TW202348064A - 利用下行鏈路定位參考信號的基於用戶設備的射頻指紋定位 - Google Patents
利用下行鏈路定位參考信號的基於用戶設備的射頻指紋定位 Download PDFInfo
- Publication number
- TW202348064A TW202348064A TW112110507A TW112110507A TW202348064A TW 202348064 A TW202348064 A TW 202348064A TW 112110507 A TW112110507 A TW 112110507A TW 112110507 A TW112110507 A TW 112110507A TW 202348064 A TW202348064 A TW 202348064A
- Authority
- TW
- Taiwan
- Prior art keywords
- positioning
- rffp
- machine learning
- learning model
- preprocessing
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 255
- 238000010801 machine learning Methods 0.000 claims abstract description 250
- 238000004891 communication Methods 0.000 claims abstract description 102
- 238000005259 measurement Methods 0.000 claims description 236
- 238000007781 pre-processing Methods 0.000 claims description 137
- 230000015654 memory Effects 0.000 claims description 36
- 238000013507 mapping Methods 0.000 claims description 26
- 230000004044 response Effects 0.000 claims description 24
- 239000000463 material Substances 0.000 claims description 16
- 230000007774 longterm Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 description 75
- 230000005540 biological transmission Effects 0.000 description 51
- 238000012545 processing Methods 0.000 description 25
- 238000007726 management method Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 20
- 230000000875 corresponding effect Effects 0.000 description 18
- 238000012546 transfer Methods 0.000 description 17
- 230000001413 cellular effect Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 16
- 230000011664 signaling Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 14
- 238000003860 storage Methods 0.000 description 14
- 239000000969 carrier Substances 0.000 description 12
- 238000013461 design Methods 0.000 description 11
- 238000001228 spectrum Methods 0.000 description 11
- 238000003066 decision tree Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000003491 array Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 7
- 125000004122 cyclic group Chemical group 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000013145 classification model Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000003416 augmentation Effects 0.000 description 4
- 230000003139 buffering effect Effects 0.000 description 4
- 230000006837 decompression Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 241000700159 Rattus Species 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000006249 magnetic particle Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- LKKMLIBUAXYLOY-UHFFFAOYSA-N 3-Amino-1-methyl-5H-pyrido[4,3-b]indole Chemical compound N1C2=CC=CC=C2C2=C1C=C(N)N=C2C LKKMLIBUAXYLOY-UHFFFAOYSA-N 0.000 description 1
- 101150054427 AOD1 gene Proteins 0.000 description 1
- 101100208128 Arabidopsis thaliana TSA1 gene Proteins 0.000 description 1
- 101100108974 Emericella nidulans (strain FGSC A4 / ATCC 38163 / CBS 112.46 / NRRL 194 / M139) alxA gene Proteins 0.000 description 1
- 102100031413 L-dopachrome tautomerase Human genes 0.000 description 1
- 101710093778 L-dopachrome tautomerase Proteins 0.000 description 1
- 230000027311 M phase Effects 0.000 description 1
- 102000003629 TRPC3 Human genes 0.000 description 1
- 101150037542 Trpc3 gene Proteins 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000000615 nonconductor Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000009131 signaling function Effects 0.000 description 1
- 101150026818 trp3 gene Proteins 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0205—Details
- G01S5/0236—Assistance data, e.g. base station almanac
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/0009—Transmission of position information to remote stations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
- G01S5/02521—Radio frequency fingerprinting using a radio-map
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
公開了用於無線通信的技術。在一個方面,用戶設備(UE)從第一網路實體接收用於下行鏈路射頻指紋(DL-RFFP)定位程序的一個或多個定位輔助資料訊息,所述一個或多個定位輔助資料訊息包括與UE被配置為用於DL-RFFP定位程序的機器學習模型相關的至少一個參數,並且向第二網路實體發送一個或多個位置資訊訊息,所述一個或多個位置資訊訊息包括與DL-RFFP定位程序相關的一個或多個參數。
Description
本公開內容的各方面一般涉及無線通信。
無線通信系統經過了幾代的發展,包括第一代類比無線電話服務(1G)、第二代(2G)數位無線電話服務(包括過渡性的2.5G和2.75G網路)、第三代(3G)高速資料、支援網際網路的無線服務和第四代(4G)服務(例如,長期演進(LTE)或WiMax)。目前有多種不同類型的無線通信系統在使用,包括蜂巢式和個人通信服務(PCS)系統。已知蜂巢式系統的示例包括蜂巢式類比先進行動電話系統(AMPS),以及基於分碼多重存取(CDMA)、分頻多重存取(FDMA)、分時多重存取(TDMA)、全球行動通信系統(GSM)等的數位蜂巢式系統。
被稱為新無線電(NR)的第五代(5G)無線標準支援更高的資料傳輸速度、更多數量的連接和更好的覆蓋範圍以及其他改善。根據下一代行動網路聯盟,5G標準被設計為與先前標準相比提供更高的資料速率、更準確的定位(例如,基於用於定位的參考信號(RS-P),諸如下行鏈路、上行鏈路或側鏈路定位參考信號(PRS))以及其他技術增強。這些增強,以及對更高頻段的使用、PRS處理和技術的進步以及對5G的高密度部署,實現了高度準確的基於5G的定位。
以下給出了與本文公開的一個或多個方面相關的簡化概述。因此,下面的發明內容不應被認為是與所有設想的方面相關的詳盡概述,也不應該被視為識別與所有設想的方面相關的重要或關鍵要素或描述與任何特定方面相關聯的範圍。因此,下面的發明內容的唯一目的是以簡化的形式在以下給出的具體實施方式之前給出與本文公開的機制相關的一個或多個方面的某些概念。
在一個方面,一種由用戶設備(UE)執行的無線通信方法包括:從第一網路實體接收用於下行鏈路射頻指紋(DL-RFFP)定位程序的一個或多個定位輔助資料訊息,所述一個或多個定位輔助資料訊息包括與UE被配置為用於DL-RFFP定位程序的機器學習模型相關的至少一個參數;以及向第二網路實體發送一個或多個位置資訊訊息,所述一個或多個位置資訊訊息包括與DL-RFFP定位程序相關的一個或多個參數。
在一個方面,一種由基地台執行的通信方法包括從位置伺服器接收一個或多個輔助資訊控制訊息,所述一個或多個輔助資訊控制訊息指示與至少一個用戶設備(UE)被配置用於下行鏈路射頻指紋(DL-RFFP)定位程序的機器學習模型相關的一個或多個參數;以及向至少一個UE發送特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB),所述一個或多個posSIB至少指示所述一個或多個參數。
在一個方面,一種用戶設備(UE)包括記憶體;至少一個收發器;以及通信地耦接到記憶體和至少一個收發器的至少一個處理器,所述至少一個處理器被配置為:經由至少一個收發器從第一網路實體接收用於下行鏈路射頻指紋(DL-RFFP)定位程序的一個或多個定位輔助資料訊息,所述一個或多個定位輔助資料訊息包括與UE被配置為用於DL-RFFP定位程序的機器學習模型相關的至少一個參數;以及經由至少一個收發器向第二網路實體發送一個或多個位置資訊訊息,所述一個或多個位置資訊訊息包括與DL-RFFP定位程序相關的一個或多個參數。
在一個方面,一種基地台,包括記憶體;至少一個收發器;以及通信地耦接到記憶體和至少一個收發器的至少一個處理器,所述至少一個處理器被配置為:經由至少一個收發器從位置伺服器接收一個或多個輔助資訊控制訊息,所述一個或多個輔助資訊控制訊息指示與至少一個用戶設備(UE)被配置為用於下行鏈路射頻指紋(DL-RFFP)定位程序的機器學習模型相關的一個或多個參數;以及經由至少一個收發器向至少一個UE發送特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB),所述一個或多個posSIB至少指示所述一個或多個參數。
在一個方面,一種用戶設備(UE)包括用於從第一網路實體接收用於下行鏈路射頻指紋(DL-RFFP)定位程序的一個或多個定位輔助資料訊息的部件,所述一個或多個定位輔助資料訊息包括與UE被配置為用於DL-RFFP定位程序的機器學習模型相關的至少一個參數;以及用於向第二網路實體發送一個或多個位置資訊訊息的部件,所述一個或多個位置資訊訊息包括與DL-RFFP定位程序相關的一個或多個參數。
在一個方面,一種基地台包括用於從位置伺服器接收一個或多個輔助資訊控制訊息的部件,所述一個或多個輔助資訊控制訊息指示與至少一個用戶設備(UE)被配置用於下行鏈路射頻指紋(DL-RFFP)定位程序的機器學習模型相關的一個或多個參數;以及用於向至少一個UE發送特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB)的部件,所述一個或多個posSIB至少指示所述一個或多個參數。
在一個方面,一種非暫時性計算機可讀媒體,儲存計算機可執行指令,當由用戶設備(UE)執行時,所述計算機可執行指令使得UE:從第一網路實體接收用於下行鏈路射頻指紋(DL-RFFP)定位程序的一個或多個定位輔助資料訊息,所述一個或多個定位輔助資料訊息包括與UE被配置為用於DL-RFFP定位程序的機器學習模型相關的至少一個參數;以及向第二網路實體發送一個或多個位置資訊訊息,所述一個或多個位置資訊訊息包括與DL-RFFP定位程序相關的一個或多個參數。
在一個方面,一種非暫時性計算機可讀媒體,儲存計算機可執行指令,當由基地台執行時,所述計算機可執行指令使得基地台:從位置伺服器接收一個或多個輔助資訊控制訊息,所述一個或多個輔助資訊控制訊息指示與至少一個用戶設備(UE)被配置用於下行鏈路射頻指紋(DL-RFFP)定位程序的機器學習模型相關的一個或多個參數;以及向至少一個UE發送特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB),所述一個或多個posSIB至少指示所述一個或多個參數。
基於圖式和具體實施方式,與本文公開的各方面相關聯的其他目的和優點對於本領域技術人員將是清楚的。
在下面的描述和相關的圖式中提供了本公開內容的各方面,這些描述和圖式針對出於說明目的而提供的各種示例。在不脫離本公開內容的範圍的情況下,可以設計替代方面。此外,可以不詳細描述或可以省略本公開內容的習知元素以免混淆本公開內容的相關細節。
詞語“示例性”和/或“示例”在本文中用來表示“用作示例、實例或說明”。本文中被描述為“示例性”和/或“示例”的任何方面不必一定被解釋為比其他方面優選或有利。同樣,術語“本公開內容的各方面”並不要求本公開內容的所有方面都包括所討論的特徵、優點或操作模式。
本領域技術人員將理解,可以使用各種不同的技術和工藝中的任何一種來表示以下描述的資訊和信號。例如,在以下整個說明書中可能引用的資料、指令、命令、資訊、信號、位元、符號和碼片(chip)可以由電壓、電流、電磁波、磁場或磁粒子、光場或光粒子或它們的任意組合來表示,部分地取決於特定的應用、部分地取決於所需的設計、部分地取決於對應的技術等。
此外,根據要由例如計算設備的元件執行的動作序列來描述多個方面。應當理解,本文中描述的各種動作可以由特定電路(例如,特殊應用積體電路(ASIC))、由一個或多個處理器執行的程式指令或者由兩者的組合來執行。此外,本文中描述的動作序列可以被認為是完全體現在任何形式的、其中儲存有對應的計算機指令集的非暫時性計算機可讀儲存媒體中,所述計算機指令集在執行時將使得或指示設備的關聯處理器來執行本文描述的功能。因此,本公開內容的各個方面可以以多種不同的形式體現,所有這些形式都被認為在所要求保護的標的的範圍內。此外,對於本文描述的每個方面,任何這樣的方面的對應形式都可以被描述為例如“被配置為執行所述動作的邏輯”。
如在本文中使用的,除非另外指出,否則術語“用戶設備”(UE)和“基地台”不旨在是特定的或以其他方式受限於任何特定的無線電存取技術(RAT)。一般地,UE可以是由用戶用來透過無線通信網路進行通信的任何無線通信設備(例如,行動電話、路由器、平板計算機、膝上型計算機、消費者資產定位(consumer asset locating)設備、可穿戴設備(例如,智慧型手錶、眼鏡、擴增實境(AR)/虛擬實境(VR)耳機等)、車輛(例如,汽車、摩托車、自行車等)、物聯網(IoT)設備等)。UE可以是移動的或者可以(例如,在某些時間)是靜止的,並且可以與無線電存取網路(RAN)進行通信。如在本文中使用的,術語“UE”可以可互換地被稱為“存取終端”或“AT”、“客戶端設備”、“無線設備”、“訂戶設備”、“訂戶終端”、“訂戶站”、“用戶終端”或“UT”、“行動設備”、“行動終端”、“行動站”或它們的變體。一般地,UE可以經由RAN與核心網路通信,並且透過核心網路,UE可以與諸如網際網路的外部網路以及與其他UE連接。當然,對於UE而言,連接到核心網路和/或網際網路的其他機制也是可能的,諸如透過有線存取網路、無線區域網路(WLAN)網路(例如,基於電機和電子工程師學會(IEEE)802.11規範等)等等。
基地台可以取決於其部署所在的網路根據與UE進行通信的若干種RAT中的一種進行操作,並且可以替代地被稱為存取點(AP)、網路節點、NodeB、演進型NodeB(eNB)、下一代eNB(ng-eNB)、新無線電(NR)節點B(也被稱為gNB或gNodeB)等。基地台可以主要用於支援UE的無線存取,包括支援針對所支援的UE的資料、語音和/或信令連接。在一些系統中,基地台可以提供純粹的邊緣節點信令功能,而在其他系統中,基地台可以提供額外的控制和/或網路管理功能。UE可以透過其向基地台發送信號的通信鏈路被稱為上行鏈路(UL)信道(例如,反向流量信道、反向控制信道、存取信道等)。基地台可以透過其向UE發送信號的通信鏈路被稱為下行鏈路(DL)或前傳鏈路信道(例如,傳呼信道、控制信道、廣播信道、前向流量信道等)。如在本文中使用的,術語流量信道(TCH)可以指上行鏈路/反向或下行鏈路/前向流量信道。
術語“基地台”可以指單個實體發送接收點(TRP)或指可以是或可以不是共置的多個實體TRP。例如,在術語“基地台”是指單個實體TRP的情況下,實體TRP可以是與基地台的小區(或若干個小區扇區)相對應的基地台的天線。在術語“基地台”是指多個共置的實體TRP的情況下,實體TRP可以是基地台的天線的陣列(例如,如在多輸入多輸出(MIMO)系統中、或者在基地台採用波束形成的情況下)。在術語“基地台”是指多個非共置的實體TRP的情況下,實體TRP可以是分布式天線系統(DAS)(經由傳輸媒體連接到公共來源的空間上分離的天線的網路)或遠程無線電頭(RRH)(連接到服務基地台的遠程基地台)。可替代地,非共置的實體TRP可以是從UE接收測量報告的服務基地台以及其參考射頻(RF)信號正被UE測量的相鄰基地台。因為如在本文中使用的,TRP是基地台發送和接收無線信號的點,所以對來自基地台的發送或在基地台處的接收的引用將被理解為是指基地台的特定TRP。
在一些支援對UE的定位的實現方式中,基地台可能不支援UE的無線存取(例如,可能不支援針對UE的資料、語音和/或信令連接),而是向UE發送可以由UE測量的參考信號,和/或可以接收和測量由UE發送的信號。這樣的基地台可以被稱為定位信標(例如,當向UE發送信號時)和/或被稱為位置測量單元(例如,當接收和測量來自UE的信號時)。
“RF信號”包括透過發送器和接收器之間的空間傳送資訊的給定頻率的電磁波。如在本文中使用的,發送器可以向接收器發送單個“RF信號”或多個“RF信號”。然而,由於RF信號透過多徑信道的傳播特性,接收器可能接收到與每個發送的RF信號相對應的多個“RF信號”。在發送器和接收器之間的不同路徑上的相同發送的RF信號可以被稱為“多路徑”RF信號。如在本文中使用的,RF信號也可以被稱為“無線信號”或簡稱為“信號”,其中根據上下文清楚的是,術語“信號”是指無線信號或RF信號。
圖1示出了根據本公開內容的各方面的示例無線通信系統100。無線通信系統100(也可以被稱為無線廣域網路(WWAN))可以包括各種基地台102(標記為“BS”)和各種UE 104。基地台102可以包括宏小區基地台(高功率蜂巢式基地台)和/或小小區基地台(低功率蜂巢式基地台)。在一個方面,宏小區基地台可以包括其中無線通信系統100對應於LTE網路的eNB和/或ng-eNB、或其中無線通信系統100對應於NR網路的gNB、或者兩者的組合,並且小小區基地台可以包括毫微微小區、微微小區、微小區等。
基地台102可以共同形成RAN並透過回程鏈路122與核心網路170(例如演進的封包核心(EPC)或5G核心(5GC))介面,並透過核心網路170連接到一個或多個位置伺服器172(例如,位置管理功能(LMF)或安全用戶平面位置(SUPL)位置平台(SLP))。位置伺服器172可以是核心網路170的一部分或者可以在核心網路170外部。位置伺服器172可以與基地台102整合。UE 104可以直接或間接地與位置伺服器172通信。例如,UE 104可以經由當前服務於所述UE 104的基地台102與位置伺服器172通信。UE 104還可以透過另外的路徑(諸如經由應用伺服器(未示出)、經由另外的網路(諸如經由無線區域網路(WLAN)存取點(AP)(例如,下面描述的AP 150))等等)與位置伺服器172通信。出於信令通知目的,UE 104和位置伺服器172之間的通信可以被表示為(例如,透過核心網路170等的)間接連接或直接連接(例如,如經由直接連接128所示的),為了清楚,信令圖中省略了中間節點(如果有的話)。
除了其他功能之外,基地台102還可以執行與以下一項或多項相關的功能:用戶資料的傳送、無線電信道加密和解密、完整性保護、標頭壓縮、行動性控制功能(例如,交接、雙重連接)、小區間干擾協調、連接建立和釋放、負載平衡、針對非存取層(NAS)訊息的分發、NAS節點選擇、同步、RAN共享、多媒體廣播多播服務(MBMS)、訂戶和設備追蹤、RAN資訊管理(RIM)、傳呼、定位以及警告訊息的傳送。基地台102可以透過回程鏈路134直接或間接地(例如,透過EPC/5GC)彼此通信,所述回程鏈路可以是有線的或無線的。
