WO2023097634A1 - 定位方法、模型训练方法和设备 - Google Patents

定位方法、模型训练方法和设备 Download PDF

Info

Publication number
WO2023097634A1
WO2023097634A1 PCT/CN2021/135251 CN2021135251W WO2023097634A1 WO 2023097634 A1 WO2023097634 A1 WO 2023097634A1 CN 2021135251 W CN2021135251 W CN 2021135251W WO 2023097634 A1 WO2023097634 A1 WO 2023097634A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
positioning
measurement
information
indication
Prior art date
Application number
PCT/CN2021/135251
Other languages
English (en)
French (fr)
Inventor
刘文东
Original Assignee
Oppo广东移动通信有限公司
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 Oppo广东移动通信有限公司 filed Critical Oppo广东移动通信有限公司
Priority to PCT/CN2021/135251 priority Critical patent/WO2023097634A1/zh
Publication of WO2023097634A1 publication Critical patent/WO2023097634A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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 relates to the communication field, and more specifically, to a positioning method, a model training method and equipment.
  • the position of the terminal can be determined by using the positioning method.
  • There are many methods for terminal positioning for example: methods based on time measurement and methods based on angle in NR systems. The accuracy of the current positioning method needs to be improved.
  • Embodiments of the present application provide a positioning method, a model training method, and equipment, which can improve positioning accuracy.
  • An embodiment of the present application provides a positioning method, including: a first device sends measurement information; the first device receives position information of the first device, and the position information is obtained by processing the measurement information based on a positioning model.
  • An embodiment of the present application provides a positioning method, including: a second device receives measurement information; the second device processes the measurement information based on a positioning model to obtain the location information of the first device; the second device sends the first device location information.
  • An embodiment of the present application provides a model training method, including: constructing a sample data set from measurement information and position information fed back by multiple first devices; using the sample data set to perform migration training on the first model to obtain a second model.
  • An embodiment of the present application provides a first device, including: a sending unit, configured to send measurement information; a receiving unit, configured to receive location information of the first device, where the location information is obtained by processing the measurement information based on a positioning model owned.
  • An embodiment of the present application provides a second device, including: a receiving unit, configured to receive measurement information; a processing unit, configured to process the measurement information based on a positioning model, to obtain location information of the first device; a sending unit, configured to Send the location information of the first device.
  • An embodiment of the present application provides a communication device, including: a processing unit, configured to construct a sample data set from the measurement information and position information fed back by multiple first devices; use the sample data set to perform migration training on the first model, and obtain Second model.
  • An embodiment of the present application provides a first device, including a processor and a memory.
  • the memory is used to store a computer program
  • the processor is used to call and run the computer program stored in the memory, so that the first device executes the above positioning method or model training method.
  • An embodiment of the present application provides a second device, including a processor and a memory.
  • the memory is used to store a computer program
  • the processor is used to call and run the computer program stored in the memory, so that the second device executes the above positioning method or model training method.
  • An embodiment of the present application provides a communications device, including a processor and a memory.
  • the memory is used to store a computer program
  • the processor is used to call and run the computer program stored in the memory, so that the communication device executes the above positioning method or model training method.
  • An embodiment of the present application provides a chip for implementing the above positioning method or model training method.
  • the chip includes: a processor, configured to invoke and run a computer program from a memory, so that a device equipped with the chip executes the above positioning method or model training method.
  • An embodiment of the present application provides a computer-readable storage medium for storing a computer program, and when the computer program is run by a device, the device executes the above positioning method or model training method.
  • An embodiment of the present application provides a computer program product, which includes computer program instructions, and the computer program instructions cause a computer to execute the above positioning method or model training method.
  • An embodiment of the present application provides a computer program, which, when running on a computer, causes the computer to execute the above positioning method or model training method.
  • the measurement information of the first device is processed through the positioning model, and the obtained position information of the first device is more accurate.
  • Fig. 1 is a schematic diagram of an application scenario according to an embodiment of the present application.
  • Figure 2 is a schematic diagram of an exemplary neuronal structure.
  • Fig. 3 is a schematic diagram of an exemplary neural network.
  • Fig. 4 is a schematic diagram of an exemplary convolutional neural network.
  • Fig. 5 is a schematic diagram of an exemplary basic LSTM cell structure.
  • Fig. 6 is a schematic diagram of an exemplary simple transfer learning process.
  • Fig. 7 is a schematic flowchart of a positioning method according to an embodiment of the present application.
  • Fig. 8 is a schematic diagram of an exemplary positioning method based on deep learning.
  • Fig. 9 is a schematic flowchart of a positioning method according to another embodiment of the present application.
  • Fig. 10 is a schematic flowchart of a positioning method according to another embodiment of the present application.
  • Fig. 11 is a schematic diagram of two-dimensional coordinates output by the model.
  • Fig. 12 is a schematic diagram of the three-dimensional coordinates output by the model.
  • Fig. 13 is a schematic diagram of a model output location block index.
  • Fig. 14 is a schematic diagram of multiple positioning scenarios.
  • Figure 15 is a schematic diagram of measurement feedback.
  • Fig. 16 is a schematic diagram of scene changes.
  • Fig. 17 is a schematic diagram of positioning model updating.
  • Fig. 18 is a schematic block diagram of a first device according to an embodiment of the present application.
  • Fig. 19 is a schematic block diagram of a second device according to an embodiment of the present application.
  • Fig. 20 is a schematic block diagram of a communication device according to an embodiment of the present application.
  • Fig. 21 is a schematic block diagram of a communication device according to an embodiment of the present application.
  • Fig. 22 is a schematic block diagram of a chip according to an embodiment of the present application.
  • Fig. 23 is a schematic block diagram of a communication system according to an embodiment of the present application.
  • the technical solution of the embodiment of the present application can be applied to various communication systems, such as: Global System of Mobile communication (Global System of Mobile communication, GSM) system, code division multiple access (Code Division Multiple Access, CDMA) system, broadband code division multiple access (Wideband Code Division Multiple Access, WCDMA) system, General Packet Radio Service (GPRS), Long Term Evolution (LTE) system, Advanced long term evolution (LTE-A) system , New Radio (NR) system, evolution system of NR system, LTE (LTE-based access to unlicensed spectrum, LTE-U) system on unlicensed spectrum, NR (NR-based access to unlicensed spectrum) on unlicensed spectrum unlicensed spectrum (NR-U) system, Non-Terrestrial Networks (NTN) system, Universal Mobile Telecommunications System (UMTS), Wireless Local Area Networks (WLAN), Wireless Fidelity (Wireless Fidelity, WiFi), fifth-generation communication (5th-Generation, 5G) system or other communication systems, etc.
  • GSM Global System of Mobile
  • D2D Device to Device
  • M2M Machine to Machine
  • MTC Machine Type Communication
  • V2V Vehicle to Vehicle
  • V2X Vehicle to everything
  • the communication system in the embodiment of the present application may be applied to a carrier aggregation (Carrier Aggregation, CA) scenario, may also be applied to a dual connectivity (Dual Connectivity, DC) scenario, and may also be applied to an independent ( Standalone, SA) network deployment scene.
  • Carrier Aggregation, CA Carrier Aggregation
  • DC Dual Connectivity
  • SA Standalone
  • the communication system in the embodiment of the present application can be applied to an unlicensed spectrum, where the unlicensed spectrum can also be considered as a shared spectrum; or, the communication system in the embodiment of the present application can also be applied to Licensed spectrum, where the licensed spectrum can also be considered as non-shared spectrum.
  • the embodiments of the present application describe various embodiments in conjunction with network equipment and terminal equipment, wherein the terminal equipment may also be referred to as user equipment (User Equipment, UE), access terminal, user unit, user station, mobile station, mobile station, remote station, remote terminal, mobile device, user terminal, terminal, wireless communication device, user agent or user device, etc.
  • user equipment User Equipment, UE
  • access terminal user unit
  • user station mobile station
  • mobile station mobile station
  • remote station remote terminal
  • mobile device user terminal
  • terminal wireless communication device
  • wireless communication device user agent or user device
  • the terminal device can be a station (STAION, ST) in the WLAN, a cellular phone, a cordless phone, a Session Initiation Protocol (Session Initiation Protocol, SIP) phone, a wireless local loop (Wireless Local Loop, WLL) station, a personal digital processing (Personal Digital Assistant, PDA) devices, handheld devices with wireless communication functions, computing devices or other processing devices connected to wireless modems, vehicle-mounted devices, wearable devices, next-generation communication systems such as terminal devices in NR networks, or future Terminal equipment in the evolved public land mobile network (Public Land Mobile Network, PLMN) network, etc.
  • STAION, ST Session Initiation Protocol
  • SIP Session Initiation Protocol
  • WLL Wireless Local Loop
  • PDA Personal Digital Assistant
  • the terminal device can be deployed on land, including indoor or outdoor, handheld, wearable or vehicle-mounted; it can also be deployed on water (such as ships, etc.); it can also be deployed in the air (such as aircraft, balloons and satellites) superior).
  • the terminal device may be a mobile phone (Mobile Phone), a tablet computer (Pad), a computer with a wireless transceiver function, a virtual reality (Virtual Reality, VR) terminal device, an augmented reality (Augmented Reality, AR) terminal Equipment, wireless terminal equipment in industrial control, wireless terminal equipment in self driving, wireless terminal equipment in remote medical, wireless terminal equipment in smart grid , wireless terminal equipment in transportation safety, wireless terminal equipment in smart city, or wireless terminal equipment in smart home.
  • a virtual reality (Virtual Reality, VR) terminal device an augmented reality (Augmented Reality, AR) terminal Equipment
  • wireless terminal equipment in industrial control wireless terminal equipment in self driving
  • wireless terminal equipment in remote medical wireless terminal equipment in smart grid
  • wireless terminal equipment in transportation safety wireless terminal equipment in smart city, or wireless terminal equipment in smart home.
  • the terminal device may also be a wearable device.
  • Wearable devices can also be called wearable smart devices, which is a general term for the application of wearable technology to intelligently design daily wear and develop wearable devices, such as glasses, gloves, watches, clothing and shoes.
  • a wearable device is a portable device that is worn directly on the body or integrated into the user's clothing or accessories. Wearable devices are not only a hardware device, but also achieve powerful functions through software support, data interaction, and cloud interaction.
  • Generalized wearable smart devices include full-featured, large-sized, complete or partial functions without relying on smart phones, such as smart watches or smart glasses, etc., and only focus on a certain type of application functions, and need to cooperate with other devices such as smart phones Use, such as various smart bracelets and smart jewelry for physical sign monitoring.
  • the network device may be a device for communicating with the mobile device, and the network device may be an access point (Access Point, AP) in WLAN, a base station (Base Transceiver Station, BTS) in GSM or CDMA , or a base station (NodeB, NB) in WCDMA, or an evolved base station (Evolutional Node B, eNB or eNodeB) in LTE, or a relay station or access point, or a vehicle-mounted device, a wearable device, and an NR network
  • BTS Base Transceiver Station
  • NodeB, NB base station
  • Evolutional Node B, eNB or eNodeB evolved base station
  • LTE Long Term Evolutional Node B, eNB or eNodeB
  • gNB network equipment in the network or the network equipment in the future evolved PLMN network or the network equipment in the NTN network, etc.
  • the network device may have a mobile feature, for example, the network device may be a mobile device.
  • the network equipment may be a satellite or a balloon station.
  • the satellite can be a low earth orbit (low earth orbit, LEO) satellite, a medium earth orbit (medium earth orbit, MEO) satellite, a geosynchronous earth orbit (geosynchronous earth orbit, GEO) satellite, a high elliptical orbit (High Elliptical Orbit, HEO) satellite. ) Satellite etc.
  • the network device may also be a base station installed on land, water, and other locations.
  • the network device may provide services for a cell, and the terminal device communicates with the network device through the transmission resources (for example, frequency domain resources, or spectrum resources) used by the cell, and the cell may be a network device ( For example, a cell corresponding to a base station), the cell may belong to a macro base station, or may belong to a base station corresponding to a small cell (Small cell), and the small cell here may include: a metro cell (Metro cell), a micro cell (Micro cell), a pico cell ( Pico cell), Femto cell, etc. These small cells have the characteristics of small coverage and low transmission power, and are suitable for providing high-speed data transmission services.
  • the transmission resources for example, frequency domain resources, or spectrum resources
  • the cell may be a network device (
  • the cell may belong to a macro base station, or may belong to a base station corresponding to a small cell (Small cell)
  • the small cell here may include: a metro cell (Metro cell), a micro cell (Micro
  • FIG. 1 exemplarily shows a communication system 100 .
  • the communication system includes a network device 110 and two terminal devices 120 .
  • the communication system 100 may include multiple network devices 110, and each network device 110 may include other numbers of terminal devices 120 within the coverage area, which is not limited in this embodiment of the present application.
  • the communication system 100 may also include other network entities such as a mobility management entity (Mobility Management Entity, MME), an access and mobility management function (Access and Mobility Management Function, AMF), etc.
  • MME Mobility Management Entity
  • AMF Access and Mobility Management Function
  • the network equipment may further include access network equipment and core network equipment. That is, the wireless communication system also includes multiple core networks for communicating with access network devices.
  • the access network device may be a long-term evolution (long-term evolution, LTE) system, a next-generation (mobile communication system) (next radio, NR) system or an authorized auxiliary access long-term evolution (LAA- Evolved base station (evolutional node B, abbreviated as eNB or e-NodeB) macro base station, micro base station (also called “small base station”), pico base station, access point (access point, AP), Transmission point (transmission point, TP) or new generation base station (new generation Node B, gNodeB), etc.
  • LTE long-term evolution
  • NR next-generation
  • LAA- Evolved base station evolutional node B, abbreviated as eNB or e-NodeB
  • eNB next-generation
  • NR next-generation
  • a device with a communication function in the network/system in the embodiment of the present application may be referred to as a communication device.
  • the communication equipment may include network equipment and terminal equipment with communication functions. It may include other devices in the communication system, such as network controllers, mobility management entities and other network entities, which are not limited in this embodiment of the present application.
  • the "indication" mentioned in the embodiments of the present application may be a direct indication, may also be an indirect indication, and may also mean that there is an association relationship.
  • a indicates B which can mean that A directly indicates B, for example, B can be obtained through A; it can also indicate that A indirectly indicates B, for example, A indicates C, and B can be obtained through C; it can also indicate that there is an association between A and B relation.
  • the term "corresponding" may indicate that there is a direct or indirect correspondence between the two, or that there is an association between the two, or that it indicates and is indicated, configuration and is configuration etc.
  • the NR system includes a variety of positioning methods, such as methods based on time measurement and methods based on angles.
  • the main application scenarios include general indoor and outdoor scenarios, and the accuracy requirement is about 3m.
  • 3GPP also meets the decimeter-level positioning requirements of commercial scenarios and Industrial Internet of Things (Industry Internet of Things, IIOT) scenarios through the establishment of positioning enhancement projects. Especially in IIOT scenarios, the horizontal positioning accuracy is required to be less than 0.2m.
  • the classic positioning algorithm based on Time Difference Of Arrival (TDOA) uses the method of calculating the user's position by knowing the positions of multiple base stations and the time difference of arrival of signals. When the probability of Of-Sight (LOS) is small, the error is very high, so high-precision positioning cannot be achieved.
  • TDOA Time Difference Of Arrival
  • a neural network is an operational model composed of multiple neuron nodes connected to each other, in which the connection between nodes represents the weighted value from the input signal to the output signal, called weight. Each node weights and sums different input signals and outputs them through a specific activation function.
  • FIG. 2 An exemplary neuron structure is shown in FIG. 2 .
  • a1, a2...an represent the input features
  • w1, w2...wn represent the weight
  • SUM represents the sum
  • b represents the bias coefficient
  • f represents the activation function
  • t represents the output of the neuron.
  • FIG. 3 An exemplary simple neural network is shown in Figure 3, which includes an input layer, a hidden layer, and an output layer. Through the different connection methods, weights, and activation functions of multiple neurons, different outputs can be generated, and then fitted from the input to output mapping.
