通过采样方向矢量a(Θi),b(τj)近似表示为
其中,gl,k(Θi,τj)表示波束域信道矩阵的第i行第j列元素。
此外,可定义矩阵A(第一矩阵)和B(第二矩阵)为
那么表达式(4)可以用矩阵乘法表示为
表达式(5)可称为基于双波束的精细化信道模型(也即双波束信道模型),可称为精细化波束域信道矩阵(也即波束域信道矩阵),其第(i,j)个元素为[Gl,k]i,j=gl,k(Θi,τj),分别表示空间和频率波束的衰落系数。每个采样的空间方向矢量对应于空间域的一个物理波束,每个采样的频率方向矢量对应于频率域的一个物理波束。当Na=N,Nd=Ng时,A是离散傅里叶变换(Discrete Fourier Transform,DFT)矩阵,B是DFT矩阵前Ng列的子矩阵,表达式(5)与传统波束域信道模型相同。定义/>分别为空间域精细化因子和频域精细化因子。如果精细化因子N′a,N′d都趋向于无穷大,矩阵/>等于表达式(3)中的空间频域信道矩阵,即
由于在大规模MIMO-OFDM系统中,采样点的数量很大,因此N′a,N′d很大,物理信道矩阵Hl,k可以很好地被矩阵所近似,即/> 基于双波束的精细化的信道模型与传统的信道模型的关键区别在于,精细化的因子可以设置为大于1,这使得在基于双波束的精细化信道模型中,可以对路径AoA和延迟进行更密集地采样。因此,基于双波束的精细化信道模型比传统的基于波束的信道模型更通用,对定位任务更有利。
在一些实施例中,所述能量耦合矩阵根据所述波束域信道矩阵中的元素和对应的共轭元素的点积的期望确定,所述能量耦合矩阵中的元素与所述预设基站和所述目标用户终端之间的路径的功率、到达角和到达延迟相关。由此,可以获得更加精准的位置指纹信息。
其中,“相关”表示能量耦合矩阵中的每个元素与路径的功率、到达角和到达延迟之间存在依赖关系或相互作用。当路径的功率、到达角或到达延迟发生变化时,能量耦合矩阵中相应元素的值也可能随之变化。换句话说,功率、到达角或到达延迟的变化可能会对能量耦合矩阵中的元素产生影响。这种相关性可以在无线通信系统中起到重要作用,可以用于理解和优化信号的传输和接收过程。通过研究路径的功率、到达角和到达延迟与能量耦合矩阵之间的相关性,可以更好地理解信号传播的特性,并设计更有效的通信方案,以提高系统的性能和容量。
在一些实施例中,基于以下至少一种假设条件,使得所述双波束信道模型用于将所述预设基站的上行链路信道估计结果采用第一矩阵、波束域信道矩阵和第二矩阵表示:所述预设通信系统中的信道满足不相关的广义平稳的瑞利衰落信道;所述预设通信系统中的载波波长为所述预设基站中配备的均匀线性阵列的天线间距离的两倍;所述预设通信系统中的子载波附加有循环前缀,最大延迟扩散小于所述循环前缀的持续时间;所述空间域的采样方向矢量对应的采样数大于所述预设基站中的天线数量,所述频率域的采样方向矢量对应的采样数大于所述循环前缀的数量。
示例性的,对于基于指纹的定位方法,位置指纹可能来自于与UT的位置相关联的基于双波束的精细化信道模型的一些特定参数。与UT位置有关的“指纹”信息需要满足以下3点要求:
1)UT周围的散射环境决定了UT的指纹;
2)UT的指纹有一系列的长期固定属性,在离线和在线阶段相重合;
3)UT的指纹在不同的地点表现出足够的辨别力。
对任意精细化因子N′a,N′d的双波束的精细化信道矩阵Gl,k有如下长期稳定统计特性。利用以下特性,可以提取一个满足上述要求的基于信道状态信息(Channel StateInformation,CSI)的位置指纹信息:
设然后定义能量耦合矩阵/>其(i,j)个元素为
[Ωl,k]i,j=∑Γl,k(Θl,k,p,τl,k,p)
Gl,k的元素满足
其中,E表示期望,*表示共轭,δ()表示冲击响应函数,表示信道功率,也即基站与用户终端之间的路径的功率。表达式(6)揭示了双波束的精细化信道矩阵Gl,k的不同元素是不相关的。而矩阵Ωl,k中的每个元素都与第k个UT和第l个BS之间的每个路径的功率、AoA和DoA有关,它们与UT的位置紧密相关。同时,由于信道的稀疏性,Ωl,k中的大部分元素都接近于零,而且非零部分通常聚集成簇,每一个簇都对应着一个物理散射体簇。那么将有足够的资源来估计稀疏矩阵/>因此,可假设所有UT的Ωl,k可以被多基站获得,并表示为位置相关的指纹。