基地台102可以與UE 104無線通信。基地台102中的每一個都可以為對應的地理覆蓋區域110提供通信覆蓋。在一個方面,在每個地理覆蓋區域110中基地台102可以支援一個或多個小區。“小區”是用於(例如,透過被稱為載波頻率、分量載波、載波、頻段等的一些頻率資源)與基地台通信的邏輯通信實體,並且可以與用於區分經由相同或不同載波頻率進行操作的小區的識別符(例如,實體小區識別符(PCI)、增強型小區識別符(ECI)、虛擬小區識別符(VCI)、小區全域識別符(CGI)等)相關聯。在一些情況下,不同的小區可以根據可以為不同類型的UE提供存取的不同的協定類型(例如,機器類型通信(MTC)、窄頻IoT(NB-IoT)、增強型行動寬頻(eMBB))或其他)來配置。因為小區由特定的基地台支援,所以取決於上下文,術語“小區”可以指邏輯通信實體和支援它的基地台中的一個或兩個。此外,因為TRP通常是小區的實體發送點,所以術語“小區”和“TRP”可以互換使用。在一些情況下,只要可以偵測到載波頻率並將其用於地理覆蓋區域110的某些部分內的通信,術語“小區”還可以指基地台的地理覆蓋區域(例如,扇區)。
儘管相鄰宏小區基地台102的地理覆蓋區域110可能部分重疊(例如,在交接區域中),但某些地理覆蓋區域110可能被更大的地理覆蓋區域110基本上重疊。例如,小小區基地台102’(對於“小小區”標記為“SC”)可以具有與一個或多個宏小區基地台102的地理覆蓋區域110基本上重疊的地理覆蓋區域110’。既包括小小區基地台又包括宏小區基地台的網路可以被稱為異質網路。異質網路還可以包括家庭eNB(HeNB),所述家庭eNB可以向被稱為封閉訂戶組(CSG)的受限組提供服務。
基地台102和UE 104之間的通信鏈路120可以包括從UE 104到基地台102的上行鏈路(也被稱為反向鏈路)傳輸和/或從基地台102到UE 104的下行鏈路(DL)(也被稱為前向鏈路)傳輸。通信鏈路120可以使用包括空間多工、波束形成和/或發送分集的MIMO天線技術。通信鏈路120可以透過一個或多個載波頻率。載波的分配相對於下行鏈路和上行鏈路可以是非對稱的(例如,與上行鏈路相比,可以為下行鏈路分配更多或更少的載波)。
無線通信系統100還可以包括無線區域網路(WLAN)存取點(AP)150,所述無線區域網路存取點(AP)經由未經許可頻譜(例如5GHz)中的通信鏈路154與WLAN站(STA)152通信。當在未經許可頻譜中進行通信時,WLAN STA 152和/或WLAN AP 150可以在通信之前執行閒置信道評估(CCA)或先聽後說(LBT)以決定所述信道是否可用。
小小區基地台102’可以在經許可和/或未經許可頻譜中進行操作。當在未經許可頻譜中操作時,小小區基地台102’可以採用LTE或NR技術,並且使用與WLAN AP 150所使用的相同的5GHz未經許可頻譜。在未經許可頻譜中採用LTE/5G的小小區102’可以增加對存取網路的覆蓋和/或增加其容量。未經許可頻譜中的NR可以被稱為NR-U。未經許可頻譜中的LTE可以被稱為LTE-U、經許可輔助存取(LAA)或MulteFire。
無線通信系統100還可以包括毫米波(mmW)基地台180,所述毫米波基地台可以以mmW頻率和/或近mmW頻率操作,其與UE 182通信。極高頻(EHF)是電磁頻譜中RF的一部分。EHF的範圍為30GHz至300GHz,波長在1毫米至10毫米之間。所述頻段中的無線電波可以被稱為毫米波。近mmW可以向下延伸至3GHz的頻率,波長為100毫米。超高頻(SHF)頻段在3GHz和30GHz之間延伸,也被稱為釐米波。使用mmW/近mmW無線電頻段的通信具有較高的路徑損耗和相對較短的範圍。mmW基地台180和UE 182可以在mmW通信鏈路184上利用波束形成(發送和/或接收)來補償極高的路徑損耗和短的範圍。此外,應當理解,在替代配置中,一個或多個基地台102也可以使用mmW或近mmW以及波束形成來進行發送。因此,應當理解,前述說明僅是示例,並且不應被解釋為限制本文公開的各個方面。
發送波束形成是一種將RF信號聚焦在特定方向的技術。傳統上,當網路節點(例如,基地台)廣播RF信號時,其向所有方向(全向)廣播信號。利用發送波束形成,網路節點決定給定目標設備(例如,UE)(相對於發送網路節點)的位置,並在所述特定方向上投射更強的下行鏈路RF信號,從而為接收設備提供(就資料速率而言)更快和更強的RF信號。為了在發送時改變RF信號的方向,網路節點可以在廣播RF信號的一個或多個發送器的每一個上控制RF信號的相位和相對幅度。例如,網路節點可以使用天線的陣列(被稱為“相控陣列”或“天線陣列”),其產生可以被“引導”指向不同方向的RF波的波束,而無需實際移動天線。具體地,來自發送器的RF電流以正確的相位關係被饋送到各個天線,使得來自各個天線的無線電波相加在一起,以增加期望方向上的輻射,同時抵消以抑制不期望方向上的輻射。
發送波束可以是準共址的,這意味著它們在接收器(例如,UE)看來具有相同的參數,無論網路節點的發送天線本身是否是實體上共址的。在NR中,存在四種類型的準共址(QCL)關係。具體地,給定類型的QCL關係意味著關於第二波束上的第二參考RF信號的某些參數可以從關於來源波束上的來源參考RF信號的資訊中導出。因此,如果來源參考RF信號是QCL類型A,則接收器可以使用來源參考RF信號來估計在同一信道上發送的第二參考RF信號的都卜勒頻移、都卜勒擴展、平均延遲和延遲擴展。如果來源參考RF信號是QCL類型B,則接收器可以使用來源參考RF信號來估計在同一信道上發送的第二參考RF信號的都卜勒頻移和都卜勒擴展。如果來源參考RF信號是QCL類型C,則接收器可以使用來源參考RF信號來估計在同一信道上發送的第二參考RF信號的都卜勒頻移和平均延遲。如果來源參考RF信號是QCL類型D,則接收器可以使用來源參考RF信號來估計在同一信道上發送的第二參考RF信號的空間接收參數。
在接收波束形成中,接收器使用接收波束來放大在給定信道上偵測到的RF信號。例如,接收器可以在特定方向上增加增益設置和/或調整天線陣列的相位設置,以放大從所述方向接收到的RF信號(例如,增加其增益水平)。因此,當說接收器在某個方向上進行波束形成時,意味著所述方向上的波束增益相對於沿其他方向的波束增益是高的、或者所述方向上的波束增益與接收器可用的所有其他接收波束在所述方向上的波束增益相比是最高的。這導致從所述方向接收到的RF信號具有更高的接收信號強度(例如,參考信號接收功率(RSRP)、參考信號接收品質(RSRQ)、信號干擾加雜訊比(SINR)等)。
發送波束和接收波束可以是空間上相關的。空間相關意味著用於第二參考信號的第二波束(例如,發送波束或接收波束)的參數可以從關於用於第一參考信號的第一波束(例如,接收波束或發送波束)的資訊中導出。例如,UE可以使用特定的接收波束來從基地台接收參考下行鏈路參考信號(例如,同步信號區塊(SSB))。然後,UE可以基於接收波束的參數形成用於向所述基地台發送上行鏈路參考信號(例如,探測參考信號(SRS))的發送波束。
注意,“下行鏈路”波束可以是發送波束,也可以是接收波束,這取決於形成它的實體。例如,如果基地台正在形成下行鏈路波束以向UE發送參考信號,則下行鏈路波束是發送波束。然而,如果UE正在形成下行鏈路波束,則它是接收下行鏈路參考信號的接收波束。類似地,“上行鏈路”波束可以是發送波束,也可以是接收波束,這取決於形成它的實體。例如,如果基地台正在形成上行鏈路波束,則它是上行鏈路接收波束,並且如果UE正在形成上行鏈路波束,則它是上行鏈路發送波束。
電磁頻譜通常基於頻率/波長而被細分為各種類別、頻段、信道等。在5G NR中,兩個初始操作頻段已經被決定為了頻率範圍指定FR1(410MHz-7.125GHz)和FR2(24.25GHz-52.6GHz)。應當理解,儘管FR1的一部分大於6GHz,但是在各種文件和文章中,FR1經常被稱為(可互換地)亞6GHz頻段。FR2有時也會出現類似的命名問題,儘管它不同於被國際電信聯盟(ITU)決定為“毫米波”頻段的極高頻(EHF)頻段(30GHz-300GHz)。但在各種文件和文章中,FR2通常被稱為(可互換的)“毫米波”頻段。
FR1和FR2之間的頻率通常被稱為中帶頻率。最近的5G NR研究已經將這些中帶頻率的操作頻段決定為了頻率範圍指定FR3(7.125GHz-24.25GHz)。落入FR3的頻段可以繼承FR1特性和/或FR2特性,因此可以有效地將FR1和/或FR2的特徵擴展到中帶頻率中。此外,目前正在探索更高的頻段,以將5G NR操作擴展到52.6GHz以上。例如,三個較高的操作頻段已經被決定為了頻率範圍指定FR4-a或FR4-1(52.6GHz-71GHz)、FR4(52.6GHz-114.25GHz)和FR5(114.25GHz-300GHz)。這些較高頻段中的每一個都屬EHF頻段。
考慮到上述方面,除非另有具體說明,否則應當理解,本文使用的術語“亞6GHz”等可以廣泛表示低於6GHz、可以在FR1內或者可以包括中帶頻率的頻率。此外,除非另有具體說明,否則應該理解,本文使用的術語“毫米波”等可以廣泛表示可以包括中帶頻率、可以在FR2、FR4、FR4-a或FR4-1和/或FR5內或者可以在EHF頻段內的頻率。
在多載波系統(諸如5G)中,載波頻率中的一個被稱為“主載波”或“錨載波”或“主服務小區”或者“PCell”,而剩餘的載波頻率被稱為“輔載波”或“輔服務小區”或者“SCell”。在載波聚合中,錨載波是在由UE 104/182和UE 104/182在其中執行初始無線電資源控制(RRC)連接建立程序或者發起RRC連接重建程序的小區使用的主頻率(例如,FR1)上操作的載波。主載波攜帶所有公共和UE特定控制信道,並且可以是經許可頻率中的載波(但並非總是如此)。輔載波是在第二頻率(例如,FR2)上操作的載波,一旦在UE 104和錨載波之間建立了RRC連接,就可以配置輔載波,並且輔載波可以用於提供額外的無線電資源。在一些情況下,輔載波可以是未經許可頻率中的載波。輔載波可以僅包含必要的信令資訊和信號,例如,那些UE特定的資訊和信號可能不存在於輔載波中,因為主上行鏈路和下行鏈路載波兩者通常都是UE特定的。這意味著小區中不同的UE 104/182可以具有不同的下行鏈路主載波。上行鏈路主載波也是如此。網路能夠在任何時間改變任何UE 104/182的主載波。例如,這是為了平衡不同載波上的負載。因為“服務小區”(無論是PCell還是SCell)對應於某個基地台透過其正在通信的載波頻率/分量載波,所以術語“小區”、“服務小區”、“分量載波”、“載波頻率”等可以互換使用。
例如,仍然參考圖1,宏小區基地台102利用的頻率之一可以是錨載波(或“PCell”),並且宏小區基地台102和/或mmW基地台180利用的其他頻率可以是輔載波(“SCell”)。多個載波的同時發送和/或接收使得UE 104/182能夠顯著地提高其資料發送和/或接收速率。例如,與單個20MHz載波相比,多載波系統中的兩個20MHz聚合的載波理論上將導致資料速率增加到兩倍(即,40MHz)。
無線通信系統100還可以包括可以透過通信鏈路120與宏小區基地台102和/或透過mmW通信鏈路184與mmW基地台180通信的UE 164。例如,宏小區基地台102可以為UE 164支援PCell和一個或多個SCell,並且mmW基地台180可以為UE 164支援一個或多個SCell。
在一些情況下,UE 164和UE 182可能能夠進行側鏈路通信。支援側鏈路的UE(SL-UE)可以使用Uu介面(即,UE和基地台之間的空中介面)、透過通信鏈路120與基地台102通信。SL-UE(例如,UE 164、UE 182)也可以使用PC5介面(即,支援側鏈路的UE之間的空中介面)、透過無線側鏈路160直接彼此通信。無線側鏈路(或簡稱為“側鏈路”)是允許兩個或更多個UE之間的直接通信,而不需要透過基地台進行通信的對核心蜂巢式(例如,LTE、NR)標準的適應。側鏈路通信可以是單播或多播,並且可以用於設備對設備(D2D)媒體共享、車輛對車輛(V2V)通信、車輛對萬物(V2X)通信(例如,蜂巢式V2X(cV2X)通信、增強型V2X(eV2X)通信等)、緊急救援應用等。利用側鏈路通信的一組SL-UE中的一個或多個可以在基地台102的地理覆蓋區域110內。這種組中的其他SL-UE可以在基地台102的地理覆蓋區域110外、或者不能接收來自基地台102的傳輸。在一些情況下,經由側鏈路通信進行通信的一組SL-UE可以利用其中每個SL-UE向所述組中的每個其他SL-UE進行傳輸的一對多(1:M)系統。在一些情況下,基地台102有助於對用於側鏈路通信的資源的排程。在其他情況下,側鏈路通信在不涉及基地台102的情況下在SL-UE之間執行。
在一個方面,側鏈路160可以在感興趣的無線通信媒體上操作,所述無線通信媒體可以與其他車輛和/或基礎設施存取點以及其他RAT之間的其他無線通信共享。“媒體”可以由與一個或多個發送器/接收器對之間的無線通信相關聯的一個或多個時間、頻率和/或空間通信資源(例如,包含跨一個或多個載波的一個或多個信道)組成。在一個方面,感興趣的媒體可以對應於在各種RAT之間共享的未經許可頻段的至少一部分。儘管已經為某些通信系統預留(例如,由諸如美國聯邦通信委員會(FCC)的政府實體預留)了不同的經許可頻段,但是這些系統,特別是那些採用小小區存取點的系統,最近已經將操作擴展到了諸如由無線區域網路(WLAN)技術使用的未經許可國家資訊基礎設施(U-NII)頻段的未經許可頻段,最著名的是通常被稱為“Wi-Fi”的IEEE 802.11x WLAN技術。這種類型的示例系統包括CDMA系統、TDMA系統、FDMA系統、正交FDMA(OFDMA)系統、單載波FDMA(SC-FDMA)系統等的不同變體。
注意,儘管圖1僅將UE中的兩個示為SL-UE(即,UE 164和182),但是任何所示出的UE都可以是SL-UE。此外,儘管只有UE 182被描述為能夠進行波束形成,但是包括UE 164的任何所示出的UE都能夠進行波束形成。在SL-UE能夠進行波束形成的情況下,它們可以朝向彼此(即,朝向其他SL-UE)、朝向其他UE(例如,UE 104)、朝向基地台(例如,基地台102、180、小小區102’、存取點150)等進行波束形成。因此,在一些情況下,UE 164和182可以透過側鏈路160利用波束形成。
在圖1的示例中,任何所示用戶設備(為簡單起見,在圖1中示為單個用戶設備104)可以從一個或多個地球軌道太空飛行器(SV)112(例如,衛星)接收信號124。在一個方面,SV 112可以是衛星定位系統的一部分,UE 104可以將所述衛星定位系統用作獨立的位置資訊來源。衛星定位系統通常包括發送器系統(例如,SV 112),其被定位為使得接收器(例如,UE 104)能夠至少部分地基於從發送器接收到的定位信號(例如,信號124)來決定它們在地球上或地球上方的位置。這種發送器通常發送用所設數量的碼片的重複偽隨機雜訊(PN)碼標記的信號。儘管通常位於SV 112中,但是發送器有時可以位於基於地面的控制站、基地台102和/或其他UE 104上。UE 104可以包括一個或多個專用接收器,其被專門設計為從SV 112接收用於導出地理位置資訊的信號124。
在衛星定位系統中,可以透過各種基於衛星的增強系統(SBAS)來增強對信號124的使用,基於衛星的增強系統可以與一個或多個全球和/或區域導航衛星系統相關聯或以其他方式支援與一個或多個全球和/或區域導航衛星系統一起使用。例如,SBAS可以包括提供完整性資訊、差分校正等的增強系統,諸如廣域增強系統(WAAS)、歐洲對地靜止導航重疊服務(EGNOS)、多功能衛星增強系統(MSAS)、全球定位系統(GPS)輔助地理增強導航或GPS和地理增強導航系統(GAGAN)等。因此,如在本文中使用的,衛星定位系統可以包括與這樣的一個或多個衛星定位系統相關聯的一個或多個全球和/或區域導航衛星的任意組合。
在一個方面,SV 112可以額外地或可替代地作為一個或多個非陸地網路(NTN)的一部分。在NTN中,SV 112連接到地球站(也被稱為地面站、NTN閘道器或閘道器),地球站進而又連接到5G網路中的元件,諸如5GC中修改的基地台102(沒有陸地天線)或網路節點。所述元件將依次提供對5G網路中的其他元件的存取,並最終提供對5G網路外部的實體(諸如網際網路網路伺服器和其他用戶設備)的存取。這樣,UE 104可以從SV 112接收通信信號(例如,信號124),而不是從陸地基地台102接收通信信號或者除了從陸地基地台102接收通信信號之外。
無線通信系統100還可以包括一個或多個UE(諸如UE 190),其經由一個或多個設備對設備(D2D)點對點(P2P)鏈路(被稱為“側鏈路”)間接地連接到一個或多個通信網路。在圖1的示例中,UE 190具有:與連接到基地台102之一的UE 104之一的D2D P2P鏈路192(例如,UE 190可以透過所述鏈路192間接地獲得蜂巢式連接性);以及與連接到WLAN AP 150的WLAN STA 152的D2D P2P鏈路194(UE 190可以透過所述鏈路194間接地獲得基於WLAN的網際網路連接性)。在示例中,D2D P2P鏈路192和194可以透過任何習知的D2D RAT(諸如LTE直連(LTE-D)、WiFi直連(WiFi-D)、Bluetooth®等)來支援。
圖2A示出了示例無線網路結構200。例如,5GC 210(也被稱為下一代核心(NGC))可以在功能上被視為控制平面(C-平面)功能214(例如,UE註冊、認證、網路存取、閘道器選擇等)和用戶平面(U-平面)功能212(例如,UE閘道器功能、對資料網路的存取、IP路由等),它們可協同地操作以形成核心網路。用戶平面介面(NG-U)213和控制平面介面(NG-C)215將gNB 222連接到5GC 210,具體地,分別連接到用戶平面功能212控制平面功能214。在另外的配置中,ng-eNB 224也可以經由到控制平面功能214的NG-C 215和到用戶平面功能212的NG-U 213來連接到5GC 210。此外,ng-eNB 224可以經由回程連接223與gNB 222直接通信。在一些配置中,下一代RAN(NG-RAN)220可以具有一個或多個gNB 222,而其他的配置包括ng-eNB 224和gNB 222兩者中的一個或多個。gNB 222或ng-eNB 224中任一者(或兩者)可以與一個或多個UE 204(例如,本文中描述的任何UE)通信。
另一個可選方面可以包括位置伺服器230,其可以與5GC 210通信以為UE 204提供位置輔助。位置伺服器230可以被實現為多個分離的伺服器(例如,實體上分離的伺服器、單個伺服器上的不同軟體模組、分佈在多個實體伺服器上的不同軟體模組等)、或者可替代地,可以各自對應於單個伺服器。位置伺服器230可以被配置為支援針對UE 204的一個或多個位置服務,UE 204可以經由核心網路、5GC 210和/或經由網際網路(未示出)連接到位置伺服器230。此外,位置伺服器230可以被整合到核心網路的組件中、或者可替代地可以在核心網路的外部(例如,第三方伺服器,諸如原始設備製造商(OEM)伺服器或服務伺服器)。
圖2B示出了另一個示例無線網路結構240。5GC 260(其可以對應於圖2A中的5GC 210)可以在功能上被視為由存取和行動性管理功能(AMF)264提供的控制平面功能和由用戶平面功能(UPF)262提供的用戶平面功能,它們可協同地操作以形成核心網路(即,5GC 260)。AMF 264的功能包括註冊管理、連接管理、可達性管理、行動性管理、合法攔截、對一個或多個UE 204(例如,本文中描述的任何UE)和會話管理功能(SMF)266之間的會話管理(SM)訊息的傳送、用於路由SM訊息的透明代理服務、存取認證和存取授權、對UE 204和短訊息服務功能(SMSF)(未示出)之間的短訊息服務(SMS)訊息的傳送以及安全錨功能(SEAF)。AMF 264還與認證伺服器功能(AUSF)(未示出)以及UE 204交互,並且接收作為UE 204認證程序的結果而創建的中間密鑰。在基於UMTS(通用行動電信系統)訂戶身份模組(USIM)進行認證的情況下,AMF 264從AUSF取得安全材料。AMF 264的功能還包括安全上下文管理(SCM)。SCM從SEAF接收密鑰,其使用所述秘鑰來導出存取網路特定的密鑰。AMF 264的功能還包括用於監管服務的位置服務管理、對UE 204與位置管理功能(LMF)270(其用作位置伺服器230)之間的位置服務訊息的傳送、對NG-RAN 220與LMF 270之間的位置服務訊息的傳送、用於與EPS互通的演進的封包系統(EPS)承載識別符分配以及UE 204移動性事件通知。此外,AMF 264還支援針對非3GPP(第三代合作夥伴項目)存取網路的功能。
UPF 262的功能包括:充當用於RAT內/RAT間移動性的錨點(當適用時)、充當與資料網路(未示出)互連的外部協定資料單元(PDU)會話點、提供封包路由和轉發、封包檢查、用戶平面策略規則執行(例如,選通、重定向、流量導向)、合法攔截(用戶平面收集)、流量使用情況報告、用戶平面的服務品質(QoS)處理(例如,上行鏈路/下行鏈路速率實施、下行鏈路中的反射式QoS標記)、上行鏈路流量驗證(服務資料流(SDF)到QoS流映射)、上行鏈路和下行鏈路中的傳送級別封包標記、下行鏈路封包緩衝和下行鏈路資料通知觸發、以及一個或多個“結束標記”到源RAN節點的發送和轉發。UPF 262還可以支援UE 204和位置伺服器(諸如SLP 272)之間透過用戶平面對位置服務訊息的傳送。
SMF 266的功能包括會話管理、UE網際網路協定(IP)地址分配和管理、用戶平面功能的選擇和控制、在UPF 262處配置流量導向以將流量路由到適當的目的地、對策略實施和QoS的部分的控制、以及下行鏈路資料通知。SMF 266透過其與AMF 264通信的介面被稱為N11介面。
另一個可選的方面可以包括LMF 270,其可以與5GC 260通信以為UE 204提供位置輔助。LMF 270可以被實現為多個分離的伺服器(例如,實體上分離的伺服器、單個伺服器上的不同軟體模組、分佈在多個實體伺服器上的不同軟體模組等)、或者可替代地,可以各自對應於單個伺服器。LMF 270可以被配置為支援針對UE 204的一個或多個位置服務,UE 204可以經由核心網路、5GC 260和/或經由網際網路(未示出)連接到LMF 270。SLP 272可以支援與LMF 270類似的功能,但是LMF 270可以透過控制平面(例如,使用旨在傳達信令訊息而不是語音或資料的介面和協定)與AMF 264、NG-RAN 220和UE 204通信,SLP 272可以透過用戶平面(例如,使用旨在攜帶語音和/或資料的協定,如傳輸控制協定(TCP)和/或IP)與UE 204和外部客戶端(例如,第三方伺服器274)通信。
又一個可選方面可以包括第三方伺服器274,其可以與LMF 270、SLP 272、5GC 260(例如,經由AMF 264和/或UPF 262)、NG-RAN 220和/或UE 204通信,以獲得UE 204的位置資訊(例如,位置估計)。這樣,在一些情況下,第三方伺服器274可以被稱為位置服務(LCS)客戶端或外部客戶端。第三方伺服器274可以被實現為多個分離的伺服器(例如,實體上分離的伺服器、單個伺服器上的不同軟體模組、分佈在多個實體伺服器上的不同軟體模組等)、或者可替代地,每個第三方伺服器274可以對應於單個伺服器。
用戶平面介面263和控制平面介面265將5GC 260,具體地UPF 262和AMF 264分別連接到NG-RAN 220中的一個或多個gNB 222和/或ng-eNB 224。gNB 222和/或ng-eNB 224與AMF 264之間的介面被稱為“N2”介面,而gNB 222和/或ng-eNB 224與UPF 262之間的介面被稱為“N3”介面。NG-RAN 220的gNB 222和/或ng-eNB 224可以經由回程連接223(被稱為“Xn-C”介面)彼此直接通信。gNB 222和/或ng-eNB 224中的一個或多個可以透過被稱為“Uu”介面的無線介面與一個或多個UE 204通信。