  • Deep learning uses a deep neural network with multiple hidden layers, which greatly improves the ability of the network to learn features, and can fit complex nonlinear mappings from input to output, and is widely used in the fields of speech and image processing.
  • deep learning also includes common basic structures such as convolutional neural network (CNN), recurrent neural network (Recurrent Neural Network, RNN).
  • CNN convolutional neural network
  • RNN Recurrent Neural Network
  • An exemplary basic structure of a convolutional neural network may include: an input layer, multiple convolutional layers, multiple pooling layers, a fully connected layer and an output layer, as shown in FIG. 4 .
  • Each neuron of the convolution kernel in the convolution layer is locally connected to its input, and the local maximum or average feature of a certain layer is extracted by introducing a pooling layer, which effectively reduces the parameters of the network and mines local features. It enables the convolutional neural network to converge quickly and obtain excellent performance.
  • RNN is a neural network that models sequence data. It has achieved remarkable results in the field of natural language processing, such as machine translation and speech recognition. The specific performance is that the network memorizes the information of the past moment and uses it in the calculation of the current output, that is, the nodes between the hidden layers are no longer connected but connected, and the input of the hidden layer includes not only the input layer but also the Includes the output of the hidden layer at the previous moment.
  • RNN can include Long Short-Term Memory artificial neural network (Long Short-Term Memory, LSTM), Gated Recurrent Unit (Gated Recurrent Unit, GRU) and other structures.
  • Figure 5 shows an exemplary basic LSTM cell structure.
  • the cell state of LSTM will determine which states should be kept and which states should be forgotten, which solves the problem of traditional RNN in the long-term memory deficits.
  • "+” means addition operation
  • " ⁇ ” means multiplication operation
  • ⁇ means sigmoid activation function
  • tanh means hyperbolic tangent activation function.
  • Fig. 6 shows an exemplary simple transfer learning process.
  • model A and model B respectively constructed by dataset/task A and dataset/task B can be fused through some migration methods. Then apply the migration-fused model to the new dataset/task C to complete the application on the dataset/task C.
  • data set A and data set B can be called the source domain of transfer learning
  • data set C can be called the target domain of transfer learning.
  • Transfer learning obtains the initial model through training on the source domain, and performs transfer training on the source domain model through sample selection, feature migration, or model fine-tuning, so that the model is also applicable to the target domain, and then completes the target domain. Task.
  • the positioning method in the NR system it cannot achieve high-precision positioning in the case of indoor multipath, especially when NLOS is relatively serious.
  • the positioning method based on deep learning relies on collecting a large amount of measured data in a fixed scene.
  • one positioning server serves multiple scenarios at the same time. It is difficult to obtain training sets of multiple scenes at the same time, and then train a positioning model with very good generalization. When the channel environment of the positioning scene changes, the positioning model will not be suitable, so the positioning accuracy cannot be guaranteed.
  • Fig. 7 is a schematic flowchart of a positioning method 700 according to an embodiment of the present application.
  • the method can optionally be applied to the system shown in Fig. 1, but is not limited thereto.
  • the method includes at least some of the following.
  • the first device sends measurement information
  • the first device receives location information of the first device, where the location information is obtained after processing the measurement information based on a positioning model.
  • the first device sends measurement information to the second device.
  • the measurement information may be measurement information obtained by the first device based on measurement obtained by the network device sending, for example, a reference signal sent by the base station.
  • the second device may be a network device, or other terminal device except the first device.
  • the positioning model is a model corresponding to the positioning scene where the first device is located.
  • the distribution of at least one environmental variable such as the position of the scatterer, the shape of the scatterer, the electromagnetic wave reflection characteristics of the surface of the scatterer, the number of base stations, and the location of the base station, may be different.
  • Different positioning models can be set for different positioning scenarios.
  • the method further includes: the first device detects a first signal, where the first signal includes a reference signal used for positioning.
  • the first device may be a terminal device.
  • the terminal device may detect reference signals for positioning sent by network devices such as multiple base stations, and feed back multiple pieces of measurement information to the second device on the network side based on the detected reference signals of multiple base stations.
  • the first signal includes first signals sent by K second devices.
  • the first device may send measurement information of the K first devices to a second device on the network side, such as a positioning server, based on the positioning reference signals of the K first devices.
  • the second device such as the positioning server, may input the received measurement information of the K first devices into a positioning model, such as a neural network model for positioning, and the positioning model may output position information of the first device, such as position coordinates. If a certain position in the positioning scene corresponding to the positioning model is taken as the origin of coordinates, the position coordinates of the first device may be a kind of relative position coordinates.
  • the second device such as the positioning server can first determine the corresponding positioning model according to the positioning scene where the first device is located, and then input the measurement information fed back by the first device into the corresponding positioning model of the first device, so as to obtain the corresponding positioning model of the first device.
  • the location information matched by the positioning scene of a device.
  • AI artificial intelligence
  • FIG 8 An exemplary positioning method based on deep learning is shown in Figure 8: the user measures the channels from K base stations, obtains the corresponding K measurement information, and uses it as the input of the neural network to obtain the user's coordinates.
  • the K pieces of measurement information may include complete CIR, RSRP, RSRQ, RSSI, reference signal received quality dedicated to positioning signal measurement, reference signal received power dedicated to positioning signal measurement, etc., or angle of arrival One or more of such spatial information.
  • the neural network needs to be trained and converged by collecting a large number of samples with user coordinate labels before deployment, so that it can complete high-precision positioning.
  • the user via the first device
  • the positioning server on the network side can perform calculations, or for the user terminal equipped with AI capabilities, the user terminal side can directly perform AI reasoning , and feed back the positioning result to the network side.
  • the measurement information includes at least one of the following:
  • the first device may send time-domain channel information, frequency-domain channel information, or measurement indication information to the second device; it may also send any of the time-domain channel information, frequency-domain channel information, and measurement indication information.
  • the second device may also send any of the time-domain channel information, frequency-domain channel information, and measurement indication information.
  • the time-domain channel information is determined based on at least one of the following:
  • Amplitude and phase of time-domain channel information measured by the first device are measured by the first device.
  • the time-domain channel information may include a channel impulse response (Channel Impulse Response, CIR).
  • CIR Channel Impulse Response
  • the first device detects that the number of second devices sending the first signal is K
  • the number of time-domain sampling points of the second device such as a network device such as a base station
  • the first device may send K ⁇ L time-domain channel information to the second device, such as the positioning server, as K ⁇ L input features of the neural network of the positioning model.
  • the second device that sends the first signal measured by the first device may be the same device as the second device serving as the positioning server, or may be a different device.
  • the base station itself may send the first signal
  • the device serving as the positioning server may be a device connected to the base station through an optical cable or other backhaul methods.
  • the first device may send K ⁇ L ⁇ 2 time-domain channel information to the positioning server as K ⁇ L ⁇ 2 input features of the neural network of the positioning model.
  • the first device may send K ⁇ L ⁇ 2 time-domain channel information to the positioning server as K ⁇ L ⁇ 2 input features of the neural network of the positioning model.
  • the input features of the positioning model can be flexibly selected based on the scene corresponding to the positioning model.
  • the frequency domain channel information is determined based on at least one of the following:
  • Amplitude and phase of frequency domain channel information measured by the first device are measured by the first device.
  • the number of second devices sending the first signal detected by the first device is K
  • the number of frequency domain granularities of the second devices such as base stations and other network devices is L.
  • the frequency domain granularity may include one or more of subcarriers, resource blocks (Resource Block, RB), and subband levels.
  • the first device may send K ⁇ L frequency domain channel information to the positioning server as K ⁇ L input features of the neural network of the positioning model.
  • the number of second devices sending the first signal detected by the first device is K
  • the number of frequency-domain granularities of the second devices such as base stations and other network devices is L.
  • the first device may send K ⁇ L frequency domain channel information to the positioning server as K ⁇ L input features of the neural network of the positioning model. , and consider the real part and the imaginary part (representing two kinds of input features) of the frequency domain channel information measured by the first device.
  • the first device may send K ⁇ L ⁇ 2 frequency domain channel information to the positioning server as K ⁇ L ⁇ 2 input features of the neural network of the positioning model.
  • the number of second devices sending the first signal detected by the first device is K
  • the number of frequency-domain granularities of the second devices such as base stations and other network devices is L.
  • the first device may send K ⁇ L frequency domain channel information to the positioning server as K ⁇ L input features of the neural network of the positioning model. , and consider the magnitude and phase of the frequency-domain channel information measured by the first device (representing two kinds of input features).
  • the first device may send K ⁇ L ⁇ 2 frequency domain channel information to the positioning server as K ⁇ L ⁇ 2 input features of the neural network of the positioning model.
  • the input features of the positioning model can be flexibly selected based on the corresponding scene corresponding to the positioning model.
  • the measurement indication information includes at least one of the following:
  • RSRP Reference Signal Received Power
  • Reference Signal Received Quality Reference Signal Received Quality (Reference Signal Received Quality, RSRQ);
  • RSSI Received Signal Strength Indicator
  • the first device may send K measurement indication values to the second device.
  • the K measurement indicator values include one or more of RSRP, RSRQ, RSSI, reference signal received quality dedicated to positioning signal measurement, and reference signal received power dedicated to positioning signal measurement.
  • the position information output by the positioning model includes at least one of the following:
  • the location block index of the first device is the location block index of the first device.
  • the position coordinates of the first device output by the positioning model may be two-dimensional coordinates (x, y) in the horizontal direction.
  • the position coordinates of the first device output by the positioning model may be three-dimensional coordinates (x, y, z) including vertical dimensions.
  • the position information of the first device output by the positioning model may be a position block index in a certain positioning scene. If the positioning scene is divided into 16 areas, and the location block index of the first device output by the positioning model is 5, it means that the first device is in the fifth area of the positioning scene.
  • the positioning server may first match the corresponding positioning model according to the positioning scene where the first device is located, and then input the measurement information fed back by the first device into the corresponding positioning model of the first device, so as to obtain the positioning model corresponding to the first device. Location information for scene matching.
  • the structural parameters of different positioning models are the same.
  • different positioning models may adopt the same neural network structure and have the same structural parameters, but different non-structural parameters after training.
  • the number of channels, the number of neurons and the activation function of positioning model A and positioning model B are the same, but the weight coefficients after training are different.
  • different localization models include neural network models with the same interface.
  • the neural network structures adopted by different localization models have the same input features, and these localization models include neural network models with the same interface.
  • different positioning models have different structural parameters.
  • different positioning models may adopt different neural network structures, have different structural parameters, and have different non-structural parameters after training.
  • the convolution kernel size, the number of channels, the number of neurons and the activation function of positioning model C and positioning model D are different, and the weight coefficients after training are also different.
  • the different localization models include interfacing different neural network models.
  • the neural network structures adopted by different localization models have different input features, and these localization models include neural network models with different interfaces.
  • the structural parameters of the positioning model include at least one of the following:
  • Convolution kernel size Convolution kernel type, padding method, whether to perform batch normalization, depth, number of channels, number of neurons, and activation function.
  • the structural parameters in the embodiment of the present application are only examples, not exhaustive, nor limiting, and can be flexibly selected according to the specific network structure adopted by the positioning model.
  • different positioning models have different weight coefficients and/or bias coefficients.
  • the weight coefficient and/or bias coefficient belong to the non-structural parameters of the positioning model, and the neural network structures of different models may be the same or different.
  • the non-structural parameters of different models are different. It is possible that one or more non-structural parameters are different, or that all non-structural parameters are different.
  • the method further includes:
  • the first device receives a first indication, where the first indication is used to indicate related parameters of the measurement information that the first device needs to feed back.
  • the first device may receive the first indication sent by the positioning server.
  • the first indication may be used to indicate related parameters of measurement information that needs to be fed back for the scene matched by the first device.
  • the relevant parameters of the measurement information include at least one of the following:
  • the first indication may indicate the type of measurement information that the first device needs to feed back.
  • the first indication being 1 means that time domain channel information needs to be fed back
  • the first indication being 2 means that frequency domain channel information needs to be fed back
  • the first indication being 3 means that Feedback measurement instructions are required.
  • the value of the first indication and its corresponding meaning in this example are only examples rather than limitations, and can be flexibly changed according to requirements of positioning models corresponding to different scenarios.
  • the first indication may indicate that the first device needs to feedback a combination of measurement information.
  • the first indication is 110, indicating that time domain channel information and frequency domain channel information need to be fed back, and the first indication is 011, indicating that frequency domain channel information and frequency domain channel information need to be fed back.
  • the first indication is 101 indicating that time domain channel information and measurement indication information need to be fed back, and the first indication being 101 indicates that time domain channel information, frequency domain channel information and measurement indication information need to be fed back.
  • the value of the first indication and its corresponding meaning in this example are only examples rather than limitations, and can be flexibly changed according to requirements of positioning models corresponding to different scenarios.
  • the first indication may indicate that the first device needs to feed back information about multiple network side devices that need to be measured, such as base stations.
  • the first device may measure the signals of these base stations, and then feed back the measured complete CIR, frequency domain channel, RSRP, etc. of the base stations to the positioning server according to the requirements of specific positioning scenarios.
  • the positioning server selects required information from the received measurement information and inputs the positioning model.
  • the method further includes:
  • the first device receives a second indication, where the second indication is used to indicate channel measurement configuration for the first device.
  • one or more first devices may receive the second indication sent by the positioning server.
  • the second indication may be used to indicate channel measurement configurations for these first devices.
  • the first device used to assist in model training or updating may include multiple terminal devices.
  • the plurality of terminal devices may be different from the above-mentioned device that needs to be positioned, or may be the same device.
  • the channel measurement configuration includes at least one of the following:
  • the second indication is carried by at least one of the following:
  • DCI Downlink Control Indicator
  • the first device receives DCI from the second device, where the DCI carries channel measurement configuration for the first device.
  • the first device receives the signaling dedicated to model updating from the second device, where the signaling dedicated to model updating carries the channel measurement configuration for the first device.
  • the first device receives signaling dedicated to model training from the second device, where the signaling dedicated to model training carries a channel measurement configuration for the first device.
  • the method further includes:
  • the first device receives the second indication, perform channel measurement based on measurement configuration information
  • the first device feeds back the measurement information and the position information of the first device based on the model interface corresponding to the positioning scene.
  • the first device may perform channel measurement according to the measurement configuration information. Then, the first device may feed back the channel measurement information according to the interface of the positioning model corresponding to the scene where it is located, and may also feed back the location information of the first device.
  • the fed back position information of the first device may include one or more of two-dimensional coordinates, three-dimensional coordinates and index block positions of the first device.
  • the second indication further includes a positioning model update indication and/or a positioning model training indication.
  • the first device includes at least one of the following:
  • a terminal capable of obtaining its own location.
  • the location of the first device may be fixed or readily available.
  • a terminal with a fixed location may report its own fixed coordinate information.
  • a regularly moving terminal may report coordinate information at a certain time point according to its own movement law.
  • the aforementioned terminal capable of obtaining its own location may include a terminal that obtains and reports its own location through other positioning methods different from the positioning method in the embodiment of the present application. Other positioning methods include but are not limited to visual positioning, traditional positioning methods specified in the NR protocol, etc.
  • the positioning method in the embodiment of the present application can improve the positioning accuracy.
  • the positioning accuracy of the first device is improved by using the auxiliary information feedback of the first device and the positioning model on the network side.
  • the model of the positioning server can be selected and updated according to different positioning scenarios, ensuring that the positioning model can adapt to the scatterer environment in different scenarios, and further ensuring that the first device positioning accuracy.
  • Fig. 9 is a schematic flowchart of a positioning method 900 according to an embodiment of the present application.
  • the method can optionally be applied to the system shown in Fig. 1, but is not limited thereto.
  • the method includes at least some of the following.
  • the second device receives measurement information
  • the second device processes the measurement information based on the positioning model to obtain the location information of the first device
  • the second device sends location information of the first device.
  • the second device receives measurement information sent by the first device, inputs the measurement information into a positioning model corresponding to a positioning scene of the first device, and obtains position information of the first device. Then the first device sends the location information of the first device to the first device.
