WO2023088423A1 - 定位方法、装置、终端及网络侧设备 - Google Patents

定位方法、装置、终端及网络侧设备 Download PDF

Info

Publication number
WO2023088423A1
WO2023088423A1 PCT/CN2022/132857 CN2022132857W WO2023088423A1 WO 2023088423 A1 WO2023088423 A1 WO 2023088423A1 CN 2022132857 W CN2022132857 W CN 2022132857W WO 2023088423 A1 WO2023088423 A1 WO 2023088423A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
model
positioning
machine learning
error
Prior art date
Application number
PCT/CN2022/132857
Other languages
English (en)
French (fr)
Inventor
庄子荀
王园园
司晔
邬华明
孙鹏
Original Assignee
维沃移动通信有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 维沃移动通信有限公司 filed Critical 维沃移动通信有限公司
Publication of WO2023088423A1 publication Critical patent/WO2023088423A1/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • 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
    • 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

Definitions

  • the present application belongs to the technical field of communication, and specifically relates to a positioning method, device, terminal and network side equipment.
  • Embodiments of the present application provide a positioning method, device, terminal, and network-side equipment, which can solve the problem of low positioning accuracy of positioning methods in related technologies.
  • a positioning method including:
  • the terminal determines the configuration information
  • the terminal performs at least one of the following operations according to the configuration information:
  • a positioning method which includes:
  • the network side device sends configuration information, where the configuration information is used by the terminal to perform positioning and/or the terminal reports positioning information.
  • a positioning device including:
  • a determining module configured to determine configuration information
  • An execution module configured to perform at least one of the following operations according to the configuration information:
  • a positioning device including:
  • a sending module configured to send configuration information, where the configuration information is used for the terminal to perform positioning and/or the terminal to report positioning information.
  • a terminal in a fifth aspect, includes a processor and a memory, the memory stores programs or instructions that can run on the processor, and when the programs or instructions are executed by the processor, the following The steps of the method in one aspect.
  • a terminal including a processor and a communication interface, wherein the processor is configured to determine configuration information, and perform at least one of the following operations according to the configuration information: determine first model information, and performing positioning based on the first model information; reporting the positioning information.
  • a network-side device in a seventh aspect, includes a processor and a memory, the memory stores programs or instructions that can run on the processor, and the programs or instructions are executed by the processor When realizing the steps of the method as described in the second aspect.
  • a network side device including a processor and a communication interface, wherein the communication interface is used to send configuration information, and the configuration information is used for positioning by a terminal and/or reporting positioning information by the terminal.
  • a ninth aspect provides a communication system, including: a terminal and a network-side device, the terminal can be used to perform the steps of the positioning method described in the first aspect, and the network-side device can be used to perform the steps of the positioning method described in the second aspect. The steps of the positioning method described above.
  • a readable storage medium is provided, and a program or an instruction is stored on the readable storage medium, and when the program or instruction is executed by a processor, the steps of the method described in the first aspect are implemented, or the steps of the method as described in the first aspect are implemented, or the The steps of the method described in the second aspect.
  • a chip in an eleventh aspect, includes a processor and a communication interface, the communication interface is coupled to the processor, and the processor is used to run a program or an instruction to implement the method described in the first aspect. method, or the steps to implement the method as described in the second aspect.
  • a twelfth aspect provides a computer program/program product, the computer program/program product is stored in a storage medium, and the computer program/program product is executed by at least one processor to implement the The steps of the positioning method described in the second aspect.
  • a communication device configured to execute the steps of the positioning method as described in the first aspect or the second aspect.
  • the terminal determines the configuration information; the terminal performs at least one of the following operations according to the configuration information: determines first model information, and performs positioning according to the first model information; reports positioning information.
  • the terminal can determine the first model information according to the configuration information, so as to select the corresponding model for positioning and improve the positioning accuracy.
  • the terminal can also report the positioning information according to the configuration information, for example, select the corresponding reporting method according to the configuration information to report the positioning information. Solve the problem of how to report location information.
  • FIG. 1 is a structural diagram of a network system provided by an embodiment of the present application.
  • Fig. 2 is a flow chart of the positioning method provided by the embodiment of the present application.
  • Fig. 3 is another flow chart of the positioning method provided by the embodiment of the present application.
  • Fig. 4 is a structural diagram of a first positioning device provided by an embodiment of the present application.
  • Fig. 5 is a structural diagram of a second positioning device provided by an embodiment of the present application.
  • FIG. 6 is a structural diagram of a communication device provided by an embodiment of the present application.
  • FIG. 7 is a structural diagram of a terminal provided in an embodiment of the present application.
  • FIG. 8 is a structural diagram of a network side device provided by an embodiment of the present application.
  • first, second and the like in the specification and claims of the present application are used to distinguish similar objects, and are not used to describe a specific sequence or sequence. It is to be understood that the terms so used are interchangeable under appropriate circumstances such that the embodiments of the application are capable of operation in sequences other than those illustrated or described herein and that "first" and “second” distinguish objects. It is usually one category, and the number of objects is not limited. For example, there may be one or more first objects.
  • “and/or” in the description and claims means at least one of the connected objects, and the character “/” generally means that the related objects are an "or” relationship.
  • LTE Long Term Evolution
  • LTE-Advanced LTE-Advanced
  • LTE-A Long Term Evolution-Advanced
  • CDMA Code Division Multiple Access
  • TDMA Time Division Multiple Access
  • FDMA Frequency Division Multiple Access
  • OFDMA Orthogonal Frequency Division Multiple Access
  • SC-FDMA Single-carrier Frequency Division Multiple Access
  • system and “network” in the embodiments of the present application are often used interchangeably, and the described technology can be used for the above-mentioned system and radio technology, and can also be used for other systems and radio technologies.
  • the following description describes the New Radio (New Radio, NR) system for example purposes, and uses NR terminology in most of the following descriptions, but these techniques can also be applied to applications other than NR system applications, such as the 6th generation (6th Generation , 6G) communication system.
  • 6G 6th generation
  • Fig. 1 shows a block diagram of a wireless communication system to which the embodiment of the present application is applicable.
  • the wireless communication system includes a terminal 11 and a network side device 12 .
  • the terminal 11 can be a mobile phone, a tablet computer (Tablet Personal Computer), a laptop computer (Laptop Computer) or a notebook computer, a personal digital assistant (Personal Digital Assistant, PDA), a palmtop computer, a netbook, a super mobile personal computer (ultra-mobile personal computer, UMPC), mobile Internet device (Mobile Internet Device, MID), augmented reality (augmented reality, AR) / virtual reality (virtual reality, VR) equipment, robot, wearable device (Wearable Device) , Vehicle User Equipment (VUE), Pedestrian User Equipment (PUE), smart home (home equipment with wireless communication functions, such as refrigerators, TVs, washing machines or furniture, etc.), game consoles, personal computers (personal computer, PC), teller machine or self-service machine and other terminal side devices, wearable devices include: smart watches, smart bracelet
  • the network side device 12 may include an access network device or a core network device, where the access network device may also be called a radio access network device, a radio access network (Radio Access Network, RAN), a radio access network function, or a wireless network. access network unit.
  • RAN Radio Access Network
  • RAN Radio Access Network
  • the access network equipment may include a base station, a wireless local area network (Wireless Local Area Networks, WLAN) access point or a wireless fidelity (Wireless Fidelity, WiFi) node, etc.
  • the base station may be called a node B, an evolved node B (eNB), an access network Access Point, Base Transceiver Station (BTS), Radio Base Station, Radio Transceiver, Basic Service Set (BSS), Extended Service Set (ESS), Home Node B, Home Evolution Type B node, Transmitting Receiving Point (Transmitting Receiving Point, TRP) or some other suitable term in the field, as long as the same technical effect is achieved, the base station is not limited to specific technical terms. It should be noted that in this application In the embodiment, only the base station in the NR system is used as an example for introduction, and the specific type of the base station is not limited.
  • FIG. 2 is a flowchart of a positioning method provided by an embodiment of the present application.
  • the positioning method includes:
  • Step 201 the terminal determines configuration information.
  • Step 202 the terminal performs at least one of the following operations according to the configuration information:
  • the terminal may receive configuration information sent by the network side device.
  • the configuration information may or may not include the first model information (in this case, the terminal already has the first model information, or the terminal may acquire the first model in other ways (for example, pre-configuration) information).
  • the terminal can determine the first model information according to the configuration information, and perform positioning according to the first model information.
  • the terminal may also report the obtained positioning information (the positioning information may be obtained according to the first model information, or may be obtained according to other methods, which is not limited here) to the network side according to the configuration information. equipment.
  • positioning can be understood as positioning-related processes, such as determining positioning measurement information, processing positioning measurement information, reporting positioning measurement information; determining positioning errors, processing positioning errors, Report positioning error; determine location information, process location information, report location information, etc.
  • the different first model information can be determined.
  • the different first model information can be specifically: 1) The model types are different. For example, when the models are machine learning models, preprocessing models, and error models, the terminal can different content or configuration methods, determine that the first model information includes machine learning model information, preprocessing model information, or error model information; 2) the input type or output type of the model is different, for example, the terminal can , to determine the input and output of the model, thereby determining the first model information (the first model information includes the input and output of the model); 3) the parameter structure of the model is different, for example, the terminal can determine the model Parameter structure, so as to determine the first model information (the first model information includes the parameter structure of the model); 4) The generalization ability of the model is different.
  • the terminal can determine the first model information according to the content or configuration method of the configuration information.
  • the generalization ability of the model so as to determine the first model information.
  • the configuration information includes positioning reference signal resource configuration information, positioning reference signal resource set configuration information, TRP configuration information, frequency layer configuration information, positioning method configuration information, positioning scene configuration information, etc.;
  • Each positioning reference signal resource configuration per PRS resource
  • each positioning reference signal resource set configuration per PRS resource set
  • each TRP configuration per TRP
  • each frequency layer configuration per Frequency layer
  • each positioning Method configuration per positioning method
  • each positioning scenario configuration per positioning scenario.
  • the terminal determines configuration information; and the terminal performs at least one of the following operations according to the configuration information: determining first model information, and performing positioning according to the first model information; reporting positioning information.
  • the terminal can determine the first model information according to the configuration information, so as to select the corresponding model for positioning and improve the positioning accuracy.
  • the terminal can also report the positioning information according to the configuration information. For example, according to the configuration information, select the corresponding reporting method to report the positioning information.
  • machine learning-based positioning it is possible to specify different models (for example, machine learning models, error model information, or preprocessing models, etc.) or different configurations (different configurations can be understood as configuration information that includes different content or configuration methods). Determine the reporting method of positioning information to avoid ambiguity.
  • the configuration information includes at least one of the following:
  • Positioning reference signal resource configuration information for example, positioning reference signal (Positioning Reference Signal, PRS) resource or sounding reference signal (sounding reference signal, SRS) resource;
  • PRS Positioning Reference Signal
  • SRS sounding reference signal
  • Positioning method configuration information where the positioning method includes but is not limited to: downlink time delay of arrival (DownLink Time delay of arrival, DL-TDOA), multiple round trip time (multi round triptime, multi-RTT), downlink departure Downlink Angle Of Departure (DL-AOD), Enhanced Cell-ID (E-CID), Observed Time Difference of Arrival (OTDOA) positioning, etc.;
  • DownLink Time delay of arrival DL-TDOA
  • multiple round trip time multi round triptime, multi-RTT
  • DL-AOD downlink departure Downlink Angle Of Departure
  • E-CID Enhanced Cell-ID
  • OTDA Observed Time Difference of Arrival
  • Positioning scene configuration information where the positioning scene includes but not limited to: urban macro (Uma), urban micro (UMi), indoor (Indoor), smart factory (Indoor Factory), narrowband Internet of Things (Narrow Band Internet of Things) , NB-IoT), lightweight devices (RedCap), extended reality (Extended Reality, XR), etc.
  • the positioning information includes at least one of the following:
  • Measurement information wherein the measurement information includes at least one of the following: Channel Impulse Response (Channel Impulse Response, CIR), Delay Power Spectrum (Power Delay Profile, PDP),
  • CIR Channel Impulse Response
  • PDP Delay Power Spectrum
  • Reference Signal Time Difference (RSTD), Round-trip Time (RTT), Angle of Arrival (AoA), Reference Signal Received Power (RSRP), Time of Arrival ( Time of Arrival, TOA), the power of the first path; the delay of the first path; the TOA of the first path; the reference signal time difference (Reference Signal Time Difference, RSTD) of the first path; the angle of arrival of the first path; the antenna subcarrier of the first path Phase difference; power of other paths; delay of other paths; TOA of other paths; RSTD of other paths; Line of Sight, NLoS) identification information, root mean square of average excess delay, delay extension, coherent bandwidth, etc.
  • RSTD Reference Signal Time Difference
  • RTT Round-trip Time
  • AoA Angle of Arrival
  • RSRP Reference Signal Received Power
  • TOA Time of Arrival
  • error information includes at least one of the following: measurement error of the measured quantity, error of the model, error of the relevant parameters of the model, and error of the positioning result.
  • Positioning results wherein the positioning results include at least one of the following: absolute position coordinate information calculated by the terminal, relative position coordinate information calculated by the terminal, and coordinate system related information.
  • Machine learning model update information which may include machine learning model parameter updates, machine learning model structure updates, etc.
  • Error model update information which may include update of error model parameters, update of error model structure, etc.
  • Preprocessing model update information which may include updating of preprocessing model parameters, updating of preprocessing model structure, etc.
  • paths other than the first path for example, multipath
  • other paths may include at least one path
  • the maximum number of other paths may include one of the following: 4, 8, 16 , 32, 64 diameters.
  • the method further includes that the terminal receives the first information sent by the network side device;
  • the first information includes at least one of the following:
  • the first model information includes at least one of the following: machine learning model information; error model information; preprocessing model information.
  • indication information where the indication information is used to instruct the terminal to report the positioning information.
  • the indication information is used to indicate at least one of the following:
  • the measurement information includes but is not limited to at least one of the following: CIR, PDP, RSTD, RTT, AoA, RSRP, TOA, the power of the first path; the delay of the first path; TOA; RSTD of the first path; angle of arrival of the first path; antenna subcarrier phase difference of the first path; power of other paths; delay of other paths; TOA of other paths; RSTD of other paths; antenna subcarrier phase of other paths Poor, LoS identification information, NLoS identification information, root mean square of average excess delay, delay spread, coherent bandwidth, etc.;
  • the positioning result includes but is not limited to at least one of the following: absolute position coordinate information calculated by the terminal, relative position coordinate information calculated by the terminal, and coordinate system related information.
  • the first information may be sent separately from the configuration information, or may be sent in the configuration information, and when sent in the configuration information, may be sent in at least one of the following items:
  • the indication information is used to instruct the terminal to report the positioning information. It may be that the indication information only instructs the terminal to report the positioning information, or the indication information indicates the reporting method of the positioning information. Instructing the terminal to report the positioning information, or, the indication information instructing the terminal to report the positioning information, and indicating a reporting manner of the positioning information.
  • the reporting method of the positioning information is determined by at least one of the following:
  • the first model information includes at least one of the following: machine learning model information; error model information; preprocessing model information.
  • the type of the first model information can be determined according to the content of the first model information. For example, the case where the first model information includes machine learning model information and the case where the first model information includes preprocessing model information correspond to different Type: the case where the first model information includes machine learning model information and the case where the first model information includes error model information correspond to different types.
  • the type of the first model information may also be determined according to the included machine learning model information, error model information, or preprocessing model information itself. For example, for machine learning models, models with different input and output volumes have different types; models with different generalization capabilities have different types; model structures and parameter information are also different types;
  • the model types with different input and output are different; the structure and parameter information are also different types; for the error model information, the error type can be different, such as the error is mean square error or Euclidean distance, etc.; model structure Different from the parameter information is also a different type.
  • the reporting method of the positioning information is related to the type of the first model information. For example, if the machine learning model information used or configured is for each positioning reference signal resource, the positioning information is also reported in association with each positioning reference signal resource.
  • the indication information may indicate a reporting manner of the positioning information.
  • the reporting method of positioning information includes at least one of the following:
  • Each positioning reference signal resource is sent;
  • Each positioning reference signal resource set is sent;
  • Each positioning method sends
  • the reporting method of the positioning information is the same as the sending method (ie, sending method) of the indication information. For example, if the indication information is delivered in association with the positioning reference signal resource set, the positioning information is also reported in association with the positioning reference signal resource set.
  • the terminal may also determine the reporting method by itself.
  • the terminal needs to report the identification information corresponding to the target reporting method at the same time, and the target method is the method of the terminal according to the above (1)-(5)
  • the target method is the method of the terminal according to the above (1)-(5)
  • One of the definite reporting methods that is, in the case where the positioning information is reported in a target reporting manner, the positioning information also includes identification information corresponding to the target reporting mode, and the identification information includes at least one of the following:
  • Positioning reference signal resource identification information for example, the identity number (Identity, ID) of the positioning reference signal resource