在一些实施例中,所述预设定位模型包括基于Transformer的模型。示例性的,预设定位模型包括级联的Transformer编码器(或称为Transformer层)和多层感知器(Multi-Layer Perceptron,MLP)回归模块(或称为MLP回归层)。卷积神经网络(ConvolutionalNeural Networks,CNN)的特征提取器只关注了预先设定的感受野的信息,忽略了在感受野外的路径功率泄漏。Transformer是CNN的增强版,具有可学习的感受野,而CNN是简化的Transformer,只能关注预先设定的感受野。Transformer网络可以自主的考虑泄露的路径信息,从而提升网络的整体性能。预设定位模型在Transformer编码器之后,可以使用标准的回归方法来获得UT的二维(2D)位置坐标。预设定位模型可以避免相似性匹配计算,从而大大减少在线UT的定位时间。
在一些实施例中,所述预设定位模型基于以下方式训练得到:获取参考用户终端对应的多个样本位置指纹,其中,所述参考用户终端处于所述预设通信系统对应的目标定位区域内,所述多个样本位置指纹从所述多个预设基站获取到;根据所述多个样本位置指纹确定所述参考用户终端对应的样本联合位置指纹;将所述样本联合位置指纹输入至预设模型中,并根据所述预设模型的输出和所述参考用户终端的位置坐标对所述预设模型进行训练,以得到所述预设定位模型。其中,预设模型包括基于Transformer的模型,与预设定位模型的网络结构相同,在对预设模型进行训练的过程中,达到预设训练截止条件后,得到的模型为预设定位模型。
图3是根据本发明实施例提供的另一种无线定位方法的流程图,在上述各可选实施例基础上进行优化,预设定位模型包括基于Transformer的模型,针对Transformer的特点,将多个位置指纹拼接为指纹张量,进而确定目标用户终端对应的联合位置指纹。图4是根据本发明实施例提供的一种离线阶段和在线阶段的对比示意图,可结合图4对本发明实施例进行理解。
如图3所示,该方法包括:
步骤301、从多个预设基站获取待定位的目标用户终端对应的位置指纹。
步骤302、将多个位置指纹拼接为位置指纹张量。
示例性的,为了处理多小区的协作,第k个UT的所有L个BS的能量耦合指纹Ωl,k沿L轴拼成张量并将其输入处理器,如中央处理单元(Central ProcessingUnit,CPU),就像一个有“L通道”的图像像素张量。其中,使用L轴表示第三个维度,以帮助区分不同维度,沿L轴拼成张量时,表示在第三个维度上进行拼接操作,将多个具有相同维度的矩阵在该轴上连接起来形成一个更大的张量。
步骤303、将位置指纹张量分割为预设数量的指纹块。
示例性的,预设数量与预设定位模型中多头自注意力的头数相等。如采用4头自注意力,则预设数量可以为4。
Transformer神经网络是一种仅基于自我注意力机制的架构。它的功能是将一个查询和一组键-值对映射到一个输出,其中查询、键、值和输出都是向量。输出为值的加权和,每个值的权重由查询与其相关的键做点积决定。这些不同层的注意力权重类似于CNN中的感受野,但区别是注意力权重是可以训练的。
输入包括维度为dk的查询qi和键kj,维度为dv的值vi(在实践中,dk=dv)。在Transformer网络中,输入包括查询(query),键(key)和值(value)。这是在自注意力机制(self-attention mechanism)中使用的一种机制,用于处理输入序列中不同位置之间的关系。
查询(query)(表示为qi)是当前位置的表示,用于计算与其他位置的相关性。在自注意力机制中,每个查询都会与所有的键进行相关性计算,以获得一个加权的值。
键(key)(表示为kj)是用于衡量其他位置与当前位置的相关性的向量。通过计算查询与键之间的相似度,可以得到一个权重系数,用于加权计算值。
值(value)(表示为vi)是与每个键对应的实际特征表示。值向量存储了输入序列的信息,并且最终会根据与查询和键的相关性得到的权重进行加权求和。
在Transformer网络中,查询(q)、键(k)和值(v)的维度通常相同(即dk=dv),这是因为它们通过矩阵乘法进行相关性计算。这样的维度一致性有助于确保正确的运算和计算结果。
总结起来,查询(query)、键(key)和值(value)是Transformer网络中用于自注意力机制的重要概念。它们的相互关系和计算过程帮助网络捕捉输入序列中不同位置的关联性,从而实现有效的特征表示和信息提取。
计算查询qi与所有键kj的点积,假设kj,j=1,2,…,J,其中,此处的J表示向量的个数,将结果除以并应用softmax函数来获得数值的权重。自我注意函数的输出bi可以由以下注意力函数计算得到