  • the positioning model is a model corresponding to a positioning scene where the first device is located.
  • the method further includes:
  • the second device transmits a first signal including a reference signal for positioning.
  • the measurement information includes at least one of the following:
  • the time-domain channel information is determined based on at least one of the following:
  • Amplitude and phase of time-domain channel information measured by the first device are measured by the first device.
  • the frequency domain channel information is determined based on at least one of the following:
  • Amplitude and phase of frequency domain channel information measured by the first device are measured by the first device.
  • the measurement indication information includes at least one of the following: RSRP; RSRQ; RSSI; reference signal received quality dedicated to positioning signal measurement; reference signal received power dedicated to positioning signal measurement.
  • the position information output by the positioning model includes at least one of the following:
  • the location block index of the first device is the location block index of the first device.
  • different positioning models correspond to different positioning scenarios.
  • the structural parameters of different positioning models are the same.
  • different localization models include neural network models with the same interface.
  • the different localization models include interfacing different neural network models.
  • the structural parameters of the positioning model include at least one of the following:
  • Convolution kernel size Convolution kernel size, convolution kernel type, filling method, whether to perform batch normalization, depth, number of channels, number of neurons, and activation function.
  • different positioning models have different weight coefficients and/or bias coefficients.
  • the method further includes:
  • the second device sends a first indication, where the first indication is used to indicate related parameters of the measurement information that the first device needs to feed back.
  • the relevant parameters of the measurement information include at least one of the following:
  • the method further includes:
  • the second device sends a second indication, where the second indication is used to indicate channel measurement configuration to the first device.
  • the channel measurement configuration includes at least one of the following:
  • the second indication is carried by at least one of the following:
  • the method further includes:
  • the second device receives the measurement information fed back by the first device based on the model interface corresponding to the positioning scene and the coordinate information of the first device.
  • the second indication includes a positioning model update indication and/or a positioning model training indication.
  • the first device includes a terminal with a fixed position and/or a terminal that moves regularly.
  • the method further includes:
  • the second device constructs a plurality of measurement information and position information fed back by the first device as a sample data set
  • the sample data set is used to perform migration training on the first model to obtain the second model.
  • the second device sends a second indication to the first device to instruct the first device to feed back measurement information and its own location information.
  • the measurement information and position information fed back by the first device are constructed as a sample data set.
  • the sample data set may be an initial data set. If the model is updated, the sample data set may be an updated data set.
  • the first model is an initial model
  • the second model is a model after transfer training.
  • the initial data set is used to carry out transfer training on the initial model to obtain a model after transfer training.
  • the model after the transfer training can obtain the location information of the device that needs to be positioned.
  • the first model is a model after last transfer training
  • the second model is an updated model after this transfer training.
  • the updated data set is used to carry out migration training on the model after the last migration training to obtain an updated model after this migration training.
  • the updated model can be used to obtain the location information of the device that needs to be positioned.
  • the migration training includes: adjusting a specific layer of the first model, where the specific layer includes one or more layers adjacent to the output layer of the first model. For example, in the case of model updating, all layers of the first model can be adjusted, or the parameters of one or more layers of the first model adjacent to the output layer can be fine-tuned, so as to achieve a fast update of the model.
  • Fig. 10 is a schematic flowchart of a model training method 1000 according to an embodiment of the present application.
  • the method can optionally be applied to the system shown in Fig. 1, but is not limited thereto.
  • the method includes at least some of the following.
  • the first model is an initial model
  • the second model is a model after transfer training.
  • the first model is a model after last transfer training
  • the second model is an updated model after this transfer training.
  • the migration training includes:
  • Adjustments are made to specific layers of the first model, the specific layers including one or more layers adjacent to the output layer of the first model.
  • different second models correspond to different positioning scenarios.
  • the structural parameters of different second models are the same.
  • the different second models include neural network models with the same interface.
  • the different second models include neural network models with different interfaces.
  • the structural parameters of the first model and/or the second model include at least one of the following:
  • Convolution kernel size Convolution kernel size, convolution kernel type, filling method, whether to perform batch normalization, depth, number of channels, number of neurons, and activation function.
  • different second models have different weight coefficients and/or bias coefficients.
  • the embodiment of the present application may provide an AI-based terminal-assisted positioning and model update method for multiple scenarios.
  • an AI-based positioning network model on the network side, with the assistance of terminal measurement information feedback, high-precision positioning of users is realized.
  • the embodiment of the present application can also consider the model matching and selection method in multiple scenarios, and the model update method in time-varying scenarios, so that when a single positioning server serves the positioning needs of multiple scenarios, it can further ensure the adaptability of the model to the scenario and the scenario The positioning accuracy of the terminal within.
  • Example 1 AI-based single-scenario terminal-assisted positioning method
  • This example provides an AI-based single-scenario terminal-assisted positioning method.
  • the inference of location coordinates cannot be realized locally on the terminal. Therefore, the acquisition of location coordinates requires terminal-assisted network-side positioning.
  • the process steps are as follows:
  • the terminal detects reference signals for positioning sent by K base stations, and feeds back measurement information to the network side;
  • the positioning server on the network side receives the measurement information of the K base stations fed back by the terminal, and inputs the neural network used for positioning, and outputs the position coordinates of the terminal;
  • the network side sends the location coordinates of the terminal to the terminal.
  • the measurement information of the K base stations in S1 and S2 may include but not limited to the following forms:
  • time domain channel CIR time domain channel CIR.
  • the K ⁇ L ⁇ 2 time-domain channel is used as the input of the positioning neural network
  • L is the time-domain sampling point measured by each base station
  • 2 represents two input channels, which represent the real part and imaginary part of the measured time-domain channel information respectively. part and/or the magnitude and phase of the measured time-domain channel information.
  • A2 frequency domain channel For example, K ⁇ B ⁇ 2 frequency domain channels are used as the input of the positioning neural network, B is the number of frequency domain granularity measured by each base station, and the granularity can be subcarrier, RB, subband level, etc., 2 means two input channels , respectively representing the real part and the imaginary part of the measured frequency-domain channel information/or the amplitude and phase of the measured time-domain channel information.
  • the terminal feeds back K measurement indication values.
  • A4 a combined feedback form including one or more of A1, A2, and A3.
  • one possible form is, RSRP, RSRQ, RSSI, reference signal reception quality dedicated to positioning signal measurement, and K 1 base stations with relatively large reference signal reception power dedicated to positioning signal measurement to feed back complete A1 or A2 information , and the remaining KK 1 base station only feeds back A3 information.
  • the value of K1 , and the feedback parameters used for AI positioning, such as the specific combined feedback form of A1, A2, and A3, can be configured by the network side and configured to the user through signaling.
  • the positioning coordinates output by the neural network in S2 and S3 above may include two-dimensional coordinates (x, y) in the horizontal direction under continuous values, or three-dimensional coordinates (x, y, z) including vertical dimensions, or Include location block index information m under discrete output. Where m is an integer of 1 ⁇ m ⁇ M, where M is the number of predefined location blocks in the scene.
  • Different neural network outputs require different output layer structures of the neural network used for AI positioning in S2.
  • K measurement information is input into the input layer of the model, and after N fully connected and/or convolutional layers are processed, the output layer of the model (in one example, the output layer can be a fully connected layer , with 2 neurons) outputs continuous two-dimensional coordinates (x, y).
  • K measurement information is input into the input layer of the model, and after N fully connected and/or convolutional layers are processed, from the output layer of the model (in one example, the output layer can be a fully connected layer , with 3 neurons) output continuous three-dimensional coordinate output (x, y, z).
  • K measurement information is input into the input layer of the model, and after N fully connected and/or convolutional layers are processed, the output layer of the model (in an example, the output layer can be a fully connected layer , with M neurons) outputs M results, and selects the discrete position block index m through the M-way selector.
  • the output of the above continuous two-dimensional coordinates or three-dimensional coordinates requires the number of neurons in the output layer of the neural network to be 2 and 3 respectively.
  • the number of neurons in the output layer of the neural network is required to be M
  • the activation function of sigmoid or softmax is used, and the index corresponding to the maximum value of the M output results is selected through the M-way selector.
  • Other hidden layers of the neural network include but are not limited to architectures such as Deep Neural Network (DNN), CNN, RNN, LSTM, GRU or self-attention mechanism. This example does not make further restrictions on the specific structure and parameters of the network.
  • Example 2 AI-based multi-scenario terminal-assisted positioning method
  • this example further provides a terminal-assisted positioning method in multiple scenarios.
  • the multi-scenario in this example may include a positioning scenario in which one server is shared.
  • a positioning scenario in which one server is shared For example, for positioning scenarios where the location of indoor space scatterers, electromagnetic wave reflection characteristics on the surface of scatterers, the number or location of K base stations and other environmental variables vary widely, such as different buildings, rooms, and factories, as shown in Figure 14:
  • Scene 1, Scene 2, and Scene 3 share a positioning server, and the distribution of scatterers in each scene is different. Therefore, for different scenarios, in order to ensure the accuracy requirements of the positioning neural network model in the positioning server in multiple scenarios and meet the positioning requirements for multiple scenarios, it is necessary to save the positioning models for different scenarios.
  • the positioning models of the different scenarios are Model 1, Model 2, and Model 3 respectively, wherein Model 1 corresponds to Scenario 1, Model 2 corresponds to Scenario 2, and Model 3 corresponds to Scenario 3.
  • the relationship between these positioning models can include the following situations:
  • model 1, model 2 and model 3 respectively use the same neural network interface, that is, measurement information feedback, but use different neural network models to adapt to different scenarios.
  • the different neural network models can be further classified as follows:
  • model 1 multiple models adopt the same structure, but the non-structural parameters are inconsistent.
  • model 1, model 2, and model 3 all use the CNN model, and the convolution kernel size, convolution kernel type, filling method, whether to perform batch normalization, depth, number of channels, number of neurons, activation function, etc.
  • the structural parameters of the network are consistent, but the weight coefficients and bias coefficients of the network are not equal.
  • Model 1 Model 2, and Model 3 adopt different structural models of DNN, CNN, and LSTM, respectively.
  • Model 1, Model 2 and Model 3 respectively adopt different neural network interfaces, that is, the forms of required measurement information feedback are different. Specifically, under the feedback A1 to A4 in Example 1, the dimension of the same type of measurement information feedback is different due to the different number K of base stations in each scenario, and different feedback forms of A1 to A4 in Example 1 may also be included. When the neural network interface is different, the model structure and parameters of the neural network are also different.
  • the network side needs to indicate the type of measurement information fed back by the user (specifically, the user terminal) through downlink signaling (such as measurement feedback information indication), and the user reports the measurement feedback information, as shown in FIG. 15 .
  • the downlink signaling indicates the type of user feedback measurement information, which may include at least two types of indication methods:
  • the indication directly indicates the type of measurement information and its combination method, and the type of measurement information and its combination method are known in advance by both the network side and the terminal;
  • the indication only indicates the information of all K base stations that need to be measured and fed back. For example, the indication will indicate whether all K base stations measure and feed back complete CIR, frequency domain channel reporting, or only RSRP reporting is required, without directly indicating the combination of required measurement information type feedback. How the positioning server on the network side combines the measurement feedback information depends on the input interface of the neural network model used.
  • Example 3 AI-based multi-scenario terminal-assisted positioning model update method
  • This example proposes an AI-based multi-scenario terminal-assisted positioning model update method.
  • the environmental variables such as the position of scatterers in scene 1 remain fixed for a long time, the environmental variables in scene 2 change slowly (scene 2-1 changes to scene 2-2), and the environmental variables in scene 3 The change is fast (Scene 3-1 changes to Scene 3-2, then changes to Scene 3-3, and then changes to Scene 3-4). Therefore, it is necessary to update the positioning model for changing scenarios.
  • the model is deployed on the positioning server on the network side
  • the network side needs to obtain updated channel measurement information as model input and user coordinates as labels. Therefore, when the model needs to be updated, the terminal coordinate position of the fed back channel measurement information needs to be known by the network side.
  • the terminal device deployed in the scene with known coordinates when updating the model is called the first terminal; the terminal that does not report the coordinates when updating the model on the network side is called the second terminal .
  • the coordinate position of the first terminal may be fixed, for example, a terminal device fixed on a production line in a certain factory.
  • the first terminal may also be a terminal device that moves regularly, for example, a terminal device that moves according to a horizontal or vertical rule on a certain production line in a certain factory.
  • the first terminal may also be a terminal device that includes other auxiliary positioning means, such as machine vision positioning.
  • the second terminal is generally a terminal device whose coordinate position of the user is unknown.
  • the method for updating the positioning model on the network side includes the following steps:
  • a network device such as a positioning server sends a positioning model update instruction to the first terminal.
  • the positioning model update indication may be carried by DCI or other downlink signaling dedicated to model update.
  • the positioning model update indication may include the channel measurement configuration of the terminal, for example, including measurement parameter information such as measurement time length indication, measurement frequency width indication, and measurement cycle indication.
  • the first terminal After receiving the model update instruction, the first terminal performs channel measurement according to the measurement configuration information such as the measurement time length instruction, the measurement frequency width instruction, and the measurement period instruction.
  • the measurement configuration information such as the measurement time length instruction, the measurement frequency width instruction, and the measurement period instruction.
  • the first terminal performs channel measurement information feedback according to the model interface in the scene, and at the same time, feeds back coordinate information of the first terminal;
  • the network side constructs multiple channel measurement information feedbacks and coordinate information of the first terminal as an updated data set, and performs migration training on the updated data set based on the original positioning model.
  • the model migration training in S14 can update and fine-tune all layers of the network of the positioning model, or only update and fine-tune a specific layer.
  • the specific layer generally refers to one or more network layers close to the output layer, for example, layer 1 to layer N close to the input layer.
  • the original positioning model in S14 can be the positioning model continuously used in the previous scenario, or a pre-trained model with better generalization performance.
  • the model parameters can be saved on the positioning server and used as the initial model for migration training every time the scene changes and the model is updated.
  • the embodiment of the present application provides an AI-based terminal assisted positioning and model updating method applicable to multiple scenarios.
  • terminal auxiliary information feedback and network-side AI positioning model can be used to improve terminal positioning accuracy.
  • the model of the positioning server can be selected and updated according to different positioning scenarios, ensuring that the positioning model can adapt to the scatterer environment in different scenarios, and further ensuring the positioning accuracy of the terminal.
  • Fig. 18 is a schematic block diagram of a first device 1800 according to an embodiment of the present application.
  • the first device 1800 may include:
  • a sending unit 1810 configured to send measurement information
  • the receiving unit 1820 is configured to receive location information of the first device, where the location information is obtained after processing the measurement information based on a positioning model.
  • the positioning model is a model corresponding to the positioning scene where the first device is located.
  • the device further includes:
  • the processing unit is configured to detect the first signal, and the first signal includes a reference signal for positioning.
  • the first signal includes first signals sent by K second devices.
  • the measurement information includes at least one of the following:
  • the time-domain channel information is determined based on at least one of the following:
  • Amplitude and phase of time-domain channel information measured by the first device are measured by the first device.
  • the frequency domain channel information is determined based on at least one of the following:
  • Amplitude and phase of frequency domain channel information measured by the first device are measured by the first device.
  • the measurement indication information includes at least one of the following: RSRP; RSRQ; RSSI; reference signal received quality dedicated to positioning signal measurement; reference signal received power dedicated to positioning signal measurement.
  • the position information output by the positioning model includes at least one of the following:
  • the location block index of the first device is the location block index of the first device.
  • different positioning models correspond to different positioning scenarios.
  • the structural parameters of different positioning models are the same.
  • different localization models include neural network models with the same interface.
  • the different localization models include interfacing different neural network models.
  • the structural parameters of the positioning model include at least one of the following:
  • Convolution kernel size Convolution kernel size, convolution kernel type, filling method, whether to perform batch normalization, depth, number of channels, number of neurons, and activation function.
  • different positioning models have different weight coefficients and/or bias coefficients.
  • the receiving unit is further configured to receive a first indication, where the first indication is used to indicate a relevant parameter of the measurement information that needs to be fed back by the first device.