  • Identification information of the positioning reference signal resource set for example, the ID of the positioning reference signal resource set
  • TRP identification information for example, TRP ID
  • Frequency layer identification information for example, the ID of the frequency layer
  • Positioning method identification information for example, the ID of the positioning method
  • Positioning scene identification information for example, the ID of the positioning scene.
  • the machine learning model information includes at least one of the following:
  • At least one machine learning model may include a common machine learning model, a neural network model or a deep neural network model, and the at least one machine learning model includes at least one of the following:
  • CNN Convolutional Neural Networks
  • RNN Recurrent Neural Network
  • LSTM Long-Short Term Memory
  • RNTN Recursive Neural Tensor Network
  • GAN Generative Adversarial Networks
  • DNN Deep Belief Network
  • the at least one machine learning model includes a multi-step machine learning model (one step may correspond to one machine learning model).
  • the multi-step machine learning model includes at least one of the following:
  • Multi-step machine learning models distinguished by model parameters
  • the multi-step machine learning model may be sent in association with the information included in the configuration information.
  • the multi-step machine learning model may be sent in association with different configuration information according to different model types.
  • the types of the models are different, including different input and output volumes, different generalization capabilities, different model structures and parameter information, etc.; according to different types, each step (each) model in the multi-step machine learning model can be associated with different configuration information Sending, for example, the first step (models) is associated with each positioning method, the second step (models) is associated with each positioning reference signal resource, and so on.
  • the parameters of the at least one machine learning model include at least one of the following: weights of each layer; step size; mean value; variance.
  • the input information of the machine learning model includes at least one of the following:
  • CIR CIR; PDP; RSTD; RTT; AoA; RSRP; TOA; head-path power; head-path delay; head-path TOA; head-path RSTD; head-path angle of arrival; head-path antenna subcarrier phase difference; Power of other paths; Delay of other paths; TOA of other paths; RSTD of other paths; Angle of arrival of other paths; Phase difference of antenna subcarriers of other paths; LoS identification information; NLoS identification information; Square root delay spread; coherent bandwidth.
  • the above-mentioned input information may be single-station or multi-station, and the single-station or multi-station information is determined by the number of base stations issued by the network side equipment, and the number of base stations includes 1-maxTRPNumber (maximum TRP number ), maxTRPNumber is the maximum number of TRPs in a specific scenario.
  • the output information of the machine learning model includes at least one of the following:
  • the error model information includes at least one of the following:
  • An error value estimated by at least one network-side device wherein, the error value includes at least one of the following: a position error value, a measurement error value, a model error value, and a parameter error value.
  • An error model estimated by the at least one network-side device wherein, the error model includes at least one of the following: a position error model, a measurement error model, and a parameter error model.
  • the input information of the error model includes the initial location of the terminal or the location calculated by the terminal, and the output information of the error model includes the location information after error calibration.
  • the input information of the error model includes initial first measurement information
  • the first measurement information includes at least one of the following: CIR, PDP, RSTD, RTT, AoA, RSRP, TOA , the power of the first path, the delay of the first path, the TOA of the first path, the RSTD of the first path, the angle of arrival of the first path, the phase difference of the antenna subcarriers of the first path, the power of other paths, the delay of other paths, and the TOA of other paths, RSTD of other paths, angle of arrival of other paths, phase difference of antenna subcarriers of other paths, LoS identification information, NLoS identification information, average excess delay root mean square, delay spread and coherent bandwidth; the error model
  • the output information includes the error-calibrated first measurement information.
  • the input information of the error model includes at least one of the following: a machine learning model, a parameter of a machine learning model, a preprocessing model, or a parameter of a preprocessing model;
  • the output information of the error model includes at least one of the following: a calibrated machine learning model, parameters of a calibrated machine learning model, a calibrated preprocessing model, or parameters of a calibrated preprocessing model.
  • the preprocessing model information is used to preprocess terminal measurement information, so that the processed measurement information can be better trained or processed by a machine learning model, and the preprocessing model information includes at least the following one item:
  • DCT Discrete Cosine Transform
  • Parameters or structures for preprocessing measurement information That is, the parameters or structure of the processing method of measurement information, such as sampling, truncation, normalization, simultaneous combination and other methods.
  • the input information of the preprocessing model information includes second measurement information, and the second measurement information includes at least one of the following: CIR, PDP, RSTD, RTT, AoA, RSRP, TOA, head path power, head path time Delay, TOA of the first path, RSTD of the first path, angle of arrival of the first path, antenna subcarrier phase difference of the first path, power of other paths, delay of other paths, TOA of other paths, RSTD of other paths, other paths The angle of arrival of the antenna, the antenna subcarrier phase difference of other paths, the reference signal waveform and the correlation sequence of the reference signal; the output information of the preprocessing model information includes the second measurement information after preprocessing.
  • the method further includes: the terminal sending request information, where the request information is used to request a sending manner of the first information.
  • the sending method of the first information includes at least one of the following:
  • Each positioning reference signal resource is sent; each positioning reference signal resource set is sent; each TRP is sent; each frequency layer is sent; each positioning method is sent; and each positioning scenario is sent.
  • At least one of the error model information and the preprocessing model information may also be sent in association with the machine learning model information, that is, the per machine learning model broadcasts the error model information and/or the preprocessing model Information, that is to say, under each machine learning model, the preprocessing model and error model corresponding to the machine learning model are issued to preprocess the input of the machine learning, or the machine learning model, model The errors of parameters and output are processed.
  • the method further includes: the terminal sends terminal positioning capability information, and the terminal positioning capability information includes at least one of the following:
  • each positioning reference signal resource set Whether to support at least one receiving machine learning model information in each positioning reference signal resource, each positioning reference signal resource set, each TRP, each frequency layer, each positioning method and each positioning scenario;
  • each positioning reference signal resource set Whether to support at least one item of reception error model information in each positioning reference signal resource, each positioning reference signal resource set, each TRP, each frequency layer, each positioning method, and each positioning scenario;
  • each positioning reference signal resource set Whether to support at least one receiving preprocessing model information in each positioning reference signal resource, each positioning reference signal resource set, each TRP, each frequency layer, each positioning method and each positioning scenario;
  • Figure 3 is a flowchart of another positioning method provided by the embodiment of the present application, the positioning method includes:
  • Step 301 the network side device sends configuration information, the configuration information is used for the terminal to perform positioning and/or the terminal reports the positioning information.
  • the terminal may receive configuration information sent by the network side device.
  • the configuration information may or may not include the first model information (in this case, the terminal already has the first model information, or the terminal may acquire the first model in other ways (for example, pre-configuration) information).
  • the terminal can determine the first model information according to the configuration information, and perform positioning according to the first model information.
  • the terminal may also report the obtained positioning information (the positioning information may be obtained according to the first model information, or may be obtained according to other methods, which is not limited here) to the network side according to the configuration information. equipment.
  • positioning can be understood as positioning-related processes, such as determining positioning measurement information, processing positioning measurement information, and reporting positioning measurement information; determining positioning error, processing positioning error, and reporting positioning error; determining location information, processing location information, Report location information, etc.
  • the network side device sends configuration information, and the configuration information is used for the terminal to perform positioning and/or the terminal to report the positioning information.
  • the terminal can determine the first model information according to the configuration information, so as to select the corresponding model for positioning and improve the positioning accuracy, or the terminal can also report the positioning information according to the configuration information, for example, select the corresponding reporting method to report the positioning information according to the configuration information.
  • the configuration information includes at least one of the following:
  • the configuration information carries first information:
  • the first information includes at least one of the following:
  • indication information where the indication information is used to instruct the terminal to report the positioning information.
  • the indication information is used to indicate a reporting manner of the positioning information.
  • the manner of reporting the positioning information is determined by at least one of the following:
  • the first model information includes at least one of the following:
  • the machine learning model information includes at least one of the following:
  • At least one machine learning model At least one machine learning model
  • the input information of the machine learning model is the input information of the machine learning model
  • the output information of the machine learning model is the output information of the machine learning model.
  • the at least one machine learning model includes at least one of the following:
  • the parameters of the at least one machine learning model include at least one of the following:
  • the input information of the machine learning model includes at least one of the following:
  • the output information of the machine learning model includes at least one of the following:
  • the error model information includes at least one of the following:
  • the error value includes at least one of the following: a position error value, a measurement error value, a model error value, and a parameter error value.
  • the error model includes at least one of the following: a position error model, a measurement error model, and a parameter error model.
  • the input information of the error model includes the initial location of the terminal or the location calculated by the terminal, and the output information of the error model includes location information after error calibration.
  • the input information of the error model includes initial first measurement information
  • the first measurement information includes at least one of the following: CIR, PDP, RSTD, RTT, AoA, RSRP, TOA, head-path power, head-path
  • the output information of the error model includes first measurement information after error calibration.
  • the input information of the error model includes at least one of the following: a machine learning model, a parameter of a machine learning model, a preprocessing model, or a parameter of a preprocessing model;
  • the output information of the error model includes at least one of the following: a calibrated machine learning model, parameters of a calibrated machine learning model, a calibrated preprocessing model, or parameters of a calibrated preprocessing model.
  • the preprocessing model information includes at least one of the following:
  • the input information of the preprocessing model information includes second measurement information
  • the second measurement information includes at least one of the following: CIR, PDP, RSTD, RTT, AoA, RSRP, TOA, head path power, head path delay, head path TOA, head path RSTD, head path Angle of arrival, antenna subcarrier phase difference of the first path, power of other paths, delay of other paths, TOA of other paths, RSTD of other paths, angle of arrival of other paths, phase difference of antenna subcarriers of other paths, reference signal Correlative sequences of waveforms and reference signals;
  • the output information of the preprocessed model information includes the preprocessed second measurement information.
  • the at least one machine learning model includes a multi-step machine learning model.
  • the multi-step machine learning model includes at least one of the following:
  • Multi-step machine learning models distinguished by model parameters
  • the positioning information includes at least one of the following:
  • the method also includes:
  • the network side device receives request information sent by the terminal, where the request information is used to request a sending manner of the first information.
  • the method also includes:
  • the network side device receives terminal positioning capability information sent by the terminal, and the terminal positioning capability information includes at least one of the following:
  • each positioning reference signal resource set Whether to support at least one receiving machine learning model information in each positioning reference signal resource, each positioning reference signal resource set, each TRP, each frequency layer, each positioning method and each positioning scenario;
  • each positioning reference signal resource set Whether to support at least one item of reception error model information in each positioning reference signal resource, each positioning reference signal resource set, each TRP, each frequency layer, each positioning method, and each positioning scenario;
  • each positioning reference signal resource set Whether to support at least one receiving preprocessing model information in each positioning reference signal resource, each positioning reference signal resource set, each TRP, each frequency layer, each positioning method and each positioning scenario;
  • the locating method provided in FIG. 2 of the present application may be executed by the first locating device.
  • the positioning method performed by the first positioning device is taken as an example to illustrate the device of the positioning method provided in the embodiment of FIG. 2 of the present application.
  • the embodiment of the present application provides a first positioning device 400, including:
  • Configuration module 401 configured to determine configuration information
  • An execution module 402 configured to perform at least one of the following operations according to the configuration information:
  • the configuration information includes at least one of the following:
  • the apparatus further includes a receiving module, configured to receive the first information sent by the network side device;
  • the first information includes at least one of the following:
  • indication information where the indication information is used to instruct the terminal to report the positioning information.
  • the first information is carried in the configuration information.
  • the indication information is used to indicate a reporting manner of the positioning information.
  • the manner of reporting the positioning information is determined by at least one of the following:
  • the reporting manner of the positioning information includes at least one of the following:
  • Each positioning reference signal resource is sent;
  • Each positioning reference signal resource set is sent;
  • Each positioning method sends
  • the positioning information further includes identification information corresponding to the target reporting mode, and the identification information includes at least one of the following:
  • the first model information includes at least one of the following:
  • the machine learning model information includes at least one of the following:
  • At least one machine learning model At least one machine learning model
  • the input information of the machine learning model is the input information of the machine learning model
  • the output information of the machine learning model is the output information of the machine learning model.
  • the at least one machine learning model includes at least one of the following:
  • the parameters of the at least one machine learning model include at least one of the following:
  • the input information of the machine learning model includes at least one of the following:
  • the output information of the machine learning model includes at least one of the following:
  • the error model information includes at least one of the following:
  • the error value includes at least one of the following: position error value, measurement error value, model error value and parameter error value.
  • the error model includes at least one of the following: a position error model, a measurement error model, and a parameter error model.
  • the input information of the error model includes the initial location of the terminal or the location calculated by the terminal, and the output information of the error model includes location information after error calibration.
  • the input information of the error model includes initial first measurement information
  • the first measurement information includes at least one of the following: CIR, PDP, RSTD, RTT, AoA, RSRP, TOA, head-path power, head-path
  • the output information of the error model includes first measurement information after error calibration.
  • the input information of the error model includes at least one of the following: a machine learning model, a parameter of a machine learning model, a preprocessing model, or a parameter of a preprocessing model;
  • the output information of the error model includes at least one of the following: a calibrated machine learning model, parameters of a calibrated machine learning model, a calibrated preprocessing model, or parameters of a calibrated preprocessing model.
  • the preprocessing model information includes at least one of the following:
  • the input information of the preprocessing model information includes second measurement information
  • the second measurement information includes at least one of the following: CIR, PDP, RSTD, RTT, AoA, RSRP, TOA, head path power, head path delay, head path TOA, head path RSTD, head path Angle of arrival, antenna subcarrier phase difference of the first path, power of other paths, delay of other paths, TOA of other paths, RSTD of other paths, angle of arrival of other paths, phase difference of antenna subcarriers of other paths, reference signal Correlative sequences of waveforms and reference signals;
  • the output information of the preprocessed model information includes the preprocessed second measurement information.
  • the at least one machine learning model includes a multi-step machine learning model.
  • the multi-step machine learning model includes at least one of the following:
  • Multi-step machine learning models distinguished by model parameters
  • the positioning information includes at least one of the following:
  • the device further includes a first sending module, configured to send request information, where the request information is used to request a sending manner of the first information.
  • a first sending module configured to send request information, where the request information is used to request a sending manner of the first information.
  • the device further includes a second sending module, configured to send terminal positioning capability information, where the terminal positioning capability information includes at least one of the following:
  • each positioning reference signal resource set Whether to support at least one receiving machine learning model information in each positioning reference signal resource, each positioning reference signal resource set, each TRP, each frequency layer, each positioning method and each positioning scenario;
  • each positioning reference signal resource set Whether to support at least one item of reception error model information in each positioning reference signal resource, each positioning reference signal resource set, each TRP, each frequency layer, each positioning method, and each positioning scenario;
  • each positioning reference signal resource set Whether to support at least one receiving preprocessing model information in each positioning reference signal resource, each positioning reference signal resource set, each TRP, each frequency layer, each positioning method and each positioning scenario;
  • the first positioning device 400 in the embodiment of the present application may be an electronic device, such as an electronic device with an operating system, or a component in the electronic device, such as an integrated circuit or a chip.
  • the electronic device may be a terminal, or other devices other than the terminal.
  • the terminal may include, but not limited to, the types of terminal 11 listed above, and other devices may be servers, Network Attached Storage (NAS), etc., which are not specifically limited in this embodiment of the present application.
  • NAS Network Attached Storage
  • the first positioning device 400 provided in the embodiment of the present application can realize various processes realized by the method embodiment in FIG. 2 and achieve the same technical effect. To avoid repetition, details are not repeated here.
  • the locating method provided in FIG. 3 of the present application may be executed by the second locating device.
  • the positioning method performed by the second positioning device is taken as an example to describe the device for the positioning method provided in the embodiment of the present application.
  • the embodiment of the present application provides a second positioning device 500, including:
  • the sending module 501 is configured to send configuration information, the configuration information is used for the terminal to perform positioning and/or the terminal reports the positioning information.
  • the configuration information includes at least one of the following:
  • the configuration information carries first information:
  • the first information includes at least one of the following:
