TW202349992A - 用於基於機器學習的定位用量測的報告框架 - Google Patents
用於基於機器學習的定位用量測的報告框架 Download PDFInfo
- Publication number
- TW202349992A TW202349992A TW112115758A TW112115758A TW202349992A TW 202349992 A TW202349992 A TW 202349992A TW 112115758 A TW112115758 A TW 112115758A TW 112115758 A TW112115758 A TW 112115758A TW 202349992 A TW202349992 A TW 202349992A
- Authority
- TW
- Taiwan
- Prior art keywords
- location information
- machine learning
- network node
- information messages
- learning model
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 367
- 238000005259 measurement Methods 0.000 title claims description 67
- 238000000034 method Methods 0.000 claims abstract description 272
- 238000004891 communication Methods 0.000 claims abstract description 114
- 230000005540 biological transmission Effects 0.000 claims description 69
- 230000001413 cellular effect Effects 0.000 claims description 63
- 230000015654 memory Effects 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 29
- 230000006870 function Effects 0.000 description 79
- 238000012545 processing Methods 0.000 description 24
- 230000000875 corresponding effect Effects 0.000 description 20
- 238000007726 management method Methods 0.000 description 20
- 238000003860 storage Methods 0.000 description 20
- 230000004044 response Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 13
- 239000000969 carrier Substances 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000003066 decision tree Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 8
- 238000012937 correction Methods 0.000 description 8
- 230000011664 signaling Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000000605 extraction 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
- 238000013507 mapping Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000003491 array Methods 0.000 description 4
- 230000006837 decompression Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012913 prioritisation Methods 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 241000700159 Rattus Species 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 230000003416 augmentation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- LKKMLIBUAXYLOY-UHFFFAOYSA-N 3-Amino-1-methyl-5H-pyrido[4,3-b]indole Chemical compound N1C2=CC=CC=C2C2=C1C=C(N)N=C2C LKKMLIBUAXYLOY-UHFFFAOYSA-N 0.000 description 1
- 101100208128 Arabidopsis thaliana TSA1 gene Proteins 0.000 description 1
- 102100031413 L-dopachrome tautomerase Human genes 0.000 description 1
- 101710093778 L-dopachrome tautomerase Proteins 0.000 description 1
- 230000027311 M phase Effects 0.000 description 1
- 102000003629 TRPC3 Human genes 0.000 description 1
- 101150037542 Trpc3 gene Proteins 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 238000013459 approach Methods 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
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009826 distribution 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
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000615 nonconductor Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000009131 signaling function Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 101150026818 trp3 gene Proteins 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification 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
- H04W24/00—Supervisory, monitoring or testing arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
揭示用於無線通訊的技術。在一態樣,第一網路節點從網路實體接收一或多個請求位置資訊訊息,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習來匯出第一網路節點與第二網路節點之間的無線通道的一或多個特徵,以及向網路實體傳輸一或多個提供位置資訊訊息,其中一或多個提供位置資訊訊息包括無線通道的一或多個特徵,並且其中無線通道的一或多個特徵是基於機器學習模型匯出的。
Description
本專利申請案主張於2022年4月29日提出申請的標題為「REPORTING FRAMEWORK FOR MACHINE LEARNING-BASED MEASUREMENT FOR POSITIONING」的希臘專利申請案第20220100355號的優先權,該專利申請案已轉讓給其受讓人並經由引用整體明確併入本文。
本案的各態樣大體而言係關於無線通訊。
無線通訊系統已經過多代發展,包括第一代類比無線電話服務(1G)、第二代(2G)數位無線電話服務(包括臨時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)。當前,使用了許多不同類型的無線通訊系統,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)和基於分碼多工存取(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輸速度、更多的連接數量以及更好的覆蓋範圍等改良。根據下一代行動網路聯盟,5G標準意欲提供比以前的標準更高的資料速率、更精確的定位(例如,基於用於定位的參考信號(RS-P),例如下行鏈路、上行鏈路或側鏈路定位參考信號(PRS))和其他技術增強。該等增強以及更高頻帶的使用、PRS過程及技術的進步和5G的高密度部署實現了基於5G的高精度定位。
以下提供了與本文揭示的一或多個態樣有關的簡化概述。因而,以下概述不應被認為是與所有預期態樣相關的詳盡概述,亦不應被視為辨識與所有預期態樣有關的關鍵或重要元素或描述與任何特定態樣相關的範疇。因此,以下概述的唯一目的是以簡化的形式在以下呈現的詳細描述之前呈現與本文揭示的機制有關的一或多個態樣的某些概念。
在一態樣,一種由第一網路節點執行的無線通訊的方法包括以下步驟:從網路實體接收一或多個請求位置資訊訊息,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習來匯出第一網路節點與第二網路節點之間的無線通道的一或多個特徵;及向網路實體傳輸一或多個提供位置資訊訊息,其中一或多個提供位置資訊訊息包括無線通道的一或多個特徵,並且其中無線通道的一或多個特徵是基於機器學習模型匯出的。
在一態樣,一種由網路實體執行的通訊的方法包括以下步驟:向第一網路節點傳輸一或多個請求位置資訊訊息,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習來匯出第一網路節點與第二網路節點之間的無線通道的一或多個特徵;以及從第一網路節點接收一或多個提供位置資訊訊息,其中一或多個提供位置資訊訊息包括無線通道的一或多個特徵,並且其中無線通道的一或多個特徵是基於機器學習模型匯出的。
在一態樣,一種第一網路節點包括:記憶體;至少一個收發器;及通訊地耦合到記憶體和至少一個收發器的至少一個處理器,該至少一個處理器被配置為:經由至少一個收發器從網路實體接收一或多個請求位置資訊訊息,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習來匯出第一網路節點與第二網路節點之間的無線通道的一或多個特徵;及經由至少一個收發器向網路實體傳輸一或多個提供位置資訊訊息,其中一或多個提供位置資訊訊息包括無線通道的一或多個特徵,並且其中無線通道的一或多個特徵是基於機器學習模型匯出的。
在一態樣,一種網路實體包括:記憶體;至少一個收發器;以及通訊地耦合到記憶體和至少一個收發器的至少一個處理器,該至少一個處理器被配置為:經由至少一個收發器向第一網路節點傳輸一或多個請求位置資訊訊息,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習來匯出第一網路節點與第二網路節點之間的無線通道的一或多個特徵;及經由至少一個收發器從第一網路節點接收一或多個提供位置資訊訊息,其中一或多個提供位置資訊訊息包括無線通道的一或多個特徵,並且其中無線通道的一或多個特徵是基於機器學習模型匯出的。
在一態樣,一種第一網路節點包括:用於從網路實體接收一或多個請求位置資訊訊息的構件,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習來匯出第一網路節點與第二網路節點之間的無線通道的一或多個特徵;以及用於向網路實體傳輸一或多個提供位置資訊訊息的構件,其中一或多個提供位置資訊訊息包括無線通道的一或多個特徵,並且其中無線通道的一或多個特徵是基於機器學習模型匯出的。
在一態樣,一種網路實體包括:用於向第一網路節點傳輸一或多個請求位置資訊訊息的構件,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習來匯出第一網路節點與第二網路節點之間的無線通道的一或多個特徵;及用於從第一網路節點接收一或多個提供位置資訊訊息的構件,其中一或多個提供位置資訊訊息包括無線通道的一或多個特徵,並且其中無線通道的一或多個特徵是基於機器學習模型匯出的。
在一態樣,一種非暫時性電腦可讀取媒體儲存電腦可執行指令,該等電腦可執行指令在由第一網路節點執行時使第一網路節點:從網路實體接收一或多個請求位置資訊訊息,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習來匯出第一網路節點與第二網路節點之間的無線通道的一或多個特徵;及向網路實體傳輸一或多個提供位置資訊訊息,其中一或多個提供位置資訊訊息包括無線通道的一或多個特徵,並且其中無線通道的一或多個特徵是基於機器學習模型匯出的。
在一態樣,一種非暫時性電腦可讀取媒體儲存電腦可執行指令,該等電腦可執行指令在由網路實體執行時使網路實體:向第一網路節點傳輸一或多個請求位置資訊訊息,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習來匯出第一網路節點與第二網路節點之間的無線通道的一或多個特徵;及從第一網路節點接收一或多個提供位置資訊訊息,其中一或多個提供位置資訊訊息包括無線通道的一或多個特徵,並且其中無線通道的一或多個特徵是基於機器學習模型匯出的。
基於附圖和詳細描述,與本文揭示的各態樣相關聯的其他目的和優點對於熟習此項技術者而言將是顯而易見的。
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圖中提供了本案的各態樣。在不脫離本案的範疇情況下可以想出替代態樣。另外,將不詳細描述本案的公知的元件或將省略公知的元件,以避免模糊本案的相關細節。
詞語「示例性」及/或「實例」在本文中用於表示「用作示例、實例或說明」。本文中描述為「示例性」及/或「實例」的任何態樣不必被解釋為比其他態樣更佳或有利。同樣,術語「本案的各態樣」並不需要本案的全部態樣包括所論述的特徵、益處或操作模式。
熟習此項技術者將理解,可以使用多種不同技術和技藝中的任一種來表示以下描述的資訊和信號。例如,部分取決於特定應用,部分取決於期望設計,部分取決於相應技術等,下文說明書通篇引用的資料、指令、命令、資訊、信號、位元、符號和碼片可以用電壓、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。
進一步,根據由例如計算設備的元件執行的動作序列來描述許多態樣。將認識到的是,本文描述的各種動作可以由特定電路(例如,特殊應用積體電路(ASIC))、由一或多個處理器執行的程式指令或者兩者的組合來執行。另外,可以認為本文所述的該等動作序列完全體現在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,該電腦指令集在執行之後將使得或指示設備的關聯處理器執行本文所述的功能。因此,本案的各個態樣可以以許多不同的形式來體現,所有該等形式皆被認為在所主張保護的標的的範疇內。此外,對於本文所描述的每個態樣,任何此類態樣的對應形式可以在本文中描述為例如「被配置為」執行所描述的動作「的邏輯」。
如本文中所使用,除非另有說明,否則術語「使用者設備」(UE)和「基地站」並不意欲是特定於或以其他方式局限於任何特定的無線電存取技術(RAT)。通常,UE可以是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、筆記型電腦、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)、交通工具(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)是固定的,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」可以可互換地稱為「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與核心網路通訊,並且UE可以經由核心網路與諸如網際網路的外部網路以及與其他UE連接。當然,對於UE,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)等等連接到核心網路及/或網際網路的其他機制亦是可能的。
基地站可以取決於基地站部署所在的網路,根據幾個RAT之一來操作以與UE通訊,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(亦稱為gNB或gNodeB)等。基地站可以主要用於支援UE的無線存取,包括支援針對受支援UE的資料、語音及/或信號傳遞連接。在一些系統中,基地站可以僅提供邊緣節點信號傳遞功能,而在其他系統中其可以提供額外的控制及/或網路管理功能。UE可以經由其向基地站發送信號的通訊鏈路被稱為上行鏈路(UL)通道(例如,反向訊務通道、反向控制通道、存取通道等)。基地站可以經由其向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、前向訊務通道等)。如本文所用的,術語訊務通道(TCH)可以指上行鏈路/反向訊務通道或下行鏈路/前向訊務通道。
術語「基地站」可以代表單個實體傳輸接收點(TRP)或可以共置或可以不共置的多個實體TRP。例如,在術語「基地站」代表單個實體TRP的情況下,該實體TRP可以是與基地站的細胞(或若干細胞扇區)相對應的基地站的天線。在術語「基地站」代表多個共置的實體TRP的情況下,實體TRP可以是基地站的天線陣列(例如,如在多輸入多輸出(MIMO)系統中,或者在基地站採用波束成形的情況下)。在術語「基地站」代表多個沒有共置的實體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共用源的空間上分離的天線的網路)或遠端無線電頭端(RRH)(連接到服務基地站的遠端基地站)。或者,沒有共置的實體TRP可以是從UE接收量測報告的服務基地站,以及UE正在量測其參考無線電頻率(RF)信號的相鄰基地站。因為TRP是基地站從其傳輸和接收無線信號的點,因此,如本文所用,對從基地站的傳輸或在基地站處的接收的引述將被理解為是指基地站的特定TRP。
在支援UE定位的一些實現方式中,基地站可能不支援UE的無線存取(例如,可能不支援用於UE的資料、語音及/或信號傳遞連接),而是可以向UE傳輸參考信號以由UE量測,及/或可以接收和量測由UE傳輸的信號。此類基地站可以被稱為定位信標(例如,當向UE傳輸信號時)及/或位置量測單元(例如,當接收和量測來自UE的信號時)。
「RF信號」包括給定頻率的電磁波,其經由傳輸器與接收器之間的空間傳輸資訊。如本文所用,傳輸器可以向接收器傳輸單個「RF信號」或多個「RF信號」。然而,由於RF信號經由多路徑通道的傳播特性,接收器可接收對應於每一個被傳輸的RF信號的多個「RF信號」。傳輸器與接收器之間的不同路徑上的相同被傳輸的RF信號可以被稱為「多路徑」RF信號。如本文所使用的,RF信號亦可以被稱為「無線信號」或簡單地稱為「信號」,其中從上下文中清楚地看出,術語「信號」指的是無線信號或RF信號。
圖1圖示根據本案的各態樣的示例性無線通訊系統100。無線通訊系統100(其亦可以稱為無線廣域網路(WWAN))可以包括各種基地站102(標記為「BS」)和各種UE 104。基地站102可以包括巨集細胞(高功率蜂巢基地站)及/或小細胞基地站(低功率蜂巢基地站)。在一態樣,巨集細胞基地站可以包括在無線通訊系統100對應於LTE網路情況下的eNB及/或ng-eNB,或者在無線通訊系統100對應於NR網路情況下的gNB,或者兩者的組合,並且小細胞基地站可以包括毫微微細胞、微微細胞、微細胞等。
基地站102可以共同形成RAN,並經由回載鏈路122與核心網路170(例如,進化封包核心(EPC)或5G核心(5GC))連接,並經由核心網路170連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可以是核心網路170的一部分或者可以位於核心網路170外部。位置伺服器172可以與基地站102整合。UE 104可以直接地或間接地與位置伺服器172通訊。例如,UE 104可以經由當前服務於UE 104的基地站102與位置伺服器172通訊。UE 104亦可以經由另一路徑與位置伺服器172通訊,例如經由應用伺服器(未圖示),經由另一網路,例如經由無線區域網路(WLAN)存取點(AP)(例如,如下所述的AP 150)等。出於信號傳遞目的,UE 104與位置伺服器172之間的通訊可以表示為間接連接(例如,經由核心網路170等)或直接連接(如,如經由直接連接128所示),其中為了清楚起見,從信號傳遞圖中省略了中間節點(若有的話)。
除了其他功能之外,基地站102亦可以執行與以下各項中的一項或多項有關的功能:傳輸使用者資料、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)訊息的分發、NAS節點選擇、同步、RAN共享、多媒體廣播多播服務(MBMS)、用戶和設備追蹤、RAN資訊管理(RIM)、傳呼、定位和警告訊息的遞送。基地站102可以經由回載鏈路134直接地或間接地(例如,經由EPC/5GC)彼此通訊,該等回載鏈路可以是有線的或無線的。