可以在gNB中央單元(gNB-CU)226、一個或多個gNB分布式單元(gNB-DU)228和一個或多個gNB無線電單元(gNB-RU)229之間劃分gNB 222的功能。gNB-CU 226是除了專門分配給gNB-DU 228的那些功能之外,包括傳送用戶資料、行動性控制、無線電存取網路共享、定位、會話管理等的基地台功能的邏輯節點。更具體地,gNB-CU 226一般託管gNB 222的無線電資源控制(RRC)、服務資料適配協定(SDAP)和封包資料彙聚協定(PDCP)協定。gNB-DU 228是一般託管gNB 222的無線電鏈路控制(RLC)和媒體存取控制(MAC)層的邏輯節點。其操作由gNB-CU 226控制。一個gNB-DU 228可以支援一個或多個小區,並且一個小區僅由一個gNB-DU 228支援。gNB-CU 226和一個或多個gNB-DU 228之間的介面232被稱為“F1”介面。gNB 222的實體(PHY)層功能一般由執行諸如功率放大和信號發送/接收的功能的一個或多個獨立的gNB-RU 229託管。gNB-DU 228和gNB-RU 229之間的介面被稱為“Fx”介面。因此,UE 204經由RRC、SDAP和PDCP層與gNB-CU 226通信,經由RLC和MAC層與gNB-DU 228通信,並且經由PHY層與gNB-RU 229通信。
通信系統(諸如5G NR系統)的部署可以透過各種組件或組成部分以多種方式來佈置。在5G NR系統或網路中,網路節點、網路實體、網路的行動性元件、RAN節點、核心網路節點、網路元件或網路設備(諸如基地台或執行基地台功能的一個或多個單元(或一個或多個組件))可以在聚合式或分散式架構中實現。例如,基地台(諸如節點B(NB)、演進型NB(eNB)、NR基地台、5G NB、存取點(AP)、發送接收點(TRP)或小區等)可以被實現為聚合式基地台(aggregated base station)(也被稱為獨立基地台或單片(monolithic)基地台)或分散式基地台(disaggregated base station)。
聚合式基地台可以被配置為利用實體上或邏輯上整合在單個RAN節點內的無線電協定棧。分散式基地台可以被配置為利用實體上或邏輯上分佈在兩個或更多個單元(諸如一個或多個中央或集中式單元(CU)、一個或多個分布式單元(DU)或一個或多個無線電單元(RU))之間的協定棧。在一些方面,CU可以在RAN節點內實現,並且一個或多個DU可以與CU共址、或者可替代地,可以在地理上或虛擬地分佈在一個或多個其他RAN節點中。DU可以被實現為與一個或多個RU通信。CU、DU和RU中的每一個也可以被實現為虛擬單元,即虛擬中央單元(VCU)、虛擬分布式單元(VDU)或虛擬無線電單元(VRU)。
基地台型操作或網路設計可以考慮基地台功能的聚合特徵。例如,可以在整合存取回程(IAB)網路、開放式無線電存取網路(O-RAN(諸如由O-RAN聯盟提倡的網路配置))或虛擬化無線電存取網路(vRAN,也被稱為雲無線電存取網路(C-RAN))中使用分散式基地台。分散(disaggregation)可以包括在不同實體位置處的兩個或更多個單元上分佈功能,以及虛擬地針對至少一個單元分佈功能,這可以實現網路設計的靈活性。分散式基地台或分散式RAN架構的各種單元可以被配置用於與至少一個其他單元的有線或無線通信。
圖2C示出了根據本公開內容的各方面的示例分散式基地台架構250。分散式基地台架構250可以包括可以經由回程鏈路與核心網路267(例如,5GC 210、5GC 260)直接通信、或者透過一個或多個分散式基地台單元(諸如,經由E2鏈路的近即時(近RT)RAN智慧型控制器(RIC)259或與服務管理和編制(SMO)框架255相關聯的非即時(非RT)RIC 257或者兩者)與核心網路267間接通信的一個或多個中央單元(CU)280(例如,gNB-CU 226)。CU 280可以經由對應的中程鏈路(諸如F1介面)與一個或多個分布式單元(DU)285(例如,gNB-DU 228)通信。DU 285可以經由對應的前傳鏈路與一個或多個無線電單元(RU)287(例如,gNB-RU 229)通信。RU 287可以經由一個或多個射頻(RF)存取鏈路與對應的UE 204進行通信。在一些實現方式中,UE 204可以同時由多個RU 287服務。
單元中的每一個(即CU 280、DU 285、RU 287,以及近RT RIC 259、非RT RIC 257和SMO框架255)可以包括一個或多個介面或者耦接到一個或多個介面,所述一個或多個介面被配置為經由有線或無線傳輸媒體接收或發送信號、資料或資訊(統稱為信號)。單元中的每一個或者向單元的通信介面提供指令的關聯處理器或控制器可以被配置為經由傳輸媒體與一個或多個其他單元通信。例如,這些單元可以包括被配置為透過有線傳輸媒體從或向一個或多個其他單元接收或發送信號的有線介面。此外,這些單元可以包括被配置為透過無線傳輸媒體從或向一個或多個其他單元接收或發送信號或者接收和發送信號的無線介面,其可以包括接收器、發送器或收發器(諸如射頻(RF)收發器)。
在一些方面,CU 280可以託管一個或多個高層控制功能。這種控制功能可以包括無線電資源控制(RRC)、封包資料彙聚協定(PDCP)、服務資料適配協定(SDAP)等。每個控制功能可以用被配置為與CU 280託管的其他控制功能傳送信號的介面來實現。CU 280可以被配置為處理用戶平面功能(即,中央單元-用戶平面(CU-UP))、控制平面功能(即,中央單元-控制平面(CU-CP))或其組合。在一些實現方式中,CU 280可以在邏輯上被分為一個或多個CU-UP單元和一個或多個CU-CP單元。CU-UP單元可以經由介面(諸如在O-RAN配置中實現時的E1介面)與CU-CP單元雙向通信。必要時,CU 280可以被實現為與DU 285通信,用於網路控制和信令。
DU 285可以對應於包括一個或多個基地台功能,以控制一個或多個RU 287的操作的邏輯單元。在一些方面,DU 285可以至少部分地取決於功能劃分(諸如由第三代合作夥伴計劃(3GPP)定義的功能劃分)來託管無線電鏈路控制(RLC)層、媒體存取控制(MAC)層以及一個或多個高實體(PHY)層(諸如用於前向糾錯(FEC)編碼和解碼、擾亂、調變和解調等的模組)中的一個或多個。在一些方面,DU 285還可以託管一個或多個低PHY層。每個層(或模組)可以用被配置為與DU 285託管的其他層(和模組)或者與CU 280託管的控制功能傳送信號的介面來實現。
低層功能可以由一個或多個RU 287實現。在一些部署中,由DU 285控制的RU 287可以對應於至少部分基於功能劃分(諸如低層功能劃分)來託管RF處理功能或低PHY層功能(諸如執行快速傅立葉轉換(FFT)、逆FFT(iFFT)、數位波束形成、實體隨機存取信道(PRACH)提取和濾波等)或兩者的邏輯節點。在這樣的架構中,RU 287可以被實現為處理與一個或多個UE 204的空中(over the air,OTA)通信。在一些實現方式中,與RU 287的控制平面和用戶平面通信的即時和非即時方面可以由對應的DU 285來控制。在一些情況下,這種配置可以使得DU 285和CU 280能夠在基於雲的RAN架構(諸如vRAN架構)中實現。
SMO框架255可以被配置為支援非虛擬化和虛擬化網路元件的RAN部署和供應。對於非虛擬化網路元件,SMO框架255可以被配置為針對RAN覆蓋需求支援對專用實體資源的部署,其可以經由操作和維護介面(諸如O1介面)來管理。對於虛擬化網路元件,SMO框架255可以被配置為與雲計算平台(諸如開放式雲(O-Cloud)269)交互,以經由雲計算平台介面(諸如O2介面)來執行網路元件生命週期管理(諸如,實例化虛擬化網路元件)。這種虛擬化網路元件可以包括但不限於CU 280、DU 285、RU 287和近RT RIC 259。在一些實現方式中,SMO框架255可以經由O1介面與4G RAN的硬體方面(諸如開放式eNB(O-eNB)261)通信。此外,在一些實現方式中,SMO框架255可以經由O1介面與一個或多個RU 287直接通信。SMO框架255還可以包括被配置為支援SMO框架255的功能的非RT RIC 257。
非RT RIC 257可以被配置為包括可以實現RAN元件和資源的非即時控制和最佳化、包括模型訓練和更新的人工智慧/機器學習(AI/ML)工作流、或對近RT RIC 259中的應用/特徵的基於策略的指導的邏輯功能。非RT RIC 257可以耦接到近RT RIC 259或(諸如經由A1介面)與近RT RIC 259通信。近RT RIC 259可以被配置為包括經由透過介面(諸如經由E2介面)的資料收集和動作來實現RAN元件和資源的近即時控制和最佳化的邏輯功能,所述介面將一個或多個CU 280、一個或多個DU 285或兩者以及O-eNB與近RT RIC 259連接。
在一些實現方式中,為產生要在近RT RIC 259中部署的AI/ML模型,非RT RIC 257可以從外部伺服器接收參數或外部豐富(enrichment)資訊。這種資訊可以由近RT RIC 259使用,並且可以在SMO框架255或非RT RIC 257處從非網路資料源或從網路功能被接收到。在一些示例中,非RT RIC 257或近RT RIC 259可以被配置為調節RAN行為或性能。例如,非RT RIC 257可以監視性能的長期趨勢和模式,並採用AI/ML模型、透過SMO框架255(諸如經由O1的重新配置)或經由RAN管理策略(諸如A1策略)的創建來執行校正動作。
圖3A、圖3B和圖3C示出了可以結合到UE 302(其可以對應於本文中描述的任何UE)、基地台304(其可以對應於本文中描述的任何基地台)以及網路實體306(其可以對應於或體現本文中描述的任何網路功能,包括位置伺服器230、LMF 270、或可替代地可以獨立於在圖2A和圖2B中描繪的NG-RAN 220和/或5GC 210/260基礎設施,諸如專用網路)中的、用於支援如本文所述的操作的若干個示例組件(由對應的方塊表示)。應當理解,這些組件可以在不同實現方式的不同類型的裝置中(例如,在ASIC中、在單晶片系統(SoC)中等)實現。所示的組件也可以結合到通信系統中的其他裝置中。例如,系統中的其他裝置可以包括與所描述的那些相似的組件,以提供相似的功能。此外,給定的裝置可以包含組件中的一個或多個。例如,裝置可以包括使得所述裝置能夠在多個載波上操作和/或經由不同的技術進行通信的多個收發器組件。
UE 302和基地台304各自分別包括提供用於經由一個或多個無線通信網路(未示出)(諸如NR網路、LTE網路、GSM網路等)進行通信的部件(例如,用於發送的部件、用於接收的部件、用於測量的部件、用於調諧的部件、用於抑制發送的部件等)的一個或多個無線廣域網路(WWAN)收發器310和350。WWAN收發器310和350可以各自分別連接到一個或多個天線316和356,以用於經由至少一種指定的RAT(例如,NR、LTE、GSM等)、透過感興趣的無線通信媒體(例如,特定頻譜中的某個時間/頻率資源集)與諸如其他UE、存取點、基地台(例如,eNB、gNB)等的其他網路節點通信。根據指定的RAT,WWAN收發器310和350可以以各種方式被配置分別用於發送和編碼信號318和358(例如,訊息、指示、資訊等),並且反過來分別用於接收和解碼信號318和358(例如,訊息、指示、資訊、導頻等)。具體地,WWAN收發器310和350分別包括分別用於發送和編碼信號318和358的一個或多個發送器314和354,並且WWAN收發器310和350分別包括分別用於接收和解碼信號318和358的一個或多個接收器312和352。
至少在一些情況下,UE 302和基地台304還分別包括一個或多個短程無線收發器320和360。短程無線收發器320和360可以分別連接到一個或多個天線326和366,並提供用於經由至少一種指定的RAT(例如,WiFi、LTE-D、Bluetooth®、Zigbee®、Z-Wave®、PC5、專用短程通信(DSRC)、用於車輛環境的無線存取(WAVE)、近場通信(NFC)、超寬頻(UWB)等)、透過感興趣的無線通信媒體與其他網路節點(諸如其他UE、存取點、基地台等)進行通信的部件(例如,用於發送的部件、用於接收的部件、用於測量的部件、用於調諧的部件、用於抑制發送的部件等)。根據指定的RAT,短程無線收發器320和360可以以各種方式被配置分別用於發送和編碼信號328和368(例如,訊息、指示、資訊等),並且反過來分別用於接收和解碼信號328和368(例如,訊息、指示、資訊、導頻等)。具體地,短程無線收發器320和360分別包括分別用於發送和編碼信號328和368的一個或多個發送器324和364,並且分別包括分別用於接收和解碼信號328和368的一個或多個接收器322和362。作為具體示例,短程無線收發器320和360可以是WiFi收發器、Bluetooth®收發器、Zigbee®和/或Z-Wave®收發器、NFC收發器、UWB收發器或車輛對車輛(V2V)和/或車輛對萬物(V2X)收發器。
至少在一些情況下,UE 302和基地台304還包括衛星信號接收器330和370。衛星信號接收器330和370可以分別連接到一個或多個天線336和376,並且可以分別提供用於接收和/或測量衛星定位/通信信號338和378的部件。在衛星信號接收器330和370是衛星定位系統接收器的情況下,衛星定位/通信信號338和378可以是全球定位系統(GPS)信號、全球導航衛星系統(GLONASS)信號、伽利略信號、北斗信號、印度區域導航衛星系統(NAVIC)、準天頂衛星系統(QZSS)等。在衛星信號接收器330和370是非陸地網路(NTN)接收器的情況下,衛星定位/通信信號338和378可以是源自5G網路的通信信號(例如,攜帶控制和/或用戶資料)。衛星信號接收器330和370可以包括分別用於接收和處理衛星定位/通信信號338和378的任何合適的硬體和/或軟體。衛星信號接收器330和370可以向其他系統請求適當的資訊和操作,並且至少在一些情況下,使用透過任何合適的衛星定位系統演算法獲得的測量來執行計算以分別決定UE 302和基地台304的位置。
基地台304和網路實體306分別包括提供用於與其他網路實體(例如,其他基地台304、其他網路實體306)進行通信的部件(例如,用於發送的部件、用於接收的部件等)的一個或多個網路收發器380和390。例如,基地台304可以採用一個或多個網路收發器380來透過一個或多個有線或無線回程鏈路與其他基地台304或網路實體306通信。作為另一個示例,網路實體306可以採用一個或多個網路收發器390來透過一個或多個有線或無線回程鏈路與一個或多個基地台304通信、或者透過一個或多個有線或無線核心網路介面與其他網路實體306通信。
收發器可以被配置為透過有線或無線鏈路進行通信。收發器(無論是有線收發器還是無線收發器)包括發送器電路(例如,發送器314、324、354、364)和接收器電路(例如,接收器312、322、352、362)。在一些實現方式中,收發器可以是整合設備(例如,在單個設備中包含發送器電路和接收器電路),在一些實現方式中,收發器可以包括單獨的發送器電路和單獨的接收器電路,或者在其他實現方式中,收發器可以以其他方式實現。有線收發器(例如,一些實現方式中的網路收發器380和390)的發送器電路和接收器電路可以耦接到一個或多個有線網路介面埠。無線發送器電路(例如,發送器314、324、354、364)可以包括或耦接到准許對應的裝置(例如,UE 302、基地台304)執行發送“波束形成”的多個天線(例如,天線316、326、356、366)(諸如天線陣列),如在本文中描述的。類似地,無線接收器電路(例如,接收器312、322、352、362)可以包括或耦接到准許對應的裝置(例如,UE 302、基地台304)執行接收波束形成的多個天線(例如,天線316、326、356、366)(諸如天線陣列),如在本文中描述的。在一個方面,發送器電路和接收器電路可以共享相同的多個天線(例如,天線316、326、356、366),使得對應的裝置只能在給時序間進行接收或發送,而不能同時進行接收或發送。無線收發器(例如,WWAN收發器310和350、短程無線收發器320和360)還可以包括用於執行各種測量的網路監聽模組(NLM)等。
如在本文中使用的,各種無線收發器(例如,一些實現方式中的收發器310、320、350和360,以及網路收發器380和390)和有線收發器(例如,一些實現方式中的網路收發器380和390)一般可以被表達為“收發器”、“至少一個收發器”或“一個或多個收發器”。這樣,可以根據所執行的通信類型推斷出特定收發器是有線收發器還是無線收發器。例如,網路設備或伺服器之間的回程通信一般涉及經由有線收發器的信令,而UE(例如,UE 302)和基地台(例如,基地台304)之間的無線通信一般涉及經由無線收發器的信令。
UE 302、基地台304和網路實體306還包括可以結合本文公開的操作使用的其他組件。UE 302、基地台304和網路實體306分別包括用於提供與例如無線通信相關的功能以及用於提供其他處理功能的一個或多個處理器332、384和394。因此,處理器332、384和394可以提供用於進行處理的部件諸如用於決定的部件、用於計算的部件、用於接收的部件、用於發送的部件、用於指示的部件等。在一個方面,處理器332、384和394可以包括例如一個或多個通用處理器、多核心處理器、中央處理單元(CPU)、ASIC、數位信號處理器(DSP)、現場可程式化閘陣列(FPGA)、其他可程式化邏輯器件或處理電路、或者它們的各種組合。
UE 302、基地台304和網路實體306分別包括實現記憶體340、386和396(例如,每個都包括記憶體器件)的記憶體電路,用於維護資訊(例如,指示預留資源、閾值、參數等的資訊)。因此,記憶體340、386和396可以提供用於儲存的部件、用於取得的部件、用於維護的部件等。在一些情況下,UE 302、基地台304和網路實體306可以分別包括定位組件342、388和398。定位組件342、388和398可以是分別是作為處理器332、384和394的一部分的或者耦接到處理器332、384和394的硬體電路,當被執行時,這些硬體電路使得UE 302、基地台304和網路實體306執行本文描述的功能。在其他方面,定位組件342、388和398可以在處理器332、384和394的外部(例如,數據機處理系統的一部分、與另外的處理系統整合等)。可替代地,定位組件342、388和398可以是分別儲存在記憶體340、386和396中的記憶體模組,當由處理器332、384和394(或數據機處理系統、另外的處理系統等)執行時,使得UE 302、基地台304和網路實體306執行本文描述的功能。圖3A示出了定位組件342(其可以是例如一個或多個WWAN收發器310、記憶體340、一個或多個處理器332或其任意組合的一部分、或者可以是獨立的組件)的可能位置。圖3B示出了定位組件388(其可以是例如一個或多個WWAN收發器350、記憶體386、一個或多個處理器384或其任意組合的一部分、或者可以是獨立的組件)的可能位置。圖3C示出了定位組件398(其可以是例如一個或多個網路收發器390、記憶體396、一個或多個處理器394或其任意組合的一部分、或者可以是獨立的組件)的可能位置。
UE 302可以包括耦接到一個或多個處理器332的一個或多個感測器344,以提供與從由WWAN收發器310、一個或多個短程無線收發器320和/或衛星信號接收器330接收到的信號導出的運動資料獨立的移動和/或方位資訊。作為示例,感測器344可以包括加速度計(例如,微機電系統(MEMS)設備)、陀螺儀、地磁感測器(例如,羅盤)、高度計(例如,大氣壓力高度計)和/或任何其他類型的行動偵測感測器。此外,感測器344可以包括多個不同類型的設備,並且組合它們的輸出以便提供運動資訊。例如,感測器344可以使用多軸加速度計和方位感測器的組合來提供計算二維(2D)和/或三維(3D)座標系統中位置的能力。
此外,UE 302包括提供用於向用戶提供指示(例如,音頻和/或視頻指示)和/或用於接收用戶輸入(例如,當用戶啟動感測設備(諸如鍵盤、觸控螢幕、麥克風等)時)的部件的用戶介面346。儘管未示出,但是基地台304和網路實體306也可以包括用戶介面。
更詳細地參考一個或多個處理器384,在下行鏈路中,來自網路實體306的IP封包可以被提供給處理器384。一個或多個處理器384可以實現RRC層、封包資料彙聚協定(PDCP)層、無線電鏈路控制(RLC)層和媒體存取控制(MAC)層的功能。一個或多個處理器384可以提供與系統資訊(例如,主資訊區塊(MIB)、系統資訊區塊(SIB))的廣播、RRC連接控制(例如,RRC連接傳呼、RRC連接建立、RRC連接修改和RRC連接釋放)、RAT間行動性和用於UE測量報告的測量配置相關聯的RRC層功能;與標頭壓縮/解壓縮、安全性(加密、解密、完整性保護、完整性驗證)和交接支援功能相關聯的PDCP層功能;與上層PDU的傳送、透過自動重發請求(ARQ)的糾錯、RLC服務資料單元(SDU)的串接、分段和重組、RLC資料PDU的重新分段以及RLC資料PDU的重新排序相關聯的RLC層功能;以及與邏輯信道和傳輸信道之間的映射、排程資訊報告、糾錯、優先級處理和邏輯信道優先化相關聯的MAC層功能。
發送器354和接收器352可以實現與各種信號處理功能相關聯的層-1(L1)功能。包括實體(PHY)層的層-1可以包括傳輸信道上的錯誤偵測、傳輸信道的前向糾錯(FEC)編碼/解碼、交織、速率匹配、到實體信道的映射、實體信道的調變/解調、以及MIMO天線處理。發送器354基於各種調變方案(例如,二進制相移鍵控(BPSK)、正交相移鍵控(QPSK)、M-相移鍵控(M-PSK)、M-正交幅度調變(M-QAM))來處理到信號星座的映射。然後,經編碼和調變的符號可以被分為並行的串流。然後,每個串流可以被映射到正交分頻多工(OFDM)子載波,在時域和/或頻域中與參考信號(例如,導頻)多工,然後使用逆快速傅立葉轉換(IFFT)被組合在一起,以產生攜帶時域OFDM符號串流的實體信道。OFDM符號流被空間預編碼以產生多個空間串流。來自信道估計器的信道估計可以用於決定編碼和調變方案,以及用於空間處理。信道估計可以從由UE 302發送的參考信號和/或信道條件反饋中導出。然後,每個空間串流可以被提供給一個或多個不同的天線356。發送器354可以用對應的空間串流來調變RF載波以進行傳輸。
在UE 302處,接收器312透過其對應的天線316接收信號。接收器312恢復調變到RF載波上的資訊,並將所述資訊提供給一個或多個處理器332。發送器314和接收器312實現與各種信號處理功能相關聯的層-1功能。接收器312可以對資訊執行空間處理,以恢復去往UE 302的任何空間串流。如果多個空間串流被指定去往UE 302,則它們可以被接收器312組合為單個OFDM符號串流。然後,接收器312使用快速傅立葉轉換(FFT)將OFDM符號串流從時域轉換到頻域。頻域信號包括用於OFDM信號的每個子載波的單獨的OFDM符號串流。透過決定由基地台304發送的最可能的信號星座點,恢復和解調每個子載波上的符號和參考信號。這些軟決策可以基於由信道估計器計算出的信道估計。然後,軟決策被解碼和解交織,以恢復最初由基地台304在實體信道上發送的資料和控制信號。然後,資料和控制信號被提供給一個或多個處理器332,其實現層-3(L3)和層-2(L2)功能。