  • indication information where the indication information is used to instruct the terminal to report the positioning information.
  • the indication information is used to indicate a reporting manner of the positioning information.
  • the manner of reporting the positioning information is determined by at least one of the following:
  • the first model information includes at least one of the following:
  • the machine learning model information includes at least one of the following:
  • At least one machine learning model At least one machine learning model
  • the input information of the machine learning model is the input information of the machine learning model
  • the output information of the machine learning model is the output information of the machine learning model.
  • the at least one machine learning model includes at least one of the following:
  • the parameters of the at least one machine learning model include at least one of the following:
  • the input information of the machine learning model includes at least one of the following:
  • the output information of the machine learning model includes at least one of the following:
  • the error model information includes at least one of the following:
  • the error value includes at least one of the following: a position error value, a measurement error value, a model error value, and a parameter error value.
  • the error model includes at least one of the following: a position error model, a measurement error model, and a parameter error model.
  • the input information of the error model includes the initial location of the terminal or the location calculated by the terminal, and the output information of the error model includes location information after error calibration.
  • the input information of the error model includes initial first measurement information
  • the first measurement information includes at least one of the following: CIR, PDP, RSTD, RTT, AoA, RSRP, TOA, head-path power, head-path
  • the output information of the error model includes first measurement information after error calibration.
  • the input information of the error model includes at least one of the following: a machine learning model, a parameter of a machine learning model, a preprocessing model, or a parameter of a preprocessing model;
  • the output information of the error model includes at least one of the following: a calibrated machine learning model, parameters of a calibrated machine learning model, a calibrated preprocessing model, or parameters of a calibrated preprocessing model.
  • the preprocessing model information includes at least one of the following:
  • the input information of the preprocessing model information includes second measurement information
  • the second measurement information includes at least one of the following: CIR, PDP, RSTD, RTT, AoA, RSRP, TOA, head path power, head path delay, head path TOA, head path RSTD, head path Angle of arrival, antenna subcarrier phase difference of the first path, power of other paths, delay of other paths, TOA of other paths, RSTD of other paths, angle of arrival of other paths, phase difference of antenna subcarriers of other paths, reference signal Correlative sequences of waveforms and reference signals;
  • the output information of the preprocessed model information includes the preprocessed second measurement information.
  • the at least one machine learning model includes a multi-step machine learning model.
  • the multi-step machine learning model includes at least one of the following:
  • Multi-step machine learning models distinguished by model parameters
  • the positioning information includes at least one of the following:
  • the second positioning device further includes a first receiving module, configured to receive request information sent by the terminal, where the request information is used to request a sending manner of the first information.
  • a first receiving module configured to receive request information sent by the terminal, where the request information is used to request a sending manner of the first information.
  • the second positioning device further includes a second receiving module, configured to receive terminal positioning capability information sent by the terminal, where the terminal positioning capability information includes at least one of the following:
  • each positioning reference signal resource set Whether to support at least one item of each positioning reference signal resource, each positioning reference signal resource set, each TRP, each frequency layer, each positioning method, and each positioning scenario to receive machine learning model information;
  • each positioning reference signal resource set Whether to support at least one item of reception error model information in each positioning reference signal resource, each positioning reference signal resource set, each TRP, each frequency layer, each positioning method, and each positioning scenario;
  • each positioning reference signal resource set Whether to support at least one receiving preprocessing model information in each positioning reference signal resource, each positioning reference signal resource set, each TRP, each frequency layer, each positioning method and each positioning scenario;
  • the second positioning device 500 provided in the embodiment of the present application can realize various processes realized by the method embodiment in FIG. 3 and achieve the same technical effect. To avoid repetition, details are not repeated here.
  • the embodiment of the present application also provides a communication device 600, including a processor 601 and a memory 602, and the memory 602 stores programs or instructions that can run on the processor 601, such as
  • the communication device 600 is a terminal
  • the program or instruction is executed by the processor 601
  • the various steps of the positioning method embodiment shown in FIG. 2 can be implemented, and the same technical effect can be achieved.
  • the communication device 600 is a network-side device
  • the program or instruction is executed by the processor 601
  • the various steps of the positioning method embodiment shown in FIG. 3 above can be achieved, and the same technical effect can be achieved. To avoid repetition, details are not repeated here. .
  • the embodiment of the present application also provides a terminal, including a processor and a communication interface, and the processor is configured to perform at least one of the following operations according to the configuration information: determine first model information, and perform positioning according to the first model information; Report positioning information, and the communication interface is used to obtain configuration information.
  • This terminal embodiment corresponds to the above-mentioned terminal-side method embodiment, and each implementation process and implementation mode of the above-mentioned method embodiment can be applied to this terminal embodiment, and can achieve the same technical effect.
  • FIG. 7 is a schematic diagram of a hardware structure of a terminal implementing an embodiment of the present application.
  • the terminal 700 includes, but is not limited to: a radio frequency unit 701, a network module 702, an audio output unit 703, an input unit 704, a sensor 705, a display unit 706, a user input unit 707, an interface unit 708, a memory 709, and a processor 710. At least some parts.
  • the terminal 700 may also include a power supply (such as a battery) for supplying power to various components, and the power supply may be logically connected to the processor 710 through the power management system, so as to manage charging, discharging, and power consumption through the power management system. Management and other functions.
  • a power supply such as a battery
  • the terminal structure shown in FIG. 7 does not constitute a limitation on the terminal, and the terminal may include more or fewer components than shown in the figure, or combine some components, or arrange different components, which will not be repeated here.
  • the input unit 704 may include a graphics processing unit (Graphics Processing Unit, GPU) 7041 and a microphone 7042, and the graphics processor 7041 is used by the image capture device (such as the image data of the still picture or video obtained by the camera) for processing.
  • the display unit 706 may include a display panel 7061, and the display panel 7061 may be configured in the form of a liquid crystal display, an organic light emitting diode, or the like.
  • the user input unit 707 includes at least one of a touch panel 7071 and other input devices 7072 .
  • the touch panel 7071 is also called a touch screen.
  • the touch panel 7071 may include two parts, a touch detection device and a touch controller.
  • Other input devices 7072 may include, but are not limited to, physical keyboards, function keys (such as volume control buttons, switch buttons, etc.), trackballs, mice, and joysticks, which will not be described in detail here.
  • the radio frequency unit 701 may transmit the downlink data from the network side device to the processor 710 for processing after receiving the downlink data; in addition, the radio frequency unit 701 may send uplink data to the network side device.
  • the radio frequency unit 701 includes, but is not limited to, an antenna, an amplifier, a transceiver, a coupler, a low noise amplifier, a duplexer, and the like.
  • the memory 709 can be used to store software programs or instructions as well as various data.
  • the memory 709 may mainly include a first storage area for storing programs or instructions and a second storage area for storing data, wherein the first storage area may store an operating system, an application program or instructions required by at least one function (such as a sound playing function, image playback function, etc.), etc.
  • memory 709 can include volatile memory or nonvolatile memory, or, memory 709 can include both volatile and nonvolatile memory.
  • the non-volatile memory can be read-only memory (Read-Only Memory, ROM), programmable read-only memory (Programmable ROM, PROM), erasable programmable read-only memory (Erasable PROM, EPROM), electronically programmable Erase Programmable Read-Only Memory (Electrically EPROM, EEPROM) or Flash.
  • ROM Read-Only Memory
  • PROM programmable read-only memory
  • Erasable PROM Erasable PROM
  • EPROM erasable programmable read-only memory
  • Electrical EPROM Electrical EPROM
  • EEPROM electronically programmable Erase Programmable Read-Only Memory
  • Volatile memory can be random access memory (Random Access Memory, RAM), static random access memory (Static RAM, SRAM), dynamic random access memory (Dynamic RAM, DRAM), synchronous dynamic random access memory (Synchronous DRAM, SDRAM), double data rate synchronous dynamic random access memory (Double Data Rate SDRAM, DDRSDRAM), enhanced synchronous dynamic random access memory (Enhanced SDRAM, ESDRAM), synchronous connection dynamic random access memory (Synch link DRAM , SLDRAM) and Direct Memory Bus Random Access Memory (Direct Rambus RAM, DRRAM).
  • RAM Random Access Memory
  • SRAM static random access memory
  • DRAM dynamic random access memory
  • DRAM synchronous dynamic random access memory
  • SDRAM double data rate synchronous dynamic random access memory
  • Double Data Rate SDRAM Double Data Rate SDRAM
  • DDRSDRAM double data rate synchronous dynamic random access memory
  • Enhanced SDRAM, ESDRAM enhanced synchronous dynamic random access memory
  • Synch link DRAM , SLDRAM
  • Direct Memory Bus Random Access Memory Direct Rambus
  • the processor 710 may include one or more processing units; optionally, the processor 710 integrates an application processor and a modem processor, wherein the application processor mainly handles operations related to the operating system, user interface, and application programs, etc., Modem processors mainly process wireless communication signals, such as baseband processors. It can be understood that the foregoing modem processor may not be integrated into the processor 710 .
  • the radio frequency unit 701 is used to obtain configuration information
  • a processor 710 configured to perform at least one of the following operations according to the configuration information:
  • the configuration information includes at least one of the following:
  • the radio frequency unit 701 is also configured to receive the first information sent by the network side device;
  • the first information includes at least one of the following:
  • indication information where the indication information is used to instruct the terminal to report the positioning information.
  • the first information is carried in the configuration information.
  • the indication information is used to indicate a reporting manner of the positioning information.
  • the manner of reporting the positioning information is determined by at least one of the following:
  • the reporting manner of the positioning information includes at least one of the following:
  • Each positioning reference signal resource is sent;
  • Each positioning reference signal resource set is sent;
  • Each positioning method sends
  • the positioning information further includes identification information corresponding to the target reporting mode, and the identification information includes at least one of the following:
  • the first model information includes at least one of the following:
  • the machine learning model information includes at least one of the following:
  • At least one machine learning model At least one machine learning model
  • the input information of the machine learning model is the input information of the machine learning model
  • the output information of the machine learning model is the output information of the machine learning model.
  • the at least one machine learning model includes at least one of the following:
  • the parameters of the at least one machine learning model include at least one of the following:
  • the input information of the machine learning model includes at least one of the following:
  • the output information of the machine learning model includes at least one of the following:
  • the error model information includes at least one of the following:
  • the error value includes at least one of the following: a position error value, a measurement error value, a model error value, and a parameter error value.
  • the error model includes at least one of the following: a position error model, a measurement error model, and a parameter error model.
  • the input information of the error model includes the initial location of the terminal or the location calculated by the terminal, and the output information of the error model includes location information after error calibration.
  • the input information of the error model includes initial first measurement information
  • the first measurement information includes at least one of the following: CIR, PDP, RSTD, RTT, AoA, RSRP, TOA, head-path power, head-path
  • the output information of the error model includes first measurement information after error calibration.
  • the input information of the error model includes at least one of the following: a machine learning model, a parameter of a machine learning model, a preprocessing model, or a parameter of a preprocessing model;
  • the output information of the error model includes at least one of the following: a calibrated machine learning model, parameters of a calibrated machine learning model, a calibrated preprocessing model, or parameters of a calibrated preprocessing model.
  • the preprocessing model information includes at least one of the following:
  • the input information of the preprocessing model information includes second measurement information
  • the second measurement information includes at least one of the following: CIR, PDP, RSTD, RTT, AoA, RSRP, TOA, head path power, head path delay, head path TOA, head path RSTD, head path Angle of arrival, antenna subcarrier phase difference of the first path, power of other paths, delay of other paths, TOA of other paths, RSTD of other paths, angle of arrival of other paths, phase difference of antenna subcarriers of other paths, reference signal Correlative sequences of waveforms and reference signals;
  • the output information of the preprocessed model information includes the preprocessed second measurement information.
  • the at least one machine learning model includes a multi-step machine learning model.
  • the multi-step machine learning model includes at least one of the following:
  • Multi-step machine learning models distinguished by model parameters
  • the positioning information includes at least one of the following:
  • the radio frequency unit 701 is further configured to send request information, where the request information is used to request a sending manner of the first information.
  • the radio frequency unit 701 is further configured to send terminal positioning capability information, where the terminal positioning capability information includes at least one of the following:
  • each positioning reference signal resource set Whether to support at least one receiving machine learning model information in each positioning reference signal resource, each positioning reference signal resource set, each TRP, each frequency layer, each positioning method and each positioning scenario;
  • each positioning reference signal resource set Whether to support at least one item of reception error model information in each positioning reference signal resource, each positioning reference signal resource set, each TRP, each frequency layer, each positioning method, and each positioning scenario;
  • each positioning reference signal resource set Whether to support at least one receiving preprocessing model information in each positioning reference signal resource, each positioning reference signal resource set, each TRP, each frequency layer, each positioning method and each positioning scenario;
  • the embodiment of the present application also provides a network side device, including a processor and a communication interface, where the communication interface is used to send configuration information, and the configuration information is used for the terminal to perform positioning and/or the terminal to report the positioning information.
  • the network-side device embodiment corresponds to the above-mentioned network-side device method embodiment, and each implementation process and implementation mode of the above-mentioned method embodiment can be applied to this network-side device embodiment, and can achieve the same technical effect.
  • the embodiment of the present application also provides a network side device.
  • the network side device 800 includes: an antenna 81 , a radio frequency device 82 , a baseband device 83 , a processor 84 and a memory 85 .
  • the antenna 81 is connected to a radio frequency device 82 .
  • the radio frequency device 82 receives information through the antenna 81, and sends the received information to the baseband device 83 for processing.
  • the baseband device 83 processes the information to be sent and sends it to the radio frequency device 82
  • the radio frequency device 82 processes the received information and sends it out through the antenna 81 .
  • the method performed by the network side device in the above embodiments may be implemented in the baseband device 83, where the baseband device 83 includes a baseband processor.
  • the baseband device 83 can include at least one baseband board, for example, a plurality of chips are arranged on the baseband board, as shown in FIG.
  • the program executes the operations of the network side device shown in the above method embodiments.
  • the network side device may also include a network interface 86, such as a common public radio interface (common public radio interface, CPRI).
  • a network interface 86 such as a common public radio interface (common public radio interface, CPRI).
  • the network side device 800 in this embodiment of the present invention further includes: instructions or programs stored in the memory 85 and operable on the processor 84, and the processor 84 calls the instructions or programs in the memory 85 to execute the various programs shown in FIG.
  • the method of module execution achieves the same technical effect, so in order to avoid repetition, it is not repeated here.
  • the embodiment of the present application also provides a readable storage medium, the readable storage medium stores a program or an instruction, and when the program or instruction is executed by a processor, each process of the above-mentioned positioning method embodiment is realized, and can achieve the same Technical effects, in order to avoid repetition, will not be repeated here.
  • the processor is the processor in the terminal described in the foregoing embodiments.
  • the readable storage medium includes a computer-readable storage medium, such as a computer read-only memory ROM, a random access memory RAM, a magnetic disk or an optical disk, and the like.
  • the embodiment of the present application further provides a chip, the chip includes a processor and a communication interface, the communication interface is coupled to the processor, and the processor is used to run programs or instructions to implement each of the above positioning method embodiments process, and can achieve the same technical effect, in order to avoid repetition, it will not be repeated here.
  • the chip mentioned in the embodiment of the present application may also be called a system-on-chip, a system-on-chip, a system-on-a-chip, or a system-on-a-chip.
  • the embodiment of the present application further provides a computer program/program product, the computer program/program product is stored in a storage medium, and the computer program/program product is executed by at least one processor to implement the above positioning method embodiment
  • a computer program/program product is stored in a storage medium
  • the computer program/program product is executed by at least one processor to implement the above positioning method embodiment
  • the embodiment of the present application also provides a communication system, including: a terminal and a network-side device, the terminal can be used to perform the steps of the method embodiment shown in Figure 2 as described above, and the network-side device can be used to perform the steps shown in Figure 2 3 shows the steps of the method embodiment.
  • the term “comprising”, “comprising” or any other variation thereof is intended to cover a non-exclusive inclusion such that a process, method, article or apparatus comprising a set of elements includes not only those elements, It also includes other elements not expressly listed, or elements inherent in the process, method, article, or device. Without further limitations, an element defined by the phrase “comprising a " does not preclude the presence of additional identical elements in the process, method, article, or apparatus comprising that element.
  • the scope of the methods and devices in the embodiments of the present application is not limited to performing functions in the order shown or discussed, and may also include performing functions in a substantially simultaneous manner or in reverse order according to the functions involved. Functions are performed, for example, the described methods may be performed in an order different from that described, and various steps may also be added, omitted, or combined. Additionally, features described with reference to certain examples may be combined in other examples.
  • the methods of the above embodiments can be implemented by means of software plus a necessary general-purpose hardware platform, and of course also by hardware, but in many cases the former is better implementation.
  • the technical solution of the present application can be embodied in the form of computer software products, which are stored in a storage medium (such as ROM/RAM, magnetic disk, etc.) , CD-ROM), including several instructions to enable a terminal (which may be a mobile phone, computer, server, air conditioner, or network-side device, etc.) to execute the methods described in various embodiments of the present application.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请公开了一种定位方法、装置、终端及网络侧设备，属于通信技术领域，本申请实施例的定位方法包括：终端确定配置信息；终端根据所述配置信息，执行如下至少一项操作：确定第一模型信息，并根据所述第一模型信息进行定位；上报定位信息。