基地站102可以與UE 104無線通訊。每個基地站102可以為相應的地理覆蓋區域110提供通訊覆蓋。在一態樣,基地站102可以在每個覆蓋區域110中支援一或多個細胞。「細胞」是用於與基地站通訊的邏輯通訊實體(例如,在某個頻率資源上,該頻率資源被稱為載波頻率、分量載波、載波、頻帶等),並且可以與辨識符(例如,實體細胞辨識符(PCI)、增強型細胞辨識符(ECI)、虛擬細胞辨識符(VCI)、細胞全域辨識符(CGI)等)相關聯,以區分經由相同或不同載波頻率操作的細胞。在一些情況下,可以根據可以為不同類型UE提供存取的不同協定類型(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。因為細胞由特定基地站支援,所以取決於上下文,術語「細胞」可以代表邏輯通訊實體和支援該邏輯通訊實體的基地站中的任一個或兩者。此外,因為TRP通常是細胞的實體傳輸點,所以術語「細胞」和「TRP」可以互換地使用。在一些情況下,術語「細胞」亦可以指基地站的地理覆蓋區域(例如,扇區),只要載波頻率可以被偵測到並用於地理覆蓋區域110的某些部分內的通訊。
儘管相鄰巨集細胞基地站102的地理覆蓋區域110可能部分重疊(例如,在交遞區域中),但是地理覆蓋區域110中的一些可能被更大的地理覆蓋區域110基本上重疊。例如,小細胞基地站102'(標記為「SC」,表示「小細胞」)可以具有地理覆蓋區域110',地理覆蓋區域110'被一或多個巨集細胞基地站102的地理覆蓋區域110基本上覆蓋。同時包括小細胞基地站和巨集細胞基地站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群組(CSG)的受限群組提供服務。
基地站102與UE 104之間的通訊鏈路120可以包括從UE 104到基地站102的UL(亦稱為反向鏈路)傳輸及/或從基地站102到UE 104的下行鏈路(DL)(亦稱為前向鏈路)傳輸。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/或傳輸分集。通訊鏈路120可以是經由一或多個載波頻率的。載波的分配相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)或先聽後說(LBT)程序,以決定該通道是否可用。
小細胞基地站102’可以在經授權及/或未授權頻譜中操作。當在未授權頻譜中操作時,小細胞基地站102'可以採用LTE或NR技術並使用與WLAN AP 150使用的相同5 GHz未授權頻譜。採用未授權頻譜中的LTE/5G的小細胞基地站102'可以提高對存取網路的覆蓋範圍及/或增加其容量。未授權頻譜中的NR可以稱為NR-U。未授權頻譜中的LTE可以稱為LTE-U、經授權輔助存取(LAA)或MulteFire。
無線通訊系統100亦可以包括毫米波(mmW)基地站180,毫米波基地站180可以以mmW頻率及/或近mmW頻率操作以與UE 182進行通訊。極高頻率(EHF)是電磁頻譜中RF的一部分。EHF具有30 GHz到300 GHz的範圍以及1毫米與10毫米之間的波長。在此頻帶中的無線電波可以稱為毫米波。近mmW可以向下延伸到3 GHz的頻率,其波長為100毫米。超高頻(SHF)頻帶在3 GHz與30 GHz之間擴展,亦被稱為釐米波。使用mmW/近mmW無線電頻帶的通訊具有較高的路徑損耗和相對較短的範圍。mmW基地站180和UE 182可以利用mmW通訊鏈路184上的波束成形(傳輸及/或接收)來補償極高的路徑損耗和較短的範圍。此外,應當理解,在替代配置中,一或多個基地站102亦可以使用mmW或近mmW和波束成形進行傳輸。因此,應當理解,前述說明僅為實例,並且不應被解釋為限制本文所揭示的各個態樣。
傳輸波束成形是一種在特定方向上聚焦RF信號的技術。傳統上,當網路節點(例如,基地站)廣播RF信號時,該網路節點在所有方向(全方向)上廣播該信號。利用傳輸波束成形,網路節點決定給定目標設備(例如,UE)(相對於傳輸網路節點)的位置,並在該特定方向上投射更強的下行鏈路RF信號,從而為接收設備提供更快(就資料速率而言)且更強的RF信號。為了在傳輸時改變RF信號的方向,網路節點可以在正在廣播RF信號的一或多個傳輸器中的每一個處控制RF信號的相位和相對振幅。例如,網路節點可以使用天線陣列(稱為「相控陣列」或「天線陣列」),該天線陣列建立RF波束,該RF波束可以被「控制」以指向不同方向,而無需實際上移動天線。具體地,以正確相位關係將來自傳輸器的RF電流饋送到單獨的天線,使得來自單獨天線的無線電波能夠相加在一起以增加在期望方向上的輻射,同時抵消以抑制在非期望方向上的輻射。
傳輸波束可以是準共置的,此舉意味著該等傳輸波束對於接收器(例如,UE)呈現為具有相同的參數,而不管網路節點本身的傳輸天線是否實體上共置。在NR中,存在四種類型的準共置(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信號的資訊中匯出。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信號來估計在同一通道上傳輸的第二參考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信號來估計相同通道上傳輸的第二參考RF信號的都卜勒偏移和都卜勒擴展。若源參考RF信號是QCL類型C,則接收器可以使用源參考RF信號來估計在同一通道上傳輸的第二參考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信號來估計在同一通道上傳輸的第二參考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大天線陣列的增益設置及/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,增大其增益水平)。因此,當稱接收器在某個方向上進行波束成形時,此舉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。此舉會導致從該方向接收到的RF信號的更強的接收信號強度(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)。
傳輸和接收波束可以在空間上相關。空間關係意味著第二參考信號的第二波束(例如,傳輸或接收波束)的參數可以從關於第一參考信號的第一波束(例如,接收波束或傳輸波束)的資訊中匯出。例如,UE可以使用特定的接收波束來從基地站接收參考下行鏈路參考信號(例如,同步信號區塊(SSB))。隨後,UE可以基於接收波束的參數來形成用於向該基地站發送上行鏈路參考信號(例如,探測參考信號(SRS))的傳輸波束。
注意,「下行鏈路」波束可以是傳輸波束或接收波束,此情形取決於形成該波束的實體。例如,若基地站正在形成下行鏈路波束以向UE傳輸參考信號,則下行鏈路波束是傳輸波束。但是,若UE正在形成下行鏈路波束,則該波束是接收下行鏈路參考信號的接收波束。類似地,「上行鏈路」波束可以是傳輸波束或接收波束,此情形取決於形成該波束的實體。例如,若基地站正在形成上行鏈路波束,則該波束是上行鏈路接收波束,而若UE正在形成上行鏈路波束,則該波束是上行鏈路傳輸波束。
電磁頻譜通常根據頻率/波長被細分為各種類別、頻帶、通道等。在5G NR中,兩個初始的操作頻帶已被辨識為頻率範圍表示FR1(410 MHz–7.125 GHz)和FR2(24.25 GHz–52.6 GHz)。應理解,儘管FR1的一部分高於6 GHz,但是在各種文件和文章中,FR1通常(互換地)被稱為「低於6 GHz」頻帶。關於FR2有時出現類似的命名問題,在各種文件和文章中,FR2通常(互換地)被稱為「毫米波」頻帶,但其與由國際電信聯盟(ITU)辨識為「毫米波」頻帶的極高頻(EHF)頻帶(30 GHz–300 GHz)不同。
FR1與FR2之間的頻率通常稱為中頻帶頻率。最近的5G NR研究已將該等中頻帶頻率的操作頻帶辨識為頻率範圍表示FR3(7.125 GHz–24.25 GHz)。落入FR3的頻帶可以繼承FR1特性及/或FR2特性,並因此可以有效地將FR1及/或FR2的特徵擴展到中頻帶頻率。此外,目前正在探索更高的頻率頻帶,以將5G NR操作擴展到52.6 GHz以上。例如,三個更高的操作頻率頻帶已被辨識為頻率範圍表示FR4-a或FR4-1(52.6 GHz–71 GHz)、FR4(52.6 GHz–114.25 GHz)和FR5(114.25 GHz–300 GHz)。該等更高的頻率頻帶中的每一個皆屬於EHF頻帶。
考慮到上述態樣,除非另有特別說明,否則應當理解,術語「低於6 GHz」等(若在本文中使用)可以寬泛地表示可以小於6 GHz的、可以在FR1內的或者可以包括中頻帶頻率的頻率。此外,除非另有特別說明,否則應當理解,術語「毫米波」等(若在本文中使用)可以寬泛地表示可以包括中頻帶頻率的、可以在FR2、FR4、FR4-a或者FR4-1及/或FR5內的,或者可以在EHF頻帶內的頻率。
在多載波系統(例如5G)中,其中一個載波頻率稱為「主載波」或「錨載波」或「主服務細胞」或「PCell」,其餘載波頻率稱為「次載波」或「次服務細胞」或「SCell」。在載波聚合中,錨載波是在由UE 104/182所使用的主頻率(例如,FR1)上操作的載波和UE 104/182執行初始無線電資源控制(RRC)連接建立程序或啟動RRC連接重建程序的細胞。主載波承載所有共用和UE特定的控制通道,並且可以是經授權頻率中的載波(然而,此情形並非總是如此)。次載波是在第二頻率(例如,FR2)上操作的載波,一旦在UE 104與錨載波之間建立了RRC連接,就可以對第二頻率進行配置,並且第二頻率可以用於提供附加的無線電資源。在一些情況下,次載波可以是未授權頻率中的載波。次載波可以僅包含必要的信號傳遞資訊和信號,例如,由於主上行鏈路和下行鏈路載波通常皆是UE特定的,因此在次載波中可能不存在是UE特定的信號傳遞資訊和信號。此情形意味著細胞中的不同UE 104/182可以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。網路能夠在任何時間改變任何UE 104/182的主載波。例如,如此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)對應於某個基地站正在通訊的載波頻率/分量載波,所以術語「細胞」、「服務細胞」、「分量載波」、「載波頻率」等可以互換使用。
例如,仍然參考圖1,巨集細胞基地站102所利用的頻率之一可以是錨載波(或「PCell」),而巨集細胞基地站102及/或mmW基地站180所利用的其他頻率可以是次載波(「SCell」)。多個載波的同時傳輸及/或接收使UE 104/182能夠顯著地增加其資料傳輸及/或接收速率。例如,與單個20 MHz載波所獲得的資料速率相比,多載波系統中的兩個20 MHz聚合載波在理論上將導致資料速率的兩倍增加(亦即,40 MHz)。
無線通訊系統100亦可以包括UE 164,其經由通訊鏈路120與巨集細胞基地站102通訊及/或經由mmW通訊鏈路184與mmW基地站180通訊。例如,巨集細胞基地站102可以支援用於UE 164的PCell和一或多個SCell,而mmW基地站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可能能夠進行側鏈路通訊。支援側鏈路的UE(SL-UE)可以使用Uu介面(亦即,UE與基地站之間的空中介面)經由通訊鏈路120與基地站102通訊。SL-UE(例如,UE 164、UE 182)亦可以使用PC5介面(亦即,支援側鏈路的UE之間的空中介面)經由無線側鏈路160彼此直接通訊。無線側鏈路(或簡稱為「側鏈路」)是對核心蜂巢(例如,LTE、NR)標準的改編,其允許兩個或更多個UE之間的直接通訊,而無需經由基地站進行通訊。側鏈路通訊可以是單播或多播,並且可以用於設備到設備(D2D)媒體共享、車輛到車輛(V2V)通訊、車輛到一切(V2X)通訊(例如,蜂巢V2X(cV2X)通訊、增強型V2X(eV2X)通訊等)、應急救援應用等。利用側鏈路通訊的一組SL-UE中的一或多個可以在基地站102的地理覆蓋區域110內。此種群組中的其他SL-UE可以在基地站102的地理覆蓋區域110之外,或者無法接收來自基地站102的傳輸。在一些情況下,經由側鏈路通訊進行通訊的SL-UE群組可以利用一對多(1:M)系統,其中每個SL-UE向群組之每一者其他SL-UE傳輸。在一些情況下,基地站102促進排程用於側鏈路通訊的資源。在其他情況下,在SL-UE之間執行側鏈路通訊,而無需基地站102的參與。
在一態樣,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與其他車輛及/或基礎設施存取點以及其他RAT之間的其他無線通訊共享。「媒體」可以由與一或多個傳輸器/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。在一態樣,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一部分。儘管為某些通訊系統保留了不同的經授權頻帶(例如,由諸如美國聯邦傳播委員會(FCC)之類的政府實體進行),但該等系統(尤其是採用小細胞存取點的系統)最近已將操作擴展到未授權頻帶,諸如無線區域網路(WLAN)技術所使用的未授權國家資訊基礎設施(U-NII)頻帶,最主要的是IEEE 802.11x WLAN技術,通常被稱為「Wi-Fi」。此類系統的實例包括CDMA系統、TDMA系統、FDMA系統、正交FDMA(OFDMA)系統、單載波FDMA(SC-FDMA)系統等的不同變型。
注意,儘管圖1僅將UE中的兩個圖示為SL-UE(亦即,UE 164和182),但是,所示UE中的任何一個皆可以是SL-UE。此外,儘管僅UE 182被描述為能夠進行波束成形,但是任何所示的UE(包括UE 164)皆能夠進行波束成形。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)、朝向基地站(例如,基地站102、180、小細胞102'、存取點150)等進行波束成形。因此,在一些情況下,UE 164和182可以利用側鏈路160上的波束成形。
在圖1的實例中,所示UE中的任何一個(為簡單起見在圖1中被示為單個UE 104)可以從一或多個地球軌道空間運載工具(SV)112(例如,衛星)接收信號124。在一態樣,SV 112可以是衛星定位系統的一部分,UE 104可以將其用作位置資訊的獨立源。衛星定位系統通常包括傳輸器的系統(例如,SV 112),其定位成使得接收器(例如,UE 104)能夠至少部分地基於從傳輸器接收的定位信號(例如,信號124)來決定其在地球上或上方的位置。此種傳輸器通常傳輸被標有設定數量的碼片的重複假性隨機雜訊(PN)碼的信號。儘管通常是位於SV 112中,但傳輸器有時可能位於地面控制站、基地站102及/或其他UE 104上。UE 104可以包括一或多個專用接收器,其專門設計來接收用於從SV 112匯出地理位置資訊的信號124。
在衛星定位系統中,信號124的使用可以經由各種基於衛星的增強系統(SBAS)來增強,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使其能夠與一或多個全球及/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、差分校正等的增強系統,例如廣域增強系統(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)及/或類似系統。因此,如本文所用,衛星定位系統可以包括與此種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。
在一態樣,SV 112可以附加地或替代地是一或多個非陸地網路(NTN)的一部分。在NTN中,SV 112連接到地球站(亦稱為地面站、NTN閘道或閘道),而地球站又連接到5G網路中的元件,例如修改後的基地站102(沒有地面天線)或5GC中的網路節點。該元件繼而將提供對5G網路中其他元件的存取,並最終提供對位於5G網路外部的各實體的存取,例如網際網路網頁伺服器和其他使用者設備。以此種方式,作為來自陸地基地站102的通訊信號的替代或補充,UE 104可以從SV 112接收通訊信號(例如,信號124)。
無線通訊系統100亦可以包括一或多個UE(例如UE 190),其經由一或多個設備到設備(D2D)同級間(P2P)鏈路(被稱為「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:與連接到基地站102之一的UE 104之一連結的D2D P2P鏈路192(例如,UE 190可以經由該鏈路間接獲得蜂巢連接性);及與連接到WLAN AP 150的WLAN STA 152連結的D2D P2P鏈路194(UE 190可以經由該鏈路間接獲得基於WLAN的網際網路連接性)。在實例中,D2D P2P鏈路192和194可以由任何公知的D2D RAT支援,例如LTE Direct(LTE-D)、WiFi Direct(WiFi-D)、Bluetooth®等。
圖2A圖示示例性無線網路結構200。例如,5GC 210(亦稱為下一代核心(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),其合作操作以形成核心網路。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,具體是分別連接到使用者平面功能212和控制平面功能214。在附加配置中,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中的一或多個。gNB 222或ng-eNB 224(或兩者)可以與一或多個UE 204通訊(例如,本文描述的任何UE)。
另一個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獨立伺服器(例如,實體上獨立的伺服器、單個伺服器上的不同軟體模組、分佈在多個實體伺服器上的不同軟體模組等),或者每個皆可以對應於單個伺服器。位置伺服器230可以被配置為支援UE 204的一或多個位置服務,UE 204可以經由核心網路、5GC 210及/或經由網際網路(未圖示)連接到位置伺服器230。此外,可以將位置伺服器230整合到核心網路的元件中,或者替代地可以在核心網路外部(例如,第三方伺服器,如原始設備製造商(OEM)伺服器或服務伺服器)。
圖2B圖示另一示例性無線網路結構240。5GC 260(其可以對應於圖2A中的5GC 210)可以在功能上被視為由存取和行動性管理功能(AMF)264提供的控制平面功能,以及由使用者平面功能(UPF)262提供的使用者平面功能,其合作操作以形成核心網路(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、合法偵聽、一或多個UE 204(例如,本文所述的任何UE)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訊息的透通代理服務、存取認證和存取授權、在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性錨定功能(SEAF)。AMF 264亦與認證伺服器功能(AUSF)(未圖示)和UE 204互動,並且接收作為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)進行認證的情況下,AMF 264從AUSF取得安全性材料。AMF 264的功能亦包括安全性上下文管理(SCM)。SCM接收來自SEAF的金鑰,其用以匯出存取網路專用金鑰。AMF 264的功能亦包括用於監管服務的位置服務管理、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、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)承載辨識符分配以及UE 204行動性事件通知。另外,AMF 264亦支援非3GPP(第三代合作夥伴計畫)存取網路的功能性。
UPF 262的功能包括:充當用於RAT內/RAT間行動性的錨點(在適用時)、充當與資料網路(未圖示)的互連的外部協定資料單元(PDU)通信期點、提供封包路由和轉發、封包檢查、使用者平面策略規則實施(例如,閘控、重定向、訊務引導)、合法偵聽(使用者平面收集)、訊務使用情況報告、使用者平面的服務品質(QoS)處理(例如,上行鏈路/下行鏈路速率實施、下行鏈路中的反射QoS標記)、上行鏈路訊務驗證(服務資料流程(SDF)到QoS流程映射)、上行鏈路和下行鏈路中的傳輸級別封包標記、下行鏈路封包緩衝和下行鏈路資料通知觸發以及將一或多個「結束標記」發送和轉發到源RAN節點。UPF 262亦可以支援在UE 204與諸如SLP 272之類的位置伺服器之間經由使用者平面傳輸位置服務訊息。
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、在UPF 262處的訊務引導配置以將訊務路由到適當的目的地、控制部分策略實施和QoS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。
另一個可選態樣可以包括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獨立伺服器(例如,實體上獨立的伺服器、單個伺服器上的不同軟體模組、分佈在多個實體伺服器上的不同軟體模組等),或者每個皆可以對應於單個伺服器。LMF 270可以被配置為支援UE 204的一或多個位置服務,UE 204可以經由核心網路、5GC 260及/或經由網際網路(未圖示)連接到LMF 270。SLP 272可以支援與LMF 270類似的功能,但是,LMF 270可以經由控制平面與AMF 264、NG-RAN 220和UE 204通訊(例如,使用意欲傳送信號傳遞訊息而非語音或資料的介面和協定),SLP 272可以經由使用者平面與UE 204和外部客戶端(例如,第三方伺服器274)通訊(例如,使用意欲攜帶語音及/或資料的協定,如傳輸控制協定(TCP)及/或IP)。