在上行鏈路中,一個或多個處理器332提供傳輸信道和邏輯信道之間的解多工、封包重組、解密、標頭解壓縮和控制信號處理,以恢復來自核心網路的IP封包。一個或多個處理器332還負責錯誤偵測。
類似於結合基地台304的下行鏈路傳輸描述的功能,一個或多個處理器332提供與系統資訊(例如,MIB、SIB)獲取、RRC連接和測量報告相關聯的RRC層功能;與標頭壓縮/解壓縮和安全性(加密、解密、完整性保護、完整性驗證)相關聯的PDCP層功能;與上層PDU的傳送、透過ARQ的糾錯、RLC SDU的串接、分段和重組、RLC資料PDU的重新分段以及RLC資料PDU的重新排序相關聯的RLC層功能;以及與邏輯信道和傳輸信道之間的映射、MAC SDU到傳輸區塊(TB)的多工、MAC SDU從TB中的解多工、排程資訊報告、透過混合自動重傳請求(HARQ)的糾錯、優先級處理和邏輯信道優先化相關聯的MAC層功能。
發送器314可以使用由信道估計器從由基地台304發送的參考信號或反饋中導出的信道估計來選擇適當的編碼和調變方案,並促進空間處理。由發送器314產生的空間串流可以被提供給不同的天線316。發送器314可以用對應的空間流來調變RF載波以進行傳輸。
以類似於結合UE 302處的接收器功能所描述的方式,在基地台304處處理上行鏈路傳輸。接收器352透過其各自的天線356接收信號。接收器352恢復調變到RF載波上的資訊,並將所述資訊提供給一個或多個處理器384。
在上行鏈路中,一個或多個處理器384提供傳輸信道和邏輯信道之間的解多工、封包重組、解密、標頭解壓縮、控制信號處理,以恢復來自UE 302的IP封包。來自一個或多個處理器384的IP封包可以被提供給核心網路。一個或多個處理器384還負責錯誤偵測。
為了方便,UE 302、基地台304和/或網路實體306在圖3A、圖3B和圖3C中被示出為包括可以根據本文描述的各種示例來配置的各種組件。然而,應當理解,所示的組件在不同的設計中可以具有不同的功能。具體地,圖3A至圖3C中的各種組件在替代配置中是可選的,並且各個方面包括可以因為設計選擇、成本、設備使用或其它考慮而變化的配置。例如,在圖3A的情況下,UE 302的特定實現方式可以省略WWAN收發器310(例如,可穿戴設備或平板計算機或PC或膝上型計算機可以具有Wi-Fi和/或藍牙能力而不具有蜂巢式能力)、或可以省略短程無線收發器320(例如,僅蜂巢式等)、或可以省略衛星信號接收器330、或者可以省略感測器344,等等。在另一個示例中,在圖3B的情況下,基地台304的特定實現方式可以省略WWAN收發器350(例如,不具有蜂巢式能力的Wi-Fi“熱點”存取點)、或可以省略短程無線收發器360(例如,僅蜂巢式等)、或者可以省略衛星信號接收器370,等等。為簡單起見,本文中沒有提供各種替代配置的例示,但是對於本領域技術人員來說是容易理解的。
UE 302、基地台304和網路實體306的各種組件可以分別透過資料匯流排334、382和392可通信地彼此耦接。在一個方面,資料匯流排334、382和392可以分別形成UE 302、基地台304和網路實體306的通信介面或者是UE 302、基地台304和網路實體306的通信介面的一部分。例如,在不同的邏輯實體被包含在同一設備中(例如,gNB和位置伺服器功能合併到同一基地台304中)的情況下,資料匯流排334、382和392可以提供它們之間的通信。
圖3A、圖3B和圖3C的組件可以以各種方式來實現。在一些實現方式中,圖3A、圖3B和圖3C的組件可以在一個或多個電路(諸如,一個或多個處理器和/或一個或多個ASIC(其可以包括一個或多個處理器))中實現。這裡,每個電路可以使用和/或包括用於儲存電路用來提供功能的資訊或可執行碼的至少一個記憶體組件。例如,由方塊310至346表示的一些或全部功能可以由UE 302的處理器和記憶體組件(例如,透過執行適當的碼和/或透過處理器組件的適當配置)來實現。類似地,由方塊350至388表示的一些或全部功能可以由基地台304的處理器和記憶體組件(例如,透過執行適當的碼和/或透過處理器組件的適當配置)來實現。此外,由方塊390至398表示的一些或全部功能可以由網路實體306的處理器和記憶體組件(例如,透過執行適當的碼和/或透過處理器組件的適當配置)來實現。為簡單起見,各種操作、動作和/或功能在本文中被描述為“由UE”、“由基地台”、“由網路實體”等來執行。然而,可以理解,這樣的操作、動作和/或功能實際上可以由UE 302、基地台304、網路實體306等的特定組件或這些組件的組合(諸如處理器332、384、394、收發器310、320、350和360、記憶體340、386和396、定位組件342、388和398等)來執行。
在一些設計中,網路實體306可以被實現為核心網路組件。在其他設計中,網路實體306可以不同於網路營運商或蜂巢式網路基礎設施(例如,NG RAN 220和/或5GC 210/260)的操作。例如,網路實體306可以是專用網路的組件,其可以被配置為經由基地台304或者獨立於基地台304(例如,透過諸如WiFi的非蜂巢式通信鏈路)與UE 302通信。
NR支援多種基於蜂巢式網路的定位技術,包括基於下行鏈路、基於上行鏈路和基於下行鏈路和上行鏈路的定位方法。基於下行鏈路的定位方法包括LTE中的觀測到達時間差(observed time difference of arrival,OTDOA)、NR中的下行鏈路到達時間差(downlink time difference of arrival,DL-TDOA)和NR中的下行鏈路離開角(downlink angle-of-departure,DL-AoD)。圖4示出了根據本公開內容的各方面的各種定位方法的示例。在場景410所示的OTDOA或DL-TDOA定位程序中,UE測量從基地台對接收到的參考信號(例如,定位參考信號(PRS))的到達時間(TOA)之間的差,其被稱為參考信號時間差(RSTD)或到達時間差(TDOA)測量,並將它們報告給定位實體。更具體地,UE在輔助資料中接收到參考基地台(例如,服務基地台)和多個非參考基地台的識別符(ID)。然後,UE測量參考基地台和非參考基地台中的每一個之間的RSTD。基於所涉及基地台的已知位置和RSTD測量,定位實體(例如,用於基於UE的定位的UE或用於UE輔助定位的位置伺服器)可以估計UE的位置。
對於場景420所示的DL-AoD定位,定位實體使用來自UE的、對多個下行鏈路發送波束的接收信號強度測量的測量報告來決定UE和發送基地台之間的角度。然後,定位實體可以基於所決定的角度和發送基地台的已知位置來估計UE的位置。
基於上行鏈路的定位方法包括上行鏈路到達時間差(uplink time difference of arrival,UL-TDOA)和上行鏈路到達角(uplink angle-of-arrival,UL-AoA)。UL-TDOA類似於DL-TDOA,但是基於由UE向多個基地台發送的上行鏈路參考信號(例如,探測參考信號(SRS))。具體地,UE發送由參考基地台和多個非參考基地台測量的一個或多個上行鏈路參考信號。然後,每個基地台向知道所涉及基地台的位置和相對時序的定位實體(例如,位置伺服器)報告參考信號的接收時間(被稱為相對到達時間(relative time of arrival,RTOA))。基於參考基地台的報告的RTOA和每個非參考基地台的報告的RTOA之間的接收到接收(Rx-Rx)時間差、基地台的已知位置以及它們的已知時序偏移,定位實體可以使用TDOA來估計UE的位置。
對於UL-AoA定位,一個或多個基地台測量在一個或多個上行鏈路接收波束上從UE接收到的一個或多個上行鏈路參考信號(例如,SRS)的接收信號強度。定位實體使用信號強度測量和接收波束的角度來決定UE和基地台之間的角度。基於所決定的角度和基地台的已知位置,定位實體然後可以估計UE的位置。
基於下行鏈路和上行鏈路的定位方法包括增強型小區ID(E-CID)定位和多往返時間(RTT)定位(也被稱為“多小區RTT”和“多RTT”)。在RTT程序中,第一實體(例如,基地台或UE)向第二實體(例如,UE或基地台)發送第一RTT相關信號(例如,PRS或SRS),第二實體向第一實體發回第二RTT相關信號(例如,SRS或PRS)。每個實體測量接收到的RTT相關信號的到達時間(ToA)和發送的RTT相關信號的傳輸時間之間的時間差。這個時間差被稱為接收到發送(Rx-Tx)時間差。可以進行或可以調整Rx-Tx時間差測量,以僅包括接收到的信號和發送的信號的最近時隙邊界之間的時間差。然後,兩個實體可以向位置伺服器(例如,LMF 270)發送它們的Rx-Tx時間差測量,位置伺服器根據兩個Rx-Tx時間差測量來計算兩個實體之間的往返傳播時間(即,RTT)(例如,作為兩個Rx-Tx時間差測量的總和)。可替代地,一個實體可以向另一個實體發送其Rx-Tx時間差測量,然後後者計算RTT。兩個實體之間的距離可以根據RTT和已知的信號速度(例如,光速)來決定。對於多RTT定位,如場景430所示,第一實體(例如,UE或基地台)與多個第二實體(例如,多個基地台或UE)執行RTT定位程序,以使得能夠基於到第二實體的距離以及第二實體的已知位置(例如,使用多邊定位)來決定第一實體的位置。如場景440所示,RTT和多RTT方法可以與諸如UL AoA和DL-AoD的其他定位技術相結合,以提高定位準確度。
E-CID定位方法基於無線電資源管理(radio resource management,RRM)測量。在E-CID中,UE報告服務小區ID、時序提前(TA)以及偵測到的相鄰基地台的識別符、估計的時序和信號強度。然後,基於這些資訊和基地台的已知位置來估計UE的位置。
為了輔助定位操作,位置伺服器(例如,位置伺服器230、LMF 270、SLP 272)可以向UE提供輔助資料。例如,輔助資料可以包括從其測量參考信號的基地台(或基地台的小區/TRP)的識別符、參考信號配置參數(例如,包括PRS的連續時隙的數量、包括PRS的連續時隙的週期性、靜默序列、跳頻序列、參考信號識別符、參考信號頻寬等)和/或適用於特定定位方法的其他參數。可替代地,輔助資料可以(例如,在週期性廣播的開銷訊息中等)直接源自基地台本身。在一些情況下,UE可能能夠在不使用輔助資料的情況下自己偵測相鄰網路節點。
在OTDOA或DL-TDOA定位程序的情況下,輔助資料還可以包括預期RSTD值和所述預期RSTD周圍的關聯不決定性或搜尋窗口。在一些情況下,預期RSTD的值範圍可以是+/-500微秒(µs)。在一些情況下,當用於定位測量的任何資源在FR1中時,預期RSTD的不決定性的值範圍可以是+/-32µs。在其他情況下,當用於定位測量的所有資源在FR2中時,預期RSTD的不決定性的值範圍可以是+/-8µs。
位置估計可以被稱為其他名稱,諸如定位估計、位置(location)、定位(position)、定位固定(position fix)、固定(fix)等。位置估計可以是大地測量的,並且包括座標(例如,緯度、經度並且可能地,海拔)、或者可以是城市測量的,並且包括街道地址、郵政地址或者對位置的一些其他口頭描述。位置估計還可以相對於某個其他已知位置來定義、或者以絕對術語(例如,使用緯度、經度並且可能地,海拔)來定義。位置估計可以(例如,透過包括在其內位置被預期以某個指定或預設的信心水準被包括在內的區域或體積)包括預期誤差或不決定性。
可以使用各種幀結構來支援網路節點(例如,基地台和UE)之間的下行鏈路和上行鏈路傳輸。圖5是示出根據本公開內容的各方面的示例幀結構的圖500。幀結構可以是下行鏈路幀結構或上行鏈路幀結構。其他無線通信技術可以具有不同的幀結構和/或不同的信道。
LTE以及在一些情況下,NR在下行鏈路上使用正交分頻多工(OFDM),在上行鏈路上使用單載波分頻多工(SC-FDM)。然而,與LTE不同,NR也可以選擇在上行鏈路上使用OFDM。OFDM和SC-FDM將系統頻寬劃分為多個(K個)正交子載波,這些子載波通常也被稱為頻調(tone)或者頻段(bin)等。每個子載波可以用資料調變。一般地,使用OFDM在頻域中發送調變符號,並且使用SC-FDM在時域中發送調變符號。相鄰子載波之間的間隔可以是固定的,並且子載波的總數(K)可以取決於系統頻寬。例如,子載波的間隔可以是15千赫(kHz),並且最小資源分配(資源區塊)可以是12個子載波(或180kHz)。因此,對於1.25、2.5、5、10或20兆赫(MHz)的系統頻寬,標稱快速傅立葉轉換(FFT)大小可以分別等於128、256、512、1024或2048。系統頻寬也可以被劃分為子頻寬。例如,一個子頻寬可以覆蓋1.08MHz(即,6個資源塊),對於1.25、2.5、5、10或20MHz的系統頻寬,可以分別有1、2、4、8或16個子頻寬。
LTE支援單個參數集(子載波間隔(SCS)、符號長度等)。相反,NR可以支援多個參數集,例如,15kHz(µ=0)、30kHz(µ=1)、60kHz(µ=2)、120kHz(µ=3)和240kHz(µ=4)或更大的子載波間隔是可用的。在每個子載波間隔中,每個時隙有14個符號。對於15kHz SCS(µ=0),每個子幀有一個時隙,每個幀有10個時隙,時隙持續時間是1毫秒(ms),符號持續時間是66.7微秒(µs),並且4K FFT大小的最大標稱系統頻寬(以MHz為單位)是50。對於30kHz SCS(µ=1),每個子幀有兩個時隙,每個幀有20個時隙,時隙持續時間是0.5ms,符號持續時間是33.3s,4K FFT大小的最大標稱系統頻寬(以MHz為單位)是100。對於60kHz SCS(µ=2),每個子幀有4個時隙,每個幀有40個時隙,時隙持續時間是0.25ms,符號持續時間是16.7s,4K FFT大小的最大標稱系統頻寬(以MHz為單位)是200。對於120kHz SCS(µ=3),每個子幀有8個時隙,每個幀有80個時隙,時隙持續時間是0.125ms,符號持續時間是8.33s,4K FFT大小的最大標稱系統頻寬(以MHz為單位)是400。對於240kHz SCS(µ=4),每個子幀有16個時隙,每個幀有160個時隙,時隙持續時間是0.0625ms,符號持續時間是4.17s,4K FFT大小的最大標稱系統頻寬(以MHz為單位)是800。
在圖5的示例中,使用15kHz的參數集。因此,在時域中,10ms的幀被劃分為10個相等大小的子幀,每個子幀1ms,並且每個子幀包括一個時隙。在圖5中,水平(在X軸上)表示時間,時間從左到右增加,而垂直(例如,在Y軸上)表示頻率,頻率從下到上增加(或減少)。
資源網格可以用來表示時隙,每個時隙包括頻域中的一個或多個時間並行資源區塊(RB)(也被稱為實體RB(PRB))。資源網格進一步被劃分為多個資源元素(RE)。RE可以對應於時域中的一個符號長度和頻域中的一個子載波。在圖5的參數集中,對於普通循環前綴,RB可以包含頻域中的12個連續子載波和時域中的7個連續符號,總共84個RE。對於擴展循環前綴,RB可以包含頻域中的12個連續子載波和時域中的6個連續符號,總共72個RE。每個RE攜帶的位元數量取決於調變方案。
一些RE可以攜帶參考(導頻)信號(RS)。取決於所示的幀結構是用於上行鏈路通信還是下行鏈路通信,參考信號可以包括定位參考信號(PRS)、追蹤參考信號(TRS)、相位追蹤參考信號(PTRS)、小區特定參考信號(CRS)、信道狀態資訊參考信號(CSI-RS)、解調參考信號(DMRS)、主同步信號(PSS)、輔同步信號(SSS)、同步信號區塊(SSB)、探測參考信號(SRS)等。圖5示出了攜帶參考信號(標記為“R”)的RE的示例位置。
用於PRS傳輸的資源元素(RE)的集合被稱為“PRS資源”。資源元素的集合可以跨越頻域中的多個PRB和時域中一個時隙內的“N”(諸如1或更多)個連續符號。在時域中的給定OFDM符號中,PRS資源佔用頻域中的連續PRB。
PRS資源在給定PRB內的傳輸具有特定的梳(comb)大小(也被稱為“梳密度”)。梳大小“N”表示PRS資源配置的每個符號內的子載波間隔(或頻率/頻調間隔)。具體地,對於梳大小“N”,PRS在PRB的符號的每第N個子載波中傳輸。例如,對於comb-4,對於PRS資源配置的每個符號,與每第四個子載波(諸如子載波0、4、8)相對應的RE用於傳輸PRS資源的PRS。目前,對於DL-PRS,支援comb-2、comb-4、comb-6和comb-12的梳大小。圖5示出了針對comb-4(其跨越四個符號)的示例PRS資源配置。也就是說,陰影RE(被標記為“R”)的位置指示comb-4 PRS資源配置。
目前,DL-PRS資源可以以全頻域交錯圖樣跨越時隙內的2、4、6或12個連續符號。DL-PRS資源可以被配置在時隙的任何高層配置的下行鏈路或靈活(FL)符號中。對於給定DL-PRS資源的所有RE,存在恆定的每資源元素能量(energy per resource element,EPRE)。以下是梳大小2、4、6和12在2、4、6和12個符號上的符號間(symbol to symbol)頻率偏移。2符號comb-2:{0,1};4符號comb-2:{0,1,0,1};6符號comb-2:{0,1,0,1,0,1};12符號comb-2:{0,1,0,1,0,1,0,1,0,1,0,1,0,1,0,1};4符號comb-4:{0,2,1,3}(如圖5的示例中那樣);12符號comb-4:{0,2,1,3,0,2,1,3,0,2,1,3};6符號comb-6:{0,3,1,4,2,5};12符號comb-6:{0,3,1,4,2,5,0,3,1,4,2,5};以及12符號comb-12:{0,6,3,9,1,7,4,10,2,8,5,11}。
“PRS資源集”是用於傳輸PRS信號的一組PRS資源,其中每個PRS資源具有PRS資源ID。此外,PRS資源集中的PRS資源與同一TRP相關聯。PRS資源集由PRS資源集ID識別,並且與(由TRP ID識別的)特定的TRP相關聯。此外,PRS資源集中的PRS資源跨時隙具有相同的週期、共同的靜默圖樣配置和相同的重複因子(諸如“PRS-ResourceRepetitionFactor”)。週期是從第一PRS實例的第一PRS資源的第一次重複到下一個PRS實例的相同第一PRS資源的相同第一次重複的時間。週期可以具有選自2^µ*{4,5,8,10,16,20,32,40,64,80,160,320,640,1280,2560,5120,10240}個時隙的長度,其中µ=0,1,2,3。重複因子可以具有選自{1,2,4,6,8,16,32}個時隙的長度。
PRS資源集中的PRS資源ID與從單個TRP(其中TRP可以發送一個或多個波束)發送的單個波束(或波束ID)相關聯。也就是說,PRS資源集的每個PRS資源可以在不同的波束上傳輸,因此,“PRS資源”或簡稱為“資源”也可以稱為“波束”。注意,這對於UE是否知道TRP和在其上發送PRS的波束沒有任何影響。
“PRS實例”或“PRS時機”是預期傳輸PRS的週期性重複的時間窗口(諸如一個或多個連續時隙的組)的一個實例。PRS時機也可以被稱為“PRS定位時機”、“PRS定位實例”、“定位時機”、“定位實例”、“定位重複”、或簡稱為“時機”、“實例”或“重複”。"
“定位頻率層”(也簡稱為“頻率層”)是跨越一個或多個TRP(其對於特定參數具有相同的值)的一個或多個PRS資源集的集合。具體地,PRS資源集的集合具有相同的子載波間隔和循環前綴(CP)類型(意味著對於PRS也支援針對實體下行鏈路共享信道(PDSCH)支援的所有參數集)、相同的點A、相同的下行鏈路PRS頻寬值、相同的起始PRB(和中心頻率)以及相同的梳大小。點A參數取參數“ARFCN-ValueNR”的值(其中“ARFCN”代表“絕對射頻信道號”)並且是指定用於發送和接收的一對實體無線電信道的識別符/碼。下行鏈路PRS頻寬可以具有4個PRB的粒度,最少為24個PRB,最多為272個PRB。目前,已經定義了多達四個頻率層,並且對於每個頻率層、針對每個TRP可以配置多達兩個PRS資源集。
頻率層的概念有點類似于分量載波和頻寬部分(BWP)的概念,但不同之處在於,分量載波和BWP由一個基地台(或宏小區基地台和小小區基地台)用於傳輸資料信道,而頻率層由若干(通常三個或更多個)基地台用於傳輸PRS。當UE(諸如在LTE定位協定(LPP)會話期間)向網路發送其定位能力時,UE可以指示其能夠支援的頻率層的數量。例如,UE可以指示其是否能夠支援一個或四個定位頻率層。
注意,術語“定位參考信號”和“PRS”一般指用於在NR和LTE系統中進行定位的特定參考信號。然而,如本文所使用的,術語“定位參考信號”和“PRS”也可以指可以用於定位的任何類型的參考信號,諸如但不限於LTE和NR中定義的PRS、TRS、PTRS、CRS、CSI-RS、DMRS、PSS、SSS、SSB、SRS、UL-PRS等。此外,術語“定位參考信號”和“PRS”可以指下行鏈路、上行鏈路或側鏈路定位參考信號,除非上下文另有指示。如果需要進一步區分PRS的類型,則下行鏈路定位參考信號可以被稱為“DL-PRS”,上行鏈路定位參考信號(例如,用於定位的SRS,PTRS)可以被稱為“UL-PRS”,並且側鏈路定位參考信號可以被稱為“SL-PRS”。此外,對於可以在下行鏈路、上行鏈路和/或側鏈路中傳輸的信號(例如,DMRS),可以在信號前加上“DL”、“UL”或“SL”來區分方向。例如,“UL-DMRS”不同於“DL-DMRS”。
圖6是表示根據本公開內容的各方面的、接收器設備(例如,本文描述的任何UE或基地台)和發送器設備(例如,本文描述的任何其他UE或基地台)之間的多徑信道的信道估計的圖600。信道估計將透過多徑信道接收到的射頻(RF)信號(例如,PRS)的強度表示為時間延遲的函數,並且可以被稱為信道的信道能量響應(channel energy response,CER)、信道衝擊響應(channel impulse response,CIR)或功率延遲分佈(power delay profile,PDP)。因此,橫軸以時間為單位(例如,毫秒),縱軸以信號強度為單位(例如,分貝)。注意,多徑信道是發送器和接收器之間的信道,由於RF信號在多個波束上的傳輸和/或RF信號的傳播特性(例如,反射、折射等),RF信號在所述信道上經過多條路徑(或多徑)。
在圖6的示例中,接收器偵測/測量多個(四個)信道抽頭簇(cluster of channel tap)。每個信道抽頭表示RF信號在發送器和接收器之間經過的多徑。也就是說,信道抽頭表示RF信號在多徑上的到達。每個信道抽頭簇表示對應的多徑基本上經過相同的路徑。由於RF信號在不同的發送波束上傳輸(因此在不同的角度)或者由於RF信號的傳播特性(例如,由於反射可能經過不同的路徑)或者兩者皆有,因此可能存在不同的簇。
針對給定RF信號的所有信道抽頭簇表示發送器和接收器之間的多徑信道(或簡稱為信道)。在圖6所示的信道下,接收器在時間T1接收信道抽頭上兩個RF信號的第一簇,在時間T2接收信道抽頭上五個RF信號的第二簇,在時間T3接收信道抽頭上五個RF信號的第三簇,並且在時間T4接收信道抽頭上四個RF信號的第四簇。在圖6的示例中,因為在時間T1的RF信號的第一簇首先到達,所以假設其對應於在與視線(LOS)或最短路徑對準的發送波束上傳輸的RF信號。在時間T3的第三簇由最強的RF信號組成,並且可以對應於例如在與非視距(NLOS)路徑對準的發送波束上傳輸的RF信號。注意,儘管圖6示出了兩到五個信道抽頭的簇,但是可以理解,簇可以具有比所示數量更多或更少的信道抽頭。
機器學習可以用於產生模型,所述模型可以用於促進與資料處理關聯的各個方面。機器學習的一個具體應用涉及產生用於處理(諸如特徵提取、報告參考信號測量(例如,選擇要報告哪些提取出的特徵)等)用於定位的參考信號(例如,PRS)的測量模型。