Description

定位方法、装置、终端及网络侧设备
相关申请的交叉引用
本申请主张在2021年11月22日在中国提交的中国专利申请No.202111389341.9的优先权，其全部内容通过引用包含于此。
技术领域
本申请属于通信技术领域，具体涉及一种定位方法、装置、终端及网络侧设备。
背景技术
目前，已有的定位方式的定位精度较低，不能满足高精度定位需求。为了提高定位精度，可以采用模型进行定位，例如机器学习模型，误差模型或预处理模型等，但是如何确定用于定位的模型信息，以及如何上报定位信息等问题，并未有明确的解决方法。
发明内容
本申请实施例提供一种定位方法、装置、终端及网络侧设备，能够解决相关技术中的定位方式定位精度较低的问题。
第一方面，提供了一种定位方法，包括：
终端确定配置信息；
终端根据所述配置信息，执行如下至少一项操作：
确定第一模型信息，并根据所述第一模型信息进行定位；
上报定位信息。
第二方面，提供了一种定位方法，该方法包括：
网络侧设备发送配置信息，所述配置信息用于终端进行定位和/或所述终端上报定位信息。
第三方面，提供了一种定位装置，包括：
确定模块，用于确定配置信息；
执行模块，用于根据所述配置信息，执行如下至少一项操作：
确定第一模型信息，并根据所述第一模型信息进行定位；
上报定位信息。
第四方面，提供了一种定位装置，包括：
发送模块，用于发送配置信息，所述配置信息用于终端进行定位和/或所述终端上报定位信息。
第五方面，提供了一种终端，该终端包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第六方面，提供了一种终端，包括处理器及通信接口，其中，所述处理器用于确定配置信息，根据所述配置信息，执行如下至少一项操作：确定第一模型信息，并根据所述第一模型信息进行定位；上报定位信息。
第七方面，提供了一种网络侧设备，该网络侧设备包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第二方面所述的方法的步骤。
第八方面，提供了一种网络侧设备，包括处理器及通信接口，其中，所述通信接口用于发送配置信息，所述配置信息用于终端进行定位和/或所述终端上报定位信息。
第九方面，提供了一种通信系统，包括：终端及网络侧设备，所述终端可用于执行如第一方面所述的定位方法的步骤，所述网络侧设备可用于执行如第二方面所述的定位方法的步骤。
第十方面，提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤，或者实现如第二方面所述的方法的步骤。
第十一方面，提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法，或实现如第二方面所述的方法的步骤。
第十二方面，提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在存储介质中，所述计算机程序/程序产品被至少一个处理器执行以实现如第一方面或第二方面所述的定位方法的步骤。
第十三方面，提供了一种通信设备，其中，被配置为执行如第一方面或第二方面所述的定位方法的步骤。
在本申请实施例中，终端确定配置信息；终端根据所述配置信息，执行 如下至少一项操作：确定第一模型信息，并根据所述第一模型信息进行定位；上报定位信息。终端根据配置信息可确定第一模型信息，从而选择相应的模型进行定位，提高定位精度，另外，终端也可以根据配置信息上报定位信息，例如，根据配置信息选择相应的上报方式上报定位信息，以解决定位信息如何上报的问题。
附图说明
图1是本申请实施例提供的一种网络系统的结构图；
图2是本申请实施例提供的定位方法的一流程图；
图3是本申请实施例提供的定位方法的另一流程图；
图4是本申请实施例提供的第一定位装置的结构图；
图5是本申请实施例提供的第二定位装置的结构图；
图6是本申请实施例提供的通信设备的结构图；
图7是本申请实施例提供的终端的结构图；
图8是本申请实施例提供的网络侧设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”所区别的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是，本申请实施例所描述的技术不限于长期演进型(Long Term Evolution，LTE)/LTE的演进(LTE-Advanced，LTE-A)系统，还可用于其他无线通信系统，诸如码分多址(Code Division Multiple Access，CDMA)、 时分多址(Time Division Multiple Access，TDMA)、频分多址(Frequency Division Multiple Access，FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access，OFDMA)、单载波频分多址(Single-carrier Frequency Division Multiple Access，SC-FDMA)和其他系统。本申请实施例中的术语“系统”和“网络”常被可互换地使用，所描述的技术既可用于以上提及的系统和无线电技术，也可用于其他系统和无线电技术。以下描述出于示例目的描述了新空口(New Radio，NR)系统，并且在以下大部分描述中使用NR术语，但是这些技术也可应用于NR系统应用以外的应用，如第6代(6th Generation，6G)通信系统。
图1示出本申请实施例可应用的一种无线通信系统的框图。无线通信系统包括终端11和网络侧设备12。其中，终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal Digital Assistant，PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personal computer，UMPC)、移动上网装置(Mobile Internet Device，MID)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、机器人、可穿戴式设备(Wearable Device)、车载设备(Vehicle User Equipment，VUE)、行人终端(Pedestrian User Equipment，PUE)、智能家居(具有无线通信功能的家居设备，如冰箱、电视、洗衣机或者家具等)、游戏机、个人计算机(personal computer，PC)、柜员机或者自助机等终端侧设备，可穿戴式设备包括：智能手表、智能手环、智能耳机、智能眼镜、智能首饰(智能手镯、智能手链、智能戒指、智能项链、智能脚镯、智能脚链等)、智能腕带、智能服装等。需要说明的是，在本申请实施例并不限定终端11的具体类型。网络侧设备12可以包括接入网设备或核心网设备，其中，接入网设备也可以称为无线接入网设备、无线接入网(Radio Access Network,RAN)、无线接入网功能或无线接入网单元。接入网设备可以包括基站、无线局域网(Wireless Local Area Networks，WLAN)接入点或无线保真(Wireless Fidelity，WiFi)节点等，基站可被称为节点B、演进节点B(eNB)、接入点、基收发机站(Base Transceiver Station，BTS)、无线电基站、无线电收发机、基本服务集(Basic Service Set，BSS)、扩展服务集(Extended Service Set，ESS)、家用B节点、家用演进型B节点、发送接收点(Transmitting Receiving Point，TRP)或所述领域中其他某个合适的术语，只要达到相同的技术效果，所述基站不限于特定技术词汇，需要说明的是，在本申请实施例中仅以NR 系统中的基站为例进行介绍，并不限定基站的具体类型。
下面结合附图，通过一些实施例及其应用场景对本申请实施例提供的定位方法进行详细地说明。
请参见图2，图2是本申请实施例提供的一种定位方法的流程图，该定位方法，包括：
步骤201、终端确定配置信息。
步骤202、终端根据所述配置信息，执行如下至少一项操作：
确定第一模型信息，并根据所述第一模型信息进行定位；
上报定位信息。
具体的，终端可接收网络侧设备发送的配置信息。配置信息可以包括第一模型信息，也可以不包括第一模型信息(此种情况下，终端已有第一模型信息，或者，终端可通过其他方式(例如，预配置方式)获取到第一模型信息)。终端根据配置信息可确定第一模型信息，并根据第一模型信息进行定位。终端也可以根据配置信息，将获得的定位信息(该定位信息的获取方式可以是根据第一模型信息进行定位获得，也可以是根据其他方式进行定位获得，在此不做限定)上报给网络侧设备。
上述中，“根据所述第一模型信息进行定位”，“定位”可以理解为定位相关的过程，比如确定定位测量信息，处理定位测量信息，上报定位测量信息；确定定位误差，处理定位误差，上报定位误差；确定位置信息，处理位置信息，上报位置信息等等。
根据配置信息可确定不同的第一模型信息，不同的第一模型信息，具体可以为：1)模型类型不同，如模型分别为机器学习模型、预处理模型、误差模型时，终端可根据配置信息的内容或者配置方式不同，确定第一模型信息包括机器学习模型信息、预处理模型信息或者误差模型信息；2)模型的输入类型或输出类型不同，如终端可根据配置信息的内容或者配置方式不同，确定模型的输入和输出，从而确定第一模型信息(第一模型信息包括模型的输入和输出)；3)模型的参数结构不同，如终端可根据配置信息的内容或者配置方式不同，确定模型的参数结构，从而确定第一模型信息(第一模型信息包括模型的参数结构)；4)模型的泛化能力不同，如终端可根据配置信息的内容或者配置方式不同，确定第一模型信息中模型的泛化能力，从而确定第一模型信息。具体的，配置信息的内容包括定位参考信号资源配置信息、定位参考信号资源集合配置信息、TRP配置信息、频率层配置信息、定位方法 配置信息、定位场景配置信息等；配置信息的配置方式包括每个定位参考信号资源配置(per PRS resource)、每个定位参考信号资源集合配置(per PRS resource set)、每个TRP配置(per TRP)、每个频率层配置(per Frequency layer)、每个定位方法配置(per positioning method)、每个定位场景配置(per positioning scenario)。
本实施例中，终端确定配置信息；终端根据所述配置信息，执行如下至少一项操作：确定第一模型信息，并根据所述第一模型信息进行定位；上报定位信息。终端根据配置信息可确定第一模型信息，从而选择相应的模型进行定位，提高定位精度，另外，终端也可以根据配置信息上报定位信息，例如，根据配置信息选择相应的上报方式上报定位信息，由此在基于机器学习的定位中，可以明确不同模型(例如，机器学习模型、误差模型信息或预处理模型等)或不同配置(不同配置可理解为配置信息包括的内容不同或者配置方式不同)下确定的定位信息的上报方式，避免歧义。
上述中，所述配置信息包括如下至少一项：
(1)定位参考信号资源配置信息，例如，定位参考信号(Positioning Reference Signal，PRS)资源或者探测参考信号(sounding reference signal，SRS)资源；
(2)定位参考信号资源集合配置信息，例如，PRS资源集合或者SRS资源集合；
(3)频率层配置信息；
(4)TRP配置信息；
(5)定位方法配置信息，其中，定位方法包括但不限于：下行链路到达时间差(DownLink Time delay of arrival，DL-TDOA)，多次往返时间(multi round triptime，multi-RTT)，下行离开角(Downlink Angle Of Departure，DL-AOD)，增强的小区标识(Enhanced Cell-ID，E-CID)，观察到达时间差(Observed Time Difference of Arrival，OTDOA)定位等；
(6)定位场景配置信息，其中，定位场景包括但不限于：城市宏观(Uma)，城市微观(UMi)，室内(Indoor)，智能工厂(Indoor Factory)，窄带物联网(Narrow Band Internet of Things,NB-IoT)，轻量级设备(RedCap)，扩展现实(Extended Reality，XR)等。
上述中，所述定位信息包括如下至少一项：
(1)测量信息，其中，测量信息包括以下至少之一：频道冲击响应 (Channel Impulse Response，CIR)，时延功率谱(Power Delay Profile,PDP)，
参考信号时间差(Reference Signal Time Difference,RSTD)，往返时延(Round-trip Time,RTT)，到达角(Angle of Arrival,AoA)，参考信号接收功率(Reference Signal Receiving Power，RSRP)，到达时刻(Time of Arrival，TOA)，首径的功率；首径的时延；首径的TOA；首径的参考信号时间差(Reference Signal Time Difference，RSTD)；首径的到达角；首径的天线子载波相位差；其它径的功率；其它径的时延；其它径的TOA；其它径的RSTD；其它径的天线子载波相位差，视距(Line of Sight，LoS)识别信息，非视距(Not Line of Sight，NLoS)识别信息，平均过量时延均方根，时延拓展，相干带宽等。
(2)误差信息，其中，误差信息包括以下至少之一：测量量的测量误差，模型的误差，模型相关参数的误差，定位结果的误差。
(3)定位结果，其中，定位结果包括以下至少之一：终端计算得到的绝对位置坐标信息，终端计算得到的相对位置坐标信息，坐标系相关信息。
(4)机器学习模型更新信息，可包括机器学习模型参数的更新、机器学习模型结构的更新等；
(5)误差模型更新信息，可包括误差模型参数的更新、误差模型结构的更新等；
(6)预处理模型更新信息，可包括预处理模型参数的更新、预处理模型结构的更新等。
需要说明的是，其它径(additional path)是除了首径之外的径(例如，多径)，其它径可包括至少一条径，其它径的最大数量可以包括以下之一：4，8，16，32，64条径。
在本申请一种实施例中，所述方法还包括，所述终端接收网络侧设备发送的第一信息；
所述第一信息包括如下至少一项：
(1)所述第一模型信息；其中，所述第一模型信息包括如下至少一项：机器学习模型信息；误差模型信息；预处理模型信息。
(2)指示信息，所述指示信息用于指示所述终端上报所述定位信息。
具体的，指示信息用于指示如下至少一项：
(a)用于指示终端上报测量信息，测量信息包括但不限于以下至少一项：CIR，PDP，RSTD，RTT，AoA，RSRP，TOA，首径的功率；首径的时延； 首径的TOA；首径的RSTD；首径的到达角；首径的天线子载波相位差；其它径的功率；其它径的时延；其它径的TOA；其它径的RSTD；其它径的天线子载波相位差，LoS识别信息，NLoS识别信息，平均过量时延均方根，时延拓展，相干带宽等；
(b)用于指示终端上报误差信息，所述第一误差信息包括但不限于以下至少一项：测量量的测量误差，模型的误差，模型相关参数的误差，定位结果的误差；
(c)用于指示终端上报定位结果，定位结果包括但不限于以下至少一项：终端计算得到的绝对位置坐标信息，终端计算得到的相对位置坐标信息，坐标系相关信息。
第一信息可以与配置信息分开发送，也可以携带在所述配置信息中发送，携带在所述配置信息中发送时，可携带在如下至少一项中发送：
携带在每个定位参考信号资源配置信息中发送；
携带在每个定位参考信号资源集合配置信息中发送；
携带在每个频率层配置信息中发送；
携带在每个TRP配置信息中发送；
携带在每个定位方法配置信息中发送；
携带在每个定位场景配置信息中发送。
所述指示信息用于指示所述终端上报所述定位信息，可以是，所述指示信息只指示所述终端上报所述定位信息，或者，所述指示信息通过指示所述定位信息的上报方式来指示终端上报所述定位信息，或者，所述指示信息指示终端上报所述定位信息，并且指示所述定位信息的上报方式。
所述定位信息的上报方式通过如下至少一项确定：
(1)根据第一模型信息的类型确定；所述第一模型信息包括如下至少一项：机器学习模型信息；误差模型信息；预处理模型信息。第一模型信息的类型可根据第一模型信息包括的内容不同来确定，例如，第一模型信息包括机器学习模型信息的情况与第一模型信息包括预处理模型信息的情况，两者对应不同的类型；第一模型信息包括机器学习模型信息的情况与第一模型信息包括误差模型信息的情况，两者对应不同的类型。
第一模型信息的类型也可根据包括的机器学习模型信息、误差模型信息、或预处理模型信息本身的信息来确定。例如，对于机器学习模型来说，输入输出量不同的模型类型不同；泛化能力不同的模型类型不同；模型结构和参 数信息不同也是类型不同；
对于预处理模型来说，输入输出量不同的模型类型不同；结构和参数信息不同也是类型不同；对于误差模型信息来说，误差类型可以不同，比如误差为均方差或者欧氏距离等；模型结构和参数信息不同也是类型不同。
定位信息的上报方式与第一模型信息的类型相关，例如，若所使用或配置的机器学习模型信息为每个定位参考信号资源的，则定位信息也关联每个定位参考信号资源上报。
(2)根据第一模型信息的发送方式确定。例如，若所使用或配置的机器学习模型信息为关联每个定位参考信号资源发送，则定位信息也关联每个定位参考信号资源上报。
(3)根据指示信息确定。例如，指示信息可以指示定位信息的上报方式。定位信息的上报方式包括以下至少一项：
每个定位参考信号资源发送；
每个定位参考信号资源集合发送；
每个TRP发送；
每个频率层发送；
每个定位方法发送；
每个定位场景发送。
(4)根据指示信息的发送方式确定。定位信息的上报方式与指示信息的下发方式(即发送方式)相同，例如，若指示信息关联定位参考信号资源集下发，则定位信息也关联定位参考信号资源集上报。
(5)除上述确定定位信息的上报方式外，终端也可以自行决定上报方式。
在以上(1)-(5)确定所述定位信息的上报方式的情况下，终端需要同时上报目标上报方式对应的标识信息，所述目标方式为终端根据以上(1)-(5)的方法之一确定的上报方式。即在所述定位信息采用目标上报方式上报的情况下，所述定位信息还包括目标上报方式对应的标识信息，所述标识信息包括以下至少一项：
定位参考信号资源标识信息，例如，定位参考信号资源的身份标识号码(Identity，ID)；
定位参考信号资源集合标识信息，例如，定位参考信号资源集合的ID；
TRP标识信息，例如，TRP的ID；
频率层标识信息，例如，频率层的ID；
定位方法标识信息，例如，定位方法的ID；
定位场景标识信息，例如，定位场景的ID。
在本申请一种实施例中，所述机器学习模型信息包括如下至少一项：
(1)至少一个机器学习模型。所述至少一个机器学习模型可包括常用机器学习模型，神经网络模型或深度神经网络模型，所述至少一个机器学习模型包括如下至少一项：
卷积神经网络(Convolutional Neural Networks，CNN)；
循环神经网络(Recurrent Neural Network，RNN)；
递归神经网络(Long-Short Term Memory，LSTM)；
递归张量神经网络(Recursive Neural Tensor Network，RNTN)；
生成对抗网络(Generative Adversarial Networks，GAN)；
深度置信网络(Deep Belief Network，DBN)；
受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)。
可选地，所述至少一个机器学习模型包括多步机器学习模型(一步可对应一个机器学习模型)。所述多步机器学习模型包括如下至少一项：
根据输入信息类型和输出信息类型区分的多步机器学习模型；
根据模型参数不同区分的多步机器学习模型；
根据泛化能力不同区分的多步机器学习模型。