又一個可選態樣可以包括第三方伺服器274,其可以與LMF 270、SLP 272、5GC 260(例如,經由AMF 264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)。因此,在一些情況下,第三方伺服器274可以被稱為位置服務(LCS)客戶端或外部客戶端。第三方伺服器274可以被實現為複數個獨立伺服器(例如,實體上獨立的伺服器、單個伺服器上的不同軟體模組、分佈在多個實體伺服器上的不同軟體模組等),或者每個皆可以對應於單個伺服器。
使用者平面介面263和控制平面介面265將5GC 260,特別是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。gNB 222及/或ng-eNB 224與AMF 264之間的介面被稱為「N2」介面,而gNB 222及/或ng-eNB 224與UPF 262之間的介面被稱為「N3」介面。NG-RAN 220的gNB 222及/或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的功能可以在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之間劃分。gNB-CU 226是邏輯節點,除了彼等專門分配給gNB-DU 228的基地站功能,該邏輯節點包括傳輸使用者資料、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站功能。更具體地,gNB-CU 226通常託管gNB 222的無線電資源控制(RRC)、服務資料調適協定(SDAP)和封包資料彙聚協定(PDCP)協定。gNB-DU 228是通常託管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)層功能通常由執行諸如功率放大和信號傳輸/接收等功能的一或多個獨立的gNB-RU 229託管。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,並且經由PHY層與gNB-RU 229通訊。
通訊系統(例如,5G NR系統)的部署可以用各種元件或組成部分以多種方式安排。在5G NR系統或網路中,可以在聚合化或分散化架構中實現網路節點、網路實體、網路的行動元素、RAN節點、核心網路節點、網路元素或網路設備(例如基地站)或執行基地站功能的一或多個單元(或一或多個元件)。例如,基地站(例如,節點B(NB)、進化NB(eNB)、NR基地站、5G NB、存取點(AP)、傳輸接收點(TRP)或細胞等)可以實現為聚合化基地站(亦稱為獨立基地站或整體基地站)或分散化基地站。
聚合化基地站可以被配置為利用在實體上或在邏輯上整合在單個RAN節點內的無線電協定堆疊。分散化基地站可以被配置為利用在實體上或在邏輯上分佈在兩個或更多個單元(例如,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,CU可以在RAN節點內實現,並且一或多個DU可以與CU共置,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可以實現為與一或多個RU通訊。CU、DU和RU中的每一者亦可以實現為虛擬單元,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)。
基地站類型的操作或網路設計可以考慮基地站功能的聚合特性。例如,分散化基地站可以在整合存取回載(IAB)網路、開放式無線電存取網路(O-RAN(例如,由O-RAN聯盟贊助的網路配置))或虛擬化無線電存取網路(vRAN,亦稱為雲端無線電存取網路(C-RAN))中利用。分散化可以包括在各個實體位置處的兩個或更多個單元之間分配功能,以及虛擬地為至少一個單元分配功能,如此便可以實現網路設計的靈活性。分散化基地站或分散化RAN架構的各個單元可以被配置用於與至少一個其他單元進行有線或無線通訊。
圖2C圖示根據本案的各態樣的示例性分散化基地站架構250。分散化基地站架構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與核心網路267(例如,5GC 210、5GC 260)直接通訊,或者經由一或多個分散化基地站單元(例如,經由E2鏈路的近即時(近RT)RAN智慧控制器(RIC)259,或者與服務管理和編排(SMO)框架255相關聯的非即時(非RT)RIC 257,或者兩者)與核心網路267間接通訊。CU 280可以經由相應的中傳鏈路(例如,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。
每個單元(亦即CU 280、DU 285、RU 287,以及近RT RIC 259、非RT RIC 257和SMO框架255)可以包括一或多個介面,或者耦合到被配置為經由有線或無線傳輸媒體接收或傳輸信號、資料或資訊(統稱為信號)的一或多個介面。每個單元,或者向各單元的通訊介面提供指令的關聯處理器或控制器,可以被配置為經由傳輸媒體與一或多個其他單元通訊。例如,各單元可以包括被配置為經由有線傳輸媒體接收或傳輸信號到一或多個其他單元的有線介面。此外,各單元可以包括無線介面,該無線介面可以包括接收器、傳輸器或收發器(諸如射頻(RF)收發器),其被配置為經由無線傳輸媒體接收或傳輸(或者兩者皆有)信號到一或多個其他單元。
在一些態樣,CU 280可以託管一或多個更高層控制功能。此種控制功能可以包括無線電資源控制(RRC)、封包資料彙聚協定(PDCP)、服務資料調適協定(SDAP)等。每個控制功能皆可以用介面來實現,該介面被配置為與CU 280託管的其他控制功能進行信號通訊。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可以在邏輯上分離為一或多個CU-UP單元和一或多個CU-CP單元。CU-UP單元可以經由介面(例如,當在O-RAN配置中實現時的E1介面)與CU-CP單元進行雙向通訊。如有必要,CU 280可以實現為與DU 285通訊,以進行網路控制和信號傳遞收發。
DU 285可以對應於邏輯單元,該邏輯單元包括一或多個基地站功能以控制一或多個RU 287的操作。在一些態樣,DU 285可以至少部分地取決於功能分離(例如,由第三代合作夥伴計畫(3GPP)定義的功能分離)來託管無線電鏈路控制(RLC)層、媒體存取控制(MAC)層和一或多個高實體(PHY)層(例如,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,DU 285亦可以託管一或多個低PHY層。每個層(或模組)皆可以用介面來實現,該介面被配置為與DU 285託管的其他層(和模組)或CU 280託管的控制功能進行信號的通訊傳達。
更低層功能可以由一或多個RU 287實現。在一些部署中,由DU 285控制的RU 287可以對應於邏輯節點,該邏輯節點至少部分地基於功能分離(例如,更低層功能分離)來託管RF處理功能或低PHY層功能(例如,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。在此種架構中,RU 287可以實現為經由與一或多個UE 204的空中(OTA)通訊進行處理。在一些實現方式中,與RU 287的控制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DU 285和CU 280能夠在基於雲端的RAN架構(例如,vRAN架構)中實現。
SMO框架255可以被配置為支援RAN部署和非虛擬化和虛擬化網路元素的供應。對於非虛擬化網路元素,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,該等資源可以經由操作和維護介面(例如,O1介面)進行管理。對於虛擬化網路元素,SMO框架255可以被配置為經由雲端計算平臺介面(例如,O2介面)與雲端計算平臺(例如,開放雲端(O-雲端)269)互動以執行網路元素生命週期管理(例如,以產生實體虛擬化網路元素)。此種虛擬化網路元素可以包括但不限於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的硬體態樣通訊,例如開放式eNB(O-eNB)261。此外,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亦可以包括被配置為支援SMO框架255的功能的非RT RIC 257。
非RT RIC 257可以被配置為包括邏輯功能,該邏輯功能可實現RAN元素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)工作流程或者近RT RIC 259中的基於策略的應用/特徵的指導。非RT RIC 257可以耦合到近RT RIC 259或(例如,經由A1介面)與其通訊。近RT RIC 259可以被配置為包括邏輯功能,該邏輯功能經由介面(例如,經由E2介面)經由資料收集和動作可實現RAN元素和資源的近即時控制和最佳化,其中該介面將一或多個CU 280、一或多個DU 285或兩者以及O-eNB與近RT RIC 259連接。
在一些實現方式中,為了產生要部署在近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富集資訊。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可以被配置為調整RAN行為或效能。例如,非RT RIC 257可以監測效能的長期趨勢和模式,並採用AI/ML模型經由SMO框架255(例如,經由O1的重配置)或經由RAN管理策略(例如,A1策略)的建立來執行校正性動作。
圖3A、圖3B和圖3C圖示若干示例性元件(由對應方塊表示),該等元件可以併入到UE 302(其可以對應於本文所述的任何UE)、基地站304(其可以對應於本文所述的任何基地站)和網路實體306(其可以對應於或者體現本文所述的任何網路功能,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中所圖示的NG-RAN 220及/或5GC 210/260基礎設施,如私人網路)中,以支援本文描述的操作。應當理解,該等元件可以在不同實現方式中的不同類型的裝置中實現(例如,在ASIC中、在晶片上系統(SoC)中等)。所示的元件亦可以併入到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元件類似的元件,以提供類似的功能性。此外,給定裝置可以包含該等元件中的一或多個元件。例如,裝置可以包括使該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元件。
UE 302和基地站304各自分別包括一或多個無線廣域網路(WWAN)收發器310和350,以提供用於經由一或多個無線通訊網路(未圖示)進行通訊的構件(例如,用於傳輸的構件、用於接收的構件、用於量測的構件、用於調諧的構件、用於制止傳輸的構件等),該一或多個無線通訊網路諸如NR網路、LTE網路、GSM網路及/或類似網路。WWAN收發器310和350可以各自分別連接到一或多個天線316和356,以便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)上的至少一個指定RAT(例如,NR、LTE、GSM等)與其他網路節點進行通訊,諸如其他UE、存取點、基地站(例如,eNB、gNB)等。WWAN收發器310和350可以以各種方式被配置用於根據指定RAT分別傳輸信號318和358(例如,訊息、指示、資訊等等)並對其進行編碼,以及相反地用於接收信號318和358(例如,訊息、指示、資訊、引導頻等等)並對其進行解碼。具體地,WWAN收發器310和350分別包括分別用於傳輸信號318和358並對其進行編碼的一或多個傳輸器314和354,以及分別包括分別用於接收信號318和358和對其進行解碼的一或多個接收器312和352。
至少在一些情況下,UE 302和基地站304亦各自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上的至少一個指定RAT(例如,WiFi、LTE-D、Bluetooth®、Zigbee®、Z-Wave®、PC5、專用短程通訊(DSRC)、車載環境無線存取(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、基地站等)進行通訊的構件(例如,用於傳輸的構件、用於接收的構件、用於量測的構件、用於調諧的構件、用於制止傳輸的構件等)。短程無線收發器320和360可以以各種方式被配置用於根據指定RAT分別傳輸信號328和368(例如,訊息、指示、資訊等等)並對其進行編碼,以及相反地用於接收信號328和368(例如,訊息、指示、資訊、引導頻等等)並對其進行解碼。具體地,短程無線收發器320和360分別包括分別用於傳輸信號328和368並其進行編碼的一或多個傳輸器324和364,以及分別包括分別用於接收信號328和368和對其進行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、Bluetooth®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/或車輛到一切(V2X)收發器。
至少在一些情況下,UE 302和基地站304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可以包括用於分別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可以在適當時從其他系統請求資訊和操作,並且至少在一些情況下,使用經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和基地站304的位置。
基地站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,以便提供用於與其他網路實體(例如,其他基地站304、其他網路實體306)通訊的構件(例如,用於傳輸的構件、用於接收的構件等等)。例如,基地站304可以採用一或多個網路收發器380經由一或多個有線或無線回載鏈路與其他基地站304或網路實體306通訊。如另一實例,網路實體306可以採用一或多個網路收發器390經由一或多個有線或無線回載鏈路與一或多個基地站304通訊,或經由一或多個有線或無線核心網路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進行通訊。收發器(無論是有線收發器還是無線收發器)包括傳輸器電路系統(例如,傳輸器314、324、354、364)和接收器電路系統(例如,接收器312、322、352、362)。收發器在一些實現方式中可以是整合設備(例如,在單個設備中體現傳輸電路系統和接收器電路系統),在一些實現方式中可以包括單獨的傳輸器電路系統和單獨的接收器電路系統,或者在其他實現方式中可以以其他方式體現。有線收發器(例如,在一些實現方式中的網路收發器380和390)的傳輸器電路系統和接收器電路系統可以耦合到一或多個有線網路介面埠。無線傳輸器電路系統(例如,傳輸器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),例如天線陣列,該天線陣列允許相應的裝置(例如,UE 302、基地站304)執行傳輸「波束成形」,如本文所述。類似地,無線接收器電路系統(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),例如天線陣列,該天線陣列允許相應的裝置(例如,UE 302、基地站304)執行接收「波束成形」,如本文所述。在一個態樣,傳輸器電路系統和接收器電路系統可以共享相同的複數個天線(例如,天線316、326、356、366),使得相應的裝置僅能在給定的時間進行接收或傳輸,而不是同時進行接收或傳輸該兩者。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。
如本文所用,通常可以將各種無線收發器(例如,收發器310、320、350和360,以及在一些實現方式中的網路收發器380和390)和有線收發器(例如,在一些實現方式中的網路收發器380和390)表徵為「收發器」、「至少一個收發器」或者「一或多個收發器」。因此,可以從執行的通訊類型推斷特定收發器是有線收發器還是無線收發器。例如,網路設備或伺服器之間的回載通訊通常與經由有線收發器的信號傳遞有關,而UE(例如,UE 302)與基地站(例如,基地站304)之間的無線通訊通常與經由無線收發器的信號傳遞有關。
UE 302、基地站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元件。UE 302、基地站304和網路實體306分別包括一或多個處理器332、384和394,以便提供與例如無線通訊有關的功能以及提供其他處理功能。因此,處理器332、384和394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、用於傳輸的構件、用於指示的構件等。在一個態樣,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、數位信號處理器(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系統或其各種組合。
UE 302、基地站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)的記憶體電路系統,以便維護資訊(例如,指示預留資源、閾值、參數等的資訊)。因此,記憶體340、386和396可以提供用於儲存的構件、用於取得的構件、用於維護的構件等。在一些情況下,UE 302、基地站304和網路實體306可以分別包括定位元件342、388和398。定位元件342、388和398可以是分別作為處理器332、384和394的一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、基地站304和網路實體306執行本文描述的功能。在其他態樣,定位元件342、388和398可以在處理器332、384和394外部(例如,數據機處理系統的一部分、與另一個處理系統整合等)。或者,定位元件342、388和398可以是分別儲存在記憶體340、386和396中的記憶體模組,其在被處理器332、384和394(或數據機處理系統、另一個處理系統等)執行時使UE 302、基地站304和網路實體306執行本文描述的功能。圖3A圖示定位元件342的可能位置,其例如可以是一或多個WWAN收發器310、記憶體340、一或多個處理器332或其任何組合的一部分,或者可以是獨立的元件。圖3B圖示定位元件388的可能位置,其例如可以是一或多個WWAN收發器350、記憶體386、一或多個處理器384或其任何組合的一部分,或者可以是獨立的元件。圖3C圖示定位元件398的可能位置,其例如可以是一或多個網路收發器390、記憶體396、一或多個處理器394或其任何組合的一部分,或者可以是獨立的元件。
UE 302可以包括一或多個感測器344,其耦合到一或多個處理器332以提供用於感測或偵測移動及/或定向資訊的構件,該資訊獨立於從一或多個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接收的信號匯出的運動資料。作為實例,感測器344可以包括加速度計(例如,微機電系統(MEMS)設備)、陀螺儀、地磁感測器(例如,指南針)、海拔計(例如,壓力海拔計)及/或任何其他類型的移動偵測感測器。此外,感測器344可以包括複數種不同類型的設備並且組合其輸出以提供運動資訊。例如,感測器344可以使用多軸加速度計和定向感測器的組合來提供計算二維(2D)及/或三維(3D)座標系中的位置的能力。
另外,UE 302包括使用者介面346,其提供用於將指示(例如,聽覺及/或視覺指示)提供給使用者及/或用於(例如,在諸如小鍵盤、觸控式螢幕、麥克風等感測設備的使用者致動之後)接收使用者輸入的構件。儘管未圖示,但是基地站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),以及交遞支援功能相關聯的PDCP層功能;與傳輸上層PDU、經由自動重傳請求(ARQ)進行糾錯、RLC服務資料單元(SDU)的級聯、分段和重組、RLC資料PDU的重新分段,以及重新排序RLC資料PDU相關聯的RLC層功能;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化相關聯的MAC層功能。
傳輸器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。層1(其包括實體(PHY)層)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、映射到實體通道、調制/解調實體通道和MIMO天線處理。傳輸器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。隨後可以將譯碼和調制符號分離成並行串流。每個串流可以被映射到正交分頻多工(OFDM)次載波,在時域及/或頻域中與參考信號(例如,引導頻)多工,隨後使用快速傅裡葉逆變換(IFFT)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。通道估計可以根據UE 302傳輸的參考信號及/或通道條件回饋匯出。隨後可以將每個空間串流提供給一或多個不同的天線356。傳輸器354可以用相應的空間串流調制RF載波以進行傳輸。
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恢復調制到RF載波上的資訊並將該資訊提供給一或多個處理器332。傳輸器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,則該多個空間串流可以由接收器312組合成單個OFDM符號串流。隨後,接收器312使用快速傅裡葉變換(FFT)將該OFDM符號串流從時域變換到頻域。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。每個次載波上的符號和參考信號經由決定由基地站304傳輸的最可能的信號群集點來恢復和解調。該等軟判決可以基於由通道估計器計算的通道估計。隨後軟判決被解碼和解交錯以恢復最初由基地站304在實體通道上傳輸的資料和控制信號。隨後,將資料和控制信號提供給實現層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,以從核心網路恢復IP封包。一或多個處理器332亦負責錯誤偵測。