多头自我注意力机制是上述函数的一种延伸。并行地运行几个自我注意力操作,称为头(head)。
步骤304、根据指纹块确定向量序列,得到目标用户终端对应的联合位置指纹。
示例性的,对指纹块进行线性投影,添加序号标记,得到向量序列。
步骤305、将联合位置指纹输入至预设定位模型中,并根据预设定位模型的输出确定目标用户终端的定位结果。
预设定位模型对位置指纹张量块序列应用具有多头自注意力机制的Transformer架构。其中,为方便描述,训练阶段,参考用户终端的位置指纹张量记为在线阶段,目标用户终端的位置指纹张量记为/>指纹张量经过Transformer编码器,输出的特征在被拉直为向量后,输入到MLP回归模块中。具体来说,在离线阶段,指纹张量/>和所有参考点(Reference Point,RP)的相应坐标被作为训练数据和标签送入预设模型。在在线阶段,CPU通过UT的指纹张量/>直接使用训练好的预设定位模型预测UT的位置,而不需要将RP的存储到数据库从而节省了存储开销。换句话说,这样一个Transformer架构拟合了一个从用户指纹张量到用户位置的映射函数f(-),用以估计第k个UT的真实位置,pk=[xk,yk]T∈R2×1,即/>其中/>是由预设定位模型估计的位置坐标。
图5是根据本发明实施例提供的一种多头注意力机制示意图,在图5中以h=2并行注意头为例加以说明。与执行一次单一的自我注意函数不同,将查询、键和值做并行的h次线性投影是有利的。用不同的可训练线性投影矩阵和从dk,dv维度到/>维度进行投影,分别表示为:
qi,1=Wq,1qi,qi,2=Wq,2qi
ki,1=Wk,1ki,ki,2=Wk,2ki
vi,1=Wv,1vi,vi,2=Wv,2vi
然后,对这些经过投影运算的查询、键和值的每个版本执行上面的注意力函数,得到维的输出bi,1,bi,2。将以上输出串联起来,并再次进行投影,最终得到dv维的输出bi。多头自注意力机制允许模型共同关注来自不同表征子空间的信息。由于每个头的维度减少,总的计算成本与满维单头注意力机制相似。
图6是根据本发明实施例提供的一种预设定位模型工作过程示意图,如图6所示,将多基站指纹张量和/>分割成固定大小的四个小块。然后对它们进行线性投影,添加序号标记,并将得到的向量序列送入标准的Transformer编码器。为了进行位置坐标回归,最后的Transformer层的输出被拉直并作为指纹的特征表示输入到MLP回归模块。
为了更清楚地解释Transformer的计算过程,以仿真模拟中尺寸为256×256×L的指纹张量和/>为例。假设小块ai被拉直成为大小为dpatch=8·8·L的向量,则有向量。其中,dpatch为表示向量维度的符号。此处的J表示向量的个数。然后进行可训练的线性投影/>这里为了方便假设dk=dpatch
qi=Wqai,ki=Wkai,vi=Wvai
如果进行h=4头的自注意力计算,Wq,1,Wq,2,Wk,1,Wk,2Wv,1,Wv,2的投影尺寸为最后,将所有头的输出连接起来,线性投影到dv=dk=8·8·L维度上。重复上述模块Z次,然后将输出送入MLP回归模块,完成监督学习,以回归位置坐标/>
接下来阐述Transformer层的细节:
关于激活,在Transformer层中使用高斯误差线性单位(Gelu)激活函数,它可以近似地表示为:
关于层规范化,层规范化不是对一批数据的批量规范化,而是对一个具有平均数和标准差的块进行规范。
关于损失函数,采取均方误差(Mean Square Error,MSE)损失函数来评估预测的位置坐标向量和真实的pk之间的距离。考虑到L2正则化,损失函数被表述为
其中Ntrain是训练数据的数量,w是预设模型的所有可训练参数的向量,γ是超参数。
首先收集所有RP的坐标并提取其指纹张量接下来训练预设模型并将训练好的参数保存在数据库中,得到预设定位模型。最后,当第k用户终端需要定位服务时,CPU将其指纹张量/>送入预设定位模型。第k用户终端可以根据预设定位模型的预测结果获得其估计坐标/>基于Transformer的回归网络可以直接估计位置坐标,不需要在CPU中保存RP指纹/>这大大降低了CPU的存储开销。