  • the relevant parameters of the measurement information include at least one of the following:
  • the receiving unit is further configured to receive a second indication, where the second indication is used to indicate channel measurement configuration for the first device.
  • the channel measurement configuration includes at least one of the following:
  • the second indication is carried by at least one of the following:
  • the receiving unit is further configured to perform channel measurement based on measurement configuration information when the second indication is received;
  • the sending unit is further configured to feed back measurement information and location information of the first device based on a model interface corresponding to a location scenario.
  • the second indication further includes a positioning model update indication and/or a positioning model training indication.
  • the first device includes at least one of the following:
  • a terminal capable of obtaining its own location.
  • the first device may include a terminal device.
  • the first device 1800 in the embodiment of the present application can implement the corresponding function of the first device in the foregoing method 700 embodiment.
  • each module (submodule, unit or component, etc.) in the first device 1800 refers to the corresponding description in the above method embodiment, and details are not repeated here.
  • the functions described by the modules (submodules, units or components, etc.) in the first device 1800 of the embodiment of the application may be implemented by different modules (submodules, units or components, etc.), or by the same A module (submodule, unit or component, etc.) implementation.
  • Fig. 19 is a schematic block diagram of a second device 1900 according to an embodiment of the present application.
  • the second device 1900 may include:
  • a receiving unit 1910 configured to receive measurement information
  • a processing unit 1920 configured to process the measurement information based on a positioning model to obtain position information of the first device
  • the sending unit 1930 is configured to send the location information of the first device.
  • the positioning model is a model corresponding to a positioning scene where the first device is located.
  • the sending unit is further configured to send a first signal, where the first signal includes a reference signal for positioning.
  • the measurement information includes at least one of the following:
  • the time-domain channel information is determined based on at least one of the following:
  • Amplitude and phase of time-domain channel information measured by the first device are measured by the first device.
  • the frequency domain channel information is determined based on at least one of the following:
  • Amplitude and phase of frequency domain channel information measured by the first device are measured by the first device.
  • the measurement indication information includes at least one of the following: RSRP; RSRQ; RSSI; reference signal received quality dedicated to positioning signal measurement; reference signal received power dedicated to positioning signal measurement.
  • the position information output by the positioning model includes at least one of the following:
  • the location block index of the first device is the location block index of the first device.
  • different positioning models correspond to different positioning scenarios.
  • the structural parameters of different positioning models are the same.
  • different localization models include neural network models with the same interface.
  • the different localization models include interfacing different neural network models.
  • the structural parameters of the positioning model include at least one of the following:
  • Convolution kernel size Convolution kernel size, convolution kernel type, filling method, whether to perform batch normalization, depth, number of channels, number of neurons, and activation function.
  • different positioning models have different weight coefficients and/or bias coefficients.
  • the sending unit is further configured to send a first indication, where the first indication is used to indicate related parameters of the measurement information that the first device needs to feed back.
  • the relevant parameters of the measurement information include at least one of the following:
  • the sending unit is further configured to send a second indication, where the second indication is used to indicate channel measurement configuration for the first device.
  • the channel measurement configuration includes at least one of the following:
  • the second indication is carried by at least one of the following:
  • the receiving unit is further configured to receive measurement information fed back by the first device based on a model interface corresponding to a positioning scene and position information of the first device.
  • the second indication includes a positioning model update indication and/or a positioning model training indication.
  • the first device includes a terminal with a fixed position and/or a terminal that moves regularly.
  • the device further includes:
  • the processing unit is further configured to construct a plurality of measurement information and position information fed back by the first device into a sample data set; use the sample data set to perform migration training on the first model to obtain a second model.
  • the first model is an initial model
  • the second model is a model after transfer training.
  • the first model is a model after last transfer training
  • the second model is an updated model after this transfer training.
  • performing the migration training by the processing unit includes: adjusting a specific layer of the first model, where the specific layer includes one or more layers adjacent to an output layer of the first model.
  • the second device may include a network device.
  • the second device 1900 in the embodiment of the present application can implement the corresponding function of the second device in the foregoing method 900 embodiment.
  • functions, implementations and beneficial effects corresponding to each module (submodule, unit or component, etc.) in the second device 1900 refer to the corresponding description in the above method embodiment, and details are not repeated here.
  • the functions described by the modules (submodules, units or components, etc.) in the second device 1900 of the embodiment of the application may be realized by different modules (submodules, units or components, etc.), or by the same A module (submodule, unit or component, etc.) implementation.
  • Fig. 20 is a schematic block diagram of a communication device 2000 according to an embodiment of the present application.
  • the communication device 2000 may include:
  • the processing unit 2010 is configured to construct the measurement information and position information fed back by multiple first devices into a sample data set; use the sample data set to perform migration training on the first model to obtain a second model.
  • the first model is an initial model
  • the second model is a model after transfer training.
  • the first model is a model after last transfer training
  • the second model is an updated model after this transfer training.
  • performing the migration training by the processing unit includes: adjusting a specific layer of the first model, where the specific layer includes one or more layers adjacent to an output layer of the first model.
  • different second models correspond to different positioning scenarios.
  • the structural parameters of different second models are the same.
  • the different second models include neural network models with the same interface.
  • the different second models include neural network models with different interfaces.
  • the structural parameters of the second model include at least one of the following:
  • Convolution kernel size Convolution kernel size, convolution kernel type, filling method, whether to perform batch normalization, depth, number of channels, number of neurons, and activation function.
  • different second models have different weight coefficients and/or bias coefficients.
  • the communication device may include a terminal device and/or a network device.
  • the communication device 2000 in the embodiment of the present application can implement the corresponding functions of the communication device in the foregoing method 1000 embodiment.
  • functions, implementations and beneficial effects corresponding to each module (submodule, unit or component, etc.) in the communication device 2000 refer to the corresponding description in the above method embodiment, and details are not repeated here.
  • the functions described by the modules (submodules, units or components, etc.) in the communication device 2000 of the embodiment of the application can be realized by different modules (submodules, units or components, etc.), or by the same Module (submodule, unit or component, etc.) implementation.
  • Fig. 21 is a schematic structural diagram of a communication device 2100 according to an embodiment of the present application.
  • the communication device 2100 includes a processor 2110, and the processor 2110 can invoke and run a computer program from a memory, so that the communication device 2100 implements the method in the embodiment of the present application.
  • the communication device 2100 may further include a memory 2120 .
  • the processor 2110 may invoke and run a computer program from the memory 2120, so that the communication device 2000 implements the method in the embodiment of the present application.
  • the memory 2120 may be an independent device independent of the processor 2110 , or may be integrated in the processor 2110 .
  • the communication device 2100 may further include a transceiver 2130, and the processor 2110 may control the transceiver 2130 to communicate with other devices, specifically, to send information or data to other devices, or to receive information from other devices information or data sent.
  • the transceiver 2130 may include a transmitter and a receiver.
  • the transceiver 2130 may further include antennas, and the number of antennas may be one or more.
  • the communication device 2100 may be the first device 1800 of the embodiment of the present application, and the communication device 2100 may implement the corresponding procedures implemented by the first device in the methods of the embodiment of the present application, in order to It is concise and will not be repeated here.
  • the communication device 2100 may be the second device 1900 of the embodiment of the present application, and the communication device 2100 may implement the corresponding processes implemented by the second device in the methods of the embodiment of the present application, in order to It is concise and will not be repeated here.
  • the communication device 2100 may be the communication device 2000 of the embodiment of the present application, and the communication device 2100 may implement the corresponding processes implemented by the communication device in each method of the embodiment of the present application. For brevity, I won't repeat them here.
  • FIG. 22 is a schematic structural diagram of a chip 2200 according to an embodiment of the present application.
  • the chip 2200 includes a processor 2210, and the processor 2210 can call and run a computer program from the memory, so as to implement the method in the embodiment of the present application.
  • the chip 2200 may further include a memory 2220 .
  • the processor 2210 may invoke and run a computer program from the memory 2220, so as to implement the method performed by the first device 1800, the second device 1900 or the communication device 2000 in the embodiment of the present application.
  • the memory 2220 may be an independent device independent of the processor 2210 , or may be integrated in the processor 2210 .
  • the chip 2200 may also include an input interface 2230 .
  • the processor 2210 can control the input interface 2230 to communicate with other devices or chips, specifically, can obtain information or data sent by other devices or chips.
  • the chip 2200 may further include an output interface 2240 .
  • the processor 2210 can control the output interface 2240 to communicate with other devices or chips, specifically, can output information or data to other devices or chips.
  • the chip can be applied to the first device 1800 in the embodiment of the present application, and the chip can implement the corresponding processes implemented by the first device in each method of the embodiment of the present application. For the sake of brevity, I won't repeat them here.
  • the chip can be applied to the second device 1900 in the embodiment of the present application, and the chip can implement the corresponding process implemented by the second device in each method of the embodiment of the present application.
  • the chip can implement the corresponding process implemented by the second device in each method of the embodiment of the present application.
  • the chip can be applied to the communication device 2000 in the embodiment of the present application, and the chip can implement the corresponding processes implemented by the communication device in each method of the embodiment of the present application. For the sake of brevity, here No longer.
  • Chips applied to the first device 1800, the second device 1900, or the communication device 2000 may be the same chip or different chips.
  • 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 processor mentioned above can be a general-purpose processor, a digital signal processor (DSP), an off-the-shelf programmable gate array (FPGA), an application specific integrated circuit (ASIC) or Other programmable logic devices, transistor logic devices, discrete hardware components, etc.
  • DSP digital signal processor
  • FPGA off-the-shelf programmable gate array
  • ASIC application specific integrated circuit
  • the general-purpose processor mentioned above may be a microprocessor or any conventional processor or the like.
  • the aforementioned memories may be volatile memories or nonvolatile memories, or may include both volatile and nonvolatile memories.
  • 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), electrically programmable Erases programmable read-only memory (electrically EPROM, EEPROM) or flash memory.
  • the volatile memory may be random access memory (RAM).
  • the memory in the embodiment of the present application may also be a static random access memory (static RAM, SRAM), a 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, DDR SDRAM), 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, DR RAM), etc. That is, the memory in the embodiments of the present application is intended to include, but not be limited to, these and any other suitable types of memory.
  • Fig. 23 is a schematic block diagram of a communication system 2300 according to an embodiment of the present application.
  • the communication system 2300 includes a first device 2310 and a second device 2320 .
  • the first device 2310 is configured to send measurement information; receive location information of the first device, where the location information is obtained after processing the measurement information based on a positioning model.
  • the second device 2320 is configured to receive measurement information; the second device processes the measurement information based on a positioning model to obtain location information of the first device; the second device sends the location information of the first device.
  • the first device 2310 can be used to realize the corresponding functions realized by the first device in the above method 700
  • the second device 2320 can be used to realize the corresponding functions realized by the second device in the above method 900.
  • details are not repeated here.
  • the communication system 2300 may also include a communication device, configured to construct a sample data set from the measurement information and position information fed back by multiple first devices; Migration training is performed to obtain the second positioning model.
  • the communication device may be an independent device, or may be set in the first device and/or the second device.
  • the communication device may be used to implement corresponding functions implemented by the communication device in the foregoing method 1000 . For the sake of brevity, details are not repeated here.
  • all or part of them may be implemented by software, hardware, firmware or any combination thereof.
  • software When implemented using software, it may be implemented in whole or in part in the form of a computer program product.
  • the computer program product includes one or more computer instructions. When the computer program instructions are loaded and executed on the computer, the processes or functions according to the embodiments of the present application will be generated in whole or in part.
  • the computer can be a general purpose computer, a special purpose computer, a computer network, or other programmable device.
  • the computer instructions may be stored in or transmitted from one computer-readable storage medium to another computer-readable storage medium, e.g.
  • the computer-readable storage medium may be any available medium that can be accessed by a computer, or a data storage device such as a server or a data center integrated with one or more available media.
  • the available medium may be a magnetic medium (such as a floppy disk, a hard disk, or a magnetic tape), an optical medium (such as a DVD), or a semiconductor medium (such as a solid state disk (Solid State Disk, SSD)), etc.
  • sequence numbers of the above-mentioned processes do not mean the order of execution, and the execution order of the processes should be determined by their functions and internal logic, and should not be used in the embodiments of the present application.
  • the implementation process constitutes any limitation.

Landscapes

  • Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请涉及一种定位方法和设备。该定位方法包括：第一设备发送测量信息；该第一设备接收该第一设备的位置信息，该位置信息是基于定位模型对该测量信息进行处理后得到的。本申请实施例的定位方法可以提高定位精度。

Description

定位方法、模型训练方法和设备 技术领域
本申请涉及通信领域，更具体地，涉及一种定位方法、模型训练方法和设备。
背景技术
利用定位方法可以确定终端的位置。终端定位的方法有多种，例如：NR系统中的基于时间测量的方法、基于角度的方法等。目前的定位方法，精度有待提高。
发明内容
本申请实施例提供一种定位方法、模型训练方法和设备，可以提高定位精度。
本申请实施例提供一种定位方法，包括：第一设备发送测量信息；该第一设备接收该第一设备的位置信息，该位置信息是基于定位模型对该测量信息进行处理后得到的。
本申请实施例提供一种定位方法，包括：第二设备接收测量信息；该第二设备基于定位模型对该测量信息进行处理，得到第一设备的位置信息；该第二设备发送该第一设备的位置信息。
本申请实施例提供一种模型训练方法，包括：将多个第一设备反馈的测量信息和位置信息构建为样本数据集；利用该样本数据集对第一模型进行迁移训练，得到第二模型。
本申请实施例提供一种第一设备，包括：发送单元，用于发送测量信息；接收单元，用于接收该第一设备的位置信息，该位置信息是基于定位模型对该测量信息进行处理后得到的。
本申请实施例提供一种第二设备，包括：接收单元，用于接收测量信息；处理单元，用于基于定位模型对该测量信息进行处理，得到第一设备的位置信息；发送单元，用于发送该第一设备的位置信息。
本申请实施例提供一种通信设备，包括：处理单元，用于将多个第一设备反馈的测量信息和位置信息构建为样本数据集；利用该样本数据集对第一模型进行迁移训练，得到第二模型。
本申请实施例提供一种第一设备，包括处理器和存储器。该存储器用于存储计算机程序，该处理器用于调用并运行该存储器中存储的计算机程序，以使该第一设备执行上述的定位方法或模型训练方法。
本申请实施例提供一种第二设备，包括处理器和存储器。该存储器用于存储计算机程序，该处理器用于调用并运行该存储器中存储的计算机程序，以使该第二设备执行上述的定位方法或模型训练方法。
本申请实施例提供一种通信设备，包括处理器和存储器。该存储器用于存储计算机程序，该处理器用于调用并运行该存储器中存储的计算机程序，以使该通信设备执行上述的定位方法或模型训练方法。
本申请实施例提供一种芯片，用于实现上述的定位方法或模型训练方法。具体地，该芯片包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有该芯片的设备执行上述的定位方法或模型训练方法。
本申请实施例提供一种计算机可读存储介质，用于存储计算机程序，当该计算机程序被设备运行时使得该设备执行上述的定位方法或模型训练方法。
本申请实施例提供一种计算机程序产品，包括计算机程序指令，该计算机程序指令使得计算机执行上述的定位方法或模型训练方法。
本申请实施例提供一种计算机程序，当其在计算机上运行时，使得计算机执行上述的定位方法或模型训练方法。
本申请实施例，通过定位模型对第一设备的测量信息进行处理，得到的第一设备的位置信息更加准确。
附图说明
图1是根据本申请实施例的应用场景的示意图。
图2是一种示例性的神经元结构的示意图。
图3是一种示例性的神经网络的示意图。
图4是一种示例性的卷积神经网络的示意图。
图5是一种示例性的基本的LSTM单元结构的示意图。
图6是一种示例性的简单的迁移学习过程的示意图。
图7是根据本申请一实施例的定位方法的示意性流程图。
图8是一种示例性的基于深度学习的定位方法的示意图。
图9是根据本申请另一实施例的定位方法的示意性流程图。
图10是根据本申请另一实施例的定位方法的示意性流程图。
图11是模型输出二维坐标的示意图。
图12是模型输出三维坐标的示意图。
图13是模型输出位置块索引的示意图。
图14是多个定位场景的示意图。
图15是测量反馈的示意图。
图16是场景变化的示意图。
图17是定位模型更新的示意图。
图18是根据本申请一实施例的第一设备的示意性框图。
图19是根据本申请一实施例的第二设备的示意性框图。
图20是根据本申请一实施例的通信设备的示意性框图。
图21是根据本申请实施例的通信设备示意性框图。
图22是根据本申请实施例的芯片的示意性框图。
图23是根据本申请实施例的通信系统的示意性框图。
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描述。
本申请实施例的技术方案可以应用于各种通信系统，例如：全球移动通讯(Global System of Mobile communication，GSM)系统、码分多址(Code Division Multiple Access，CDMA)系统、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)系统、通用分组无线业务(General Packet Radio Service，GPRS)、长期演进(Long Term Evolution，LTE)系统、先进的长期演进(Advanced long term evolution，LTE-A)系统、新无线(New Radio，NR)系统、NR系统的演进系统、非授权频谱上的LTE(LTE-based access to unlicensed spectrum，LTE-U)系统、非授权频谱上的NR(NR-based access to unlicensed spectrum，NR-U)系统、非地面通信网络(Non-Terrestrial Networks，NTN)系统、通用移动通信系统(Universal Mobile Telecommunication System，UMTS)、无线局域网(Wireless Local Area Networks，WLAN)、无线保真(Wireless Fidelity，WiFi)、第五代通信(5th-Generation，5G)系统或其他通信系统等。
通常来说，传统的通信系统支持的连接数有限，也易于实现，然而，随着通信技术的发展，移动通信系统将不仅支持传统的通信，还将支持例如，设备到设备(Device to Device，D2D)通信，机器到机器(Machine to Machine，M2M)通信，机器类型通信(Machine Type Communication，MTC)，车辆间(Vehicle to Vehicle，V2V)通信，或车联网(Vehicle to everything，V2X)通信等，本申请实施例也可以应用于这些通信系统。
在一种可能的实现方式中，本申请实施例中的通信系统可以应用于载波聚合(Carrier Aggregation，CA)场景，也可以应用于双连接(Dual Connectivity，DC)场景，还可以应用于独立(Standalone，SA)布网场景。
在一种可能的实现方式中，本申请实施例中的通信系统可以应用于非授权频谱，其中，非授权频谱也可以认为是共享频谱；或者，本申请实施例中的通信系统也可以应用于授权频谱，其中，授权频谱也可以认为是非共享频谱。
本申请实施例结合网络设备和终端设备描述了各个实施例，其中，终端设备也可以称为用户设备(User Equipment，UE)、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置等。
终端设备可以是WLAN中的站点(STAION，ST)，可以是蜂窝电话、无绳电话、会话启动协议(Session Initiation Protocol，SIP)电话、无线本地环路(Wireless Local Loop，WLL)站、个人数字处理(Personal Digital Assistant，PDA)设备、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备、下一代通信系统例如NR网络中的终端设备，或者未来演进的公共陆地移动网络(Public Land Mobile Network，PLMN)网络中的终端设备等。
在本申请实施例中，终端设备可以部署在陆地上，包括室内或室外、手持、穿戴或车载；也可以部署在水面上(如轮船等)；还可以部署在空中(例如飞机、气球和卫星上等)。
在本申请实施例中，终端设备可以是手机(Mobile Phone)、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(Virtual Reality，VR)终端设备、增强现实(Augmented Reality，AR)终端设备、工业控制(industrial control)中的无线终端设备、无人驾驶(self driving)中的无线终端设备、远程医疗(remote medical)中的无线终端设备、智能电网(smart grid)中的无线终端设备、运输安全(transportation safety)中的无线终端设备、智慧城市(smart city)中的无线终端设备或智慧家庭(smart home)中的无线终端设备等。
作为示例而非限定，在本申请实施例中，该终端设备还可以是可穿戴设备。可穿戴设备也可以称为穿戴式智能设备，是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称，如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上，或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备，更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能，例如：智能手表或智能眼镜等，以及只专注于某一类应用功能，需要和其它设备如智能手机配合使用，如各类进行体征监测的智能手环、智能首饰等。
在本申请实施例中，网络设备可以是用于与移动设备通信的设备，网络设备可以是WLAN中的接入点(Access Point，AP)，GSM或CDMA中的基站(Base Transceiver Station，BTS)，也可以是WCDMA中的基站(NodeB，NB)，还可以是LTE中的演进型基站(Evolutional Node B，eNB或eNodeB)，或者中继站或接入点，或者车载设备、可穿戴设备以及NR网络中的网络设备(gNB)或者未来演进的PLMN网络中的网络设备或者NTN网络中的网络设备等。
作为示例而非限定，在本申请实施例中，网络设备可以具有移动特性，例如网络设备可以为移动的设备。可选地，网络设备可以为卫星、气球站。例如，卫星可以为低地球轨道(low earth orbit，LEO)卫星、中地球轨道(medium earth orbit，MEO)卫星、地球同步轨道(geostationary earth orbit，GEO)卫星、高椭圆轨道(High Elliptical Orbit，HEO)卫星等。可选地，网络设备还可以为设置在陆地、水域等位置的基站。
在本申请实施例中，网络设备可以为小区提供服务，终端设备通过该小区使用的传输资源(例如，频域资源，或者说，频谱资源)与网络设备进行通信，该小区可以是网络设备(例如基站)对应的小区，小区可以属于宏基站，也可以属于小小区(Small cell)对应的基站，这里的小小区可以包括：城市小区(Metro cell)、微小区(Micro cell)、微微小区(Pico cell)、毫微微小区(Femto cell)等，这些小小区具有覆盖范围小、发射功率低的特点，适用于提供高速率的数据传输服务。
图1示例性地示出了一种通信系统100。该通信系统包括一个网络设备110和两个终端设备120。在一种可能的实现方式中，该通信系统100可以包括多个网络设备110，并且每个网络设备110的覆盖范围内可以包括其它数量的终端设备120，本申请实施例对此不做限定。
在一种可能的实现方式中，该通信系统100还可以包括移动性管理实体(Mobility Management Entity，MME)、接入与移动性管理功能(Access and Mobility Management Function，AMF)等其他网络实体，本申请实施例对此不作限定。
其中，网络设备又可以包括接入网设备和核心网设备。即无线通信系统还包括用于与接入网设备进行通信的多个核心网。接入网设备可以是长期演进(long-term evolution，LTE)系统、下一代(移动通信系统)(next radio，NR)系统或者授权辅助接入长期演进(authorized auxiliary access long-term evolution，LAA-LTE)系统中的演进型基站(evolutional node B，简称可以为eNB或e-NodeB)宏基站、微基站(也称为“小基站”)、微微基站、接入站点(access point，AP)、传输站点(transmission point，TP)或新一代基站(new generation Node B，gNodeB)等。
应理解，本申请实施例中网络/系统中具有通信功能的设备可称为通信设备。以图1示出的通信系统为例，通信设备可包括具有通信功能的网络设备和终端设备，网络设备和终端设备可以为本申请实施例中的具体设备，此处不再赘述；通信设备还可包括通信系统中的其他设备，例如网络控制器、移动管理实体等其他网络实体，本申请实施例中对此不做限定。
应理解，本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应理解，在本申请的实施例中提到的“指示”可以是直接指示，也可以是间接指示，还可以是表示具有关联关系。举例说明，A指示B，可以表示A直接指示B，例如B可以通过A获取；也可以表示A间接指示B，例如A指示C，B可以通过C获取；还可以表示A和B之间具有关联关系。
在本申请实施例的描述中，术语“对应”可表示两者之间具有直接对应或间接对应的关系，也可以表示两者之间具有关联关系，也可以是指示与被指示、配置与被配置等关系。
为便于理解本申请实施例的技术方案，以下对本申请实施例的相关技术进行说明，以下相关技术作为可选方案与本申请实施例的技术方案可以进行任意结合，其均属于本申请实施例的保护范围。
1：NR系统中的定位方法
在多径、非视距(Non Line-Of-Sight，NLOS)较严重的室内场景下，难以实现高精度的定位。在NR系统中包括多种定位方法，例如基于时间测量的方法和基于角度的方法等，主要应用场景包括室内室外的一般场景，精度要求大概在3m左右。3GPP还通过定位增强的立项，满足商业场景和工业物联网 (Industry Internet of Thing，IIOT)场景的分米级定位要求。尤其是在IIOT场景，要求水平方向定位精度小于0.2m。然而经典的基于到达时间差(Time Difference Of Arrival，TDOA)的定位算法，采用通过已知多个基站的位置，以及信号的到达时间差计算用户的位置的方法，在NLOS概率较大、视距(Line-Of-Sight，LOS)概率较小时，误差非常高，因此无法实现高精度的定位。
2：神经网络与深度学习
神经网络是一种由多个神经元节点相互连接构成的运算模型，其中节点间的连接代表从输入信号到输出信号的加权值，称为权重。每个节点对不同的输入信号进行加权求和，并通过特定的激活函数输出。
一种示例性的神经元结构如图2所示。在神经元中，a1、a2……an表示输入特征，w1、w2……wn表示权重，SUM表示求和，b表示偏置系数，f表示激活函数，t表示该神经元的输出。
一种示例性简单的神经网络如图3所示，包含输入层、隐藏层和输出层，通过多个神经元不同的连接方式、权重和激活函数，可以产生不同的输出，进而拟合从输入到输出的映射关系。
深度学习采用多隐藏层的深度神经网络，极大提升了网络学习特征的能力，能够拟合从输入到输出的复杂的非线性映射，在语音和图像处理领域得到广泛的应用。除了深度神经网络，面对不同任务，深度学习还包括卷积神经网络(Convolutional Neural Network，CNN)、循环神经网络(Recurrent Neural Network，RNN)等常用基本结构。
一种示例性的卷积神经网络的基本结构可以包括：输入层、多个卷积层、多个池化层、全连接层及输出层，如图4所示。卷积层中卷积核的每个神经元与其输入进行局部连接，并通过引入池化层提取某一层局部的最大值或者平均值特征，有效减少了网络的参数，并挖掘了局部特征，使得卷积神经网络能够快速收敛，获得优异的性能。
RNN是一种对序列数据建模的神经网络，在自然语言处理领域，如机器翻译、语音识别等应用取得显著成绩。具体表现为，网络对过去时刻的信息进行记忆，并用于当前输出的计算中，即隐藏层之间的节点不再是无连接的而是有连接的，并且隐藏层的输入不仅包括输入层还包括上一时刻隐藏层的输出。RNN可以包括长短期记忆人工神经网络(Long Short-Term Memory，LSTM)、门控循环单元(Gated Recurrent Unit，GRU)等结构。图5所示为一种示例性的基本的LSTM单元结构，不同于RNN只考虑最近的状态，LSTM的细胞状态会决定哪些状态应该被留下来，哪些状态应该被遗忘，解决了传统RNN在长期记忆上存在的缺陷。在图5的示例中，“+”表示加法运算，“×”表示乘法运算，σ表示sigmoid激活函数，tanh表示表示双曲正切激活函数。
3：迁移学习
迁移学习作为机器学习的一个重要分支，可以利用数据、任务或模型之间的相似性，将在旧领域学习过的模型和知识应用于新的领域。图6示出了一种示例性的简单的迁移学习过程。以不同的数据集和任务为例，可以将数据集/任务A和数据集/任务B分别构建的模型A和模型B，通过一些迁移的方法进行融合。然后将迁移融合的模型应用于新的数据集/任务C，从而完成在数据集/任务C上的应用。其中数据集A和数据集B可以称为迁移学习的源域，数据集C可以称为迁移学习的目标域。迁移学习通过在源域上的训练，获取初始模型后，通过样本选择、特征迁移或模型微调等方法，对源域模型进行迁移训练，使得模型在目标域上也适用，进而完成目标域上的任务。
一方面，对于NR系统中的定位方法，在室内多径，尤其是NLOS比较严重的情况下，无法达到高精度的定位。另一方面，基于深度学习的定位方法，依赖于固定场景下采集大量的实测数据。而在实际部署过程中，有可能一个定位服务器同时服务多个场景的情况。同时获取多个场景的训练集，进而训练一个泛化性非常好的定位模型比较困难。当定位场景的信道环境发生变化时，会导致定位模型的不适配，因此定位精度无法保证。
图7是根据本申请一实施例的定位方法700的示意性流程图。该方法可选地可以应用于图1所示的系统，但并不仅限于此。该方法包括以下内容的至少部分内容。
S710、第一设备发送测量信息；
S720、该第一设备接收该第一设备的位置信息，该位置信息是基于定位模型对该测量信息进行处理后得到的。
例如，第一设备向第二设备发送测量信息。该测量信息可以是第一设备基于测量得到的网络设备发送例如基站发送的参考信号得到的测量信息。第二设备可以是网络设备，也可以是除了第一设备之外的其他终端设备。
在一种可能的实现方式中，该定位模型是该第一设备所处的定位场景对应的模型。例如，不同的定位场景内，散射体位置、散射体形状、散射体表面电磁波反射特性、基站数目、基站位置等至少一种环境变量分布可能不同。可以针对不同的定位场景设置不同的定位模型。
在一种可能的实现方式中，该方法还包括：第一设备检测第一信号，该第一信号包括用于定位的参 考信号。例如，第一设备可以为终端设备。终端设备可以检测网络设备例如多个基站发送的用于定位的参考信号，并基于检测到的多个基站的参考信号向网络侧的第二设备反馈多个测量信息。
在一种可能的实现方式中，该第一信号包括K个第二设备发送的第一信号。例如，第一设备可以基于K个第一设备的用于定位的参考信号，向网络侧的第二设备例如定位服务器发送K个第一设备的测量信息。第二设备例如定位服务器可以将收到的K个第一设备的测量信息输入定位模型例如用于定位的神经网络模型，该定位模型可以输出第一设备的位置信息例如位置坐标。如果以该定位模型所对应的定位场景中的某个位置为坐标原点，该第一设备的位置坐标可以是一种相对位置坐标。此外，第二设备例如定位服务器还可以先根据该第一设备所在的定位场景确定对应的定位模型，再将第一设备反馈的测量信息输入该第一设备对应的定位模型，从而得到与该第一设备的定位场景匹配的位置信息。
在本申请实施例中，可以利用人工智能(Artificial Intelligence，AI)技术例如深度学习来解决NLOS场景下的高精度定位问题。一种示例性的基于深度学习的定位方法如图8所示：其中用户测量来自K个基站的信道，得到对应的K个测量信息，并作为神经网络的输入，得到用户的坐标。该K个测量信息，可以包括完整的CIR，也可以包括RSRP、RSRQ、RSSI、专用于定位信号测量的参考信号接收质量、专用于定位信号测量的参考信号接收功率等测量信息，或者是到达角等空间信息中的一种或多种。该神经网络需要在部署前，通过采集大量带用户坐标标签的样本，对神经网络进行训练并达到收敛，使得其能够完成高精度的定位。该定位方法可以通过用户(通过第一设备)将所测量的信息反馈至网络侧，由网络侧的定位服务器进行计算，也可以对于部署了AI能力的用户终端，由用户终端侧直接进行AI推理，将定位结果反馈至网络侧。
在一种可能的实现方式中，该测量信息包括以下至少之一：
时域信道信息；
频域信道信息；
测量指示信息。
在一种可能的实现方式中，第一设备可以向第二设备发送时域信道信息、频域信道信息或测量指示信息；也可以发送时域信道信息、频域信道信息和测量指示信息中任意两种或多种的组合。
在一种可能的实现方式中，基于时域信道信息、频域信道信息、测量指示信息中的一种或者多种，可以确定不同场景的定位模型的输入特征。
在一种可能的实现方式中，该时域信道信息基于以下至少之一确定：
该第一设备检测到的发送第一信号的第二设备的数目；
每个该第一设备测量的时域采样点的数目；
该第一设备所测量的时域信道信息的实部和虚部；
该第一设备所测量的时域信道信息的幅度和相位。
在本申请实施例中，时域信道信息可以包括信道冲击响应(Channel Impulse Response，CIR)。
例如，如果第一设备检测到发送第一信号的第二设备的数目为K，第二设备例如基站等网络设备的时域采样点的数目为L。第一设备可以向第二设备例如定位服务器发送K×L个时域信道信息，作为定位模型的神经网络的K×L个输入特征。在本申请实施例中，第一设备测量到发送第一信号的第二设备，与作为定位服务器的第二设备可能为同一设备，也可能为不同设备。例如，如果发送第一信号的设备和作为定位服务器的设备为不同设备，发送第一信号的可以是基站本身，作为定位服务器的设备可以是通过光缆或者其他回传方式与基站进行连接的设备。
再如，如果第一设备检测到发送第一信号的第二设备的数目为K，第二设备例如基站等网络设备的时域采样点的数目为L，并且考虑该第一设备所测量的时域信道信息的实部和虚部(表示2种输入特征)。第一设备可以向定位服务器发送K×L×2个时域信道信息，作为定位模型的神经网络的K×L×2个输入特征。
再如，如果第一设备检测到发送第一信号的第二设备的数目为K，第二设备例如基站等网络设备的时域采样点的数目为L，并且考虑该第一设备所测量的时域信道信息的幅度和相位(表示2种输入特征)。第一设备可以向定位服务器发送K×L×2个时域信道信息，作为定位模型的神经网络的K×L×2个输入特征。
上述对时域信道信息与定位模型输入特征之间关系的描述仅为示例，而非限制，在实际应用中，可以基于定位模型所对应的场景灵活选择定位模型的输入特征。
在一种可能的实现方式中，该频域信道信息基于以下至少之一确定：
该第一设备检测到的发送第一信号的第二设备的数目；
为每个第一设备测量的频域粒度的数目；
该第一设备所测量的频域信道信息的实部和虚部；
该第一设备所测量的频域信道信息的幅度和相位。
例如，如果第一设备检测到的发送第一信号的第二设备的数目为K，第二设备例如基站等网络设备的频域粒度的数目为L。频域粒度可以包括子载波、资源块(Resource Block，RB)、子带级别等的一种或者多种。第一设备可以向定位服务器发送K×L个频域信道信息，作为定位模型的神经网络的K×L个输入特征。
再如，如果第一设备检测到的发送第一信号的第二设备的数目为K，第二设备例如基站等网络设备的频域粒度的数目为L。第一设备可以向定位服务器发送K×L个频域信道信息，作为定位模型的神经网络的K×L个输入特征。，并且考虑该第一设备所测量的频域信道信息的实部和虚部(表示2种输入特征)。第一设备可以向定位服务器发送K×L×2个频域信道信息，作为定位模型的神经网络的K×L×2个输入特征。
再如，如果第一设备检测到的发送第一信号的第二设备的数目为K，第二设备例如基站等网络设备的频域粒度的数目为L。第一设备可以向定位服务器发送K×L个频域信道信息，作为定位模型的神经网络的K×L个输入特征。，并且考虑该第一设备所测量的频域信道信息的幅度和相位(表示2种输入特征)。第一设备可以向定位服务器发送K×L×2个频域信道信息，作为定位模型的神经网络的K×L×2个输入特征。
上述对频域信道信息与定位模型输入特征之间关系的描述仅为示例，而非限制，在实际应用中，可以基于定位模型所对应的对应场景灵活选择定位模型的输入特征。
在一种可能的实现方式中，该测量指示信息包括以下至少之一：
参考信号接收功率(Reference Signal Received Power，RSRP)；
参考信号接收质量(Reference Signal Received Quality，RSRQ)；
接收信号强度指示(Received Signal Strength Indicator，RSSI)；
专用于定位信号测量的参考信号接收质量；
专用于定位信号测量的参考信号接收功率。
例如，第一设备可以向第二设备发送K个测量指示值。这K个测量指示值中包括RSRP、RSRQ、RSSI、专用于定位信号测量的参考信号接收质量、专用于定位信号测量的参考信号接收功率中的一种或者多种。
在一种可能的实现方式中，该定位模型输出的位置信息包括以下至少之一：
该第一设备的二维坐标；
该第一设备的三维坐标；
该第一设备的位置块索引。
例如，定位模型输出的第一设备的位置坐标可以为水平方向的二维坐标(x,y)。再如，定位模型输出的第一设备的位置坐标可以为包含垂直维度的三维坐标(x,y,z)。再如，定位模型输出的第一设备的位置信息可以是某个定位场景中的位置块索引。如果该定位场景分为16块区域，定位模型输出的第一设备的位置块索引为5，表示在第一设备处于定位场景的第5块区域内。
在一种可能的实现方式中，不同的定位模型对应不同的定位场景。例如，定位服务器还可以先根据该第一设备所在的定位场景匹配对应的定位模型，再将第一设备反馈的测量信息输入该第一设备对应的定位模型，从而得到与该第一设备的定位场景匹配的位置信息。
在一种可能的实现方式中，不同的定位模型的结构性参数相同。例如，不同的定位模型可能采用相同的神经网络结构，具有相同的结构性参数，但是训练后的非结构性参数不同。例如，定位模型A和定位模型B的通道数、神经元个数和激活函数都相同，但是训练后的权重系数不同。
在一种可能的实现方式中，不同的定位模型包括接口相同的神经网络模型。例如，不同的定位模型采用的神经网络结构具有相同的输入特征，这些定位模型包括接口相同的神经网络模型。
在一种可能的实现方式中，不同的定位模型的结构性参数不同。例如，不同的定位模型可能采用不同的神经网络结构，具有不同的结构性参数，训练后的非结构性参数也不同。例如，定位模型C和定位模型D的卷积核大小、通道数、神经元个数和激活函数都不同，训练后的权重系数也不同。
在一种可能的实现方式中，不同的定位模型包括接口不同的神经网络模型。例如，不同的定位模型采用的神经网络结构具有不同的输入特征，这些定位模型包括接口不同的神经网络模型。
在一种可能的实现方式中，定位模型的结构性参数包括以下至少之一：
卷积核大小、卷积核类型、填充(padding)方式、是否做批归一化、深度、通道数、神经元个数和激活函数。本申请实施例中的结构性参数仅为示例，并非穷举，也非限制，可以根据定位模型所采用的具体网络结构灵活选择。
在一种可能的实现方式中，不同的定位模型的权重系数和/或偏置系数不同。在本申请实施例中， 权重系数和/或偏置系数属于定位模型的非结构性参数，不同模型的神经网络结构可以相同或者不同，一般来说，不同模型的非结构性参数是不同的。有可能是一个或多个非结构性参数不同，也可能是全部的非结构性参数不同。
在一种可能的实现方式中，该方法还包括：
该第一设备接收第一指示，该第一指示用于指示该第一设备需要反馈的测量信息的相关参数。
例如，在需要对第一设备进行定位的情况下，第一设备可以接收定位服务器发送的第一指示。该第一指示可以用来指示该第一设备匹配的场景需要反馈的测量信息的相关参数。
在一种可能的实现方式中，该测量信息的相关参数包括以下至少之一：
测量信息的类型；
测量信息的组合方式；
需要测量的多个第二设备的信息。
例如，第一指示可以指示第一设备需要反馈的测量信息的类型，第一指示为1表示需要反馈时域信道信息，第一指示为2表示需要反馈频域信道信息，第一指示为3表示需要反馈测量指示信息。该示例中第一指示的取值及其对应的含义仅为示例而非限制，具体可以根据不同场景对应的定位模型的需求灵活改变。
再如，第一指示可以指示第一设备需要反馈的测量信息的组合，第一指示为110表示需要反馈时域信道信息和频域信道信息，第一指示为011表示需要反馈频域信道信息和测量指示信息，第一指示为101表示需要反馈时域信道信息和测量指示信息，第一指示为101表示需要反馈时域信道信息、频域信道信息和测量指示信息。该示例中第一指示的取值及其对应的含义仅为示例而非限制，具体可以根据不同场景对应的定位模型的需求灵活改变。
再如，第一指示可以指示第一设备需要反馈的需要测量的多个网络侧设备例如基站的信息。这种情况下，第一设备可以测量这些基站的信号，然后根据具体定位场景的需求向定位服务器反馈所测量的基站的完整的CIR、频域信道、RSRP等。由定位服务器根据第一设备匹配的定位模型，从收到的测量信息中选择所需的信息输入该定位模型。
在一种可能的实现方式中，该方法还包括：
该第一设备接收第二指示，该第二指示用于指示对该第一设备的信道测量配置。
例如，在需要对定位模型进行训练或更新的情况下，一个或多个第一设备可以接收定位服务器发送的第二指示。该第二指示可以用来指示对这些第一设备的信道测量配置。用于辅助进行模型训练或更新的第一设备可以包括多个终端设备。这多个终端设备与上述的需要定位的设备可以是不同的设备，也可以是相同的设备。
在一种可能的实现方式中，该信道测量配置包括以下至少之一：
测量时间长度指示；
测量频率宽度指示；
测量周期指示。
在一种可能的实现方式中，该第二指示通过以下至少之一承载：
下行控制指示(Downlink Control Indicator，DCI)；
专用于模型更新的信令；
专用于模型训练的信令。
例如，第一设备接收到来自第二设备的DCI，该DCI携带对该第一设备的信道测量配置。再如，第一设备接收到来自第二设备的专用于模型更新的信令，该专用于模型更新的信令携带对该第一设备的信道测量配置。再如，第一设备接收到来自第二设备的专用于模型训练的信令，该专用于模型训练的信令携带对该第一设备的信道测量配置。
在一种可能的实现方式中，该方法还包括：
该第一设备在接收到该第二指示的情况下，基于测量配置信息进行信道测量；
该第一设备基于定位场景对应的模型接口，反馈测量信息和该第一设备的位置信息。
例如，第一设备接收到网络侧的第二设备发送的测量时间长度指示、测量频率宽度指示和测量周期指示等测量配置信息后，可以根据这些测量配置信息进行信道测量。然后，第一设备可以按照其所处场景对应的定位模型的接口，反馈信道测量信息，并且还可以反馈该第一设备的位置信息。反馈的该第一设备的位置信息可以包括第一设备的二维坐标、三位坐标和索引块位置中的一种或者多种。
在一种可能的实现方式中，该第二指示还包括定位模型更新指示和/或定位模型训练指示。
在一种可能的实现方式中，该第一设备包括以下至少之一：
位置固定的终端；
规律运动的终端；
能够获取自身位置的终端。
在辅助模型训练或模型更新的情况下，第一设备的位置可以是固定的或者容易获得的。例如，位置固定的终端可以上报自身的固定的坐标信息。再如，规律运动的终端可以根据自身的运动规律上报在某个时间点的坐标信息。再如，上述能够获取自身位置的终端可以包括通过与本申请实施例的定位方法不同的其他定位方法获取并上报自身位置的终端。其他定位方法包括但不限于视觉定位、NR协议中规定的传统定位方法等。
本申请实施例的定位方法，能够提高定位精度。例如，在单场景下，利用第一设备辅助信息反馈和网络侧的定位模型，提高第一设备的定位精度。再如，在多个场景和时变下，能够使得定位服务器的模型依据不同的定位场景进行模型选择和模型更新，保证定位模型能够适配不同场景下的散射体环境，进一步保证第一设备的定位精度。
图9是根据本申请一实施例的定位方法900的示意性流程图。该方法可选地可以应用于图1所示的系统，但并不仅限于此。该方法包括以下内容的至少部分内容。
S910、第二设备接收测量信息；
S920、该第二设备基于定位模型对该测量信息进行处理，得到第一设备的位置信息；
S930、该第二设备发送该第一设备的位置信息。
例如，第二设备接收第一设备发送的测量信息，将该测量信息输入到第一设备的定位场景对应的定位模型，得到第一设备的位置信息。然后第一设备向第一设备发送该第一设备的位置信息。
在一种可能的实现方式中，该定位模型是第一设备所处的定位场景对应的模型。
在一种可能的实现方式中，该方法还包括：
该第二设备发送第一信号，该第一信号包括用于定位的参考信号。
在一种可能的实现方式中，该测量信息包括以下至少之一：
时域信道信息；
频域信道信息；
测量指示信息。
在一种可能的实现方式中，该时域信道信息基于以下至少之一确定：
该第一设备检测到的发送第一信号的第二设备的数目；
每个该第一设备测量的时域采样点的数目；
该第一设备所测量的时域信道信息的实部和虚部；
该第一设备所测量的时域信道信息的幅度和相位。
在一种可能的实现方式中，该频域信道信息基于以下至少之一确定：
该第一设备检测到的发送第一信号的第二设备的数目；
为每个第一设备测量的频域粒度的数目；
该第一设备所测量的频域信道信息的实部和虚部；
该第一设备所测量的频域信道信息的幅度和相位。
在一种可能的实现方式中，该测量指示信息包括以下至少之一：RSRP；RSRQ；RSSI；专用于定位信号测量的参考信号接收质量；专用于定位信号测量的参考信号接收功率。
在一种可能的实现方式中，该定位模型输出的位置信息包括以下至少之一：
该第一设备的二维坐标；
该第一设备的三维坐标；
该第一设备的位置块索引。
在一种可能的实现方式中，不同的定位模型对应不同的定位场景。
在一种可能的实现方式中，不同的定位模型的结构性参数相同。
在一种可能的实现方式中，不同的定位模型包括接口相同的神经网络模型。
在一种可能的实现方式中，不同的定位模型的结构性参数不同。
在一种可能的实现方式中，不同的定位模型包括接口不同的神经网络模型。
在一种可能的实现方式中，定位模型的结构性参数包括以下至少之一：
卷积核大小、卷积核类型、填充方式、是否做批归一化、深度、通道数、神经元个数和激活函数。
在一种可能的实现方式中，不同的定位模型的权重系数和/或偏置系数不同。
在一种可能的实现方式中，该方法还包括：
该第二设备发送第一指示，该第一指示用于指示该第一设备需要反馈的测量信息的相关参数。
在一种可能的实现方式中，该测量信息的相关参数包括以下至少之一：
测量信息的类型；
测量信息的组合方式；
需要测量的多个该第二设备的信息。
在一种可能的实现方式中，该方法还包括：
该第二设备发送第二指示，该第二指示用于指示对该第一设备的信道测量配置。
在一种可能的实现方式中，该信道测量配置包括以下至少之一：
测量时间长度指示；
测量频率宽度指示；
测量周期指示。
在一种可能的实现方式中，该第二指示通过以下至少之一承载：
DCI；
专用于模型更新的信令；
专用于模型训练的信令。
在一种可能的实现方式中，该方法还包括：
该第二设备接收该第一设备基于定位场景对应的模型接口反馈的测量信息和该第一设备的坐标信息。
在一种可能的实现方式中，该第二指示包括定位模型更新指示和/或定位模型训练指示。
在一种可能的实现方式中，该第一设备包括位置固定的终端和/或规律运动的终端。
在一种可能的实现方式中，该方法还包括：
该第二设备将多个该第一设备反馈的测量信息和位置信息构建为样本数据集；
利用该样本数据集对第一模型进行迁移训练，得到第二模型。
例如，在需要进行模型训练或模型更新的情况下，第二设备向第一设备发送第二指示，以指示第一设备反馈测量信息和自身的位置信息。将第一设备反馈的测量信息和位置信息构建为样本数据集。如果是模型初始训练的情况下，该样本数据集可以为初始数据集。如果是模型更新的情况下，该样本数据集可以为更新数据集。
在一种可能的实现方式中，该第一模型为初始模型，第二模型为迁移训练后的模型。例如，在模型初始训练的情况下，利用初始数据集对初始模型进行迁移训练，得到迁移训练后的模型。该迁移训练后的模型可以得到需要定位的设备的位置信息。
在一种可能的实现方式中，该第一模型为上次迁移训练后的模型，第二模型是本次迁移训练后更新的模型。例如，在模型更新的情况下，利用更新数据集对上次迁移训练后的模型进行迁移训练，得到本次迁移训练后更新的模型。该更新的模型可以用于得到需要定位的设备的位置信息。
在一种可能的实现方式中，该迁移训练包括：对该第一模型的特定层进行调整，该特定层包括与该第一模型的输出层相邻的一层或多层。例如，在模型更新的情况下，可以对第一模型的所有层进行调整，也可以对第一模型中与输出层相邻的一层或多层的参数进行微调，从而实现模型的快速更新。
本实施例的第二设备执行方法900的具体示例可以参见上述方法700的中关于第二设备的相关描述，为了简洁，在此不再赘述。
图10是根据本申请一实施例的模型训练方法1000的示意性流程图。该方法可选地可以应用于图1所示的系统，但并不仅限于此。该方法包括以下内容的至少部分内容。
S1010、将多个第一设备反馈的测量信息和位置信息构建为样本数据集；
S1020、利用该样本数据集对第一模型进行迁移训练，得到第二模型。
在一种可能的实现方式中，该第一模型为初始模型，第二模型为迁移训练后的模型。
在一种可能的实现方式中，该第一模型为上次迁移训练后的模型，第二模型是本次迁移训练后更新的模型。
在一种可能的实现方式中，该迁移训练包括：
对该第一模型的特定层进行调整，该特定层包括与该第一模型的输出层相邻的一层或多层。
在一种可能的实现方式中，不同的第二模型对应不同的定位场景。
在一种可能的实现方式中，不同的第二模型的结构性参数相同。
在一种可能的实现方式中，不同的第二模型包括接口相同的神经网络模型。
在一种可能的实现方式中，不同的第二模型的结构性参数不同。
在一种可能的实现方式中，不同的第二模型包括接口不同的神经网络模型。
在一种可能的实现方式中，第一模型和/或第二模型的结构性参数包括以下至少之一：
卷积核大小、卷积核类型、填充方式、是否做批归一化、深度、通道数、神经元个数和激活函数。
在一种可能的实现方式中，不同的第二模型的权重系数和/或偏置系数不同。
本实施例的第二设备执行方法1000的具体示例可以参见上述方法700和900的中关于第二设备的相关描述，为了简洁，在此不再赘述。
在具体的示例中，本申请实施例可以提供用于多场景的基于AI的终端辅助定位与模型更新方法。通过网络侧部署基于AI的定位网络模型，在终端测量信息反馈的辅助下，实现对用户的高精度定位。本申请实施例还可以考虑多场景下的模型匹配选择方法，和时变场景下的模型更新方法，使得单个定位服务器在服务多个场景定位需求时，进一步保证模型对于场景的适配性和场景内的终端的定位精度。
示例1：基于AI的单场景终端辅助的定位方法
本示例提供了基于AI的单场景终端辅助的定位方法。对于不具备AI能力的终端，无法在终端本地实现位置坐标的推理，因此其位置坐标的获取需要进行终端辅助的网络侧定位，其流程步骤如下：
S1，终端检测K个基站发送的用于定位的参考信号，并向网络侧反馈测量信息；
S2，网络侧的定位服务器接收该终端反馈的K个基站的测量信息，并输入用于定位的神经网络，输出该终端的位置坐标；
S3，网络侧将该终端的位置坐标发送给该终端。
该S1和S2中的K个基站的测量信息，可以包括但不限于以下形式：
A1，时域信道CIR。例如，K×L×2的时域信道作为定位神经网络的输入，L为每个基站测量的时域采样点，2表示两个输入通道，分别代表所测量时域信道信息的实部和虚部/或者所测量时域信道信息的幅度和相位。
A2，频域信道。例如，K×B×2的频域信道作为定位神经网络的输入，B为每个基站测量的频域粒度数目，该粒度可以是子载波、RB、子带级别等，2表示两个输入通道，分别代表所测量频域信道信息的实部和虚部/或者所测量时域信道信息的幅度和相位。
A3，RSRP、RSRQ、RSSI、专用于定位信号测量的参考信号接收质量、专用于定位信号测量的参考信号接收功率等一类指示参考信号接收质量的信息。例如，终端反馈的是K个测量指示值。
A4，包含A1、A2、A3的一种或多种的组合反馈形式。例如，一种可能的形式为，RSRP、RSRQ、RSSI、专用于定位信号测量的参考信号接收质量、专用于定位信号测量的参考信号接收功率较大的K 1个基站反馈完整的A1或A2信息，其余K-K 1个基站只反馈A3信息。而K 1的取值，以及具体的A1、A2和A3的组合反馈形式等用于AI定位的反馈参数，均可由网络侧配置并通过信令配置给用户。
上述S2和S3中的神经网络输出的定位坐标，可以包括连续值下的水平方向的二维坐标(x,y)，也可以包括包含垂直维度的三维坐标(x,y,z)，也可以包括离散输出下的位置块索引信息m。其中m为1≤m≤M的整数，其中M为场景内预先定义的位置块个数。不同的神经网络输出，需要该S2中用于AI定位的神经网络的不同的输出层结构。
如图11所示，将K个测量信息输入模型的输入层，经过N个全连接和/或卷积层的处理，从模型的输出层(一种示例中，该输出层可以为全连接层，具有2个神经元)输出连续二维坐标(x,y)。
如图12所示，将K个测量信息输入模型的输入层，经过N个全连接和/或卷积层的处理，从模型的输出层(一种示例中，该输出层可以为全连接层，具有3个神经元)输出连续三维坐标输出(x,y,z)。
如图13所示，将K个测量信息输入模型的输入层，经过N个全连接和/或卷积层的处理，从模型的输出层(一种示例中，该输出层可以为全连接层，具有M个神经元)输出M个结果，经过M路选择器选择出离散位置块索引m。
上述连续二维坐标或者三维坐标的输出，需要神经网络的输出层的神经元个数分别为2和3。而离散位置索引块的输出，需要神经网络的输出层神经元个数为M个，采用sigmoid或者softmax的激活函数，并通过M路选择器，选择M个输出结果中的最大值对应的索引。该神经网络的其他隐藏层包括但不限于采用深度神经网络(Deep Neural Network，DNN)、CNN、RNN、LSTM、GRU或者自注意力机制等架构。本示例对网络的具体结构，参数等不做进一步限制。
示例2：基于AI的多场景终端辅助的定位方法
本示例基于示例1进一步提供多场景下的终端辅助的定位方法。本示例的多场景可以包括共用一个服务器的定位场景。例如，对不同的建筑物、房间、工厂这类室内空间散射体位置、散射体表面电磁波反射特性、K个基站的数目或者位置等环境变量分布差距较大的定位场景，如图14所示：
场景1、场景2、场景3共用一个定位服务器，每个场景内散射体分布不同。因此，针对不同的场景，为了保证定位服务器内定位神经网络模型在多场景下的精度需求，满足对多场景的定位需求，需要保存针对不同场景的定位模型。
该不同场景的定位模型，分别为模型1、模型2、模型3，其中，模型1对应场景1，模型2对应场景2，模型3对应场景3。这几个定位模型的关系可以包括以下情况：
B1，模型1、模型2和模型3分别采用相同的神经网络接口，即测量信息反馈，但是采用不同的神经网络模型以适配不同的场景。该不同的神经网络模型，可以进一步有以下分类：
B1.1，多个模型采用同样的结构，但是非结构性参数不一致。例如，模型1、模型2和模型3均采用CNN模型，且卷积核大小、卷积核类型、填充方式、是否做批归一化、深度、通道数、神经元个数和激活函数等神经网络的结构性参数保持一致，但是其网络的权重系数和偏置系数不相等。
B1.2，多个模型采用不同的结构。例如，模型1、模型2和模型3分别采用DNN、CNN和LSTM的不同结构模型。
B2，模型1、模型2和模型3分别采用不同的神经网络接口，即所需的测量信息反馈的形式不同。具体地，包括示例1中反馈的A1至A4下，每个场景的基站数K不同带来的同一类测量信息反馈的维度不同，也可以包括示例1中A1至A4的不同反馈形式。当神经网络接口不同时，神经网络的模型结构及其参数也是不同的。
对于不同场景下的AI模型，可以是采集对应场景下的数据构成训练集预训练得到。而在部署过程中，对于不同场景下的用户，需要匹配对应场景的模型。因此，网络侧需要通过下行信令(例如测量反馈信息指示)指示用户(具体可以为用户的终端)反馈的测量信息类型，用户进行测量反馈信息上报，如图15所示。
该下行信令指示用户反馈测量信息类型，可以至少包括两类指示方式：
C1，该指示直接指示测量信息类型及其组合方式，该测量信息类型及其组合方式是网络侧和终端均提前已知的；
C2，该指示只指示所需测量并且反馈的所有K个基站的信息。例如，该指示会表明是否K个基站均测量并反馈完整的CIR、频域信道上报，还是只需要RSRP上报，而不直接指示所需测量信息类型反馈的组合方式。具体网络侧的定位服务器如何对测量反馈信息进行组合，取决于所采用的神经网络模型的输入接口。
示例3：基于AI的多场景终端辅助的定位模型更新方法
本示例提出基于AI的多场景终端辅助的定位模型更新方法。如图16所示，其中场景1内如散射体位置等环境变量保持长期固定，场景2内的环境变量变化较慢(场景2-1变化为场景2-2)，而场景3内的环境变量变化较快(场景3-1变化为场景3-2，再变化为场景3-3，再变化为场景3-4)。因此需要针对变化的场景，实现定位模型的更新。
考虑到模型部署在网络侧的定位服务器，如果场景发生变化，网络侧需要获取更新的信道测量信息作为模型输入和用户坐标作为标签。因此当模型需要更新时，所反馈信道测量信息的终端坐标位置需要网络侧已知。在本示例中，将在场景内部署有用于模型更新时坐标位置已知的终端设备，称为该第一终端；将不在网络侧定位模型更新时上报坐标位置的终端，称为该第二终端。
第一终端的坐标位置可以是固定不变的，例如，某工厂内固定在成产线上的某终端设备。第一终端也可以是规律运动的终端设备，例如，某工厂内在某条生产线上按照横向或纵向规律运动的终端内设备。第一终端也可以是包含其他辅助定位手段，例如机器视觉定位等方法的终端设备。该第二终端一般是用户坐标位置未知的终端设备。
该网络侧定位模型的更新方法，包括以下步骤：
S11，网络设备例如定位服务器向第一终端下发定位模型更新指示。该定位模型更新指示可以通过DCI或其他专用于模型更新的下行信令承载。该定位模型更新指示可以包含对该终端的信道测量配置，例如，包括测量时间长度指示、测量频率宽度指示、测量周期指示等测量参数信息。
S12，该第一终端接收模型更新指示后，按照测量时间长度指示、测量频率宽度指示、测量周期指示等测量配置信息，进行信道测量。
S13，该第一终端按照该场景内的模型接口进行信道测量信息反馈，同时，反馈第一终端的坐标信息；
S14，网络侧将多个该第一终端的信道测量信息反馈和坐标信息构建为更新数据集，并在原有定位模型的基础上，在该更新数据集上进行迁移训练。该S14中的模型迁移训练，如图17所示，可以对定位模型的网络的所有层进行更新微调，也可以只对特定层进行更新微调。该特定层一般指靠近输出层的一层或多层网络层例如，靠近输入层的第1层到第N层。
该S14中的原始定位模型，可以是前一场景下持续使用的定位模型，也可以是一个泛化性能更好的预训练模型。该模型参数可以被保存在定位服务器上，并在每次场景变化和模型更新时，用作初始模型进行迁移训练。
本申请实施例提供了适用于多场景的基于AI的终端辅助定位与模型更新方法。在单场景下，利用终端辅助信息反馈和网络侧AI定位模型，能够以提高终端的定位精度。在多个场景和时变下，能够使 得定位服务器的模型依据不同的定位场景进行模型选择和模型更新，保证定位模型能够适配不同场景下的散射体环境，进一步保证终端定位精度。
图18是根据本申请一实施例的第一设备1800的示意性框图。该第一设备1800可以包括：
发送单元1810，用于发送测量信息；
接收单元1820，用于接收该第一设备的位置信息，该位置信息是基于定位模型对该测量信息进行处理后得到的。
在一种可能的实现方式中，该定位模型是该第一设备所处的定位场景对应的模型。
在一种可能的实现方式中，该设备还包括：
处理单元，用于检测第一信号，该第一信号包括用于定位的参考信号。
在一种可能的实现方式中，该第一信号包括K个第二设备发送的第一信号。
在一种可能的实现方式中，该测量信息包括以下至少之一：
时域信道信息；
频域信道信息；
测量指示信息。
在一种可能的实现方式中，该时域信道信息基于以下至少之一确定：
该第一设备检测到的发送第一信号的第二设备的数目；
每个该第一设备测量的时域采样点的数目；
该第一设备所测量的时域信道信息的实部和虚部；
该第一设备所测量的时域信道信息的幅度和相位。
在一种可能的实现方式中，该频域信道信息基于以下至少之一确定：
该第一设备检测到的发送第一信号的第二设备的数目；
为每个第一设备测量的频域粒度的数目；
该第一设备所测量的频域信道信息的实部和虚部；
该第一设备所测量的频域信道信息的幅度和相位。
在一种可能的实现方式中，该测量指示信息包括以下至少之一：RSRP；RSRQ；RSSI；专用于定位信号测量的参考信号接收质量；专用于定位信号测量的参考信号接收功率。
在一种可能的实现方式中，该定位模型输出的位置信息包括以下至少之一：
该第一设备的二维坐标；
该第一设备的三维坐标；
该第一设备的位置块索引。
在一种可能的实现方式中，不同的定位模型对应不同的定位场景。
在一种可能的实现方式中，不同的定位模型的结构性参数相同。
在一种可能的实现方式中，不同的定位模型包括接口相同的神经网络模型。
在一种可能的实现方式中，不同的定位模型的结构性参数不同。
在一种可能的实现方式中，不同的定位模型包括接口不同的神经网络模型。
在一种可能的实现方式中，定位模型的结构性参数包括以下至少之一：
卷积核大小、卷积核类型、填充方式、是否做批归一化、深度、通道数、神经元个数和激活函数。
在一种可能的实现方式中，不同的定位模型的权重系数和/或偏置系数不同。
在一种可能的实现方式中，该接收单元还用于接收第一指示，该第一指示用于指示该第一设备需要反馈的测量信息的相关参数。
在一种可能的实现方式中，该测量信息的相关参数包括以下至少之一：
测量信息的类型；
测量信息的组合方式；
需要测量的多个第二设备的信息。
在一种可能的实现方式中，该接收单元还用于接收第二指示，该第二指示用于指示对该第一设备的信道测量配置。
在一种可能的实现方式中，该信道测量配置包括以下至少之一：
测量时间长度指示；
测量频率宽度指示；
测量周期指示。
在一种可能的实现方式中，该第二指示通过以下至少之一承载：
DCI；
专用于模型更新的信令；
专用于模型训练的信令。
在一种可能的实现方式中，该接收单元还用于在接收到该第二指示的情况下，基于测量配置信息进行信道测量；
该发送单元还用于基于定位场景对应的模型接口，反馈测量信息和该第一设备的位置信息。
在一种可能的实现方式中，该第二指示还包括定位模型更新指示和/或定位模型训练指示。
在一种可能的实现方式中，该第一设备包括以下至少之一：
位置固定的终端；
规律运动的终端；
能够获取自身位置的终端。
在一种可能的实现方式中，第一设备可以包括终端设备。
本申请实施例的第一设备1800能够实现前述的方法700实施例中的第一设备的对应功能。该第一设备1800中的各个模块(子模块、单元或组件等)对应的流程、功能、实现方式以及有益效果，可参见上述方法实施例中的对应描述，在此不再赘述。需要说明，关于申请实施例的第一设备1800中的各个模块(子模块、单元或组件等)所描述的功能，可以由不同的模块(子模块、单元或组件等)实现，也可以由同一个模块(子模块、单元或组件等)实现。