機器學習模型一般被分為監督模型或無監督模型。監督模型可以進一步被細分為回歸模型或分類模型。監督學習涉及學習基於示例輸入-輸出對將輸入映射到輸出的函數。例如,給定具有年齡(輸入)和身高(輸出)兩個變量的訓練資料集,可以產生監督學習模型來基於人的年齡預測其身高。在回歸模型中,輸出是連續的。回歸模型的一個示例是線性回歸,其僅嘗試找到與資料最佳擬合的直線。線性回歸的擴展包括多元線性回歸(例如,找到最佳擬合的平面)和多項式回歸(例如,找到最佳擬合的曲線)。
機器學習模型的另一個示例是決策樹模型。在決策樹模型中,樹結構用多個節點來定義。決策用於從決策樹頂部的根節點移動到決策樹底部的葉節點(即,沒有進一步子節點的節點)。一般地,決策樹模型中節點數量越多,決策準確性越高。
機器學習模型的另一個示例是決策森林。隨機森林是一種建立在決策樹之上的整體(ensemble)學習技術。隨機森林涉及使用原始資料的自舉資料集(bootstrapped dataset)創建多個決策樹,並在決策樹的每一步隨機選擇變量的子集。然後,所述模型選擇每個決策樹的所有預測的模式。透過依靠“多數獲勝”模型,來自單個樹的錯誤風險降低。
機器學習模型的另一個示例是神經網路(NN)。神經網路本質上是數學等式的網路。神經網路接受一個或多個輸入變量並透過等式的網路,得到一個或多個輸出變量。換句話說,神經網路接收輸入向量並返回輸出向量。
圖7示出了根據本公開內容的各方面的示例神經網路700。神經網路700包括接收“n”個(一個或多個)輸入(示為“輸入1”、“輸入2”和“輸入n”)的輸入層“i”、用於處理來自輸入層的輸入的一個或多個隱藏層(示為隱藏層“h1”、“h2”和“h3”)以及提供“m”個(一個或多個)輸出(標記為“輸出1”和“輸出m”)的輸出層“o”。輸入“n”、隱藏層“h”和輸出“m”的數量可以相同或不同。在一些設計中,隱藏層“h”可以包括線性函數和/或啟動函數,每個連續隱藏層的節點(示為圓)根據前一隱藏層的節點進行處理。
在分類模型中,輸出是離散的。分類模型的一個示例是邏輯回歸。邏輯回歸類似於線性回歸,但用於對有限數量結果(通常為兩個)的概率建模。實質上,邏輯等式是以輸出值只能在“0”和“1”之間的方式來創建的。分類模型的另一個示例是支援向量機。例如,對於兩類資料,支援向量機將找到兩類資料之間最大化這兩個類別之間的邊距(margin)的超平面或邊界。存在可以分隔這兩個類別的多個平面,但只有一個平面可以最大化類別之間的邊距或距離。分類模型的另一個示例是樸素貝葉斯(Naïve Bayes),其基於貝葉斯定理。分類模型的其他示例包括決策樹、隨機森林和神經網路,除了輸出是離散的而不是連續的之外,類似於上述示例。
與監督學習不同,無監督學習用於在不參考標記結果的情況下,從輸入資料中得出推論並找到模式。無監督學習模型的兩個示例包括聚類和降維。
聚類是涉及對資料點的封包或聚類的無監督技術。聚類經常用於客戶細分、欺詐偵測和文件分類。常見的聚類技術包括k均值聚類、層次聚類、均值漂移聚類和基於密度的聚類。降維是透過獲得一組主變量來減少所考慮的隨機變量的數量的程序。更簡單地說,降維是降低特徵集的維度(更簡單地說,減少特徵的數量)的程序。大多數降維技術可以被分為特徵消除或特徵提取。降維的一個示例被稱為主成分分析(principal component analysis,PCA)。在最簡單的意義上,PCA涉及將較高維度的資料(例如,三維)投影到較小的空間(例如,二維)。這在保持模型中的所有原始變量時得到較低維度的資料(例如,二維而不是三維)。
無論使用哪種機器學習模型,在高階上,(例如,由處理器332、384或394等處理系統實現的)機器學習模組可以被配置為迭代分析訓練輸入資料(例如,對去往/來自各種目標UE的參考信號的測量),並將所述訓練輸入資料與輸出資料集(例如,各種目標UE的潛在或可能的候選位置的集合)相關聯,從而在稍後呈現(例如,來自相同或相似位置的其他目標UE的)相似輸入資料時,能夠決定相同的輸出資料集。
NR支援基於RF指紋(RFFP)的定位,其是利用由行動設備擷取到的RFFP來決定行動設備的位置的定位(positioning and localization)技術。RFFP可以是接收信號強度指示符(RSSI)、CER、CIR、PDP或信道頻率響應(CFR)的直方圖。RFFP可以表示從發送器接收到的單個信道(例如,PRS)、從特定發送器接收到的所有信道或者可在接收器處偵測的所有信道。由行動設備(例如,UE)測量的RFFP和與所測量的RFFP相關聯的發送器(即,發送由行動設備測量的RF信號以決定RFFP的發送器)的位置可以用於決定(例如,三角測量)行動設備的位置。
與經典定位方案相比,機器學習定位技術可以提供更好的定位性能。在基於機器學習RFFP的定位中,機器學習模型(例如,神經網路700)將下行鏈路參考信號(例如,PRS)的RFFP作為輸入,並輸出定位測量(例如,ToA、RSTD)或與輸入的RFFP相對應的行動設備位置。機器學習模型(例如,神經網路700)使用“地面真值(ground truth)”(即,已知的)定位測量或行動設備位置作為RFFP訓練集的參考(即,預期的)輸出來訓練。
例如,機器學習模型可以被訓練為根據TRP發送的PRS的RFFP來決定TRP對的RSTD測量。用於訓練這種模型的參考輸出將是對行動設備在行動設備獲得PRS的RFFP測量時的位置的正確(即,地面真值)RSTD測量。網路(例如,位置伺服器)可以基於行動設備的已知位置和所涉及的(測量的)TRP的已知位置來決定所述TRP對的預期RSTD。行動設備的已知位置可以根據多個報告的RSTD測量和/或由行動設備報告的任何其他測量(例如,GPS測量)來決定。
圖8是示出根據本公開內容的各方面的、使用機器學習模型進行基於RFFP的定位的圖800。在圖8的示例中,在“離線”階段,由行動設備擷取到的RFFP(例如,CER/CIR/CFR)被儲存在資料庫中。所述資料庫可以位於行動設備或網路實體(例如,位置伺服器)處,並且每個RFFP可以包括對由一個或多個發送器(在圖8中被示為基地台1至N(即,“BS 1”至“BS N”))發送的RF信號(或信道或鏈路)的測量。對於基於UE的下行鏈路RFFP(DL-RFFP)定位,網路(例如,位置伺服器)配置基地台向行動設備發送下行鏈路參考信號(例如,PRS),並且RFFP是行動設備偵測到的所配置的下行鏈路參考信號的CER/CIR/CFR。
每個測量的RFFP與行動設備在行動設備測量RFFP時的已知位置(如圖8中位置1至L所示(即,“Pos 1”至“Pos L”))相關聯。行動設備的位置可以經由另外的定位技術來獲知,諸如以上參考圖4所討論的。注意,儘管圖8針對單個行動設備示出了RFFP資訊,但是應當理解,可以針對多個行動設備收集RFFP資訊並將其儲存在資料庫中。
基於在離線階段擷取到的資訊,機器學習模型(例如,神經網路700)被訓練為基於由行動設備測量的RFFP預測行動設備的位置。更具體地,RFFP測量的訓練集用作機器學習模型的輸入,並且行動設備在擷取RFFP時的已知位置用作標籤。在訓練之後,在“在線”階段,經訓練的機器學習模型可以用於基於由行動設備當前測量的RFFP來預測(推斷)行動設備(示為“Pos M”)的位置。對於基於UE的RFFP定位,網路(例如,位置伺服器)向行動設備提供經訓練的機器學習模型。對於UE輔助定位,行動設備可以向網路提供RFFP測量以供處理。
注意,儘管圖8示出了使用基於RFFP的機器學習模型來估計UE的位置,但機器學習模型的輸出(或提取出的特徵)可以改為基於輸入RFFP的定位測量,諸如RSTD測量、ToA測量、DL-AoD測量等。
圖9是示出根據本公開內容的各方面的、基於UE的DL-RFFP定位的推斷循環的圖900。如圖9所示,位置伺服器(例如,LMF 270)配置要由一個或多個TRP在與UE的定位會話期間發送的DL-PRS資源。然後,TRP將配置的DL-PRS發送到UE,UE測量DL-PRS的RFFP。
在圖9的示例中,位置伺服器先前訓練了用於RFFP定位的機器學習模型(標記為“RFFP ML”),如上文參考圖7和圖8描述的。位置伺服器向UE提供所述機器學習模型,用於在定位會話期間執行推斷(例如,基於測量的RFFP來決定定位測量)。這樣,在測量DL-PRS的RFFP之後,UE將測量的RFFP輸入到接收到的機器學習模型,以獲得關聯的定位測量(例如,ToA、RSTD)。
圖10示出了根據本公開內容的各方面的用於基於UE的DL-RFFP定位的示例呼叫流程1000。在階段1,UE 204和LMF 270執行LPP定位能力傳送程序,在此期間,UE 204向LMF 270提供其定位能力。在階段2,LMF 270向UE 204的服務ng-eNB/gNB 222/224和任何相鄰ng-eNB/gNB 222/224提供輔助資訊,諸如要發送給UE 204的DL-PRS的PRS資源配置。在階段3,UE 204和LMF 270執行LPP輔助資料交換。在交換期間,LMF 270向UE 204提供用於定位會話的輔助資料,諸如由所涉及的ng-eNB/gNB 222/224發送的DL-PRS的配置,以及用於報告DL-PRS的定位測量的機器學習模型。
在階段4,LMF 270可選地經由新無線電定位協定類型A(NRPPa)訊息向所涉及的ng-eNB/gNB 222/224提供輔助資訊。在階段5,服務ng-eNB/gNB 222/224可選地在一個或多個定位SIB(posSIB)中廣播從LMF 270接收到的輔助資訊作為輔助資料。在階段6,LMF 270和UE 204執行LPP請求/提供位置資訊程序,在此期間,UE 204提供對ng-eNB/gNB 222/224發送的DL-PRS進行的定位測量。所述定位測量可以透過將在輔助資料中接收到的機器學習模型應用於測量的DL-PRS的RFFP來導出。下面將更詳細地討論圖10所示的各個階段。
目前,LPP和NRPPa不支援RFFP定位程序。因此,本公開內容提供了用於實現基於UE的DL-RFFP定位的LPP和NRPPa信令和程序。
更詳細地參考圖10的階段1的LPP定位能力傳送,圖11示出了用於與LPP當前支援的網路交換UE定位能力的兩個程序。第一個是能力傳送程序,第二個是能力指示程序。圖1100示出了能力傳送程序,其中位置伺服器(例如,LMF 270)(例如,在LPP“請求能力(RequestCapabilities)”資訊元素(IE)中)指示需要從UE 204獲得的能力類型。圖1150示出了能力指示程序,其中目標(例如,UE 204)(例如,在LPP“提供能力(ProvideCapabilities)”IE中)向伺服器提供未經請求的(unsolicited)能力。
目前,LPP不支援基於UE的下行鏈路RFFP能力的請求或指示。因此,本公開內容提供了使得位置伺服器能夠請求並且使得UE能夠提供用於基於UE的DL-RFFP定位的UE能力的信令。具體地,作為圖10的階段1的LPP定位能力傳送程序的一部分,位置伺服器可以請求目標UE提供與基於UE的DL-RFFP定位相關的能力。例如,所述請求可以是LPP“RequestCapabilities”IE中的“nr-DL-RFFP-RequestCapabilities”參數(例如,IE)(類似於LPP“otdoa-RequestCapabilities”IE、LPP“ecid-RequestCapabilities”IE、LPP“nr-Multi-RTT-RequestCapabilities”IE等)。
這樣的請求可以首先向目標UE查詢其一般能力描述(例如,UE是否可以支援基於UE的DL-RFFP定位)。請求可以包括通知目標UE其是否應該提供詳細的能力響應或者等待特定請求的旗標。進一步的特定請求可以基於UE的響應而請求特定能力。
作為(圖11的圖1100所示的)LPP能力傳送程序或(圖11的圖1150所示的)LPP能力指示程序的一部分,目標UE可以向位置伺服器提供其基於UE的DL-RFFP定位能力。對於LPP能力指示程序,目標UE可以指示其基於UE的DL-RFFP定位能力的初始集合,然後等待來自位置伺服器的所請求的能力請求。UE可以在LPP“ProvideCapabilities”IE中的“nr-DL-RFFP-ProvideCapabilities”參數(例如,IE)(類似於“otdoa-ProvideCapabilities”IE、LPP“nr-DL-AoD-ProvideCapabilities”IE等)中報告其RFFP定位能力。
作為另一個選項,基於UE的DL-RFFP定位能力中的一些可以作為LPP能力傳送程序或LPP能力指示程序的一部分來交換,而剩餘的RFFP定位能力可以透過其他人工智慧(AI)或機器學習網路實體(例如,3GPP或非3GPP)來提供。然後,位置伺服器將需要與其他網路實體協調來取得這些剩餘的能力。
來自目標UE的能力訊息可以包括指示目標UE使用網路提供的機器學習模型進行DL-RFFP定位的能力的旗標。例如,值“0”可以指示不支援基於UE的DL-RFFP定位,而值“1”可以指示支援基於UE的DL-RFFP定位。
如果支援基於UE的DL-RFFP定位,則能力訊息可以包括指示位置伺服器應該如何取得目標UE處理用於定位的機器學習模型的能力的旗標。例如,值“0”可以指示機器學習模型能力參數將作為LPP“ProvideCapabilities”訊息的一部分被發送。值“1”可以指示機器學習模型能力參數將經由另外的AI或機器學習網路實體來發送。然後,位置伺服器將需要與其他網路實體協調來取得這些剩餘的能力。旗標可以與每個能力參數或與能力參數組相關聯。
能力訊息可以包括目標UE可以處理的併發機器學習實例(即,機器學習模型的併發實例,其可以被啟動用於併發定位會話)的最大數量。能力訊息還可以包括與基於UE的DL-RFFP定位相關的資源能力(例如,LPP IE“NR-DL-PRS-ResourcesCapability”)和資源處理能力(例如,LPP IE“NR-DL-PRS-ProcessingCapability”)。這些能力可以包括例如頻率層的最大數量、頻段指示符、頻寬、PRS緩衝能力等。
能力訊息還可以包括所支援的機器學習模型格式的列表(例如,開放式神經網路交換(Open Neural Network Exchange,ONNX)等)。能力訊息還可以包括最大機器學習模型大小(例如,參數的最大數量)。能力訊息還可以包括與推斷相關的參數,諸如所支援的特徵(例如,CFR、CIR、都卜勒統計、延遲擴展統計(delay spread statistics)等)的列表、最大IFFT大小、目標UE可以處理的天線對的最大數量(這將是緩衝能力)、最大信道估計(例如,CIR、CFR)窗口(這將是緩衝能力)等。這些參數的目的是機器學習模型將由位置伺服器提供,並且因此,位置伺服器需要知道目標UE可以支援什麼機器學習模型。
更詳細地參考圖10的階段3的LPP輔助資料交換,圖12示出了LPP當前支援的用於交換定位輔助資料的兩個程序。第一個是輔助資料傳送程序,第二個是輔助資料傳送程序。圖1200示出了輔助資料傳送程序,其中位置伺服器(例如,LMF 270)響應於來自目標UE的對輔助資料的請求(例如,LPP“請求輔助資料(RequestAssistanceData)”IE),(例如,在LPP“提供輔助資料(ProvideAssistanceData)”IE中)提供定位所需的輔助資料。輔助資料可以按照需求提供、週期性地提供或週期性地更新。圖1250示出了輔助資料傳送程序,其中位置伺服器提供定位所需的未經申請的輔助資料。輔助資料可以週期性地或非週期性地提供。
目前,LPP不支援基於UE的DL-RFFP定位輔助資料的請求或傳送。因此,本公開內容提供使得目標UE能夠請求並且使得位置伺服器能夠提供用於基於UE的DL-RFFP定位的定位輔助資料的信令。具體地,作為(由圖12的圖1200示出的)LPP輔助資料傳送程序的一部分,目標UE可以請求位置伺服器提供與基於UE的DL-RFFP定位相關的輔助資料。例如,所述請求可以是LPP“RequestAssistanceData”IE中的“nr-DL-RFFP-RequestAssistanceData”參數(例如,IE)。
然後,作為(圖12的圖1200所示的)LPP輔助資料傳送程序或(圖12的圖1250所示尚未)LPP輔助資料傳送程序的一部分,位置伺服器可以提供與基於UE的DL-RFFP定位相關的輔助資料。例如,可以在LPP“ProvideAssistanceData”IE中的“nr-DL-RFFP-ProvideAssistanceData”參數(例如,IE)中提供輔助資料。
輔助資料訊息可以包括指示目標UE是否應該預期機器學習模型細節作為LPP輔助資料訊息的一部分、或者目標UE是否應該透過另外的AI或機器學習網路實體(例如,3GPP或非3GPP)取得機器學習模型的旗標。例如,值“0”可以指示輔助資料將不包括對機器學習模型的描述,而值“1”可以指示輔助資料將包括對機器學習模型的描述。
輔助資料訊息可以提供與機器學習模型描述相關的資訊,諸如機器學習模型識別符(ID)、機器學習模型細節(諸如格式(例如ONNX)、機器學習模型結構和參數(即權重))、輸入特徵類型(例如CFR、CIR等)等。輔助資料訊息還可以提供與測量到機器學習模型輸入的映射相關的資訊(例如,測量到機器學習模型輸入的位元圖)。
輔助資料訊息還可以包括指示目標UE是否應該在定位前執行測量預處理的旗標。例如,值“0”可以指示不需要測量預處理(意味著任何測量預處理都是機器學習模型設計的一部分)。值“1”可以指示需要測量預處理(意味著明確地提供了測量預處理階段)。
如果目標UE預期執行預處理,則輔助資料訊息還可以提供與目標UE在將測量傳送給機器學習模型之前應該如何預處理測量相關的資訊。測量預處理階段包括(1)校準、(2)IFFT、(3)循環樣本移位、(4)開窗以及(5)縮放。輔助資料可以指示執行這些操作的順序。測量預處理參數可以包括校準值、IFFT大小、循環樣本移位值、窗口參數(權重、長度和中心位置)和/或(例如,針對每天線、針對每TRP、針對全部的)縮放選項。
輔助資料還可以包括與用於基於UE的DL-RFFP定位的資源相關的資訊。例如,輔助資料可以指示用於測量的候選TRP的實體小區ID(PCI)、全域小區ID(GCI)、ARFCN和PRS ID、候選TRP的DL-PRS配置、TRP的SSB資訊(例如,SSB的時間/頻率佔用)、TRP的DL-PRS的空間方向資訊(例如,方位角、仰角等)、TRP的地理座標(包括每個DL-PRS資源ID的傳輸參考位置、參考TRP的發送天線的參考位置、其他TRP的發送天線的相對位置)、僅PRS傳輸點指示等。
更詳細地參考圖10的階段6的LPP位置資訊交換,圖13示出了LPP當前支援的用於交換位置資訊的兩個程序。第一個是位置資訊傳送程序,第二個是位置資訊傳送程序。圖1300示出了位置資訊傳送程序,圖1350示出了位置資訊傳送程序。位置資訊傳送程序(圖1300)用於支援基於所請求的服務對定位估計的傳送。位置伺服器可以發送指示所需位置資訊類型和關聯QoS的LPP“請求位置資訊(RequestLocationInformation)”IE。位置資訊傳送程序(圖1350)支援基於未經申請的服務對定位估計的傳送。在位置資訊傳送程序和位置資訊傳送程序兩者中,目標UE發送包括所請求的或未經申請的資訊的LPP“提供位置資訊(ProvideLocationInformation)”IE。
目前,LPP不支援與基於UE的下行鏈路RFFP程序相關的位置資訊的請求或傳送。因此,本公開內容提供使得位置伺服器能夠請求並且目標UE能夠提供用於基於UE的DL-RFFP定位的位置資訊的信令。具體地,作為圖10的階段6的LPP位置資訊傳送程序的一部分,位置伺服器可以請求目標UE提供與基於UE的DL-RFFP定位相關的位置資訊。例如,所述請求可以是LPP“RequestLocationInformation”IE中的“nr-DL-RFFP-RequestLocationInformation”參數(例如,IE)。
位置資訊請求訊息可以包括指示報告目標UE的估計位置的週期的報告配置。請求訊息還可以包括所請求的位置類型(例如,絕對、相對、TDOA估計、ToA估計等)。所述請求訊息還可以包括對目標UE的位置的粗略估計,以使得UE能夠利用所述粗略位置估計來增強定位。
位置資訊請求訊息可以可選地包括關於可以用於定位的下行鏈路資源(例如,DL-PRS資源)的更新。所述請求訊息還可以可選地包括對將由目標UE應用的測量預處理階段(例如,校準、IFFT、開窗等)的更新。所述請求訊息還可以可選地包括對要用於定位的機器學習模型的更新(例如,更新後的模型ID、對目標UE從另一網路側模型儲存庫下載更新後的機器學習模型的請求)。所述請求訊息還可以可選地包括觸發目標UE報告已經用於定位的下行鏈路資源的旗標。
響應於位置資訊請求,目標UE根據請求進行基於UE的DL-RFFP定位,並且提供位置資訊作為提供位置資訊訊息的一部分。例如,作為圖13所示的位置資訊傳送或傳送程序的一部分,UE可以在“nr-DL-RFFP-ProvideLocationInformation”參數(例如,IE)中提供所請求的位置資訊。“nr-DL-RFFP-ProvideLocationInformation”參數/IE可以被包括在LPP“ProvideLocationInformation”IE中。
提供位置資訊訊息可以包括目標UE的估計位置,和/或估計的ToA或RSTD,如果機器學習模型用於估計這些測量的話。提供位置資訊訊息也可以包括用於指示估計的目標位置的品質/可靠性的度量。提供位置資訊訊息也可以包括運行機器學習模型和獲得對目標UE位置的推斷所需的時間。提供位置資訊訊息也可以包括所報告的測量的時間戳。提供位置資訊訊息也可以包括對在RFFP定位(例如,RSRP)中使用的下行鏈路資源(例如,DL-PRS)的測量。提供位置資訊訊息也可以包括在RFFP定位中使用的資源的ID。
提供位置資訊訊息還可以包括客製化的額外測量元素。這些測量元素可以由UE供應商、網路營運商、機器學習模型供應商等客製化。
現在參考圖10的階段4和5對輔助資訊的可選廣播,對定位輔助資料的廣播目前經由對posSIB的廣播來支援。posSIB被攜帶在RRC系統資訊(SI)訊息中。對於NR RRC SI,定義了單個“SIBpos”IE,其被攜帶在IE“PosSystemInformation”中。存在定位SIB類型(在IE“posSibType”中)到posSIB中攜帶的輔助資料元素的映射。例如,posSibType1-1至posSibType1-8提供用於全球導航衛星系統(GNSS)定位的公共輔助資料,posSibType3-1提供用於OTDOA定位的輔助資料,並且posSibType6-1至posSibType6-3提供用於DL-TDOA/DL-AoD定位的輔助資料。
位置伺服器(例如,LMF 270)可以向NG-RAN節點信令通知定位輔助資訊,用於posSIB中的輔助資料廣播。圖14是示出位置伺服器(例如,LMF 270)和NG-RAN節點(例如,gNB)之間的輔助資訊控制程序的圖1400。如果NG-RAN節點是gNB,則輔助資訊控制程序適用,並且可以在圖10的階段4執行。如參考圖10描述的,位置伺服器和NG-RAN節點之間的信令是經由NRPPa的。輔助資訊控制程序的目的是允許位置伺服器向NG-RAN節點信令通知定位輔助資訊,用於輔助資料廣播。也就是說,位置伺服器經由RRC發送要廣播的posSIB內容。位置伺服器可以響應於UE對這種輔助資料的請求來發送輔助資訊,這被稱為“按照需求輔助資料”或者簡稱為要由NG-RAN節點廣播的小區範圍(cell-wide)輔助資料。