與結合由基地站304進行的下行鏈路傳輸所描述的功能相類似,一或多個處理器332提供與系統資訊(例如,MIB、SIB)獲取、RRC連接以及量測報告相關聯的RRC層功能;與標頭壓縮/解壓縮以及安全性(加密、解密、完整性保護、完整性驗證)相關聯的PDCP層功能;與傳輸上層PDU、經由ARQ進行糾錯、RLC SDU的級聯、分段和重組、RLC資料PDU的重新分段以及重新排序RLC資料PDU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多工到傳輸區塊(TB)、從TB解多工MAC SDU、排程資訊報告、經由混合自動重傳請求(HARQ)進行糾錯、優先順序處理和邏輯通道優先化相關聯的MAC層功能。
傳輸器314可以使用由通道估計器從由基地站304傳輸的參考信號或回饋中匯出的通道估計來選擇適當的譯碼和調制方案,並促進空間處理。可以將由傳輸器314產生的空間串流提供給不同的天線316。傳輸器314可以用相應的空間串流調制RF載波以進行傳輸。
在基地站304處以類似於結合UE 302處的接收器功能所描述的方式處理上行鏈路傳輸。接收器352經由其相應的天線356接收信號。接收器352恢復調制到RF載波上的資訊並將該資訊提供給一或多個處理器384。
在上行鏈路中,處理系統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封包可以提供給核心網路。一或多個處理器384亦負責錯誤偵測。
為方便起見,UE 302、基地站304及/或網路實體306在圖3A、圖3B和圖3C中圖示為包括可以根據本文所描述的各種實例進行配置的各種元件。然而,應當理解,所示的元件在不同的設計中可以具有不同的功能。特別地,圖3A至圖3C中的各種元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擇、成本、設備的使用情況或其他考慮事項而發生變化的配置。例如,在圖3A的情況下,UE 302的特定實現方式可以省略WWAN收發器310(例如,可穿戴設備或平板電腦或PC或膝上型電腦可以具有Wi-Fi及/或藍芽能力,而沒有蜂巢能力),或者可以省略短程無線收發器320(例如,僅蜂巢等),或者可以省略衛星信號接收器330,或者可以省略感測器344,等等。在另一實例中,在圖3B的情況下,基地站304的特定實現方式可以省略WWAN收發器350(例如,沒有蜂巢能力的Wi-Fi「熱點」存取點),或者可以省略短程無線收發器360(例如,僅蜂巢等),或者可以省略衛星信號接收器370,等等。為了簡潔起見,對各種替代配置的說明在此沒有提供,但是對於熟習此項技術者而言是容易理解的。
UE 302、基地站304和網路實體306的各種元件可以分別經由資料匯流排334、382和392相互通訊地耦合。在一態樣,資料匯流排334、382和392可以分別形成UE 302、基地站304和網路實體306的通訊介面或者是該通訊介面的一部分。例如,在不同的邏輯實體在同一設備中體現的情況下(例如,gNB和位置伺服器在功能上併入到同一基地站304中),資料匯流排334、382和392可以提供其之間的通訊。
圖3A、圖3B和圖3C的元件可以以各種方式實現。在一些實現方式中,圖3A、圖3B和圖3C的元件可以在一或多個電路中實現,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)。在此,每個電路可以使用及/或包含至少一個記憶體元件,以用於儲存由電路用來提供該功能性的資訊或可執行代碼。例如,由方塊310至346表示的功能中的一些或全部可以由UE 302的處理器和記憶體元件實現(例如,經由執行適當的代碼及/或經由處理器元件的適當配置)。類似地,由方塊350至方塊388表示的一些或全部功能可以由基地站304的處理器和記憶體元件(例如,經由執行適當的代碼及/或經由處理器元件的適當配置)來實現。此外,由方塊390至398表示的功能中的一些或全部可以由網路實體306的處理器和記憶體元件來實現(例如,經由執行適當的代碼及/或經由處理器元件的適當配置)。為簡單起見,本文將各種操作、動作及/或功能描述為「由UE」、「由基地站」、「由網路實體」等執行。然而,如將理解的,此種操作、動作及/或功能實際上可以由UE 302、基地站304、網路實體306等的特定元件或元件的組合來執行,諸如處理器332、384、394、收發器310、320、350和360、記憶體340、386和396、定位元件342、388和398等。
在一些設計中,網路實體306可以實現為核心網路元件。在其他設計中,網路實體306可以不同於蜂巢網路基礎設施(例如,NG RAN 220及/或5GC 210/260)的網路服務供應商或運營。例如,網路實體306可以是私人網路的元件,其可以被配置為經由基地站304或獨立於基地站304(例如,經由非蜂巢通訊鏈路,諸如WiFi)與UE 302通訊。
NR支援多種基於蜂巢網路的定位技術,包括基於下行鏈路的方法、基於上行鏈路的方法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)和NR中的下行鏈路出發角(DL-Angle-of-Departure(AoD))。圖4圖示根據本案的各態樣的各種定位方法的實例。在如場景410所示的OTDOA或DL-TDOA定位程序中,UE量測從基地站對接收到的參考信號(例如,定位參考信號(PRS))的到達時間(ToA)之間的差異(稱為參考信號時間差(RSTD)或到達時間差(TDOA)量測值),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站(例如,服務基地站)和多個非參考基地站的辨識符(ID)。隨後,UE對該參考基地站與每個非參考基地站之間的RSTD進行量測。基於所涉及基地站的已知位置和RSTD量測,定位實體(例如,用於基於UE的定位的UE或者用於UE輔助定位的位置伺服器)可以估計UE的位置。
對於如場景420所示的DL-AoD定位,定位實體使用來自UE的多個下行鏈路傳輸波束的接收信號強度量測的量測報告來決定UE與傳輸基地站之間的角度。隨後,定位實體可以基於所決定的角度和傳輸基地站的已知位置來估計UE的位置。
基於上行鏈路的定位方法包括上行鏈路到達時間差(UL-TDOA)和上行鏈路到達角(UL-AoA)。UL-TDOA類似於DL-TDOA,但是卻是基於UE向多個基地站傳輸的上行鏈路參考信號(例如,探測參考信號(SRS))。具體地,UE傳輸一或多個上行鏈路參考信號,該等上行鏈路參考信號由參考基地站和複數個非參考基地站量測。隨後,每個基地站將參考信號的接收時間(稱為相對到達時間(RTOA))報告給知道所涉及的基地站的位置和相對時序的定位實體(例如,位置伺服器)。基於參考基地站的所報告的RTOA與每個非參考基地站的所報告的RTOA之間的接收到接收(Rx-Rx)時間差、基地站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,一或多個基地站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接收波束的角度來決定UE與基地站之間的角度。隨後,基於所決定的角度和基地站的已知位置,定位實體可以估計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(亦稱為「多細胞RTT」和「多RTT」)。在RTT程序中,第一實體(例如,基地站或UE)向第二實體(例如,UE或基地站)傳輸第一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)傳輸回第一實體。每個實體量測接收到的RTT相關信號的到達時間(ToA)與所傳輸的RTT相關信號的傳輸時間之間的時間差。該時間差被稱為接收到傳輸(Rx-Tx)時間差。可以進行或者可以調整Rx-Tx時間差量測,從而僅包括所接收的和所傳輸的信號的最近時槽邊界之間的時間差。隨後,兩個實體可以將其Rx-Tx時間差量測值發送到位置伺服器(例如,LMF 270),位置伺服器根據兩個Rx-Tx時間差量測值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時間差量測值的總和)。或者,一個實體可以將其Rx-Tx時間差量測值發送給另一個實體,隨後由該另一個實體計算RTT。兩個實體之間的距離可以根據RTT和已知的信號速度(例如,光速)來決定。對於如場景430所示的多RTT定位,第一實體(例如,UE或基地站)執行與多個第二實體(例如,多個基地站或UE)的RTT定位程序,以使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而被決定(例如,使用多點量測)。RTT和多RTT方法可以與其他定位技術(諸如UL-AoA和DL-AoD)相結合,以提高位置精度,如場景440所示。
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站的辨識符、估計的時序和信號強度。隨後,基於該資訊和基地站的已知位置估計UE的位置。
為了輔助定位操作,位置伺服器(例如,位置伺服器230、LMF 270、SLP 272)可以向UE提供輔助資料。例如,輔助資料可以包括從中量測參考信號的基地站(或基地站的細胞/TRP)的辨識符、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、靜音序列、躍頻序列、參考信號辨識符、參考信號頻寬等)及/或適用於特定定位方法的其他參數。或者,輔助資料可以直接來自基地站本身(例如,在週期性廣播的管理負擔訊息中,等等)。在一些情況下,UE可能能夠在不使用輔助資料的情況下偵測相鄰網路節點本身。
在OTDOA或DL-TDOA定位程序的情況下,輔助資料亦可以進一步包括預期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,當用於定位量測的任何資源在FR1中時,預期RSTD的不確定性的值範圍可以是+/- 32 µs。在其他情況下,當用於定位量測的所有資源皆在FR2中時,預期RSTD的不確定性的值範圍可以是+/- 8 µs。
位置估計可以經由其他名稱來代表,例如位置估計、位置、定位、位置固定、固定等。位置估計可以是大地量測的並且包括座標(例如,緯度、經度和可能的海拔)或者可以是市政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某個其他已知位置定義或以絕對項來定義(例如,使用緯度、經度和可能的海拔)。位置估計可以包括預期誤差或不確定性(例如,經由包括一個區域或體積,在該區域或體積內該位置預期將被包括在某個指定或預設置信水平內)。
圖5圖示用於執行定位操作的UE 504與位置伺服器(圖示為位置管理功能(LMF)570)之間的示例性長期進化(LTE)定位協定(LPP)程序500。如圖5所示,UE 504的定位是經由UE 504與LMF 570之間的LPP訊息交換來支援的。LPP訊息可以經由UE 504的服務基地站(圖示為服務gNB 502)和核心網路(未圖示)在UE 504與LMF 570之間交換。LPP程序500可以用於定位UE 504,從而支援各種與位置相關的服務,諸如用於UE 504(或用於UE 504的使用者)的導航,或用於路由,或用於與從UE 504到公共安全應答點(PSAP)的緊急撥叫相關聯地向PSAP提供準確位置,或用於某種其他原因。LPP程序500亦可以被稱為定位通信期,並且對於不同類型的定位方法(例如,下行鏈路到達時間差(DL-TDOA)、往返時間(RTT)、增強型細胞辨識(E-CID)等),可能存在多個定位通信期。
最初,UE 504可以在階段510從LMF 570接收對其定位能力的請求(例如,LPP請求能力訊息)。在階段520,UE 504經由向LMF 570發送LPP提供能力訊息來向LMF 570提供其相對於LPP協定的定位能力,該LPP提供能力訊息指示UE 504使用LPP支援的定位方法和該等定位方法的特徵。在一些態樣,LPP提供能力訊息中所指示的能力可以指示UE 504支援的定位類型(例如,DL-TDOA、RTT、E-CID等),並且可以指示UE 504支援該等定位類型的能力。
在接收到LPP提供能力訊息之後,在階段520,LMF 570基於UE 504支援的所指示的定位類型來決定使用特定類型的定位方法(例如,DL-TDOA、RTT、E-CID等),並且決定一或多個傳輸接收點(TRP)集,UE 504將根據該TRP集量測下行鏈路定位參考信號或者UE 504將向該TRP集傳輸上行鏈路定位參考信號。在階段530,LMF 570向UE 504發送辨識TRP集的LPP提供輔助資料訊息。
在一些實現方式中,回應於由UE 504發送到LMF 570的LPP請求輔助資料訊息(圖5中未圖示),在階段530的LPP提供輔助資料訊息可以由LMF 570發送到UE 504。LPP請求輔助資料訊息可以包括UE 504的服務TRP的辨識符以及對相鄰TRP的定位參考信號(PRS)配置的請求。
在階段540,LMF 570向UE 504發送對位置資訊的請求。該請求可以是LPP請求位置資訊訊息。此訊息通常包括定義位置資訊類型、位置估計的期望精度和回應時間(亦即期望延時)的資訊元素。注意,低延時要求允許更長的回應時間,而高延時要求需要更短的回應時間。然而,長回應時間被稱為高延時,而短回應時間被稱為低延時。
注意,在一些實現方式中,若例如UE 504在階段540接收到對位置資訊的請求之後向LMF 570發送對輔助資料的請求(例如,在LPP請求輔助資料訊息中,圖5中未圖示),則在階段530發送的LPP提供輔助資料訊息可以在540處的LPP請求位置資訊訊息之後發送。
在階段550,UE 504利用在階段530接收的輔助資訊和在階段540接收的任何附加資料(例如,期望的位置精度或最大回應時間)來執行針對所選定位方法的定位操作(例如,DL-PRS的量測、UL-PRS的傳輸等)。
在階段560,UE 504可以向LMF 570發送LPP提供位置資訊訊息,該訊息傳達在階段550以及在任何最大回應時間到期之前或到期時(例如,由LMF 570在階段540提供的最大回應時間)獲得的任何量測的結果(例如,到達時間(ToA)、參考信號時間差(RSTD)、接收到傳輸(Rx-Tx)等)。在階段560的LPP提供位置資訊訊息亦可以包括獲得定位量測的時間(或多個時間)和從其獲得定位量測的TRP的辨識。注意,在540的對位置資訊的請求與在560的回應之間的時間是「回應時間」並且指示定位通信期的延時。
LMF 570至少部分地基於在階段560在LPP提供位置資訊訊息中接收到的量測,使用適當的定位技術(例如,DL-TDOA、RTT、E-CID等)來計算UE 504的估計位置。
可以使用各種訊框結構來支援網路節點(例如,基地站和UE)之間的下行鏈路和上行鏈路傳輸。圖6是圖示根據本案的各態樣的示例性訊框結構的圖600。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以及在某些情況下的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具有亦在上行鏈路上使用OFDM的選項。OFDM和SC-FDM將系統頻寬劃分為多個(K個)正交次載波,該等次載波通常亦稱為音調、頻段等。每個次載波皆可以用資料調制。通常,調制符號在頻域中用OFDM發送並且在時域中用SC-FDM發送。相鄰次載波之間的間隔可以是固定的,並且次載波的總數(K)可以取決於系統頻寬。例如,次載波的間隔可以是15千赫茲(kHz),並且最小資源分配(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20兆赫茲(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。系統頻寬亦可以劃分成次頻帶。例如,次頻帶可以覆蓋1.08 MHz(亦即,6個資源區塊),並且對於1.25、2.5、5、10或20 MHz的系統頻寬可能分別有1、2、4、8或16個次頻帶。
LTE支援單一參數集(次載波間隔(SCS)、符號長度等)。與之相對,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)和240 kHz(µ=4)或更大的次載波間隔可以是可用的。在每個次載波間隔中,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,每訊框有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為單位)為50。對於30 kHz SCS(µ=1),每個子訊框有兩個時槽,每訊框有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為單位)為100。對於60 kHz SCS(µ=2),每個子訊框有四個時槽,每訊框有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 FET大小的最大標稱系統頻寬(以MHz為單位)為200。對於120 kHz SCS(µ=3),每個子訊框有八個時槽,每訊框有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 FET大小的最大標稱系統頻寬(以MHz為單位)為400。對於240 kHz SCS(µ=4),每個子訊框有16個時槽,每訊框有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 FET大小的最大標稱系統頻寬(以MHz為單位)為800。
在圖6的實例中,使用了15 kHz的參數集。因此,在時域中,10 ms的訊框被劃分為每個1 ms的10個相等大小的子訊框,並且每個子訊框包括一個時槽。在圖6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)(亦稱為實體RB(PRB))。資源網格亦被劃分為多個資源元素(RE)。RE可以對應時域中的一個符號長度和頻域中的一個次載波。在圖6的參數集中,對於普通循環字首,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72個RE。每個RE攜帶的位元數取決於調制方案。
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)、次要同步信號(SSS)、同步信號區塊(SSB)、探測參考信號(SRS)等,此舉具體取決於所示訊框結構是用於上行鏈路通訊還是下行鏈路通訊。圖6圖示攜帶參考信號(標記為「R」)的RE的示例性位置。
用於傳輸PRS的資源元素(RE)的集合稱為「PRS資源」。資源元素的集合可以在頻域中跨多個PRB並在時域中跨時槽內的「N」個(例如,1個或多個)連續符號。在時域中的給定OFDM符號中,PRS資源在頻域中佔據連續的PRB。
給定PRB內PRS資源的傳輸具有特定的梳大小(亦稱為「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隔(或頻率/音調間隔)。具體地,對於梳大小「N」,在PRB的符號的每第N個次載波中傳輸PRS。例如,對於梳-4,對於PRS資源配置的每個符號,與每第四個次載波(例如次載波0、4、8)對應的RE用於傳輸PRS資源的PRS。當前,對於DL-PRS,支援梳-2、梳-4、梳-6和梳-12的梳大小。圖6圖示用於梳-4(其跨越四個符號)的示例性PRS資源配置。亦即,陰影RE(標記為「R」)的位置指示梳-4 PRS資源配置。
目前,DL-PRS資源可以以全頻域交錯樣式跨時槽內的2、4、6或12個連續符號。DL-PRS資源可以被配置在時槽的任何更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,可能存在每資源元素的恆定能量(EPRE)。以下是對於2、4、6和12個符號上的梳大小2、4、6和12的符號間頻率偏移。2-符號梳-2:{0, 1};4-符號梳-2:{0, 1, 0, 1};6-符號梳-2:{0, 1, 0, 1, 0, 1};12-符號梳-2:{0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1};4-符號梳-4:{0, 2, 1, 3}(如在圖6的實例中);12-符號梳-4:{0, 2, 1, 3, 0, 2, 1, 3, 0, 2, 1, 3};6-符號梳-6:{0, 3, 1, 4, 2, 5};12-符號梳-6:{0, 3, 1, 4, 2, 5, 0, 3, 1, 4, 2, 5};及12-符號梳-12:{0, 6, 3, 9, 1, 7, 4, 10 2, 8, 5, 11}。
「PRS資源集」是用於傳輸PRS信號的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資源與相同的TRP相關聯。PRS資源集由PRS資源集ID辨識,並與特定的TRP(由TRP ID辨識)相關聯。此外,PRS資源集中的PRS資源具有相同的週期性、共同的靜音樣式配置以及相同的跨時槽重複因數(例如「PRS-ResourceRepetitionFactor」)。週期性是從第一PRS例子的第一PRS資源的第一重複到下一PRS例子的相同第一PRS資源的相同第一重複的時間。週期性可以具有選自2^µ*{4、5、8、10、16、20、32、40、64、80、160、320、640、1280、2560、5120、10240}個時槽的長度,其中µ=0、1、2、3。重複因數可以具有選自{1、2、4、6、8、16、32}個時槽的長度。
PRS資源集中的PRS資源ID與從單個TRP(其中TRP可以傳輸一或多個波束)傳輸的單個波束(或波束ID)相關聯。亦即,PRS資源集的每個PRS資源可以在不同的波束上傳輸,因此,「PRS資源」(或簡稱為「資源」)亦可以被稱為「波束」。注意,此舉對於UE是否知道TRP和其上傳輸PRS的波束沒有任何影響。
「PRS例子」或「PRS時機」是預期傳輸PRS的週期性重複時間訊窗(例如,一或多個連續時槽的群組)的一個例子。PRS時機亦可以被稱為「PRS定位時機」、「PRS定位例子」、「定位時機」、「定位例子」、「定位重複」或簡稱為「時機」、「例子」」或「重複」。