所述多步机器学习模型可与配置信息包括的信息相关联发送，例如，所述多步机器学习模型可根据模型类型的不同，关联不同的配置信息发送。所述模型类型不同，包括输入输出量不同、泛化能力不同、模型结构和参数信息不同等；根据类型的不同，多步机器学习模型中的每步(每个)模型可以关联不同的配置信息发送，例如第一步(个)模型关联每个定位方法发送，第二步(个)模型关联每个定位参考信号资源发送等。
(2)所述至少一个机器学习模型的参数。所述至少一个机器学习模型的参数包括如下至少一项：各层的权值；步长；均值；方差。
(3)机器学习模型的输入信息；所述机器学习模型的输入信息包括如下至少一项：
CIR；PDP；RSTD；RTT；AoA；RSRP；TOA；首径的功率；首径的时延；首径的TOA；首径的RSTD；首径的到达角；首径的天线子载波相位差；其它径的功率；其它径的时延；其它径的TOA；其它径的RSTD；其它径的到达角；其它径的天线子载波相位差；LoS识别信息；NLoS识别信息；平均 过量时延；均方根时延拓展；相干带宽。
进一步地，上述输入信息可以是单站的，或者是多站的，所述单站或多站信息由网络侧设备下发的基站数量信息确定，所述基站数量包括1-maxTRPNumber(最大TRP数量)，maxTRPNumber为特定场景下TRP的最大数量。
(4)机器学习模型的输出信息。所述机器学习模型的输出信息包括如下至少一项：
位置坐标信息；RSTD；RTT；AoA；RSRP；TOA；首径的功率；首径的时延；首径的TOA；首径的RSTD；首径的到达角；其它径的功率；其它径的时延；其它径的TOA；其它径的RSTD；其它径的到达角；LoS识别信息；NLoS识别信息。
在本申请另一种实施例中，所述误差模型信息包括如下至少一项：
(1)至少一个网络侧设备预估的误差值；其中，所述误差值包括如下至少一项：位置误差值，测量误差值，模型误差值和参数误差值。
(2)所述至少一个网络侧设备预估的误差模型；其中，所述误差模型包括如下至少一项：位置误差模型，测量误差模型，参数误差模型。
(3)所述至少一个网络侧设备预估的误差模型的参数；
(4)所述误差模型的输入信息；
(5)所述误差模型的输出信息。
若误差模型信息用于校准位置信息，则所述误差模型的输入信息包括终端初始位置或终端计算得到的位置，所述误差模型的输出信息包括经过误差校准后的位置信息。
若误差模型信息用于校准测量信息，则所述误差模型的输入信息包括初始第一测量信息，所述第一测量信息包括如下至少一项：CIR，PDP，RSTD，RTT，AoA，RSRP，TOA，首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、LoS识别信息、NLoS识别信息、平均过量时延均方根、时延拓展和相干带宽；所述误差模型的输出信息包括经过误差校准后的第一测量信息。
若误差模型信息用于校准模型信息或模型相关的参数信息，则所述误差模型的输入信息包括如下至少一项：机器学习模型、机器学习模型的参数、 预处理模型或预处理模型的参数；所述误差模型的输出信息包括如下至少一项：校准后的机器学习模型、校准后的机器学习模型的参数、校准后的预处理模型或校准后的预处理模型的参数。
在本申请一种实施例中，所述预处理模型信息用于预处理终端测量信息，使得处理后的测量信息能够更好地被机器学习模型训练或处理，所述预处理模型信息包括如下至少一项：
滤波器参数或结构；
卷积层参数或结构；
池化层参数或结构；
离散余弦变换(Discrete Cosine Transform，DCT)参数或结构；
小波变换参数或结构；
对测量信息进行预处理的参数或结构。即，测量信息的处理方法的参数或结构，例如，采样、截断、归一化、联立合并等方法。
所述预处理模型信息的输入信息包括第二测量信息，所述第二测量信息包括如下至少一项：CIR、PDP、RSTD、RTT、AoA、RSRP、TOA、首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、参考信号波形和参考信号的相关序列；所述预处理模型信息的输出信息包括经过预处理之后的第二测量信息。
在本申请一种实施例中，所述方法还包括：所述终端发送请求信息，所述请求信息用于请求所述第一信息的发送方式。第一信息的发送方式包括如下至少一项：
每个定位参考信号资源发送；每个定位参考信号资源集合发送；每个TRP发送；每个频率层发送；每个定位方法发送；每个定位场景发送。
在本申请一种实施例中，所述误差模型信息和预处理模型信息中的至少一项还可以与机器学习模型信息相关联发送，即per机器学习模型播发误差模型信息和/或预处理模型信息，也就是说，在每个机器学习模型下，下发该机器学习模型对应的预处理模型和误差模型，用于对该机器学习的输入量进行预处理，或者对该机器学习模型、模型参数、输出量的误差进行误差处理。
在本申请一种实施例中，所述方法还包括：所述终端发送终端定位能力信息，所述终端定位能力信息包括如下至少一项：
是否支持基于机器学习的定位；
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收机器学习模型信息；
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收误差模型信息；
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收预处理模型信息；
是否支持接收多个机器学习模型；
可接收机器学习模型的最大数量；
是否支持接收多个机器学习模型的参数；
可接收机器学习模型的参数的最大数量；
是否支持接收多个预处理模型；
可接收预处理模型的最大数量；
是否支持接收多个预处理模型的参数；
可接收预处理模型的参数的最大数量；
是否支持接收多个误差模型；
可接收误差模型的最大数量；
是否支持接收多个误差模型的参数；
可接收误差模型的参数的最大数量；
支持的机器学习模型的输入信息；
支持的机器学习模型的输出信息；
支持的预处理模型的输入信息；
支持的预处理模型的输出信息；
支持的误差模型的输入信息；
支持的误差模型的输出信息。
请参见图3，图3是本申请实施例提供的另一种定位方法的流程图，该定位方法，包括：
步骤301、网络侧设备发送配置信息，所述配置信息用于终端进行定位和/或所述终端上报定位信息。
具体的，终端可接收网络侧设备发送的配置信息。配置信息可以包括第 一模型信息，也可以不包括第一模型信息(此种情况下，终端已有第一模型信息，或者，终端可通过其他方式(例如，预配置方式)获取到第一模型信息)。终端根据配置信息可确定第一模型信息，并根据第一模型信息进行定位。终端也可以根据配置信息，将获得的定位信息(该定位信息的获取方式可以是根据第一模型信息进行定位获得，也可以是根据其他方式进行定位获得，在此不做限定)上报给网络侧设备。
上述中，“定位”可以理解为定位相关的过程，比如确定定位测量信息，处理定位测量信息，上报定位测量信息；确定定位误差，处理定位误差，上报定位误差；确定位置信息，处理位置信息，上报位置信息等等。
本实施例中，网络侧设备发送配置信息，所述配置信息用于终端进行定位和/或所述终端上报定位信息。终端根据配置信息可确定第一模型信息，从而选择相应的模型进行定位，提高定位精度，或者，终端也可以根据配置信息上报定位信息，例如，根据配置信息选择相应的上报方式上报定位信息。
可选地，所述配置信息包括如下至少一项：
定位参考信号资源配置信息；
定位参考信号资源集合配置信息；
频率层配置信息；
发送接收点TRP配置信息；
定位方法配置信息；
定位场景配置信息。
可选地，所述配置信息携带第一信息：
所述第一信息包括如下至少一项：
第一模型信息；
指示信息，所述指示信息用于指示所述终端上报所述定位信息。
可选地，所述指示信息用于指示所述定位信息的上报方式。
可选地，所述定位信息的上报方式通过如下至少一项确定：
根据第一模型信息的类型确定；
根据第一模型信息的发送方式确定；
根据指示信息确定；
根据指示信息的发送方式确定。
可选地，所述第一模型信息包括如下至少一项：
机器学习模型信息；
误差模型信息；
预处理模型信息。
可选地，所述机器学习模型信息包括如下至少一项：
至少一个机器学习模型；
所述至少一个机器学习模型的参数；
机器学习模型的输入信息；
机器学习模型的输出信息。
可选地，所述至少一个机器学习模型包括如下至少一项：
卷积神经网络CNN；
循环神经网络RNN；
递归神经网络LSTM；
递归张量神经网络RNTN；
生成对抗网络GAN；
深度置信网络DBN；
受限玻尔兹曼机RBM。
可选地，所述至少一个机器学习模型的参数包括如下至少一项：
各层的权值；步长；均值；方差。
可选地，所述机器学习模型的输入信息包括如下至少一项：
频道冲击响应CIR；时延功率谱PDP；参考信号时间差RSTD；往返时延RTT；到达角AoA；参考信号接收功率RSRP；到达时刻TOA；首径的功率；首径的时延；首径的TOA；首径的RSTD；首径的到达角；首径的天线子载波相位差；其它径的功率；其它径的时延；其它径的TOA；其它径的RSTD；其它径的到达角；其它径的天线子载波相位差；LoS识别信息；NLoS识别信息；平均过量时延；均方根时延拓展；相干带宽。
可选地，所述机器学习模型的输出信息包括如下至少一项：
位置坐标信息；RSTD；RTT；AoA；RSRP；TOA；首径的功率；首径的时延；首径的TOA；首径的RSTD；首径的到达角；其它径的功率；其它径的时延；其它径的TOA；其它径的RSTD；其它径的到达角；LoS识别信息；NLoS识别信息。
可选地，所述误差模型信息包括如下至少一项：
至少一个网络侧设备预估的误差值；
所述至少一个网络侧设备预估的误差模型；
所述至少一个网络侧设备预估的误差模型的参数；
所述误差模型的输入信息；
所述误差模型的输出信息。
可选地，所述误差值包括如下至少一项：位置误差值，测量误差值，模型误差值和参数误差值。
可选地，所述误差模型包括如下至少一项：位置误差模型，测量误差模型，参数误差模型。
可选地，所述误差模型的输入信息包括终端初始位置或终端计算得到的位置，所述误差模型的输出信息包括经过误差校准后的位置信息。
可选地，所述误差模型的输入信息包括初始第一测量信息，所述第一测量信息包括如下至少一项：CIR，PDP，RSTD，RTT，AoA，RSRP，TOA，首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、LoS识别信息、NLoS识别信息、平均过量时延均方根、时延拓展和相干带宽；
所述误差模型的输出信息包括经过误差校准后的第一测量信息。
可选地，所述误差模型的输入信息包括如下至少一项：机器学习模型、机器学习模型的参数、预处理模型或预处理模型的参数；
所述误差模型的输出信息包括如下至少一项：校准后的机器学习模型、校准后的机器学习模型的参数、校准后的预处理模型或校准后的预处理模型的参数。
可选地，所述预处理模型信息包括如下至少一项：
滤波器参数或结构；
卷积层参数或结构；
池化层参数或结构；
离散余弦变换参数或结构；
小波变换参数或结构；
对测量信息进行预处理的参数或结构。
可选地，所述预处理模型信息的输入信息包括第二测量信息；
所述第二测量信息包括如下至少一项：CIR、PDP、RSTD、RTT、AoA、RSRP、TOA、首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它 径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、参考信号波形和参考信号的相关序列；
所述预处理模型信息的输出信息包括经过预处理之后的第二测量信息。
可选地，所述至少一个机器学习模型包括多步机器学习模型。
可选地，所述多步机器学习模型包括如下至少一项：
根据输入信息类型和输出信息类型区分的多步机器学习模型；
根据模型参数不同区分的多步机器学习模型；
根据泛化能力不同区分的多步机器学习模型。
可选地，所述定位信息包括如下至少一项：
测量信息；
误差信息；
定位结果；
机器学习模型更新信息
误差模型更新信息；
预处理模型更新信息。
可选地，所述方法还包括：
所述网络侧设备接收所述终端发送的请求信息，所述请求信息用于请求所述第一信息的发送方式。
可选地，所述方法还包括：
所述网络侧设备接收所述终端发送的终端定位能力信息，所述终端定位能力信息包括如下至少一项：
是否支持基于机器学习的定位；
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收机器学习模型信息；
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收误差模型信息；
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收预处理模型信息；
是否支持接收多个机器学习模型；
可接收机器学习模型的最大数量；
是否支持接收多个机器学习模型的参数；
可接收机器学习模型的参数的最大数量；
是否支持接收多个预处理模型；
可接收预处理模型的最大数量；
是否支持接收多个预处理模型的参数；
可接收预处理模型的参数的最大数量；
是否支持接收多个误差模型；
可接收误差模型的最大数量；
是否支持接收多个误差模型的参数；
可接收误差模型的参数的最大数量；
支持的机器学习模型的输入信息；
支持的机器学习模型的输出信息；
支持的预处理模型的输入信息；
支持的预处理模型的输出信息；
支持的误差模型的输入信息；
支持的误差模型的输出信息。
本申请图2提供的定位方法，执行主体可以为第一定位装置。本申请实施例中以第一定位装置执行定位方法为例，说明本申请图2实施例提供的定位方法的装置。
如图4所示，本申请实施例提供一种第一定位装置400，包括：
配置模块401，用于确定配置信息；
执行模块402，用于根据所述配置信息，执行如下至少一项操作：
确定第一模型信息，并根据所述第一模型信息进行定位；
上报定位信息。
可选地，所述配置信息包括如下至少一项：
定位参考信号资源配置信息；
定位参考信号资源集合配置信息；
频率层配置信息；
发送接收点TRP配置信息；
定位方法配置信息；
定位场景配置信息。
可选地，所述装置还包括接收模块，用于接收网络侧设备发送的第一信 息；
所述第一信息包括如下至少一项：
所述第一模型信息；
指示信息，所述指示信息用于指示所述终端上报所述定位信息。
可选地，所述第一信息携带在所述配置信息中。
可选地，所述指示信息用于指示所述定位信息的上报方式。
可选地，所述定位信息的上报方式通过如下至少一项确定：
根据第一模型信息的类型确定；
根据第一模型信息的发送方式确定；
根据指示信息确定；
根据指示信息的发送方式确定。
可选地，所述定位信息的上报方式包括以下至少一项：
每个定位参考信号资源发送；
每个定位参考信号资源集合发送；
每个TRP发送；
每个频率层发送；
每个定位方法发送；
每个定位场景发送。
可选地，在所述定位信息采用目标上报方式上报的情况下，所述定位信息还包括目标上报方式对应的标识信息，所述标识信息包括以下至少一项：
定位参考信号资源标识信息；
定位参考信号资源集合标识信息；
TRP标识信息；
频率层标识信息；
定位方法标识信息；
定位场景标识信息。
可选地，所述第一模型信息包括如下至少一项：
机器学习模型信息；
误差模型信息；
预处理模型信息。
可选地，所述机器学习模型信息包括如下至少一项：
至少一个机器学习模型；
所述至少一个机器学习模型的参数；
机器学习模型的输入信息；
机器学习模型的输出信息。
可选地，所述至少一个机器学习模型包括如下至少一项：
卷积神经网络CNN；
循环神经网络RNN；
递归神经网络LSTM；
递归张量神经网络RNTN；
生成对抗网络GAN；
深度置信网络DBN；
受限玻尔兹曼机RBM。
可选地，所述至少一个机器学习模型的参数包括如下至少一项：
各层的权值；步长；均值；方差。
可选地，所述机器学习模型的输入信息包括如下至少一项：
频道冲击响应CIR；时延功率谱PDP；参考信号时间差RSTD；往返时延RTT；到达角AoA；参考信号接收功率RSRP；到达时刻TOA；首径的功率；首径的时延；首径的TOA；首径的RSTD；首径的到达角；首径的天线子载波相位差；其它径的功率；其它径的时延；其它径的TOA；其它径的RSTD；其它径的到达角；其它径的天线子载波相位差；LoS识别信息；NLoS识别信息；平均过量时延；均方根时延拓展；相干带宽。
可选地，所述机器学习模型的输出信息包括如下至少一项：
位置坐标信息；RSTD；RTT；AoA；RSRP；TOA；首径的功率；首径的时延；首径的TOA；首径的RSTD；首径的到达角；其它径的功率；其它径的时延；其它径的TOA；其它径的RSTD；其它径的到达角；LoS识别信息；NLoS识别信息。
可选地，所述误差模型信息包括如下至少一项：
至少一个网络侧设备预估的误差值；
所述至少一个网络侧设备预估的误差模型；
所述至少一个网络侧设备预估的误差模型的参数；
所述误差模型的输入信息；
所述误差模型的输出信息。
可选地，所述误差值包括如下至少一项：位置误差值，测量误差值，模 型误差值和参数误差值。
可选地，所述误差模型包括如下至少一项：位置误差模型，测量误差模型，参数误差模型。
可选地，所述误差模型的输入信息包括终端初始位置或终端计算得到的位置，所述误差模型的输出信息包括经过误差校准后的位置信息。
可选地，所述误差模型的输入信息包括初始第一测量信息，所述第一测量信息包括如下至少一项：CIR，PDP，RSTD，RTT，AoA，RSRP，TOA，首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、LoS识别信息、NLoS识别信息、平均过量时延均方根、时延拓展和相干带宽；
所述误差模型的输出信息包括经过误差校准后的第一测量信息。
可选地，所述误差模型的输入信息包括如下至少一项：机器学习模型、机器学习模型的参数、预处理模型或预处理模型的参数；
所述误差模型的输出信息包括如下至少一项：校准后的机器学习模型、校准后的机器学习模型的参数、校准后的预处理模型或校准后的预处理模型的参数。
可选地，所述预处理模型信息包括如下至少一项：
滤波器参数或结构；
卷积层参数或结构；
池化层参数或结构；
离散余弦变换参数或结构；
小波变换参数或结构；
对测量信息进行预处理的参数或结构。
可选地，所述预处理模型信息的输入信息包括第二测量信息；
所述第二测量信息包括如下至少一项：CIR、PDP、RSTD、RTT、AoA、RSRP、TOA、首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、参考信号波形和参考信号的相关序列；
所述预处理模型信息的输出信息包括经过预处理之后的第二测量信息。
可选地，所述至少一个机器学习模型包括多步机器学习模型。
可选地，所述多步机器学习模型包括如下至少一项：
根据输入信息类型和输出信息类型区分的多步机器学习模型；
根据模型参数不同区分的多步机器学习模型；
根据泛化能力不同区分的多步机器学习模型。
可选地，所述定位信息包括如下至少一项：
测量信息；
误差信息；
定位结果；
机器学习模型更新信息
误差模型更新信息；
预处理模型更新信息。
可选地，所述装置还包括第一发送模块，用于发送请求信息，所述请求信息用于请求所述第一信息的发送方式。
可选地，所述装置还包括第二发送模块，用于发送终端定位能力信息，所述终端定位能力信息包括如下至少一项：
是否支持基于机器学习的定位；
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收机器学习模型信息；
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收误差模型信息；
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收预处理模型信息；
是否支持接收多个机器学习模型；
可接收机器学习模型的最大数量；
是否支持接收多个机器学习模型的参数；
可接收机器学习模型的参数的最大数量；
是否支持接收多个预处理模型；
可接收预处理模型的最大数量；
是否支持接收多个预处理模型的参数；
可接收预处理模型的参数的最大数量；
是否支持接收多个误差模型；
可接收误差模型的最大数量；
是否支持接收多个误差模型的参数；
可接收误差模型的参数的最大数量；
支持的机器学习模型的输入信息；
支持的机器学习模型的输出信息；
支持的预处理模型的输入信息；
支持的预处理模型的输出信息；
支持的误差模型的输入信息；