目前不支援廣播與基於UE的下行鏈路RFFP定位相關的輔助資訊。因此,本公開內容提供支援對基於UE的DL-RFFP定位的輔助資料的廣播的信令。作為圖14所示的輔助資訊控制程序的一部分,位置伺服器可以提供與基於UE的DL-RFFP定位相關的輔助資訊。然後,輔助資訊可以在一個或多個RRC posSIB中廣播。
與當前定義的posSIB一樣,可能存在定位SIB類型(在IE“posSibType”中)到posSIB中攜帶的輔助資料元素的映射。下面的表1示出了示例映射:
表1
posSibType | 輔助資料元素 | |
NR DL-RFFP輔助資料 | posSIBType7-1 | NR-DL-PRS-AssistanceData |
posSIBType7-2 | NR-DL-RFFP-AssistanceData |
廣播的posSIB可以包括指示目標UE是否應該預期機器學習模型細節作為LPP輔助資料訊息的一部分(圖10的階段3且如圖13所示)或目標UE是否應該透過另外的AI或機器學習模型網路實體取得模型的旗標。例如,值“0”可以指示posSIB輔助資料廣播不包括對機器學習模型的描述,而值“1”可以指示posSIB輔助資料廣播不包括對機器學習模型的描述。
用於DL-RFFP定位的posSIB訊息可以提供與機器學習模型描述相關的資訊,諸如機器學習模型ID、機器學習模型細節(諸如格式(例如ONNX)、機器學習模型結構和參數(即權重))、輸入特徵類型(例如CFR、CIR等)等。posSIB訊息還可以提供與測量到機器學習模型輸入的映射相關的資訊(例如,測量到機器學習模型輸入的位元圖)。
用於DL-RFFP定位的posSIB訊息可以包括指示目標UE是否應該在定位前執行測量預處理的旗標。例如,值“0”可以指示不需要測量預處理(即,測量預處理是機器學習模型設計的一部分),而值“1”可以指示需要測量預處理(並且顯式地提供了測量預處理階段)。
當旗標指示需要預處理時,posSIB訊息可以提供與目標UE在將測量傳送給機器學習模型之前應該如何預處理測量相關的輔助資料。如上所述,測量預處理階段包括(1)校準、(2)IFFT、(3)循環樣本移位、(4)開窗以及(5)縮放。輔助資料可以指示執行這些操作的順序。測量預處理參數可以包括校準值、IFFT大小、循環樣本移位值、窗口參數(權重、長度和中心位置)和/或(例如,針對每天線、針對每TRP、針對全部的)縮放選項。
用於DL-RFFP定位的posSIB訊息還可以提供與要用於定位的資源(例如,DL-PRS資源)相關的輔助資料。例如,如表1所示,posSIBType7-1可以提供要測量的用於DL-PRS資源的輔助資料。
圖15示出了根據本公開內容的各方面的無線通信的示例方法1500。在一個方面,方法1500可以由UE(例如,本文描述的任何UE)來執行。
在1510,UE向位置伺服器發送一個或多個提供能力訊息,所述一個或多個提供能力訊息至少指示UE參與DL-RFFP定位程序的第一能力集。在一個方面,操作1510可以由一個或多個WWAN收發器310、一個或多個處理器332、記憶體340和/或定位組件342來執行,它們中的任何一個或全部都可以被認為是用於執行此操作的部件。
在1520,UE從位置伺服器接收用於DL-RFFP定位程序的一個或多個定位輔助資料訊息,所述一個或多個定位輔助資料訊息至少基於第一能力集。在一個方面,操作1520可以由一個或多個WWAN收發器310、一個或多個處理器332、記憶體340和/或定位組件342來執行,它們中的任何一個或全部都可以被認為是用於執行此操作的部件。
應當理解,方法1500的技術優勢是使UE能夠提供定位能力,並且接收特定於DL-RFFP定位的輔助資料。
圖16示出了根據本公開內容的各方面的無線通信的示例方法1600。在一個方面,方法1600可以由UE(例如,本文描述的任何UE)來執行。
在1610,UE從第一網路實體接收用於DL-RFFP定位程序的一個或多個定位輔助資料訊息,所述一個或多個定位輔助資料訊息包括與UE被配置為用於DL-RFFP定位程序的機器學習模型相關的至少一個參數。在一個方面,操作1610可以由一個或多個WWAN收發器310、一個或多個處理器332、記憶體340和/或定位組件342來執行,它們中的任何一個或全部都可以被認為是用於執行此操作的部件。
在1620,UE向第二網路實體發送一個或多個位置資訊訊息,所述一個或多個位置資訊訊息包括與DL-RFFP定位程序相關的一個或多個參數。在一個方面,操作1620可以由一個或多個WWAN收發器310、一個或多個處理器332、記憶體340和/或定位組件342來執行,它們中的任何一個或全部都可以被認為是用於執行此操作的部件。
應當理解,方法1600的技術優勢是向UE提供特定於DL-RFFP定位的輔助資料,並使UE能夠提供特定於DL-RFFP定位的位置資訊。
圖17示出了根據本公開內容的各方面的無線通信的示例方法1700。在一個方面,方法1700可以由UE(例如,本文描述的任何UE)來執行。
在1710,基地台從位置伺服器接收一個或多個輔助資訊控制訊息,所述一個或多個輔助資訊控制訊息指示與至少一個UE被配置用於DL-RFFP定位程序的機器學習模型相關的一個或多個參數。在一個方面,操作1710可以由一個或多個WWAN收發器350、一個或多個網路收發器380、一個或多個處理器384、記憶體386和/或定位組件388來執行,它們中的任何一個或全部都可以被認為是用於執行此操作的部件。
在1720,基地台向至少一個UE發送特定於DL-RFFP定位的一個或多個posSIB,所述一個或多個posSIB至少指示所述一個或多個參數。在一個方面,操作1720可以由一個或多個WWAN收發器350、一個或多個處理器384、記憶體386和/或定位組件388來執行,它們中的任何一個或全部都可以被認為是用於執行此操作的部件。
應當理解,方法1700的技術優勢是向UE提供特定於DL-RFFP定位的輔助資料。
在上述詳細描述中,可以看出不同的特徵在示例中組合在一起。這種公開方式不應被理解為示例條款具有比每個條款中明確提及的更多的特徵。相反,本公開內容的各個方面可以包括少於所公開的單個示例條款的所有特徵。因此,以下條款應當被視為被包含在說明書中,其中每個條款本身可以作為單獨的示例。儘管每個附屬條款可以在條款中引用與其他條款之一的特定組合,但是所述附屬條款的各方面不限於所述特定組合。應當理解,其他示例條款也可以包括附屬條款各方面與任何其他附屬條款或獨立條款的標的的組合、或者任何特徵與其他附屬條款和獨立條款的組合。本文公開的各個方面明確地包括這些組合,除非明確表達或可以容易地推斷出不針對特定的組合(例如,矛盾的方面,諸如將元件定義為電絕緣體和電導體兩者)。此外,還旨在表示條款的各方面可以被包括在任何其他獨立條款中,即使所述條款不直接附屬所述獨立條款。
在以下編號條款中描述實現方式示例:
條款1.一種由用戶設備(UE)執行的無線通信方法,包括:從第一網路實體接收用於下行鏈路射頻指紋(DL-RFFP)定位程序的一個或多個定位輔助資料訊息,所述一個或多個定位輔助資料訊息包括與UE被配置為用於DL-RFFP定位程序的機器學習模型相關的至少一個參數;以及向第二網路實體發送一個或多個位置資訊訊息,所述一個或多個位置資訊訊息包括與DL-RFFP定位程序相關的一個或多個參數。
條款2.根據條款1的方法,其中,所述至少一個參數包括指示一個或多個定位輔助資料訊息是否包括對機器學習模型的描述的旗標。
條款3.根據條款2的方法,還包括:基於所述旗標指示一個或多個定位輔助資料訊息不包括對機器學習模型的描述,從除了第一網路實體之外的網路實體取得機器學習模型。
條款4.根據條款1至3中任一條款的方法,其中,所述至少一個參數包括:機器學習模型的識別符、機器學習模型的格式、機器學習模型的輸入特徵類型、或其任意組合。
條款5.根據條款1至4中任一條款的方法,其中,所述至少一個參數指示下行鏈路定位參考信號(DL-PRS)資源的RFFP測量和機器學習模型的輸入之間的映射。
條款6.根據條款1至5中任一條款的方法,其中,所述至少一個參數包括配置UE在將機器學習模型應用於要由UE針對DL-RFFP定位程序測量的DL-PRS資源的RFFP測量之前執行測量預處理的旗標。
條款7.根據條款6的方法,其中,所述至少一個參數還包括:測量預處理階段的順序、用於測量預處理的校準值、用於測量預處理的逆快速傅立葉轉換(IFFT)大小、用於測量預處理的循環移位採樣值、用於測量預處理的窗口大小參數、用於測量預處理的縮放選項、或其任意組合。
條款8.根據條款1至7中任一條款的方法,其中,所述至少一個參數包括與要由UE針對DL-RFFP定位程序測量的DL-PRS資源相關的參數。
條款9.根據條款1至8中任一條款的方法,所述方法還包括:向第一網路實體發送對用於DL-RFFP定位程序的定位輔助資料的請求,其中,所述一個或多個定位輔助資料訊息是響應於所述請求被接收的。
條款10.根據條款1至9中任一條款的方法,其中:第一網路實體是位置伺服器,第二網路實體是位置伺服器,並且所述一個或多個定位輔助資料訊息是一個或多個長期演進(LTE)定位協定(LPP)訊息。
條款11.根據條款1至9中任一條款的方法,其中:第一網路實體是基地台,第二網路實體是位置伺服器,並且所述一個或多個定位輔助資料訊息是特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB)。
條款12.根據條款1至11中任一條款的方法,還包括:從第二網路實體接收對位置資訊的請求,其中,所述一個或多個位置資訊訊息是響應於所述請求被發送的。
條款13.根據條款12的方法,其中,所述請求包括:指示報告UE位置的週期的報告配置、UE位置的類型、對UE位置的粗略估計、對針對DL-RFFP定位程序配置的DL-PRS資源的更新、對將應用於針對DL-RFFP定位程序配置的DL-PRS資源的測量的預處理階段的更新、對機器學習模型的更新、配置UE報告哪些DL-PRS資源用於DL-RFFP定位程序的旗標、或其任意組合。
條款14.根據條款1至13中任一條款的方法,其中,所述一個或多個位置資訊訊息包括:基於機器學習模型決定的UE的估計位置、指示UE的估計位置的品質或可靠性的度量、機器學習模型決定UE的估計位置所花費的時間量、基於機器學習模型決定的針對DL-RFFP定位程序配置的DL-PRS資源的一個或多個定位測量、所述一個或多個定位測量的時間戳、針對DL-RFFP定位程序配置的哪些DL-PRS資源用於DL-RFFP定位程序的識別符、針對DL-RFFP定位程序配置的DL-PRS資源的一個或多個信號強度測量、由網路供應商、UE供應商或機器學習模型供應商客製化的一個或多個測量元素、或其任意組合。
條款15.一種由基地台執行的通信方法,包括:從位置伺服器接收一個或多個輔助資訊控制訊息,所述一個或多個輔助資訊控制訊息指示與至少一個用戶設備(UE)被配置用於下行鏈路射頻指紋(DL-RFFP)定位程序的機器學習模型相關的一個或多個參數;以及向至少一個UE發送特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB),所述一個或多個posSIB至少指示所述一個或多個參數。
條款16.根據條款15的方法,其中,所述一個或多個參數包括指示一個或多個定位輔助資料訊息是否包括對機器學習模型的描述的旗標。
條款17.根據條款15至16中任一條款的方法,其中,所述一個或多個參數包括:機器學習模型的識別符、機器學習模型的格式、機器學習模型的輸入特徵類型、或其任意組合。
條款18.根據條款15至17中任一條款的方法,其中,所述一個或多個參數指示下行鏈路定位參考信號(DL-PRS)資源的RFFP測量和機器學習模型的輸入之間的映射。
條款19.根據條款15至18中任一條款的方法,其中,所述一個或多個參數包括配置至少一個UE在將機器學習模型應用於要由至少一個UE針對DL-RFFP定位程序測量的DL-PRS資源的RFFP測量之前執行測量預處理的旗標。
條款20.根據條款19的方法,其中,所述一個或多個參數還包括:測量預處理階段的順序、用於測量預處理的校準值、用於測量預處理的逆快速傅立葉轉換(IFFT)大小、用於測量預處理的循環移位採樣值、用於測量預處理的窗口大小參數、用於測量預處理的縮放選項、或其任意組合。
條款21.根據條款15至20中任一條款的方法,其中,所述一個或多個參數包括與要由至少一個UE針對DL-RFFP定位程序測量的DL-PRS資源相關的參數。
條款22.一種用戶設備(UE),包括:記憶體;至少一個收發器;以及通信地耦接到所述記憶體和所述至少一個收發器的至少一個處理器,所述至少一個處理器被配置為:經由至少一個收發器從第一網路實體接收用於下行鏈路射頻指紋(DL-RFFP)定位程序的一個或多個定位輔助資料訊息,所述一個或多個定位輔助資料訊息包括與UE被配置為用於DL-RFFP定位程序的機器學習模型相關的至少一個參數;以及經由至少一個收發器向第二網路實體發送一個或多個位置資訊訊息,所述一個或多個位置資訊訊息包括與DL-RFFP定位程序相關的一個或多個參數。
條款23.根據條款22的UE,其中,所述至少一個參數包括指示一個或多個定位輔助資料訊息是否包括對機器學習模型的描述的旗標。
條款24.根據條款23的UE,其中,所述至少一個處理器還被配置為:基於所述旗標指示一個或多個定位輔助資料訊息不包括對機器學習模型的描述,從除了第一網路實體之外的網路實體取得機器學習模型。
條款25.根據條款22至24中任一條款的UE,其中,所述至少一個參數包括:機器學習模型的識別符、機器學習模型的格式、機器學習模型的輸入特徵類型、或其任意組合。
條款26.根據條款22至25中任一條款的UE,其中,所述至少一個參數指示下行鏈路定位參考信號(DL-PRS)資源的RFFP測量和機器學習模型的輸入之間的映射。
條款27.根據條款22至26中任一條款的UE,其中,所述至少一個參數包括配置UE在將機器學習模型應用於要由UE針對DL-RFFP定位程序測量的DL-PRS資源的RFFP測量之前執行測量預處理的旗標。
條款28.根據條款27的UE,其中,所述至少一個參數還包括:測量預處理階段的順序、用於測量預處理的校準值、用於測量預處理的逆快速傅立葉轉換(IFFT)大小、用於測量預處理的循環移位採樣值、用於測量預處理的窗口大小參數、用於測量預處理的縮放選項、或其任意組合。
條款29.根據條款22至28中任一條款的UE,其中,所述至少一個參數包括與要由UE針對DL-RFFP定位程序測量的DL-PRS資源相關的參數。
條款30.根據條款22至29中任一條款的UE,其中,所述至少一個處理器還被配置為:經由至少一個收發器向第一網路實體發送對用於DL-RFFP定位程序的定位輔助資料的請求,其中,所述一個或多個定位輔助資料訊息是響應於所述請求被接收的。
條款31.根據條款22至30中任一條款的UE,其中:第一網路實體是位置伺服器,第二網路實體是位置伺服器,並且所述一個或多個定位輔助資料訊息是一個或多個長期演進(LTE)定位協定(LPP)訊息。
條款32.根據條款22至30中任一條款的UE,其中:第一網路實體是基地台,第二網路實體是位置伺服器,並且所述一個或多個定位輔助資料訊息是特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB)。
條款33.根據條款22至32中任一條款的UE,其中,所述至少一個處理器還被配置為:經由至少一個收發器從第二網路實體接收對位置資訊的請求,其中,所述一個或多個位置資訊訊息是響應於所述請求被發送的。
條款34.根據條款33的UE,其中,所述請求包括:指示報告UE位置的週期的報告配置、UE位置的類型、對UE位置的粗略估計、對針對DL-RFFP定位程序配置的DL-PRS資源的更新、對將應用於針對DL-RFFP定位程序配置的DL-PRS資源的測量的預處理階段的更新、對機器學習模型的更新、配置UE報告哪些DL-PRS資源用於DL-RFFP定位程序的旗標、或其任意組合。
條款35.根據條款22至34中任一條款的UE,其中,所述一個或多個位置資訊訊息包括:基於機器學習模型決定的UE的估計位置、指示UE的估計位置的品質或可靠性的度量、機器學習模型決定UE的估計位置所花費的時間量、基於機器學習模型決定的針對DL-RFFP定位程序配置的DL-PRS資源的一個或多個定位測量、所述一個或多個定位測量的時間戳、針對DL-RFFP定位程序配置的哪些DL-PRS資源用於DL-RFFP定位程序的識別符、針對DL-RFFP定位程序配置的DL-PRS資源的一個或多個信號強度測量、由網路供應商、UE供應商或機器學習模型供應商客製化的一個或多個測量元素、或其任意組合。
條款36.一種基地台,包括:記憶體;至少一個收發器;以及通信地耦接到所述記憶體和所述至少一個收發器的至少一個處理器,所述至少一個處理器被配置為:經由至少一個收發器從位置伺服器接收一個或多個輔助資訊控制訊息,所述一個或多個輔助資訊控制訊息指示與至少一個用戶設備(UE)被配置為用於下行鏈路射頻指紋(DL-RFFP)定位程序的機器學習模型相關的一個或多個參數;以及經由至少一個收發器向至少一個UE發送特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB),所述一個或多個posSIB至少指示所述一個或多個參數。
條款37.根據條款36的基地台,其中,所述一個或多個參數包括指示一個或多個定位輔助資料訊息是否包括對機器學習模型的描述的旗標。
條款38.根據條款36至37中任一條款的基地台,其中,所述一個或多個參數包括:機器學習模型的識別符、機器學習模型的格式、機器學習模型的輸入特徵類型、或其任意組合。
條款39.根據條款36至38中任一條款的基地台,其中,所述一個或多個參數指示下行鏈路定位參考信號(DL-PRS)資源的RFFP測量和機器學習模型的輸入之間的映射。
條款40.根據條款36至39中任一條款的基地台,其中,所述一個或多個參數包括配置至少一個UE在將機器學習模型應用於要由至少一個UE針對DL-RFFP定位程序測量的DL-PRS資源的RFFP測量之前執行測量預處理的旗標。
條款41.根據條款40的基地台,其中,所述一個或多個參數還包括:測量預處理階段的順序、用於測量預處理的校準值、用於測量預處理的逆快速傅立葉轉換(IFFT)大小、用於測量預處理的循環移位採樣值、用於測量預處理的窗口大小參數、用於測量預處理的縮放選項、或其任意組合。
條款42.根據條款36至41中任一條款的基地台,其中,所述一個或多個參數包括與要由至少一個UE針對DL-RFFP定位程序測量的DL-PRS資源相關的參數。
條款43.一種用戶設備(UE),包括:用於從第一網路實體接收用於下行鏈路射頻指紋(DL-RFFP)定位程序的一個或多個定位輔助資料訊息的部件,所述一個或多個定位輔助資料訊息包括與UE被配置為用於DL-RFFP定位程序的機器學習模型相關的至少一個參數;以及用於向第二網路實體發送一個或多個位置資訊訊息的部件,所述一個或多個位置資訊訊息包括與DL-RFFP定位程序相關的一個或多個參數。
條款44.根據條款43的UE,其中,所述至少一個參數包括指示一個或多個定位輔助資料訊息是否包括對機器學習模型的描述的旗標。
條款45.根據條款44的UE,還包括:用於基於所述旗標指示一個或多個定位輔助資料訊息不包括對機器學習模型的描述,從除了第一網路實體之外的網路實體取得機器學習模型的部件。
條款46.根據條款43至45中任一條款的UE,其中,所述至少一個參數包括:機器學習模型的識別符、機器學習模型的格式、機器學習模型的輸入特徵類型、或其任意組合。
條款47.根據條款43至46中任一條款的UE,其中,所述至少一個參數指示下行鏈路定位參考信號(DL-PRS)資源的RFFP測量和機器學習模型的輸入之間的映射。
條款48.根據條款43至47中任一條款的UE,其中,所述至少一個參數包括配置UE在將機器學習模型應用於要由UE針對DL-RFFP定位程序測量的DL-PRS資源的RFFP測量之前執行測量預處理的旗標。
條款49.根據條款48的UE,其中,所述至少一個參數還包括:測量預處理階段的順序、用於測量預處理的校準值、用於測量預處理的逆快速傅立葉轉換(IFFT)大小、用於測量預處理的循環移位採樣值、用於測量預處理的窗口大小參數、用於測量預處理的縮放選項、或其任意組合。
條款50.根據條款43至49中任一條款的UE,其中,所述至少一個參數包括與要由UE針對DL-RFFP定位程序測量的DL-PRS資源相關的參數。
條款51.根據條款43至50中任一條款的UE,還包括:用於向第一網路實體發送對用於DL-RFFP定位程序的定位輔助資料的請求的部件,其中,所述一個或多個定位輔助資料訊息是響應於所述請求被接收的。
條款52.根據條款43至51中任一條款的UE,其中:第一網路實體是位置伺服器,第二網路實體是位置伺服器,並且所述一個或多個定位輔助資料訊息是一個或多個長期演進(LTE)定位協定(LPP)訊息。
條款53.根據條款43至51中任一條款的UE,其中:第一網路實體是基地台,第二網路實體是位置伺服器,並且所述一個或多個定位輔助資料訊息是特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB)。
條款54.根據條款43至53中任一條款的UE,還包括:用於從第二網路實體接收對位置資訊的請求的部件,其中,所述一個或多個位置資訊訊息是響應於所述請求被發送的。
條款55.根據條款54的UE,其中,所述請求包括:指示報告UE位置的週期的報告配置、UE位置的類型、對UE位置的粗略估計、對針對DL-RFFP定位程序配置的DL-PRS資源的更新、對將應用於針對DL-RFFP定位程序配置的DL-PRS資源的測量的預處理階段的更新、對機器學習模型的更新、配置UE報告哪些DL-PRS資源用於DL-RFFP定位程序的旗標、或其任意組合。
條款56.根據條款43至55中任一條款的UE,其中,所述一個或多個位置資訊訊息包括:基於機器學習模型決定的UE的估計位置、指示UE的估計位置的品質或可靠性的度量、機器學習模型決定UE的估計位置所花費的時間量、基於機器學習模型決定的針對DL-RFFP定位程序配置的DL-PRS資源的一個或多個定位測量、所述一個或多個定位測量的時間戳、針對DL-RFFP定位程序配置的哪些DL-PRS資源用於DL-RFFP定位程序的識別符、針對DL-RFFP定位程序配置的DL-PRS資源的一個或多個信號強度測量、由網路供應商、UE供應商或機器學習模型供應商客製化的一個或多個測量元素、或其任意組合。
條款57.一種基地台,包括:用於從位置伺服器接收一個或多個輔助資訊控制訊息的部件,所述一個或多個輔助資訊控制訊息指示與至少一個用戶設備(UE)被配置用於下行鏈路射頻指紋(DL-RFFP)定位程序的機器學習模型相關的一個或多個參數;以及用於向至少一個UE發送特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB)的部件,所述一個或多個posSIB至少指示所述一個或多個參數。
條款58.根據條款57的基地台,其中,所述一個或多個參數包括指示一個或多個定位輔助資料訊息是否包括對機器學習模型的描述的旗標。
條款59.根據條款57至58中任一條款的基地台,其中,所述一個或多個參數包括:機器學習模型的識別符、機器學習模型的格式、機器學習模型的輸入特徵類型、或其任意組合。
條款60.根據條款57至59中任一條款的基地台,其中,所述一個或多個參數指示下行鏈路定位參考信號(DL-PRS)資源的RFFP測量和機器學習模型的輸入之間的映射。
條款61.根據條款57至60中任一條款的基地台,其中,所述一個或多個參數包括配置至少一個UE在將機器學習模型應用於要由至少一個UE針對DL-RFFP定位程序測量的DL-PRS資源的RFFP測量之前執行測量預處理的旗標。
條款62.根據條款61的基地台,其中,所述一個或多個參數還包括:測量預處理階段的順序、用於測量預處理的校準值、用於測量預處理的逆快速傅立葉轉換(IFFT)大小、用於測量預處理的循環移位採樣值、用於測量預處理的窗口大小參數、用於測量預處理的縮放選項、或其任意組合。
條款63.根據條款57至62中任一條款的基地台,其中,所述一個或多個參數包括與要由至少一個UE針對DL-RFFP定位程序測量的DL-PRS資源相關的參數。
條款64.一種儲存計算機可執行指令的非暫時性計算機可讀媒體,當由用戶設備(UE)執行時,所述計算機可執行指令使得UE:從第一網路實體接收用於下行鏈路射頻指紋(DL-RFFP)定位程序的一個或多個定位輔助資料訊息,所述一個或多個定位輔助資料訊息包括與UE被配置為用於DL-RFFP定位程序的機器學習模型相關的至少一個參數;以及向第二網路實體發送一個或多個位置資訊訊息,所述一個或多個位置資訊訊息包括與DL-RFFP定位程序相關的一個或多個參數。
條款65.根據條款64的非暫時性計算機可讀媒體,其中,所述至少一個參數包括指示一個或多個定位輔助資料訊息是否包括對機器學習模型的描述的旗標。
條款66.根據條款65的非暫時性計算機可讀媒體,還包括計算機可執行指令,當由UE執行時,所述計算機可執行指令使得UE:基於所述旗標指示一個或多個定位輔助資料訊息不包括對機器學習模型的描述,從除了第一網路實體之外的網路實體取得機器學習模型。
條款67.根據條款64至66中任一條款的非暫時性計算機可讀媒體,其中,所述至少一個參數包括:機器學習模型的識別符、機器學習模型的格式、機器學習模型的輸入特徵類型、或其任意組合。
條款68.根據條款64至67中任一條款的非暫時性計算機可讀媒體,其中,所述至少一個參數指示下行鏈路定位參考信號(DL-PRS)資源的RFFP測量和機器學習模型的輸入之間的映射。
條款69.根據條款64至68中任一條款的非暫時性計算機可讀媒體,其中,所述至少一個參數包括配置UE在將機器學習模型應用於要由UE針對DL-RFFP定位程序測量的DL-PRS資源的RFFP測量之前執行測量預處理的旗標。
條款70.根據條款69的非暫時性計算機可讀媒體,其中,所述至少一個參數還包括:測量預處理階段的順序、用於測量預處理的校準值、用於測量預處理的逆快速傅立葉轉換(IFFT)大小、用於測量預處理的循環移位採樣值、用於測量預處理的窗口大小參數、用於測量預處理的縮放選項、或其任意組合。
條款71.根據條款64至70中任一條款的非暫時性計算機可讀媒體,其中,所述至少一個參數包括與要由UE針對DL-RFFP定位程序測量的DL-PRS資源相關的參數。
條款72.根據條款64至71中任一條款的非暫時性計算機可讀媒體,還包括計算機可執行指令,當由UE執行時,所述計算機可執行指令使得UE:向第一網路實體發送對用於DL-RFFP定位程序的定位輔助資料的請求,其中,所述一個或多個定位輔助資料訊息是響應於所述請求被接收的。
條款73.根據條款64至72中任一條款的非暫時性計算機可讀媒體,其中:第一網路實體是位置伺服器,第二網路實體是位置伺服器,並且所述一個或多個定位輔助資料訊息是一個或多個長期演進(LTE)定位協定(LPP)訊息。
條款74.根據條款64至72中任一條款的非暫時性計算機可讀媒體,其中:第一網路實體是基地台,第二網路實體是位置伺服器,並且所述一個或多個定位輔助資料訊息是特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB)。
條款75.根據條款64至74中任一條款的非暫時性計算機可讀媒體,還包括計算機可執行指令,當由UE執行時,所述計算機可執行指令使得UE:從第二網路實體接收對位置資訊的請求,其中,所述一個或多個位置資訊訊息是響應於所述請求被發送的。
條款76.根據條款75的非暫時性計算機可讀媒體,其中,所述請求包括:指示報告UE位置的週期的報告配置、UE位置的類型、對UE位置的粗略估計、對針對DL-RFFP定位程序配置的DL-PRS資源的更新、對將應用於針對DL-RFFP定位程序配置的DL-PRS資源的測量的預處理階段的更新、對機器學習模型的更新、配置UE報告哪些DL-PRS資源用於DL-RFFP定位程序的旗標、或其任意組合。
條款77.根據條款64至76中任一條款的非暫時性計算機可讀媒體,其中,所述一個或多個位置資訊訊息包括:基於機器學習模型決定的UE的估計位置、指示UE的估計位置的品質或可靠性的度量、機器學習模型決定UE的估計位置所花費的時間量、基於機器學習模型決定的針對DL-RFFP定位程序配置的DL-PRS資源的一個或多個定位測量、所述一個或多個定位測量的時間戳、針對DL-RFFP定位程序配置的哪些DL-PRS資源用於DL-RFFP定位程序的識別符、針對DL-RFFP定位程序配置的DL-PRS資源的一個或多個信號強度測量、由網路供應商、UE供應商或機器學習模型供應商客製化的一個或多個測量元素、或其任意組合。
條款78.一種儲存計算機可執行指令的非暫時性計算機可讀媒體,當由基地台執行時,所述計算機可執行指令使得基地台:從位置伺服器接收一個或多個輔助資訊控制訊息,所述一個或多個輔助資訊控制訊息指示與至少一個用戶設備(UE)被配置用於下行鏈路射頻指紋(DL-RFFP)定位程序的機器學習模型相關的一個或多個參數;以及向至少一個UE發送特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB),所述一個或多個posSIB至少指示所述一個或多個參數。
條款79.根據條款78的非暫時性計算機可讀媒體,其中,所述一個或多個參數包括指示一個或多個定位輔助資料訊息是否包括對機器學習模型的描述的旗標。
條款80.根據條款78至79中任一條款的非暫時性計算機可讀媒體,其中,所述一個或多個參數包括:機器學習模型的識別符、機器學習模型的格式、機器學習模型的輸入特徵類型、或其任意組合。
條款81.根據條款78至80中任一條款的非暫時性計算機可讀媒體,其中,所述一個或多個參數指示下行鏈路定位參考信號(DL-PRS)資源的RFFP測量和機器學習模型的輸入之間的映射。
條款82.根據條款78至81中任一條款的非暫時性計算機可讀媒體,其中,所述一個或多個參數包括配置至少一個UE在將機器學習模型應用於要由至少一個UE針對DL-RFFP定位程序測量的DL-PRS資源的RFFP測量之前執行測量預處理的旗標。
條款83.根據條款82的非暫時性計算機可讀媒體,其中,所述一個或多個參數還包括:測量預處理階段的順序、用於測量預處理的校準值、用於測量預處理的逆快速傅立葉轉換(IFFT)大小、用於測量預處理的循環移位採樣值、用於測量預處理的窗口大小參數、用於測量預處理的縮放選項、或其任意組合。
條款84.根據條款78至83中任一條款的非暫時性計算機可讀媒體,其中,所述一個或多個參數包括與要由至少一個UE針對DL-RFFP定位程序測量的DL-PRS資源相關的參數。
本領域技術人員將理解,可以使用各種不同技術和工藝中的任何一種來表示資訊和信號。例如,在以上整個說明書中可能引用的資料、指令、命令、資訊、信號、位元、符號和碼片可以由電壓、電流、電磁波、磁場或磁粒子、光場或光粒子或它們的任意組合來表示。
此外,本領域技術人員將理解,結合本文中所公開的各方面描述的各種例示性邏輯塊、模組、電路以及演算法步驟可以被實現為電子硬體、計算機軟體或兩者的組合。為了清楚地例示說明硬體和軟體的這種可互換性,以上已經大體上根據它們的功能描述了各種例示性的組件、塊、模組、電路以及步驟。此類功能是被實施為硬體還是軟體取決於特定應用以及根據整體系統所施加的設計約束。技術人員可以針對每種特定應用按照不同方式實施所描述的功能,但是此類實現方式決策不應當被解釋為導致脫離了本公開內容的範圍。
結合本文公開的各方面所描述的各種例示性邏輯方塊、模組和電路可以用被設計為執行本文所述功能的通用處理器、數位信號處理器(DSP)、ASIC、現場可程式化閘陣列(FPGA)或其他可程式化邏輯器件、離散閘或電晶體邏輯、離散硬體組件或它們的任意組合來實現或執行。通用處理器可以是微處理器,但是可替代地,處理器可以是任何常規處理器、控制器、微控制器或狀態機。處理器也可以被實施為計算設備的組合,例如,DSP和微處理器的組合、多個微處理器、一或多個微處理器與DSP內核心的結合、或者任何其它這樣的配置。
結合本文公開的各方面描述的方法、序列和/或演算法可以以硬體、由處理器執行的軟體模組,或兩者的組合來直接體現。軟體模組可以駐留在隨機存取記憶體(RAM)、快閃記憶體、唯讀記憶體(ROM)、可擦除可程式化ROM(EPROM)、電可擦除可程式化ROM(EEPROM)、暫存器、硬碟、可移動磁碟、CD-ROM或本領域已知的任何其他形式的儲存媒體。示例儲存媒體被耦接到處理器,從而使得處理器可以從所述儲存媒體讀取資訊,並向所述儲存媒體寫入資訊。可替代地,儲存媒體可以與處理器整合在一起。處理器和儲存媒體可以駐留在ASIC中。ASIC可以駐留在用戶終端(例如,UE)中。可替代地,處理器和儲存媒體可以作為離散組件駐留在用戶終端中。
在一個或多個示例方面,所描述的功能可以以硬體、軟體、韌體或它們的任意組合來實現。如果以軟體實現,則功能可以作為一個或多個指令或碼儲存在計算機可讀媒體上或透過計算機可讀媒體發送。計算機可讀媒體包括計算機儲存媒體和通信媒體,所述通信媒體包括促進將計算機程式從一個地方轉移到另一地方的任何媒介。儲存媒體可以是可以由計算機存取的任何可用的媒體。以舉例的方式而非限制,此類計算機可讀媒體可以包括RAM、ROM、EEPROM、CD-ROM或其他的光碟儲存裝置、磁盤儲存裝置或其他磁性儲存設備,或者可以用於攜帶或儲存採用指令或資料結構形式的所需程式碼並且可以透過計算機存取的任何其他媒體。此外,任何連接都適當地稱為計算機可讀媒體。例如,如果軟體是使用同軸電纜、光纖電纜、雙絞線、數位用戶線(DSL)或無線技術(諸如紅外線、無線電和微波)從網站、伺服器或其他遠程來源發送的,則可以將同軸電纜、光纖電纜、雙絞線、DSL或無線技術(諸如紅外線、無線電和微波)包含在媒體的定義中。如本文所使用的磁碟和光碟,包括緊湊光碟(CD)、雷射光碟、光碟、數位化通用碟(DVD)、軟碟以及藍光光碟,其中磁碟通常磁性地複製資料,而光碟利用雷射光器光學地複製資料。以上的組合同樣應當包含在計算機可讀媒體的範圍內。
儘管前述公開內容示出了本公開內容的例示性方面,但是應當注意,在不脫離由所附申請專利範圍限定的本公開內容的範圍的情況下,可以在此進行各種改變和修改。根據本文描述的本公開內容的各方面的方法申請專利範圍的功能、步驟和/或動作不需要以任何特定順序執行。此外,儘管本公開內容的元件可以以單數形式描述或要求保護,但是也可以設想複數形式,除非明確指出對單數形式的限制。
100:示例無線通信系統
102:基地台
102’:小小區基地台
104:用戶設備(UE)
110:地理覆蓋區域
110’:地理覆蓋區域
112:太空飛行器(SV)
120:通信鏈路
122:回程鏈路
124:信號
128:直接連接
134:回程鏈路
150:存取點(AP)
152:WLAN站(STA)
154:通信鏈路
160:無線側鏈路
164:UE
170:核心網路
172:位置伺服器
180:毫米波(mmW)基地台
182:UE
184:mmW通信鏈路
190:UE
192:D2D P2P鏈路
194:D2D P2P鏈路
200:示例無線網路結構
204:UE
210:5GC
212:用戶平面功能
213:用戶平面介面(NG-U)
214:控制平面(C-平面)功能
215:控制平面介面(NG-C)
220:下一代RAN(NG-RAN)
222:gNB
223:回程連接
224:ng-eNB
204:UE
222/224:gNB/ng-eNB
270:位置管理功能(LMF)
302:UE
304:基地台
306:網路實體
310:無線廣域網路(WWAN)收發器
312:接收器
314:發送器
316:天線
318:信號
320:短程無線收發器
322:接收器
324:發送器
326:天線
328:信號
330:衛星信號接收器
332:處理器
334:資料匯流排
336:天線
338:衛星定位/通信信號
340:記憶體
342:定位組件
344:感測器
346:用戶介面
350:WWAN收發器
352:接收器
354:發送器
356:天線
358:信號
360:短程無線收發器
362:接收器
364:發送器
366:天線
368:信號
370:衛星信號接收器
376:天線
378:衛星定位/通信信號
380:網路收發器
382:資料匯流排
384:處理器
386:記憶體
388:定位組件
390:網路收發器
392:資料匯流排
394:處理器
396:記憶體
398:定位組件
410:場景
420:場景
430:場景
440:場景
TRP1:發送接收點
TRP2:發送接收點
TRP3:發送接收點
AoD1:離開角
AoD2:離開角
RTT1:多往返時間
RTT2:多往返時間
RTT3:多往返時間
500:示例幀結構的圖
RB:資源區塊
RS:參考信號
R:
OFDM:正交分頻多工
600:多徑信道的信道估計的圖
LOS:視距
NLOS:非視距
T1~T4:時間
700:示例神經網路
800:使用機器學習模型進行基於RFFP的定位的圖
900:推斷循環
RFFP:射頻指紋
ML:機器學習
TRP:發送接收點
DL-PRS:下行鏈路定位參考信號
Pos 1 (x1,y1,z1):第一位置
Pos L (xL,yL,zL):第L位置
Pos M (xM,yM,zM):第M位置
BS 1~BS N:基地台1~基地台N
i:輸入層
h1、h2、h3:隱藏層
o:輸出層
1000:示例呼叫流程
1100:能力傳送程序
1150:能力指示程序
1200:輔助資訊傳送程序
1250:輔助資訊傳送程序
1300:位置資訊傳送程序
1350:位置資訊傳送程序
1400:輔助資訊控制程序
1500:方法
1510:操作
1520:操作
1600:方法
1610:操作
1620:操作
1700:方法
1710:操作
1720:操作
給出圖式以幫助描述本公開內容的各個方面,並且僅提供圖式來說明這些方面而非對這些方面進行限制。
圖1示出了根據本公開內容的各方面的示例無線通信系統。
圖2A、圖2B和圖2C示出了根據本公開內容的各方面的示例無線網路結構。
圖3A、圖3B和圖3C是可以在用戶設備(UE)、基地台和網路實體中分別採用並且被配置為支援本文所教示的通信的組件的若干個示例方面的簡化方塊圖。
圖4示出了根據本公開內容的各方面的、新無線電(NR)中支援的各種定位方法的示例。
圖5是根據本公開內容的各方面的示例幀結構的圖。
圖6是表示根據本公開內容的各方面的射頻(RF)信道估計的圖。
圖7示出了根據本公開內容的各方面的示例神經網路。
圖8是示出根據本公開內容的各方面的、使用機器學習模型進行基於RF指紋(RFFP)的定位的圖。
圖9是示出根據本公開內容的各方面的、基於UE的下行鏈路RFFP(DL-RFFP)定位的推斷循環(inference cycle)的圖。
圖10示出了根據本公開內容的各方面的基於UE的DL-RFFP定位的示例呼叫流程。
圖11示出了與長期演進(LTE)定位協定(LPP)當前支援的網路交換UE定位能力的兩個程序。
圖12示出了LPP當前支援的交換定位輔助資料的兩個程序。
圖13示出了LPP當前支援的交換位置資訊的兩個程序。
圖14是示出位置伺服器和下一代無線電存取網路(NG-RAN)節點之間的輔助資訊控制程序的圖。
圖15至圖17示出了根據本公開內容的各方面的無線通信的示例方法。
1600:方法
1610:操作
1620:操作
Claims (84)
- 一種由用戶設備(UE)執行的無線通信方法,包括: 從第一網路實體接收用於下行鏈路射頻指紋(DL-RFFP)定位程序的一個或多個定位輔助資料訊息,所述一個或多個定位輔助資料訊息包括與UE被配置為用於DL-RFFP定位程序的機器學習模型相關的至少一個參數;以及 向第二網路實體發送一個或多個位置資訊訊息,所述一個或多個位置資訊訊息包括與DL-RFFP定位程序相關的一個或多個參數。
- 根據請求項1所述的方法,其中,所述至少一個參數包括指示一個或多個定位輔助資料訊息是否包括對機器學習模型的描述的旗標。
- 根據請求項2所述的方法,還包括: 基於所述旗標指示一個或多個定位輔助資料訊息不包括對機器學習模型的描述,從除了第一網路實體之外的網路實體取得機器學習模型。
- 根據請求項1所述的方法,其中,所述至少一個參數包括: 機器學習模型的識別符、 機器學習模型的格式、 機器學習模型的輸入特徵類型、或 其任意組合。
- 根據請求項1所述的方法,其中,所述至少一個參數指示下行鏈路定位參考信號(DL-PRS)資源的RFFP測量和機器學習模型的輸入之間的映射。
- 根據請求項1所述的方法,其中,所述至少一個參數包括配置UE在將機器學習模型應用於要由UE針對DL-RFFP定位程序測量的DL-PRS資源的RFFP測量之前執行測量預處理的旗標。
- 根據請求項6所述的方法,其中,所述至少一個參數還包括: 測量預處理階段的順序、 用於測量預處理的校準值、 用於測量預處理的逆快速傅立葉轉換(IFFT)大小、 用於測量預處理的循環移位採樣值、 用於測量預處理的窗口大小參數、 用於測量預處理的縮放選項、或 其任意組合。
- 根據請求項1所述的方法,其中,所述至少一個參數包括與要由UE針對DL-RFFP定位程序測量的DL-PRS資源相關的參數。
- 根據請求項1所述的方法,還包括: 向第一網路實體發送對用於DL-RFFP定位程序的定位輔助資料的請求,其中所述一個或多個定位輔助資料訊息是響應於所述請求被接收的。
- 根據請求項1所述的方法,其中: 第一網路實體是位置伺服器, 第二網路實體是位置伺服器,並且 所述一個或多個定位輔助資料訊息是一個或多個長期演進(LTE)定位協定(LPP)訊息。
- 根據請求項1所述的方法,其中: 第一網路實體是基地台, 第二網路實體是位置伺服器,並且 所述一個或多個定位輔助資料訊息是特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB)。
- 根據請求項1所述的方法,還包括: 從第二網路實體接收對位置資訊的請求,其中所述一個或多個位置資訊訊息是響應於所述請求被發送的。
- 根據請求項12所述的方法,其中,所述請求包括: 指示報告UE位置的週期的報告配置、 UE位置的類型、 對UE位置的粗略估計、 對針對DL-RFFP定位程序配置的DL-PRS資源的更新、 對將應用於針對DL-RFFP定位程序配置的DL-PRS資源的測量的預處理階段的更新、 對機器學習模型的更新、 配置UE報告哪些DL-PRS資源用於DL-RFFP定位程序的旗標、或 其任意組合。
- 根據請求項1所述的方法,其中,所述一個或多個位置資訊訊息包括: 基於機器學習模型決定的UE的估計位置、 指示UE的估計位置的品質或可靠性的度量、 機器學習模型決定UE的估計位置所花費的時間量、 基於機器學習模型決定的針對DL-RFFP定位程序配置的DL-PRS資源的一個或多個定位測量、 所述一個或多個定位測量的時間戳、 針對DL-RFFP定位程序配置的哪些DL-PRS資源用於DL-RFFP定位程序的識別符、 針對DL-RFFP定位程序配置的DL-PRS資源的一個或多個信號強度測量、 由網路供應商、UE供應商或機器學習模型供應商客製化的一個或多個測量元素、或 其任意組合。
- 一種由基地台執行的通信方法,包括: 從位置伺服器接收一個或多個輔助資訊控制訊息,所述一個或多個輔助資訊控制訊息指示與至少一個用戶設備(UE)被配置用於下行鏈路射頻指紋(DL-RFFP)定位程序的機器學習模型相關的一個或多個參數;以及 向至少一個UE發送特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB),所述一個或多個posSIB至少指示所述一個或多個參數。
- 根據請求項15所述的方法,其中,所述一個或多個參數包括指示一個或多個定位輔助資料訊息是否包括對機器學習模型的描述的旗標。
- 根據請求項15所述的方法,其中,所述一個或多個參數包括: 機器學習模型的識別符、 機器學習模型的格式、 機器學習模型的輸入特徵類型、或 其任意組合。
- 根據請求項15所述的方法,其中,所述一個或多個參數指示下行鏈路定位參考信號(DL-PRS)資源的RFFP測量和機器學習模型的輸入之間的映射。
- 根據請求項15所述的方法,其中,所述一個或多個參數包括配置至少一個UE在將機器學習模型應用於要由至少一個UE針對DL-RFFP定位程序測量的DL-PRS資源的RFFP測量之前執行測量預處理的旗標。
- 根據請求項19所述的方法,其中,所述一個或多個參數還包括: 測量預處理階段的順序、 用於測量預處理的校準值、 用於測量預處理的逆快速傅立葉轉換(IFFT)大小、 用於測量預處理的循環移位採樣值、 用於測量預處理的窗口大小參數、 用於測量預處理的縮放選項、或 其任意組合。
- 根據請求項15所述的方法,其中,所述一個或多個參數包括與要由至少一個UE針對DL-RFFP定位程序測量的DL-PRS資源相關的參數。
- 一種用戶設備(UE),包括: 記憶體; 至少一個收發器;以及 至少一個處理器,通信地耦接到所述記憶體和所述至少一個收發器,所述至少一個處理器被配置為: 經由至少一個收發器從第一網路實體接收用於下行鏈路射頻指紋(DL-RFFP)定位程序的一個或多個定位輔助資料訊息,所述一個或多個定位輔助資料訊息包括與UE被配置為用於DL-RFFP定位程序的機器學習模型相關的至少一個參數;以及 經由至少一個收發器向第二網路實體發送一個或多個位置資訊訊息,所述一個或多個位置資訊訊息包括與DL-RFFP定位程序相關的一個或多個參數。
- 根據請求項22所述的UE,其中,所述至少一個參數包括指示一個或多個定位輔助資料訊息是否包括對機器學習模型的描述的旗標。
- 根據請求項23所述的UE,其中,所述至少一個處理器還被配置為: 基於所述旗標指示一個或多個定位輔助資料訊息不包括對機器學習模型的描述,從除了第一網路實體之外的網路實體取得機器學習模型。
- 根據請求項22所述的UE,其中,所述至少一個參數包括: 機器學習模型的識別符、 機器學習模型的格式、 機器學習模型的輸入特徵類型、或 其任意組合。
- 根據請求項22所述的UE,其中,所述至少一個參數指示下行鏈路定位參考信號(DL-PRS)資源的RFFP測量和機器學習模型的輸入之間的映射。
- 根據請求項22所述的UE,其中,所述至少一個參數包括配置UE在將機器學習模型應用於要由UE針對DL-RFFP定位程序測量的DL-PRS資源的RFFP測量之前執行測量預處理的旗標。
- 根據請求項27所述的UE,其中,所述至少一個參數還包括: 測量預處理階段的順序、 用於測量預處理的校準值、 用於測量預處理的逆快速傅立葉轉換(IFFT)大小、 用於測量預處理的循環移位採樣值、 用於測量預處理的窗口大小參數、 用於測量預處理的縮放選項、或 其任意組合。
- 根據請求項22所述的UE,其中,所述至少一個參數包括與要由UE針對DL-RFFP定位程序測量的DL-PRS資源相關的參數。
- 根據請求項22所述的UE,其中,所述至少一個處理器還被配置為: 經由至少一個收發器向第一網路實體發送對用於DL-RFFP定位程序的定位輔助資料的請求,其中所述一個或多個定位輔助資料訊息是響應於所述請求被接收的。
- 根據請求項22所述的UE,其中: 第一網路實體是位置伺服器, 第二網路實體是所述位置伺服器,並且 所述一個或多個定位輔助資料訊息是一個或多個長期演進(LTE)定位協定(LPP)訊息。
- 根據請求項22所述的UE,其中: 第一網路實體是基地台, 第二網路實體是位置伺服器,並且 所述一個或多個定位輔助資料訊息是特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB)。
- 根據請求項22所述的UE,其中,所述至少一個處理器還被配置為: 經由至少一個收發器從第二網路實體接收對位置資訊的請求,其中所述一個或多個位置資訊訊息是響應於所述請求被發送的。
- 根據請求項33所述的UE,其中,所述請求包括: 指示報告UE位置的週期的報告配置、 UE位置的類型、 對UE位置的粗略估計、 對針對DL-RFFP定位程序配置的DL-PRS資源的更新、 對將應用於針對DL-RFFP定位程序配置的DL-PRS資源的測量的預處理階段的更新、 對機器學習模型的更新、 配置UE報告哪些DL-PRS資源用於DL-RFFP定位程序的旗標、或 其任意組合。
- 根據請求項22所述的UE,其中,所述一個或多個位置資訊訊息包括: 基於機器學習模型決定的UE的估計位置、 指示UE的估計位置的品質或可靠性的度量、 機器學習模型決定UE的估計位置所花費的時間量、 基於機器學習模型決定的針對DL-RFFP定位程序配置的DL-PRS資源的一個或多個定位測量、 所述一個或多個定位測量的時間戳、 針對DL-RFFP定位程序配置的哪些DL-PRS資源用於DL-RFFP定位程序的識別符、 針對DL-RFFP定位程序配置的DL-PRS資源的一個或多個信號強度測量、 由網路供應商、UE供應商或機器學習模型供應商客製化的一個或多個測量元素、或 其任意組合。
- 一種基地台,包括: 記憶體; 至少一個收發器;以及 至少一個處理器,通信地耦接到所述記憶體和所述至少一個收發器,所述至少一個處理器被配置為: 經由至少一個收發器從位置伺服器接收一個或多個輔助資訊控制訊息,所述一個或多個輔助資訊控制訊息指示與至少一個用戶設備(UE)被配置為用於下行鏈路射頻指紋(DL-RFFP)定位程序的機器學習模型相關的一個或多個參數;以及 經由至少一個收發器向至少一個UE發送特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB),所述一個或多個posSIB至少指示所述一個或多個參數。
- 根據請求項36所述的基地台,其中,所述一個或多個參數包括指示一個或多個定位輔助資料訊息是否包括對機器學習模型的描述的旗標。
- 根據請求項36所述的基地台,其中,所述一個或多個參數包括: 機器學習模型的識別符、 機器學習模型的格式、 機器學習模型的輸入特徵類型、或 其任意組合。
- 根據請求項36所述的基地台,其中,所述一個或多個參數指示下行鏈路定位參考信號(DL-PRS)資源的RFFP測量和機器學習模型的輸入之間的映射。
- 根據請求項36所述的基地台,其中,所述一個或多個參數包括配置至少一個UE在將機器學習模型應用於要由至少一個UE針對DL-RFFP定位程序測量的DL-PRS資源的RFFP測量之前執行測量預處理的旗標。
- 根據請求項40所述的基地台,其中,所述一個或多個參數還包括: 測量預處理階段的順序、 用於測量預處理的校準值、 用於測量預處理的逆快速傅立葉轉換(IFFT)大小、 用於測量預處理的循環移位採樣值、 用於測量預處理的窗口大小參數、 用於測量預處理的縮放選項、或 其任意組合。
- 根據請求項36所述的基地台,其中,所述一個或多個參數包括與要由至少一個UE針對DL-RFFP定位程序測量的DL-PRS資源相關的參數。
- 一種用戶設備(UE),包括: 用於從第一網路實體接收用於下行鏈路射頻指紋(DL-RFFP)定位程序的一個或多個定位輔助資料訊息的部件,所述一個或多個定位輔助資料訊息包括與UE被配置為用於DL-RFFP定位程序的機器學習模型相關的至少一個參數;以及 用於向第二網路實體發送一個或多個位置資訊訊息的部件,所述一個或多個位置資訊訊息包括與DL-RFFP定位程序相關的一個或多個參數。
- 根據請求項43所述的UE,其中,所述至少一個參數包括指示一個或多個定位輔助資料訊息是否包括對機器學習模型的描述的旗標。
- 根據請求項44所述的UE,還包括: 用於基於所述旗標指示一個或多個定位輔助資料訊息不包括對機器學習模型的描述,從除了第一網路實體之外的網路實體取得機器學習模型的部件。
- 根據請求項43所述的UE,其中,所述至少一個參數包括: 機器學習模型的識別符、 機器學習模型的格式、 機器學習模型的輸入特徵類型、或 其任意組合。
- 根據請求項43所述的UE,其中,所述至少一個參數指示下行鏈路定位參考信號(DL-PRS)資源的RFFP測量和機器學習模型的輸入之間的映射。
- 根據請求項43所述的UE,其中,所述至少一個參數包括配置UE在將機器學習模型應用於要由UE針對DL-RFFP定位程序測量的DL-PRS資源的RFFP測量之前執行測量預處理的旗標。
- 根據請求項48所述的UE,其中,所述至少一個參數還包括: 測量預處理階段的順序、 用於測量預處理的校準值、 用於測量預處理的逆快速傅立葉轉換(IFFT)大小、 用於測量預處理的循環移位採樣值、 用於測量預處理的窗口大小參數、 用於測量預處理的縮放選項、或 其任意組合。
- 根據請求項43所述的UE,其中,所述至少一個參數包括與要由UE針對DL-RFFP定位程序測量的DL-PRS資源相關的參數。
- 根據請求項43所述的UE,還包括: 用於向第一網路實體發送對用於DL-RFFP定位程序的定位輔助資料的請求的部件,其中,所述一個或多個定位輔助資料訊息是響應於所述請求被接收的。
- 根據請求項43所述的UE,其中: 第一網路實體是位置伺服器, 第二網路實體是所述位置伺服器,並且 所述一個或多個定位輔助資料訊息是一個或多個長期演進(LTE)定位協定(LPP)訊息。
- 根據請求項43所述的UE,其中: 第一網路實體是基地台, 第二網路實體是位置伺服器,並且 所述一個或多個定位輔助資料訊息是特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB)。
- 根據請求項43所述的UE,還包括: 用於從第二網路實體接收對位置資訊的請求的部件,其中,所述一個或多個位置資訊訊息是響應於所述請求被發送的。
- 根據請求項54所述的UE,其中,所述請求包括: 指示報告UE位置的週期的報告配置、 UE位置的類型、 對UE位置的粗略估計、 對針對DL-RFFP定位程序配置的DL-PRS資源的更新、 對將應用於針對DL-RFFP定位程序配置的DL-PRS資源的測量的預處理階段的更新、 對機器學習模型的更新、 配置UE報告哪些DL-PRS資源用於DL-RFFP定位程序的旗標、或 其任意組合。
- 根據請求項43所述的UE,其中,所述一個或多個位置資訊訊息包括: 基於機器學習模型決定的UE的估計位置、 指示UE的估計位置的品質或可靠性的度量、 機器學習模型決定UE的估計位置所花費的時間量、 基於機器學習模型決定的針對DL-RFFP定位程序配置的DL-PRS資源的一個或多個定位測量、 所述一個或多個定位測量的時間戳、 針對DL-RFFP定位程序配置的哪些DL-PRS資源用於DL-RFFP定位程序的識別符、 針對DL-RFFP定位程序配置的DL-PRS資源的一個或多個信號強度測量、 由網路供應商、UE供應商或機器學習模型供應商客製化的一個或多個測量元素、或 其任意組合。
- 一種基地台,包括: 用於從位置伺服器接收一個或多個輔助資訊控制訊息的部件,所述一個或多個輔助資訊控制訊息指示與至少一個用戶設備(UE)被配置用於下行鏈路射頻指紋(DL-RFFP)定位程序的機器學習模型相關的一個或多個參數;以及 用於向至少一個UE發送特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB)的部件,所述一個或多個posSIB至少指示所述一個或多個參數。
- 根據請求項57所述的基地台,其中,所述一個或多個參數包括指示一個或多個定位輔助資料訊息是否包括對機器學習模型的描述的旗標。
- 根據請求項57所述的基地台,其中,所述一個或多個參數包括: 機器學習模型的識別符、 機器學習模型的格式、 機器學習模型的輸入特徵類型、或 其任意組合。
- 根據請求項57所述的基地台,其中,所述一個或多個參數指示下行鏈路定位參考信號(DL-PRS)資源的RFFP測量和機器學習模型的輸入之間的映射。
- 根據請求項57所述的基地台,其中,所述一個或多個參數包括配置至少一個UE在將機器學習模型應用於要由至少一個UE針對DL-RFFP定位程序測量的DL-PRS資源的RFFP測量之前執行測量預處理的旗標。
- 根據請求項61所述的基地台,其中,所述一個或多個參數還包括: 測量預處理階段的順序、 用於測量預處理的校準值、 用於測量預處理的逆快速傅立葉轉換(IFFT)大小、 用於測量預處理的循環移位採樣值、 用於測量預處理的窗口大小參數、 用於測量預處理的縮放選項、或 其任意組合。
- 根據請求項57所述的基地台,其中,所述一個或多個參數包括與要由至少一個UE針對DL-RFFP定位程序測量的DL-PRS資源相關的參數。
- 一種非暫時性計算機可讀媒體,儲存計算機可執行指令,當由用戶設備(UE)執行時,所述計算機可執行指令使得UE: 從第一網路實體接收用於下行鏈路射頻指紋(DL-RFFP)定位程序的一個或多個定位輔助資料訊息,所述一個或多個定位輔助資料訊息包括與UE被配置為用於DL-RFFP定位程序的機器學習模型相關的至少一個參數;以及 向第二網路實體發送一個或多個位置資訊訊息,所述一個或多個位置資訊訊息包括與DL-RFFP定位程序相關的一個或多個參數。
- 根據請求項64所述的非暫時性計算機可讀媒體,其中,所述至少一個參數包括指示一個或多個定位輔助資料訊息是否包括對機器學習模型的描述的旗標。
- 根據請求項65所述的非暫時性計算機可讀媒體,還包括計算機可執行指令,當由UE執行時,所述計算機可執行指令使得UE: 基於所述旗標指示一個或多個定位輔助資料訊息不包括對機器學習模型的描述,從除了第一網路實體之外的網路實體取得機器學習模型。
- 根據請求項64所述的非暫時性計算機可讀媒體,其中,所述至少一個參數包括: 機器學習模型的識別符、 機器學習模型的格式、 機器學習模型的輸入特徵類型、或 其任意組合。
- 根據請求項64所述的非暫時性計算機可讀媒體,其中,所述至少一個參數指示下行鏈路定位參考信號(DL-PRS)資源的RFFP測量和機器學習模型的輸入之間的映射。
- 根據請求項64所述的非暫時性計算機可讀媒體,其中,所述至少一個參數包括配置UE在將機器學習模型應用於要由UE針對DL-RFFP定位程序測量的DL-PRS資源的RFFP測量之前執行測量預處理的旗標。
- 根據請求項69所述的非暫時性計算機可讀媒體,其中,所述至少一個參數還包括: 測量預處理階段的順序、 用於測量預處理的校準值、 用於測量預處理的逆快速傅立葉轉換(IFFT)大小、 用於測量預處理的循環移位採樣值、 用於測量預處理的窗口大小參數、 用於測量預處理的縮放選項、或 其任意組合。
- 根據請求項64所述的非暫時性計算機可讀媒體,其中,所述至少一個參數包括與要由UE針對DL-RFFP定位程序測量的DL-PRS資源相關的參數。
- 根據請求項64所述的非暫時性計算機可讀媒體,還包括計算機可執行指令,當由UE執行時,所述計算機可執行指令使得UE: 向第一網路實體發送對用於DL-RFFP定位程序的定位輔助資料的請求,其中,所述一個或多個定位輔助資料訊息是響應於所述請求被接收的。
- 根據請求項64所述的非暫時性計算機可讀媒體,其中: 第一網路實體是位置伺服器, 第二網路實體是所述位置伺服器,並且 所述一個或多個定位輔助資料訊息是一個或多個長期演進(LTE)定位協定(LPP)訊息。
- 根據請求項64所述的非暫時性計算機可讀媒體,其中: 第一網路實體是基地台, 第二網路實體是位置伺服器,並且 所述一個或多個定位輔助資料訊息是特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB)。
- 根據請求項64所述的非暫時性計算機可讀媒體,還包括計算機可執行指令,當由UE執行時,所述計算機可執行指令使得UE: 從第二網路實體接收對位置資訊的請求,其中,所述一個或多個位置資訊訊息是響應於所述請求被發送的。
- 根據請求項75所述的非暫時性計算機可讀媒體,其中,所述請求包括: 指示報告UE位置的週期的報告配置、 UE位置的類型、 對UE位置的粗略估計、 對針對DL-RFFP定位程序配置的DL-PRS資源的更新、 對將應用於針對DL-RFFP定位程序配置的DL-PRS資源的測量的預處理階段的更新、 對機器學習模型的更新、 配置UE報告哪些DL-PRS資源用於DL-RFFP定位程序的旗標、或 其任意組合。
- 根據請求項64所述的非暫時性計算機可讀媒體,其中,所述一個或多個位置資訊訊息包括: 基於機器學習模型決定的UE的估計位置、 指示UE的估計位置的品質或可靠性的度量、 機器學習模型決定UE的估計位置所花費的時間量、 基於機器學習模型決定的針對DL-RFFP定位程序配置的DL-PRS資源的一個或多個定位測量、 所述一個或多個定位測量的時間戳、 針對DL-RFFP定位程序配置的哪些DL-PRS資源用於DL-RFFP定位程序的識別符、 針對DL-RFFP定位程序配置的DL-PRS資源的一個或多個信號強度測量、 由網路供應商、UE供應商或機器學習模型供應商客製化的一個或多個測量元素、或 其任意組合。
- 一種非暫時性計算機可讀媒體,儲存計算機可執行指令,當由基地台執行時,所述計算機可執行指令使得基地台: 從位置伺服器接收一個或多個輔助資訊控制訊息,所述一個或多個輔助資訊控制訊息指示與至少一個用戶設備(UE)被配置用於下行鏈路射頻指紋(DL-RFFP)定位程序的機器學習模型相關的一個或多個參數;以及 向至少一個UE發送特定於DL-RFFP定位的一個或多個定位系統資訊區塊(posSIB),所述一個或多個posSIB至少指示所述一個或多個參數。
- 根據請求項78所述的非暫時性計算機可讀媒體,其中,所述一個或多個參數包括指示一個或多個定位輔助資料訊息是否包括對機器學習模型的描述的旗標。
- 根據請求項78所述的非暫時性計算機可讀媒體,其中,所述一個或多個參數包括: 機器學習模型的識別符、 機器學習模型的格式、 機器學習模型的輸入特徵類型、或 其任意組合。
- 根據請求項78所述的非暫時性計算機可讀媒體,其中,所述一個或多個參數指示下行鏈路定位參考信號(DL-PRS)資源的RFFP測量和機器學習模型的輸入之間的映射。
- 根據請求項78所述的非暫時性計算機可讀媒體,其中,所述一個或多個參數包括配置至少一個UE在將機器學習模型應用於要由至少一個UE針對DL-RFFP定位程序測量的DL-PRS資源的RFFP測量之前執行測量預處理的旗標。
- 根據請求項82所述的非暫時性計算機可讀媒體,其中,所述一個或多個參數還包括: 測量預處理階段的順序、 用於測量預處理的校準值、 用於測量預處理的逆快速傅立葉轉換(IFFT)大小、 用於測量預處理的循環移位採樣值、 用於測量預處理的窗口大小參數、 用於測量預處理的縮放選項、或 其任意組合。
- 根據請求項78所述的非暫時性計算機可讀媒體,其中,所述一個或多個參數包括與要由至少一個UE針對DL-RFFP定位程序測量的DL-PRS資源相關的參數。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/661,538 US20230350001A1 (en) | 2022-04-29 | 2022-04-29 | User equipment (ue)-based radio frequency fingerprint (rffp) positioning with downlink positioning reference signals |
US17/661,538 | 2022-04-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202348064A true TW202348064A (zh) | 2023-12-01 |
Family
ID=86007056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112110507A TW202348064A (zh) | 2022-04-29 | 2023-03-21 | 利用下行鏈路定位參考信號的基於用戶設備的射頻指紋定位 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230350001A1 (zh) |
TW (1) | TW202348064A (zh) |
WO (1) | WO2023211584A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230362589A1 (en) * | 2022-05-09 | 2023-11-09 | Design Reactor, Inc. | Hybrid fingerprint path-loss localization system |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020060119A1 (ko) * | 2018-09-21 | 2020-03-26 | 엘지전자 주식회사 | 무선 통신 시스템에서 단말의 위치를 측정하기 위한 방법 및 이를 위한 장치 |
US11729582B2 (en) * | 2021-03-26 | 2023-08-15 | Qualcomm Incorporated | Measurement model based on uplink signals with reciprocity to downlink beam |
-
2022
- 2022-04-29 US US17/661,538 patent/US20230350001A1/en active Pending
-
2023
- 2023-03-20 WO PCT/US2023/015649 patent/WO2023211584A1/en unknown
- 2023-03-21 TW TW112110507A patent/TW202348064A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023211584A1 (en) | 2023-11-02 |
US20230350001A1 (en) | 2023-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2023537254A (ja) | ユーザ機器の測位のためのニューラルネットワーク機能の選択的トリガ | |
US20240012089A1 (en) | Positioning model reporting | |
US20230417866A1 (en) | User equipment (ue) positioning with frequency domain windowing | |
KR20230086671A (ko) | 시간 각도 채널 프로파일의 기지국-대-서버 시그널링 | |
KR20240140067A (ko) | 사용자 장비(ue) 기반 사이드링크 인식 무선 주파수 핑거프린팅(rffp) 포지셔닝 | |
TW202348064A (zh) | 利用下行鏈路定位參考信號的基於用戶設備的射頻指紋定位 | |
US20230354248A1 (en) | Network-assisted and round-trip radio frequency fingerprint-based (rffp) position estimation | |
TW202348063A (zh) | 利用下行鏈路定位參考訊號的基於用戶設備(ue)的射頻指紋(rffp)定位 | |
TW202412547A (zh) | 定位模型編碼點配置 | |
TW202408292A (zh) | 射頻指紋(rffp)聯合學習的節點選擇 | |
TW202406388A (zh) | 定位模型失敗偵測 | |
US20240129879A1 (en) | Bandwidth aggregation for radio frequency fingerprint positioning | |
US20240230828A9 (en) | Positioning model training based on radio frequency fingerprint positioning (rffp) measurements corresponding to position displacements | |
US20230354247A1 (en) | Machine learning model positioning performance monitoring and reporting | |
US20240172165A1 (en) | Positioning based on composite radio frequency fingerprint measurement | |
US20240098453A1 (en) | Positioning model based on multiple transmission point and/or multiple bandwidth configurations | |
US20240073855A1 (en) | Node configuration for positioning model monitoring | |
US20230422278A1 (en) | User equipment (ue) positioning with frequency domain windowing | |
US20230354254A1 (en) | Measurement error feedback to enable machine learning-based positioning | |
TW202349992A (zh) | 用於基於機器學習的定位用量測的報告框架 | |
WO2023211627A1 (en) | Network-assisted and round-trip radio frequency fingerprint-based (rffp) position estimation | |
WO2023211604A1 (en) | Machine learning model positioning performance monitoring and reporting | |
WO2024030188A1 (en) | Two-part positioning reference signal (prs) | |
WO2024005920A1 (en) | User equipment (ue) positioning with frequency domain windowing | |
TW202410724A (zh) | 基於自射頻指紋(self-rffp)的網路定位 |