「定位頻率層」(亦簡稱為「頻率層」)是跨一或多個TRP的一或多個PRS資源集的集合,該等資源集對於某些參數具有相同的值。具體地,PRS資源集的集合具有相同的次載波間隔和循環字首(CP)類型(意味著:針對PRS亦支援針對實體下行鏈路共享通道(PDSCH)所支援的所有參數集),相同的A點,相同的下行鏈路PRS頻寬值,相同的起始PRB(和中心頻率)以及相同的梳大小。A點參數採用參數「ARFCN-ValueNR」的值(其中「ARFCN」代表「絕對射頻通道號」),並且是指定一對用於傳輸和接收的實體無線電通道的辨識符/代碼。下行鏈路PRS頻寬可以具有四個PRB的細微性,最小為24個PRB,最大為272個PRB。目前,已經定義了最多四個頻率層,並且每個TRP每個頻率層可以配置最多兩個PRS資源集。
頻率層的概念有點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由一個基地站(或巨集細胞基地站和小細胞基地站)用來傳輸資料通道,而頻率層由幾個(通常是三個或更多個)基地站用來傳輸PRS。UE可以指示當其向網路發送其定位能力時(諸如在LTE定位協定(LPP)通信期)其可以支援的頻率層的數量。例如,UE可以指示其是否可支援一個或四個定位頻率層。
注意,術語「定位參考信號」和「PRS」通常是指在NR和LTE系統中用於定位的特定參考信號。然而,如本文所用,術語「定位參考信號」和「PRS」亦可以是指可用於定位的任何類型的參考信號,諸如但不限於如LTE和NR中定義的PRS、TRS、PTRS、CRS、CSI-RS、DMRS、PSS、SSS、SSB、SRS、UL-PRS等。此外,除非上下文另有說明,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,可以將下行鏈路定位參考信號稱為「DL-PRS」,可以將上行鏈路定位參考信號(例如,用於定位的SRS,PTRS)稱為「UL-PRS」,並且可以將側鏈路定位參考信號稱為「SL-PRS」。此外,對於可以在下行鏈路、上行鏈路及/或側鏈路中傳輸的信號(例如,DMRS),可以在該等信號前面加上「DL」、「UL」或「SL」來區分方向。例如,「UL-DMRS」不同於「DL-DMRS」。
圖7是表示根據本案的各態樣的接收器設備(例如,本文描述的任何UE或基地站)與傳輸器設備(例如,本文描述的任何其他UE或基地站)之間的多路徑通道的示例性通道估計的圖700。通道估計表示隨時間延遲變化的經由多路徑通道接收的射頻(RF)信號(例如,PRS)的強度,並且可以被稱為通道的通道能量回應、通道脈衝回應或功率延遲曲線。因此,水平軸以時間為單位(例如,毫秒),而垂直軸以信號強度為單位(例如,分貝)。注意,多路徑通道是傳輸器與接收器之間的通道,由於RF信號在多個波束上的傳輸及/或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路徑。
在圖7的實例中,接收器偵測/量測多個(四個)通道分接點(channel tap)的集群。每個通道分接點表示RF信號在傳輸器與接收器之間遵循的多路徑。亦即,通道分接點表示多路徑上RF信號的到達。每個通道分接點的集群指示對應的多路徑遵循基本上相同的路徑。由於RF信號在不同的傳輸波束上(並且因此以不同的角度)傳輸,或者因為RF信號的傳播特性(例如,由於反射的緣故而可能遵循不同的路徑),或者兩種原因皆有,可能存在不同的集群。
針對給定RF信號的通道分接點的所有集群表示傳輸器與接收器之間的多路徑通道(或者簡稱為通道)。在圖7所示的通道下,接收器在時間T1處的通道分接點上接收兩個RF信號的第一集群,在時間T2處的通道分接點上接收五個RF信號的第二集群,在時間T3處的通道分接點上接收五個RF信號的第三集群,並且在時間T4處的通道分接點上接收四個RF信號的第四集群。在圖7的實例中,由於時間T1處的RF信號的第一集群首先到達,因此,假定其是對應於在與視距(LOS)或最短路徑對準的傳輸波束上傳輸的RF信號。時間T3處的第三集群由最強的RF信號組成,並且例如可以對應於在與非視距(NLOS)路徑對準的傳輸波束上傳輸的RF信號。注意,儘管圖7圖示兩到五個通道分接點的集群,但正如將理解的一般,集群可以具有比所示的通道分接點數更多或更少的通道分接點。
機器學習可以用於產生模型,該等模型可以用於促進與資料處理相關聯的各個態樣。機器學習的一個具體應用係關於產生用於處理用於定位的參考信號(例如,PRS)的量測模型,例如特徵提取、參考信號量測的報告(例如,選擇要報告何者提取特徵)等。
機器學習模型通常分為有監督或無監督。有監督模型可以進一步細分為回歸或分類模型。有監督學習涉及學習基於示例性輸入-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)該兩個變數的訓練資料集,可以產生有監督學習模型來基於年齡預測身高。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,線性回歸僅嘗試找到最佳地擬合資料的線。線性回歸的擴展包括多元線性回歸(例如,找到最佳擬合平面)和多項式回歸(例如,找到最佳擬合曲線)。
機器學習模型的另一個實例是決策樹模型。在決策樹模型中,樹結構用複數個節點定義。決策用於從決策樹頂部的根節點移動到決策樹底部的葉節點(亦即沒有其他子節點的節點)。通常,決策樹模型中更多的節點數量與更高的決策準確性相關。
機器學習模型的另一個實例是決策森林。隨機森林是一種基於決策樹構建的整合學習技術。隨機森林涉及使用原始資料的自舉資料集建立多個決策樹並在決策樹的每個步驟中隨機地選擇變數子集。隨後,模型選擇每個決策樹的所有預測的模式。經由依靠「多數獲勝」模型,可以降低單個樹出錯的風險。
機器學習模型的另一個實例是神經網路(NN)。神經網路本質上是數學方程網路。神經網路接受一或多個輸入變數,並在經由方程網路後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8圖示根據本案的各態樣的示例性神經網路800。神經網路800包括接收「n」個(一或多個)輸入(示為「輸入1」、「輸入2」和「輸入n」)的輸入層「i」、用於處理來自輸入層的輸入的一或多個隱藏層(示為隱藏層「h1」、「h2」和「h3」)以及提供「m」個(一或多個)輸出(標記為「輸出1」和「輸出m」)的輸出層「o」。輸入「n」、隱藏層「h」和輸出「m」的數量可以相同或不同。在一些設計中,隱藏層「h」可以包括每個連續隱藏層的節點(示為圓)從前一個隱藏層的節點進行處理的線性函數及/或啟用函數。
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,但卻用於對有限數量的結果(通常為兩個)的概率進行建模。本質上,邏輯方程的建立方式是輸出值僅能在「0」與「1」之間。分類模型的另一個實例是支援向量機。例如,對於兩類資料,支援向量機將找到使該兩類之間的邊距最大化的兩類資料之間的超平面或邊界。許多平面皆可以分隔該兩個類,但僅有一個平面可以使該等類之間的邊距或距離最大化。分類模型的另一個實例是基於貝氏定理的單純貝氏。分類模型的其他實例包括與上述實例類似的決策樹、隨機森林和神經網路,不同之處在於:輸出是離散的而不是連續的。
與有監督學習不同,無監督學習用於根據輸入資料作出推斷並找到模式,無需參考經過標記的結果。無監督學習模型的兩個實例包括聚類和降維。
聚類是一種涉及資料點的分類或聚類的無監督技術。聚類經常用於客戶細分、欺詐偵測和文件分類。常見的聚類技術包括k均值聚類、層次聚類、均值偏移聚類和基於密度的聚類。降維是經由獲得一組主變數來減少所考慮的隨機變數數量的過程。簡單而言,降維是減少特徵集的維度的過程(更簡單而言是減少特徵的數量)。大多數降維技術可以歸類為特徵消除或特徵提取。降維的一個實例稱為主成分分析(PCA)。從最簡單的意義上來講,PCA涉及將更高維度的資料(例如,三維)投影到更小的空間(例如,二維)。此舉在保留模型中的所有原始變數的同時使得資料維度變得更低(例如,二維而不是三維)。
無論採用何種機器學習模型,在高層次上,機器學習模組(例如,由處理系統實現,諸如處理器332、384或394)可以被配置為反覆運算地分析訓練輸入資料(例如,去往/來自各種目標UE的參考信號的量測)並將該訓練輸入資料與輸出資料集(例如,各種目標UE的可能或很可能的候選位置集)相關聯,從而能夠在以後以類似的輸入資料(例如,來自相同或相似位置的其他目標UE)進行呈現時決定相同的輸出資料集。
如本文所用,「特徵」是原始定位量測資料(例如,通道估計,如通道能量回應(CER)、通道脈衝回應(CIR)、通道頻率回應(CFR)、功率延遲曲線(PDP)等)的經處理(例如,經壓縮、經編碼等)的表示。特徵可以是被測通道的定位量測量,例如ToA、RSTD、AoD等。或者,特徵可以是表示通道的資料的經壓縮或經編碼向量,該等向量可以被解壓縮或解碼以獲得通道的對應定位量測量。
當前的量測報告配置允許位置伺服器將UE配置為報告(例如,在LPP提供位置資訊訊息中,如在圖5的階段560處)特定量測量,例如RSTD、RSRP等。基於機器學習的方法將允許更靈活的特徵報告框架,其中可以基於特徵提取機器學習模型來決定要報告的特定量測量。例如,UE可以量測通道(例如,來自TRP的DL-PRS、來自UE的SL-PRS)以獲得通道的通道估計(例如,如圖7所示),隨後將該通道估計輸入到機器學習模型中以獲得通道的一或多個特徵。通道的特徵可以是定位量測,例如RSTD量測、ToA量測、AoD量測、RSRP量測等。隨後,UE可以將通道的特徵報告給位置伺服器。
然而,目前在現有的5G標準中沒有框架來支援出於定位目的的基於機器學習的特徵報告。為了實現此種框架,需要報告配置來向UE指示UE將需要執行什麼樣的機器學習操作才能提取要報告的特徵。此外,UE亦需要報告格式來提供由機器學習模型提取的特徵。
本案引入了資訊元素(IE)來允許位置伺服器將UE配置為報告基於機器學習方法而匯出的通道的特徵(例如,DL-PRS)。在第一態樣(稱為「情況1」),可以配置特定機器學習類型的定位方法,並且相應地,可以從UE請求特定機器學習類型的量測資訊,以用於基於機器學習的特徵報告。在第二態樣(稱為「情況2」),可以增強現有的定位方法(例如,DL-TDOA、DL-AoD、多RTT等)以包括使UE能夠使用基於機器學習的方法來匯出要報告的量測量的模式。
注意,在情況1中,所報告的特徵不需要是實體量,例如RSTD量測。相反,所報告的特徵可以是抽象量(例如,資料的經壓縮向量),隨後可以經由另一個「解碼器」機器學習模型將該抽象量映射為實體量,例如,RSTD量測或UE的位置。
更詳細地參考情況1,位置伺服器可以在針對位置資訊的請求(例如,LPP請求位置資訊訊息,如在圖5的階段540處)中包括附加IE,以提供與從UE請求的量測資訊有關的詳細資訊。圖9圖示此種IE的實例,其在LPP「RequestLocationInformation」IE 900中被示為「nr-ML-based-RequestLocationInformation」。如圖9所示,此種基於機器學習的位置資訊請求IE與其他基於NR的定位方法一起列出,並且由此定義將針對該定位方法報告的量以及對該等量進行報告的方式。例如,基於機器學習的位置資訊請求IE可以提供與將用於提取(匯出)要報告的特徵的機器學習模型有關的資訊,例如機器學習模型辨識符(例如,用於辨識模型的結構,諸如層的數量和大小)和參數集辨識符(例如,用於辨識機器學習模型權重的值)。隨後,UE可以基於該等辨識符從位置伺服器或模型儲存庫伺服器獲得機器學習模型。可選地,可以在基於機器學習的位置資訊請求IE中提供多個模型和參數辨識符。在此種情況下,UE可以被配置有一或多個規則,以便從所提供的列表中選擇一或多個機器學習模型來匯出特徵。
替代地或附加地,基於機器學習的位置資訊請求IE可以指示將用來解碼所報告的特徵的機器學習模型(例如,模型結構辨識符、參數辨識符)。借助於該資訊,UE可以選擇任何機器學習模型進行特徵提取,該機器學習模型與位置伺服器將用來解碼所報告的特徵的機器學習模型相容。
對應地,可以為UE定義附加IE,以提供所請求的基於機器學習的特徵報告。此種基於機器學習的特徵報告IE可以被包括在LPP提供位置資訊訊息中(在圖5的階段560處傳輸),類似於如何將基於機器學習的位置資訊請求IE添加到LPP請求位置資訊訊息中。基於機器學習的特徵報告IE可以包括:(1)使用已配置的機器學習模型提取(匯出)的基於機器學習的特徵;(2)用於匯出特徵的「編碼器」機器學習模型的機器學習模型辨識符和參數集辨識符;(3)用於辨識PRS資源的資訊,該等PRS資源用作機器學習模型的輸入以匯出特徵;及/或(4)應該用來對所報告的特徵進行處理的「解碼器」機器學習模型的機器學習模型辨識符和參數集辨識符。
現在更詳細地參考情況2,現有的定位方法(例如,DL-TDOA、多RTT等)可以經由附加資訊元素來增強,以指示基於機器學習的操作模式。圖10圖示根據本案的各態樣的可以添加到現有定位方法的請求位置資訊訊息中的示例性參數或IE。如圖10所示,三個基於機器學習的IE已被添加到NR-DL-TDOA-RequestLocationInformation IE 1000中。第一個IE是標記為「nr-MachineLearningBasedReporting」的布林標誌,其指示UE是否要使用基於機器學習的技術來估計要報告的特徵(例如,圖10的實例中的RSTD)。值TRUE(例如,「1」)指示UE將使用基於機器學習的方法,而值FALSE(例如,「0」)指示UE將不使用基於機器學習的方法。或者,可以根本不包括附加IE,以指示UE將不使用基於機器學習的方法。若布林值為TRUE,則IE亦包括機器學習模型辨識符(稱為「nr-MachineLearningModelStructureIdentifier」)和參數集辨識符(稱為「nr-MachineLearningModelParameterSetIdentifier」),該兩種辨識符被包括來向UE指示將使用何者機器學習模型來估計要報告的特徵。
在各個態樣,向UE指示的機器學習模型可以是特定於TRP的,此舉意味著可以為不同的TRP或不同類型的TRP(例如,小細胞與巨集細胞)指示不同的機器學習模型。所指示的機器學習模型可以附加地或替代地特定於供應商(例如,特定於某些基地站供應商或UE供應商)、特定於特徵(例如,特定於某些類型的特徵提取,諸如RSTD量測或Rx-Tx時間差量測)等。
圖11圖示根據本案的各態樣的無線通訊的示例性方法1100。在一態樣,方法1100可以由第一網路節點(例如,本文所述的任何UE或TRP)執行。
在1110處,第一網路節點從網路實體接收一或多個請求位置資訊訊息,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習來匯出第一網路節點與第二網路節點之間的無線通道的一或多個特徵。在一態樣,操作1110可以由一或多個WWAN收發器310、一或多個處理器332、記憶體340及/或定位元件342執行,該等中的任何一個或全部可以被認為是用於執行此操作的構件。在一態樣,操作1120可以由一或多個WWAN收發器350、一或多個處理器384、記憶體386及/或定位元件388執行,該等中的任何一個或全部可以被認為是用於執行此操作的構件。
在1120處,第一網路節點向網路實體傳輸一或多個提供位置資訊訊息,其中一或多個提供位置資訊訊息包括無線通道的一或多個特徵,並且其中無線通道的一或多個特徵是基於機器學習模型匯出的。在一態樣,操作1120可以由一或多個WWAN收發器310、一或多個處理器332、記憶體340及/或定位元件342執行,該等中的任何一個或全部可以被認為是用於執行此操作的構件。在一態樣,操作1120可以由一或多個WWAN收發器350、一或多個處理器384、記憶體386及/或定位元件388執行,該等中的任何一個或全部可以被認為是用於執行此操作的構件。
圖12圖示根據本案的各態樣的示例性通訊方法1200。在一態樣,方法1200可以由網路實體(例如,位置伺服器)執行。
在1210處,網路實體向第一網路節點傳輸一或多個請求位置資訊訊息,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習來匯出第一網路節點與第二網路節點之間的無線通道的一或多個特徵。在一態樣,操作1210可以由一或多個網路收發器390、一或多個處理器394、記憶體396及/或定位元件398執行,該等中的任何一個或全部可以被認為是用於執行此操作的構件。
在1220處,網路實體從第一網路節點接收一或多個提供位置資訊訊息,其中一或多個提供位置資訊訊息包括無線通道的一或多個特徵,並且其中無線通道的一或多個特徵是基於機器學習模型匯出的。在一態樣,操作1220可以由一或多個網路收發器390、一或多個處理器394、記憶體396及/或定位元件398執行,該等中的任何一個或全部可以被認為是用於執行此操作的構件。
正如將要理解的,方法1100和1200的技術優勢在於:使第一網路節點能夠支援用於定位目的的基於機器學習的特徵提取和報告。
在上文的詳細描述可以看出,不同的特徵在實例中組合在一起。此種揭示方式不應被理解為示例性條款具有比每個條款中明確提及的特徵更多的特徵。相反,本案的各個態樣可以包括少於所揭示的單個示例性條款的所有特徵。因此,以下條款應被視為包含在說明書中,其中每個條款本身可以作為單獨的實例。儘管每個從屬條款可以在條款中引用與其他條款之一的特定組合,但該從屬條款的各態樣不限於特定組合。應當理解,其他示例性條款亦可以包括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,除非明確表達或可以容易地推斷出特定組合不是有意的(例如,矛盾的態樣,例如將元件定義為電絕緣體和電導體兩者)。此外,亦意圖可以將條款的各態樣包括在任何其他獨立條款中,即使該條款不直接從屬於獨立條款。
在以下編號的條款中描述了實現實例:
條款1。一種由使用者設備(UE)執行的無線通訊的方法,包括以下步驟:從位置伺服器接收一或多個請求位置資訊訊息,一或多個請求位置資訊訊息配置UE使用機器學習模型來匯出UE與網路節點之間的無線通道的一或多個特徵;及向位置伺服器傳輸一或多個提供位置資訊訊息,一或多個提供位置資訊訊息包括無線通道的一或多個特徵,無線通道的一或多個特徵是基於機器學習模型匯出的。
條款2。根據條款1之方法,其中一或多個請求位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款3。根據條款1至2中任一項之方法,亦包括以下步驟:從位置伺服器或機器學習模型儲存庫伺服器獲得機器學習模型。
條款4。根據條款1至3中任一項之方法,其中:一或多個請求位置資訊訊息包括複數個機器學習模型的複數個辨識符,並且該方法亦包括以下步驟:選擇機器學習模型以基於配置到UE的一或多個規則來匯出無線通道的一或多個特徵。
條款5。根據條款1至4中任一項之方法,其中:一或多個請求位置資訊訊息包括要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符,並且該方法亦包括以下步驟:選擇機器學習模型以基於機器學習模型與網路側機器學習模型相容來匯出無線通道的一或多個特徵。
條款6。根據條款1至5中任一項之方法,其中一或多個提供位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款7。根據條款1至6中任一項之方法,其中一或多個提供位置資訊訊息包括:在無線通道上量測的用於定位的參考信號的辨識符。
條款8。根據條款1至7中任一項之方法,其中一或多個提供位置資訊訊息包括:要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符以及網路側機器學習模型的參數集的辨識符。
條款9。根據條款1至8中任一項之方法,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息是用於基於機器學習的定位程序。
條款10。根據條款1至8中任一項之方法,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於蜂巢的定位程序。
條款11。根據條款10之方法,其中基於蜂巢的定位程序包括下行鏈路到達時間差(DL-TDOA)定位程序、往返時間(RTT)定位程序、增強型細胞辨識符(ECID)定位程序、下行鏈路到達角(DL-AOD)定位程序或其任意組合。
條款12。根據條款10至11中任一項之方法,其中一或多個請求位置資訊訊息配置UE使用機器學習模型來基於一或多個請求位置資訊訊息匯出無線通道的一或多個特徵,該一或多個請求位置資訊訊息包括標誌,該標誌配置UE報告無線通道的一或多個特徵作為用於基於蜂巢的定位程序的定位量測。
條款13。根據條款1至12中任一項之方法,其中機器學習模型特定於:網路節點、網路節點的類型、網路節點的供應商、無線通道的一或多個特徵的類型、無線通道的類型或其任意組合。
條款14。根據條款1至13中任一項之方法,其中網路節點是傳輸接收點(TRP)。
條款15。根據條款1至13中任一項之方法,其中網路節點是第二UE。
條款16。一種由位置伺服器執行的通訊的方法,包括以下步驟::向使用者設備(UE)傳輸一或多個請求位置資訊訊息,一或多個請求位置資訊訊息配置UE使用機器學習模型來匯出UE與網路節點之間的無線通道的一或多個特徵;及從UE接收一或多個提供位置資訊訊息,一或多個提供位置資訊訊息包括無線通道的一或多個特徵,無線通道的一或多個特徵是基於機器學習模型匯出的。
條款17。根據條款16之方法,其中一或多個請求位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款18。根據條款16至17中任一項之方法,其中一或多個請求位置資訊訊息包括複數個機器學習模型的複數個辨識符。
條款19。根據條款16至18中任一項之方法,其中一或多個請求位置資訊訊息包括要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符。
條款20。根據條款16至19中任一項之方法,其中一或多個提供位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款21。根據條款16至20中任一項之方法,其中一或多個提供位置資訊訊息包括:在無線通道上量測的用於定位的參考信號的辨識符。
條款22。根據條款16至21中任一項之方法,其中一或多個提供位置資訊訊息包括:要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符以及網路側機器學習模型的參數集的辨識符。