本发明实施例提供的无线定位方法,采用了基于Transformer的预设定位模型,提出基于双波束的精细化信道模型,通过使用空间和频率域的采样方向矢量进行指纹定位,基于双波束的精细化信道模型的准确性由大量的采样方向矢量保证,提取双波束的精细化能量耦合矩阵作为基于信道状态信息的指纹,双波束的精细化能量耦合矩阵中元素是不相关的,相应的方差取决于每一条路径簇的功率、AoA和DoA,它们与用户位置信息紧密相连,将对应多个预设基站的能量耦合矩阵作为位置指纹,拼接为位置指纹张量,并基于多头自注意力的头数对位置指纹张量进行分割,得到作为联合位置指纹的向量序列输入到基于Transformer的预设定位模型中,该模型可以完全使用多头自我自注意力机制,并关注一个指纹小块与整个指纹块序列之间的联系,自主的考虑泄露的路径信息,进一步提高定位准确度。
为了更好的理解本发明方案,给出具体系统配置下,以显示所提方法的有效性。使用一个基于几何的模型来模拟无线传输环境,考虑了一个二维传播场景。包含L=4个配备了均匀线阵(ULA)的基站。图7是根据本发明实施例提供的一种应用场景的二维平面示意图,提供了一个二维平面示意图来展示模拟配置。这个平面的坐标(X,Y)对应于X轴和Y轴。假设BS1位于坐标原点(0,0)m,其配备的ULA与Y轴平行。BS2位于坐标原点(500,-500)m,其配备的ULA与X轴平行。BS3在坐标原点(1000,0)米处,其配备的ULA与Y轴平行。BS4位于坐标原点(500,500)米处,其配备的ULA与X轴平行。目标定位区域是一个正方形区域,其中心在(500,0)米,边长各为50米。每平方公里的空间有50个散射体。每个散射体被表示为其表面上的反射点的集合。
在离线模式下,目标定位区域被均匀地划分为若干个参考点,参考点的间距被设定为1米,并为训练数据集收集多基站指纹和相应的二维位置坐标。同样,为验证数据集收集500个用户,随机分散在整个目标定位区域。在在线模式中,在整个目标定位区域重新生成1000个随机分布的用户作为测试集,以评估基于Transformer网络的回归定位性能。
最后,在在线测试集中评估了基于Transformer网络的指纹定位方法的效果,测试不同的Transformer层的影响。图8是根据本发明实施例提供的定位误差的累积分布函数示意图,结果是在N=128,N′a=2,以及BW=20MHz,N′d=2的无线信道参数下仿真得到的,如图8所示。经过调整超参数和多次仿真测试,可以在Transformer层1、2、3和4下得到均方根误差为0.3006、0.3110、0.2723和0.3736。特别是在3层条件下,可以得到定位的均方根误差为0.2723,在0.4米精度下的可靠性为90%,优于相关技术中均方根误差(Root Mean SquareError,RMSE)为0.5631的结果。这些结果验证了多头自我注意的优越性和所提出的预设定位模型的卓越性。
图9是根据本发明实施例提供的一种无线定位装置的结构示意图。如图9所示,该装置包括:
位置指纹获取模块901,用于从多个预设基站获取待定位的目标用户终端对应的位置指纹,其中,所述预设基站处于预设通信系统中,所述目标用户终端处于所述预设通信系统对应的目标定位区域内,所述预设通信系统包括多小区大规模多输入多输出正交频分复用系统,所述位置指纹采用能量耦合矩阵表示,所述能量耦合矩阵从所述预设通信系统对应的双波束信道模型中提取得到,所述双波束包括空间波束和频率波束;
联合指纹确定模块902,用于根据多个所述位置指纹确定所述目标用户终端对应的联合位置指纹;
定位模块903,用于将所述联合位置指纹输入至预设定位模型中,并根据所述预设定位模型的输出确定所述目标用户终端的定位结果,其中,所述预设定位模型包括基于神经网络的模型。
本发明实施例提供的无线定位装置,能够充分利用大规模MIMO-OFDM系统具备大规模的天线阵列和宽广的带宽的特性,从双波束信道模型中捕捉丰富的多径特征用于进行位置指纹的表示,进而可提高定位准确度。
可选的,所述双波束信道模型用于将所述预设基站的上行链路信道估计结果采用第一矩阵、波束域信道矩阵和第二矩阵表示;其中,所述波束域信道矩阵用于确定所述能量耦合矩阵,所述第一矩阵包括空间域的采样方向矢量,所述第二矩阵包括频率域的采样方向矢量;所述波束域信道矩阵中的元素用于表示空间波束的衰落系数和频率波束的衰落系数,所述空间域的采样方向矢量对应于所述预设基站与所述目标用户终端之间各路径的到达角方向余弦,所述频率域的采样方向矢量对应于所述预设基站与所述目标用户终端之间各路径的到达延迟。
可选的,所述能量耦合矩阵根据所述波束域信道矩阵中的元素和对应的共轭元素的点积的期望确定,所述能量耦合矩阵中的元素与所述预设基站和所述目标用户终端之间的路径的功率、到达角和到达延迟相关。