支持的误差模型的输出信息。
本申请实施例中的第一定位装置400可以是电子设备，例如具有操作系统的电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，终端可以包括但不限于上述所列举的终端11的类型，其他设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)等，本申请实施例不作具体限定。
本申请实施例提供的第一定位装置400能够实现图2的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
本申请图3提供的定位方法，执行主体可以为第二定位装置。本申请实施例中以第二定位装置执行定位方法为例，说明本申请实施例提供的定位方法的装置。
如图5所示，本申请实施例提供一种第二定位装置500，包括：
发送模块501，用于发送配置信息，所述配置信息用于终端进行定位和/或所述终端上报定位信息。
可选地，所述配置信息包括如下至少一项：
定位参考信号资源配置信息；
定位参考信号资源集合配置信息；
频率层配置信息；
发送接收点TRP配置信息；
定位方法配置信息；
定位场景配置信息。
可选地，所述配置信息携带第一信息：
所述第一信息包括如下至少一项：
第一模型信息；
指示信息，所述指示信息用于指示所述终端上报所述定位信息。
可选地，所述指示信息用于指示所述定位信息的上报方式。
可选地，所述定位信息的上报方式通过如下至少一项确定：
根据第一模型信息的类型确定；
根据第一模型信息的发送方式确定；
根据指示信息确定；
根据指示信息的发送方式确定。
可选地，所述第一模型信息包括如下至少一项：
机器学习模型信息；
误差模型信息；
预处理模型信息。
可选地，所述机器学习模型信息包括如下至少一项：
至少一个机器学习模型；
所述至少一个机器学习模型的参数；
机器学习模型的输入信息；
机器学习模型的输出信息。
可选地，所述至少一个机器学习模型包括如下至少一项：
卷积神经网络CNN；
循环神经网络RNN；
递归神经网络LSTM；
递归张量神经网络RNTN；
生成对抗网络GAN；
深度置信网络DBN；
受限玻尔兹曼机RBM。
可选地，所述至少一个机器学习模型的参数包括如下至少一项：
各层的权值；步长；均值；方差。
可选地，所述机器学习模型的输入信息包括如下至少一项：
频道冲击响应CIR；时延功率谱PDP；参考信号时间差RSTD；往返时延RTT；到达角AoA；参考信号接收功率RSRP；到达时刻TOA；首径的功率；首径的时延；首径的TOA；首径的RSTD；首径的到达角；首径的天线子载波相位差；其它径的功率；其它径的时延；其它径的TOA；其它径的RSTD； 其它径的到达角；其它径的天线子载波相位差；LoS识别信息；NLoS识别信息；平均过量时延；均方根时延拓展；相干带宽。
可选地，所述机器学习模型的输出信息包括如下至少一项：
位置坐标信息；RSTD；RTT；AoA；RSRP；TOA；首径的功率；首径的时延；首径的TOA；首径的RSTD；首径的到达角；其它径的功率；其它径的时延；其它径的TOA；其它径的RSTD；其它径的到达角；LoS识别信息；NLoS识别信息。
可选地，所述误差模型信息包括如下至少一项：
至少一个网络侧设备预估的误差值；
所述至少一个网络侧设备预估的误差模型；
所述至少一个网络侧设备预估的误差模型的参数；
所述误差模型的输入信息；
所述误差模型的输出信息。
可选地，所述误差值包括如下至少一项：位置误差值，测量误差值，模型误差值和参数误差值。
可选地，所述误差模型包括如下至少一项：位置误差模型，测量误差模型，参数误差模型。
可选地，所述误差模型的输入信息包括终端初始位置或终端计算得到的位置，所述误差模型的输出信息包括经过误差校准后的位置信息。
可选地，所述误差模型的输入信息包括初始第一测量信息，所述第一测量信息包括如下至少一项：CIR，PDP，RSTD，RTT，AoA，RSRP，TOA，首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、LoS识别信息、NLoS识别信息、平均过量时延均方根、时延拓展和相干带宽；
所述误差模型的输出信息包括经过误差校准后的第一测量信息。
可选地，所述误差模型的输入信息包括如下至少一项：机器学习模型、机器学习模型的参数、预处理模型或预处理模型的参数；
所述误差模型的输出信息包括如下至少一项：校准后的机器学习模型、校准后的机器学习模型的参数、校准后的预处理模型或校准后的预处理模型的参数。
可选地，所述预处理模型信息包括如下至少一项：
滤波器参数或结构；
卷积层参数或结构；
池化层参数或结构；
离散余弦变换参数或结构；
小波变换参数或结构；
对测量信息进行预处理的参数或结构。
可选地，所述预处理模型信息的输入信息包括第二测量信息；
所述第二测量信息包括如下至少一项：CIR、PDP、RSTD、RTT、AoA、RSRP、TOA、首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、参考信号波形和参考信号的相关序列；
所述预处理模型信息的输出信息包括经过预处理之后的第二测量信息。
可选地，所述至少一个机器学习模型包括多步机器学习模型。
可选地，所述多步机器学习模型包括如下至少一项：
根据输入信息类型和输出信息类型区分的多步机器学习模型；
根据模型参数不同区分的多步机器学习模型；
根据泛化能力不同区分的多步机器学习模型。
可选地，所述定位信息包括如下至少一项：
测量信息；
误差信息；
定位结果；
机器学习模型更新信息
误差模型更新信息；
预处理模型更新信息。
可选地，第二定位装置还包括第一接收模块，用于接收所述终端发送的请求信息，所述请求信息用于请求所述第一信息的发送方式。
可选地，第二定位装置还包括第二接收模块，用于接收所述终端发送的终端定位能力信息，所述终端定位能力信息包括如下至少一项：
是否支持基于机器学习的定位；
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收机器学习模型 信息；
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收误差模型信息；
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收预处理模型信息；
是否支持接收多个机器学习模型；
可接收机器学习模型的最大数量；
是否支持接收多个机器学习模型的参数；
可接收机器学习模型的参数的最大数量；
是否支持接收多个预处理模型；
可接收预处理模型的最大数量；
是否支持接收多个预处理模型的参数；
可接收预处理模型的参数的最大数量；
是否支持接收多个误差模型；
可接收误差模型的最大数量；
是否支持接收多个误差模型的参数；
可接收误差模型的参数的最大数量；
支持的机器学习模型的输入信息；
支持的机器学习模型的输出信息；
支持的预处理模型的输入信息；
支持的预处理模型的输出信息；
支持的误差模型的输入信息；
支持的误差模型的输出信息。
本申请实施例提供的第二定位装置500能够实现图3的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
可选地，如图6所示，本申请实施例还提供一种通信设备600，包括处理器601和存储器602，存储器602上存储有可在所述处理器601上运行的程序或指令，例如，该通信设备600为终端时，该程序或指令被处理器601执行时实现上述图2所示定位方法实施例的各个步骤，且能达到相同的技术效果。该通信设备600为网络侧设备时，该程序或指令被处理器601执行时实现上述图3所示定位方法实施例的各个步骤，且能达到相同的技术效果， 为避免重复，这里不再赘述。
本申请实施例还提供一种终端，包括处理器和通信接口，处理器用于根据所述配置信息，执行如下至少一项操作：确定第一模型信息，并根据所述第一模型信息进行定位；上报定位信息，通信接口用于获取配置信息。该终端实施例与上述终端侧方法实施例对应，上述方法实施例的各个实施过程和实现方式均可适用于该终端实施例中，且能达到相同的技术效果。具体地，图7为实现本申请实施例的一种终端的硬件结构示意图。
该终端700包括但不限于：射频单元701、网络模块702、音频输出单元703、输入单元704、传感器705、显示单元706、用户输入单元707、接口单元708、存储器709以及处理器710等中的至少部分部件。
本领域技术人员可以理解，终端700还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器710逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图7中示出的终端结构并不构成对终端的限定，终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
应理解的是，本申请实施例中，输入单元704可以包括图形处理单元(Graphics Processing Unit，GPU)7041和麦克风7042，图形处理器7041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元706可包括显示面板7061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板7061。用户输入单元707包括触控面板7071以及其他输入设备7072中的至少一种。触控面板7071，也称为触摸屏。触控面板7071可包括触摸检测装置和触摸控制器两个部分。其他输入设备7072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
本申请实施例中，射频单元701接收来自网络侧设备的下行数据后，可以传输给处理器710进行处理；另外，射频单元701可以向网络侧设备发送上行数据。通常，射频单元701包括但不限于天线、放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器709可用于存储软件程序或指令以及各种数据。存储器709可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器709可以包括易失性存储器或 非易失性存储器，或者，存储器709可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本申请实施例中的存储器709包括但不限于这些和任意其它适合类型的存储器。
处理器710可包括一个或多个处理单元；可选地，处理器710集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器710中。
其中，射频单元701，用于获取配置信息；
处理器710，用于根据所述配置信息，执行如下至少一项操作：
确定第一模型信息，并根据所述第一模型信息进行定位；
上报定位信息。
可选地，所述配置信息包括如下至少一项：
定位参考信号资源配置信息；
定位参考信号资源集合配置信息；
频率层配置信息；
发送接收点TRP配置信息；
定位方法配置信息；
定位场景配置信息。
可选地，射频单元701，还用于接收网络侧设备发送的第一信息；
所述第一信息包括如下至少一项：
所述第一模型信息；
指示信息，所述指示信息用于指示所述终端上报所述定位信息。
可选地，所述第一信息携带在所述配置信息中。
可选地，所述指示信息用于指示所述定位信息的上报方式。
可选地，所述定位信息的上报方式通过如下至少一项确定：
根据第一模型信息的类型确定；
根据第一模型信息的发送方式确定；
根据指示信息确定；
根据指示信息的发送方式确定。
可选地，所述定位信息的上报方式包括以下至少一项：
每个定位参考信号资源发送；
每个定位参考信号资源集合发送；
每个TRP发送；
每个频率层发送；
每个定位方法发送；
每个定位场景发送。
可选地，在所述定位信息采用目标上报方式上报的情况下，所述定位信息还包括目标上报方式对应的标识信息，所述标识信息包括以下至少一项：
定位参考信号资源标识信息；
定位参考信号资源集合标识信息；
TRP标识信息；
频率层标识信息；
定位方法标识信息；
定位场景标识信息。
可选地，所述第一模型信息包括如下至少一项：
机器学习模型信息；
误差模型信息；
预处理模型信息。
可选地，所述机器学习模型信息包括如下至少一项：
至少一个机器学习模型；
所述至少一个机器学习模型的参数；
机器学习模型的输入信息；
机器学习模型的输出信息。
可选地，所述至少一个机器学习模型包括如下至少一项：
卷积神经网络CNN；
循环神经网络RNN；
递归神经网络LSTM；
递归张量神经网络RNTN；
生成对抗网络GAN；
深度置信网络DBN；
受限玻尔兹曼机RBM。
可选地，所述至少一个机器学习模型的参数包括如下至少一项：
各层的权值；
步长；
均值；
方差。
可选地，所述机器学习模型的输入信息包括如下至少一项：
频道冲击响应CIR；时延功率谱PDP；参考信号时间差RSTD；往返时延RTT；到达角AoA；参考信号接收功率RSRP；到达时刻TOA；首径的功率；首径的时延；首径的TOA；首径的RSTD；首径的到达角；首径的天线子载波相位差；其它径的功率；其它径的时延；其它径的TOA；其它径的RSTD；其它径的到达角；其它径的天线子载波相位差；LoS识别信息；NLoS识别信息；平均过量时延；均方根时延拓展；相干带宽。
可选地，所述机器学习模型的输出信息包括如下至少一项：
位置坐标信息；RSTD；RTT；AoA；RSRP；TOA；首径的功率；首径的时延；首径的TOA；首径的RSTD；首径的到达角；其它径的功率；其它径的时延；其它径的TOA；其它径的RSTD；其它径的到达角；LoS识别信息；NLoS识别信息。
可选地，所述误差模型信息包括如下至少一项：
至少一个网络侧设备预估的误差值；
所述至少一个网络侧设备预估的误差模型；
所述至少一个网络侧设备预估的误差模型的参数；
所述误差模型的输入信息；
所述误差模型的输出信息。
可选地，所述误差值包括如下至少一项：位置误差值，测量误差值，模型误差值和参数误差值。
可选地，所述误差模型包括如下至少一项：位置误差模型，测量误差模 型，参数误差模型。
可选地，所述误差模型的输入信息包括终端初始位置或终端计算得到的位置，所述误差模型的输出信息包括经过误差校准后的位置信息。
可选地，所述误差模型的输入信息包括初始第一测量信息，所述第一测量信息包括如下至少一项：CIR，PDP，RSTD，RTT，AoA，RSRP，TOA，首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、LoS识别信息、NLoS识别信息、平均过量时延均方根、时延拓展和相干带宽；
所述误差模型的输出信息包括经过误差校准后的第一测量信息。
可选地，所述误差模型的输入信息包括如下至少一项：机器学习模型、机器学习模型的参数、预处理模型或预处理模型的参数；
所述误差模型的输出信息包括如下至少一项：校准后的机器学习模型、校准后的机器学习模型的参数、校准后的预处理模型或校准后的预处理模型的参数。
可选地，所述预处理模型信息包括如下至少一项：
滤波器参数或结构；
卷积层参数或结构；
池化层参数或结构；
离散余弦变换参数或结构；
小波变换参数或结构；
对测量信息进行预处理的参数或结构。
可选地，所述预处理模型信息的输入信息包括第二测量信息；
所述第二测量信息包括如下至少一项：CIR、PDP、RSTD、RTT、AoA、RSRP、TOA、首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、参考信号波形和参考信号的相关序列；
所述预处理模型信息的输出信息包括经过预处理之后的第二测量信息。
可选地，所述至少一个机器学习模型包括多步机器学习模型。
可选地，所述多步机器学习模型包括如下至少一项：
根据输入信息类型和输出信息类型区分的多步机器学习模型；
根据模型参数不同区分的多步机器学习模型；
根据泛化能力不同区分的多步机器学习模型。
可选地，所述定位信息包括如下至少一项：
测量信息；
误差信息；
定位结果；
机器学习模型更新信息
误差模型更新信息；
预处理模型更新信息。
可选地，射频单元701，还用于发送请求信息，所述请求信息用于请求所述第一信息的发送方式。
可选地，射频单元701，还用于发送终端定位能力信息，所述终端定位能力信息包括如下至少一项：
是否支持基于机器学习的定位；
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收机器学习模型信息；
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收误差模型信息；
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收预处理模型信息；
是否支持接收多个机器学习模型；
可接收机器学习模型的最大数量；
是否支持接收多个机器学习模型的参数；
可接收机器学习模型的参数的最大数量；
是否支持接收多个预处理模型；
可接收预处理模型的最大数量；
是否支持接收多个预处理模型的参数；
可接收预处理模型的参数的最大数量；
是否支持接收多个误差模型；
可接收误差模型的最大数量；
是否支持接收多个误差模型的参数；
可接收误差模型的参数的最大数量；
支持的机器学习模型的输入信息；
支持的机器学习模型的输出信息；
支持的预处理模型的输入信息；
支持的预处理模型的输出信息；
支持的误差模型的输入信息；
支持的误差模型的输出信息。
本申请实施例还提供一种网络侧设备，包括处理器和通信接口，通信接口用于发送配置信息，所述配置信息用于终端进行定位和/或所述终端上报定位信息。该网络侧设备实施例与上述网络侧设备方法实施例对应，上述方法实施例的各个实施过程和实现方式均可适用于该网络侧设备实施例中，且能达到相同的技术效果。
具体地，本申请实施例还提供了一种网络侧设备。如图8所示，该网络侧设备800包括：天线81、射频装置82、基带装置83、处理器84和存储器85。天线81与射频装置82连接。在上行方向上，射频装置82通过天线81接收信息，将接收的信息发送给基带装置83进行处理。在下行方向上，基带装置83对要发送的信息进行处理，并发送给射频装置82，射频装置82对收到的信息进行处理后经过天线81发送出去。
以上实施例中网络侧设备执行的方法可以在基带装置83中实现，该基带装置83包括基带处理器。
基带装置83例如可以包括至少一个基带板，该基带板上设置有多个芯片，如图8所示，其中一个芯片例如为基带处理器，通过总线接口与存储器85连接，以调用存储器85中的程序，执行以上方法实施例中所示的网络侧设备操作。
该网络侧设备还可以包括网络接口86，该接口例如为通用公共无线接口(common public radio interface，CPRI)。
具体地，本发明实施例的网络侧设备800还包括：存储在存储器85上并可在处理器84上运行的指令或程序，处理器84调用存储器85中的指令或程序执行图5所示各模块执行的方法，并达到相同的技术效果，为避免重复，故不在此赘述。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程 序或指令，该程序或指令被处理器执行时实现上述定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片，系统芯片，芯片系统或片上系统芯片等。
本申请实施例另提供了一种计算机程序/程序产品，所述计算机程序/程序产品被存储在存储介质中，所述计算机程序/程序产品被至少一个处理器执行以实现上述定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供了一种通信系统，包括：终端及网络侧设备，所述终端可用于执行如上所述的图2所示方法实施例的步骤，所述网络侧设备可用于执行如图3所示方法实施例的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的 技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络侧设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (58)