條款23。根據條款16至22中任一項之方法,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於機器學習的定位程序。
條款24。根據條款16至23中任一項之方法,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於蜂巢的定位程序。
條款25。根據條款24之方法,其中基於蜂巢的定位程序包括下行鏈路到達時間差(DL-TDOA)定位程序、往返時間(RTT)定位程序、增強型細胞辨識符(ECID)定位程序、下行鏈路到達角(DL-AOD)定位程序或其任意組合。
條款26。根據條款24至25中任一項之方法,其中一或多個請求位置資訊訊息配置UE使用機器學習模型來基於一或多個請求位置資訊訊息匯出無線通道的一或多個特徵,該一或多個請求位置資訊訊息包括標誌,該標誌配置UE報告無線通道的一或多個特徵作為用於基於蜂巢的定位程序的定位量測。
條款27。根據條款16至26中任一項之方法,其中機器學習模型特定於:網路節點、網路節點的類型、網路節點的供應商、無線通道的一或多個特徵的類型、無線通道的類型或其任意組合。
條款28。根據條款16至27中任一項之方法,其中網路節點是傳輸接收點(TRP)。
條款29。根據條款16至27中任一項之方法,其中網路節點是第二UE。
條款30。一種使用者設備(UE),包括:記憶體;至少一個收發器;及通訊地耦合到記憶體和至少一個收發器的至少一個處理器,該至少一個處理器被配置為:經由至少一個收發器從位置伺服器接收一或多個請求位置資訊訊息,一或多個請求位置資訊訊息配置UE使用機器學習模型來匯出UE與網路節點之間的無線通道的一或多個特徵;及經由至少一個收發器向位置伺服器傳輸一或多個提供位置資訊訊息,一或多個提供位置資訊訊息包括無線通道的一或多個特徵,無線通道的一或多個特徵是基於機器學習模型匯出的。
條款31。根據條款30之UE,其中一或多個請求位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款32。根據條款30至31中任一項之UE,其中至少一個處理器亦被配置為:從位置伺服器或機器學習模型儲存庫伺服器獲得機器學習模型。
條款33。根據條款30至32中任一項之UE,其中:一或多個請求位置資訊訊息包括複數個機器學習模型的複數個辨識符,並且至少一個處理器亦被配置為:選擇機器學習模型以基於配置到UE的一或多個規則來匯出無線通道的一或多個特徵。
條款34。根據條款30至33中任一項之UE,其中:一或多個請求位置資訊訊息包括要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符,並且至少一個處理器亦被配置為:選擇機器學習模型以基於機器學習模型與網路側機器學習模型相容來匯出無線通道的一或多個特徵。
條款35。根據條款30至34中任一項之UE,其中一或多個提供位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款36。根據條款30至35中任一項之UE,其中一或多個提供位置資訊訊息包括:在無線通道上量測的用於定位的參考信號的辨識符。
條款37。根據條款30至36中任一項之UE,其中一或多個提供位置資訊訊息包括:要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符以及網路側機器學習模型的參數集的辨識符。
條款38。根據條款30至37中任一項之UE,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於機器學習的定位程序。
條款39。根據條款30至37中任一項之UE,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於蜂巢的定位程序。
條款40。根據條款39之UE,其中基於蜂巢的定位程序包括下行鏈路到達時間差(DL-TDOA)定位程序、往返時間(RTT)定位程序、增強型細胞辨識符(ECID)定位程序、下行鏈路到達角(DL-AOD)定位程序或其任意組合。
條款41。根據條款39至40中任一項之UE,其中一或多個請求位置資訊訊息配置UE使用機器學習模型來基於一或多個請求位置資訊訊息匯出無線通道的一或多個特徵,該一或多個請求位置資訊訊息包括標誌,該標誌配置UE報告無線通道的一或多個特徵作為用於基於蜂巢的定位程序的定位量測。
條款42。根據條款30至41中任一項之UE,其中機器學習模型特定於:網路節點、網路節點的類型、網路節點的供應商、無線通道的一或多個特徵的類型、無線通道的類型或其任意組合。
條款43。根據條款30至42中任一項之UE,其中網路節點是傳輸接收點(TRP)。
條款44。根據條款30至42中任一項之UE,其中網路節點是第二UE。
條款45。一種位置伺服器,包括:記憶體;至少一個收發器;及通訊地耦合到記憶體和至少一個收發器的至少一個處理器,該至少一個處理器被配置為:經由至少一個收發器向使用者設備(UE)傳輸一或多個請求位置資訊訊息,一或多個請求位置資訊訊息配置UE使用機器學習模型來匯出UE與網路節點之間的無線通道的一或多個特徵;及經由至少一個收發器從UE接收一或多個提供位置資訊訊息,該一或多個提供位置資訊訊息包括無線通道的一或多個特徵,無線通道的一或多個特徵是基於機器學習模型匯出的。
條款46。根據條款45之位置伺服器,其中一或多個請求位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款47。根據條款45至46中任一項之位置伺服器,其中一或多個請求位置資訊訊息包括複數個機器學習模型的複數個辨識符。
條款48。根據條款45至47中任一項之位置伺服器,其中一或多個請求位置資訊訊息包括要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符。
條款49。根據條款45至48中任一項之位置伺服器,其中一或多個提供位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款50。根據條款45至49中任一項之位置伺服器,其中一或多個提供位置資訊訊息包括:在無線通道上量測的用於定位的參考信號的辨識符。
條款51。根據條款45至50中任一項之位置伺服器,其中一或多個提供位置資訊訊息包括:要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符以及網路側機器學習模型的參數集的辨識符。
條款52。根據條款45至51中任一項之位置伺服器,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於機器學習的定位程序。
條款53。根據條款45至52中任一項之位置伺服器,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於蜂巢的定位程序。
條款54。根據條款53之位置伺服器,其中基於蜂巢的定位程序包括下行鏈路到達時間差(DL-TDOA)定位程序、往返時間(RTT)定位程序、增強型細胞辨識符(ECID)定位程序、下行鏈路到達角(DL-AOD)定位程序或其任意組合。
條款55。根據條款53至54中任一項之位置伺服器,其中一或多個請求位置資訊訊息配置UE使用機器學習模型來基於一或多個請求位置資訊訊息匯出無線通道的一或多個特徵,該一或多個請求位置資訊訊息包括標誌,該標誌配置UE報告無線通道的一或多個特徵作為用於基於蜂巢的定位程序的定位量測。
條款56。根據條款45至55中任一項之位置伺服器,其中機器學習模型特定於:網路節點、網路節點的類型、網路節點的供應商、無線通道的一或多個特徵的類型、無線通道的類型或其任意組合。
條款57。根據條款45至56中任一項之位置伺服器,其中網路節點是傳輸接收點(TRP)。
條款58。根據條款45至56中任一項之位置伺服器,其中網路節點是第二UE。
條款59。一種使用者設備(UE),包括:用於從位置伺服器接收一或多個請求位置資訊訊息的構件,一或多個請求位置資訊訊息配置UE使用機器學習模型來匯出UE與網路節點之間的無線通道的一或多個特徵;及用於向位置伺服器傳輸一或多個提供位置資訊訊息的構件,一或多個提供位置資訊訊息包括無線通道的一或多個特徵,無線通道的一或多個特徵是基於機器學習模型匯出的。
條款60。根據條款59之UE,其中一或多個請求位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款61。根據條款59至60中任一項之UE,亦包括:用於從位置伺服器或機器學習模型儲存庫伺服器獲得機器學習模型的構件。
條款62。根據條款59至61中任一項之UE,其中:一或多個請求位置資訊訊息包括複數個機器學習模型的複數個辨識符,並且UE亦包括用於選擇機器學習模型以基於配置到UE的一或多個規則來匯出無線通道的一或多個特徵的構件。
條款63。根據條款59至62中任一項之UE,其中:一或多個請求位置資訊訊息包括要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符,並且UE亦包括用於選擇機器學習模型以基於機器學習模型與網路側機器學習模型相容來匯出無線通道的一或多個特徵的構件。
條款64。根據條款59至63中任一項之UE,其中一或多個提供位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款65。根據條款59至64中任一項之UE,其中一或多個提供位置資訊訊息包括:在無線通道上量測的用於定位的參考信號的辨識符。
條款66。根據條款59至65中任一項之UE,其中一或多個提供位置資訊訊息包括:要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符以及網路側機器學習模型的參數集的辨識符。
條款67。根據條款59至66中任一項之UE,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於機器學習的定位程序。
條款68。根據條款59至66中任一項之UE,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於蜂巢的定位程序。
條款69。根據條款68之UE,其中基於蜂巢的定位程序包括下行鏈路到達時間差(DL-TDOA)定位程序、往返時間(RTT)定位程序、增強型細胞辨識符(ECID)定位程序、下行鏈路到達角(DL-AOD)定位程序或其任意組合。
條款70。根據條款68至69中任一項之UE,其中一或多個請求位置資訊訊息配置UE使用機器學習模型來基於一或多個請求位置資訊訊息匯出無線通道的一或多個特徵,該一或多個請求位置資訊包括標誌,該標誌配置UE報告無線通道的一或多個特徵作為用於基於蜂巢的定位程序的定位量測。
條款71。根據條款59至70中任一項之UE,其中機器學習模型特定於:網路節點、網路節點的類型、網路節點的供應商、無線通道的一或多個特徵的類型、無線通道的類型或其任意組合。
條款72。根據條款59至71中任一項之UE,其中網路節點是傳輸接收點(TRP)。
條款73。根據條款59至71中任一項之UE,其中網路節點是第二UE。
條款74。一種位置伺服器,包括:用於向使用者設備(UE)傳輸一或多個請求位置資訊訊息的構件,一或多個請求位置資訊訊息配置UE使用機器學習模型來匯出UE與網路節點之間的無線通道的一或多個特徵;及用於從UE接收一或多個提供位置資訊訊息的構件,一或多個提供位置資訊訊息包括無線通道的一或多個特徵,無線通道的一或多個特徵是基於機器學習模型匯出的。
條款75。根據條款74之位置伺服器,其中一或多個請求位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款76。根據條款74至75中任一項之位置伺服器,其中一或多個請求位置資訊訊息包括複數個機器學習模型的複數個辨識符。
條款77。根據條款74至76中任一項之位置伺服器,其中一或多個請求位置資訊訊息包括要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符。
條款78。根據條款74至77中任一項之位置伺服器,其中一或多個提供位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款79。根據條款74至78中任一項之位置伺服器,其中一或多個提供位置資訊訊息包括:在無線通道上量測的用於定位的參考信號的辨識符。
條款80。根據條款74至79中任一項之位置伺服器,其中一或多個提供位置資訊訊息包括:要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符以及網路側機器學習模型的參數集的辨識符。
條款81。根據條款74至80中任一項之位置伺服器,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於機器學習的定位程序。
條款82。根據條款74至81中任一項之位置伺服器,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於蜂巢的定位程序。
條款83。根據條款82之位置伺服器,其中基於蜂巢的定位程序包括下行鏈路到達時間差(DL-TDOA)定位程序、往返時間(RTT)定位程序、增強型細胞辨識符(ECID)定位程序、下行鏈路到達角(DL-AOD)定位程序或其任意組合。
條款84。根據條款82至83中任一項之位置伺服器,其中一或多個請求位置資訊訊息配置UE使用機器學習模型來基於一或多個請求位置資訊訊息匯出無線通道的一或多個特徵,該一或多個請求位置資訊訊息包括標誌,該標誌配置UE報告無線通道的一或多個特徵作為基於蜂巢的定位程序的定位量測。
條款85。根據條款74至84中任一項之位置伺服器,其中機器學習模型特定於:網路節點、網路節點的類型、網路節點的供應商、無線通道的一或多個特徵的類型、無線通道的類型或其任意組合。
條款86。根據條款74至85中任一項之位置伺服器,其中網路節點是傳輸接收點(TRP)。
條款87。根據條款74至85中任一項之位置伺服器,其中網路節點是第二UE。
條款88。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:從位置伺服器接收一或多個請求位置資訊訊息,一或多個請求位置資訊訊息配置UE使用機器學習模型來匯出UE與網路節點之間的無線通道的一或多個特徵;及向位置伺服器傳輸一或多個提供位置資訊訊息,一或多個提供位置資訊訊息包括無線通道的一或多個特徵,無線通道的一或多個特徵是基於機器學習模型匯出的。
條款89。根據條款88之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款90。根據條款88至89中任一項之非暫時性電腦可讀取媒體,亦包括電腦可執行指令,該等電腦可執行指令在由UE執行時使UE:從位置伺服器或機器學習模型儲存庫伺服器獲得機器學習模型。
條款91。根據條款88至90中任一項之非暫時性電腦可讀取媒體,其中:一或多個請求位置資訊訊息包括複數個機器學習模型的複數個辨識符,並且該非暫時性電腦可讀取媒體亦包括電腦可執行指令,該等電腦可執行指令在由UE執行時使UE選擇機器學習模型以基於配置到UE的一或多個規則來匯出無線通道的一或多個特徵。
條款92。根據條款88至91中任一項之非暫時性電腦可讀取媒體,其中:一或多個請求位置資訊訊息包括要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符,並且該非暫時性電腦可讀取媒體亦包括電腦可執行指令,該等電腦可執行指令在由UE執行時使UE選擇機器學習模型以基於機器學習模型與網路側機器學習模型相容來匯出無線通道的一或多個特徵。
條款93。根據條款88至92中任一項之非暫時性電腦可讀取媒體,其中一或多個提供位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款94。根據條款88至93中任一項之非暫時性電腦可讀取媒體,其中一或多個提供位置資訊訊息包括:在無線通道上量測的定位參考信號的辨識符。
條款95。根據條款88至94中任一項之非暫時性電腦可讀取媒體,其中一或多個提供位置資訊訊息包括:要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符以及網路側機器學習模型的參數集的辨識符。
條款96。根據條款88至95中任一項之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於機器學習的定位程序。
條款97。根據條款88至95中任一項之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於蜂巢的定位程序。
條款98。根據條款97之非暫時性電腦可讀取媒體,其中基於蜂巢的定位程序包括下行鏈路到達時間差(DL-TDOA)定位程序、往返時間(RTT)定位程序、增強型細胞辨識符(ECID)定位程序、下行鏈路到達角(DL-AOD)定位程序或其任意組合。
條款99。根據條款97至98中任一項之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息配置UE使用機器學習模型來基於一或多個請求位置資訊訊息匯出無線通道的一或多個特徵,該一或多個請求位置資訊訊息包括標誌,該標誌配置UE報告無線通道的一或多個特徵作為用於基於蜂巢的定位程序的定位量測。
條款100。根據條款88至99中任一項之非暫時性電腦可讀取媒體,其中機器學習模型特定於:網路節點、網路節點的類型、網路節點的供應商、無線通道的一或多個特徵的類型、無線通道的類型或其任意組合。
條款101。根據條款88至100中任一項之非暫時性電腦可讀取媒體,其中網路節點是傳輸接收點(TRP)。
條款102。根據條款88至100中任一項之非暫時性電腦可讀取媒體,其中網路節點是第二UE。
條款103。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位置伺服器執行時使位置伺服器:向使用者設備(UE)傳輸一或多個請求位置資訊訊息,一或多個請求位置資訊訊息配置UE使用機器學習模型來匯出UE與網路節點之間的無線通道的一或多個特徵;及從UE接收一或多個提供位置資訊訊息,一或多個提供位置資訊訊息包括無線通道的一或多個特徵,無線通道的一或多個特徵是基於機器學習模型匯出的。
條款104。根據條款103之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款105。根據條款103至104中任一項之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息包括複數個機器學習模型的複數個辨識符。
條款106。根據條款103至105中任一項之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息包括要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符。
條款107。根據條款103至106中任一項之非暫時性電腦可讀取媒體,其中一或多個提供位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款108。根據條款103至107中任一項之非暫時性電腦可讀取媒體,其中一或多個提供位置資訊訊息包括:在無線通道上量測的用於定位的參考信號的辨識符。
條款109。根據條款103至108中任一項之非暫時性電腦可讀取媒體,其中一或多個提供位置資訊訊息包括:要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符以及網路側機器學習模型的參數集的辨識符。
條款110。根據條款103至109中任一項之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於機器學習的定位程序。
條款111。根據條款103至110中任一項之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於蜂巢的定位程序。
條款112。根據條款111之非暫時性電腦可讀取媒體,其中基於蜂巢的定位程序包括下行鏈路到達時間差(DL-TDOA)定位程序、往返時間(RTT)定位程序、增強型細胞辨識符(ECID)定位程序、下行鏈路到達角(DL-AOD)定位程序或其任意組合。
條款113。根據條款111至112中任一項之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息配置UE使用機器學習模型來基於一或多個請求位置資訊訊息匯出無線通道的一或多個特徵,該一或多個請求位置資訊訊息包括標誌,該標誌配置UE報告無線通道的一或多個特徵作為用於基於蜂巢的定位程序的定位量測。
條款114。根據條款103至113中任一項之非暫時性電腦可讀取媒體,其中機器學習模型特定於:網路節點、網路節點的類型、網路節點的供應商、無線通道的一或多個特徵的類型、無線通道的類型或其任意組合。
條款115。根據條款103至114中任一項之非暫時性電腦可讀取媒體,其中網路節點是傳輸接收點(TRP)。
條款116。根據條款103至114中任一項之非暫時性電腦可讀取媒體,其中網路節點是第二UE。
在以下編號的條款中描述了附加的實現實例:
條款1。一種由第一網路節點執行的無線通訊的方法,包括以下步驟:從網路實體接收一或多個請求位置資訊訊息,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習來匯出第一網路節點與第二網路節點之間的無線通道的一或多個特徵;及向網路實體傳輸一或多個提供位置資訊訊息,其中一或多個提供位置資訊訊息包括無線通道的一或多個特徵,並且其中無線通道的一或多個特徵是基於機器學習模型匯出的。
條款2。根據條款1之方法,其中一或多個請求位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款3。根據條款1至2中任一項之方法,亦包括以下步驟:從網路實體或機器學習模型儲存庫伺服器獲得機器學習模型。
條款4。根據條款1至3中任一項之方法,其中:一或多個請求位置資訊訊息包括複數個機器學習模型的複數個辨識符,並且機器學習模型被選擇以基於配置到第一網路節點的一或多個規則來匯出無線通道的一或多個特徵。