可选的,基于以下至少一种假设条件,使得所述双波束信道模型用于将所述预设基站的上行链路信道估计结果采用第一矩阵、波束域信道矩阵和第二矩阵表示:
所述预设通信系统中的信道满足不相关的广义平稳的瑞利衰落信道;
所述预设通信系统中的载波波长为所述预设基站中配备的均匀线性阵列的天线间距离的两倍;
所述预设通信系统中的子载波附加有循环前缀,最大延迟扩散小于所述循环前缀的持续时间;
所述空间域的采样方向矢量对应的采样数大于所述预设基站中的天线数量,所述频率域的采样方向矢量对应的采样数大于所述循环前缀的数量。
可选的,所述预设定位模型包括基于Transformer的模型。
可选的,所述联合指纹确定模块包括:
张量拼接单元,用于将多个所述位置指纹拼接为位置指纹张量;
张量分割单元,用于将所述位置指纹张量分割为预设数量的指纹块;
向量序列确定单元,用于根据所述指纹块确定向量序列,得到所述目标用户终端对应的联合位置指纹。
可选的,所述预设定位模型基于以下方式训练得到:
获取参考用户终端对应的多个样本位置指纹,其中,所述参考用户终端处于所述预设通信系统对应的目标定位区域内,所述多个样本位置指纹从所述多个预设基站获取到;
根据所述多个样本位置指纹确定所述参考用户终端对应的样本联合位置指纹;
将所述样本联合位置指纹输入至预设模型中,并根据所述预设模型的输出和所述参考用户终端的位置坐标对所述预设模型进行训练。
本发明实施例所提供的无线定位装置可执行本发明任意实施例所提供的无线定位方法,具备执行方法相应的功能模块和有益效果。
图10示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图10所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如无线定位方法。
在一些实施例中,无线定位方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的无线定位方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行无线定位方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种无线定位方法,其特征在于,包括:
从多个预设基站获取待定位的目标用户终端对应的位置指纹,其中,所述预设基站处于预设通信系统中,所述目标用户终端处于所述预设通信系统对应的目标定位区域内,所述预设通信系统包括多小区大规模多输入多输出正交频分复用系统,所述位置指纹采用能量耦合矩阵表示,所述能量耦合矩阵从所述预设通信系统对应的双波束信道模型中提取得到,所述双波束包括空间波束和频率波束;
根据多个所述位置指纹确定所述目标用户终端对应的联合位置指纹;
将所述联合位置指纹输入至预设定位模型中,并根据所述预设定位模型的输出确定所述目标用户终端的定位结果,其中,所述预设定位模型包括基于神经网络的模型。
2.根据权利要求1所述的方法,其特征在于,所述双波束信道模型用于将所述预设基站的上行链路信道估计结果采用第一矩阵、波束域信道矩阵和第二矩阵表示;其中,所述波束域信道矩阵用于确定所述能量耦合矩阵,所述第一矩阵包括空间域的采样方向矢量,所述第二矩阵包括频率域的采样方向矢量;所述波束域信道矩阵中的元素用于表示空间波束的衰落系数和频率波束的衰落系数,所述空间域的采样方向矢量对应于所述预设基站与所述目标用户终端之间各路径的到达角方向余弦,所述频率域的采样方向矢量对应于所述预设基站与所述目标用户终端之间各路径的到达延迟。
3.根据权利要求2所述的方法,其特征在于,所述能量耦合矩阵根据所述波束域信道矩阵中的元素和对应的共轭元素的点积的期望确定,所述能量耦合矩阵中的元素与所述预设基站和所述目标用户终端之间的路径的功率、到达角和到达延迟相关。
4.根据权利要求2所述的方法,其特征在于,基于以下至少一种假设条件,使得所述双波束信道模型用于将所述预设基站的上行链路信道估计结果采用第一矩阵、波束域信道矩阵和第二矩阵表示:
所述预设通信系统中的信道满足不相关的广义平稳的瑞利衰落信道;
所述预设通信系统中的载波波长为所述预设基站中配备的均匀线性阵列的天线间距离的两倍;
所述预设通信系统中的子载波附加有循环前缀,最大延迟扩散小于所述循环前缀的持续时间;
所述空间域的采样方向矢量对应的采样数大于所述预设基站中的天线数量,所述频率域的采样方向矢量对应的采样数大于所述循环前缀的数量。