  1. 一种定位方法，包括：
    终端确定配置信息；
    终端根据所述配置信息，执行如下至少一项操作：
    确定第一模型信息，并根据所述第一模型信息进行定位；
    上报定位信息。
  2. 根据权利要求1所述的方法，其中，所述配置信息包括如下至少一项：
    定位参考信号资源配置信息；
    定位参考信号资源集合配置信息；
    频率层配置信息；
    发送接收点TRP配置信息；
    定位方法配置信息；
    定位场景配置信息。
  3. 根据权利要求1所述的方法，其中，所述方法还包括，所述终端接收网络侧设备发送的第一信息；
    所述第一信息包括如下至少一项：
    所述第一模型信息；
    指示信息，所述指示信息用于指示所述终端上报所述定位信息。
  4. 根据权利要求3所述的方法，其中，所述第一信息携带在所述配置信息中。
  5. 根据权利要求3所述的方法，其中，所述指示信息用于指示所述定位信息的上报方式。
  6. 根据权利要求5所述的方法，其中，所述定位信息的上报方式通过如下至少一项确定：
    根据第一模型信息的类型确定；
    根据第一模型信息的发送方式确定；
    根据指示信息确定；
    根据指示信息的发送方式确定。
  7. 根据权利要求5所述的方法，其中，所述定位信息的上报方式包括以下至少一项：
    每个定位参考信号资源发送；
    每个定位参考信号资源集合发送；
    每个TRP发送；
    每个频率层发送；
    每个定位方法发送；
    每个定位场景发送。
  8. 根据权利要求5-7中任一项所述的方法，其中，在所述定位信息采用目标上报方式上报的情况下，所述定位信息还包括目标上报方式对应的标识信息，所述标识信息包括以下至少一项：
    定位参考信号资源标识信息；
    定位参考信号资源集合标识信息；
    TRP标识信息；
    频率层标识信息；
    定位方法标识信息；
    定位场景标识信息。
  9. 根据权利要求1所述的方法，其中，所述第一模型信息包括如下至少一项：
    机器学习模型信息；
    误差模型信息；
    预处理模型信息。
  10. 根据权利要求9所述的方法，其中，所述机器学习模型信息包括如下至少一项：
    至少一个机器学习模型；
    所述至少一个机器学习模型的参数；
    机器学习模型的输入信息；
    机器学习模型的输出信息。
  11. 根据权利要求10所述的方法，其中，所述至少一个机器学习模型包括如下至少一项：
    卷积神经网络CNN；
    循环神经网络RNN；
    递归神经网络LSTM；
    递归张量神经网络RNTN；
    生成对抗网络GAN；
    深度置信网络DBN；
    受限玻尔兹曼机RBM。
  12. 根据权利要求10所述的方法，其中，所述至少一个机器学习模型的参数包括如下至少一项：
    各层的权值；
    步长；
    均值；
    方差。
  13. 根据权利要求10所述的方法，其中，所述机器学习模型的输入信息包括如下至少一项：
    频道冲击响应CIR；
    时延功率谱PDP；
    参考信号时间差RSTD；
    往返时延RTT；
    到达角AoA；
    参考信号接收功率RSRP；
    到达时刻TOA；
    首径的功率；
    首径的时延；
    首径的TOA；
    首径的RSTD；
    首径的到达角；
    首径的天线子载波相位差；
    其它径的功率；
    其它径的时延；
    其它径的TOA；
    其它径的RSTD；
    其它径的到达角；
    其它径的天线子载波相位差；
    LoS识别信息；
    NLoS识别信息；
    平均过量时延；
    均方根时延拓展；
    相干带宽。
  14. 根据权利要求10所述的方法，其中，所述机器学习模型的输出信息包括如下至少一项：
    位置坐标信息；
    RSTD；
    RTT；
    AoA；
    RSRP；
    TOA；
    首径的功率；
    首径的时延；
    首径的TOA；
    首径的RSTD；
    首径的到达角；
    其它径的功率；
    其它径的时延；
    其它径的TOA；
    其它径的RSTD；
    其它径的到达角；
    LoS识别信息；
    NLoS识别信息。
  15. 根据权利要求9所述的方法，其中，所述误差模型信息包括如下至少一项：
    至少一个网络侧设备预估的误差值；
    所述至少一个网络侧设备预估的误差模型；
    所述至少一个网络侧设备预估的误差模型的参数；
    所述误差模型的输入信息；
    所述误差模型的输出信息。
  16. 根据权利要求15所述的方法，其中，所述误差值包括如下至少一项：位置误差值，测量误差值，模型误差值和参数误差值。
  17. 根据权利要求15所述的方法，其中，所述误差模型包括如下至少一 项：位置误差模型，测量误差模型，参数误差模型。
  18. 根据权利要求15所述的方法，其中，所述误差模型的输入信息包括终端初始位置或终端计算得到的位置，所述误差模型的输出信息包括经过误差校准后的位置信息。
  19. 根据权利要求15所述的方法，其中，所述误差模型的输入信息包括初始第一测量信息，所述第一测量信息包括如下至少一项：CIR，PDP，RSTD，RTT，AoA，RSRP，TOA，首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、LoS识别信息、NLoS识别信息、平均过量时延均方根、时延拓展和相干带宽；
    所述误差模型的输出信息包括经过误差校准后的第一测量信息。
  20. 根据权利要求15所述的方法，其中，所述误差模型的输入信息包括如下至少一项：机器学习模型、机器学习模型的参数、预处理模型或预处理模型的参数；
    所述误差模型的输出信息包括如下至少一项：校准后的机器学习模型、校准后的机器学习模型的参数、校准后的预处理模型或校准后的预处理模型的参数。
  21. 根据权利要求9所述的方法，其中，所述预处理模型信息包括如下至少一项：
    滤波器参数或结构；
    卷积层参数或结构；
    池化层参数或结构；
    离散余弦变换参数或结构；
    小波变换参数或结构；
    对测量信息进行预处理的参数或结构。
  22. 根据权利要求9所述的方法，其中，所述预处理模型信息的输入信息包括第二测量信息；
    所述第二测量信息包括如下至少一项：CIR、PDP、RSTD、RTT、AoA、RSRP、TOA、首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、 参考信号波形和参考信号的相关序列；
    所述预处理模型信息的输出信息包括经过预处理之后的第二测量信息。
  23. 根据权利要求10所述的方法，其中，所述至少一个机器学习模型包括多步机器学习模型。
  24. 根据权利要求23所述的方法，其中，所述多步机器学习模型包括如下至少一项：
    根据输入信息类型和输出信息类型区分的多步机器学习模型；
    根据模型参数不同区分的多步机器学习模型；
    根据泛化能力不同区分的多步机器学习模型。
  25. 根据权利要求1所述的方法，其中，所述定位信息包括如下至少一项：
    测量信息；
    误差信息；
    定位结果；
    机器学习模型更新信息
    误差模型更新信息；
    预处理模型更新信息。
  26. 根据权利要求3所述的方法，其中，所述方法还包括：
    所述终端发送请求信息，所述请求信息用于请求所述第一信息的发送方式。
  27. 根据权利要求1所述的方法，其中，所述方法还包括：
    所述终端发送终端定位能力信息，所述终端定位能力信息包括如下至少一项：
    是否支持基于机器学习的定位；
    是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收机器学习模型信息；
    是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收误差模型信息；
    是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收预处理模型信息；
    是否支持接收多个机器学习模型；
    可接收机器学习模型的最大数量；
    是否支持接收多个机器学习模型的参数；
    可接收机器学习模型的参数的最大数量；
    是否支持接收多个预处理模型；
    可接收预处理模型的最大数量；
    是否支持接收多个预处理模型的参数；
    可接收预处理模型的参数的最大数量；
    是否支持接收多个误差模型；
    可接收误差模型的最大数量；
    是否支持接收多个误差模型的参数；
    可接收误差模型的参数的最大数量；
    支持的机器学习模型的输入信息；
    支持的机器学习模型的输出信息；
    支持的预处理模型的输入信息；
    支持的预处理模型的输出信息；
    支持的误差模型的输入信息；
    支持的误差模型的输出信息。
  28. 一种定位方法，包括：
    网络侧设备发送配置信息，所述配置信息用于终端进行定位和/或所述终端上报定位信息。
  29. 根据权利要求28所述的方法，其中，所述配置信息包括如下至少一项：
    定位参考信号资源配置信息；
    定位参考信号资源集合配置信息；
    频率层配置信息；
    发送接收点TRP配置信息；
    定位方法配置信息；
    定位场景配置信息。
  30. 根据权利要求28所述的方法，其中，所述配置信息携带第一信息：
    所述第一信息包括如下至少一项：
    第一模型信息；
    指示信息，所述指示信息用于指示所述终端上报所述定位信息。
  31. 根据权利要求30所述的方法，其中，所述指示信息用于指示所述定位信息的上报方式。
  32. 根据权利要求31所述的方法，其中，所述定位信息的上报方式通过如下至少一项确定：
    根据第一模型信息的类型确定；
    根据第一模型信息的发送方式确定；
    根据指示信息确定；
    根据指示信息的发送方式确定。
  33. 根据权利要求30所述的方法，其中，所述第一模型信息包括如下至少一项：
    机器学习模型信息；
    误差模型信息；
    预处理模型信息。
  34. 根据权利要求33所述的方法，其中，所述机器学习模型信息包括如下至少一项：
    至少一个机器学习模型；
    所述至少一个机器学习模型的参数；
    机器学习模型的输入信息；
    机器学习模型的输出信息。
  35. 根据权利要求34所述的方法，其中，所述至少一个机器学习模型包括如下至少一项：
    卷积神经网络CNN；
    循环神经网络RNN；
    递归神经网络LSTM；
    递归张量神经网络RNTN；
    生成对抗网络GAN；
    深度置信网络DBN；
    受限玻尔兹曼机RBM。
  36. 根据权利要求34所述的方法，其中，所述至少一个机器学习模型的参数包括如下至少一项：
    各层的权值；
    步长；
    均值；
    方差。
  37. 根据权利要求34所述的方法，其中，所述机器学习模型的输入信息包括如下至少一项：
    频道冲击响应CIR；
    时延功率谱PDP；
    参考信号时间差RSTD；
    往返时延RTT；
    到达角AoA；
    参考信号接收功率RSRP；
    到达时刻TOA；
    首径的功率；
    首径的时延；
    首径的TOA；
    首径的RSTD；
    首径的到达角；
    首径的天线子载波相位差；
    其它径的功率；
    其它径的时延；
    其它径的TOA；
    其它径的RSTD；
    其它径的到达角；
    其它径的天线子载波相位差；
    LoS识别信息；
    NLoS识别信息；
    平均过量时延；
    均方根时延拓展；
    相干带宽。
  38. 根据权利要求34所述的方法，其中，所述机器学习模型的输出信息包括如下至少一项：
    位置坐标信息；
    RSTD；
    RTT；
    AoA；
    RSRP；
    TOA；
    首径的功率；
    首径的时延；
    首径的TOA；
    首径的RSTD；
    首径的到达角；
    其它径的功率；
    其它径的时延；
    其它径的TOA；
    其它径的RSTD；
    其它径的到达角；
    LoS识别信息；
    NLoS识别信息。
  39. 根据权利要求33所述的方法，其中，所述误差模型信息包括如下至少一项：
    至少一个网络侧设备预估的误差值；
    所述至少一个网络侧设备预估的误差模型；
    所述至少一个网络侧设备预估的误差模型的参数；
    所述误差模型的输入信息；
    所述误差模型的输出信息。
  40. 根据权利要求39所述的方法，其中，所述误差值包括如下至少一项：位置误差值，测量误差值，模型误差值和参数误差值。
  41. 根据权利要求39所述的方法，其中，所述误差模型包括如下至少一项：位置误差模型，测量误差模型，参数误差模型。
  42. 根据权利要求39所述的方法，其中，所述误差模型的输入信息包括终端初始位置或终端计算得到的位置，所述误差模型的输出信息包括经过误差校准后的位置信息。
  43. 根据权利要求39所述的方法，其中，所述误差模型的输入信息包括初始第一测量信息，所述第一测量信息包括如下至少一项：CIR，PDP，RSTD， RTT，AoA，RSRP，TOA，首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、LoS识别信息、NLoS识别信息、平均过量时延均方根、时延拓展和相干带宽；
    所述误差模型的输出信息包括经过误差校准后的第一测量信息。
  44. 根据权利要求39所述的方法，其中，所述误差模型的输入信息包括如下至少一项：机器学习模型、机器学习模型的参数、预处理模型或预处理模型的参数；
    所述误差模型的输出信息包括如下至少一项：校准后的机器学习模型、校准后的机器学习模型的参数、校准后的预处理模型或校准后的预处理模型的参数。
  45. 根据权利要求33所述的方法，其中，所述预处理模型信息包括如下至少一项：
    滤波器参数或结构；
    卷积层参数或结构；
    池化层参数或结构；
    离散余弦变换参数或结构；
    小波变换参数或结构；
    对测量信息进行预处理的参数或结构。
  46. 根据权利要求33所述的方法，其中，所述预处理模型信息的输入信息包括第二测量信息；
    所述第二测量信息包括如下至少一项：CIR、PDP、RSTD、RTT、AoA、RSRP、TOA、首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、参考信号波形和参考信号的相关序列；
    所述预处理模型信息的输出信息包括经过预处理之后的第二测量信息。
  47. 根据权利要求34所述的方法，其中，所述至少一个机器学习模型包括多步机器学习模型。
  48. 根据权利要求47所述的方法，其中，所述多步机器学习模型包括如下至少一项：
    根据输入信息类型和输出信息类型区分的多步机器学习模型；
    根据模型参数不同区分的多步机器学习模型；
    根据泛化能力不同区分的多步机器学习模型。
  49. 根据权利要求28所述的方法，其中，所述定位信息包括如下至少一项：
    测量信息；
    误差信息；
    定位结果；
    机器学习模型更新信息
    误差模型更新信息；
    预处理模型更新信息。
  50. 根据权利要求30所述的方法，其中，所述方法还包括：
    所述网络侧设备接收所述终端发送的请求信息，所述请求信息用于请求所述第一信息的发送方式。
  51. 根据权利要求28所述的方法，其中，所述方法还包括：
    所述网络侧设备接收所述终端发送的终端定位能力信息，所述终端定位能力信息包括如下至少一项：
    是否支持基于机器学习的定位；
    是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收机器学习模型信息；
    是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收误差模型信息；
    是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收预处理模型信息；
    是否支持接收多个机器学习模型；
    可接收机器学习模型的最大数量；
    是否支持接收多个机器学习模型的参数；
    可接收机器学习模型的参数的最大数量；
    是否支持接收多个预处理模型；
    可接收预处理模型的最大数量；
    是否支持接收多个预处理模型的参数；
    可接收预处理模型的参数的最大数量；
    是否支持接收多个误差模型；
    可接收误差模型的最大数量；
    是否支持接收多个误差模型的参数；
    可接收误差模型的参数的最大数量；
    支持的机器学习模型的输入信息；
    支持的机器学习模型的输出信息；
    支持的预处理模型的输入信息；
    支持的预处理模型的输出信息；
    支持的误差模型的输入信息；
    支持的误差模型的输出信息。
  52. 一种定位装置，包括：
    确定模块，用于确定配置信息；
    执行模块，用于根据所述配置信息，执行如下至少一项操作：
    确定第一模型信息，并根据所述第一模型信息进行定位；
    上报定位信息。
  53. 根据权利要求52所述的装置，其中，所述配置信息包括如下至少一项：
    定位参考信号资源配置信息；
    定位参考信号资源集合配置信息；
    频率层配置信息；
    发送接收点TRP配置信息；
    定位装置配置信息；
    定位场景配置信息。
  54. 一种定位装置，包括：
    发送模块，用于发送配置信息，所述配置信息用于终端进行定位和/或所 述终端上报定位信息。
  55. 根据权利要求54所述的装置，其中，所述配置信息包括如下至少一项：
    定位参考信号资源配置信息；
    定位参考信号资源集合配置信息；
    频率层配置信息；
    发送接收点TRP配置信息；
    定位装置配置信息；
    定位场景配置信息。
  56. 一种终端，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，其中，所述程序或指令被所述处理器执行时实现如权利要求1至27中任一项所述的定位方法的步骤。
  57. 一种网络侧设备，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，其中，所述程序或指令被所述处理器执行时实现如权利要求28至51中任一项所述的定位方法的步骤。
  58. 一种可读存储介质，所述可读存储介质上存储程序或指令，其中，所述程序或指令被处理器执行时实现如权利要求1-27中任一项所述的定位方法，或者实现如权利要求28至51中任一项所述的定位方法的步骤。
PCT/CN2022/132857 2021-11-22 2022-11-18 定位方法、装置、终端及网络侧设备 WO2023088423A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202111389341.9 2021-11-22
CN202111389341.9A CN116170871A (zh) 2021-11-22 2021-11-22 定位方法、装置、终端及网络侧设备