條款5。根據條款1至4中任一項之方法,其中:一或多個請求位置資訊訊息包括要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符,並且機器學習模型被選擇以基於機器學習模型與網路側機器學習模型相容來匯出無線通道的一或多個特徵。
條款6。根據條款1至5中任一項之方法,其中一或多個提供位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款7。根據條款1至6中任一項之方法,其中一或多個提供位置資訊訊息包括:要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符以及網路側機器學習模型的參數集的辨識符。
條款8。根據條款1至7中任一項之方法,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於機器學習的定位程序。
條款9。根據條款1至7中任一項之方法,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於蜂巢的定位程序。
條款10。根據條款9之方法,其中基於蜂巢的定位程序包括下行鏈路到達時間差(DL-TDOA)定位程序、往返時間(RTT)定位程序、增強型細胞辨識符(ECID)定位程序、下行鏈路到達角(DL-AOD)定位程序或其任意組合。
條款11。根據條款9至10中任一項之方法,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習模型來基於一或多個請求位置資訊訊息匯出無線通道的一或多個特徵,該一或多個請求位置資訊訊息包括標誌,該標誌配置第一網路節點報告無線通道的一或多個特徵作為基於蜂巢的定位程序的定位量測。
條款12。根據條款1至11中任一項之方法,其中機器學習模型特定於:第二網路節點、第二網路節點的類型、第二網路節點的供應商、無線通道的一或多個特徵的類型、無線通道的類型或其任意組合。
條款13。根據條款1至12中任一項之方法,其中:第一網路節點是使用者設備(UE),並且第二網路節點是傳輸接收點(TRP)。
條款14。根據條款1至12中任一項之方法,其中:第一網路節點是TRP,並且第二網路節點是UE。
條款15。根據條款1至14中任一項之方法,其中網路實體是位置伺服器。
條款16。一種由網路實體執行的通訊的方法,包括以下步驟:向第一網路節點傳輸一或多個請求位置資訊訊息,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習來匯出第一網路節點與第二網路節點之間的無線通道的一或多個特徵;及從第一網路節點接收一或多個提供位置資訊訊息,其中一或多個提供位置資訊訊息包括無線通道的一或多個特徵,並且其中無線通道的一或多個特徵是基於機器學習模型匯出的。
條款17。根據條款16之方法,其中一或多個請求位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款18。根據條款16至17中任一項之方法,其中一或多個請求位置資訊訊息包括複數個機器學習模型的複數個辨識符。
條款19。根據條款16至18中任一項之方法,其中一或多個請求位置資訊訊息包括要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符。
條款20。根據條款16至19中任一項之方法,其中一或多個提供位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款21。根據條款16至20中任一項之方法,其中一或多個提供位置資訊訊息包括:要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符以及網路側機器學習模型的參數集的辨識符。
條款22。根據條款16至21中任一項之方法,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於機器學習的定位程序。
條款23。根據條款16至22中任一項之方法,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於蜂巢的定位程序。
條款24。根據條款23之方法,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習模型來基於一或多個請求位置資訊訊息匯出無線通道的一或多個特徵,該一或多個請求位置資訊訊息包括標誌,該標誌配置第一網路節點報告無線通道的一或多個特徵作為用於基於蜂巢的定位程序的定位量測。
條款25。根據條款16至24中任一項之方法,其中機器學習模型特定於:第二網路節點、第二網路節點的類型、第二網路節點的供應商、無線通道的一或多個特徵的類型、無線通道的類型或其任意組合。
條款26。根據條款16至25中任一項之方法,其中:第一網路節點是使用者設備(UE),並且第二網路節點是傳輸接收點(TRP)。
條款27。根據條款16至25中任一項之方法,其中:第一網路節點是TRP,並且第二網路節點是UE。
條款28。根據條款16至27中任一項之方法,其中網路實體是位置伺服器。
條款29。一種第一網路節點,包括:記憶體;至少一個收發器;及通訊地耦合到記憶體和至少一個收發器的至少一個處理器,該至少一個處理器被配置為:經由至少一個收發器從網路實體接收一或多個請求位置資訊訊息,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習來匯出第一網路節點與第二網路節點之間的無線通道的一或多個特徵;及經由至少一個收發器向網路實體傳輸一或多個提供位置資訊訊息,其中一或多個提供位置資訊訊息包括無線通道的一或多個特徵,並且其中無線通道的一或多個特徵是基於機器學習模型匯出的。
條款30。根據條款29之第一網路節點,其中一或多個請求位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款31。根據條款29至30中任一項之第一網路節點,其中至少一個處理器亦被配置為:從網路實體或機器學習模型儲存庫伺服器獲得機器學習模型。
條款32。根據條款29至31中任一項之第一網路節點,其中:一或多個請求位置資訊訊息包括複數個機器學習模型的複數個辨識符,並且機器學習模型被選擇以基於配置到第一網路節點的一或多個規則來匯出無線通道的一或多個特徵。
條款33。根據條款29至32中任一項之第一網路節點,其中:一或多個請求位置資訊訊息包括要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符,並且機器學習模型被選擇以基於機器學習模型與網路側機器學習模型相容來匯出無線通道的一或多個特徵。
條款34。根據條款29至33中任一項之第一網路節點,其中一或多個提供位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款35。根據條款29至34中任一項之第一網路節點,其中一或多個提供位置資訊訊息包括:要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符以及網路側機器學習模型的參數集的辨識符。
條款36。根據條款29至35中任一項之第一網路節點,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於機器學習的定位程序。
條款37。根據條款29至35中任一項之第一網路節點,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於蜂巢的定位程序。
條款38。根據條款37之第一網路節點,其中基於蜂巢的定位程序包括下行鏈路到達時間差(DL-TDOA)定位程序、往返時間(RTT)定位程序、增強型細胞辨識符(ECID)定位程序、下行鏈路到達角(DL-AOD)定位程序或其任意組合。
條款39。根據條款37至38中任一項之第一網路節點,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習模型來基於一或多個請求位置資訊訊息匯出無線通道的一或多個特徵,該一或多個請求位置資訊訊息包括標誌,該標誌配置第一網路節點報告無線通道的一或多個特徵作為基於蜂巢的定位程序的定位量測。
條款40。根據條款29至39中任一項之第一網路節點,其中機器學習模型特定於:第二網路節點、第二網路節點的類型、第二網路節點的供應商、無線通道的一或多個特徵的類型、無線通道的類型或其任意組合。
條款41。根據條款29至40中任一項之第一網路節點,其中:第一網路節點是使用者設備(UE),並且第二網路節點是傳輸接收點(TRP)。
條款42。根據條款29至40中任一項之第一網路節點,其中:第一網路節點是TRP,並且第二網路節點是UE。
條款43。根據條款29至42中任一項之第一網路節點,其中網路實體是位置伺服器。
條款44。一種網路實體,包括:記憶體;至少一個收發器;及通訊地耦合到記憶體和至少一個收發器的至少一個處理器,該至少一個處理器被配置為:經由至少一個收發器向第一網路節點傳輸一或多個請求位置資訊訊息,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習來匯出第一網路節點與第二網路節點之間的無線通道的一或多個特徵;及經由至少一個收發器從第一網路節點接收一或多個提供位置資訊訊息,其中一或多個提供位置資訊訊息包括無線通道的一或多個特徵,並且其中無線通道的一或多個特徵是基於機器學習模型匯出的。
條款45。根據條款44之網路實體,其中一或多個請求位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款46。根據條款44至45中任一項之網路實體,其中一或多個請求位置資訊訊息包括複數個機器學習模型的複數個辨識符。
條款47。根據條款44至46中任一項之網路實體,其中一或多個請求位置資訊訊息包括要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符。
條款48。根據條款44至47中任一項之網路實體,其中一或多個提供位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款49。根據條款44至48中任一項之網路實體,其中一或多個提供位置資訊訊息包括:要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符以及網路側機器學習模型的參數集的辨識符。
條款50。根據條款44至49中任一項之網路實體,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於機器學習的定位程序。
條款51。根據條款44至50中任一項之網路實體,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於蜂巢的定位程序。
條款52。根據條款51之網路實體,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習模型來基於一或多個請求位置資訊訊息匯出無線通道的一或多個特徵,該一或多個請求位置資訊訊息包括標誌,該標誌配置第一網路節點報告無線通道的一或多個特徵作為基於蜂巢的定位程序的定位量測。
條款53。根據條款44至52中任一項之網路實體,其中機器學習模型特定於:第二網路節點、第二網路節點的類型、第二網路節點的供應商、無線通道的一或多個特徵的類型、無線通道的類型或其任意組合。
條款54。根據條款44至53中任一項之網路實體,其中:第一網路節點是使用者設備(UE),並且第二網路節點是傳輸接收點(TRP)。
條款55。根據條款44至53中任一項之網路實體,其中:第一網路節點是TRP,並且第二網路節點是UE。
條款56。根據條款44至55中任一項之網路實體,其中網路實體是位置伺服器。
條款57。一種第一網路節點,包括:用於從網路實體接收一或多個請求位置資訊訊息的構件,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習來匯出第一網路節點與第二網路節點之間的無線通道的一或多個特徵;及用於向網路實體傳輸一或多個提供位置資訊訊息的構件,其中一或多個提供位置資訊訊息包括無線通道的一或多個特徵,並且其中無線通道的一或多個特徵是基於機器學習模型匯出的。
條款58。根據條款57之第一網路節點,其中一或多個請求位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款59。根據條款57至58中任一項之第一網路節點,亦包括:用於從網路實體或機器學習模型儲存庫伺服器獲得機器學習模型的構件。
條款60。根據條款57至59中任一項之第一網路節點,其中:一或多個請求位置資訊訊息包括複數個機器學習模型的複數個辨識符,並且機器學習模型被選擇以基於配置到第一網路節點的一或多個規則來匯出無線通道的一或多個特徵。
條款61。根據條款57至60中任一項之第一網路節點,其中:一或多個請求位置資訊訊息包括要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符,並且機器學習模型被選擇以基於機器學習模型與網路側機器學習模型相容來匯出無線通道的一或多個特徵。
條款62。根據條款57至61中任一項之第一網路節點,其中一或多個提供位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款63。根據條款57至62中任一項之第一網路節點,其中一或多個提供位置資訊訊息包括:要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符以及網路側機器學習模型的參數集的辨識符。
條款64。根據條款57至63中任一項之第一網路節點,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於機器學習的定位程序。
條款65。根據條款57至63中任一項之第一網路節點,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於機器學習的定位程序。
條款66。根據條款65之第一網路節點,其中基於蜂巢的定位程序包括下行鏈路到達時間差(DL-TDOA)定位程序、往返時間(RTT)定位程序、增強型細胞辨識符(ECID)定位程序、下行鏈路到達角(DL-AOD)定位程序或其任意組合。
條款67。根據條款65至66中任一項之第一網路節點,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習模型來基於一或多個請求位置資訊訊息匯出無線通道的一或多個特徵,該一或多個請求位置資訊訊息包括標誌,該標誌配置第一網路節點報告無線通道的一或多個特徵作為用於基於蜂巢的定位程序的定位量測。
條款68。根據條款57至67中任一項之第一網路節點,其中機器學習模型特定於:第二網路節點、第二網路節點的類型、第二網路節點的供應商、無線通道的一或多個特徵的類型、無線通道的類型或其任意組合。
條款69。根據條款57至68中任一項之第一網路節點,其中:第一網路節點是使用者設備(UE),並且第二網路節點是傳輸接收點(TRP)。
條款70。根據條款57至68中任一項之第一網路節點,其中:第一網路節點是TRP,並且第二網路節點是UE。
條款71。根據條款57至70中任一項之第一網路節點,其中網路實體是位置伺服器。
條款72。一種網路實體,包括:用於向第一網路節點傳輸一或多個請求位置資訊訊息的構件,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習來匯出第一網路節點與第二網路節點之間的無線通道的一或多個特徵;及用於從第一網路節點接收一或多個提供位置資訊訊息的構件,其中一或多個提供位置資訊訊息包括無線通道的一或多個特徵,並且其中無線通道的一或多個特徵是基於機器學習模型匯出的。
條款73。根據條款72之網路實體,其中一或多個請求位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款74。根據條款72至73中任一項之網路實體,其中一或多個請求位置資訊訊息包括複數個機器學習模型的複數個辨識符。
條款75。根據條款72至74中任一項之網路實體,其中一或多個請求位置資訊訊息包括要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符。
條款76。根據條款72至75中任一項之網路實體,其中一或多個提供位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款77。根據條款72至76中任一項之網路實體,其中一或多個提供位置資訊訊息包括:要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符以及網路側機器學習模型的參數集的辨識符。
條款78。根據條款72至77中任一項之網路實體,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息是用於基於機器學習的定位程序。
條款79。根據條款72至78中任一項之網路實體,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於蜂巢的定位程序。
條款80。根據條款79之網路實體,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習模型來基於一或多個請求位置資訊訊息匯出無線通道的一或多個特徵,該一或多個請求位置資訊訊息包括標誌,該標誌配置第一網路節點報告無線通道的一或多個特徵作為基於蜂巢的定位程序的定位量測。
條款81。根據條款72至80中任一項之網路實體,其中機器學習模型特定於:第二網路節點、第二網路節點的類型、第二網路節點的供應商、無線通道的一或多個特徵的類型、無線通道的類型或其任意組合。
條款82。根據條款72至81中任一項之網路實體,其中:第一網路節點是使用者設備(UE),並且第二網路節點是傳輸接收點(TRP)。
條款83。根據條款72至81中任一項之網路實體,其中:第一網路節點是TRP,並且第二網路節點是UE。
條款84。根據條款72至83中任一項之網路實體,其中網路實體是位置伺服器。
條款85。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第一網路節點執行時使第一網路節點:從網路實體接收一或多個請求位置資訊訊息,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習來匯出第一網路節點與第二網路節點之間的無線通道的一或多個特徵;及向網路實體傳輸一或多個提供位置資訊訊息,其中一或多個提供位置資訊訊息包括無線通道的一或多個特徵,並且其中無線通道的一或多個特徵是基於機器學習模型匯出的。
條款86。根據條款85之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款87。根據條款85至86中任一項之非暫時性電腦可讀取媒體,亦包括電腦可執行指令,該等電腦可執行指令在由第一網路節點執行時使第一網路節點:從網路實體或機器學習模型儲存庫伺服器獲得機器學習模型。
條款88。根據條款85至87中任一項之非暫時性電腦可讀取媒體,其中:一或多個請求位置資訊訊息包括複數個機器學習模型的複數個辨識符,並且機器學習模型被選擇以基於配置到第一網路節點的一或多個規則來匯出無線通道的一或多個特徵。
條款89。根據條款85至88中任一項之非暫時性電腦可讀取媒體,其中:一或多個請求位置資訊訊息包括要用於對無線通道的一或多個特徵解碼的網路側機器學習模型的辨識符,並且機器學習模型被選擇以基於機器學習模型與網路側機器學習模型相容來匯出無線通道的一或多個特徵。
條款90。根據條款85至89中任一項之非暫時性電腦可讀取媒體,其中一或多個提供位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款91。根據條款85至90中任一項之非暫時性電腦可讀取媒體,其中一或多個提供位置資訊訊息包括:要用於對無線通道的一或多個特徵解碼的網路側機器學習模型的辨識符以及網路側機器學習模型的參數集的辨識符。
條款92。根據條款85至91中任一項之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於機器學習的定位程序。
條款93。根據條款85至91中任一項之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於蜂巢的定位程序。
條款94。根據條款93之非暫時性電腦可讀取媒體,其中基於蜂巢的定位程序包括下行鏈路到達時間差(DL-TDOA)定位程序、往返時間(RTT)定位程序、增強型細胞辨識符(ECID)定位程序、下行鏈路到達角(DL-AOD)定位程序或其任意組合。
條款95。根據條款93至94中任一項之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習模型來基於一或多個請求位置資訊訊息匯出無線通道的一或多個特徵,該一或多個請求位置資訊訊息包括標誌,該標誌配置第一網路節點報告無線通道的一或多個特徵作為用於基於蜂巢的定位程序的定位量測。
條款96。根據條款85至95中任一項之非暫時性電腦可讀取媒體,其中機器學習模型特定於:第二網路節點、第二網路節點的類型、第二網路節點的供應商、無線通道的一或多個特徵的類型、無線通道的類型或其任意組合。
條款97。根據條款85至96中任一項之非暫時性電腦可讀取媒體,其中:第一網路節點是使用者設備(UE),並且第二網路節點是傳輸接收點(TRP)。
條款98。根據條款85至96中任一項之非暫時性電腦可讀取媒體,其中:第一網路節點是TRP,並且第二網路節點是UE。
條款99。根據條款85至98中任一項之非暫時性電腦可讀取媒體,其中網路實體是位置伺服器。
條款100。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實體執行時使網路實體:向第一網路節點傳輸一或多個請求位置資訊訊息,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習來匯出第一網路節點與第二網路節點之間的無線通道的一或多個特徵;及從第一網路節點接收一或多個提供位置資訊訊息,其中一或多個提供位置資訊訊息包括無線通道的一或多個特徵,並且其中無線通道的一或多個特徵是基於機器學習模型匯出的。