5.根据权利要求1-3任一所述的方法,其特征在于,所述预设定位模型包括基于Transformer的模型。
6.根据权利要求5所述的方法,其特征在于,所述根据多个所述位置指纹确定所述目标用户终端对应的联合位置指纹,包括:
将多个所述位置指纹拼接为位置指纹张量;
将所述位置指纹张量分割为预设数量的指纹块;
根据所述指纹块确定向量序列,得到所述目标用户终端对应的联合位置指纹。
7.根据权利要求5所述的方法,其特征在于,所述预设定位模型基于以下方式训练得到:
获取参考用户终端对应的多个样本位置指纹,其中,所述参考用户终端处于所述预设通信系统对应的目标定位区域内,所述多个样本位置指纹从所述多个预设基站获取到;
根据所述多个样本位置指纹确定所述参考用户终端对应的样本联合位置指纹;
将所述样本联合位置指纹输入至预设模型中,并根据所述预设模型的输出和所述参考用户终端的位置坐标对所述预设模型进行训练,以得到所述预设定位模型。
8.一种无线定位装置,其特征在于,包括:
位置指纹获取模块,用于从多个预设基站获取待定位的目标用户终端对应的位置指纹,其中,所述预设基站处于预设通信系统中,所述目标用户终端处于所述预设通信系统对应的目标定位区域内,所述预设通信系统包括多小区大规模多输入多输出正交频分复用系统,所述位置指纹采用能量耦合矩阵表示,所述能量耦合矩阵从所述预设通信系统对应的双波束信道模型中提取得到,所述双波束包括空间波束和频率波束;
联合指纹确定模块,用于根据多个所述位置指纹确定所述目标用户终端对应的联合位置指纹;
定位模块,用于将所述联合位置指纹输入至预设定位模型中,并根据所述预设定位模型的输出确定所述目标用户终端的定位结果,其中,所述预设定位模型包括基于神经网络的模型。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的无线定位方法。
10.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的无线定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310623572.4A CN116744441A (zh) | 2023-05-30 | 2023-05-30 | 无线定位方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310623572.4A CN116744441A (zh) | 2023-05-30 | 2023-05-30 | 无线定位方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116744441A true CN116744441A (zh) | 2023-09-12 |
Family
ID=87917817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310623572.4A Pending CN116744441A (zh) | 2023-05-30 | 2023-05-30 | 无线定位方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116744441A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117406170A (zh) * | 2023-12-15 | 2024-01-16 | 中科华芯(东莞)科技有限公司 | 一种基于超宽带的定位方法及系统 |
-
2023
- 2023-05-30 CN CN202310623572.4A patent/CN116744441A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117406170A (zh) * | 2023-12-15 | 2024-01-16 | 中科华芯(东莞)科技有限公司 | 一种基于超宽带的定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gante et al. | Deep learning architectures for accurate millimeter wave positioning in 5G | |