Publications (1)

Publication Number Publication Date
WO2023088423A1 true WO2023088423A1 (zh) 2023-05-25

Family

ID=86396296

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/132857 WO2023088423A1 (zh) 2021-11-22 2022-11-18 定位方法、装置、终端及网络侧设备

Country Status (2)

Country Link
CN (1) CN116170871A (zh)
WO (1) WO2023088423A1 (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107553496A (zh) * 2017-09-29 2018-01-09 南京阿凡达机器人科技有限公司 机械臂逆运动学求解方法误差的确定及校正方法和装置
CN109241875A (zh) * 2018-08-20 2019-01-18 北京市商汤科技开发有限公司 姿态检测方法及装置、电子设备和存储介质
CN111901750A (zh) * 2020-09-11 2020-11-06 中国联合网络通信集团有限公司 一种定位方法、装置、电子设备以及存储介质
CN112685069A (zh) * 2019-10-20 2021-04-20 辉达公司 机器学习模型的实时更新
CN112887897A (zh) * 2019-11-29 2021-06-01 中国电信股份有限公司 终端的定位方法、装置和计算机可读存储介质
CN113225667A (zh) * 2020-02-05 2021-08-06 大唐移动通信设备有限公司 到达时间测量值的非直射径消除方法、装置及终端

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107553496A (zh) * 2017-09-29 2018-01-09 南京阿凡达机器人科技有限公司 机械臂逆运动学求解方法误差的确定及校正方法和装置
CN109241875A (zh) * 2018-08-20 2019-01-18 北京市商汤科技开发有限公司 姿态检测方法及装置、电子设备和存储介质
CN112685069A (zh) * 2019-10-20 2021-04-20 辉达公司 机器学习模型的实时更新
CN112887897A (zh) * 2019-11-29 2021-06-01 中国电信股份有限公司 终端的定位方法、装置和计算机可读存储介质
CN113225667A (zh) * 2020-02-05 2021-08-06 大唐移动通信设备有限公司 到达时间测量值的非直射径消除方法、装置及终端
CN111901750A (zh) * 2020-09-11 2020-11-06 中国联合网络通信集团有限公司 一种定位方法、装置、电子设备以及存储介质

Also Published As

Publication number Publication date
CN116170871A (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
US10024952B2 (en) Self-organizing hybrid indoor location system
CN105980882A (zh) 接入点发起的飞行时间定位
CN113194531B (zh) 定位方法及通信设备
US11789134B2 (en) Location determination using acoustic models
WO2022105756A1 (zh) 定位方法、装置、终端设备、基站及位置管理服务器
WO2023143572A1 (zh) 基于人工智能ai模型的定位方法及通信设备
WO2023088423A1 (zh) 定位方法、装置、终端及网络侧设备
WO2023098661A1 (zh) 定位方法及通信设备
WO2023151657A1 (zh) 信息处理方法及通信设备
WO2023098662A1 (zh) 定位方法及通信设备
WO2023185865A1 (zh) 模型有效性反馈方法、装置、终端及网络侧设备
WO2023236979A1 (zh) 定位模型的选择方法、终端及网络侧设备
US9374676B1 (en) Mobile communication station having selectable position latency for position estimation in a wireless network
WO2023179617A1 (zh) 定位方法、装置、终端及网络侧设备
WO2024120444A1 (zh) 模型监督方法、装置、终端、网络侧设备及可读存储介质
WO2022152265A1 (zh) 定位方法、装置、设备及存储介质
WO2023125458A1 (zh) 通信方法、装置及相关设备
WO2023193684A1 (zh) 验证终端位置的方法、终端及网络侧设备
WO2023185723A1 (zh) 定位处理方法、装置、终端及网络侧设备
CN117412245A (zh) Sl定位方法、设备及可读存储介质
JP2024131196A (ja) 情報処理システム
CN117560301A (zh) 事件信息传输方法、lmf、接入网设备及终端
CN116916442A (zh) 终端定位方法、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22894952

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE