TW202348069A - 網路輔助並且基於往返射頻指紋(rffp)的定位估計 - Google Patents
網路輔助並且基於往返射頻指紋(rffp)的定位估計 Download PDFInfo
- Publication number
- TW202348069A TW202348069A TW112112584A TW112112584A TW202348069A TW 202348069 A TW202348069 A TW 202348069A TW 112112584 A TW112112584 A TW 112112584A TW 112112584 A TW112112584 A TW 112112584A TW 202348069 A TW202348069 A TW 202348069A
- Authority
- TW
- Taiwan
- Prior art keywords
- rffp
- network
- features
- positioning
- uplink
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 claims abstract description 642
- 238000000605 extraction Methods 0.000 claims abstract description 262
- 230000006870 function Effects 0.000 claims abstract description 94
- 239000000284 extract Substances 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims description 190
- 238000004891 communication Methods 0.000 claims description 185
- 230000004927 fusion Effects 0.000 claims description 176
- 238000005259 measurement Methods 0.000 claims description 156
- 238000012549 training Methods 0.000 claims description 88
- 230000005540 biological transmission Effects 0.000 abstract description 36
- 238000013461 design Methods 0.000 description 76
- 230000015654 memory Effects 0.000 description 67
- 230000000875 corresponding effect Effects 0.000 description 52
- 230000008569 process Effects 0.000 description 49
- 238000012545 processing Methods 0.000 description 42
- 230000004044 response Effects 0.000 description 37
- 238000007726 management method Methods 0.000 description 33
- 238000003860 storage Methods 0.000 description 20
- 239000000969 carrier Substances 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 15
- 230000001413 cellular effect Effects 0.000 description 15
- 238000001228 spectrum Methods 0.000 description 11
- 238000003066 decision tree Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 9
- 230000004807 localization Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000011664 signaling Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000012937 correction Methods 0.000 description 7
- 238000000926 separation method Methods 0.000 description 7
- 238000013145 classification model Methods 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000003491 array Methods 0.000 description 4
- 230000003416 augmentation Effects 0.000 description 4
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 230000006837 decompression Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000012913 prioritisation Methods 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 238000012384 transportation and delivery Methods 0.000 description 4
- 241000700159 Rattus Species 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000011218 segmentation Effects 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
- 239000011521 glass Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007774 longterm Effects 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
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 235000012431 wafers Nutrition 0.000 description 2
- 230000027311 M phase Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003139 buffering effect Effects 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
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009795 derivation Methods 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
- 238000005265 energy consumption Methods 0.000 description 1
- 238000001914 filtration Methods 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
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication 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
- 238000013468 resource allocation Methods 0.000 description 1
- 230000009131 signaling function Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- 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
- H04L5/0051—Allocation of pilot signals, i.e. of signals known to the receiver of dedicated pilots, i.e. pilots destined for a single user or terminal
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/74—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems
- G01S13/76—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems wherein pulse-type signals are transmitted
- G01S13/765—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems wherein pulse-type signals are transmitted with exchange of information between interrogator and responder
-
- 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
- G01S5/02524—Creating or updating the radio-map
- G01S5/02525—Gathering the radio frequency fingerprints
-
- 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
- G01S5/0257—Hybrid positioning
- G01S5/0268—Hybrid positioning by deriving positions from different combinations of signals or of estimated positions in a single positioning system
-
- 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
- G01S5/0273—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 using multipath or indirect path propagation signals in position determination
-
- 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
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/003—Transmission of data between radar, sonar or lidar systems and remote stations
- G01S7/006—Transmission of data between radar, sonar or lidar systems and remote stations using shared front-end circuitry, e.g. antennas
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
在一個態樣中,使用者設備(UE)向一或多個發送接收點(TRP)發送上行鏈路的用於定位的參考信號(RS-P)。(一或多個)TRP或位置管理功能(LMF)藉由一或多個網路部件經由一或多個基於網路的機器學習(ML)特徵提取模型從上行鏈路RS-P的一或多個上行鏈路射頻指紋(RFFP)提取特徵,並且向UE發出提取的特徵以用於定位估計。其他態樣涉及UE的基於UE的往返RFFP定位估計通信期。其他態樣涉及UE的基於網路的往返RFFP定位估計。基於UE的往返RFFP定位估計和基於網路的往返RFFP定位估計可以基於上行鏈路的用於定位的參考信號(RS-P)的上行鏈路RFFP(例如,SRS)和下行鏈路RS-P(例如,DL PRS)的下行鏈路RFFP。
Description
本專利申請案主張於2022年4月29日提出申請的題為「NETWORK-ASSISTED RADIO FREQUENCY FINGERPRINT-BASED (RFFP) POSITION ESTIMATION」的美國臨時申請案第63/363,887號、於2022年4月29日提出申請的題為「ROUND TRIP RADIO FREQUENCY FINGERPRINT-BASED (RFFP) POSITION ESTIMATION」的美國臨時申請案第63/363,899號、以及於2022年4月29日提出申請的題為「USER EQUIPMENT (UE)-ASSISTED RADIO FREQUENCY FINGERPRINT-BASED (RFFP) POSITION ESTIMATION」的美國臨時申請案第63/363,893號的權益,該等申請案中的每一個被轉讓給本案的受讓人,並且該等申請案中的每一個藉由引用而被整體明確地併入本文。
本揭示的態樣整體上關於無線通訊。
無線通訊系統已發展數代,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(包括臨時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,長期進化(LTE)或WiMax)。目前有許多不同類型的無線通訊系統在使用中,包括蜂巢和個人通訊服務(PCS)系統。已知蜂巢式系統的實例包括蜂巢類比先進行動電話系統(AMPS),以及基於分碼多工存取(CDMA)、分頻多工存取(FDMA)、分時多工存取(TDMA)、行動通訊全球系統(GSM)等的數位蜂巢式系統。
被稱為新無線電(NR)的第五代(5G)無線標準實現了更高的資料傳遞速度、更多的連接數量和更好的覆蓋範圍,以及其他改進。根據下一代行動網路聯盟,5G標準被設計為提供比先前標準更高的資料速率、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。該等增強以及較高頻帶的使用、PRS過程和技術的進步以及用於5G的高密度部署實現了高度準確的基於5G的定位。
下文呈現與本文所揭示的一或多個態樣有關的簡化概要。因此,以下概要不應被視為與所有預期態樣有關的廣泛概述,且以下概要亦不應被視為標識與所有預期態樣相關的關鍵或重要要素,或圖示與任何特定態樣相關聯的範圍。相應地,以下概要的唯一目的是在下文呈現的詳細描述之前,以簡化形式呈現與關於本文所揭示的機制的一或多個態樣有關的某些概念。
在一個態樣中,一種操作使用者設備(UE)的方法包括:向一或多個發送接收點(TRP)發送上行鏈路的用於定位的參考信號(RS-P);接收與上行鏈路RS-P相關聯的一或多個特徵,一或多個特徵是由一或多個網路部件經由一或多個基於網路的機器學習(ML)特徵提取模型從上行鏈路RS-P的一或多個上行鏈路射頻指紋(RFFP)提取的;及至少部分地基於基於UE的ML特徵融合模型和一或多個特徵的輸出來決定對UE的定位估計。
在一個態樣中,一種操作網路部件的方法;獲得如在一或多個發送接收點(TRP)處量測的與來自使用者設備(UE)的上行鏈路的用於定位的參考信號(RS-P)相關聯的一或多個上行鏈路射頻指紋(RFFP);經由一或多個基於網路的機器學習(ML)特徵提取模型來提取與一或多個上行鏈路RFFP相關聯的一或多個特徵;及向一或多個目標設備發送所提取的一或多個特徵。
在一個態樣中,一種使用者設備(UE)包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:經由至少一個收發器向一或多個發送接收點(TRP)發送上行鏈路的用於定位的參考信號(RS-P);經由至少一個收發器接收與上行鏈路RS-P相關聯的一或多個特徵,一或多個特徵是由一或多個網路部件經由一或多個基於網路的機器學習(ML)特徵提取模型從上行鏈路RS-P的一或多個上行鏈路射頻指紋(RFFP)提取的;及至少部分地基於基於UE的ML特徵融合模型和一或多個特徵的輸出來決定對UE的定位估計。
在一個態樣中,一種網路部件包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:獲得如在一或多個發送接收點(TRP)處量測的與來自使用者設備(UE)的上行鏈路的用於定位的參考信號(RS-P)相關聯的一或多個上行鏈路射頻指紋(RFFP);經由一或多個基於網路的機器學習(ML)特徵提取模型來提取與一或多個上行鏈路RFFP相關聯的一或多個特徵;及經由至少一個收發器向一或多個目標設備發送所提取的一或多個特徵。
在一個態樣中,一種使用者設備(UE)包括:用於向一或多個發送接收點(TRP)發送上行鏈路的用於定位的參考信號(RS-P)的構件;用於接收與上行鏈路RS-P相關聯的一或多個特徵的構件,一或多個特徵是由一或多個網路部件經由一或多個基於網路的機器學習(ML)特徵提取模型從上行鏈路RS-P的一或多個上行鏈路射頻指紋(RFFP)提取的;及用於至少部分地基於基於UE的ML特徵融合模型和一或多個特徵的輸出來決定對UE的定位估計的構件。
在一個態樣中,一種網路部件包括:用於獲得如在一或多個發送接收點(TRP)處量測的與來自使用者設備(UE)的上行鏈路的用於定位的參考信號(RS-P)相關聯的一或多個上行鏈路射頻指紋(RFFP)的構件;用於經由一或多個基於網路的機器學習(ML)特徵提取模型來提取與一或多個上行鏈路RFFP相關聯的一或多個特徵的構件;及用於向一或多個目標設備發送所提取的一或多個特徵的構件。
在一個態樣中,一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由使用者設備(UE)執行時,使UE:向一或多個發送接收點(TRP)發送上行鏈路的用於定位的參考信號(RS-P);接收與上行鏈路RS-P相關聯的一或多個特徵,一或多個特徵是由一或多個網路部件經由一或多個基於網路的機器學習(ML)特徵提取模型從上行鏈路RS-P的一或多個上行鏈路射頻指紋(RFFP)提取的;及至少部分地基於基於UE的ML特徵融合模型和一或多個特徵的輸出來決定對UE的定位估計。
在一個態樣中,一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由網路部件執行時,使網路部件:獲得如在一或多個發送接收點(TRP)處量測的與來自使用者設備(UE)的上行鏈路的用於定位的參考信號(RS-P)相關聯的一或多個上行鏈路射頻指紋(RFFP);經由一或多個基於網路的機器學習(ML)特徵提取模型來提取與一或多個上行鏈路RFFP相關聯的一或多個特徵;及向一或多個目標設備發送所提取的一或多個特徵。
在一個態樣中,一種操作使用者設備(UE)的方法包括:從一或多個發送接收點(TRP)接收一或多個下行鏈路的用於定位的參考信號(RS-P);向一或多個TRP發送上行鏈路RS-P,一或多個下行鏈路RS-P和上行鏈路RS-P與UE的基於UE的往返射頻指紋(RFFP)定位估計通信期相關聯;接收如在一或多個TRP處量測的與上行鏈路RS-P相關聯的上行鏈路RFFP量測資訊;獲得與一或多個下行鏈路RS-P相關聯的一或多個下行鏈路RFFP;向基於UE的機器學習(ML)特徵融合模型提供上行鏈路RFFP量測資訊和一或多個下行鏈路RFFP以推導UE的定位估計。
在一個態樣中,一種操作發送接收點(TRP)的方法包括:接收執行使用者設備(UE)的基於UE的往返射頻指紋(RFFP)定位估計通信期的請求;回應於請求,向UE發送下行鏈路的用於定位的參考信號(RS-P);回應於請求,從UE接收上行鏈路RS-P;獲得如在TRP處量測的上行鏈路RS-P的上行鏈路RFFP;及向UE發送與上行鏈路RFFP相關聯的上行鏈路RFFP量測資訊,以用於經由基於UE的機器學習(ML)特徵融合模型的基於UE的定位估計。
在一個態樣中,一種操作發送接收點(TRP)的方法包括:接收執行使用者設備(UE)的基於網路的往返射頻指紋(RFFP)定位估計的請求;回應於請求,向UE發送下行鏈路的用於定位的參考信號(RS-P);回應於請求,從UE接收上行鏈路RS-P;獲得如在TRP處量測的上行鏈路RS-P的上行鏈路RFFP;及接收如在UE處量測的與下行鏈路RS-P相關聯的下行鏈路RFFP量測資訊。
在一個態樣中,一種操作網路定位估計實體的方法包括:獲得與上行鏈路往返射頻指紋(RFFP)相關聯的第一特徵集合,上行鏈路往返RFFP與由使用者設備(UE)向一或多個發送接收點(TRP)發送的上行鏈路的用於定位的參考信號(RS-P)相關聯,第一特徵集合與使用者設備(UE)的往返RFFP定位估計通信期相關聯;獲得與由一或多個TRP向UE發送的一或多個下行鏈路往返射頻指紋(RFFP)相關聯的第二特徵集合,第二特徵集合與UE的往返RFFP定位估計通信期相關聯;及向基於網路的ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計。
在一個態樣中,一種使用者設備(UE)包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:經由至少一個收發器從一或多個發送接收點(TRP)接收一或多個下行鏈路的用於定位的參考信號(RS-P);經由至少一個收發器向一或多個TRP發送上行鏈路RS-P,一或多個下行鏈路RS-P和上行鏈路RS-P與UE的基於UE的往返射頻指紋(RFFP)定位估計通信期相關聯;經由至少一個收發器接收如在一或多個TRP處量測的與上行鏈路RS-P相關聯的上行鏈路RFFP量測資訊;獲得與一或多個下行鏈路RS-P相關聯的一或多個下行鏈路RFFP;向基於UE的機器學習(ML)特徵融合模型提供上行鏈路RFFP量測資訊和一或多個下行鏈路RFFP以推導UE的定位估計。
在一個態樣中,一種發送接收點(TRP)包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:經由至少一個收發器接收執行使用者設備(UE)的基於UE的往返射頻指紋(RFFP)定位估計通信期的請求;回應於請求,經由至少一個收發器向UE發送下行鏈路的用於定位的參考信號(RS-P);回應於請求,經由至少一個收發器從UE接收上行鏈路RS-P;獲得如在TRP處量測的上行鏈路RS-P的上行鏈路RFFP;及經由至少一個收發器向UE發送與上行鏈路RFFP相關聯的上行鏈路RFFP量測資訊,以用於經由基於UE的機器學習(ML)特徵融合模型的基於UE的定位估計。
在一個態樣中,一種TRP包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:經由至少一個收發器接收執行使用者設備(UE)的基於網路的往返射頻指紋(RFFP)定位估計的請求;回應於請求,經由至少一個收發器向UE發送下行鏈路的用於定位的參考信號(RS-P);回應於請求,經由至少一個收發器從UE接收上行鏈路RS-P;獲得如在TRP處量測的上行鏈路RS-P的上行鏈路RFFP;及經由至少一個收發器接收如在UE處量測的與下行鏈路RS-P相關聯的下行鏈路RFFP量測資訊。
在一個態樣中,一種網路定位估計實體包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:獲得與上行鏈路往返射頻指紋(RFFP)相關聯的第一特徵集合,上行鏈路往返RFFP與由使用者設備(UE)向一或多個發送接收點(TRP)發送的上行鏈路的用於定位的參考信號(RS-P)相關聯,第一特徵集合與使用者設備(UE)的往返RFFP定位估計通信期相關聯;獲得與由一或多個TRP向UE發送的一或多個下行鏈路往返射頻指紋(RFFP)相關聯的第二特徵集合,第二特徵集合與UE的往返RFFP定位估計通信期相關聯;及向基於網路的ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計。
在一個態樣中,一種使用者設備(UE)包括:用於從一或多個發送接收點(TRP)接收一或多個下行鏈路的用於定位的參考信號(RS-P)的構件;用於向一或多個TRP發送上行鏈路RS-P的構件,一或多個下行鏈路RS-P和上行鏈路RS-P與UE的基於UE的往返射頻指紋(RFFP)定位估計通信期相關聯;用於接收如在一或多個TRP處量測的與上行鏈路RS-P相關聯的上行鏈路RFFP量測資訊的構件;用於獲得與一或多個下行鏈路RS-P相關聯的一或多個下行鏈路RFFP的構件;及用於向基於UE的機器學習(ML)特徵融合模型提供上行鏈路RFFP量測資訊和一或多個下行鏈路RFFP以推導UE的定位估計的構件。
在一個態樣中,一種發送接收點(TRP)包括:用於接收執行使用者設備(UE)的基於UE的往返射頻指紋(RFFP)定位估計通信期的請求的構件;用於回應於請求,向UE發送下行鏈路的用於定位的參考信號(RS-P)的構件;用於回應於請求,從UE接收上行鏈路RS-P的構件;用於獲得如在TRP處量測的上行鏈路RS-P的上行鏈路RFFP的構件;及用於向UE發送與上行鏈路RFFP相關聯的上行鏈路RFFP量測資訊,以用於經由基於UE的機器學習(ML)特徵融合模型的基於UE的定位估計的構件。
在一個態樣中,一種TRP包括:用於接收執行使用者設備(UE)的基於網路的往返射頻指紋(RFFP)定位估計的請求的構件;用於回應於請求,向UE發送下行鏈路的用於定位的參考信號(RS-P)的構件;用於回應於請求,從UE接收上行鏈路RS-P的構件;用於獲得如在TRP處量測的上行鏈路RS-P的上行鏈路RFFP的構件;及用於接收如在UE處量測的與下行鏈路RS-P相關聯的下行鏈路RFFP量測資訊的構件。
在一個態樣中,一種網路定位估計實體包括:用於獲得與上行鏈路往返射頻指紋(RFFP)相關聯的第一特徵集合的構件,上行鏈路往返RFFP與由使用者設備(UE)向一或多個發送接收點(TRP)發送的上行鏈路的用於定位的參考信號(RS-P)相關聯,第一特徵集合與使用者設備(UE)的往返RFFP定位估計通信期相關聯;用於獲得與由一或多個TRP向UE發送的一或多個下行鏈路往返射頻指紋(RFFP)相關聯的第二特徵集合的構件,第二特徵集合與UE的往返RFFP定位估計通信期相關聯;及用於向基於網路的ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計的構件。
在一個態樣中,一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由使用者設備(UE)執行時,使UE:從一或多個發送接收點(TRP)接收一或多個下行鏈路的用於定位的參考信號(RS-P);向一或多個TRP發送上行鏈路RS-P,一或多個下行鏈路RS-P和上行鏈路RS-P與UE的基於UE的往返射頻指紋(RFFP)定位估計通信期相關聯;接收如在一或多個TRP處量測的與上行鏈路RS-P相關聯的上行鏈路RFFP量測資訊;獲得與一或多個下行鏈路RS-P相關聯的一或多個下行鏈路RFFP;向基於UE的機器學習(ML)特徵融合模型提供上行鏈路RFFP量測資訊和一或多個下行鏈路RFFP以推導UE的定位估計。
在一個態樣中,一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由發送接收點(TRP)執行時,使TRP:接收執行使用者設備(UE)的基於UE的往返射頻指紋(RFFP)定位估計通信期的請求;回應於請求,向UE發送下行鏈路的用於定位的參考信號(RS-P);回應於請求,從UE接收上行鏈路RS-P;獲得如在TRP處量測的上行鏈路RS-P的上行鏈路RFFP;及向UE發送與上行鏈路RFFP相關聯的上行鏈路RFFP量測資訊,以用於經由基於UE的機器學習(ML)特徵融合模型的基於UE的定位估計。
在一個態樣中,一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由TRP執行時,使TRP:接收執行使用者設備(UE)的基於網路的往返射頻指紋(RFFP)定位估計的請求;回應於請求,向UE發送下行鏈路的用於定位的參考信號(RS-P);回應於請求,從UE接收上行鏈路RS-P;獲得如在TRP處量測的上行鏈路RS-P的上行鏈路RFFP;及接收如在UE處量測的與下行鏈路RS-P相關聯的下行鏈路RFFP量測資訊。
在一個態樣中,一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由網路定位估計實體執行時,使網路定位估計實體:獲得與上行鏈路往返射頻指紋(RFFP)相關聯的第一特徵集合,上行鏈路往返RFFP與由使用者設備(UE)向一或多個發送接收點(TRP)發送的上行鏈路的用於定位的參考信號(RS-P)相關聯,第一特徵集合與使用者設備(UE)的往返RFFP定位估計通信期相關聯;獲得與由一或多個TRP向UE發送的一或多個下行鏈路往返射頻指紋(RFFP)相關聯的第二特徵集合,第二特徵集合與UE的往返RFFP定位估計通信期相關聯;及向基於網路的ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計。
在一個態樣中,一種操作網路部件的方法包括:接收與由一或多個發送接收點(TRP)向使用者設備(UE)發送的一或多個下行鏈路的用於定位的參考信號(RS-P)相關聯的一或多個特徵,一或多個特徵是由一或多個設備經由一或多個機器學習(ML)特徵提取模型從一或多個下行鏈路RS-P的一或多個下行鏈路射頻指紋(RFFP)提取的;及向基於網路的ML特徵融合模型提供一或多個特徵以推導UE的定位估計。
在一個態樣中,一種操作使用者設備(UE)的方法包括:從一或多個發送接收點(TRP)接收一或多個下行鏈路的用於定位的參考信號(RS-P);獲得與一或多個下行鏈路RS-P相關聯的一或多個下行鏈路射頻指紋(RFFP);經由一或多個基於UE的機器學習(ML)特徵提取模型從一或多個下行鏈路RFFP提取一或多個特徵;及發送一或多個特徵。
在一個態樣中,一種網路部件包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:經由至少一個收發器接收與由一或多個發送接收點(TRP)向使用者設備(UE)發送的一或多個下行鏈路的用於定位的參考信號(RS-P)相關聯的一或多個特徵,一或多個特徵是由一或多個設備經由一或多個機器學習(ML)特徵提取模型從一或多個下行鏈路RS-P的一或多個下行鏈路射頻指紋(RFFP)提取的;及向基於網路的ML特徵融合模型提供一或多個特徵以推導UE的定位估計。
在一個態樣中,一種使用者設備(UE)包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:經由至少一個收發器從一或多個發送接收點(TRP)接收一或多個下行鏈路的用於定位的參考信號(RS-P);獲得與一或多個下行鏈路RS-P相關聯的一或多個下行鏈路射頻指紋(RFFP);經由一或多個基於UE的機器學習(ML)特徵提取模型從一或多個下行鏈路RFFP提取一或多個特徵;及經由至少一個收發器發送一或多個特徵。
在一個態樣中,一種網路部件包括:用於接收與由一或多個發送接收點(TRP)向使用者設備(UE)發送的一或多個下行鏈路的用於定位的參考信號(RS-P)相關聯的一或多個特徵的構件,一或多個特徵是由一或多個設備經由一或多個機器學習(ML)特徵提取模型從一或多個下行鏈路RS-P的一或多個下行鏈路射頻指紋(RFFP)提取的;及用於向基於網路的ML特徵融合模型提供一或多個特徵以推導UE的定位估計的構件。
在一個態樣中,一種使用者設備(UE)包括:用於從一或多個發送接收點(TRP)接收一或多個下行鏈路的用於定位的參考信號(RS-P)的構件;用於獲得與一或多個下行鏈路RS-P相關聯的一或多個下行鏈路射頻指紋(RFFP)的構件;用於經由一或多個基於UE的機器學習(ML)特徵提取模型從一或多個下行鏈路RFFP提取一或多個特徵的構件;及用於發送一或多個特徵的構件。
在一個態樣中,一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由網路部件執行時,使網路部件:接收與由一或多個發送接收點(TRP)向使用者設備(UE)發送的一或多個下行鏈路的用於定位的參考信號(RS-P)相關聯的一或多個特徵,一或多個特徵是由一或多個設備經由一或多個機器學習(ML)特徵提取模型從一或多個下行鏈路RS-P的一或多個下行鏈路射頻指紋(RFFP)提取的;及向基於網路的ML特徵融合模型提供一或多個特徵以推導UE的定位估計。
在一個態樣中,一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由使用者設備(UE)執行時,使UE:從一或多個發送接收點(TRP)接收一或多個下行鏈路的用於定位的參考信號(RS-P);獲得與一或多個下行鏈路RS-P相關聯的一或多個下行鏈路射頻指紋(RFFP);經由一或多個基於UE的機器學習(ML)特徵提取模型從一或多個下行鏈路RFFP提取一或多個特徵;及發送一或多個特徵。
在一個態樣中,一種操作使用者設備(UE)的方法包括:發送用於定位的參考信號(RS-P);獲得與RS-P相關聯的一或多個特徵,一或多個特徵是由一或多個實體經由一或多個機器學習(ML)特徵提取模型從RS-P的一或多個射頻指紋(RFFP)提取的;及向基於UE的ML特徵融合模型提供一或多個特徵以推導UE的定位估計。
在一個態樣中,一種操作實體的方法;獲得與來自使用者設備(UE)的用於定位的參考信號(RS-P)相關聯的一或多個射頻指紋(RFFP);經由一或多個機器學習(ML)特徵提取模型提取與一或多個RFFP相關聯的一或多個特徵;及向一或多個目標設備發送所提取的一或多個特徵。
在一個態樣中,一種操作使用者設備(UE)的方法包括:接收一或多個用於定位的參考信號(RS-P);發送RS-P,一或多個RS-P和該RS-P與UE的基於UE的往返射頻指紋(RFFP)定位估計通信期相關聯;接收與RS-P相關聯的RFFP量測資訊;獲得與一或多個RS-P相關聯的一或多個RFFP;及向基於UE的機器學習(ML)特徵融合模型提供RFFP量測資訊和一或多個RFFP以推導UE的定位估計。
在一個態樣中,一種操作網路定位估計實體的方法包括:獲得與往返射頻指紋(RFFP)相關聯的第一特徵集合,往返RFFP與由使用者設備(UE)發送的用於定位的參考信號(RS-P)相關聯,第一特徵集合與使用者設備(UE)的往返RFFP定位估計通信期相關聯;獲得與向UE發送的一或多個往返射頻指紋(RFFP)相關聯的第二特徵集合,第二特徵集合與UE的往返RFFP定位估計通信期相關聯;及向ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計。
在一個態樣中,一種使用者設備(UE)包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:經由至少一個收發器發送用於定位的參考信號(RS-P);獲得與RS-P相關聯的一或多個特徵,一或多個特徵是由一或多個實體經由一或多個機器學習(ML)特徵提取模型從RS-P的一或多個射頻指紋(RFFP)提取的;及向基於UE的ML特徵融合模型提供一或多個特徵以推導UE的定位估計。
在一個態樣中,一種實體包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:獲得與來自使用者設備(UE)的用於定位的參考信號(RS-P)相關聯的一或多個射頻指紋(RFFP);經由一或多個機器學習(ML)特徵提取模型提取與一或多個RFFP相關聯的一或多個特徵;及經由至少一個收發器向一或多個目標設備發送所提取的一或多個特徵。
在一個態樣中,一種UE包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:經由至少一個收發器接收一或多個用於定位的參考信號(RS-P);經由至少一個收發器發送RS-P,一或多個RS-P和該RS-P與UE的基於UE的往返射頻指紋(RFFP)定位估計通信期相關聯;經由至少一個收發器接收與RS-P相關聯的RFFP量測資訊;獲得與一或多個RS-P相關聯的一或多個RFFP;及向基於UE的機器學習(ML)特徵融合模型提供RFFP量測資訊和一或多個RFFP以推導UE的定位估計。
在一個態樣中,一種網路定位估計實體包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:獲得與往返射頻指紋(RFFP)相關聯的第一特徵集合,往返RFFP與由使用者設備(UE)發送的用於定位的參考信號(RS-P)相關聯,第一特徵集合與使用者設備(UE)的往返RFFP定位估計通信期相關聯;獲得與向UE發送的一或多個往返射頻指紋(RFFP)相關聯的第二特徵集合,第二特徵集合與UE的往返RFFP定位估計通信期相關聯;及向ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計。
在一個態樣中,一種使用者設備(UE)包括:用於發送用於定位的參考信號(RS-P)的構件;用於獲得與RS-P相關聯的一或多個特徵的構件,一或多個特徵是由一或多個實體經由一或多個機器學習(ML)特徵提取模型從RS-P的一或多個射頻指紋(RFFP)提取的;及用於向基於UE的ML特徵融合模型提供一或多個特徵以推導UE的定位估計的構件。
在一個態樣中,一種實體包括:用於獲得與來自使用者設備(UE)的用於定位的參考信號(RS-P)相關聯的一或多個射頻指紋(RFFP)的構件;用於經由一或多個機器學習(ML)特徵提取模型提取與一或多個RFFP相關聯的一或多個特徵的構件;及用於向一或多個目標設備發送所提取的一或多個特徵的構件。
在一個態樣中,一種UE包括:用於接收一或多個用於定位的參考信號(RS-P)的構件;用於發送RS-P的構件,一或多個RS-P和該RS-P與UE的基於UE的往返射頻指紋(RFFP)定位估計通信期相關聯;用於接收與RS-P相關聯的RFFP量測資訊的構件;用於獲得與一或多個RS-P相關聯的一或多個RFFP的構件;及用於向基於UE的機器學習(ML)特徵融合模型提供RFFP量測資訊和一或多個RFFP以推導UE的定位估計的構件。
在一個態樣中,一種網路定位估計實體包括:用於獲得與往返射頻指紋(RFFP)相關聯的第一特徵集合的構件,往返RFFP與由使用者設備(UE)發送的用於定位的參考信號(RS-P)相關聯,第一特徵集合與使用者設備(UE)的往返RFFP定位估計通信期相關聯;用於獲得與向UE發送的一或多個往返射頻指紋(RFFP)相關聯的第二特徵集合的構件,第二特徵集合與UE的往返RFFP定位估計通信期相關聯;及用於向ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計的構件。
在一個態樣中,一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由使用者設備(UE)執行時,使UE:發送用於定位的參考信號(RS-P);獲得與RS-P相關聯的一或多個特徵,一或多個特徵是由一或多個實體經由一或多個機器學習(ML)特徵提取模型從RS-P的一或多個射頻指紋(RFFP)提取的;及向基於UE的ML特徵融合模型提供一或多個特徵以推導UE的定位估計。
在一個態樣中,一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由實體執行時,使實體:獲得與來自使用者設備(UE)的用於定位的參考信號(RS-P)相關聯的一或多個射頻指紋(RFFP);經由一或多個機器學習(ML)特徵提取模型提取與一或多個RFFP相關聯的一或多個特徵;及向一或多個目標設備發送所提取的一或多個特徵。
在一個態樣中,一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由UE執行時,使UE:接收一或多個用於定位的參考信號(RS-P);發送RS-P,一或多個RS-P和該RS-P與UE的基於UE的往返射頻指紋(RFFP)定位估計通信期相關聯;接收與RS-P相關聯的RFFP量測資訊;獲得與一或多個RS-P相關聯的一或多個RFFP;及向基於UE的機器學習(ML)特徵融合模型提供RFFP量測資訊和一或多個RFFP以推導UE的定位估計。
在一個態樣中,一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由網路定位估計實體執行時,使網路定位估計實體:獲得與往返射頻指紋(RFFP)相關聯的第一特徵集合,往返RFFP與由使用者設備(UE)發送的用於定位的參考信號(RS-P)相關聯,第一特徵集合與使用者設備(UE)的往返RFFP定位估計通信期相關聯;獲得與向UE發送的一或多個往返射頻指紋(RFFP)相關聯的第二特徵集合,第二特徵集合與UE的往返RFFP定位估計通信期相關聯;及向ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計。
基於所附附圖和詳細描述,與本文揭示的態樣相關聯的其他目的和優點對於本領域技藝人士將是顯而易見的。
在以下描述和針對出於說明目的而提供的各種實例的相關附圖中提供了本揭示的態樣。可以在不脫離本揭示的範圍的情況下設計替代態樣。另外,本揭示的眾所周知的元素將不被詳細描述或將被省略,以免混淆本揭示的相關細節。
詞語「示例性」及/或「示例」在本文中被用於意指「用作示例、實例或說明」。本文中被描述為「示例性」及/或「示例」的任何態樣並不一定要被解釋為相比其他態樣更優選或有利。同樣,術語「本揭示的態樣」並不要求本揭示的所有態樣皆包括所論述的特徵、優點或操作模式。
本領域技藝人士將理解,下文描述的資訊和信號可以使用各種不同技術和技藝中的任一種來表示。例如,部分取決於特定的應用,部分取決於所需的設計,部分取決於對應的技術等,在下文的整個描述中可能提及的資料、指令、命令、資訊、信號、位元、符號和晶片可以由電壓、電流、電磁波、磁場或磁粒子、光場或光粒子或其任何組合來表示。
此外,許多態樣根據將由例如計算設備的元件執行的動作序列來描述。將認識到,本文描述的各種動作可以藉由特定電路(例如,特殊應用積體電路(ASIC))、藉由由一或多個處理器執行的程式指令或藉由兩者的組合來執行。另外,本文描述的動作的(一或多個)序列可以被認為完全體現於其中儲存有對應的電腦指令集的任何形式的非暫時性電腦可讀取儲存媒體中,該電腦指令集在被執行時將導致或指示設備的相關聯處理器執行本文描述的功能。因此,本揭示的各個態樣可以以許多不同的形式來體現,所有該等形式皆被預期處於要求保護的標的的範圍內。另外,對於本文所述的態樣中的每一個,任何此類態樣的對應形式可以在本文中被描述為例如「邏輯被配置為」執行所描述的動作。
如本文所使用的,除非另有說明,否則術語「使用者設備」(UE)和「基地台」並不意欲特定於或以其他方式限於任何特定的無線電存取技術(RAT)。通常,UE可以是由使用者用於經由無線通訊網路進行通訊的任何無線通訊設備(例如,行動電話、路由器、平板電腦、膝上型電腦、消費者資產定位設備、可穿戴設備(例如,智慧手錶、眼鏡、增強現實(AR)/虛擬實境(VR)耳機等)、車輛(例如,汽車、摩托車、自行車等)、物聯網路(IoT)設備等)。UE可以是行動的或者可以(例如,在某些時間)是靜止的,並且可以與無線電存取網路(RAN)通訊。如本文所使用的,術語「UE」可以被互換地稱為「存取終端」或「AT」、「客戶端設備」、「無線設備」、「用戶設備」、「用戶終端」、「用戶站」、「使用者終端」或「UT」、「行動設備」、「行動終端」、「行動站」或其變體。通常,UE可以經由RAN與核心網進行通訊,並且經由核心網,UE可以與外部網路(諸如網際網路)和其他UE連接。當然,對於UE,諸如經由有線存取網路、無線區域網路(WLAN)網路(例如,基於電氣和電子工程師協會(IEEE)802.11規範等)等等連接到核心網及/或網際網路的其他機制亦是可能的。
取決於基地台被部署的網路,基地台可以根據與UE通訊的若干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,進化型NodeB(eNB),下一代eNB(ng-eNB),新無線電(NR)節點B(亦被稱為gNB或gNodeB)等。基地台可以主要被用於支援UE的無線存取,包括支援用於所支援UE的資料、語音及/或訊號傳遞連接。在一些系統中,基地台可以提供純粹的邊緣節點訊號傳遞功能,而在其他系統中,其可以提供附加的控制及/或網路管理功能。UE可以經由其向基地台發出信號的通訊鏈路被稱為上行鏈路(UL)通道(例如,反向傳輸量通道、反向控制通道、存取通道等)。基地台可以經由其向UE發出信號的通訊鏈路被稱為下行鏈路(DL)或前向鏈路通道(例如,傳呼通道、控制通道、廣播通道、前向傳輸量通道等)。如本文所使用的,術語傳輸量通道(TCH)可以指上行鏈路/反向或者下行鏈路/前向傳輸量通道。
術語「基地台」可以指單個實體發送接收點(TRP),或者可以或可以不處於共址(co-located)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,該實體TRP可以是與基地台的細胞(或若干細胞扇區)相對應的基地台的天線。在術語「基地台」是指多個共址的實體TRP的情況下,實體TRP可以是基地台的天線陣列(例如,如在多輸入多輸出(MIMO)系統中或在基地台採用波束成形的情況下)。在術語「基地台」是指多個非共址的實體TRP的情況下,實體TRP可以是分散式天線系統(DAS)(經由傳輸媒體連接到公共源的空間分離天線的網路)或遠端無線電頭端(RRH)(連接到服務基地台的遠端基地台)。替代地,非共址的實體TRP可以是從UE接收量測報告的服務基地台和UE正在量測其參考射頻(RF)信號的相鄰基地台。因為如本文所使用的,TRP是基地台從其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代表基地台的特定TRP。
在支援UE的定位的一些實現方式中,基地台可能不支援UE的無線存取(例如,可能不支援用於UE的資料、語音及/或訊號傳遞連接),而是可以替代地向UE發送參考信號以被UE量測,及/或可以接收和量測由UE發送的信號。此類基地台可以被稱為定位信標(例如,當向UE發送信號時)及/或被稱為位置量測單元(例如,當接收和量測來自UE的信號時)。
「RF信號」包括經由發送器與接收器之間的空間傳輸資訊的給定頻率的電磁波。如本文所使用的,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信號經由多徑通道的傳播特性,接收器可能接收與每個發送的RF信號相對應的多個「RF信號」。發送器與接收器之間的不同路徑上的相同的發送的RF信號可以被稱為「多徑」RF信號。如本文所使用的,RF信號亦可以被稱為「無線信號」或被簡稱為「信號」,其中根據上下文,術語「信號」是指無線信號或RF信號是清楚的。
圖1示出根據本揭示的態樣的示例無線通訊系統100。無線通訊系統100(亦可以被稱為無線廣域網路(WWAN))可以包括各種基地台102(被標記為「BS」)和各種UE 104。基地台102可以包括巨集細胞基地台(高功率蜂巢基地台)及/或小型細胞基地台(低功率蜂巢基地台)。在一個態樣中,巨集細胞基地台可以包括eNB及/或ng-eNB(其中無線通訊系統100對應於LTE網路),或gNB(其中無線通訊系統100對應於NR網路),或兩者的組合,並且小型細胞基地台可以包括毫微微細胞、微微細胞、微細胞等。
基地台102可以共同形成RAN並且經由回載鏈路122與核心網170(例如,進化封包核心(EPC)或5G核心(5 GC))對接,並且經由核心網170對接到一或多個位置伺服器172(例如,位置管理功能(LMF)或安全使用者平面位置(SUPL)位置平臺(SLP))。位置伺服器172可以是核心網170的部分,或者可以在核心網170的外部。位置伺服器172可以與基地台102集成。UE 104可以直接或間接地與位置伺服器172通訊。例如,UE 104可以經由當前正服務該UE 104的基地台102與位置伺服器172通訊。UE 104亦可以經由另一路徑(諸如經由應用伺服器(未圖示)、經由另一網路,諸如經由無線區域網路(WLAN)存取點(AP)(例如,下文描述的AP 150)等)與位置伺服器172通訊。出於訊號傳遞目的,UE 104與位置伺服器172之間的通訊可以被表示為間接連接(例如,經由核心網170等)或直接連接(例如,如圖所示經由直接連接128),其中為了清楚起見從訊號傳遞圖中省略了中間節點(若有)。
除了其他功能之外,基地台102可以執行與以下中的一或多個有關的功能:傳送使用者資料、無線電通道加密和解密、完整性保護、標頭壓縮、行動性控制功能(例如,交遞、雙連接)、細胞間干擾協調、連接建立和釋放、負載平衡、非存取層(NAS)訊息分發、NAS節點選擇、同步、RAN共享、多媒體廣播多播服務(MBMS)、用戶和裝備追蹤、RAN資訊管理(RIM)、傳呼、定位以及警告訊息的遞送。基地台102可以經由回載鏈路134直接或間接地(例如,經由EPC/5GC)彼此通訊,回載鏈路134可以是有線的或無線的。
基地台102可以與UE 104無線通訊。基地台102中的每一個可以為相應的地理覆蓋區域110提供通訊覆蓋。在一個態樣中,每個地理覆蓋區域110中的基地台102可以支援一或多個細胞。「細胞」是用於(例如,經由某些頻率資源,被稱為載波頻率、分量載波、載波、頻帶等)與基地台通訊的邏輯通訊實體,並且可以與用於區分經由相同或不同的載波頻率操作的細胞的識別符(例如,實體細胞識別符(PCI)、增強型細胞識別符(ECI)、虛擬細胞識別符(VCI)、細胞全域識別符(CGI)等)相關聯。在一些情況下,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,機器類型通訊(MTC)、窄頻IoT(NB-IoT)、增強型行動寬頻(eMBB)等)配置不同的細胞。因為細胞由特定的基地台支援,所以術語「細胞」可以代表邏輯通訊實體和支援其的基地台中的任一者或兩者,這取決於上下文。另外,因為TRP典型地是細胞的實體發送點,所以術語「細胞」和「TRP」可以被互換地使用。在一些情況下,術語「細胞」亦可以代表基地台的地理覆蓋區域(例如,扇區),只要載波頻率可以被偵測到並且被用於地理覆蓋區域110的某個部分內的通訊。
相鄰巨集細胞基地台102的地理覆蓋區域110可以部分重疊(例如,在交遞區域中),同時地理覆蓋區域110中的一些可能與更大的地理覆蓋區域110基本重疊。例如,小型細胞基地台102'(標記為「SC」,代表「小型細胞」)可以具有與一或多個巨集細胞基地台102的地理覆蓋區域110基本重疊的地理覆蓋區域110'。包括小型細胞和巨集細胞基地台兩者的網路可以被稱為異質網路。異質網路亦可以包括家庭eNB(HeNB),其可以向被稱為封閉用戶組(CSG)的受限組提供服務。
基地台102與UE 104之間的通訊鏈路120可以包括從UE 104到基地台102的上行鏈路(亦被稱為反向鏈路)發送及/或從基地台102到UE 104的下行鏈路(DL)(亦被稱為前向鏈路)發送。通訊鏈路120可以使用MIMO天線技術,包括空間多工、波束成形及/或發送分集。通訊鏈路120可以經由一或多個載波頻率。載波的分配對於下行鏈路和上行鏈路可以是不對稱的(例如,可以為下行鏈路分配比上行鏈路更多或更少的載波)。
無線通訊系統100亦可以包括無線區域網路(WLAN)存取點(AP)150,其在未授權頻譜(例如,5 GHz)中經由通訊鏈路154與WLAN站(STA)152通訊。當在未授權頻譜中進行通訊時,WLAN STA 152及/或WLAN AP 150可以在通訊之前執行閒置通道評估(CCA)或先聽後講(LBT)程序以決定通道是否可用。
小型細胞基地台102'可以在經授權及/或未授權的頻譜中操作。當在未授權頻譜中操作時,小型細胞基地台102'可以採用LTE或NR技術並使用與WLAN AP 150使用的相同的5 GHz未授權頻譜。在未授權頻譜中採用LTE/5G的小型細胞基地台102'可以提升對存取網路的覆蓋及/或增加存取網路的容量。未授權頻譜中的NR可以被稱為NR-U。未授權頻譜中的LTE可以被稱為LTE-U、授權輔助存取(LAA)或MulteFire。
無線通訊系統100亦可以包括毫米波(mmW)基地台180,在與UE 182的通訊中,其可以在mmW頻率及/或近mmW頻率中操作。極高頻(EHF)是電磁頻譜中的RF的部分。EHF的範圍為30 GHz到300 GHz,並且波長在1毫米與10毫米之間。此頻帶中的無線電波可以被稱為毫米波。近mmW可以向下延伸到3 GHz的頻率且具有100毫米的波長。超高頻(SHF)頻帶在3 GHz與30 GHz之間延伸,亦被稱為釐米波。使用mmW/近mmW射頻頻帶的通訊具有高路徑損耗和相對短的範圍。mmW基地台180和UE 182可以利用mmW通訊鏈路184上的波束成形(發送及/或接收)來補償極高的路徑損耗和短範圍。此外,應當理解,在替代配置中,一或多個基地台102亦可以使用mmW或近mmW以及波束成形來進行發送。相應地,應當理解,前述說明僅僅是實例並且不應被解釋為限制在本文揭示的各個態樣。
發送波束成形是用於將RF信號聚焦於特定方向的技術。傳統上,當網路節點(例如,基地台)廣播RF信號時,其會在所有方向上(全向地)廣播信號。利用發送波束成形,網路節點決定給定目標設備(例如,UE)位於何處(相對於發送網路節點),並在該特定方向上投射較強的下行鏈路RF信號,從而為接收設備提供較快的(在資料速率方面)和較強的RF信號。為了在發送時改變RF信號的方向性,網路節點可以在廣播RF信號的一或多個發送器中的每一個處控制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」),其建立可以被「引導」以指向不同方向的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加在一起以增加期望方向上的輻射,同時抵消以抑制非期望方向上的輻射。
發送波束可以是準共址的(quasi-co-located),這意味著在接收器(例如,UE)看來,其具有相同的參數,而不管網路節點本身的發送天線是否在實體上共址。在NR中,有四種類型的準共址(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源波束上的源參考RF信號的資訊中推導。因此,若源參考RF信號是QCL類型A,則接收器可以使用源參考RF信號來估計在相同通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。若源參考RF信號是QCL類型B,則接收器可以使用源參考RF信號來估計在相同通道上發送的第二參考RF信號的都卜勒頻移和都卜勒擴展。若源參考RF信號是QCL類型C,則接收器可以使用源參考RF信號來估計在相同通道上發送的第二參考RF信號的都卜勒頻移和平均延遲。若源參考RF信號是QCL類型D,則接收器可以使用源參考RF信號來估計在相同通道上發送的第二參考RF信號的空間接收參數。
在接收波束成形中,接收器使用接收波束來放大在給定通道上偵測到的RF信號。例如,接收器可以在特定方向上增加增益設置及/或調整天線陣列的相位設置,以放大從該方向接收的RF信號(例如,增加其增益水平)。因此,當接收器被陳述為在某個方向上進行波束成形時,這意味著該方向上的波束增益相對於沿其他方向的波束增益較高,或者與對接收器可用的所有其他接收波束在該方向上的波束增益相比,該方向上的波束增益最高。這導致從該方向接收的RF信號具有較強的接收信號強度(例如,參考信號接收功率(RSRP)、參考信號接收品質(RSRQ)、信號與干擾加雜訊比(SINR)等)。
發送和接收波束可以是空間相關的。空間相關意味著針對用於第二參考信號的第二波束(例如,發送或接收波束)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)的資訊推導。例如,UE可以使用特定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))。UE隨後可以基於接收波束的參數來形成用於向該基地台發出上行鏈路參考信號(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或接收波束,這取決於形成其的實體。例如,若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,若UE正在形成下行鏈路波束,則其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或接收波束,這取決於形成其的實體。例如,若基地台正在形成上行鏈路波束,則其為上行鏈路接收波束,而若UE正在形成上行鏈路波束,則其為上行鏈路發送波束。
電磁頻譜常常基於頻率/波長被細分為各種類別、頻帶、通道等。在5G NR中,兩個初始操作頻帶已被標識為頻率範圍名稱FR1(410 MHz–7.125 GHz)和FR2(24.25 GHz–52.6 GHz)。應理解,儘管FR1的部分大於6 GHz,但在各種文件和文章中,FR1常常被(可互換地)稱為「亞6 GHz」頻帶。關於FR2有時會出現類似的命名問題,儘管與由國際電信聯盟(ITU)標識為「毫米波」頻帶的極高頻(EHF)頻帶(30 GHz–300 GHz)不同,但其在文件和文章中常常被(可互換地)稱為「毫米波」頻帶。
FR1與FR2之間的頻率常常被稱為中頻帶(mid-band)頻率。最近的5G NR研究已將針對該等中頻帶頻率的操作頻帶標識為頻率範圍名稱FR3(7.125 GHz–24.25 GHz)。落在FR3內的頻帶可以繼承FR1特性及/或FR2特性,並且因此可以有效地將FR1及/或FR2的特徵擴展到中頻帶頻率。另外,目前正在探索更高的頻帶,以將5G NR操作擴展到52.6 GHz以上。例如,三個更高的操作頻帶已被標識為頻率範圍名稱FR4a或FR4-1(52.6 GHz–71 GHz)、FR4(52.6 GHz–114.25 GHz)和FR5(114.25 GHz–300 GHz)。該等更高頻帶中的每一個皆落在EHF頻帶內。
考慮到上述態樣,除非另有具體說明,否則應當理解,術語「亞6 GHz」等若在本文中被使用可以廣泛地表示可以小於6 GHz、可以在FR1內或可以包括中頻帶頻率的頻率。此外,除非另有具體說明,否則應當理解,術語「毫米波」等若在本文中被使用可以廣泛地表示可以包括中頻帶頻率、可以在FR2、FR4、FR4-a或FR4-1及/或FR5內、或者可以在EHF頻帶內的頻率。
在多載波系統(諸如5G)中,載波頻率之一被稱為「主載波」或「錨載波」或「主服務細胞」或「PCell」,而其餘載波頻率被稱為「輔載波」或「輔服務細胞」或「SCell」。在載波聚合中,錨載波是在由UE 104/182和其中UE 104/182執行初始無線電資源控制(RRC)連接建立程序、或者發起RRC連接重建程序的細胞所利用的主頻率(例如,FR1)上操作的載波。主載波攜帶所有公共的和UE特定的控制通道,並且可以是經授權頻率中的載波(但是,情況並非總是如此)。輔載波是在第二頻率(例如,FR2)上操作的載波,一旦在UE 104與錨載波之間建立RRC連接,就可以配置該載波並且可以將該載波用於提供附加的無線電資源。在一些情況下,輔載波可以是未授權頻率中的載波。輔載波可以僅包含必要的訊號傳遞資訊和信號,例如,UE特定的彼等可能不存在於輔載波中,因為主上行鏈路和下行鏈路載波典型地皆是UE特定的。這意味著細胞中的不同UE 104/182可能具有不同的下行鏈路主載波。對於上行鏈路主載波亦是如此。網路能夠隨時改變任何UE 104/182的主載波。例如,這樣做是為了平衡不同載波上的負載。因為「服務細胞」(無論是PCell還是SCell)對應於一些基地台正在其上通訊的載波頻率/分量載波,所以術語「細胞」、「服務細胞」、「分量載波」、「載波頻率」等可以被互換地使用。
例如,仍然參考圖1,巨集細胞基地台102利用的頻率之一可以是錨載波(或「PCell」),而巨集細胞基地台102及/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及/或接收使UE 104/182能夠顯著提高其資料發送及/或接收速率。例如,與單個20 MHz載波所達到的資料速率相比,多載波系統中的兩個20 MHz聚合載波理論上會導致資料速率增加兩倍(亦即,40 MHz)。
無線通訊系統100亦可以包括UE 164,UE 164可以經由通訊鏈路120與巨集細胞基地台102通訊,及/或經由mmW通訊鏈路184與mmW基地台180通訊。例如,巨集細胞基地台102可以支援用於UE 164的PCell和一或多個SCell,而mmW基地台180可以支援用於UE 164的一或多個SCell。
在一些情況下,UE 164和UE 182可以能夠進行側鏈路通訊。具有側鏈路能力的UE(SL-UE)可以使用Uu介面(亦即,UE與基地台之間的空中介面)經由通訊鏈路120與基地台102通訊。SL-UE(例如,UE 164、UE 182)亦可以使用PC5介面(亦即,具有側鏈路能力的UE之間的空中介面)經由無線側鏈路160直接彼此通訊。無線側鏈路(或僅「側鏈路」)是對核心蜂巢(例如,LTE、NR)標準的適配,其允許兩個或兩個以上UE之間的直接通訊,而無需經由基地台進行通訊。側鏈路通訊可以是單播或多播,並且可以被用於設備對設備(D2D)媒體共享、車輛對車輛(V2V)通訊、車輛對一切(V2X)通訊(例如,蜂巢V2X(cV2X)通訊、增強型V2X(eV2X)通訊等)、緊急救援應用等。利用側鏈路通訊的SL-UE的組中的一或多個SL-UE可以在基地台102的地理覆蓋區域110內。該組中的其他SL-UE可以在基地台102的地理覆蓋區域110之外,或者以其他方式而不能從基地台102接收發送。在一些情況下,經由側鏈路通訊進行通訊的SL-UE的組可以利用一對多(1:M)系統,其中每個SL-UE向該組中的每一個其他SL-UE進行發送。在一些情況下,基地台102促進用於側鏈路通訊的資源的排程。在其他情況下,在沒有基地台102的參與的情況下在SL-UE之間執行側鏈路通訊。
在一個態樣中,側鏈路160可以在感興趣的無線通訊媒體上操作,該無線通訊媒體可以是與其他車輛及/或基礎設施存取點之間的其他無線通訊以及其他RAT共享的。「媒體」可以由與一或多個發送器/接收器對之間的無線通訊相關聯的一或多個時間、頻率及/或空間通訊資源(例如,涵蓋跨一或多個載波的一或多個通道)組成。在一個態樣中,感興趣的媒體可以對應於在各種RAT之間共享的未授權頻帶的至少部分。儘管不同的經授權頻帶已被預留用於某些通訊系統(例如,由諸如美國聯邦傳播委員會(FCC)之類的政府實體預留),但是該等系統,特別是採用小型細胞存取點的彼等系統,最近已經將操作擴展到未授權頻帶中,諸如由無線區域網路(WLAN)技術(最值得注意的是通常被稱為「Wi-Fi」的IEEE 802.11x WLAN技術)使用的未授權國家資訊基礎設施(U-NII)頻帶。此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中的兩個示出為SL-UE(亦即,UE 164和182),但所示出UE中的任一個皆可以是SL-UE。此外,儘管僅UE 182被描述為能夠進行波束成形,但所示出UE中的任一個(包括UE 164)皆可以能夠進行波束成形。在SL-UE能夠進行波束成形的情況下,其可以朝向彼此(亦即,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、小型細胞102'、存取點150)等進行波束成形。因此,在一些情況下,UE 164和182可以在側鏈路160上利用波束成形。
在圖1的實例中,所示出UE中的任一個(為了簡單起見,在圖1中被示為單個UE 104)可以從一或多個地球軌道太空飛行器(SV)112(例如,衛星)接收信號124。在一個態樣中,SV 112可以是UE 104可將其用作位置資訊的獨立源的衛星定位系統的部分。衛星定位系統典型地包括發送器(例如,SV 112)系統,其被定位成使得接收器(例如,UE 104)能夠至少部分地基於從發送器接收的定位信號(例如,信號124)來決定其在地球上或地球上方的位置。此類發送器典型地發送標有設定數量的晶片的重複假性隨機雜訊(PN)碼的信號。儘管典型地位於SV 112中,但發送器有時可能位於基於地面的控制站、基地台102及/或其他UE 104上。UE 104可以包括一或多個專用接收器,其專門被設計用於接收用於從SV 112推導地理位置資訊的信號124。
在衛星定位系統中,信號124的使用可以藉由各種基於衛星的增強系統(SBAS)來被增強,該等SBAS可以與一或多個全球及/或區域導航衛星系統相關聯或以其他方式被啟用以與一或多個全球及/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(一或多個)增強系統,諸如廣域增強系統(WAAS)、歐洲地球同步導航覆蓋服務(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,如本文所使用的,衛星定位系統可以包括與此類一或多個衛星定位系統相關聯的一或多個全球及/或區域導航衛星的任何組合。
在一個態樣中,SV 112可以附加地或替代地是一或多個非陸地網路(NTN)的部分。在NTN中,SV 112連接到地球站(亦被稱為地面站、NTN閘道或閘道),地球站進而連接到5G網路中的元件,諸如經修改的基地台102(沒有陸地天線)或5GC中的網路節點。此元件將進而提供對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web伺服器和其他使用者設備)的存取。以此方式,作為接收來自陸地基地台102的通訊信號的替代或附加,UE 104可以接收來自SV 112的通訊信號(例如,信號124)。
無線通訊系統100亦可以包括一或多個UE,諸如UE 190,其經由一或多個設備對設備(D2D)同級間(P2P)鏈路(被稱為為「側鏈路」)間接連接到一或多個通訊網路。在圖1的實例中,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可以經由其間接獲得蜂巢連接),以及與連接到WLAN AP 150的WLAN STA 152的D2D P2P鏈路194(UE 190可以經由其間接獲得基於WLAN的網際網路連接)。在實例中,D2D P2P鏈路192和194可以由任何眾所周知的D2D RAT支援,諸如LTE直接(LTE-D)、WiFi直接(WiFi-D)、藍芽®等。
圖2A示出示例無線網路結構200。例如,5GC 210(亦被稱為下一代核心(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、閘道選擇等)和使用者平面(U平面)功能212(例如,UE閘道功能、對資料網路的存取、IP路由等),其協同操作以形成核心網。使用者平面介面(NG-U)213 和控制平面介面(NG-C)215將gNB 222連接到5GC 210,並且分別具體連接到使用者平面功能212和控制平面功能214。在附加的配置中,ng-eNB 224亦可以經由到控制平面功能214的NG-C 215和到使用者平面功能212的NG-U 213連接到5GC 210。此外,ng-eNB 224可以經由回載連接223直接與gNB 222通訊。在一些配置中,下一代RAN(NG-RAN)220可以具有一或多個gNB 222,而其他配置包括ng-eNB 224和gNB 222兩者中的一或多個。gNB 222或ng-eNB 224中的任一者(或兩者)可以與一或多個UE 204(例如,本文描述的UE中的任一者)通訊。
另一可選態樣可以包括位置伺服器230,其可以與5GC 210通訊以為UE 204提供位置輔助。位置伺服器230可以被實現為複數個分離的伺服器(例如,實體上分離的伺服器、單個伺服器上的不同軟體模組、跨多個實體伺服器分佈的不同軟體模組等),或者替代地可以各自對應於單個伺服器。位置伺服器230可以被配置為支援用於UE 204的一或多個位置服務,UE 204可以經由核心網、5GC 210及/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可以被集成到核心網的部件中,或替代地可以在核心網外部(例如,協力廠商伺服器,諸如原始設備製造商(OEM)伺服器或服務伺服器)。
圖2B示出另一示例無線網路結構240。5GC 260(可以對應於圖2A中的5GC 210)在功能上可以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使用者平面功能(UPF)262提供的使用者平面功能,其協同操作以形成核心網(亦即,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、用於一或多個UE 204(例如,本文描述的UE中的任一個)與通信期管理功能(SMF)266之間的通信期管理(SM)訊息的傳輸、用於路由SM訊息的透明代理服務、存取認證和存取授權、用於UE 204與簡訊服務功能(SMSF)(未圖示)之間的簡訊服務(SMS)訊息的傳輸、以及安全錨功能(SEAF)。AMF 264亦與認證伺服器功能(AUSF)(未圖示)和UE 204互動,並接收作為UE 204認證過程的結果而建立的中間金鑰。在基於UMTS(通用行動電信系統)用戶身份模組(USIM)的認證的情況下,AMF 264從AUSF檢索安全材料。AMF 264的功能亦包括安全上下文管理(SCM)。SCM從SEAF接收金鑰,該金鑰用於推導存取網路特定金鑰。AMF 264的功能亦包括用於監管服務的位置服務管理、用於UE 204與位置管理功能(LMF)270(其充當位置伺服器230)之間的位置服務訊息的傳輸、用於NG-RAN 220與LMF 270之間的位置服務訊息的傳輸、用於與EPS互通的進化封包系統(EPS)承載識別符分配、以及UE 204行動性事件通知。另外,AMF 264亦支援用於非3GPP(第三代合作夥伴計畫)存取網路的功能。
UPF 262的功能包括充當用於RAT內/RAT間行動性的錨點(若適用)、充當與資料網路(未圖示)的外部協定資料單元(PDU)通信期互連點,提供封包路由和轉發、封包檢查、使用者平面策略規則執行(例如,選通、重定向、傳輸量引導)、合法攔截(使用者平面收集)、傳輸量使用報告、用於使用者平面的服務品質(QoS)處理(例如,上行鏈路/下行鏈路速率執行、下行鏈路中的反射QoS標記)、上行鏈路傳輸量驗證(服務資料流(SDF)到QoS流映射)、上行鏈路和下行鏈路中的傳輸級封包標記、下行鏈路封包緩衝和下行鏈路資料通知觸發、以及向源RAN節點發出和轉發一或多個「結束標記」。UPF 262亦可以支援UE 204與位置伺服器(諸如,SLP 272)之間的使用者平面上的位置服務訊息的傳送。
SMF 266的功能包括通信期管理、UE網際網路協定(IP)位址分配和管理、使用者平面功能的選擇和控制、UPF 262處用於將傳輸量路由到正確目的地的傳輸量引導配置、策略部分實施和QoS的控制、以及下行鏈路資料通知。SMF 266與AMF 264在其上通訊的介面被稱為N11介面。
另一可選態樣可以包括LMF 270,其可以與5GC 260通訊以為UE 204提供位置輔助。LMF 270可以被實現為複數個分離的伺服器(例如,實體上分離的伺服器、單個伺服器上的不同軟體模組、跨多個實體伺服器分佈的不同軟體模組等),或者替代地可以各自對應於單個伺服器。LMF 270可以被配置為支援用於UE 204的一或多個位置服務,UE 204可以經由核心網、5GC 260及/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可以在控制平面上與AMF 264、NG-RAN 220和UE 204通訊(例如,使用意欲傳達訊號傳遞訊息而不是語音或資料的介面和協定),而SLP 272可以在使用者平面上與UE 204和外部客戶端(例如,協力廠商伺服器274)通訊(例如,使用意欲攜帶語音及/或資料的協定,如發送控制協定(TCP)及/或IP)。
又一可選態樣可以包括協力廠商伺服器274,其可以與LMF 270、SLP 272、5GC 260(例如,經由AMF 264及/或UPF 262)、NG-RAN 220、及/或UE 204通訊以獲得UE 204的位置資訊(例如,位置估計)。如此,在一些情況下,協力廠商伺服器274可以被稱為位置服務(LCS)客戶端或外部客戶端。協力廠商伺服器274可以被實現為複數個分離的伺服器(例如,實體上分離的伺服器、單個伺服器上的不同軟體模組、跨多個實體伺服器分佈的不同軟體模組等),或者替代地可以各自對應於單個伺服器。
使用者平面介面263和控制平面介面265將5GC 260,並且具體地是UPF 262和AMF 264分別連接到NG-RAN 220中的一或多個gNB 222及/或ng-eNB 224。(一或多個)gNB 222及/或(一或多個)ng-eNB 224與AMF 264之間的介面被稱為「N2」介面,而(一或多個)gNB 222及/或(一或多個)ng-eNB 224與UPF 262之間的介面被稱為「N3」介面。NG-RAN 220的(一或多個)gNB 222及/或(一或多個)ng-eNB 224可以經由被稱為「Xn-C」介面的回載連接223彼此直接通訊。gNB 222及/或ng-eNB 224中的一或多個可以經由被稱為「Uu」介面的無線介面與一或多個UE 204通訊。
gNB 222的功能性可以被劃分在gNB中央單元(gNB-CU)226、一或多個gNB分散式單元(gNB-DU)228和一或多個gNB無線電單元(gNB-RU)229之間。gNB-CU 226是包括除被專門分配給(一或多個)gNB-DU 228的彼等功能之外的傳遞使用者資料、行動性控制、無線電存取網路共享、定位、通信期管理等的基地台功能的邏輯節點。更具體地,gNB-CU 226整體上託管gNB 222的無線電資源控制(RRC)、服務資料適配協定(SDAP)和封包資料會聚協定(PDCP)協定。gNB-DU 228是整體上託管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可以支援一或多個細胞,並且一個細胞僅由一個gNB-DU 228支援。gNB-CU 226與一或多個gNB-DU 228之間的介面232被稱為「F1」介面。gNB 222的實體(PHY)層功能性通常由一或多個獨立的gNB-RU 229託管,該一或多個獨立的gNB-RU 229執行諸如功率放大和信號發送/接收等的功能。gNB-DU 228與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通訊,經由RLC和MAC層與gNB-DU 228通訊,並經由PHY層與gNB-RU 229通訊。
通訊系統(諸如5G NR系統)的部署可以利用各種部件或構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、核心網節點、網路元件或網路裝備(諸如基地台或執行基地台功能的一或多個單元(或一或多個部件))可以以聚合式或分解式架構來實現。例如,基地台(諸如節點B(NB)、進化型NB(eNB)、NR基地台、5G NB、存取點(AP)、發送接收點(TRP)或細胞等)可以被實現為聚合式基地台(亦被稱為獨立基地台或單片基地台)或分解式基地台。
聚合式基地台可以被配置為利用實體上或邏輯上集成在單個RAN節點內的無線電協定堆疊。分解式基地台可以被配置為利用在實體上或邏輯上分佈於兩個或兩個以上單元(諸如一或多個中央或集中式單元(CU)、一或多個分散式單元(DU)、或一或多個無線電單元(RU))之間的協定堆疊。在一些態樣中,CU可以被實現於RAN節點內,並且一或多個DU可以與CU共址,或者替代地,可以在地理上或虛擬地分佈在一或多個其他RAN節點中。DU可以被實現為與一或多個RU通訊。CU、DU和RU中的每一個亦可以被實現為虛擬單元,亦即,虛擬中央單元(VCU)、虛擬分散式單元(VDU)或虛擬無線電單元(VRU)。
基地台類型操作或網路設計可以考慮基地台功能的聚合特性。例如,分解式基地台可以被用於集成存取回載(IAB)網路、開放無線電存取網路(O-RAN)(諸如由O-RAN聯盟贊助的網路配置)或虛擬化無線電存取網路(vRAN,亦被稱為雲無線電存取網路(C-RAN))中。分解可以包括跨各種實體位置處的兩個或兩個以上單元來分發功能,以及虛擬地為至少一個單元分發功能,這可以實現網路設計中的靈活性。分解式基地台或分解式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訊。
圖2C示出根據本揭示的態樣的示例分解式基地台架構250。分解式基地台架構250可以包括一或多個中央單元(CU)280(例如,gNB-CU 226),其可以經由回載鏈路直接與核心網267(例如,5GC 210、5GC 260)通訊,或經由一或多個分解式基地台單元(諸如經由E2鏈路的近即時(近RT)RAN智慧控制器(RIC)259、或與服務管理和編排(SMO)框架255相關聯的非即時(非RT)RIC 257、或兩者)間接地與核心網267通訊。CU 280可以經由相應的中傳鏈路(諸如F1介面)與一或多個分散式單元(DU)285(例如,gNB-DU 228)通訊。DU 285可以經由相應的前傳鏈路與一或多個無線電單元(RU)287(例如,gNB-RU 229)通訊。RU 287可以經由一或多個射頻(RF)存取鏈路與相應的UE 204通訊。在一些實現方式中,UE 204可以同時由多個RU 287服務。
單元(亦即,CU 280、DU 285、RU 287以及近RT RIC 259、非RT RIC 257和SMO框架255)中的每一個可以包括一或多個介面或者耦合到一或多個介面,該一或多個介面被配置為經由有線或無線發送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訊介面提供指令的相關聯處理器或控制器可以被配置為經由發送媒體與一或多個其他單元通訊。例如,單元可以包括有線介面,該有線介面被配置為經由到一或多個其他單元的有線發送媒體來接收或發送信號。另外,單元可以包括無線介面,該無線介面可以包括接收器、發送器或收發器(諸如射頻(RF)收發器),其被配置為經由到一或多個其他單元的無線發送媒體來接收或發送信號或兩者。
在一些態樣中,CU 280可以託管一或多個較高層控制功能。此類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。每個控制功能可以被實現有介面,介面被配置為與CU 280所託管的其他控制功能通訊信號。CU 280可以被配置為處理使用者平面功能(亦即,中央單元–使用者平面(CU-UP))、控制平面功能(亦即,中央單元–控制平面(CU-CP))、或其組合。在一些實現方式中,CU 280可以在邏輯上被分離成一或多個CU-UP單元和一或多個CU-CP單元。當以O-RAN配置來實現時,CU-UP單元可以經由介面(諸如E1介面)與CU-CP單元進行雙向通訊。CU 280可以被實現為根據需要與DU 285通訊,以用於網路控制和訊號傳遞。
DU 285可以對應於包括用於控制一或多個RU 287的操作的一或多個基地台功能的邏輯單元。在一些態樣中,至少部分地取決於功能分離(諸如由第三代合作夥伴計畫(3GPP)定義的彼等),DU 285可以託管無線電鏈路控制(RLC)層、媒體存取控制(MAC)層、以及一或多個高實體(PHY)層(諸如用於前向糾錯(FEC)編碼和解碼、加擾、調制和解調等的模組)中的一或多個。在一些態樣中,DU 285亦可以託管一或多個低PHY層。每個層(或模組)皆可以被實現有介面,介面被配置為與DU 285託管的其他層(和模組)、或者與CU 280託管的控制功能通訊信號。
較低層功能可以由一或多個RU 287實現。在一些部署中,至少部分地基於功能分離,諸如較低層功能分離,由DU 285控制的RU 287可以對應於託管RF處理功能或低PHY層功能(諸如執行快速傅裡葉變換(FFT)、逆FFT(iFFT)、數位波束成形、實體隨機存取通道(PRACH)提取和濾波等)或兩者的邏輯節點。在此類架構中,(一或多個)RU 287可以被實現為處理與一或多個UE 204的空中(OTA)通訊。在一些實現方式中,與(一或多個)RU 287的控制平面和使用者平面通訊的即時和非即時態樣可以由對應的DU 285控制。在一些場景中,此配置可以使(一或多個)DU 285和CU 280能夠被實現於基於雲的RAN架構中,諸如vRAN架構中。
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可以被配置為支援用於RAN覆蓋要求的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)來進行管理。對於虛擬化網路元件,SMO框架255可以被配置為與雲計算平臺(諸如開放雲(O-Cloud)269)互動以經由雲計算平臺介面(諸如O2介面)執行網路元件生命週期管理(諸如用來實體化經虛擬化網路元件)。此類經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的硬體態樣(諸如開放eNB(O-eNB)261)通訊。另外,在一些實現方式中,SMO框架255可以經由O1介面與一或多個RU 287直接通訊。SMO框架255亦可以包括非RT RIC 257,其被配置為支援SMO框架255的功能。
非RT RIC 257可以被配置為包括邏輯功能,該邏輯功能實現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、或近RT RIC 259中的應用/特徵的基於策略的指導。非RT RIC 257可以耦合到近RT RIC 259或與之通訊(諸如經由A1介面)。近RT RIC 259可以被配置為包括邏輯功能,該邏輯功能經由經由連接一或多個CU 280、一或多個DU 285或兩者以及O-eNB與近RT RIC 259的介面(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。
在一些實現方式中,為了產生要被部署於近RT RIC 259中的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資訊。此類資訊可以由近RT RIC 259利用,並且可以在SMO框架255或非RT RIC 257處從非網路資料來源或從網路功能接收。在一些實例中,非RT RIC 257或近RT RIC 259可以被配置為調諧RAN行為或效能。例如,非RT RIC 257可以監視效能的長期趨勢和樣式,並採用AI/ML模型來經由SMO框架255(諸如經由O1的重配置)或經由RAN管理策略(諸如A1策略)的建立來執行校正動作。
圖3A、圖3B和圖3C示出若干示例部件(由對應的方塊表示),該等部件可以被併入UE 302(其可以對應於本文描述的UE中的任一個)、基地台304(其可以對應於本文描述的基地台中的任一個)和網路實體306(其可以對應於或體現本文描述的網路功能中的任一個,包括位置伺服器230和LMF 270,或者替代地可以獨立於圖2A和圖2B中描繪的NG-RAN 220及/或5GC 210/260基礎設施,諸如私人網路)以支援本文描述的操作。應當理解,在不同的實現方式中,該等部件可以被實現於不同類型的裝置中(例如,在ASIC中、在片上系統(SoC)中等)。示出的部件亦可以被併入通訊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彼等類似的部件以提供類似的功能。同樣,給定的裝置可以包含部件中的一或多個。例如,裝置可以包括使裝置能夠在多個載波上操作及/或經由不同技術進行通訊的多個收發器部件。
UE 302和基地台304各自分別包括一或多個無線廣域網路(WWAN)收發器310和350,其提供用於經由一或多個無線通訊網路(未圖示)(諸如NR網路、LTE網路、GSM網路等)進行通訊的構件(例如,用於發送的構件、用於接收的構件、用於量測的構件、用於調諧的構件、用於抑制發送的構件等)。WWAN收發器310和350各自可以分別連接到一或多個天線316和356,以用於經由感興趣的無線通訊媒體(例如,特定頻譜中的某個時間/頻率資源集)、經由至少一個指定的RAT(例如,NR、LTE、GSM等)與其他網路節點(諸如其他UE、存取點、基地台(例如,eNB、gNB)等)通訊。根據指定的RAT,WWAN收發器310和350可以被不同地配置用於分別對信號318和358(例如,訊息、指示、資訊等)進行發送和編碼,以及相反地,用於分別對信號318和358(例如,訊息、指示、資訊、引導頻等)進行接收和解碼。具體地,WWAN收發器310和350包括分別用於對信號318和358進行發送和編碼的一或多個發送器314和354,以及分別用於對信號318和358進行接收和解碼的一或多個接收器312和352。
UE 302和基地台304至少在一些情況下各自亦分別包括一或多個短程無線收發器320和360。短程無線收發器320和360可以分別連接到一或多個天線326和366,並且提供用於經由感興趣的無線通訊媒體、經由至少一個指定的RAT(例如,WiFi、LTE-D、藍芽®、Zigbee®、Z-Wave®、PC5、專用短程通訊(DSRC)、用於車輛環境的無線存取(WAVE)、近場通訊(NFC)、超寬頻(UWB)等)與其他網路節點(諸如其他UE、存取點、基地台等)通訊的構件(例如,用於發送的構件、用於接收的構件、用於量測的構件、用於調諧的構件、用於抑制發送的構件等)。根據指定的RAT,短程無線收發器320和360可以被不同地配置用於分別對信號328和368(例如,訊息、指示、資訊等)進行發送和編碼,以及相反地,用於分別對信號328和368(例如,訊息、指示、資訊、引導頻等)進行接收和解碼。具體地,短程無線收發器320和360包括分別用於對信號328和368進行發送和編碼的一或多個發送器324和364,以及分別用於對信號328和368進行接收和解碼的一或多個接收器322和362。作為具體實例,短程無線收發器320和360可以是WiFi收發器、藍芽®收發器、Zigbee®及/或Z-Wave®收發器、NFC收發器、UWB收發器、或車輛對車輛(V2V)及/或車輛對一切(V2X)收發器。
UE 302和基地台304至少在一些情況下亦包括衛星信號接收器330和370。衛星信號接收器330和370可以分別連接到一或多個天線336和376,並且可以分別提供用於接收及/或量測衛星定位/通訊信號338和378的構件。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/通訊信號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/通訊信號338和378可以是源自5G網路的通訊信號(例如,攜帶控制及/或使用者資料)。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/通訊信號338和378的任何合適的硬體及/或軟體。衛星信號接收器330和370可以適當地從其他系統請求資訊和操作,並且至少在一些情況下,使用由任何合適的衛星定位系統演算法獲得的量測值來執行計算,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各自分別包括一或多個網路收發器380和390,其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)通訊的構件(例如,用於發送的構件、用於接收的構件等)。例如,基地台304可以採用一或多個網路收發器380來經由一或多個有線或無線回載鏈路與其他基地台304或網路實體306通訊。作為另一實例,網路實體306可以採用一或多個網路收發器390來經由一或多個有線或無線回載鏈路與一或多個基地台304通訊,或者經由一或多個有線或無線核心網介面與其他網路實體306通訊。
收發器可以被配置為經由有線或無線鏈路來進行通訊。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)。收發器在一些實現方式中可以是集成設備(例如,在單個設備中體現發送器電路和接收器電路),在一些實現方式中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可以是以其他方式來體現的。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合至一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)可以包括或耦合到複數個天線(例如,天線316、326、356、366),諸如天線陣列,其允許相應裝置(例如,UE 302、基地台304)執行發送如本文所述的「波束成形」。類似地,無線接收器電路(例如,接收器312、322、352、362)可以包括或耦合到複數個天線(例如,天線316、326、356、366),諸如天線陣列,其允許相應裝置(例如,UE 302、基地台304)執行接收如本文所述的波束成形。在一個態樣中,發送器電路和接收器電路可以共享相同的複數個天線(例如,天線316、326、356、366),使得相應裝置在給定的時間僅可以接收或發送,而不能同時進行接收或發送兩者。無線收發器(例如,WWAN收發器310和350、短程無線收發器320和360)亦可以包括用於執行各種量測的網路監聽模組(NLM)等。
如本文中所使用的,各種無線收發器(例如,收發器310、320、350和360,以及一些實現方式中的網路收發器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)通常可以被表徵為「收發器」、「至少一個收發器」、或「一或多個收發器」。如此,特定收發器是有線還是無線收發器可以從所執行的通訊類型來推斷。例如,網路設備或伺服器之間的回載通訊通常將涉及經由有線收發器的訊號傳遞,而UE(例如,UE 302)與基地台(例如,基地台304)之間的無線通訊通常關於經由無線收發器的訊號傳遞。
UE 302、基地台304和網路實體306亦包括可以與本文揭示的操作結合使用的其他部件。UE 302、基地台304和網路實體306分別包括一或多個處理器332、384和394,以用於提供與例如無線通訊相關的功能,以及用於提供其他處理功能。處理器332、384和394因此可以提供用於處理的構件,諸如用於決定的構件、用於計算的構件、用於接收的構件、用於發送的構件、用於指示的構件等。在一個態樣中,處理器332、384和394可以包括例如一或多個通用處理器、多核處理器、中央處理單元(CPU)、ASIC、數位訊號處理器(DSP)、現場可程式設計閘陣列(FPGA)、其他可程式設計邏輯設備或處理電路、或其各種組合。
UE 302、基地台304和網路實體306包括分別實現記憶體340、386和396(例如,各自包括記憶體設備)的記憶體電路,以用於維持資訊(例如,指示預留資源的資訊、閾值、參數等)。記憶體340、386和396因此可以提供用於儲存的構件、用於檢索的構件、用於維持的構件等。在一些情況下,UE 302、基地台304和網路實體306可以分別包括定位部件342、388和398。定位部件342、388和398可以是分別作為處理器332、384和394的部分或耦合到處理器332、384和394的硬體電路,其在被執行時使UE 302、基地台304和網路實體306執行本文描述的功能。在其他態樣中,定位部件342、388和398可以在處理器332、384和394外部(例如,是數據機處理系統的部分、與另一處理系統集成等)。替代地,定位部件342、388和398可以是分別被儲存在記憶體340、386和396中的記憶體模組,其在由處理器332、384和394(或數據機處理系統、另一處理系統等)執行時,使UE 302、基地台304和網路實體306執行本文描述的功能。圖3A示出定位部件342的可能位置,定位部件342可以是例如一或多個WWAN收發器310、記憶體340、一或多個處理器332或其任何組合的部分,或者可以是獨立部件。圖3B示出定位部件388的可能位置,定位部件388可以是例如一或多個WWAN收發器350、記憶體386、一或多個處理器384或其任何組合的部分,或者可以是獨立部件。圖3C示出定位部件398的可能位置,定位部件398可以是例如一或多個網路收發器390、記憶體396、一或多個處理器394或其任何組合的部分,或者可以是獨立部件。
UE 302可以包括一或多個感測器344,一或多個感測器344耦合至一或多個處理器332以提供用於感測或偵測移動及/或取向資訊的構件,該移動及/或取向資訊獨立於從由一或多個WWAN收發器310、一或多個短程無線收發器320、及/或衛星信號接收器330接收的信號推導的運動資料。作為實例,(一或多個)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,氣壓高度計)及/或任何其他類型的移動偵測感測器。此外,(一或多個)感測器344可以包括複數個不同類型的設備並且組合其輸出以便提供運動資訊。例如,(一或多個)感測器344可以使用多軸加速度計和取向感測器的組合以提供計算二維(2D)及/或三維(3D)座標系中的定位的能力。
另外,UE 302包括使用者介面346,其提供用於向使用者提供指示(例如,聽覺及/或視覺指示)及/或用於接收使用者輸入(例如,在使用者致動感測設備(諸如小鍵盤,觸控式螢幕、麥克風等)時)的構件。儘管未圖示,但基地台304和網路實體306亦可以包括使用者介面。
更詳細地參考一或多個處理器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。一或多個處理器384可以實現用於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間行動性以及用於UE量測報告的量測配置相關聯的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)和交遞支援功能相關聯的PDCP層功能;與上層PDU的傳遞、經由自動重複請求(ARQ)的糾錯、RLC服務資料單元(SDU)的串聯、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;以及與邏輯通道與傳輸通道之間的映射、排程資訊報告、糾錯、優先順序處理和邏輯通道優先順序劃分相關聯的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可以包括傳輸通道上的錯誤偵測、傳輸通道的前向糾錯(FEC)譯碼/解碼、交錯、速率匹配、到實體通道的映射、實體通道的調制/解調以及MIMO天線處理。發送器354基於各種調制方案(例如,二進位移相鍵控(BPSK)、正交移相鍵控(QPSK)、M-移相鍵控(M-PSK)、M-正交幅度調制(M-QAM))來處理到信號群集的映射。經譯碼和經調制的符號隨後被分離成並行串流。每個串流隨後可以被映射到正交分頻多工(OFDM)次載波,與時域及/或頻域中的參考信號(例如,引導頻)多工,並且隨後使用逆快速傅裡葉變換(IFFT)被組合在一起,以產生攜帶時域OFDM符號串流的實體通道。OFDM符號串流被空間預編碼以產生多個空間串流。來自通道估計器的通道估計可以被用於決定譯碼和調制方案,以及用於空間處理。通道估計可以從UE 302所發送的參考信號及/或通道條件回饋推導。每個空間串流隨後可以被提供給一或多個不同的天線356。發送器354可以利用用於發送的相應空間串流調制RF載波。
在UE 302處,接收器312經由其相應的天線316接收信號。接收器312恢復被調制到RF載波上的資訊,並且向一或多個處理器332提供該資訊。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,以恢復以UE 302為目的地的任何空間串流。若多個空間串流以UE 302為目的地,則其可以由接收器312組合成單個OFDM符號串流。接收器312隨後使用快速傅裡葉變換(FFT)將OFDM符號串流從時域轉換到頻域。頻域信號包括用於OFDM信號的每個次載波的單獨OFDM符號串流。藉由決定由基地台304發送的最可能的信號群集點,每個次載波上的符號和參考信號被恢復和解調。該等軟決策可以基於由通道估計器計算的通道估計。軟決策隨後被解碼和解交錯以恢復最初由基地台304在實體通道上發送的資料和控制信號。資料和控制信號隨後被提供給實現層3(L3)和層2(L2)功能的一或多個處理器332。
在上行鏈路中,一或多個處理器332提供傳輸通道與邏輯通道之間的解多工、封包重組、解密、標頭解壓縮和控制信號處理,以恢復來自核心網的IP封包。一或多個處理器332亦負責錯誤偵測。
類似於結合基地台304的下行鏈路發送所描述的功能,一或多個處理器332提供與系統資訊(例如,MIB、SIB)獲取、RRC連接和量測報告相關聯的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的傳遞、經由ARQ的糾錯、RLC SDU的串聯、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;及與邏輯通道與傳輸通道之間的映射、MAC SDU到傳輸區塊(TB)的多工、MAC SDU從TB的解多工、排程資訊報告、經由混合自動重複請求(HARQ)的糾錯、優先順序處理和邏輯通道優先順序劃分相關聯的MAC層功能。
由通道估計器從基地台304發送的參考信號或回饋推導的通道估計可以由發送器314用於選擇適當的譯碼和調制方案,以及促進空間處理。發送器314產生的空間串流可以被提供給不同的(一或多個)天線316。發送器314可以利用相應的空間串流來調制RF載波以進行發送。
以與結合UE 302處的接收器功能描述的方式類似的方式在基地台304中處理上行鏈路發送。接收器352經由其相應的(一或多個)天線356接收信號。接收器352恢復被調制到RF載波上的資訊,並且向一或多個處理器384提供該資訊。
在上行鏈路中,一或多個處理器384提供傳輸通道與邏輯通道之間的解多工、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。來自一或多個處理器384的IP封包可以被提供給核心網。一或多個處理器384亦負責錯誤偵測。
為方便起見,UE 302、基地台304及/或網路實體306在圖3A、圖3B和圖3C中被示為包括可以根據本文描述的各種實例配置的各種部件。然而,應當理解,所示部件在不同設計中可以具有不同的功能。特定而言,圖3A至圖3C中的各種部件在替代配置中是可選的,並且各個態樣包括可以由於設計選取、成本、設備的使用或其他考慮而變化的配置。例如,在圖3A的情況下,UE 302的特定實現方式可以省略(一或多個)WWAN收發器310(例如,可穿戴設備或平板電腦或PC或膝上型電腦可以具有Wi-Fi及/或藍芽能力而無蜂巢能力),或者可以省略(一或多個)短程無線收發器320(例如,僅蜂巢等),或者可以省略衛星信號接收器330,或者可以省略(一或多個)感測器344,等等。在另一實例中,在圖3B的情況下,基地台304的特定實現方式可以省略(一或多個)WWAN收發器350(例如,不具有蜂巢能力的Wi-Fi「熱點」存取點),或者可以省略(一或多個)短程無線收發器360(例如,僅蜂巢等),或者可以省略衛星接收器370,等等。為簡潔起見,本文中未提供對各種替代配置的說明,但其對本領域技藝人士而言將是容易理解的。
UE 302、基地台304和網路實體306的各種部件可以分別經由資料匯流排334、382和392彼此通訊地耦合。在一個態樣中,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的通訊介面或者是其部分。例如,在不同的邏輯實體被體現於相同設備中(例如,gNB和位置伺服器功能被併入到相同基地台304中)的情況下,資料匯流排334、382和392可以提供其間的通訊。
圖3A、圖3B和圖3C的部件可以是以各種方式來實現的。在一些實現方式中,圖3A、圖3B和圖3C的部件可以被實現於一或多個電路中,諸如例如一或多個處理器及/或一或多個ASIC(其可以包括一或多個處理器)中。此處,每個電路可以使用及/或併入至少一個記憶體部件,以用於儲存由電路使用的資訊或可執行代碼以提供該功能。例如,由方塊310到346表示的一些或全部功能可以由UE 302的處理器和記憶體部件實現(例如,藉由執行適當的代碼及/或藉由處理器部件的適當配置)。類似地,由方塊350到388表示的一些或全部功能可以由基地台304的處理器和記憶體部件實現(例如,藉由執行適當的代碼及/或藉由處理器部件的適當配置)。同樣,由方塊390到398表示的一些或全部功能可以由網路實體306的處理器和記憶體部件實現(例如,藉由執行適當的代碼及/或藉由處理器部件的適當配置)。為簡單起見,各種操作、動作及/或功能在本文中被描述為「由UE」、「由基地台」、「由網路實體」等執行。然而,如將理解的,此類操作、動作及/或功能實際上可以由UE 302、基地台304、網路實體306等的特定部件或部件組合(諸如處理器332、384、394,收發器310、320、350和360,記憶體340、386和396,定位部件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部件。在其他設計中,網路實體306可以與蜂巢網路基礎設施(例如,NG RAN 220及/或5GC 210/260)的網路操作者或操作不同。例如,網路實體306可以是私人網路的部件,其可以被配置成經由基地台304或獨立於基地台304(例如,經由非蜂巢通訊鏈路,諸如WiFi)來與UE 302通訊。
注意,圖3A中所示的UE 302可以表示「低級」UE或「高級」UE。如下文進一步描述的,儘管低級和高級UE可以具有相同類型的部件(例如,兩者皆可以具有WWAN收發器310、處理系統332、記憶體部件340等),但取決於UE 302是對應於低級UE還是高級UE,部件可以具有不同程度的功能(例如,增加的或減少的效能、更多或更少的能力等)。
例如,UE可以被分類為低級UE(例如,可穿戴設備,諸如智慧手錶、眼鏡、戒指等)和高級UE(例如,智慧型電話、平板電腦、膝上型電腦等)。低級UE可以替代地被稱為能力降低的NR UE、能力降低的UE、NR輕型UE、輕型UE、NR超輕型UE或超輕型UE。高級UE可以替代地被稱為全能力UE或簡稱為UE。與高級UE相比,低級UE通常具有較低的基頻處理能力、較少的天線(例如,在FR1或FR2中作為基線的一個接收器天線、可選地兩個接收器天線)、較低的操作頻寬能力(例如,對於沒有補充上行鏈路或載波聚合的FR1為20 MHz,或者對於FR2為50或100 MHz)、僅半雙工分頻雙工(HD-FDD)能力、較小的HARQ緩衝器、減少的實體下行鏈路控制通道(PDCCH)監視、受限的調制(例如,用於下行鏈路的64 QAM和用於上行鏈路的16 QAM)、寬鬆的處理等時線要求、及/或較低的上行鏈路發送功率。不同的UE等級可以是藉由UE類別及/或藉由UE能力來區分的。例如,某些類型的UE可以被指派「低級」分類(例如,由原始設備製造商(OEM)、適用的無線通訊標準等等),而其他類型的UE可以被指派「高級」分類。某些等級的UE亦可以向網路報告其類型(例如,「低級」或「高級」)。另外,某些資源及/或通道可以專用於某些類型的UE。
如將理解的,低級UE定位的準確性可能是有限的。例如,低級UE可以在減小的頻寬上操作,諸如用於可穿戴設備和「寬鬆的」IoT設備(亦即,具有寬鬆的或較低的能力參數的IoT設備,諸如較低的輸送量、寬鬆的延遲要求、較低的能耗等)的5到20 MHz,這導致較低的定位準確性。作為另一實例,低級UE的接收處理能力可能由於其較低成本的RF/基頻而受到限制。如此,量測和定位計算的可靠性將降低。另外,此類低級UE可能無法接收來自多個TRP的多個PRS,從而進一步降低定位準確性。作為又一實例,低級UE的發送功率可能是降低的,這意味著用於低級UE定位的上行鏈路量測的品質較低。
高級UE通常具有比低級UE更大的形狀因數和更昂貴的成本,並且具有比低級UE更多的特徵和能力。例如,關於定位,高級UE可以在全PRS頻寬(諸如,100 MHz)上操作,並且與低級UE相比量測來自更多TRP的PRS,這兩者皆導致較高的定位準確性。作為另一實例,高級UE的接收處理能力可以由於其更高能力的RF/基頻而更高(例如,更快)。另外,高級UE的發送功率可以高於低級UE的發送功率。如此,量測和定位計算的可靠性將增加。
NR支援多種基於蜂巢網路的定位技術,包括基於下行鏈路、基於上行鏈路以及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(OTDOA)、NR中的下行鏈路到達時間差(DL-TDOA)以及NR中的下行鏈路離開角(DL-AoD)。圖4示出根據本揭示的態樣的各種定位方法的實例。在場景410所示的OTDOA或DL-TDOA定位程序中,UE量測從成對的基地台接收的參考信號(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)量測,並將其報告給定位實體。更具體地,UE在輔助資料中接收參考基地台(例如,服務基地台)和多個非參考基地台的識別符(ID)。UE隨後量測參考基地台與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量測,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的關於多個下行鏈路發送波束的接收信號強度量測的量測報告來決定UE與(一或多個)發送基地台之間的(一或多個)角度。定位實體隨後可以基於決定的(一或多個)角度和(一或多個)發送基地台的(一或多個)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(UL-TDOA)和上行鏈路到達角(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複數個非參考基地台量測的一或多個上行鏈路參考信號。每個基地台隨後向定位實體(例如,位置伺服器)報告(一或多個)參考信號的接收時間(被稱為相對到達時間(RTOA)),該定位實體知道所涉及的基地台的位置和相對時序。基於參考基地台的報告的RTOA與每個非參考基地台的報告的RTOA之間的接收-接收(Rx-Rx)時間差、基地台的已知位置、以及其已知時序偏移,定位實體可以使用TDOA來估計UE的位置。
對於UL-AoA定位,一或多個基地台量測在一或多個上行鏈路接收波束上從UE接收的一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量測和(一或多個)接收波束的(一或多個)角度來決定UE與(一或多個)基地台之間的(一或多個)角度。基於決定的(一或多個)角度和(一或多個)基地台的(一或多個)已知位置,定位實體隨後可以估計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細胞ID(E-CID)定位和多往返時間(RTT)定位(亦被稱為「多細胞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),第二實體將第二RTT相關信號(例如,SRS或PRS)發送回第一實體。每個實體量測接收的RTT相關信號的到達時間(ToA)與發送的RTT相關信號的發送時間之間的時間差。此時間差被稱為接收-發送(Rx-Tx)時間差。可以進行Rx-Tx時間差量測,或者可以調整Rx-Tx時間差量測以僅包括針對接收信號和發送信號的最近時槽邊界之間的時間差。兩個實體隨後可以向位置伺服器(例如,LMF 270)發出其Rx-Tx時間差量測,位置伺服器根據兩個Rx-Tx時間差量測來計算兩個實體之間的往返傳播時間(亦即,RTT)(例如,作為兩個Rx-Tx時間差量測的和)。替代地,一個實體可以向另一實體發出其Rx-Tx時間差量測,該另一實體隨後計算RTT。可以根據RTT和已知信號速度(例如,光速)來決定兩個實體之間的距離。對於場景430所示的多RTT定位,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,以使得第一實體的位置能夠基於到第二實體的距離和第二實體的已知位置來決定(例如,使用多點定位)。如場景440所示,RTT和多RTT方法可以與其他定位技術(諸如UL-AoA和DL-AoD)組合,以改進位置準確性。
E-CID定位方法基於無線電資源管理(RRM)量測。在E-CID中,UE報告服務細胞ID、時序提前(TA),以及偵測到的相鄰基地台的識別符、估計時序和信號強度。隨後基於此資訊和(一或多個)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,輔助資料可以包括要從中量測參考信號的基地台(或基地台的細胞/TRP)的識別符、參考信號配置參數(例如,包括PRS的連續時槽的數量、包括PRS的連續時槽的週期性、靜默序列、跳頻序列、參考信號識別符、參考信號頻寬等)及/或適用於特定定位方法的其他參數。替代地,輔助資料可以直接源自基地台本身(例如,在週期性廣播的管理負擔訊息中等)。在一些情況下,UE可以能夠在不使用輔助資料的情況下自行偵測相鄰網路節點。
在OTDOA或DL-TDOA定位程序的情況下,輔助資料亦可以包括預期RSTD值和圍繞預期RSTD的相關聯的不確定性或搜尋訊窗。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,當用於定位量測的資源中的任一個在FR1中時,用於預期RSTD的不確定性的值範圍可以是+/-32 µs。在其他情況下,當用於(一或多個)定位量測的所有資源在FR2中時,用於預期RSTD的不確定性的值範圍可以是+/-8 µs。
位置估計可以藉由其他名稱來代表,諸如定位估計、位置、定位、定位固定、固定等。位置估計可以是地理的並且包括座標(例如,緯度、經度和可能的海拔高度),或者可以是城市的並且包括街道位址、郵政位址或位置的一些其他口頭描述。位置估計亦可以相對於一些其他已知位置來定義,或者以絕對術語來定義(例如,使用緯度、經度和可能的海拔高度)。位置估計可以包括預期誤差或不確定性(例如,藉由包括面積或體積,在其內預期包括具有某個指定或預設置信水平的位置)。
各種訊框結構可以被用於支援網路節點(例如,基地台和UE)之間的下行鏈路和上行鏈路發送。圖5是示出根據本揭示的態樣的示例訊框結構的圖500。訊框結構可以是下行鏈路或上行鏈路訊框結構。其他無線通訊技術可以具有不同的訊框結構及/或不同的通道。
LTE(以及在一些情況下,NR)在下行鏈路上利用正交分頻多工(OFDM),並且在上行鏈路上利用單載波分頻多工(SC-FDM)。然而,與LTE不同的是,NR亦可以選擇在上行鏈路上使用OFDM。OFDM和SC-FDM將系統頻寬分割為多個(K)正交次載波,其常常亦被稱為頻調(tone)、區間(bin)等。每個次載波可以是利用資料來調制的。通常,調制符號在頻域中是利用OFDM來發出的,而在時域中是利用SC-FDM來發出的。相鄰次載波之間的間隔可以是固定的,而次載波的總數(K)可以取決於系統頻寬。例如,次載波的間距可以是15千赫(kHz),而最小資源分配(資源區塊)可以是12個次載波(或180 kHz)。因此,對於1.25、2.5、5、10或20兆赫(MHz)的系統頻寬,標稱快速傅裡葉變換(FFT)大小可以分別等於128、256、512、1024或2048。系統頻寬亦可以被分割為次頻帶。例如,次頻帶可以覆蓋1.08 MHz(亦即,6個資源區塊),從而對於1.25、2.5、5、10或20 MHz的系統頻寬,可以分別有1、2、4、8或16個次頻帶。
LTE支援單個參數集(numerology)(次載波間距(SCS)、符號長度等)。相比之下,NR可以支援多個參數集(µ),例如,15 kHz(µ=0)、30 kHz(µ=1)、60 kHz(µ=2)、120 kHz(µ=3)、以及240 kHz(µ=4)或更大的次載波間距可以是可用的。在每個次載波間距中,每個時槽有14個符號。對於15 kHz SCS(µ=0),每個子訊框有一個時槽,每個訊框10個時槽,時槽持續時間為1毫秒(ms),符號持續時間為66.7微秒(µs),並且具有4K FFT大小的最大標稱系統頻寬(以MHz計)為50。對於30 kHz SCS(µ=1),每個子訊框有兩個時槽,每個訊框20個時槽,時槽持續時間為0.5 ms,符號持續時間為33.3 µs,並且具有4K FFT大小的最大標稱系統頻寬(以MHz計)為100。對於60 kHz SCS(µ=2),每個子訊框有四個時槽,每個訊框40個時槽,時槽持續時間為0.25 ms,符號持續時間為16.7 µs,並且具有4K FFT大小的最大標稱系統頻寬(以MHz計)為200。對於120 kHz SCS(µ=3),每個子訊框有八個時槽,每個訊框80個時槽,時槽持續時間為0.125 ms,符號持續時間為8.33 µs,並且具有4K FFT大小的最大標稱系統頻寬(以MHz計)為400。對於240 kHz SCS(µ=4),每個子訊框有16個時槽,每個訊框160個時槽,時槽持續時間為0.0625 ms,符號持續時間為4.17 µs,並且具有4K FFT大小的最大標稱系統頻寬(以MHz計)為800。
在圖5的實例中,使用了15 kHz的參數集。因此,在時域中,10 ms訊框被劃分成10個大小相等的子訊框,每個子訊框1 ms,並且每個子訊框包含一個時槽。在圖5中,時間被水平地表示(在X軸上),其中時間從左到右增加,而頻率被垂直地表示(在Y軸上),其中頻率從下到上增加(或減少)。
資源網格可以被用於表示時槽,每個時槽包括頻域中的一或多個時間併發資源區塊(RB)(亦被稱為實體RB(PRB))。資源網格被進一步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次載波。在圖5的參數集中,對於一般循環字首,RB可以包含頻域中的12個連續次載波和時域中的七個連續符號,總共有84個RE。對於擴展循環字首,RB可以包含頻域中的12個連續次載波和時域中的六個連續符號,總共有72個RE。每個RE攜帶的位元數量取決於調制方案。
一些RE可以攜帶參考(引導頻)信號(RS)。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)、細胞特定參考信號(CRS)、通道狀態資訊參考信號(CSI-RS)、解調參考信號(DMRS)、主要同步信號(PSS)、輔同步信號(SSS)、同步信號區塊(SSB)、探測參考信號(SRS)等,這取決於所示的訊框結構是用於上行鏈路通訊還是下行鏈路通訊。圖5示出攜帶參考信號的RE的示例位置(被標記為「R」)。
用於PRS的發送的資源元素(RE)的群組被稱為「PRS資源」。資源元素的群組可以跨越頻域中的多個PRB,以及時域中的時槽內的「N」個(諸如1個或多個)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的PRB。
給定PRB內的PRS資源的發送具有特定的梳(comb)大小(亦被稱為「梳密度」)。梳大小「N」表示PRS資源配置的每個符號內的次載波間距(或頻率/頻調間距)。具體地,對於梳大小「N」,PRS在PRB的符號的每第N個次載波中被發送。例如,對於梳-4,對於PRS資源配置的每個符號,對應於每第四個次載波(諸如次載波0、4、8)的RE被用於發送PRS資源的PRS。目前,DL-PRS支援梳-2、梳-4、梳-6和梳-12的梳大小。圖5示出用於梳-4(其跨越四個符號)的示例PRS資源配置。亦即,陰影RE的位置(被標記為「R」)指示梳-4 PRS資源配置。
目前,DL-PRS資源可以利用全頻域交錯樣式跨越時槽內的2、4、6或12個連續符號。DL-PRS資源可以被配置於時槽的任何較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,可以存在恆定的每資源元素能量(EPRE)。以下是對於2、4、6和12個符號上的梳大小2、4、6和12的逐符號的頻率偏移。2-symbol comb-2:{0, 1};4-symbol comb-2:{0, 1, 0, 1};6-symbol comb-2:{0, 1, 0, 1, 0, 1};12-symbol comb-2:{0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1};4-symbol comb-4:{0, 2, 1, 3}(如圖5的實例中);12-symbol comb-4:{0, 2, 1, 3, 0, 2, 1, 3, 0, 2, 1, 3};6-symbol comb-6:{0, 3, 1, 4, 2, 5};12-symbol comb-6:{0, 3, 1, 4, 2, 5, 0, 3, 1, 4, 2, 5};及12-symbol comb-12:{0, 6, 3, 9, 1, 7, 4, 10, 2, 8, 5, 11}。
「PRS資源集」是用於PRS信號的發送的PRS資源的集合,其中每個PRS資源具有PRS資源ID。另外,PRS資源集中的PRS資源與相同TRP相關聯。PRS資源集由PRS資源集ID標識,並與特定TRP(由TRP ID標識)相關聯。另外,PRS資源集中的PRS資源跨時槽而具有相同的週期性、共同的靜默樣式配置和相同的重複因數(諸如「PRS-ResourceRepetitionFactor」)。週期性是從第一PRS實例的第一PRS資源的第一次重複到下一PRS實例的相同的第一PRS資源的相同的第一次重複的時間。週期性可以具有從2^µ*{4, 5, 8, 10, 16, 20, 32, 40, 64, 80, 160, 320, 640, 1280, 2560, 5120, 10240}個時槽中選擇的長度,其中µ=0、1、2、3。重複因數可以具有從{1, 2, 4, 6, 8, 16, 32}個時槽選擇的長度。
PRS資源集中的PRS資源ID與從單個TRP發送的單個波束(或波束ID)相關聯(其中TRP可以發送一或多個波束)。亦即,PRS資源集中的每一個PRS資源可以在不同的波束上被發送,並且因此,「PRS資源」或簡稱「資源」亦可以被稱為「波束」。注意,這不具有關於TRP和在其上發送PRS的波束是否為UE所知的任何暗示。
「PRS實例」或「PRS時機」是其中PRS預期要被發送的週期性重複時間訊窗(諸如一或多個連續時槽的組)的一個實例。PRS時機亦可以被稱為「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」(亦被簡稱為「頻率層」)是針對某些參數具有相同值的、跨一或多個TRP的一或多個PRS資源集的群組。具體地,PRS資源集的群組具有相同的次載波間距和循環字首(CP)類型(意味著被支援用於實體下行鏈路共享通道(PDSCH)的參數集同樣亦被支援用於PRS)、相同的點A、相同的下行鏈路PRS頻寬值、相同的開始PRB(和中心頻率)和相同的梳大小。點A參數取參數「ARFCN-ValueNR」的值(其中「ARFCN」代表「絕對射頻通道號」),並且是指定用於發送和接收的實體無線電通道對的識別符/代碼。下行鏈路PRS頻寬可以具有4個PRB的細微性,最少具有24個PRB,並且最多具有272個PRB。目前,最多四個頻率層已被定義,並且每頻率層每TRP最多可以配置兩個PRS資源集。
頻率層的概念有些像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(或巨集細胞基地台和小型細胞基地台)用於發送資料通道,而頻率層由若干(通常是三個或更多)基地台用於發送PRS。當UE向網路發出其定位能力時(諸如在LTE定位協定(LPP)通信期期間),UE可以指示其可以支援的頻率層的數量。例如,UE可以指示其是否可以支援一個或四個定位頻率層。
注意,在NR和LTE系統中,術語「定位參考信號」和「PRS」通常是指用於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」亦可以代表可以被用於定位的任何類型的參考信號,諸如但不限於如在LTE和NR中定義的PRS、TRS、PTRS、CRS、CSI-RS、DMRS、PSS、SSS、SSB、SRS、UL-PRS等。另外,除非上下文另有指示,否則術語「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。若需要進一步區分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」。另外,對於可以在下行鏈路、上行鏈路及/或側鏈路中發送的信號(例如,DMRS),可以在信號前面加上「DL」、「UL」或「SL」以區分方向。例如,「UL-DMRS」與「DL-DMRS」不同。
圖6是根據本揭示的態樣的表示接收器設備(例如,本文描述的UE或基地台中的任一個)與發送器設備(例如,本文描述的UE或基地台中的任一其他設備)之間的多徑通道的通道估計的圖600。通道估計將經由多徑通道接收的射頻(RF)信號(例如,PRS)的強度表示為時間延遲的函數,並且可以被稱為通道的通道能量回應(CER)、通道脈衝回應(CIR)或功率延遲分佈(PDP)。因此,水平軸以時間為單位(例如,毫秒),並且垂直軸以信號強度為單位(例如,分貝)。注意,多徑通道是發送器與接收器之間的通道,由於RF信號在多個波束上的發送及/或由於RF信號的傳播特性(例如,反射、折射等),RF信號在該通道上遵循多個路徑或多徑。
在圖6的實例中,接收器偵測/量測多個(四個)通道分接點集群。每個通道分接點表示RF信號在發送器與接收器之間遵循的多徑。亦即,通道分接點表示多徑上的RF信號的到達。每個通道分接點集群指示基本上遵循相同的路徑的對應的多徑。由於RF信號在不同的發送波束上(並且因此以不同的角度)被發送,或者因為RF信號的傳播特性(例如,由於反射而潛在地遵循不同的路徑),或兩者,可以存在不同的集群。
針對給定RF信號的所有通道分接點集群表示發送器與接收器之間的多徑通道(或簡稱為通道)。在圖6所示的通道下,接收器接收時間T1處的通道分接點上的兩個RF信號的第一集群,時間T2處的通道分接點上的五個RF信號的第二集群,時間T3處的通道分接點上的五個RF信號的第三集群,以及時間T4處的通道分接點上的四個RF信號的第四集群。在圖6的實例中,因為時間T1處的RF信號的第一集群首先到達,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發送的RF信號。時間T3處的第三集群由最強的RF信號組成,並且可以對應於例如在與非視線(NLOS)路徑對準的發送波束上發送的RF信號。注意,儘管圖6示出二到五個通道分接點的集群,但是應當理解,集群可以具有比所示出的通道分接點數量更多或更少的通道分接點。
機器學習可以被用於產生可用於促進與資料處理相關聯的各個態樣的模型。機器學習的一個特定應用關於用於處理用於定位的參考信號(例如,PRS)(諸如特徵提取、參考信號量測的報告(例如,選擇報告哪些提取的特徵)等)的量測模型的產生。
機器學習模型通常被歸類為監督的或無監督的。監督模型可以被進一步細分為回歸或分類模型。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)兩個變數的訓練資料集,可以產生監督學習模型以基於年齡預測人的身高。在回歸模型中,輸出是連續的。回歸模型的一個實例是線性回歸,其簡單地試圖尋找最佳擬合資料的線。線性回歸的擴展包括多個線性回歸(例如,尋找最佳擬合平面)和多項式回歸(例如,尋找最佳擬合曲線)。
機器學習模型的另一實例是決策樹模型。在決策樹模型中,樹結構是利用複數個節點來定義的。決策被用於從決策樹頂部的根節點移動到決策樹底部的葉節點(亦即,不具有進一步子節點的節點)。通常,決策樹模型中的節點的更高數量與更高的決策準確性相關。
機器學習模型的另一實例是決策森林。隨機森林是從決策樹構建的集成學習技術。隨機森林涉及使用原始資料的自舉資料集來建立多個決策樹並且在決策樹的每個步驟處隨機地選擇變數的子集。模型隨後選擇每個決策樹的所有預測的模型。藉由依賴於「多數勝利」模型,來自個體樹的錯誤的風險被降低。
機器學習模型的另一實例是神經網路(NN)。神經網路本質上是數學方程的網路。神經網路接受一或多個輸入變數,並且藉由歷經方程網路產生一或多個輸出變數。換言之,神經網路接收輸入向量並返回輸出向量。
圖7示出根據本揭示的態樣的示例神經網路700。神經網路700包括接收「n」個(一或多個)輸入(被示為「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或多個隱藏層(被示為隱藏層「h1」、「h2」和「h3」)、以及提供「m」個(一或多個)輸出(被標記為「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」可以包括每個相繼隱藏層的節點(被示為圓)處理來自先前隱藏層的節點的輸出的(一或多個)線性函數及/或(一或多個)啟動函數。
在分類模型中,輸出是離散的。分類模型的一個實例是邏輯回歸。邏輯回歸類似於線性回歸,但是被用於對有限數量的結果(典型地為兩個)的概率進行建模。本質上,邏輯方程是以輸出值只能在「0」與「1」之間的方式來建立的。分類模型的另一實例是支援向量機。例如,對於兩個資料類別,支援向量機將尋找使兩個類別之間的間隔最大化的兩個資料類別之間的超平面或邊界。儘管存在可以分隔兩個類別的許多平面,但僅一個平面可以最大化類別之間的間隔或距離。分類模型的另一實例是基於Bayes定理的Naïve Bayes。分類模型的其他實例包括決策樹、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均與上述實例類似。
與監督學習不同,無監督學習被用於在不參考標記結果的情況下從輸入資料得出推斷和尋找樣式。無監督學習模型的兩個實例包括群集和降維。
群集是涉及資料點的分組或群集的無監督技術。群集被頻繁用於客戶劃分、欺詐偵測和文件分類。常見的群集技術包括k均值群集、分層群集、均值移位群集和基於密度的群集。降維是藉由獲得主變數的集合來減少所考慮的隨機變數的數量的過程。更簡單來說,降維就是降低特徵集合的維度的過程(甚至更簡單來說,減少特徵的數量)。大多數降維技術可以被歸類為特徵消除或特徵提取。降維的一個實例被稱為主分量分析(PCA)。在最簡單的意義上,PCA涉及將較高維度的資料(例如,三維)投射到較小空間(例如,二維)。這產生較低維度的資料(例如,二維而不是三維),同時保持模型中的所有原始變數。
無論使用哪種機器學習模型,在高層,機器學習模組(例如,由諸如處理器332、384或394之類的處理系統實現)可以被配置為迭代地分析訓練輸入資料(例如,對去往/來自各種目標UE的參考信號的量測)並將此訓練輸入資料與輸出資料集合(例如,各種目標UE的潛在或可能的候選位置的集合)相關聯,從而在稍後呈現類似的輸入資料(例如,來自相同或類似位置的其他目標UE)時能夠決定相同的輸出資料集合。
NR支援基於RF指紋(RFFP)的定位,一種利用行動設備捕捉的RFFP來決定行動設備的位置的定位和測位技術。RFFP可以是接收信號強度指示符(RSSI)、CER、CIR、PDP或通道頻率回應(CFR)的長條圖。RFFP可以表示從發送器接收的單個通道(例如,PRS)、從特定發送器接收的所有通道、或在接收器處可偵測到的所有通道。由行動設備(例如,UE)量測的(一或多個)RFFP以及與量測的(一或多個)RFFP相關聯的(一或多個)發送器(亦即,發送由行動設備量測以決定(一或多個)RFFP的RF信號的發送器)的位置可以被用於決定(例如,三角量測)行動設備的位置。
機器學習定位技術已被證明在與經典定位方案相比時提供更好的定位效能。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,並且輸出與輸入的RFFP相對應的定位量測(例如,ToA,RSTD)或行動設備位置。機器學習模型(例如,神經網路700)是使用「地面實況」(亦即,已知)定位量測或行動設備位置作為RFFP的訓練集的參考(亦即,預期)輸出來訓練的。
例如,可以訓練機器學習模型以根據由TRP發送的PRS的RFFP來決定TRP對的RSTD量測。用於訓練此類模型的參考輸出將為在行動設備獲得PRS的RFFP量測時針對行動設備的位置的正確(亦即,地面實況)RSTD量測。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(所量測)TRP的已知位置來決定預期針對TRP對的RSTD。行動設備的已知位置可以是根據多個報告的RSTD量測及/或由行動設備報告的任何其他量測(例如,GPS量測)來決定的。
圖8是示出根據本揭示的態樣的用於基於RFFP的定位的機器學習模型的使用的圖800。在圖8的實例中,在「離線」階段期間,由行動設備捕捉的RFFP(例如,CER/CIR/CFR)被儲存在資料庫中。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可以包括由一或多個發送器(在圖8中被示為基地台1到N(亦即,「BS 1」到「BS N」))發送的RF信號(或通道或鏈路)的量測。對於基於UE的下行鏈路RFFP定位,網路(例如,位置伺服器)將基地台配置為向行動設備發送下行鏈路參考信號(例如,PRS),並且RFFP是由行動設備偵測到的配置的下行鏈路參考信號的(一或多個)CER/CIR/CFR。
每個量測的RFFP與在行動設備量測RFFP時行動設備的已知位置(在圖8中被示為定位1到L(亦即,「Pos 1」到「Pos L」))相關聯。行動設備的位置可以是經由諸如上文參考圖4論述的另一定位技術來知曉的。注意,儘管圖8示出針對單個行動設備的RFFP資訊,但如將理解的,針對多個行動設備的RFFP資訊亦可以被收集並儲存在資料庫中。
基於在離線階段期間捕捉的資訊,機器學習模型(例如,神經網路700)被訓練以基於由行動設備量測的RFFP來預測行動設備的定位量測或位置。更具體地,被用於提取與在捕捉RFFP時行動設備的已知定位量測或位置相關聯的特徵的RFFP量測的訓練集被用作標記。在訓練之後,在「線上」階段期間,經訓練機器學習模型可以被用於基於行動設備當前量測的(一或多個)RFFP來預測(推斷)特徵,並且進而預測(推斷)行動設備的位置(被示為「Pos M」)。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量測以供處理。
如本文所使用的,定位量測「特徵」是原始定位量測資料或替代地一或多個其他定位量測特徵(例如,特徵的特徵等)的經處理(例如,經壓縮)表示。在一些設計中,可以出於各種原因,諸如減少要在UE與gNB之間的實體通道上傳輸的定位量測資料的量,來實現原始定位量測資料到(一或多個)相應定位量測特徵的處理(例如,或細化或壓縮)。定位量測特徵的實例包括到達時間(例如,TOA、TDOA、OTDOA等)、參考信號時間差、離開角(AoD)、通道脈衝回應(CIR)(例如,通道估計中的預定義數量的峰值的時序和量值等)、通道頻率回應(CFR)等。定位量測特徵可以被用於各種上下文中的基於ML的特徵提取(例如,RFFP等),儘管在以下描述的態樣中對特徵的引用通常針對基於RFFP的特徵。
在網路(NW)輔助RFFP定位中,NW(例如,LMF,gNB等)配置UL參考信號(例如,SRS),UE發出UL參考信號,並且TRP接收並使用其來提取特徵(例如,使用基於TRP的ML模型)。隨後,對於基於UE的定位估計,TRP將提取的特徵傳遞回UE,其中UE將其傳遞到其本端ML模型以推斷定位。在一些設計中,NW輔助RFFP的優點可以包括促進針對具有有限能力的UE(諸如NR輕型UE或RedCap UE)的基於UE的定位估計(例如,NW可以進行大多數「繁重工作」,包括量測處理和特徵提取,而UE僅需要發出SRS、接收提取的特徵、以及將其傳遞到簡單的本端ML模型)。
本揭示的態樣針對網路輔助的基於上行鏈路RFFP的定位估計。此類態樣可以提供各種技術優點,諸如改進的定位估計,尤其是對於具有有限能力的UE,諸如NR輕型UE或RedCap UE。
圖9示出根據本揭示的態樣的通訊的示例性過程900。圖9的過程900由UE(諸如UE 302)執行。
參考圖9,在910處,UE 302(例如,發送器314或324等)發送用於定位的參考信號(RS-P)。例如,UE 302可以向一或多個發送接收點(TRP)發送上行鏈路的用於定位的參考信號(RS-P)。
參考圖9,在920處,UE 302(例如,接收器312或322等)獲得與RS-P相關聯的一或多個特徵,一或多個特徵是由一或多個實體經由一或多個機器學習(ML)特徵提取模型從RS-P的一或多個射頻指紋(RFFP)提取的。例如,UE 302可以接收與上行鏈路RS-P相關聯的一或多個特徵,一或多個特徵是由一或多個網路部件經由一或多個基於網路的機器學習(ML)特徵提取模型從上行鏈路RS-P的一或多個上行鏈路射頻指紋(RFFP)提取的。
參照圖9,在930處,UE 302(例如,定位部件342、(一或多個)處理器332等)至少部分地基於基於UE的ML特徵融合模型和一或多個特徵的輸出來決定對UE的定位估計。在特定實例中,UE 302向基於UE的ML特徵融合模型提供一或多個特徵以推導UE的定位估計。
參考圖9,在一些設計中,一或多個ML特徵提取模型包括一或多個實體特定ML特徵提取模型或公共ML特徵提取模型。在特定實例中,一或多個特徵由一或多個TRP提取。在一些設計中,一或多個基於網路的ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。在一些設計中,一或多個特徵由網路定位估計實體(例如,LMF)提取。
參考圖9,在一些設計中,一或多個特徵包括由一或多個發送接收點(TRP)經由第一ML特徵提取模型集合提取的第一特徵集合,並且一或多個特徵包括由網路定位估計實體經由第二ML特徵提取模型集合提取的第二特徵集合。在特定實例中,一或多個特徵包括由一或多個TRP經由第一基於網路的ML特徵提取模型集合提取的第一特徵集合,並且一或多個特徵包括由網路定位估計實體經由第二基於網路的ML特徵提取模型集合提取的第二特徵集合。
參考圖9,在一些設計中,RS-P對應於上行鏈路探測參考信號(SRS)或側鏈路SRS。在特定實例中,上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
參考圖9,在一些設計中,一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在設備特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在設備特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。在特定實例中,一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
圖10示出根據本揭示的態樣的通訊的示例性過程1000。圖10的過程1000由實體執行。例如,實體可以是網路部件,諸如TRP(例如,BS 302或O-RAN部件)、網路定位估計實體(例如,網路實體306),諸如與TRP集成或遠離TRP的LMF等。在其他設計中,實體可以是UE(例如,錨UE)。
參考圖10,在1010處,實體(例如,接收器352或362、定位部件388、(一或多個)網路收發器380或390等)獲得與來自使用者設備(UE)的用於定位的參考信號(RS-P)相關聯的一或多個射頻指紋(RFFP)。在特定實例中,實體獲得如在一或多個發送接收點(TRP)處量測的與來自使用者設備(UE)的上行鏈路的用於定位的參考信號(RS-P)相關聯的一或多個上行鏈路射頻指紋(RFFP)。
參考圖10,在1020處,實體(例如,定位部件388或398、(一或多個)處理器384或394等)經由一或多個機器學習(ML)特徵提取模型提取與一或多個RFFP相關聯的一或多個特徵。在特定實例中,實體經由一或多個基於網路的機器學習(ML)特徵提取模型來提取與一或多個上行鏈路RFFP相關聯的一或多個特徵。
參考圖10,在1030處,實體(例如,發送器354或364、(一或多個)網路收發器380或390等)向一或多個目標設備發送所提取的一或多個特徵。
參考圖10,在一些設計中,實體對應於量測RS-P以獲得相應RFFP的相應發送接收點(TRP)或另一UE,並且一或多個目標設備包括UE、網路定位估計實體、或其組合。在特定實例中,實體(例如,網路部件)對應於量測上行鏈路RS-P以獲得相應上行鏈路RFFP的相應TRP,並且一或多個目標設備包括UE、網路定位估計實體、或其組合。在其他設計中,實體對應於接收一或多個RFFP的網路定位估計實體,並且一或多個目標設備包括一或多個發送接收點(TRP)或一或多個其他UE。在特定實例中,實體(例如,網路部件)對應於從一或多個TRP接收RFFP量測資訊的網路定位估計實體,並且一或多個目標設備包括一或多個TRP。
參考圖10,在一些設計中,RS-P對應於上行鏈路探測參考信號(SRS)或側鏈路SRS。在特定實例中,上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。在一些設計中,一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在發送接收點(TRP)特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在設備特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。在特定實例中,一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
圖11分別示出根據本揭示的態樣的圖9至圖10的過程900至1000的示例實現方式1100。特定而言,圖11示出描繪網路輔助的基於RFFP的定位估計的通訊框架。在圖11中,描繪了UE 302、(一或多個)TRP 304和LMF(例如,被集成在(一或多個)TRP 304或諸如網路實體306之類的遠端實體中的一個中)。
參考圖11,UE 302包括ML模型2 1102,(一或多個)TRP 304包括ML模型1/1a 1104(例如,ML模型1、ML模型1a或兩者),並且LMF 304、306包括ML模型1/1b 1106(例如,ML模型1、ML模型1b或兩者)。在1110處,UE 302向(一或多個)TRP 304發送UL RS(例如,SRS)。在1112處,(一或多個)TRP 304可選地向LMF 304、306發送UL RS資訊。特徵被可選地經由ML模型1/1a 1104在(一或多個)TRP 304處、或經由ML模型1/1b在LMF 304、306處從UL RS的UL RFFP提取。提取的特徵可選地在1116處由LMF 304、306發給(一或多個)TRP 304,並且提取的特徵可選地在1116處由(一或多個)TRP 304發給UE 302。
參考圖11,ML模型1/1a 1104和ML模型1/1b 1106是特徵提取模型。ML模型1/1a 1104的ML模型1部分是接受UL RFFP(基於UL RS或SRS)作為輸入並輸出提取的特徵1的特徵提取模型。ML模型1/1a 1104的ML模型1a部分是接受UL RFFP(基於UL RS或SRS)作為輸入並輸出提取的特徵1a的特徵提取模型。ML模型1/1b 1106的ML模型1部分是接受UL RFFP(基於UL RS或SRS)作為輸入並輸出提取的特徵1的特徵提取模型。ML模型1/1b 1106的ML模型1b部分是接受提取的特徵1a作為輸入並輸出提取的特徵1b的特徵提取模型。在此上下文中,提取的特徵1b相對於提取的特徵1a被「增強」(或細化、壓縮等)。ML模型2是接受提取的特徵1(或1a或1b)作為輸入並輸出UE 302的估計定位的特徵融合模型。
參考圖11,在一些設計中,對於NW輔助方法,RFFP ML模型可以以此種方式被分離:使得模型的部分可以在NW側被執行,而模型的其餘部分可以在UE處被執行。在此模型中,TRP使用TRP ML模型例如根據UL-SRS通道觀測來計算一些特徵,並且向UE報告該等特徵。UE利用從TRP報告的所有特徵,執行特徵融合,並推斷UE定位。
例如,促進此類定位估計的一個候選架構可以被表示為:
,其中
是定位並且
是在TRP
處提取的特徵,並且
是TRP ML模型並且
是利用從TRP報告的所有特徵、執行特徵融合並且推斷UE定位的UE ML模型。在一些設計中,在此類架構中,ML模型的執行在推斷時間處被分離在UE和網路之間。在一些設計中,由TRP計算的特徵可以使用TRP特定的或公共的處理ML模型。
在一些設計中,TRP特徵提取模型
和UE特徵融合模型
可以是:
·選項1:由UE供應商離線訓練的→UE使用能力交換來為TRP更新模型ID,TRP供應商從公共儲存庫檢索模型的結構和參數;UE亦可能使用能力訊息傳遞來為TRP更新模型細節,及/或
·選項2:由TRP供應商離線訓練的→NW使用輔助資料來為UE更新模型ID,UE供應商從公共儲存庫檢索模型的結構和參數;NW亦可能使用輔助資訊訊息傳遞來為UE更新模型細節,及/或
·選項3:藉由UE與TRP供應商之間的協調來離線訓練的→不同模型之間的切換可以是經由使用UE能力訊息傳遞和輔助資訊訊息傳遞交換模型的ID或模型的細節來完成的,及/或
·選項4:線上訓練的→UE、TRP和(可能的)LMF涉及線上訓練。
在一些設計中,NW ML模型可以是:
·選項1:在TRP側運行以提取特徵,或者
·選項2:在LMF側運行以提取特徵,或者
·選項3:在TRP與LMF之間進一步分離,其中LMF可以對TRP提取的特徵應用進一步的處理。
在NW側提取的特徵的一些實例包括但不限於例如:
·ML/經典方法產生的多徑延遲+角度,例如,映射到現有報告的可解釋特徵(UE仍然可以利用該等可解釋特徵來產生RFFP),及/或
·與UE處的融合ML模型聯合訓練的每TRP特徵處理器產生的潛在特徵
,例如,不可解釋特徵,及/或
·獨立於UE處的融合NN訓練的每TRP特徵處理器(例如,自動編碼器)產生的潛在特徵
,例如,不可解釋特徵,及/或
·每個觀測到的多徑與環境中的虛擬錨/反射器的關聯,例如基於虛擬錨的定位技術。
本揭示的態樣針對UE輔助的基於下行鏈路RFFP的定位估計。此類態樣可以提供各種技術優點,諸如改進的定位估計,尤其是對於具有有限能力的UE,諸如NR輕型UE或RedCap UE。
圖12示出根據本揭示的態樣的通訊的示例性過程1200。圖12的過程1200由網路部件(諸如TRP(例如,BS 302或O-RAN部件)、網路定位估計實體(例如,網路實體306),諸如與TRP集成或遠離TRP的LMF)等執行。
參考圖12,在1210處,網路部件(例如,接收器352或362、(一或多個)網路收發器380或390等)接收與由一或多個發送接收點(TRP)向使用者設備(UE)發送的一或多個下行鏈路的用於定位的參考信號(RS-P)相關聯的一或多個特徵,一或多個特徵是由一或多個設備經由一或多個機器學習(ML)特徵提取模型從一或多個下行鏈路RS-P的一或多個下行鏈路射頻指紋(RFFP)提取的。
參考圖12,在1220處,網路部件(例如,定位部件388或398、(一或多個)處理器384或394等)向基於網路的ML特徵融合模型提供一或多個特徵以推導UE的定位估計。
參考圖12,在一些設計中,網路部件對應於發送一或多個下行鏈路RS-P的一或多個TRP中的相應TRP。在一些設計中,一或多個特徵是從UE接收的。在一些設計中,定位估計被進一步發送到網路定位估計實體(例如,LMF)。在一些設計中,一或多個ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。
參考圖12,在一些設計中,網路部件對應於網路定位估計實體(例如,LMF)。在一些設計中,一或多個特徵是從一或多個TRP中的至少一個TRP接收的。在一些設計中,一或多個特徵包括由UE經由基於UE的ML特徵提取模型提取的第一特徵集合,或者一或多個特徵包括由至少一個TRP提取的第二特徵集合,第二特徵集合包括來自接受第一特徵集合作為輸入的至少一個網路側ML特徵提取模型的一或多個增強特徵,或其組合。
參考圖12,在一些設計中,一或多個RS-P對應於一或多個下行鏈路定位參考信號(PRS)。在一些設計中,一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於網路的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於網路的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
圖13示出根據本揭示的態樣的通訊的示例性過程1300。圖13的過程1300由UE(諸如UE 302)執行。
參考圖13,在1310處,UE 302(例如,接收器312或322等)從一或多個發送接收點(TRP)接收一或多個下行鏈路的用於定位的參考信號(RS-P)。
參考圖13,在1320處,UE 302(例如,定位部件342、(一或多個)處理器332等)獲得與一或多個下行鏈路RS-P相關聯的一或多個下行鏈路射頻指紋(RFFP)。
參考圖13,在1330處,UE 302(例如,定位部件342、(一或多個)處理器332等)經由一或多個基於UE的機器學習(ML)特徵提取模型從一或多個下行鏈路RFFP提取一或多個特徵。
參考圖13,在1340處,UE 302(例如,發送器314或324等)發送一或多個特徵(例如,經由TRP向網路定位估計實體發送,或向TRP發送以用於經由ML模型2a的進一步特徵提取/增強等)。
參考圖13,在一些設計中,其中一或多個RS-P對應於一或多個下行鏈路定位參考信號(PRS)。在一些設計中,一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於網路的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於網路的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
圖14分別示出根據本揭示的態樣的圖12至圖13的過程1200至1300的示例實現方式1400。特定而言,圖14示出描繪UE輔助的基於RFFP的定位估計的通訊框架。在圖14中,描繪了UE 302、(一或多個)TRP 304和LMF(例如,被集成在(一或多個)TRP 304或諸如網路實體306之類的遠端實體中的一個中)。
參考圖14,UE 302包括ML模型1 1402,(一或多個)TRP 304包括ML模型2a/2b 1404(例如,ML模型2a、ML模型2b或兩者),並且LMF 304、306包括ML模型3a/3b 1406(例如,ML模型3a、ML模型3b或兩者)。在1410處,(一或多個)TRP 304向UE 302發送(一或多個)DL RS(例如,DL PRS)。特徵被可選地經由ML模型1在UE 302處從(一或多個)DL RS的(一或多個)DL RFFP提取。在1412處,提取的特徵可選地由UE 302發給(一或多個)TRP 304(例如,與服務gNB相關聯的TRP)。在1414處,UE 302的估計定位(例如,作為ML模型2a/2b 1404的ML模型2b部分的函數的輸出)可選地由(一或多個)TRP發給LMF 304、306。替代地,在1416處,提取的特徵1(例如,在UE 302處由ML模型1 1402提取的特徵)或提取的特徵2(例如,由ML模型2a/2b 1404的ML模型2a部分提取的特徵)可選地由(一或多個)TRP發給LMF 304、306(例如,以促成LMF自身執行定位估計)。
參考圖14,ML模型1 1402和ML模型2a/2b 1404的ML模型1a部分是特徵提取模型。ML模型1 1402是接受DL RFFP(基於DL RS或DL PRS)作為輸入並輸出提取的特徵1的特徵提取模型。ML模型2a/2b 1404的ML模型2a部分接受提取的特徵1作為輸入並輸出提取的特徵2。在此上下文中,提取的特徵b相對於提取的特徵1被「增強」(或細化、壓縮等)。ML模型2a/2b 1404的ML模型2b部分和ML模型3a/3b 1406是特徵融合模型。ML模型2a/2b 1404的ML模型2b部分接受提取的特徵1作為輸入並輸出UE 302的估計定位。ML模型3a/3b 1406的ML模型3a部分接受提取的特徵2作為輸入並輸出UE 302的估計定位。ML模型3a/3b 1406的ML模型3b部分接受提取的特徵1作為輸入並輸出UE 302的估計定位。
參考圖14,在一些設計中,對於UE輔助方法,RFFP ML模型可以以此種方式被分離:使得模型的部分可以在UE處被執行,而模型的其餘部分可以在NW處被執行。在此模型中,UE使用UE ML模型例如根據DL-PRS通道觀測來計算一些特徵,並且向NW報告該等特徵。NW利用從UE報告的所有特徵,執行特徵融合,並推斷UE定位。
例如,促進此類定位估計的一個候選架構可以被表示為:
,其中
是定位並且
是針對TRP
i提取的特徵,並且
是UE ML模型並且
是利用從UE報告的所有特徵、執行特徵融合、並推斷UE定位的NW ML模型。在一些設計中,在此類架構中,ML模型的執行在推斷時間處被分離在UE和網路之間。在一些設計中,由UE計算的特徵可以對所有TRP使用TRP特定的或公共的處理和UE ML模型。
在模型設計中,NW
ML模型可以是:
·選項1:在TRP側運行以融合UE提取的特徵並產生RFFP定位估計,或者
·選項2:在LMF側運行以融合UE提取的特徵並產生RFFP定位估計,或者
·選項3:在TRP與LMF之間進一步分離,其中TRP可以使用TRP ML模型應用進一步處理以提取更多特徵,並且將其傳遞給LMF以用於使用LMF ML模型的融合。
由UE報告的特徵的一些實例可以包括例如:
·ML/經典方法產生的多徑延遲+角度,例如,映射到現有報告的可解釋特徵(NW仍然可以利用該等可解釋特徵來產生RFFP),及/或
·與網路處的融合ML模型聯合訓練的每TRP特徵處理器產生的潛在特徵
,例如,不可解釋特徵,及/或
·獨立於網路處的融合NN訓練的每TRP特徵處理器(例如,自動編碼器)產生的潛在特徵
,例如,不可解釋特徵,及/或
·每個觀測到的多徑與環境中的虛擬錨/反射器的關聯,例如,基於虛擬錨的定位技術。
參考圖14,在一些設計中,TRP/LMF特徵融合模型
和UE特徵提取模型
可以是:
·選項1:由UE供應商離線訓練的,例如,UE使用能力交換來為TRP更新
模型ID,TRP/LMF供應商從公共儲存庫檢索
模型結構和參數;UE亦可能使用能力訊息傳遞來為TRP更新模型
細節,及/或
·選項2:由TRP/LMF供應商離線訓練的,例如,NW使用輔助資料來為UE更新
模型ID,UE供應商從公共儲存庫檢索
模型結構和參數;NW亦可能使用輔助資料訊息傳遞來為UE更新模型
細節,及/或
·選項3:藉由UE與TRP/LMF供應商之間的協調來離線訓練的,例如,不同模型之間的切換可以是經由使用UE能力訊息傳遞和輔助資訊訊息傳遞交換模型ID或模型細節來完成的,及/或
·選項4:線上訓練的,例如,UE、TRP和(可能的)LMF涉及線上訓練。
本揭示的態樣針對往返的基於UE的基於RFFP的定位估計。此類態樣可以提供各種技術優點,諸如改進的定位估計。
圖15示出根據本揭示的態樣的通訊的示例性過程1500。圖15的過程1500由UE(諸如UE 302)執行。
參考圖15,在1510處,UE 302(例如,接收器312或322等)接收一或多個用於定位的參考信號(RS-P)。在特定實例中,UE 302從一或多個發送接收點(TRP)接收一或多個下行鏈路的用於定位的參考信號(RS-P)。
參考圖15,在1520處,UE 302(例如,發送器314或324等)發送RS-P,一或多個RS-P和該RS-P與UE的基於UE的往返射頻指紋(RFFP)定位估計通信期相關聯。在特定實例中,UE 302向一或多個TRP發送上行鏈路RS-P,一或多個下行鏈路RS-P和上行鏈路RS-P與UE的基於UE的往返射頻指紋(RFFP)定位估計通信期相關聯。應當理解,1510和1520處的操作可以以任何次序發生(例如,上行鏈路RS-P之後是下行鏈路RS-P,或者下行鏈路RS-P之後是上行鏈路RS-P)。
參考圖15,在1530處,UE 302(例如,接收器312或322等)接收與RS-P相關聯的RFFP量測資訊。在特定實例中,UE 302接收如在一或多個TRP處量測的與上行鏈路RS-P相關聯的上行鏈路RFFP量測資訊(例如,UL RFFP、提取的特徵等)。
參照圖15,在1540處,UE 302(例如,定位部件342、(一或多個)處理器332等)獲得與一或多個RS-P相關聯的一或多個RFFP。在特定實例中,UE 302獲得與一或多個下行鏈路RS-P相關聯的一或多個下行鏈路RFFP。
參考圖15,在1550處,UE 302(例如,定位部件342、(一或多個)處理器332等)向基於UE的機器學習(ML)特徵融合模型提供RFFP量測資訊和一或多個RFFP以推導UE的定位估計。在特定實例中,UE 302向基於UE的機器學習(ML)特徵融合模型提供上行鏈路RFFP量測資訊和一或多個下行鏈路RFFP以推導UE的定位估計。
參考圖15,在一些設計中,一或多個RS-P對應於下行鏈路定位參考信號(PRS)或側鏈路探測參考信號(SRS),並且RS-P對應於上行鏈路探測參考信號(SRS)或側鏈路SRS。在特定實例中,一或多個下行鏈路RS-P對應於下行鏈路定位參考信號(PRS),並且上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。在一些設計中,RFFP量測資訊包括上行鏈路SRS或側鏈路SRS的一或多個RFFP。在特定實例中,上行鏈路RFFP量測資訊包括上行鏈路SRS的一或多個上行鏈路RFFP。在一些設計中,基於UE的ML特徵融合模型包括基於UE的ML特徵提取模型,其基於一或多個RFFP來提取與RS-P相關聯的一或多個特徵。在特定實例中,基於UE的ML特徵融合模型包括基於UE的ML特徵提取模型,其基於一或多個上行鏈路RFFP來提取與上行鏈路RS-P相關聯的一或多個特徵。在一些設計中,RFFP量測資訊包括經由一或多個ML特徵提取模型在一或多個實體處從與RS-P相關聯的一或多個RFFP提取的一或多個特徵。在特定實例中,上行鏈路RFFP量測資訊包括經由一或多個基於網路的ML特徵提取模型在一或多個TRP處從一或多個上行鏈路RFFP提取的一或多個特徵。在一些設計中,一或多個ML特徵提取模型包括一或多個實體特定ML特徵提取模型或公共ML特徵提取模型。在特定實例中,一或多個基於網路的ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。
圖16示出根據本揭示的態樣的通訊的示例性過程1600。圖16的過程1600由TRP(例如,BS 302或O-RAN部件)執行。
參考圖16,在1610處,TRP(例如,接收器352或362、(一或多個)網路收發器380等)接收執行使用者設備(UE)的基於UE的往返射頻指紋(RFFP)定位估計通信期的請求。
參考圖16,在1620處,TRP(例如,發送器354或364等)回應於請求向UE發送下行鏈路的用於定位的參考信號(RS-P)。
參考圖16,在1630處,TRP(例如,接收器352或364等)回應於請求從UE接收上行鏈路RS-P。應當理解,1620和1630處的操作可以以任何次序發生(例如,上行鏈路RS-P之後是下行鏈路RS-P,或者下行鏈路RS-P之後是上行鏈路RS-P)。
參考圖16,在1640處,TRP(例如,定位部件388、(一或多個)處理器384等)獲得如在TRP處量測的上行鏈路RS-P的上行鏈路RFFP。
參照圖16,在1650處,TRP(例如,發送器354或364、(一或多個)網路收發器380等)向UE發送與上行鏈路RFFP相關聯的上行鏈路RFFP量測資訊(例如,UL RFFP、提取的特徵等)以用於經由基於UE的機器學習(ML)特徵融合模型的基於UE的定位估計。
參考圖16,在一些設計中,下行鏈路RS-P對應於下行鏈路定位參考信號(PRS),並且上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。在一些設計中,上行鏈路RFFP量測資訊包括上行鏈路RFFP。在一些設計中,上行鏈路RFFP量測資訊包括經由一或多個基於網路的ML特徵提取模型從上行鏈路RFFP提取的一或多個特徵。在一些設計中,一或多個基於網路的ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。在一些設計中,一或多個特徵是在TRP或網路定位估計實體處從上行鏈路RFFP提取的。
圖17分別示出根據本揭示的態樣的圖15至圖16的過程1500至1600的示例實現方式1700。特定而言,圖17示出描繪往返的基於UE的基於RFFP的定位估計的通訊框架。在圖17中,描繪了UE 302、(一或多個)TRP 304和LMF(例如,被集成在(一或多個)TRP 304或諸如網路實體306之類的遠端實體中的一個中)。
參考圖17,UE 302包括ML模型
1702,(一或多個)TRP 304可選地包括ML模型UL
1704,並且LMF 304、306可選地包括ML模型UL
1706。在1710處,LMF 304、306發送對用於往返(或RTT)RFFP定位估計通信期的UL和DL資源的請求。在1712處,UE 302向(一或多個)TRP 304發送UL RS(例如,SRS)。在1714處,(一或多個)TRP 304向UE 302發送(一或多個)DL RS(例如,DL PRS)。如上述,操作1712-1714可以是以任何次序發生的。特徵被可選地經由ML模型UL
1704在(一或多個)TRP 304處從UL RS的UL RFFP提取。儘管在圖17中未圖示,但是LMF 304、306處的ML模型UL
1706可以替代地被用於特徵提取。在1716處,提取的特徵可選地由(一或多個)TRP 304發給UE 302。替代地,在1718處,(一或多個)TRP 304可以替代地提供(一或多個)UL RFFP,在此情況下,特徵提取可以是經由ML模型
1702在UE 302處實現的(例如,在此情況下,ML模型
1702的特徵融合模型可以包含特徵提取模型部件)。在一些設計中,用於1712處的DL RS及/或1714處的UL RS的UL和DL資源可以被佈置成在時間上靠在一起(例如,在相同時槽中,或在閾值數量的符號內等)以改進定位估計準確性。
參考圖17,ML模型UL
1704和ML模型UL
1706是特徵提取模型。ML模型UL
1704是接受UL RFFP(基於UL RS或SRS)作為輸入並輸出提取的UL特徵的特徵提取模型。ML模型UL
1706亦是接受UL RFFP(基於UL RS或SRS)作為輸入並輸出提取的UL特徵的特徵提取模型。ML模型
1702是特徵融合模型。ML模型
1702接受提取的UL特徵或UL RFFP以及DL RFFP(經由直接量測在UE 302處獲得)作為輸入,並輸出UE 302的估計定位。如上述,ML模型
1702將特徵融合在一起成為估計定位,但亦可以包括用於處理UL RFFP及/或DL RFFP的特徵提取部件。
參考圖17,在一些設計中,對於基於UE的RT-RFFP方法,UE利用藉由觀測DL RS獲得的DL RFFP特徵和從TRP報告的UL-RFFP特徵(或UL提取的特徵),並且執行特徵融合,並且推斷UE定位。
例如,促進此類定位估計的一個候選架構可以被表示為:
,其中
是定位並且
是在TRP
i處提取的特徵,
是TRP ML模型並且
是利用從TRP報告的所有特徵以及在DL處觀測的所有特徵、並且執行特徵融合、並且推斷UE定位的UE ML模型。
在一些設計中,由TRP計算的UL特徵可以使用TRP特定的或公共的處理ML模型。在一些設計中,UL特徵可以是可選的,並且
可以是UL通道,亦即,
。在一些設計中,在RT-RFFP定位中使用的UL和DL資源的時機需要在時間上靠近。
由NW側報告的UL特徵的一些實例可以包括例如:
·UL通道的由ML/經典方法產生的多徑延遲+角度,例如,映射到現有報告的可解釋特徵(UE仍然可以利用該等可解釋特徵來產生RFFP),及/或
·與UE側的融合ML模型聯合訓練的每TRP特徵處理器產生的潛在特徵
,例如,不可解釋特徵,及/或
·獨立於UE側的融合ML模型訓練的每TRP特徵處理器(例如,自動編碼器)產生的潛在特徵
,例如,不可解釋特徵,及/或
·每個觀測到的多徑與環境中的虛擬錨/反射器的關聯,例如基於虛擬錨的定位技術。
在一些設計中,用於提取UL特徵的ML模型
可以是例如:
·選項1:在TRP側運行以提取特徵,及/或
·選項2:在LMF側運行以提取特徵,及/或
·選項3:在TRP與LMF 之間進一步分離,其中LMF可以對TRP提取的特徵應用進一步的處理。
在一些設計中,TRP特徵提取模型
和UE特徵融合模型
可以是例如:
·選項1:由UE供應商離線訓練的→UE使用能力交換來為TRP更新模型ID,TRP供應商從公共儲存庫檢索模型結構和參數;UE亦可能使用能力訊息傳遞來為TRP更新模型細節,及/或
·選項2:由TRP供應商離線訓練的→NW使用輔助資料來為UE更新模型ID,UE供應商從公共儲存庫檢索模型結構和參數;NW亦可以使用輔助資訊訊息傳遞來為UE更新模型細節,及/或
·選項3:藉由UE與TRP供應商之間的協調來離線訓練的→不同模型之間的切換可以是經由使用UE能力訊息傳遞和輔助資訊訊息傳遞交換模型ID或模型細節來完成的,及/或
·選項4:線上訓練的→UE、TRP和(可能的)LMF涉及線上訓練/細化。
本揭示的態樣針對往返的基於網路的基於RFFP的定位估計。此類態樣可以提供各種技術優點,諸如改進的定位估計。
圖18示出根據本揭示的態樣的通訊的示例性過程1800。圖18的過程1800由TRP(例如,BS 302或O-RAN部件)執行。
參考圖18,在1810處,TRP(例如,接收器352或362、(一或多個)網路收發器380等)接收執行使用者設備(UE)的基於網路的往返射頻指紋(RFFP)定位估計的請求。
參考圖18,在1820處,TRP(例如,發送器354或364等)回應於請求向UE發送下行鏈路的用於定位的參考信號(RS-P)。
參考圖18,在1830處,TRP(例如,接收器352或364等)回應於請求從UE接收上行鏈路RS-P。應當理解,1820和1830處的操作可以以任何次序發生(例如,上行鏈路RS-P之後是下行鏈路RS-P,或者下行鏈路RS-P之後是上行鏈路RS-P)。
參考圖18,在1840處,TRP(例如,定位部件388、(一或多個)處理器384等)獲得如在TRP處量測的上行鏈路RS-P的上行鏈路RFFP。
參考圖18,在1850處,TRP(例如,接收器352或364等)接收如在UE處量測的與下行鏈路RS-P相關聯的下行鏈路RFFP量測資訊(例如,DL RFFP、提取的特徵等)。
參考圖18,在一些設計中,TRP亦可以經由一或多個基於網路的機器學習(ML)特徵提取模型來提取與上行鏈路RFFP相關聯的一或多個特徵,或者替代地可以向網路定位估計實體發送上行鏈路RFFP(例如,以用於其上的特徵提取)。在一些設計中,下行鏈路RFFP量測資訊可以包括如在UE處量測的下行鏈路RFFP。在一些設計中,TRP亦可以經由一或多個基於網路的機器學習(ML)特徵提取模型來提取與下行鏈路RFFP相關聯的一或多個特徵,或者替代地可以向網路定位估計實體發送下行鏈路RFFP(例如,以用於其上的特徵提取)。
參考圖18,在一些設計中,TRP亦可以獲得與上行鏈路RFFP相關聯的第一特徵集合以及與下行鏈路RFFP量測資訊相關聯的第二特徵集合,並且可以向基於網路的ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計。在一些設計中,下行鏈路RS-P對應於下行鏈路定位參考信號(PRS),並且上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
圖19示出根據本揭示的態樣的通訊的示例性過程1900。圖19的過程1900由網路定位估計實體(諸如TRP(例如,BS 302或O-RAN部件)、網路實體306,諸如與TRP集成或遠離TRP的LMF)等執行。
參考圖19,在1910處,網路定位估計實體(例如,(一或多個)網路收發器380或390、定位部件388或398、(一或多個)接收器352或362等)獲得與往返射頻指紋(RFFP)相關聯的第一特徵集合,往返RFFP與由使用者設備(UE)發送的用於定位的參考信號(RS-P)相關聯,第一特徵集合與使用者設備(UE)的往返RFFP定位估計通信期相關聯。在特定實例中,網路定位估計實體獲得與上行鏈路往返射頻指紋(RFFP)相關聯的第一特徵集合,上行鏈路往返RFFP與由使用者設備(UE)向一或多個發送接收點(TRP)發送的上行鏈路的用於定位的參考信號(RS-P)相關聯,第一特徵集合與使用者設備(UE)的往返RFFP定位估計通信期相關聯。
參考圖19,在1920處,網路定位估計實體(例如,(一或多個)網路收發器380或390、定位部件388或398、(一或多個)接收器352或362等)獲得與向UE發送的一或多個往返射頻指紋(RFFP)相關聯的第二特徵集合,第二特徵集合與UE的往返RFFP定位估計通信期相關聯。在特定實例中,網路定位估計實體獲得與由一或多個TRP向UE發送的一或多個下行鏈路往返射頻指紋(RFFP)相關聯的第二特徵集合,第二特徵集合與UE的往返RFFP定位估計通信期相關聯。
參考圖19,在1320處,網路定位估計實體(例如,定位部件388或398、(一或多個)處理器388或398等)向ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計。在特定實例中,網路定位估計實體向基於網路的ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計。
參考圖19,在一些設計中,第一特徵集合是在網路定位估計實體或一或多個發送接收點(TRP)或一或多個其他UE處提取的,或者第二特徵集合是在網路定位估計實體或一或多個TRP或UE或一或多個其他UE處提取的,或其組合。在特定實例中,第一特徵集合是在網路定位估計實體或一或多個TRP處提取的,或者第二特徵集合是在網路定位估計實體或一或多個TRP或UE處提取的,或其組合。在一些設計中,網路定位估計實體對應於發送接收點(TRP),或者網路定位估計實體對應於位置管理功能(LMF)。在特定實例中,網路定位估計實體對應於一或多個TRP中的相應TRP,或者網路定位估計實體對應於位置管理功能(LMF)。
圖20分別示出根據本揭示的態樣的圖18至圖19的過程1800至1900的示例實現方式2000。特定而言,圖20示出描繪往返的基於網路的基於RFFP的定位估計的通訊框架。在圖20中,描繪了UE 302、(一或多個)TRP 304和LMF(例如,被集成在(一或多個)TRP 304或諸如網路實體306之類的遠端實體中的一個中)。
參考圖20,UE 302包括ML模型DL
2002,(一或多個)TRP 304包括ML模型UL
2004,並且可選地包括ML模型
2006-A,並且LMF 304、306可選地包括ML模型
2006-B。在一個態樣中,ML模型
2006-A和ML模型
2006-B是可選的,因為該等相應特徵融合模型可以是在任一實體(亦即,TRP或LMF)處或在兩者處實現的。在2010處,LMF 304、306發送對用於往返(或RTT)RFFP定位估計通信期的UL和DL資源的請求。在2012處,(一或多個)TRP 304向UE 302發送(一或多個)DL RS(例如,DL PRS)。在2014處,UE 302向(一或多個)TRP 304發送UL RS(例如,SRS)。如上述,操作2012-2014可以是以任何次序發生的。特徵被可選地經由ML模型DL
2002在UE 302處從(一或多個)DL RS的(一或多個)DL RFFP提取。在2016處,提取的特徵可選地由UE 302發給(一或多個)TRP 304。替代地,在2018處,UE 302可以替代地提供(一或多個)DL RFFP,在此種情況下,特徵提取可以是經由ML模型UL
2004在(一或多個)TRP 304處實現的。在一些設計中,ML模型
2006-A可以被用於推導UE 302的定位估計。替代地,為了促進經由ML模型
2006-B在LMF 304、306處的定位估計,(一或多個)TRP 304可以可選地在2020處向LMF 304、306發送DL RFFP及/或UL RFFP,及/或可以可選地向LMF 304、306發送提取的UL特徵及/或提取的DL特徵。在一些設計中,用於2012處的DL RS及/或2014處的UL RS的UL和DL資源可以被佈置成在時間上靠在一起(例如,在相同時槽中,或在閾值數量的符號內等)以改進定位估計準確性。
參考圖20,ML模型DL
2002和ML模型UL
2004是特徵提取模型。ML模型DL
2002是接受DL RFFP(基於DL RS或DL PRS)作為輸入並輸出提取的DL特徵的特徵提取模型。ML模型UL
2004是接受UL RFFP(基於UL RS或SRS)作為輸入並輸出提取的UL特徵的特徵提取模型。ML模型
2006-A和ML模型
2006-B是特徵融合模型。ML模型
2006-A和ML模型
2006-B接受提取的UL特徵或UL RFFP(或UL提取特徵)及/或DL RFFP(或DL提取特徵)作為輸入,並且輸出UE 302的估計定位。如上述,ML模型
2006-A和ML模型
2006-B將特徵融合在一起成為估計定位,但亦可以包括用於處理UL RFFP及/或DL RFFP的特徵提取部件。
參考圖20,在一些設計中,對於基於網路的RT-RFFP方法,網路利用藉由DL RS報告的與DL RS相對應的DL RFFPP特徵(或提取的DL特徵)和從TRP報告的觀測的UL-RFFP特徵(或UL提取的特徵),並且執行特徵融合,並且推斷UE定位。
例如,促進此類定位估計的一個候選架構可以被表示為:
,其中
是定位,
是在UE處提取的特徵,
是UE ML特徵提取模型,
是在TRP
處提取的特徵,
是TRP ML特徵提取模型,並且
是利用從TRP報告/觀測的所有特徵以及從UE報告的所有特徵、並且執行特徵融合、並且推斷UE定位的網路ML模型。
在一些設計中,由TRP計算(例如,提取)的UL特徵可以使用TRP特定的或公共的處理ML模型。在一些設計中,UL特徵提取可以是可選的,並且
可以是UL通道,亦即,
。在一些設計中,DL特徵提取可以是可選的,並且
可以是DL通道,亦即,
。在一些設計中,在RT-RFFP定位中使用的UL和DL資源的時機需要在時間上靠近。
由UE報告的DL提取的特徵的一些實例可以包括例如:
·DL通道的由ML/經典方法產生的多徑延遲+角度,例如,映射到現有報告的可解釋特徵(NW仍然可以利用該等可解釋特徵來產生返回DL RFFP),及/或
·與NW側的融合ML模型聯合訓練的UE特徵處理ML模型產生的潛在特徵
,例如,不可解釋特徵,及/或
·至少與UL特徵處理ML模型(亦即,在TRP上運行)及/或TRP和伺服器側的融合ML模型聯合訓練的UE特徵處理ML模型產生的潛在特徵
,例如,不可解釋特徵,及/或
·獨立於NW側的融合ML模型訓練的UE特徵處理ML模型(例如,自動編碼器)產生的潛在特徵
,例如,不可解釋特徵,及/或
·每個觀測到的多徑與環境中的虛擬錨/反射器的關聯,例如,基於虛擬錨的定位技術。
由TRP向伺服器(例如,LMF)側報告的UL提取的特徵的一些實例可以包括例如:
·UL通道的由ML/經典方法產生的多徑延遲+角度,例如,映射到現有報告的可解釋特徵(伺服器仍然可以利用該等可解釋特徵來產生返回UL RFFP),及/或
·與伺服器側的融合ML模型聯合訓練的每TRP特徵處理ML模型產生的潛在特徵
,例如,不可解釋特徵,及/或
·至少與DL特徵處理ML模型(亦即,在UE處運行)和伺服器側的融合ML模型聯合訓練的每TRP特徵處理ML模型產生的潛在特徵
,例如,不可解釋特徵,及/或
·獨立於伺服器側的融合ML模型訓練的每TRP特徵處理器(例如,自動編碼器)產生的潛在特徵
,例如,不可解釋特徵,及/或
·每個觀測到的多徑與環境中的虛擬錨/反射器的關聯,例如,基於虛擬錨的定位技術。
在一些設計中,融合ML模型
可以是例如:
·選項1:在TRP側運行,及/或
·選項2:在伺服器(例如,LMF)側運行
在一些設計中,TRP特徵提取模型
和UE特徵提取模型
以及融合模型
可以是例如:
·選項1:由UE供應商離線訓練的,例如,UE使用能力交換來為TRP更新模型ID,TRP供應商從公共儲存庫檢索模型結構和參數;UE亦可能使用能力訊息傳遞來為TRP更新模型細節
·選項2:由TRP供應商離線訓練的,例如,NW使用輔助資料來為UE更新模型ID,UE供應商從公共儲存庫檢索模型結構和參數;NW亦可能使用輔助資訊訊息傳遞來為UE更新模型細節
·選項3:藉由UE與TRP供應商之間的協調來離線訓練的,例如,不同模型之間的切換可以是經由使用UE能力訊息傳遞和輔助資訊訊息傳遞交換模型ID或模型細節來完成的[最可能的]
·選項4:線上訓練的,例如,UE、TRP和(可能的)LMF涉及線上訓練/細化。
在上文的詳細描述中可以看出,不同的特徵在實例中被分組在一起。此種揭示方式不應被理解為意指示例條款具有比每個條款中明確提及的特徵更多的特徵。相反,本揭示的各個態樣可以包括少於所揭示的單獨示例條款的所有特徵。因此,以下條款應被視為被併入在說明書中,其中每個條款本身可以作為單獨的實例。儘管每個從屬條款在條款中可以引用與其他條款之一的特定組合,但該從屬條款的(一或多個)態樣不限於該特定組合。應當理解,其他示例條款亦可以包括(一或多個)從屬條款態樣與任何其他從屬條款或獨立條款的標的的組合,或者任何特徵與其他從屬和獨立條款的組合。本文揭示的各個態樣明確地包括該等組合,除非明確地表達或可以容易地推斷出不意欲特定組合(例如,矛盾的態樣,諸如將元件定義為電絕緣體和電導體兩者)。此外,同樣意欲的是,即使條款不直接依賴於獨立條款,該條款的各態樣亦可以被包括在任何其他獨立條款中。
在以下編號的條款中描述了實現方式實例:
條款1. 一種操作使用者設備(UE)的方法,包括:向一或多個發送接收點(TRP)發送上行鏈路的用於定位的參考信號(RS-P);接收與上行鏈路RS-P相關聯的一或多個特徵,一或多個特徵是由一或多個網路部件經由一或多個基於網路的機器學習(ML)特徵提取模型從上行鏈路RS-P的一或多個上行鏈路射頻指紋(RFFP)提取的;及至少部分地基於基於UE的ML特徵融合模型和一或多個特徵的輸出來決定對UE的定位估計。
條款2. 如條款1的方法,其中一或多個特徵由一或多個TRP提取。
條款3. 如條款2的方法,其中一或多個基於網路的ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。
條款4. 如條款1至3中任一項的方法,其中一或多個特徵由網路定位估計實體提取。
條款5. 如條款1至4中任一項的方法,其中一或多個特徵包括由一或多個TRP經由第一基於網路的ML特徵提取模型集合提取的第一特徵集合,並且其中一或多個特徵包括由網路定位估計實體經由第二基於網路的ML特徵提取模型集合提取的第二特徵集合。
條款6. 如條款1至5中任一項的方法,其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
條款7. 如條款1至6中任一項的方法,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
條款8. 一種操作網路部件的方法;獲得如在一或多個發送接收點(TRP)處量測的與來自使用者設備(UE)的上行鏈路的用於定位的參考信號(RS-P)相關聯的一或多個上行鏈路射頻指紋(RFFP);經由一或多個基於網路的機器學習(ML)特徵提取模型來提取與一或多個上行鏈路RFFP相關聯的一或多個特徵;及向一或多個目標設備發送所提取的一或多個特徵。
條款9. 如條款8的方法,其中網路部件對應於量測上行鏈路RS-P以獲得相應上行鏈路RFFP的相應TRP,並且其中一或多個目標設備包括UE、網路定位估計實體、或其組合。
條款10. 如條款8至9中任一項的方法,其中網路部件對應於從一或多個TRP接收RFFP量測資訊的網路定位估計實體,並且其中一或多個目標設備包括一或多個TRP。
條款11. 如條款8至10中任一項的方法,其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
條款12. 如條款8至11中任一項的方法,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
條款13. 一種使用者設備(UE),包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:經由至少一個收發器向一或多個發送接收點(TRP)發送上行鏈路的用於定位的參考信號(RS-P);經由至少一個收發器接收與上行鏈路RS-P相關聯的一或多個特徵,一或多個特徵是由一或多個網路部件經由一或多個基於網路的機器學習(ML)特徵提取模型從上行鏈路RS-P的一或多個上行鏈路射頻指紋(RFFP)提取的;及至少部分地基於基於UE的ML特徵融合模型和一或多個特徵的輸出來決定對UE的定位估計。
條款14. 如條款13的UE,其中一或多個特徵由一或多個TRP提取。
條款15. 如條款14的UE,其中一或多個基於網路的ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。
條款16. 如條款13至15中任一項的UE,其中一或多個特徵由網路定位估計實體提取。
條款17. 如條款13至16中任一項的UE,其中一或多個特徵包括由一或多個TRP經由第一基於網路的ML特徵提取模型集合提取的第一特徵集合,並且其中一或多個特徵包括由網路定位估計實體經由第二基於網路的ML特徵提取模型集合提取的第二特徵集合。
條款18. 如條款13至17中任一項的UE,其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
條款19. 如條款13至18中任一項的UE,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
條款20. 一種網路部件,包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:獲得如在一或多個發送接收點(TRP)處量測的與來自使用者設備(UE)的上行鏈路的用於定位的參考信號(RS-P)相關聯的一或多個上行鏈路射頻指紋(RFFP);經由一或多個基於網路的機器學習(ML)特徵提取模型來提取與一或多個上行鏈路RFFP相關聯的一或多個特徵;及經由至少一個收發器向一或多個目標設備發送所提取的一或多個特徵。
條款21. 如條款20的網路部件,其中網路部件對應於量測上行鏈路RS-P以獲得相應上行鏈路RFFP的相應TRP,並且其中一或多個目標設備包括UE、網路定位估計實體、或其組合。
條款22. 如條款20至21中任一項的網路部件,其中網路部件對應於從一或多個TRP接收RFFP量測資訊的網路定位估計實體,並且其中一或多個目標設備包括一或多個TRP。
條款23. 如條款20至22中任一項的網路部件,其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
條款24. 如條款20至23中任一項的網路部件,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
條款25. 一種使用者設備(UE),包括:用於向一或多個發送接收點(TRP)發送上行鏈路的用於定位的參考信號(RS-P)的構件;用於接收與上行鏈路RS-P相關聯的一或多個特徵的構件,一或多個特徵是由一或多個網路部件經由一或多個基於網路的機器學習(ML)特徵提取模型從上行鏈路RS-P的一或多個上行鏈路射頻指紋(RFFP)提取的;及用於至少部分地基於基於UE的ML特徵融合模型和一或多個特徵的輸出來決定對UE的定位估計的構件。
條款26. 如條款25的UE,其中一或多個特徵由一或多個TRP提取。
條款27. 如條款26的UE,其中一或多個基於網路的ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。
條款28. 如條款25至27中任一項的UE,其中一或多個特徵由網路定位估計實體提取。
條款29. 如條款25至28中任一項的UE,其中一或多個特徵包括由一或多個TRP經由第一基於網路的ML特徵提取模型集合提取的第一特徵集合,並且其中一或多個特徵包括由網路定位估計實體經由第二基於網路的ML特徵提取模型集合提取的第二特徵集合。
條款30. 如條款25至29中任一項的UE,其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
條款31. 如條款25至30中任一項的UE,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
條款32. 一種網路部件包括:用於獲得如在一或多個發送接收點(TRP)處量測的與來自使用者設備(UE)的上行鏈路的用於定位的參考信號(RS-P)相關聯的一或多個上行鏈路射頻指紋(RFFP)的構件;用於經由一或多個基於網路的機器學習(ML)特徵提取模型來提取與一或多個上行鏈路RFFP相關聯的一或多個特徵的構件;及用於向一或多個目標設備發送所提取的一或多個特徵的構件。
條款33. 如條款32的網路部件,其中網路部件對應於量測上行鏈路RS-P以獲得相應上行鏈路RFFP的相應TRP,並且其中一或多個目標設備包括UE、網路定位估計實體、或其組合。
條款34. 如條款32至33中任一項的網路部件,其中網路部件對應於從一或多個TRP接收RFFP量測資訊的網路定位估計實體,並且其中一或多個目標設備包括一或多個TRP。
條款35. 如條款32至34中任一項的網路部件,其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
條款36. 如條款32至35中任一項的網路部件,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
條款37. 一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由使用者設備(UE)執行時,使UE:向一或多個發送接收點(TRP)發送上行鏈路的用於定位的參考信號(RS-P);接收與上行鏈路RS-P相關聯的一或多個特徵,一或多個特徵是由一或多個網路部件經由一或多個基於網路的機器學習(ML)特徵提取模型從上行鏈路RS-P的一或多個上行鏈路射頻指紋(RFFP)提取的;及至少部分地基於基於UE的ML特徵融合模型和一或多個特徵的輸出來決定對UE的定位估計。
條款38. 如條款37的非暫時性電腦可讀取媒體,其中一或多個特徵由一或多個TRP提取。
條款39. 如條款38的非暫時性電腦可讀取媒體,其中一或多個基於網路的ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。
條款40. 如條款37至39中任一項的非暫時性電腦可讀取媒體,其中一或多個特徵由網路定位估計實體提取。
條款41. 如條款37至40中任一項的非暫時性電腦可讀取媒體,其中一或多個特徵包括由一或多個TRP經由第一基於網路的ML特徵提取模型集合提取的第一特徵集合,並且其中一或多個特徵包括由網路定位估計實體經由第二基於網路的ML特徵提取模型集合提取的第二特徵集合。
條款42. 如條款37至41中任一項的非暫時性電腦可讀取媒體,其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
條款43. 如條款37至42中任一項的非暫時性電腦可讀取媒體,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
條款44. 一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由網路部件執行時,使網路部件:獲得如在一或多個發送接收點(TRP)處量測的與來自使用者設備(UE)的上行鏈路的用於定位的參考信號(RS-P)相關聯的一或多個上行鏈路射頻指紋(RFFP);經由一或多個基於網路的機器學習(ML)特徵提取模型來提取與一或多個上行鏈路RFFP相關聯的一或多個特徵;及向一或多個目標設備發送所提取的一或多個特徵。
條款45. 如條款44的非暫時性電腦可讀取媒體,其中網路部件對應於量測上行鏈路RS-P以獲得相應上行鏈路RFFP的相應TRP,並且其中一或多個目標設備包括UE、網路定位估計實體、或其組合。
條款46. 如條款44至45中任一項的非暫時性電腦可讀取媒體,其中網路部件對應於從一或多個TRP接收RFFP量測資訊的網路定位估計實體,並且其中一或多個目標設備包括一或多個TRP。
條款47. 如條款44至46中任一項的非暫時性電腦可讀取媒體,其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
條款48. 如條款44至47中任一項的非暫時性電腦可讀取媒體,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
在以下編號的附加條款中描述了附加的實現方式實例:
附加條款1. 一種操作使用者設備(UE)的方法,包括:從一或多個發送接收點(TRP)接收一或多個下行鏈路的用於定位的參考信號(RS-P);向一或多個TRP發送上行鏈路RS-P,一或多個下行鏈路RS-P和上行鏈路RS-P與UE的基於UE的往返射頻指紋(RFFP)定位估計通信期相關聯;接收如在一或多個TRP處量測的與上行鏈路RS-P相關聯的上行鏈路RFFP量測資訊;獲得與一或多個下行鏈路RS-P相關聯的一或多個下行鏈路RFFP;向基於UE的機器學習(ML)特徵融合模型提供上行鏈路RFFP量測資訊和一或多個下行鏈路RFFP以推導UE的定位估計。
附加條款2. 如附加條款1的方法,其中一或多個下行鏈路RS-P對應於下行鏈路定位參考信號(PRS),並且其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
附加條款3. 如附加條款1至2中任一項的方法,其中上行鏈路RFFP量測資訊包括上行鏈路SRS的一或多個上行鏈路RFFP。
附加條款4. 如附加條款3的方法,其中基於UE的ML特徵融合模型包括基於UE的ML特徵提取模型,其基於一或多個上行鏈路RFFP來提取與上行鏈路RS-P相關聯的一或多個特徵。
附加條款5. 如附加條款1至4中任一項的方法,其中上行鏈路RFFP量測資訊包括經由一或多個基於網路的ML特徵提取模型在一或多個TRP處從一或多個上行鏈路RFFP提取的一或多個特徵。
附加條款6. 如附加條款5的方法,其中一或多個基於網路的ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。
附加條款7. 一種操作發送接收點(TRP)的方法,包括:接收執行使用者設備(UE)的基於UE的往返射頻指紋(RFFP)定位估計通信期的請求;回應於請求,向UE發送下行鏈路的用於定位的參考信號(RS-P);回應於請求,從UE接收上行鏈路RS-P;獲得如在TRP處量測的上行鏈路RS-P的上行鏈路RFFP;及向UE發送與上行鏈路RFFP相關聯的上行鏈路RFFP量測資訊,以用於經由基於UE的機器學習(ML)特徵融合模型的基於UE的定位估計。
附加條款8. 如附加條款7的方法,其中下行鏈路RS-P對應於下行鏈路定位參考信號(PRS),並且其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
附加條款9. 如附加條款7至8中任一項的方法,其中上行鏈路RFFP量測資訊包括上行鏈路RFFP。
附加條款10. 如附加條款7至9中任一項的方法,其中上行鏈路RFFP量測資訊包括經由一或多個基於網路的ML特徵提取模型從上行鏈路RFFP提取的一或多個特徵。
附加條款11. 如附加條款10的方法,其中一或多個基於網路的ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。
附加條款12. 如附加條款10至11中任一項的方法,其中一或多個特徵是在TRP或網路定位估計實體處從上行鏈路RFFP提取的。
附加條款13. 一種操作發送接收點(TRP)的方法,包括:接收執行使用者設備(UE)的基於網路的往返射頻指紋(RFFP)定位估計的請求;回應於請求,向UE發送下行鏈路的用於定位的參考信號(RS-P);回應於請求,從UE接收上行鏈路RS-P;獲得如在TRP處量測的上行鏈路RS-P的上行鏈路RFFP;及接收如在UE處量測的與下行鏈路RS-P相關聯的下行鏈路RFFP量測資訊。
附加條款14. 如附加條款13的方法,亦包括:經由一或多個基於網路的機器學習(ML)特徵提取模型來提取與上行鏈路RFFP相關聯的一或多個特徵,或者向網路定位估計實體發送上行鏈路RFFP。
附加條款15. 如附加條款13至14中任一項的方法,其中下行鏈路RFFP量測資訊包括如在UE處量測的下行鏈路RFFP。
附加條款16. 如附加條款15的方法,亦包括:經由一或多個基於網路的機器學習(ML)特徵提取模型來提取與下行鏈路RFFP相關聯的一或多個特徵,或者向網路定位估計實體發送下行鏈路RFFP。
附加條款17. 如附加條款13至16中任一項的方法,亦包括:獲得與上行鏈路RFFP相關聯的第一特徵集合以及與下行鏈路RFFP量測資訊相關聯的第二特徵集合;及向基於網路的ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計。
附加條款18. 如附加條款13至17中任一項的方法,其中下行鏈路RS-P對應於下行鏈路定位參考信號(PRS),並且其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
附加條款19. 一種操作網路定位估計實體的方法,包括:獲得與上行鏈路往返射頻指紋(RFFP)相關聯的第一特徵集合,上行鏈路往返RFFP與由使用者設備(UE)向一或多個發送接收點(TRP)發送的上行鏈路的用於定位的參考信號(RS-P)相關聯,第一特徵集合與使用者設備(UE)的往返RFFP定位估計通信期相關聯;獲得與由一或多個TRP向UE發送的一或多個下行鏈路往返射頻指紋(RFFP)相關聯的第二特徵集合,第二特徵集合與UE的往返RFFP定位估計通信期相關聯;及向基於網路的ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計。
附加條款20. 如附加條款19的方法,其中第一特徵集合是在網路定位估計實體或一或多個TRP處提取的,或者其中第二特徵集合是在網路定位估計實體或一或多個TRP或UE處提取的,或其組合。
附加條款21. 如附加條款19至20中任一項的方法,其中網路定位估計實體對應於一或多個TRP中的相應TRP,或者其中網路定位估計實體對應於位置管理功能(LMF)。
附加條款22. 一種使用者設備(UE),包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:經由至少一個收發器從一或多個發送接收點(TRP)接收一或多個下行鏈路的用於定位的參考信號(RS-P);經由至少一個收發器向一或多個TRP發送上行鏈路RS-P,一或多個下行鏈路RS-P和上行鏈路RS-P與UE的基於UE的往返射頻指紋(RFFP)定位估計通信期相關聯;經由至少一個收發器接收如在一或多個TRP處量測的與上行鏈路RS-P相關聯的上行鏈路RFFP量測資訊;獲得與一或多個下行鏈路RS-P相關聯的一或多個下行鏈路RFFP;向基於UE的機器學習(ML)特徵融合模型提供上行鏈路RFFP量測資訊和一或多個下行鏈路RFFP以推導UE的定位估計。
附加條款23. 如附加條款22的UE,其中一或多個下行鏈路RS-P對應於下行鏈路定位參考信號(PRS),並且其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
附加條款24. 如附加條款22至23中任一項的UE,其中上行鏈路RFFP量測資訊包括上行鏈路SRS的一或多個上行鏈路RFFP。
附加條款25. 如附加條款24的UE,其中基於UE的ML特徵融合模型包括基於UE的ML特徵提取模型,其基於一或多個上行鏈路RFFP來提取與上行鏈路RS-P相關聯的一或多個特徵。
附加條款26. 如附加條款22至25中任一項的UE,其中上行鏈路RFFP量測資訊包括經由一或多個基於網路的ML特徵提取模型在一或多個TRP處從一或多個上行鏈路RFFP提取的一或多個特徵。
附加條款27. 如附加條款26的UE,其中一或多個基於網路的ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。
附加條款28. 一種發送接收點(TRP),包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:經由至少一個收發器接收執行使用者設備(UE)的基於UE的往返射頻指紋(RFFP)定位估計通信期的請求;回應於請求,經由至少一個收發器向UE發送下行鏈路的用於定位的參考信號(RS-P);回應於請求,經由至少一個收發器從UE接收上行鏈路RS-P;獲得如在TRP處量測的上行鏈路RS-P的上行鏈路RFFP;及經由至少一個收發器向UE發送與上行鏈路RFFP相關聯的上行鏈路RFFP量測資訊,以用於經由基於UE的機器學習(ML)特徵融合模型的基於UE的定位估計。
附加條款29. 如附加條款28的TRP,其中下行鏈路RS-P對應於下行鏈路定位參考信號(PRS),並且其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
附加條款30. 如附加條款28至29中任一項的TRP,其中上行鏈路RFFP量測資訊包括上行鏈路RFFP。
附加條款31. 如附加條款28至30中任一項的TRP,其中上行鏈路RFFP量測資訊包括經由一或多個基於網路的ML特徵提取模型從上行鏈路RFFP提取的一或多個特徵。
附加條款32. 如附加條款31的TRP,其中一或多個基於網路的ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。
附加條款33. 如附加條款31至32中任一項的TRP,其中一或多個特徵是在TRP或網路定位估計實體處從上行鏈路RFFP提取的。
附加條款34. 一種TRP,包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:經由至少一個收發器接收執行使用者設備(UE)的基於網路的往返射頻指紋(RFFP)定位估計的請求;回應於請求,經由至少一個收發器向UE發送下行鏈路的用於定位的參考信號(RS-P);回應於請求,經由至少一個收發器從UE接收上行鏈路RS-P;獲得如在TRP處量測的上行鏈路RS-P的上行鏈路RFFP;及經由至少一個收發器接收如在UE處量測的與下行鏈路RS-P相關聯的下行鏈路RFFP量測資訊。
附加條款35. 如附加條款34的TRP,其中至少一個處理器亦被配置為:經由一或多個基於網路的機器學習(ML)特徵提取模型來提取與上行鏈路RFFP相關聯的一或多個特徵,或者經由至少一個收發器向網路定位估計實體發送上行鏈路RFFP。
附加條款36. 如附加條款34至35中任一項的TRP,其中下行鏈路RFFP量測資訊包括如在UE處量測的下行鏈路RFFP。
附加條款37. 如附加條款36的TRP,其中至少一個處理器亦被配置為:經由一或多個基於網路的機器學習(ML)特徵提取模型來提取與下行鏈路RFFP相關聯的一或多個特徵,或者經由至少一個收發器向網路定位估計實體發送下行鏈路RFFP。
附加條款38. 如附加條款34至37中任一項的TRP,其中至少一個處理器亦被配置為:獲得與上行鏈路RFFP相關聯的第一特徵集合以及與下行鏈路RFFP量測資訊相關聯的第二特徵集合;及向基於網路的ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計。
附加條款39. 如附加條款34至38中任一項的TRP,其中下行鏈路RS-P對應於下行鏈路定位參考信號(PRS),並且其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
附加條款40. 一種網路定位估計實體,包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:獲得與上行鏈路往返射頻指紋(RFFP)相關聯的第一特徵集合,上行鏈路往返RFFP與由使用者設備(UE)向一或多個發送接收點(TRP)發送的上行鏈路的用於定位的參考信號(RS-P)相關聯,第一特徵集合與使用者設備(UE)的往返RFFP定位估計通信期相關聯;獲得與由一或多個TRP向UE發送的一或多個下行鏈路往返射頻指紋(RFFP)相關聯的第二特徵集合,第二特徵集合與UE的往返RFFP定位估計通信期相關聯;及向基於網路的ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計。
附加條款41. 如附加條款40的網路定位估計實體,其中第一特徵集合是在網路定位估計實體或一或多個TRP處提取的,或者其中第二特徵集合是在網路定位估計實體或一或多個TRP或UE處提取的,或其組合。
附加條款42. 如附加條款40至41中任一項的網路定位估計實體,其中網路定位估計實體對應於一或多個TRP中的相應TRP,或者其中網路定位估計實體對應於位置管理功能(LMF)。
附加條款43. 一種使用者設備(UE),包括:用於從一或多個發送接收點(TRP)接收一或多個下行鏈路的用於定位的參考信號(RS-P)的構件;用於向一或多個TRP發送上行鏈路RS-P的構件,一或多個下行鏈路RS-P和上行鏈路RS-P與UE的基於UE的往返射頻指紋(RFFP)定位估計通信期相關聯;用於接收如在一或多個TRP處量測的與上行鏈路RS-P相關聯的上行鏈路RFFP量測資訊的構件;用於獲得與一或多個下行鏈路RS-P相關聯的一或多個下行鏈路RFFP的構件;及用於向基於UE的機器學習(ML)特徵融合模型提供上行鏈路RFFP量測資訊和一或多個下行鏈路RFFP以推導UE的定位估計的構件。
附加條款44. 如附加條款43的UE,其中一或多個下行鏈路RS-P對應於下行鏈路定位參考信號(PRS),並且其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
附加條款45. 如附加條款43至44中任一項的UE,其中上行鏈路RFFP量測資訊包括上行鏈路SRS的一或多個上行鏈路RFFP。
附加條款46. 如附加條款45的UE,其中基於UE的ML特徵融合模型包括基於UE的ML特徵提取模型,其基於一或多個上行鏈路RFFP來提取與上行鏈路RS-P相關聯的一或多個特徵。
附加條款47. 如附加條款43至46中任一項的UE,其中上行鏈路RFFP量測資訊包括經由一或多個基於網路的ML特徵提取模型在一或多個TRP處從一或多個上行鏈路RFFP提取的一或多個特徵。
附加條款48. 如附加條款47的UE,其中一或多個基於網路的ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。
附加條款49. 一種發送接收點(TRP),包括:用於接收執行使用者設備(UE)的基於UE的往返射頻指紋(RFFP)定位估計通信期的請求的構件;用於回應於請求,向UE發送下行鏈路的用於定位的參考信號(RS-P)的構件;用於回應於請求,從UE接收上行鏈路RS-P的構件;用於獲得如在TRP處量測的上行鏈路RS-P的上行鏈路RFFP的構件;及用於向UE發送與上行鏈路RFFP相關聯的上行鏈路RFFP量測資訊以用於經由基於UE的機器學習(ML)特徵融合模型的基於UE的定位估計的構件。
附加條款50. 如附加條款49的TRP,其中下行鏈路RS-P對應於下行鏈路定位參考信號(PRS),並且其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
附加條款51. 如附加條款49至50中任一項的TRP,其中上行鏈路RFFP量測資訊包括上行鏈路RFFP。
附加條款52. 如附加條款49至51中任一項的TRP,其中上行鏈路RFFP量測資訊包括經由一或多個基於網路的ML特徵提取模型從上行鏈路RFFP提取的一或多個特徵。
附加條款53. 如附加條款52的TRP,其中一或多個基於網路的ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。
附加條款54. 如附加條款52至53中任一項的TRP,其中一或多個特徵是在TRP或網路定位估計實體處從上行鏈路RFFP提取的。
附加條款55. 一種TRP,包括:用於接收執行使用者設備(UE)的基於網路的往返射頻指紋(RFFP)定位估計的請求的構件;用於回應於請求,向UE發送下行鏈路的用於定位的參考信號(RS-P)的構件;用於回應於請求,從UE接收上行鏈路RS-P的構件;用於獲得如在TRP處量測的上行鏈路RS-P的上行鏈路RFFP的構件;及用於接收如在UE處量測的與下行鏈路RS-P相關聯的下行鏈路RFFP量測資訊的構件。
附加條款56. 如附加條款55的TRP,亦包括:用於經由一或多個基於網路的機器學習(ML)特徵提取模型來提取與上行鏈路RFFP相關聯的一或多個特徵的構件,或者用於向網路定位估計實體發送上行鏈路RFFP的構件。
附加條款57. 如附加條款55至56中任一項的TRP,其中下行鏈路RFFP量測資訊包括如在UE處量測的下行鏈路RFFP。
附加條款58. 如附加條款57的TRP,亦包括:用於經由一或多個基於網路的機器學習(ML)特徵提取模型來提取與下行鏈路RFFP相關聯的一或多個特徵的構件,或者用於向網路定位估計實體發送下行鏈路RFFP的構件。
附加條款59. 如附加條款55至58中任一項的TRP,亦包括:用於獲得與上行鏈路RFFP相關聯的第一特徵集合以及與下行鏈路RFFP量測資訊相關聯的第二特徵集合的構件;及用於向基於網路的ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計的構件。
附加條款60. 如附加條款55至59中任一項的TRP,其中下行鏈路RS-P對應於下行鏈路定位參考信號(PRS),並且其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
附加條款61. 一種網路定位估計實體,包括:用於獲得與上行鏈路往返射頻指紋(RFFP)相關聯的第一特徵集合的構件,上行鏈路往返RFFP與由使用者設備(UE)向一或多個發送接收點(TRP)發送的上行鏈路的用於定位的參考信號(RS-P)相關聯,第一特徵集合與使用者設備(UE)的往返RFFP定位估計通信期相關聯;用於獲得與由一或多個TRP向UE發送的一或多個下行鏈路往返射頻指紋(RFFP)相關聯的第二特徵集合的構件,第二特徵集合與UE的往返RFFP定位估計通信期相關聯;及用於向基於網路的ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計的構件。
附加條款62. 如附加條款61的網路定位估計實體,其中第一特徵集合是在網路定位估計實體或一或多個TRP處提取的,或者其中第二特徵集合是在網路定位估計實體或一或多個TRP或UE處提取的,或其組合。
附加條款63. 如附加條款61至62中任一項的網路定位估計實體,其中網路定位估計實體對應於一或多個TRP中的相應TRP,或者其中網路定位估計實體對應於位置管理功能(LMF)。
附加條款64. 一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由使用者設備(UE)執行時,使UE:從一或多個發送接收點(TRP)接收一或多個下行鏈路的用於定位的參考信號(RS-P);向一或多個TRP發送上行鏈路RS-P,一或多個下行鏈路RS-P和上行鏈路RS-P與UE的基於UE的往返射頻指紋(RFFP)定位估計通信期相關聯;接收如在一或多個TRP處量測的與上行鏈路RS-P相關聯的上行鏈路RFFP量測資訊;獲得與一或多個下行鏈路RS-P相關聯的一或多個下行鏈路RFFP;向基於UE的機器學習(ML)特徵融合模型提供上行鏈路RFFP量測資訊和一或多個下行鏈路RFFP以推導UE的定位估計。
附加條款65. 如附加條款64的非暫時性電腦可讀取媒體,其中一或多個下行鏈路RS-P對應於下行鏈路定位參考信號(PRS),並且其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
附加條款66. 如附加條款64至65中任一項的非暫時性電腦可讀取媒體,其中上行鏈路RFFP量測資訊包括上行鏈路SRS的一或多個上行鏈路RFFP。
附加條款67. 如附加條款66的非暫時性電腦可讀取媒體,其中基於UE的ML特徵融合模型包括基於UE的ML特徵提取模型,其基於一或多個上行鏈路RFFP來提取與上行鏈路RS-P相關聯的一或多個特徵。
附加條款68. 如附加條款64至67中任一項的非暫時性電腦可讀取媒體,其中上行鏈路RFFP量測資訊包括經由一或多個基於網路的ML特徵提取模型在一或多個TRP處從一或多個上行鏈路RFFP提取的一或多個特徵。
附加條款69. 如附加條款68的非暫時性電腦可讀取媒體,其中一或多個基於網路的ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。
附加條款70. 一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由發送接收點(TRP)執行時,使TRP:接收執行使用者設備(UE)的基於UE的往返射頻指紋(RFFP)定位估計通信期的請求;回應於請求,向UE發送下行鏈路的用於定位的參考信號(RS-P);回應於請求,從UE接收上行鏈路RS-P;獲得如在TRP處量測的上行鏈路RS-P的上行鏈路RFFP;及向UE發送與上行鏈路RFFP相關聯的上行鏈路RFFP量測資訊,以用於經由基於UE的機器學習(ML)特徵融合模型的基於UE的定位估計。
附加條款71. 如附加條款70的非暫時性電腦可讀取媒體,其中下行鏈路RS-P對應於下行鏈路定位參考信號(PRS),並且其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
附加條款72. 如附加條款70至71中任一項的非暫時性電腦可讀取媒體,其中上行鏈路RFFP量測資訊包括上行鏈路RFFP。
附加條款73. 如附加條款70至72中任一項的非暫時性電腦可讀取媒體,其中上行鏈路RFFP量測資訊包括經由一或多個基於網路的ML特徵提取模型從上行鏈路RFFP提取的一或多個特徵。
附加條款74. 如附加條款73的非暫時性電腦可讀取媒體,其中一或多個基於網路的ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。
附加條款75. 如附加條款73至74中任一項的非暫時性電腦可讀取媒體,其中一或多個特徵是在TRP或網路定位估計實體處從上行鏈路RFFP提取的。
附加條款76. 一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由TRP執行時,使TRP:接收執行使用者設備(UE)的基於網路的往返射頻指紋(RFFP)定位估計的請求;回應於請求,向UE發送下行鏈路的用於定位的參考信號(RS-P);回應於請求,從UE接收上行鏈路RS-P;獲得如在TRP處量測的上行鏈路RS-P的上行鏈路RFFP;及接收如在UE處量測的與下行鏈路RS-P相關聯的下行鏈路RFFP量測資訊。
附加條款77. 如附加條款76的非暫時性電腦可讀取媒體,亦包括在由TRP執行時使TRP進行以下操作的電腦可執行指令:經由一或多個基於網路的機器學習(ML)特徵提取模型來提取與上行鏈路RFFP相關聯的一或多個特徵,或者向網路定位估計實體發送上行鏈路RFFP。
附加條款78. 如附加條款76至77中任一項的非暫時性電腦可讀取媒體,其中下行鏈路RFFP量測資訊包括如在UE處量測的下行鏈路RFFP。
附加條款79. 如附加條款78的非暫時性電腦可讀取媒體,亦包括在由TRP執行時使TRP進行以下操作的電腦可執行指令:經由一或多個基於網路的機器學習(ML)特徵提取模型來提取與下行鏈路RFFP相關聯的一或多個特徵,或者向網路定位估計實體發送下行鏈路RFFP。
附加條款80. 如附加條款76至79中任一項的非暫時性電腦可讀取媒體,亦包括在由TRP執行時使TRP進行以下操作的電腦可執行指令:獲得與上行鏈路RFFP相關聯的第一特徵集合以及與下行鏈路RFFP量測資訊相關聯的第二特徵集合;及向基於網路的ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計。
附加條款81. 如附加條款76至80中任一項的非暫時性電腦可讀取媒體,其中下行鏈路RS-P對應於下行鏈路定位參考信號(PRS),並且其中上行鏈路RS-P對應於上行鏈路探測參考信號(SRS)。
附加條款82. 一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由網路定位估計實體執行時,使網路定位估計實體:獲得與上行鏈路往返射頻指紋(RFFP)相關聯的第一特徵集合,上行鏈路往返RFFP與由使用者設備(UE)向一或多個發送接收點(TRP)發送的上行鏈路的用於定位的參考信號(RS-P)相關聯,第一特徵集合與使用者設備(UE)的往返RFFP定位估計通信期相關聯;獲得與由一或多個TRP向UE發送的一或多個下行鏈路往返射頻指紋(RFFP)相關聯的第二特徵集合,第二特徵集合與UE的往返RFFP定位估計通信期相關聯;及向基於網路的ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計。
附加條款83. 如附加條款82的非暫時性電腦可讀取媒體,其中第一特徵集合是在網路定位估計實體或一或多個TRP處提取的,或者其中第二特徵集合是在網路定位估計實體或一或多個TRP或UE處提取的,或其組合。
附加條款84. 如附加條款82至83中任一項的非暫時性電腦可讀取媒體,其中網路定位估計實體對應於一或多個TRP中的相應TRP,或者其中網路定位估計實體對應於位置管理功能(LMF)。
在以下編號的進一步附加條款中描述了進一步的附加實現方式實例:
進一步附加條款1. 一種操作網路部件的方法,包括:接收與由一或多個發送接收點(TRP)向使用者設備(UE)發送的一或多個下行鏈路的用於定位的參考信號(RS-P)相關聯的一或多個特徵,一或多個特徵是由一或多個設備經由一或多個機器學習(ML)特徵提取模型從一或多個下行鏈路RS-P的一或多個下行鏈路射頻指紋(RFFP)提取的;及向基於網路的ML特徵融合模型提供一或多個特徵以推導UE的定位估計。
進一步附加條款2. 如進一步附加條款1的方法,其中網路部件對應於發送一或多個下行鏈路RS-P的一或多個TRP中的相應TRP。
進一步附加條款3. 如進一步附加條款2的方法,其中一或多個特徵是從UE接收的。
進一步附加條款4. 如進一步附加條款2至3中任一項的方法,亦包括:向網路定位估計實體發送定位估計。
進一步附加條款5. 如進一步附加條款2至4中任一項的方法,其中一或多個ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。
進一步附加條款6. 如進一步附加條款1至5中任一項的方法,其中網路部件對應於網路定位估計實體。
進一步附加條款7. 如進一步附加條款1至6中任一項的方法,其中一或多個特徵是從一或多個TRP中的至少一個TRP接收的。
進一步附加條款8. 如進一步附加條款7的方法,其中一或多個特徵包括由UE經由基於UE的ML特徵提取模型提取的第一特徵集合,或者其中一或多個特徵包括由至少一個TRP提取的第二特徵集合,第二特徵集合包括來自接受第一特徵集合作為輸入的至少一個網路側ML特徵提取模型的一或多個增強特徵,或其組合。
進一步附加條款9. 如進一步附加條款1至8中任一項的方法,其中一或多個下行鏈路RS-P對應於一或多個下行鏈路定位參考信號(PRS)。
進一步附加條款10. 如進一步附加條款1至9中任一項的方法,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於網路的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於網路的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
進一步附加條款11. 一種操作使用者設備(UE)的方法,包括:從一或多個發送接收點(TRP)接收一或多個下行鏈路的用於定位的參考信號(RS-P);獲得與一或多個下行鏈路RS-P相關聯的一或多個下行鏈路射頻指紋(RFFP);經由一或多個基於UE的機器學習(ML)特徵提取模型從一或多個下行鏈路RFFP提取一或多個特徵;及發送一或多個特徵。
進一步附加條款12. 如進一步附加條款11的方法,其中一或多個下行鏈路RS-P對應於一或多個下行鏈路定位參考信號(PRS)。
進一步附加條款13. 如進一步附加條款11至12中任一項的方法,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於網路的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於網路的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
進一步附加條款14. 一種網路部件,包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:經由至少一個收發器接收與由一或多個發送接收點(TRP)向使用者設備(UE)發送的一或多個下行鏈路的用於定位的參考信號(RS-P)相關聯的一或多個特徵,一或多個特徵是由一或多個設備經由一或多個機器學習(ML)特徵提取模型從一或多個下行鏈路RS-P的一或多個下行鏈路射頻指紋(RFFP)提取的;及向基於網路的ML特徵融合模型提供一或多個特徵以推導UE的定位估計。
進一步附加條款15. 如進一步附加條款14的網路部件,其中網路部件對應於發送一或多個下行鏈路RS-P的一或多個TRP中的相應TRP。
進一步附加條款16. 如進一步附加條款15的網路部件,其中一或多個特徵是從UE接收的。
進一步附加條款17. 如進一步附加條款15至16中任一項的網路部件,其中至少一個處理器亦被配置為:經由至少一個收發器向網路定位估計實體發送定位估計。
進一步附加條款18. 如進一步附加條款15至17中任一項的網路部件,其中一或多個ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。
進一步附加條款19. 如進一步附加條款14至18中任一項的網路部件,其中網路部件對應於網路定位估計實體。
進一步附加條款20. 如進一步附加條款14至19中任一項的網路部件,其中一或多個特徵是從一或多個TRP中的至少一個TRP接收的。
進一步附加條款21. 如進一步附加條款20的網路部件,其中一或多個特徵包括由UE經由基於UE的ML特徵提取模型提取的第一特徵集合,或者其中一或多個特徵包括由至少一個TRP提取的第二特徵集合,第二特徵集合包括來自接受第一特徵集合作為輸入的至少一個網路側ML特徵提取模型的一或多個增強特徵,或其組合。
進一步附加條款22. 如進一步附加條款14至21中任一項的網路部件,其中一或多個下行鏈路RS-P對應於一或多個下行鏈路定位參考信號(PRS)。
進一步附加條款23. 如進一步附加條款14至22中任一項的網路部件,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於網路的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於網路的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
進一步附加條款24. 一種使用者設備(UE),包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:經由至少一個收發器從一或多個發送接收點(TRP)接收一或多個下行鏈路的用於定位的參考信號(RS-P);獲得與一或多個下行鏈路RS-P相關聯的一或多個下行鏈路射頻指紋(RFFP);經由一或多個基於UE的機器學習(ML)特徵提取模型從一或多個下行鏈路RFFP提取一或多個特徵;及經由至少一個收發器發送一或多個特徵。
進一步附加條款25. 如進一步附加條款24的UE,其中一或多個下行鏈路RS-P對應於一或多個下行鏈路定位參考信號(PRS)。
進一步附加條款26. 如進一步附加條款24至25中任一項的UE,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於網路的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於網路的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
進一步附加條款27. 一種網路部件,包括:用於接收與由一或多個發送接收點(TRP)向使用者設備(UE)發送的一或多個下行鏈路的用於定位的參考信號(RS-P)相關聯的一或多個特徵的構件,一或多個特徵是由一或多個設備經由一或多個機器學習(ML)特徵提取模型從一或多個下行鏈路RS-P的一或多個下行鏈路射頻指紋(RFFP)提取的;及用於向基於網路的ML特徵融合模型提供一或多個特徵以推導UE的定位估計的構件。
進一步附加條款28. 如進一步附加條款27的網路部件,其中網路部件對應於發送一或多個下行鏈路RS-P的一或多個TRP中的相應TRP。
進一步附加條款29. 如進一步附加條款28的網路部件,其中一或多個特徵是從UE接收的。
進一步附加條款30. 如進一步附加條款28至29中任一項的網路部件,亦包括:用於向網路定位估計實體發送定位估計的構件。
進一步附加條款31. 如進一步附加條款28至30中任一項的網路部件,其中一或多個ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。
進一步附加條款32. 如進一步附加條款27至31中任一項的網路部件,其中網路部件對應於網路定位估計實體。
進一步附加條款33. 如進一步附加條款27至32中任一項的網路部件,其中一或多個特徵是從一或多個TRP中的至少一個TRP接收的。
進一步附加條款34. 如進一步附加條款33的網路部件,其中一或多個特徵包括由UE經由基於UE的ML特徵提取模型提取的第一特徵集合,或者其中一或多個特徵包括由至少一個TRP提取的第二特徵集合,第二特徵集合包括來自接受第一特徵集合作為輸入的至少一個網路側ML特徵提取模型的一或多個增強特徵,或其組合。
進一步附加條款35. 如進一步附加條款27至34中任一項的網路部件,其中一或多個下行鏈路RS-P對應於一或多個下行鏈路定位參考信號(PRS)。
進一步附加條款36. 如進一步附加條款27至35中任一項的網路部件,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於網路的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於網路的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
進一步附加條款37. 一種使用者設備(UE),包括:用於從一或多個發送接收點(TRP)接收一或多個下行鏈路的用於定位的參考信號(RS-P)的構件;用於獲得與一或多個下行鏈路RS-P相關聯的一或多個下行鏈路射頻指紋(RFFP)的構件;用於經由一或多個基於UE的機器學習(ML)特徵提取模型從一或多個下行鏈路RFFP提取一或多個特徵的構件;及用於發送一或多個特徵的構件。
進一步附加條款38. 如進一步附加條款37的UE,其中一或多個下行鏈路RS-P對應於一或多個下行鏈路定位參考信號(PRS)。
進一步附加條款39. 如進一步附加條款37至38中任一項的UE,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於網路的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於網路的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
進一步附加條款40. 一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由網路部件執行時,使網路部件:接收與由一或多個發送接收點(TRP)向使用者設備(UE)發送的一或多個下行鏈路的用於定位的參考信號(RS-P)相關聯的一或多個特徵,一或多個特徵是由一或多個設備經由一或多個機器學習(ML)特徵提取模型從一或多個下行鏈路RS-P的一或多個下行鏈路射頻指紋(RFFP)提取的;及向基於網路的ML特徵融合模型提供一或多個特徵以推導UE的定位估計。
進一步附加條款41. 如進一步附加條款40的非暫時性電腦可讀取媒體,其中網路部件對應於發送一或多個下行鏈路RS-P的一或多個TRP中的相應TRP。
進一步附加條款42. 如進一步附加條款41的非暫時性電腦可讀取媒體,其中一或多個特徵是從UE接收的。
進一步附加條款43. 如進一步附加條款41至42中任一項的非暫時性電腦可讀取媒體,亦包括在由網路部件執行時使網路部件進行以下操作的電腦可執行指令:向網路定位估計實體發送定位估計。
進一步附加條款44. 如進一步附加條款41至43中任一項的非暫時性電腦可讀取媒體,其中一或多個ML特徵提取模型包括一或多個TRP特定ML特徵提取模型或公共ML特徵提取模型。
進一步附加條款45. 如進一步附加條款40至44中任一項的非暫時性電腦可讀取媒體,其中網路部件對應於網路定位估計實體。
進一步附加條款46. 如進一步附加條款40至45中任一項的非暫時性電腦可讀取媒體,其中一或多個特徵是從一或多個TRP中的至少一個TRP接收的。
進一步附加條款47. 如進一步附加條款46的非暫時性電腦可讀取媒體,其中一或多個特徵包括由UE經由基於UE的ML特徵提取模型提取的第一特徵集合,或者其中一或多個特徵包括由至少一個TRP提取的第二特徵集合,第二特徵集合包括來自接受第一特徵集合作為輸入的至少一個網路側ML特徵提取模型的一或多個增強特徵,或其組合。
進一步附加條款48. 如進一步附加條款40至47中任一項的非暫時性電腦可讀取媒體,其中一或多個下行鏈路RS-P對應於一或多個下行鏈路定位參考信號(PRS)。
進一步附加條款49. 如進一步附加條款40至48中任一項的非暫時性電腦可讀取媒體,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於網路的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於網路的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
進一步附加條款50. 一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由使用者設備(UE)執行時,使UE:從一或多個發送接收點(TRP)接收一或多個下行鏈路的用於定位的參考信號(RS-P);獲得與一或多個下行鏈路RS-P相關聯的一或多個下行鏈路射頻指紋(RFFP);經由一或多個基於UE的機器學習(ML)特徵提取模型從一或多個下行鏈路RFFP提取一或多個特徵;及發送一或多個特徵。
進一步附加條款51. 如進一步附加條款50的非暫時性電腦可讀取媒體,其中一或多個下行鏈路RS-P對應於一或多個下行鏈路定位參考信號(PRS)。
進一步附加條款52. 如進一步附加條款50至51中任一項的非暫時性電腦可讀取媒體,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於網路的ML特徵融合模型聯合訓練的潛在TRP特定特徵、在網路側訓練部件處獨立於基於網路的ML特徵融合模型訓練的潛在TRP特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
1)在以下編號的更進一步附加條款中描述了更進一步的附加實現方式實例:
更進一步附加條款1. 一種操作使用者設備(UE)的方法,包括:發送用於定位的參考信號(RS-P);獲得與RS-P相關聯的一或多個特徵,一或多個特徵是由一或多個實體經由一或多個機器學習(ML)特徵提取模型從RS-P的一或多個射頻指紋(RFFP)提取的;及向基於UE的ML特徵融合模型提供一或多個特徵以推導UE的定位估計。
更進一步附加條款2. 如更進一步附加條款1的方法,其中一或多個特徵由一或多個發送接收點(TRP)提取。
更進一步附加條款3. 如更進一步附加條款2的方法,其中一或多個ML特徵提取模型包括一或多個實體特定ML特徵提取模型或公共ML特徵提取模型。
更進一步附加條款4. 如更進一步附加條款1至3中任一項的方法,其中一或多個特徵由網路定位估計實體提取。
更進一步附加條款5. 如更進一步附加條款1至4中任一項的方法,其中一或多個特徵包括由一或多個發送接收點(TRP)經由第一ML特徵提取模型集合提取的第一特徵集合,並且其中一或多個特徵包括由網路定位估計實體經由第二ML特徵提取模型集合提取的第二特徵集合。
更進一步附加條款6. 如更進一步附加條款1至5中任一項的方法,其中RS-P對應於上行鏈路探測參考信號(SRS)或側鏈路SRS。
更進一步附加條款7. 如更進一步附加條款1至6中任一項的方法,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在設備特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在設備特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
更進一步附加條款8. 一種操作實體的方法;獲得與來自使用者設備(UE)的用於定位的參考信號(RS-P)相關聯的一或多個射頻指紋(RFFP);經由一或多個機器學習(ML)特徵提取模型提取與一或多個RFFP相關聯的一或多個特徵;及向一或多個目標設備發送所提取的一或多個特徵。
更進一步附加條款9. 如更進一步附加條款8的方法,其中實體對應於量測RS-P以獲得相應RFFP的相應發送接收點(TRP)或另一UE,並且其中一或多個目標設備包括UE、網路定位估計實體、或其組合。
更進一步附加條款10. 如更進一步附加條款8至9中任一項的方法,其中實體對應於接收一或多個RFFP的網路定位估計實體,並且其中一或多個目標設備包括一或多個發送接收點(TRP)或一或多個其他UE。
更進一步附加條款11. 如更進一步附加條款8至10中任一項的方法,其中RS-P對應於上行鏈路探測參考信號(SRS)或側鏈路SRS。
更進一步附加條款12. 如更進一步附加條款8至11中任一項的方法,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在發送接收點(TRP)特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在設備特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
更進一步附加條款13. 一種操作使用者設備(UE)的方法,包括:接收一或多個用於定位的參考信號(RS-P);發送RS-P,一或多個RS-P和該RS-P與UE的基於UE的往返射頻指紋(RFFP)定位估計通信期相關聯;接收與RS-P相關聯的RFFP量測資訊;獲得與一或多個RS-P相關聯的一或多個RFFP;及向基於UE的機器學習(ML)特徵融合模型提供RFFP量測資訊和一或多個RFFP以推導UE的定位估計。
更進一步附加條款14. 如更進一步附加條款13的方法,其中一或多個RS-P對應於下行鏈路定位參考信號(PRS)或側鏈路探測參考信號(SRS),並且其中RS-P對應於上行鏈路探測參考信號(SRS)或側鏈路SRS。
更進一步附加條款15. 如更進一步附加條款14的方法,其中RFFP量測資訊包括上行鏈路SRS或側鏈路SRS的一或多個RFFP。
更進一步附加條款16. 如更進一步附加條款15的方法,其中基於UE的ML特徵融合模型包括基於UE的ML特徵提取模型,其基於一或多個RFFP來提取與RS-P相關聯的一或多個特徵。
更進一步附加條款17. 如更進一步附加條款13至16中任一項的方法,其中RFFP量測資訊包括經由一或多個ML特徵提取模型在一或多個實體處從與RS-P相關聯的一或多個RFFP提取的一或多個特徵。
更進一步附加條款18. 如更進一步附加條款17的方法,其中一或多個ML特徵提取模型包括一或多個實體特定ML特徵提取模型或公共ML特徵提取模型。
更進一步附加條款19. 一種操作網路定位估計實體的方法,包括:獲得與往返射頻指紋(RFFP)相關聯的第一特徵集合,往返RFFP與由使用者設備(UE)發送的用於定位的參考信號(RS-P)相關聯,第一特徵集合與使用者設備(UE)的往返RFFP定位估計通信期相關聯;獲得與向UE發送的一或多個往返射頻指紋(RFFP)相關聯的第二特徵集合,第二特徵集合與UE的往返RFFP定位估計通信期相關聯;及向ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計。
更進一步附加條款20. 如更進一步附加條款19的方法,其中第一特徵集合是在網路定位估計實體或一或多個發送接收點(TRP)或一或多個其他UE處提取的,或者其中第二特徵集合是在網路定位估計實體或一或多個TRP或UE或一或多個其他UE處提取的,或其組合。
更進一步附加條款21. 如更進一步附加條款19至20中任一項的方法,其中網路定位估計實體對應於發送接收點(TRP),或者其中網路定位估計實體對應於位置管理功能(LMF)。
更進一步附加條款22. 一種使用者設備(UE),包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:經由至少一個收發器發送用於定位的參考信號(RS-P);獲得與RS-P相關聯的一或多個特徵,一或多個特徵是由一或多個實體經由一或多個機器學習(ML)特徵提取模型從RS-P的一或多個射頻指紋(RFFP)提取的;及向基於UE的ML特徵融合模型提供一或多個特徵以推導UE的定位估計。
更進一步附加條款23. 如更進一步附加條款22的UE,其中一或多個特徵由一或多個發送接收點(TRP)提取。
更進一步附加條款24. 如更進一步附加條款23的UE,其中一或多個ML特徵提取模型包括一或多個實體特定ML特徵提取模型或公共ML特徵提取模型。
更進一步附加條款25. 如更進一步附加條款22至24中任一項的UE,其中一或多個特徵由網路定位估計實體提取。
更進一步附加條款26. 如更進一步附加條款22至25中任一項的UE,其中一或多個特徵包括由一或多個發送接收點(TRP)經由第一ML特徵提取模型集合提取的第一特徵集合,並且其中一或多個特徵包括由網路定位估計實體經由第二ML特徵提取模型集合提取的第二特徵集合。
更進一步附加條款27. 如更進一步附加條款22至26中任一項的UE,其中RS-P對應於上行鏈路探測參考信號(SRS)或側鏈路SRS。
更進一步附加條款28. 如更進一步附加條款22至27中任一項的UE,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在設備特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在設備特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
更進一步附加條款29. 一種實體,包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:獲得與來自使用者設備(UE)的用於定位的參考信號(RS-P)相關聯的一或多個射頻指紋(RFFP);經由一或多個機器學習(ML)特徵提取模型提取與一或多個RFFP相關聯的一或多個特徵;及經由至少一個收發器向一或多個目標設備發送所提取的一或多個特徵。
更進一步附加條款30. 如更進一步附加條款29的實體,其中實體對應於量測RS-P以獲得相應RFFP的相應發送接收點(TRP)或另一UE,並且其中一或多個目標設備包括UE、網路定位估計實體、或其組合。
更進一步附加條款31. 如更進一步附加條款29至30中任一項的實體,其中實體對應於接收一或多個RFFP的網路定位估計實體,並且其中一或多個目標設備包括一或多個發送接收點(TRP)或一或多個其他UE。
更進一步附加條款32. 如更進一步附加條款29至31中任一項的實體,其中RS-P對應於上行鏈路探測參考信號(SRS)或側鏈路SRS。
更進一步附加條款33. 如更進一步附加條款29至32中任一項的實體,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在發送接收點(TRP)特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在設備特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
更進一步附加條款34. 一種UE,包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:經由至少一個收發器接收一或多個用於定位的參考信號(RS-P);經由至少一個收發器發送RS-P,一或多個RS-P和該RS-P與UE的基於UE的往返射頻指紋(RFFP)定位估計通信期相關聯;經由至少一個收發器接收與RS-P相關聯的RFFP量測資訊;獲得與一或多個RS-P相關聯的一或多個RFFP;及向基於UE的機器學習(ML)特徵融合模型提供RFFP量測資訊和一或多個RFFP以推導UE的定位估計。
更進一步附加條款35. 如更進一步附加條款34的UE,其中一或多個RS-P對應於下行鏈路定位參考信號(PRS)或側鏈路探測參考信號(SRS),並且其中RS-P對應於上行鏈路探測參考信號(SRS)或側鏈路SRS。
更進一步附加條款36. 如更進一步附加條款35的UE,其中RFFP量測資訊包括上行鏈路SRS或側鏈路SRS的一或多個RFFP。
更進一步附加條款37. 如更進一步附加條款36的UE,其中基於UE的ML特徵融合模型包括基於UE的ML特徵提取模型,其基於一或多個RFFP來提取與RS-P相關聯的一或多個特徵。
更進一步附加條款38. 如更進一步附加條款34至37中任一項的UE,其中RFFP量測資訊包括經由一或多個ML特徵提取模型在一或多個實體處從與RS-P相關聯的一或多個RFFP提取的一或多個特徵。
更進一步附加條款39. 如更進一步附加條款38的UE,其中一或多個ML特徵提取模型包括一或多個實體特定ML特徵提取模型或公共ML特徵提取模型。
更進一步附加條款40. 一種網路定位估計實體,包括:記憶體;至少一個收發器;及至少一個處理器,該至少一個處理器通訊地耦合到記憶體和至少一個收發器,至少一個處理器被配置為:獲得與往返射頻指紋(RFFP)相關聯的第一特徵集合,往返RFFP與由使用者設備(UE)發送的用於定位的參考信號(RS-P)相關聯,第一特徵集合與使用者設備(UE)的往返RFFP定位估計通信期相關聯;獲得與向UE發送的一或多個往返射頻指紋(RFFP)相關聯的第二特徵集合,第二特徵集合與UE的往返RFFP定位估計通信期相關聯;及向ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計。
更進一步附加條款41. 如更進一步附加條款40的網路定位估計實體,其中第一特徵集合是在網路定位估計實體或一或多個發送接收點(TRP)或一或多個其他UE處提取的,或者其中第二特徵集合是在網路定位估計實體或一或多個TRP或UE或一或多個其他UE處提取的,或其組合。
更進一步附加條款42. 如更進一步附加條款40至41中任一項的網路定位估計實體,其中網路定位估計實體對應於發送接收點(TRP),或者其中網路定位估計實體對應於位置管理功能(LMF)。
更進一步附加條款43. 一種使用者設備(UE),包括:用於發送用於定位的參考信號(RS-P)的構件;用於獲得與RS-P相關聯的一或多個特徵的構件,一或多個特徵是由一或多個實體經由一或多個機器學習(ML)特徵提取模型從RS-P的一或多個射頻指紋(RFFP)提取的;及用於向基於UE的ML特徵融合模型提供一或多個特徵以推導UE的定位估計的構件。
更進一步附加條款44. 如更進一步附加條款43的UE,其中一或多個特徵由一或多個發送接收點(TRP)提取。
更進一步附加條款45. 如更進一步附加條款44的UE,其中一或多個ML特徵提取模型包括一或多個實體特定ML特徵提取模型或公共ML特徵提取模型。
更進一步附加條款46. 如更進一步附加條款43至45中任一項的UE,其中一或多個特徵由網路定位估計實體提取。
更進一步附加條款47. 如更進一步附加條款43至46中任一項的UE,其中一或多個特徵包括由一或多個發送接收點(TRP)經由第一ML特徵提取模型集合提取的第一特徵集合,並且其中一或多個特徵包括由網路定位估計實體經由第二ML特徵提取模型集合提取的第二特徵集合。
更進一步附加條款48. 如更進一步附加條款43至47中任一項的UE,其中RS-P對應於上行鏈路探測參考信號(SRS)或側鏈路SRS。
更進一步附加條款49. 如更進一步附加條款43至48中任一項的UE,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在設備特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在設備特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
更進一步附加條款50. 一種實體,包括:用於獲得與來自使用者設備(UE)的用於定位的參考信號(RS-P)相關聯的一或多個射頻指紋(RFFP)的構件;用於經由一或多個機器學習(ML)特徵提取模型提取與一或多個RFFP相關聯的一或多個特徵的構件;及用於向一或多個目標設備發送所提取的一或多個特徵的構件。
更進一步附加條款51. 如更進一步附加條款50的實體,其中實體對應於量測RS-P以獲得相應RFFP的相應發送接收點(TRP)或另一UE,並且其中一或多個目標設備包括UE、網路定位估計實體、或其組合。
更進一步附加條款52. 如更進一步附加條款50至51中任一項的實體,其中實體對應於接收一或多個RFFP的網路定位估計實體,並且其中一或多個目標設備包括一或多個發送接收點(TRP)或一或多個其他UE。
更進一步附加條款53. 如更進一步附加條款50至52中任一項的實體,其中RS-P對應於上行鏈路探測參考信號(SRS)或側鏈路SRS。
更進一步附加條款54. 如更進一步附加條款50至53中任一項的實體,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在發送接收點(TRP)特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在設備特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
更進一步附加條款55. 一種UE,包括:用於接收一或多個用於定位的參考信號(RS-P)的構件;用於發送RS-P的構件,一或多個RS-P和該RS-P與UE的基於UE的往返射頻指紋(RFFP)定位估計通信期相關聯;用於接收與RS-P相關聯的RFFP量測資訊的構件;用於獲得與一或多個RS-P相關聯的一或多個RFFP的構件;及用於向基於UE的機器學習(ML)特徵融合模型提供RFFP量測資訊和一或多個RFFP以推導UE的定位估計的構件。
更進一步附加條款56. 如更進一步附加條款55的UE,其中一或多個RS-P對應於下行鏈路定位參考信號(PRS)或側鏈路探測參考信號(SRS),並且其中RS-P對應於上行鏈路探測參考信號(SRS)或側鏈路SRS。
更進一步附加條款57. 如更進一步附加條款56的UE,其中RFFP量測資訊包括上行鏈路SRS或側鏈路SRS的一或多個RFFP。
更進一步附加條款58. 如更進一步附加條款57的UE,其中基於UE的ML特徵融合模型包括基於UE的ML特徵提取模型,其基於一或多個RFFP來提取與RS-P相關聯的一或多個特徵。
更進一步附加條款59. 如更進一步附加條款55至58中任一項的UE,其中RFFP量測資訊包括經由一或多個ML特徵提取模型在一或多個實體處從與RS-P相關聯的一或多個RFFP提取的一或多個特徵。
更進一步附加條款60. 如更進一步附加條款59的UE,其中一或多個ML特徵提取模型包括一或多個實體特定ML特徵提取模型或公共ML特徵提取模型。
更進一步附加條款61. 一種網路定位估計實體,包括:用於獲得與往返射頻指紋(RFFP)相關聯的第一特徵集合的構件,往返RFFP與由使用者設備(UE)發送的用於定位的參考信號(RS-P)相關聯,第一特徵集合與使用者設備(UE)的往返RFFP定位估計通信期相關聯;用於獲得與向UE發送的一或多個往返射頻指紋(RFFP)相關聯的第二特徵集合的構件,第二特徵集合與UE的往返RFFP定位估計通信期相關聯;及用於向ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計的構件。
更進一步附加條款62. 如更進一步附加條款61的網路定位估計實體,其中第一特徵集合是在網路定位估計實體或一或多個發送接收點(TRP)或一或多個其他UE處提取的,或者其中第二特徵集合是在網路定位估計實體或一或多個TRP或UE或一或多個其他UE處提取的,或其組合。
更進一步附加條款63. 如更進一步附加條款61至62中任一項的網路定位估計實體,其中網路定位估計實體對應於發送接收點(TRP),或者其中網路定位估計實體對應於位置管理功能(LMF)。
更進一步附加條款64. 一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由使用者設備(UE)執行時,使UE:發送用於定位的參考信號(RS-P);獲得與RS-P相關聯的一或多個特徵,一或多個特徵是由一或多個實體經由一或多個機器學習(ML)特徵提取模型從RS-P的一或多個射頻指紋(RFFP)提取的;及向基於UE的ML特徵融合模型提供一或多個特徵以推導UE的定位估計。
更進一步附加條款65. 如更進一步附加條款64的非暫時性電腦可讀取媒體,其中一或多個特徵由一或多個發送接收點(TRP)提取。
更進一步附加條款66. 如更進一步附加條款65的非暫時性電腦可讀取媒體,其中一或多個ML特徵提取模型包括一或多個實體特定ML特徵提取模型或公共ML特徵提取模型。
更進一步附加條款67. 如更進一步附加條款64至66中任一項的非暫時性電腦可讀取媒體,其中一或多個特徵由網路定位估計實體提取。
更進一步附加條款68. 如更進一步附加條款64至67中任一項的非暫時性電腦可讀取媒體,其中一或多個特徵包括由一或多個發送接收點(TRP)經由第一ML特徵提取模型集合提取的第一特徵集合,並且其中一或多個特徵包括由網路定位估計實體經由第二ML特徵提取模型集合提取的第二特徵集合。
更進一步附加條款69. 如更進一步附加條款64至68中任一項的非暫時性電腦可讀取媒體,其中RS-P對應於上行鏈路探測參考信號(SRS)或側鏈路SRS。
更進一步附加條款70. 如更進一步附加條款64至69中任一項的非暫時性電腦可讀取媒體,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在設備特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在設備特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
更進一步附加條款71. 一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由實體執行時,使實體:獲得與來自使用者設備(UE)的用於定位的參考信號(RS-P)相關聯的一或多個射頻指紋(RFFP);經由一或多個機器學習(ML)特徵提取模型提取與一或多個RFFP相關聯的一或多個特徵;及向一或多個目標設備發送所提取的一或多個特徵。
更進一步附加條款72. 如更進一步附加條款71的非暫時性電腦可讀取媒體,其中實體對應於量測RS-P以獲得相應RFFP的相應發送接收點(TRP)或另一UE,並且其中一或多個目標設備包括UE、網路定位估計實體、或其組合。
更進一步附加條款73. 如更進一步附加條款71至72中任一項的非暫時性電腦可讀取媒體,其中實體對應於接收一或多個RFFP的網路定位估計實體,並且其中一或多個目標設備包括一或多個發送接收點(TRP)或一或多個其他UE。
更進一步附加條款74. 如更進一步附加條款71至73中任一項的非暫時性電腦可讀取媒體,其中RS-P對應於上行鏈路探測參考信號(SRS)或側鏈路SRS。
更進一步附加條款75. 如更進一步附加條款71至74中任一項的非暫時性電腦可讀取媒體,其中一或多個特徵包括多徑延遲和角度特徵、在網路側訓練部件處與基於UE的ML特徵融合模型聯合訓練的潛在發送接收點(TRP)特定特徵、在網路側訓練部件處獨立於基於UE的ML特徵融合模型訓練的潛在設備特定特徵、與多徑和虛擬錨或反射器之間的關聯有關的多徑特徵、或其任何組合。
更進一步附加條款76. 一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由UE執行時,使UE:接收一或多個用於定位的參考信號(RS-P);發送RS-P,一或多個RS-P和該RS-P與UE的基於UE的往返射頻指紋(RFFP)定位估計通信期相關聯;接收與RS-P相關聯的RFFP量測資訊;獲得與一或多個RS-P相關聯的一或多個RFFP;及向基於UE的機器學習(ML)特徵融合模型提供RFFP量測資訊和一或多個RFFP以推導UE的定位估計。
更進一步附加條款77. 如更進一步附加條款76的非暫時性電腦可讀取媒體,其中一或多個RS-P對應於下行鏈路定位參考信號(PRS)或側鏈路探測參考信號(SRS),並且其中RS-P對應於上行鏈路探測參考信號(SRS)或側鏈路SRS。
更進一步附加條款78. 如更進一步附加條款77的非暫時性電腦可讀取媒體,其中RFFP量測資訊包括上行鏈路SRS或側鏈路SRS的一或多個RFFP。
更進一步附加條款79. 如更進一步附加條款78的非暫時性電腦可讀取媒體,其中基於UE的ML特徵融合模型包括基於UE的ML特徵提取模型,其基於一或多個RFFP來提取與RS-P相關聯的一或多個特徵。
更進一步附加條款80. 如更進一步附加條款76至79中任一項的非暫時性電腦可讀取媒體,其中RFFP量測資訊包括經由一或多個ML特徵提取模型在一或多個實體處從與RS-P相關聯的一或多個RFFP提取的一或多個特徵。
更進一步附加條款81. 如更進一步附加條款80的非暫時性電腦可讀取媒體,其中一或多個ML特徵提取模型包括一或多個實體特定ML特徵提取模型或公共ML特徵提取模型。
更進一步附加條款82. 一種儲存電腦可執行指令的非暫時性電腦可讀取媒體,該等電腦可執行指令在由網路定位估計實體執行時,使網路定位估計實體:獲得與往返射頻指紋(RFFP)相關聯的第一特徵集合,往返RFFP與由使用者設備(UE)發送的用於定位的參考信號(RS-P)相關聯,第一特徵集合與使用者設備(UE)的往返RFFP定位估計通信期相關聯;獲得與向UE發送的一或多個往返射頻指紋(RFFP)相關聯的第二特徵集合,第二特徵集合與UE的往返RFFP定位估計通信期相關聯;及向ML特徵融合模型提供第一特徵集合和第二特徵集合以推導UE的定位估計。
更進一步附加條款83. 如更進一步附加條款82的非暫時性電腦可讀取媒體,其中第一特徵集合是在網路定位估計實體或一或多個發送接收點(TRP)或一或多個其他UE處提取的,或者其中第二特徵集合是在網路定位估計實體或一或多個TRP或UE或一或多個其他UE處提取的,或其組合。
更進一步附加條款84. 如更進一步附加條款82至83中任一項的非暫時性電腦可讀取媒體,其中網路定位估計實體對應於發送接收點(TRP),或者其中網路定位估計實體對應於位置管理功能(LMF)。
本領域技藝人士將理解,資訊和信號可以使用各種不同技術和技藝中的任一種來表示。例如,在整個上文描述中可能引用的資料、指令、命令、資訊、信號、位元、符號和晶片可以由電壓、電流、電磁波、磁場或磁粒子、光場或光粒子,或其任何組合來表示。
此外,本領域的技藝人士將理解,結合本文揭示的態樣描述的各種說明性邏輯區塊、模組、電路和演算法步驟可以被實現為電子硬體、電腦軟體或兩者的組合。為清楚地說明硬體與軟體的此可互換性,上文已大體上就其功能而言描述了各種說明性部件、方塊、模組、電路和步驟。此類功能被實現為硬體還是軟體取決於特定應用以及施加於整個系統的設計約束。本領域技藝人士可以針對每個特定應用以不同方式實現所描述的功能,但不應將此類實現決策解釋為致使脫離本揭示的範圍。
結合本文揭示的態樣描述的各種說明性邏輯區塊、模組和電路可以是利用被設計成執行本文描述的功能的通用處理器、數位訊號處理器(DSP)、ASIC、現場可程式設計閘陣列(FPGA)或其他可程式設計邏輯設備、個別閘極或電晶體邏輯、離散硬體部件、或其任何組合來實現或執行的。通用處理器可以是微處理器,但在替代情況下,該處理器可以是任何習知的處理器、控制器、微控制器或狀態機。處理器亦可以被實現為計算設備的組合,例如,DSP和微處理器的組合、複數個微處理器、與DSP核結合的一或多個微處理器、或任何其他此類配置。
結合本文揭示的態樣描述的方法、序列及/或演算法可以被直接體現於硬體中、由處理器執行的軟體模組中或兩者的組合中。軟體模組可以常駐在隨機存取記憶體(RAM)、快閃記憶體、唯讀記憶體(ROM)、可抹除可程式設計ROM(EPROM)、電子可抹除可程式設計ROM(EEPROM)、暫存器、硬碟、可移除磁碟、CD-ROM或本領域已知的任何其他形式的儲存媒體中。示例儲存媒體耦合到處理器,使得處理器可以從該儲存媒體讀取資訊,並且向該儲存媒體寫入資訊。在替代情況下,儲存媒體可以被集成到處理器中。處理器和儲存媒體可以常駐在ASIC中。ASIC可以常駐在使用者終端(例如,UE)中。在替代情況下,處理器和儲存媒體可以作為個別部件常駐在使用者終端中。
在一或多個示例態樣中,所描述的功能可以被實現於硬體、軟體、韌體或其任何組合中。若被實現於軟體中,則功能可以作為一或多個指令或代碼在電腦可讀取媒體上被儲存或發送。電腦可讀取媒體包括電腦儲存媒體和通訊媒體兩者,通訊媒體包括促進電腦程式從一個地方傳遞到另一地方的任何媒體。儲存媒體可以是可由電腦存取的任何可用媒體。作為實例而非限制,此類電腦可讀取儲存媒體可以包括RAM、ROM、EEPROM、CD-ROM或其他光碟儲存、磁碟儲存或其他磁儲存設備、或者可被用於以指令或資料結構的形式攜帶或儲存所需程式碼並可由電腦存取的任何其他媒體。同樣,任何連接皆適當地被稱為電腦可讀取媒體。例如,若使用同軸電纜、光纖光纜、雙絞線、數位用戶線(DSL)或者無線技術(諸如紅外、無線電、微波)來從網站、伺服器或其他遠端源發送軟體,則同軸電纜、光纖光纜、雙絞線、DSL或無線技術(諸如紅外、無線電和微波)被包括在媒體的定義中。本文使用的磁碟和光碟包括壓縮光碟(CD)、鐳射光碟、光學光碟、數位多功能光碟(DVD)、軟碟和藍光光碟,其中磁碟通常以磁性方式再現資料,而光碟則用鐳射以光學方式再現資料。上述組合亦應被包括在電腦可讀取媒體的範圍內。
儘管前述揭示圖示本揭示的說明性態樣,但應當注意,在不脫離所附請求項限定的本揭示的範圍的情況下,可以在本文中進行各種改變和修改。根據本文描述的揭示的態樣的方法請求項的功能、步驟及/或動作不需要以任何特定次序執行。此外,儘管本揭示的要素可以以單數形式描述或要求保護,但是除非明確說明了限制為單數形式,否則複數形式是可預期的。
100:無線通訊系統
102:基地台
102':小型細胞基地台
104:UE
110:地理覆蓋區域
110':地理覆蓋區域
112:地球軌道太空飛行器(SV)
120:通訊鏈路
122:回載鏈路
124:信號
128:直接連接
134:回載鏈路
150:無線區域網路(WLAN)存取點(AP)
152:WLAN站(STA)
154:通訊鏈路
160:無線側鏈路
164:UE
170:核心網
172:位置伺服器
180:基地台
182:UE
184:mmW通訊鏈路
190:UE
192:D2D P2P鏈路
194:D2D P2P鏈路
200:無線網路結構
204:UE
210:5GC
212:使用者平面(U平面)功能
213:使用者平面介面(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:回載連接
224:ng-eNB
226:gNB中央單元(gNB-CU)
228:gNB分散式單元(gNB-DU)
229:gNB無線電單元(gNB-RU)
230:位置伺服器
232:介面
240:無線網路結構
250:分解式基地台架構
255:服務管理和編排(SMO)框架
257:非即時(非RT)RIC
259:近即時(近RT)RAN智慧控制器(RIC)
260:5GC
261:開放eNB(O-eNB)
262:使用者平面功能(UPF)
263:使用者平面介面
264:存取和行動性管理功能(AMF)
265:控制平面介面
266:通信期管理功能(SMF)
267:核心網
269:開放雲(O-Cloud)
270:LMF
272:SLP
274:協力廠商伺服器
280:中央單元(CU)
285:分散式單元(DU)
287:無線電單元(RU)
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/通訊信號
340:記憶體
342:定位部件
344:感測器
346:使用者介面
350:無線廣域網路(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/通訊信號
380:網路收發器
382:資料匯流排
384:處理器
386:記憶體
388:定位部件
390:網路收發器
392:資料匯流排
394:處理器
396:記憶體
398:定位部件
410:場景
420:場景
430:場景
440:場景
500:圖
600:圖
700:神經網路
800:圖
900:過程
1000:過程
1100:實現方式
1102:ML模型2
1104:ML模型1/1a
1106:ML模型1/1b
1200:過程
1300:過程
1400:實現方式
1402:ML模型1
1404:ML模型2a/2b
1406:ML模型3a/3b
1500:過程
1600:過程
1700:實現方式
1702:ML模型
1704:ML模型UL
1706:ML模型UL
1800:過程
1900:過程
2000:實現方式
2002:ML模型DL
2004:ML模型UL
2006-A:ML模型
2006-B:ML模型
A1:介面
E2:介面
h1:隱藏層
h2:隱藏層
h3:隱藏層
i:輸入層
LOS:視線
N2:介面
N3:介面
NLOS:非視線
O1:介面
O2:介面
RB:資源區塊
RS:參考(引導頻)信號
所附附圖是為了幫助描述本揭示的各個態樣而呈現的,並且僅僅是為了說明該等態樣而提供的,而不是對其的限制。
圖1示出根據本揭示的態樣的示例無線通訊系統。
圖2A、圖2B和圖2C示出根據本揭示的態樣的示例無線網路結構。
圖3A、圖3B和圖3C是可以分別在使用者設備(UE)、基地台和網路實體中採用並且被配置為支援如本文所教導的通訊的部件的若干取樣態樣的簡化方塊圖。
圖4示出根據本揭示的態樣的在新無線電(NR)中支援的各種定位方法的實例。
圖5是示出根據本揭示的態樣的示例訊框結構的圖。
圖6是表示根據本揭示的態樣的射頻(RF)通道估計的圖。
圖7示出根據本揭示的態樣的示例神經網路。
圖8是示出根據本揭示的態樣的用於基於RF指紋(RFFP)的定位的機器學習模型的使用的圖。
圖9示出根據本揭示的態樣的通訊的示例性過程。
圖10示出根據本揭示的態樣的通訊的示例性過程。
圖11分別示出根據本揭示的態樣的圖9至圖10的過程的示例實現方式。
圖12示出根據本揭示的態樣的通訊的示例性過程。
圖13示出根據本揭示的態樣的通訊的示例性過程。
圖14分別示出根據本揭示的態樣的圖12至圖13的過程的示例實現方式。
圖15示出根據本揭示的態樣的通訊的示例性過程。
圖16示出根據本揭示的態樣的通訊的示例性過程。
圖17分別示出根據本揭示的態樣的圖15至圖16的過程的示例實現方式。
圖18示出根據本揭示的態樣的通訊的示例性過程。
圖19示出根據本揭示的態樣的通訊的示例性過程。
圖20分別示出根據本揭示的態樣的圖15至圖16的過程的示例實現方式。
國內寄存資訊(請依寄存機構、日期、號碼順序註記)
無
國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記)
無
302:UE
900:過程
Claims (21)
- 一種操作一使用者設備(UE)的方法,包括以下步驟: 發送一用於定位的參考信號(RS-P); 獲得與該RS-P相關聯的一或多個特徵,該一或多個特徵是由一或多個實體經由一或多個機器學習(ML)特徵提取模型從該RS-P的一或多個射頻指紋(RFFP)提取的;及 至少部分地基於一基於UE的ML特徵融合模型和該一或多個特徵的一輸出來決定對該UE的一定位估計。
- 如請求項1所述的方法,其中該一或多個特徵由該一或多個發送接收點(TRP)提取。
- 如請求項2所述的方法,其中該一或多個ML特徵提取模型包括一或多個實體特定ML特徵提取模型或一公共ML特徵提取模型。
- 如請求項1所述的方法,其中該一或多個特徵由一網路定位估計實體提取。
- 如請求項1所述的方法, 其中該一或多個特徵包括由一或多個發送接收點(TRP)經由一第一ML特徵提取模型集合提取的一第一特徵集合,以及 其中該一或多個特徵包括由一網路定位估計實體經由一第二ML特徵提取模型集合提取的一第二特徵集合。
- 如請求項1所述的方法,其中該RS-P對應於一上行鏈路探測參考信號(SRS)或一側鏈路SRS。
- 如請求項1所述的方法,其中該一或多個特徵包括一多徑延遲和角度特徵、在一網路側訓練部件處與一基於UE的ML特徵融合模型聯合訓練的一潛在設備特定特徵、在該網路側訓練部件處獨立於該基於UE的ML特徵融合模型訓練的一潛在設備特定特徵、與一多徑和一虛擬錨或反射器之間的一關聯有關的一多徑特徵、或其任何組合。
- 一種操作一實體的方法; 獲得與來自一使用者設備(UE)的一用於定位的參考信號(RS-P)相關聯的一或多個射頻指紋(RFFP); 經由一或多個機器學習(ML)特徵提取模型提取與該一或多個RFFP相關聯的一或多個特徵;及 向一或多個目標設備發送所提取的該一或多個特徵。
- 如請求項8所述的方法, 其中該實體對應於量測該RS-P以獲得一相應RFFP的一相應發送接收點(TRP)或另一UE,以及 其中該一或多個目標設備包括該UE、一網路定位估計實體、或一其組合。
- 如請求項8所述的方法, 其中該實體對應於接收該一或多個RFFP的一網路定位估計實體,以及 其中該一或多個目標設備包括一或多個發送接收點(TRP)或一或多個其他UE。
- 如請求項8所述的方法,其中該RS-P對應於一上行鏈路探測參考信號(SRS)或一側鏈路SRS。
- 如請求項8所述的方法,其中該一或多個特徵包括一多徑延遲和角度特徵、在一網路側訓練部件處與一基於UE的ML特徵融合模型聯合訓練的一潛在發送接收點(TRP)特定特徵、在該網路側訓練部件處獨立於該基於UE的ML特徵融合模型訓練的一潛在設備特定特徵、與一多徑和一虛擬錨或反射器之間的一關聯有關的一多徑特徵、或其任何組合。
- 一種操作一使用者設備(UE)的方法,包括以下步驟: 接收一或多個用於定位的參考信號(RS-P); 發送一RS-P,該一或多個RS-P和該RS-P與該UE的一基於UE的往返射頻指紋(RFFP)定位估計通信期相關聯; 接收與該RS-P相關聯的RFFP量測資訊; 獲得與該一或多個RS-P相關聯的一或多個RFFP;及 向一基於UE的機器學習(ML)特徵融合模型提供該RFFP量測資訊和該一或多個RFFP以推導該UE的一定位估計。
- 如請求項13所述的方法, 其中該一或多個RS-P對應於下行鏈路定位參考信號(PRS)或側鏈路探測參考信號(SRS),以及 其中該RS-P對應於一上行鏈路探測參考信號(SRS)或一側鏈路SRS。
- 如請求項14所述的方法,其中該RFFP量測資訊包括該上行鏈路SRS或該側鏈路SRS的一或多個RFFP。
- 如請求項15所述的方法,其中該基於UE的ML特徵融合模型包括一基於UE的ML特徵提取模型,其基於該一或多個RFFP來提取與該RS-P相關聯的一或多個特徵。
- 如請求項13所述的方法,其中該RFFP量測資訊包括在一或多個實體處經由一或多個ML特徵提取模型從與該RS-P相關聯的一或多個RFFP提取的一或多個特徵。
- 如請求項17所述的方法,其中該一或多個ML特徵提取模型包括一或多個實體特定ML特徵提取模型或一公共ML特徵提取模型。
- 一種操作一網路定位估計實體的方法,包括以下步驟: 獲得與一往返射頻指紋(RFFP)相關聯的一第一特徵集合,該往返RFFP與由一使用者設備(UE)發送的一用於定位的參考信號(RS-P)相關聯,該第一特徵集合與一使用者設備(UE)的一往返RFFP定位估計通信期相關聯; 獲得與向該UE發送的一或多個往返射頻指紋(RFFP)相關聯的一第二特徵集合,該第二特徵集合與該UE的該往返RFFP定位估計通信期相關聯;及 向一ML特徵融合模型提供該第一特徵集合和該第二特徵集合以推導該UE的一定位估計。
- 如請求項19所述的方法, 其中該第一特徵集合是在該網路定位估計實體或該一或多個發送接收點(TRP)或一或多個其他UE處提取的,或者 其中該第二特徵集合是在該網路定位估計實體或該一或多個TRP或該UE或該一或多個其他UE處提取的,或者 一其組合。
- 如請求項19所述的方法, 其中該網路定位估計實體對應於一發送接收點(TRP),或者 其中該網路定位估計實體對應於一位置管理功能(LMF)。
Applications Claiming Priority (8)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202263363893P | 2022-04-29 | 2022-04-29 | |
US202263363899P | 2022-04-29 | 2022-04-29 | |
US202263363887P | 2022-04-29 | 2022-04-29 | |
US63/363,899 | 2022-04-29 | ||
US63/363,893 | 2022-04-29 | ||
US63/363,887 | 2022-04-29 | ||
US18/192,937 | 2023-03-30 | ||
US18/192,937 US20230354248A1 (en) | 2022-04-29 | 2023-03-30 | Network-assisted and round-trip radio frequency fingerprint-based (rffp) position estimation |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202348069A true TW202348069A (zh) | 2023-12-01 |
Family
ID=88511980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112112584A TW202348069A (zh) | 2022-04-29 | 2023-03-31 | 網路輔助並且基於往返射頻指紋(rffp)的定位估計 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230354248A1 (zh) |
TW (1) | TW202348069A (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 |
-
2023
- 2023-03-30 US US18/192,937 patent/US20230354248A1/en active Pending
- 2023-03-31 TW TW112112584A patent/TW202348069A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
US20230354248A1 (en) | 2023-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022031687A1 (en) | Selective triggering of neural network functions for positioning of a user equipment | |
JP2023536439A (ja) | ユーザ機器の測位のためのニューラルネットワーク関数 | |
US20230417866A1 (en) | User equipment (ue) positioning with frequency domain windowing | |
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 | |
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 | |
KR20230086671A (ko) | 시간 각도 채널 프로파일의 기지국-대-서버 시그널링 | |
US20240019528A1 (en) | Positioning model failure detection | |
US20240037441A1 (en) | Node selection for radio frequency fingerprint (rffp) federated learning | |
US20240133995A1 (en) | Positioning model training based on radio frequency fingerprint positioning (rffp) measurements corresponding to position displacements | |
US20230422278A1 (en) | User equipment (ue) positioning with frequency domain windowing | |
US20240129879A1 (en) | Bandwidth aggregation for radio frequency fingerprint positioning | |
US20240085515A1 (en) | Positioning model codepoint configuration | |
US20240172165A1 (en) | Positioning based on composite radio frequency fingerprint measurement | |
US20240012089A1 (en) | Positioning model reporting | |
US20240098453A1 (en) | Positioning model based on multiple transmission point and/or multiple bandwidth configurations | |
US20240073855A1 (en) | Node configuration for positioning model monitoring | |
US20230354247A1 (en) | Machine learning model positioning performance monitoring and reporting | |
TW202410725A (zh) | 用於定位模型監測的節點配置 | |
TW202412547A (zh) | 定位模型編碼點配置 | |
TW202349992A (zh) | 用於基於機器學習的定位用量測的報告框架 | |
WO2024005920A1 (en) | User equipment (ue) positioning with frequency domain windowing | |
WO2023211627A1 (en) | Network-assisted and round-trip radio frequency fingerprint-based (rffp) position estimation | |
TW202345642A (zh) | 用以實現基於機器學習的定位的測量誤差反饋 | |
WO2023211604A1 (en) | Machine learning model positioning performance monitoring and reporting |