條款101。根據條款100之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款102。根據條款100至101中任一項之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息包括複數個機器學習模型的複數個辨識符。
條款103。根據條款100至102中任一項之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息包括要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符。
條款104。根據條款100至103中任一項之非暫時性電腦可讀取媒體,其中一或多個提供位置資訊訊息包括:機器學習模型的辨識符以及機器學習模型的參數集的辨識符。
條款105。根據條款100至104中任一項之非暫時性電腦可讀取媒體,其中一或多個提供位置資訊訊息包括:要用於對無線通道的一或多個特徵進行解碼的網路側機器學習模型的辨識符以及網路側機器學習模型的參數集的辨識符。
條款106。根據條款100至105中任一項之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於機器學習的定位程序。
條款107。根據條款100至106中任一項之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息和一或多個提供位置資訊訊息用於基於蜂巢的定位程序。
條款108。根據條款107之非暫時性電腦可讀取媒體,其中一或多個請求位置資訊訊息配置第一網路節點使用機器學習模型來基於一或多個請求位置資訊訊息匯出無線通道的一或多個特徵,該一或多個請求位置資訊訊息包括標誌,該標誌配置第一網路節點報告無線通道的一或多個特徵作為用於基於蜂巢的定位程序的定位量測。
條款109。根據條款100至108中任一項之非暫時性電腦可讀取媒體,其中機器學習模型特定於:第二網路節點、第二網路節點的類型、第二網路節點的供應商、無線通道的一或多個特徵的類型、無線通道的類型或其任意組合。
條款110。根據條款100至109中任一項之非暫時性電腦可讀取媒體,其中:第一網路節點是使用者設備(UE),並且第二網路節點是傳輸接收點(TRP)。
條款111。根據條款100至109中任一項之非暫時性電腦可讀取媒體,其中:第一網路節點是TRP,並且第二網路節點是UE。
條款112。根據條款100至111中任一項之非暫時性電腦可讀取媒體,其中網路實體是位置伺服器。
熟習此項技術者將理解,可以使用各種不同技術和技藝中的任何一種來表示資訊和信號。例如,在以上整個描述中可能引用的資料、指令、命令、資訊、信號、位元、符號和碼片可以由電壓、電流、電磁波、磁場或粒子、光場或粒子或其任意組合來表示。
此外,熟習此項技術者應當明白,結合本文所揭示的各態樣描述的各種說明性的邏輯區塊、模組、電路和演算法步驟均可以實現為電子硬體、電腦軟體或二者的組合。為了清楚地表示硬體和軟體之間的此種可互換性,上文對各種說明性的元件、方塊、模組、電路和步驟均圍繞其功能進行了整體描述。此種功能被實現為硬體還是軟體,取決於特定的應用和施加在整體系統上的設計約束。熟習此項技術者可以針對每個特定應用以不同方式實現所描述的功能,但是此種實現決定不應解釋為導致偏離本案的範疇。
結合本文所揭示的各態樣描述的各種說明性的邏輯區塊、模組和電路可以用被設計為執行本文所述功能的通用處理器、數位信號處理器(DSP)、ASIC、現場可程式設計閘陣列(FPGA)或其他可程式設計邏輯設備、個別閘門或者電晶體邏輯、個別硬體元件或者其任意組合來實現或者執行。通用處理器可以是微處理器,但是在替代方案中,該處理器亦可以是任何習知的處理器、控制器、微控制器或者狀態機。處理器亦可以被實現為計算設備的組合,例如,DSP與微處理器的組合、複數個微處理器、一或多個微處理器結合DSP核或者任何其他此種配置。
結合本文所揭示的各態樣描述的方法、序列及/或演算法可以直接體現為硬體、由處理器執行的軟體模組或者二者的組合。軟體模組可以位於隨機存取記憶體(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或者本領域已知的任何其他形式的儲存媒體中。示例性儲存媒體耦合到處理器,使得處理器可以從儲存媒體讀取資訊和將資訊寫入儲存媒體。在替代方案中,儲存媒體可以整合到處理器。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。在替代方案中,處理器和儲存媒體可以作為個別元件常駐在使用者終端中。
在一或多個示例性態樣,所描述的功能可以用硬體、軟體、韌體或者其任意組合來實現。當利用軟體來實現時,可以將功能儲存在電腦可讀取媒體上,或者經由電腦可讀取媒體上的一或多個指令或代碼來傳輸。電腦可讀取媒體包括電腦儲存媒體和通訊媒體兩者,包括促進將電腦程式從一處傳輸到另一處的任何媒體。儲存媒體可以是電腦能夠存取的任何可用媒體。經由實例的方式而不是限制的方式,此種電腦可讀取媒體可以包括RAM、ROM、EEPROM、CD-ROM或其他光碟儲存、磁碟儲存媒體或其他磁儲存設備,或者可以用於攜帶或儲存具有指令或資料結構形式的期望的程式碼並能夠由電腦進行存取的任何其他媒體。此外,任何連接均適當地稱為電腦可讀取媒體。例如,若使用同軸電纜、光纖電纜、雙絞線、數位用戶線(DSL)或諸如紅外、無線電和微波的無線技術從網站、伺服器或其他遠端源傳輸軟體,則同軸電纜、光纖電纜、雙絞線、DSL或諸如紅外、無線電和微波的無線技術被包括在媒體的定義中。如本文所用,磁碟和光碟包括壓縮光碟(CD)、鐳射光碟、光碟、數位多功能光碟(DVD)、軟碟和藍光光碟,其中磁碟通常磁性地再現資料,而光碟則用鐳射來光學地再現資料。以上的組合亦應該被包括在電腦可讀取媒體的範疇內。
儘管前述揭示內容圖示本案的說明性態樣,但是應當注意,在不脫離由所附請求項限定的本案的範疇的情況下,可以在本文中做各種改變和修改。根據本文所描述的本案的各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順序執行。此外,儘管可以以單數形式描述或主張保護本案的元素,但除非明確聲明限制為單數,否則涵蓋複數形式。
100:無線通訊系統
102:基地站
102':小細胞基地站
104:UE
110:地理覆蓋區域
110':地理覆蓋區域
112: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:WLAN AP
152:WLAN STA
154:通訊鏈路
160:無線側鏈路
164:UE
170:核心網路
172:位置伺服器
180:毫米波基地站
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:使用者平面功能
213:NG-U
214:控制平面功能
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-CU
228:gNB-DU
229:gNB-RU
230:位置伺服器
232:介面
240:無線網路結構
250:分散化基地站架構
255:SMO框架
257:非RT RIC
259:近RT RIC
260:5GC
261:開放式eNB(O-eNB)
262:使用者平面功能(UPF)
263:使用者平面介面
264:AMF
265:控制平面介面
266:SMF
267:核心網路
269:開放雲端(O-雲端)
270:LMF
272:SLP
274:第三方伺服器
280:CU
285:DU
287:RU
302:UE
304:基地站
306:網路實體
310:WWAN收發器
312:接收器
314:傳輸器
316:天線
318:信號
320:短程無線收發器
322:接收器
324:傳輸器
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:定位元件
344:感測器
346:使用者介面
350:WWAN收發器
352:接收器
354:傳輸器
356:天線
358:信號
360:短程無線收發器
362:接收器
364:傳輸器
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:定位元件
390:網路收發器
392:資料匯流排
394:處理器
396:記憶體
398:定位元件
410:場景
420:場景
430:場景
440:場景
500:LPP程序
502:服務gNB
504:UE
510:階段
520:階段
530:階段
540:階段
550:階段
560:階段
570:LMF
600:圖
700:圖
800:神經網路
900:IE
1000:IE
1100:方法
1110:步驟
1120:步驟
1200:方法
1210:步驟
1220:步驟
A1:介面
E2:鏈路
F1:介面
Fx:介面
h1:隱藏層
h2:隱藏層
h3:隱藏層
i:輸入層
LOS:視距
N2:介面
N3:介面
NLOS:非視距
o:輸出層
O1:介面
O2:介面
R:參考信號
RTT1:往返時間
RTT2:往返時間
RTT3:往返時間
TRP1:傳輸接收點
TRP2:傳輸接收點
TRP3:傳輸接收點
Xn-C:介面
提供附圖以幫助描述本案的各個態樣,並且僅用於說明該等態樣而不是對其進行限制。
圖1圖示根據本案的各態樣的示例性無線通訊系統。
圖2A、圖2B和圖2C圖示根據本案的各態樣的示例性無線網路結構。
圖3A、圖3B和圖3C是可以分別在使用者設備(UE)、基地站和網路實體中採用的且被配置為支援如本文所教示的通訊的元件的若干示例性態樣的簡化方塊圖。
圖4圖示根據本案的各態樣的新無線電(NR)中支援的各種定位方法的實例。
圖5圖示根據本案的各態樣的用於執行定位操作的UE與位置伺服器之間的示例性長期進化(LTE)定位協定(LPP)程序。
圖6是圖示根據本案的各態樣的示例性訊框結構的圖。
圖7是表示根據本案的各態樣的示例性射頻(RF)通道估計的圖。
圖8圖示根據本案的各態樣的示例性神經網路。
圖9圖示根據本案的各態樣的針對位置資訊訊息的請求中的基於機器學習的資訊元素。
圖10圖示根據本案的各態樣的可以添加到現有定位方法的請求位置資訊訊息中的基於機器學習的參數。
圖11和圖12圖示根據本案的各態樣的無線通訊的示例性方法。
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
1100:方法
1110:步驟
1120:步驟
Claims (30)
- 一種由一第一網路節點執行的無線通訊的方法,包括以下步驟: 從一網路實體接收一或多個請求位置資訊訊息,其中該一或多個請求位置資訊訊息配置該第一網路節點使用機器學習來匯出該第一網路節點與一第二網路節點之間的一無線通道的一或多個特徵;及 向該網路實體傳輸一或多個提供位置資訊訊息,其中該一或多個提供位置資訊訊息包括該無線通道的該一或多個特徵,並且其中該無線通道的該一或多個特徵是基於一機器學習模型匯出的。
- 根據請求項1之方法,其中該一或多個請求位置資訊訊息包括: 該機器學習模型的一辨識符;及 該機器學習模型的一參數集的一辨識符。
- 根據請求項1之方法,亦包括以下步驟: 從該網路實體或一機器學習模型儲存庫伺服器獲得該機器學習模型。
- 根據請求項1之方法,其中: 該一或多個請求位置資訊訊息包括複數個機器學習模型的複數個辨識符,並且 該機器學習模型被選擇以基於配置到該第一網路節點的一或多個規則來匯出該無線通道的該一或多個特徵。
- 根據請求項1之方法,其中: 該一或多個請求位置資訊訊息包括要用於對該無線通道的該一或多個特徵進行解碼的一網路側機器學習模型的一辨識符,並且 該機器學習模型被選擇以基於該機器學習模型與該網路側機器學習模型相容來匯出該無線通道的該一或多個特徵。
- 根據請求項1之方法,其中該一或多個提供位置資訊訊息包括: 該機器學習模型的一辨識符;及 該機器學習模型的一參數集的一辨識符。
- 根據請求項1之方法,其中該一或多個提供位置資訊訊息包括: 要用於對該無線通道的該一或多個特徵進行解碼的一網路側機器學習模型的一辨識符;及 該網路側機器學習模型的一參數集的一辨識符。
- 根據請求項1之方法,其中該一或多個請求位置資訊訊息和該一或多個提供位置資訊訊息用於一基於機器學習的定位程序。
- 根據請求項1之方法,其中該一或多個請求位置資訊訊息和該一或多個提供位置資訊訊息用於一基於蜂巢的定位程序。
- 根據請求項9之方法,其中該基於蜂巢的定位程序包括一下行鏈路到達時間差定位程序、一往返時間定位程序、一增強型細胞辨識符定位程序、一下行鏈路到達角定位程序或其任意組合。
- 根據請求項9之方法,其中該一或多個請求位置資訊訊息配置該第一網路節點使用該機器學習模型來基於該一或多個請求位置資訊訊息匯出該無線通道的該一或多個特徵,該一或多個請求位置資訊訊息包括一標誌,該標誌配置該第一網路節點報告該無線通道的該一或多個特徵作為該基於蜂巢的定位程序的定位量測。
- 根據請求項1之方法,其中該機器學習模型特定於: 該第二網路節點, 該第二網路節點的一類型, 該第二網路節點的一供應商, 該無線通道的該一或多個特徵的一類型, 該無線通道的一類型,或 其任意組合。
- 根據請求項1之方法,其中: 該第一網路節點是一使用者設備,並且 該第二網路節點是一傳輸接收點。
- 根據請求項1之方法,其中: 該第一網路節點是一傳輸接收點,並且 該第二網路節點是一使用者設備。
- 根據請求項1之方法,其中該網路實體是一位置伺服器。
- 一種由一網路實體執行的通訊的方法,包括以下步驟: 向一第一網路節點傳輸一或多個請求位置資訊訊息,其中該一或多個請求位置資訊訊息配置該第一網路節點使用機器學習來匯出該第一網路節點與一第二網路節點之間的一無線通道的一或多個特徵;及 從該第一網路節點接收一或多個提供位置資訊訊息,其中該一或多個提供位置資訊訊息包括該無線通道的該一或多個特徵,並且其中該無線通道的該一或多個特徵是基於一機器學習模型匯出的。
- 根據請求項16之方法,其中該一或多個請求位置資訊訊息包括: 該機器學習模型的一辨識符;及 該機器學習模型的一參數集的一辨識符。
- 根據請求項16之方法,其中該一或多個請求位置資訊訊息包括複數個機器學習模型的複數個辨識符。
- 根據請求項16之方法,其中該一或多個請求位置資訊訊息包括要用於對該無線通道的該一或多個特徵進行解碼的一網路側機器學習模型的一辨識符。
- 根據請求項16之方法,其中該一或多個提供位置資訊訊息包括: 該機器學習模型的一辨識符;及 該機器學習模型的一參數集的一辨識符。
- 根據請求項16之方法,其中該一或多個提供位置資訊訊息包括: 要用於對該無線通道的該一或多個特徵進行解碼的一網路側機器學習模型的一辨識符;及 該網路側機器學習模型的一參數集的一辨識符。
- 根據請求項16之方法,其中該一或多個請求位置資訊訊息和該一或多個提供位置資訊訊息用於一基於機器學習的定位程序。
- 根據請求項16之方法,其中該一或多個請求位置資訊訊息和該一或多個提供位置資訊訊息用於基於蜂巢的定位程序。
- 根據請求項23之方法,其中該一或多個請求位置資訊訊息配置該第一網路節點使用該機器學習模型來基於該一或多個請求位置資訊訊息匯出該無線通道的該一或多個特徵,該一或多個請求位置資訊訊息包括一標誌,該標誌配置該第一網路節點報告該無線通道的該一或多個特徵作為用於該基於蜂巢的定位程序的定位量測。
- 根據請求項16之方法,其中該機器學習模型特定於: 該第二網路節點, 該第二網路節點的一類型, 該第二網路節點的一供應商, 該無線通道的該一或多個特徵的一類型, 該無線通道的一類型,或 其任意組合。
- 根據請求項16之方法,其中: 該第一網路節點是一使用者設備,並且 該第二網路節點是一傳輸接收點。
- 根據請求項16之方法,其中: 該第一網路節點是一傳輸接收點,並且 該第二網路節點是一使用者設備。
- 根據請求項16之方法,其中該網路實體是一位置伺服器。
- 一種第一網路節點,包括: 一記憶體; 至少一個收發器;及 通訊地耦合到該記憶體和該至少一個收發器的至少一個處理器,該至少一個處理器被配置為: 經由該至少一個收發器從一網路實體接收一或多個請求位置資訊訊息,其中該一或多個請求位置資訊訊息配置該第一網路節點使用機器學習來匯出該第一網路節點與一第二網路節點之間的一無線通道的一或多個特徵;及 經由該至少一個收發器向該網路實體傳輸一或多個提供位置資訊訊息,其中該一或多個提供位置資訊訊息包括該無線通道的該一或多個特徵,並且其中該無線通道的該一或多個特徵是基於一機器學習模型匯出的。
- 一種網路實體,包括: 一記憶體; 至少一個收發器;及 通訊地耦合到該記憶體和該至少一個收發器的至少一個處理器,該至少一個處理器被配置為: 經由該至少一個收發器向一第一網路節點傳輸一或多個請求位置資訊訊息,其中該一或多個請求位置資訊訊息配置該第一網路節點使用機器學習來匯出該第一網路節點與一第二網路節點之間的一無線通道的一或多個特徵;及 經由該至少一個收發器從該第一網路節點接收一或多個提供位置資訊訊息,其中該一或多個提供位置資訊訊息包括該無線通道的該一或多個特徵,並且其中該無線通道的該一或多個特徵是基於一機器學習模型匯出的。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GR20220100355 | 2022-04-29 | ||
GR20220100355 | 2022-04-29 | ||
WOPCT/US23/19926 | 2023-04-26 | ||
PCT/US2023/019926 WO2023212017A1 (en) | 2022-04-29 | 2023-04-26 | Reporting framework for machine learning-based measurement for positioning |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202349992A true TW202349992A (zh) | 2023-12-16 |
Family
ID=86605840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112115758A TW202349992A (zh) | 2022-04-29 | 2023-04-27 | 用於基於機器學習的定位用量測的報告框架 |
Country Status (2)
Country | Link |
---|---|
TW (1) | TW202349992A (zh) |
WO (1) | WO2023212017A1 (zh) |
-
2023
- 2023-04-26 WO PCT/US2023/019926 patent/WO2023212017A1/en unknown
- 2023-04-27 TW TW112115758A patent/TW202349992A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023212017A1 (en) | 2023-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2023537254A (ja) | ユーザ機器の測位のためのニューラルネットワーク機能の選択的トリガ | |
KR20230030584A (ko) | 측정 갭들의 동적 구성 | |
TW202147887A (zh) | 隨選定位參考訊號及每一頻帶部署態樣 | |
JP2023537575A (ja) | ユーザ機器における測位測定データ処理のためのニューラルネットワーク機能 | |
KR20230011286A (ko) | 포지셔닝 기준 신호(prs) 측정들을 위한 보고 입도 및 측정 기간 | |
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 | |
CN116325991A (zh) | 上行链路中定位相关报告的优先化 | |
TW202239249A (zh) | 影響用於定位的量測週期制定的因素 | |
TW202348069A (zh) | 網路輔助並且基於往返射頻指紋(rffp)的定位估計 | |
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 | |
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 | |
JP2023546372A (ja) | 時間角度チャネルプロファイルの基地局サーバ間シグナリング | |
TW202349992A (zh) | 用於基於機器學習的定位用量測的報告框架 | |
US20240129879A1 (en) | Bandwidth aggregation for radio frequency fingerprint positioning | |
US20240019528A1 (en) | Positioning model failure detection | |
US20240133995A1 (en) | Positioning model training based on radio frequency fingerprint positioning (rffp) measurements corresponding to position displacements | |
US20240036146A1 (en) | User equipment (ue) handling of delayed sounding reference signal (srs) configuration for downlink-and-uplink-based positioning methods | |
US20230422278A1 (en) | User equipment (ue) positioning with frequency domain windowing | |
TW202408292A (zh) | 射頻指紋(rffp)聯合學習的節點選擇 | |
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 | |
TW202404399A (zh) | 定位模型報告 | |
TW202348066A (zh) | 機器學習模型定位效能監控和報告 | |
TW202404384A (zh) | 基於連接智慧邊緣(cie)的定位過程 |