CN108646213B (zh) | 一种室内多径环境下直达波aoa判定方法 | |
CN109752710B (zh) | 一种基于稀疏贝叶斯学习的快速目标角度估计方法 | |
Zhang et al. | An efficient machine learning approach for indoor localization | |
Zheng et al. | Online deep neural networks for mmWave massive MIMO channel estimation with arbitrary array geometry | |
Zhu et al. | BLS-location: A wireless fingerprint localization algorithm based on broad learning | |
Shutin et al. | Incremental sparse Bayesian learning for parameter estimation of superimposed signals | |
CN116744441A (zh) | 无线定位方法、装置、设备及存储介质 | |
Li et al. | A novel method of Wi-Fi indoor localization based on channel state information | |
Feng et al. | Wireless channel parameter estimation algorithms: Recent advances and future challenges | |
CN106291453A (zh) | 一种基于波束空间变换的二维波达角测定方法 | |
CN114268388A (zh) | 一种在大规模mimo中基于改进gan网络的信道估计方法 | |
Klus et al. | Transfer learning for convolutional indoor positioning systems | |
Chen et al. | Computer vision aided codebook design for MIMO communications systems | |
Kia et al. | A CNN approach for 5G mm wave positioning using beamformed CSI measurements | |
Yao et al. | Wideband DOA estimation based on deep residual learning with Lyapunov stability analysis | |
CN111770528B (zh) | 基于信道参数萃取方法的视距与非视距识别方法及装置 | |
Ni et al. | DOA estimation for lens antenna array via root-music, outlier detection, and clustering | |
CN110231589B (zh) | 一种大扩散角的多径信号波达方向估计方法 | |
CN114679356B (zh) | 一种不依赖于似然函数的信道全维参数提取方法、装置及存储介质 | |
CN116383656A (zh) | 用于大规模mimo定位的半监督表征对比学习方法 | |
Fang et al. | A lightweight deep learning-based algorithm for array imperfection correction and doa estimation | |
Chen et al. | Learning to localize with attention: From sparse mmwave channel estimates from a single BS to high accuracy 3D location | |
CN115099039A (zh) | 一种基于时空调制超表面的doa估计方法 | |
CN113030849B (zh) | 一种基于自编码器与并行网络的近场源定位方法 |
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 |