图19是根据本申请一实施例的第二设备1900的示意性框图。该第二设备1900可以包括：
接收单元1910，用于接收测量信息；
处理单元1920，用于基于定位模型对该测量信息进行处理，得到第一设备的位置信息；
发送单元1930，用于发送该第一设备的位置信息。
在一种可能的实现方式中，该定位模型是第一设备所处的定位场景对应的模型。
在一种可能的实现方式中，该发送单元还用于发送第一信号，该第一信号包括用于定位的参考信号。
在一种可能的实现方式中，该测量信息包括以下至少之一：
时域信道信息；
频域信道信息；
测量指示信息。
在一种可能的实现方式中，该时域信道信息基于以下至少之一确定：
该第一设备检测到的发送第一信号的第二设备的数目；
每个该第一设备测量的时域采样点的数目；
该第一设备所测量的时域信道信息的实部和虚部；
该第一设备所测量的时域信道信息的幅度和相位。
在一种可能的实现方式中，该频域信道信息基于以下至少之一确定：
该第一设备检测到的发送第一信号的第二设备的数目；
为每个第一设备测量的频域粒度的数目；
该第一设备所测量的频域信道信息的实部和虚部；
该第一设备所测量的频域信道信息的幅度和相位。
在一种可能的实现方式中，该测量指示信息包括以下至少之一：RSRP；RSRQ；RSSI；专用于定位信号测量的参考信号接收质量；专用于定位信号测量的参考信号接收功率。
在一种可能的实现方式中，该定位模型输出的位置信息包括以下至少之一：
该第一设备的二维坐标；
该第一设备的三维坐标；
该第一设备的位置块索引。
在一种可能的实现方式中，不同的定位模型对应不同的定位场景。
在一种可能的实现方式中，不同的定位模型的结构性参数相同。
在一种可能的实现方式中，不同的定位模型包括接口相同的神经网络模型。
在一种可能的实现方式中，不同的定位模型的结构性参数不同。
在一种可能的实现方式中，不同的定位模型包括接口不同的神经网络模型。
在一种可能的实现方式中，定位模型的结构性参数包括以下至少之一：
卷积核大小、卷积核类型、填充方式、是否做批归一化、深度、通道数、神经元个数和激活函数。
在一种可能的实现方式中，不同的定位模型的权重系数和/或偏置系数不同。
在一种可能的实现方式中，该发送单元还用于发送第一指示，该第一指示用于指示该第一设备需要反馈的测量信息的相关参数。
在一种可能的实现方式中，该测量信息的相关参数包括以下至少之一：
测量信息的类型；
测量信息的组合方式；
需要测量的多个该第二设备的信息。
在一种可能的实现方式中，该发送单元还用于发送第二指示，该第二指示用于指示对该第一设备的信道测量配置。
在一种可能的实现方式中，该信道测量配置包括以下至少之一：
测量时间长度指示；
测量频率宽度指示；
测量周期指示。
在一种可能的实现方式中，该第二指示通过以下至少之一承载：
DCI；
专用于模型更新的信令；
专用于模型训练的信令。
在一种可能的实现方式中，该接收单元还用于接收该第一设备基于定位场景对应的模型接口反馈的测量信息和该第一设备的位置信息。
在一种可能的实现方式中，该第二指示包括定位模型更新指示和/或定位模型训练指示。
在一种可能的实现方式中，该第一设备包括位置固定的终端和/或规律运动的终端。
在一种可能的实现方式中，该设备还包括：
该处理单元还用于将多个该第一设备反馈的测量信息和位置信息构建为样本数据集；利用该样本数据集对第一模型进行迁移训练，得到第二模型。
在一种可能的实现方式中，该第一模型为初始模型，第二模型为迁移训练后的模型。
在一种可能的实现方式中，该第一模型为上次迁移训练后的模型，第二模型是本次迁移训练后更新的模型。
在一种可能的实现方式中，该处理单元进行该迁移训练包括：对该第一模型的特定层进行调整，该特定层包括与该第一模型的输出层相邻的一层或多层。
在一种可能的实现方式中，第二设备可以包括网络设备。
本申请实施例的第二设备1900能够实现前述的方法900实施例中的第二设备的对应功能。该第二设备1900中的各个模块(子模块、单元或组件等)对应的流程、功能、实现方式以及有益效果，可参见上述方法实施例中的对应描述，在此不再赘述。需要说明，关于申请实施例的第二设备1900中的各个模块(子模块、单元或组件等)所描述的功能，可以由不同的模块(子模块、单元或组件等)实现，也可以由同一个模块(子模块、单元或组件等)实现。
图20是根据本申请一实施例的通信设备2000的示意性框图。该通信设备2000可以包括：
处理单元2010，用于将多个第一设备反馈的测量信息和位置信息构建为样本数据集；利用该样本数据集对第一模型进行迁移训练，得到第二模型。
在一种可能的实现方式中，该第一模型为初始模型，第二模型为迁移训练后的模型。
在一种可能的实现方式中，该第一模型为上次迁移训练后的模型，第二模型是本次迁移训练后更新的模型。
在一种可能的实现方式中，该处理单元进行该迁移训练包括：对该第一模型的特定层进行调整，该特定层包括与该第一模型的输出层相邻的一层或多层。
在一种可能的实现方式中，不同的第二模型对应不同的定位场景。
在一种可能的实现方式中，不同的第二模型的结构性参数相同。
在一种可能的实现方式中，不同的第二模型包括接口相同的神经网络模型。
在一种可能的实现方式中，不同的第二模型的结构性参数不同。
在一种可能的实现方式中，不同的第二模型包括接口不同的神经网络模型。
在一种可能的实现方式中，第二模型的结构性参数包括以下至少之一：
卷积核大小、卷积核类型、填充方式、是否做批归一化、深度、通道数、神经元个数和激活函数。
在一种可能的实现方式中，不同的第二模型的权重系数和/或偏置系数不同。
在一种可能的实现方式中，该通信设备可以包括终端设备和/或网络设备。
本申请实施例的通信设备2000能够实现前述的方法1000实施例中的通信设备的对应功能。该通信设备2000中的各个模块(子模块、单元或组件等)对应的流程、功能、实现方式以及有益效果，可参见上述方法实施例中的对应描述，在此不再赘述。需要说明，关于申请实施例的通信设备2000中的各 个模块(子模块、单元或组件等)所描述的功能，可以由不同的模块(子模块、单元或组件等)实现，也可以由同一个模块(子模块、单元或组件等)实现。
图21是根据本申请实施例的通信设备2100示意性结构图。该通信设备2100包括处理器2110，处理器2110可以从存储器中调用并运行计算机程序，以使通信设备2100实现本申请实施例中的方法。
在一种可能的实现方式中，通信设备2100还可以包括存储器2120。其中，处理器2110可以从存储器2120中调用并运行计算机程序，以使通信设备2000实现本申请实施例中的方法。
其中，存储器2120可以是独立于处理器2110的一个单独的器件，也可以集成在处理器2110中。
在一种可能的实现方式中，通信设备2100还可以包括收发器2130，处理器2110可以控制该收发器2130与其他设备进行通信，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。
其中，收发器2130可以包括发射机和接收机。收发器2130还可以进一步包括天线，天线的数量可以为一个或多个。
在一种可能的实现方式中，该通信设备2100可为本申请实施例的第一设备1800，并且该通信设备2100可以实现本申请实施例的各个方法中由第一设备实现的相应流程，为了简洁，在此不再赘述。
在一种可能的实现方式中，该通信设备2100可为本申请实施例的第二设备1900，并且该通信设备2100可以实现本申请实施例的各个方法中由第二设备实现的相应流程，为了简洁，在此不再赘述。
在一种可能的实现方式中，该通信设备2100可为本申请实施例的通信设备2000，并且该通信设备2100可以实现本申请实施例的各个方法中由通信设备实现的相应流程，为了简洁，在此不再赘述。
图22是根据本申请实施例的芯片2200的示意性结构图。该芯片2200包括处理器2210，处理器2210可以从存储器中调用并运行计算机程序，以实现本申请实施例中的方法。
在一种可能的实现方式中，芯片2200还可以包括存储器2220。其中，处理器2210可以从存储器2220中调用并运行计算机程序，以实现本申请实施例中由第一设备1800、第二设备1900或通信设备2000执行的方法。
其中，存储器2220可以是独立于处理器2210的一个单独的器件，也可以集成在处理器2210中。
在一种可能的实现方式中，该芯片2200还可以包括输入接口2230。其中，处理器2210可以控制该输入接口2230与其他设备或芯片进行通信，具体地，可以获取其他设备或芯片发送的信息或数据。
在一种可能的实现方式中，该芯片2200还可以包括输出接口2240。其中，处理器2210可以控制该输出接口2240与其他设备或芯片进行通信，具体地，可以向其他设备或芯片输出信息或数据。
在一种可能的实现方式中，该芯片可应用于本申请实施例中的第一设备1800，并且该芯片可以实现本申请实施例的各个方法中由第一设备实现的相应流程，为了简洁，在此不再赘述。
在一种可能的实现方式中，该芯片可应用于本申请实施例中的第二设备1900，并且该芯片可以实现本申请实施例的各个方法中由第二设备实现的相应流程，为了简洁，在此不再赘述。
在一种可能的实现方式中，该芯片可应用于本申请实施例中的通信设备2000，并且该芯片可以实现本申请实施例的各个方法中由通信设备实现的相应流程，为了简洁，在此不再赘述。
应用于第一设备1800、第二设备1900或通信设备2000的芯片可以是相同的芯片或不同的芯片。
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。
上述提及的处理器可以是通用处理器、数字信号处理器(digital signal processor，DSP)、现成可编程门阵列(field programmable gate array，FPGA)、专用集成电路(application specific integrated circuit，ASIC)或者其他可编程逻辑器件、晶体管逻辑器件、分立硬件组件等。其中，上述提到的通用处理器可以是微处理器或者也可以是任何常规的处理器等。
上述提及的存储器可以是易失性存储器或非易失性存储器，或可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)。
应理解，上述存储器为示例性但不是限制性说明，例如，本申请实施例中的存储器还可以是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，DDR SDRAM)、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)以及直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)等等。也就是说，本申请实施例中的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
图23是根据本申请实施例的通信系统2300的示意性框图。该通信系统2300包括第一设备2310和第二设备2320。
第一设备2310，用于发送测量信息；接收该第一设备的位置信息，该位置信息是基于定位模型对该测量信息进行处理后得到的。
第二设备2320，用于接收测量信息；该第二设备基于定位模型对该测量信息进行处理，得到第一设备的位置信息；该第二设备发送该第一设备的位置信息。
其中，该第一设备2310可以用于实现上述方法700中由第一设备实现的相应的功能，以及该第二设备2320可以用于实现上述方法900中由第二设备实现的相应的功能。为了简洁，在此不再赘述。
在一种可能的实现方式中，该通信系统2300还可以包括通信设备，用于将多个第一设备反馈的测量信息和位置信息构建为样本数据集；利用该样本数据集对第一定位模型进行迁移训练，得到第二定位模型。该通信设备可以是独立的设备，也可以设置于第一设备和/或第二设备中。该通信设备可以用于实现上述方法1000中由通信设备实现的相应的功能。为了简洁，在此不再赘述。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例中的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital Subscriber Line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以该权利要求的保护范围为准。

Claims (139)

  1. 一种定位方法，包括：
    第一设备发送测量信息；
    所述第一设备接收所述第一设备的位置信息，所述位置信息是基于定位模型对所述测量信息进行处理后得到的。
  2. 根据权利要求1所述的方法，其中，所述定位模型是所述第一设备所处的定位场景对应的模型。
  3. 根据权利要求1或2所述的方法，其中，所述方法还包括：
    第一设备检测第一信号，所述第一信号包括用于定位的参考信号。
  4. 根据权利要求3所述的方法，其中，所述第一信号包括K个第二设备发送的第一信号。
  5. 根据权利要求1至4中任一项所述的方法，其中，所述测量信息包括以下至少之一：
    时域信道信息；
    频域信道信息；
    测量指示信息。
  6. 根据权利要求5所述的方法，其中，所述时域信道信息基于以下至少之一确定：
    所述第一设备检测到的发送第一信号的第二设备的数目；
    每个所述第一设备测量的时域采样点的数目；
    所述第一设备所测量的时域信道信息的实部和虚部；
    所述第一设备所测量的时域信道信息的幅度和相位。
  7. 根据权利要求5或6所述的方法，其中，所述频域信道信息基于以下至少之一确定：
    所述第一设备检测到的发送第一信号的第二设备的数目；
    为每个第一设备测量的频域粒度的数目；
    所述第一设备所测量的频域信道信息的实部和虚部；
    所述第一设备所测量的频域信道信息的幅度和相位。
  8. 根据权利要求5至7中任一项所述的方法，其中，所述测量指示信息包括以下至少之一：
    参考信号接收功率RSRP；
    参考信号接收质量RSRQ；
    接收信号强度指示RSSI；
    专用于定位信号测量的参考信号接收质量；
    专用于定位信号测量的参考信号接收功率。
  9. 根据权利要求1至8中任一项所述的方法，其中，所述定位模型输出的位置信息包括以下至少之一：
    所述第一设备的二维坐标；
    所述第一设备的三维坐标；
    所述第一设备的位置块索引。
  10. 根据权利要求1至9中任一项所述的方法，其中，不同的所述定位模型对应不同的定位场景。
  11. 根据权利要求10所述的方法，其中，不同的所述定位模型的结构性参数相同。
  12. 根据权利要求10或11所述的方法，其中，不同的所述定位模型包括接口相同的神经网络模型。
  13. 根据权利要求10所述的方法，其中，不同的所述定位模型的结构性参数不同。
  14. 根据权利要求10或13所述的方法，其中，不同的所述定位模型包括接口不同的神经网络模型。
  15. 根据权利要求11或14所述的方法，其中，所述定位模型的结构性参数包括以下至少之一：
    卷积核大小、卷积核类型、填充方式、是否做批归一化、深度、通道数、神经元个数和激活函数。
  16. 根据权利要求10至15中任一项所述的方法，其中，不同的所述定位模型的权重系数和/或偏置系数不同。
  17. 根据权利要求1至16中任一项所述的方法，其中，所述方法还包括：
    所述第一设备接收第一指示，所述第一指示用于指示所述第一设备需要反馈的测量信息的相关参数。
  18. 根据权利要求17所述的方法，其中，所述测量信息的相关参数包括以下至少之一：
    测量信息的类型；
    测量信息的组合方式；
    需要测量的多个第二设备的信息。
  19. 根据权利要求1至18中任一项所述的方法，其中，所述方法还包括：
    所述第一设备接收第二指示，所述第二指示用于指示对所述第一设备的信道测量配置。
  20. 根据权利要求19所述的方法，其中，所述信道测量配置包括以下至少之一：
    测量时间长度指示；
    测量频率宽度指示；
    测量周期指示。
  21. 根据权利要求19或20所述的方法，其中，所述第二指示通过以下至少之一承载：
    DCI；
    专用于模型更新的信令；
    专用于模型训练的信令。
  22. 根据权利要求19至21中任一项所述的方法，还包括：
    所述第一设备在接收到所述第二指示的情况下，基于测量配置信息进行信道测量；
    所述第一设备基于定位场景对应的模型接口，反馈测量信息和所述第一设备的位置信息。
  23. 根据权利要求19至21中任一项所述的方法，其中，所述第二指示还包括定位模型更新指示和/或定位模型训练指示。
  24. 根据权利要求19至21中任一项所述的方法，其中，所述第一设备包括以下至少之一：
    位置固定的终端；
    规律运动的终端；
    能够获取自身位置的终端。
  25. 一种定位方法，包括：
    第二设备接收测量信息；
    所述第二设备基于定位模型对所述测量信息进行处理，得到第一设备的位置信息；
    所述第二设备发送所述第一设备的位置信息。
  26. 根据权利要求25所述的方法，其中，所述定位模型是第一设备所处的定位场景对应的模型。
  27. 根据权利要求25或26所述的方法，其中，所述方法还包括：
    所述第二设备发送第一信号，所述第一信号包括用于定位的参考信号。
  28. 根据权利要求25至27中任一项所述的方法，其中，所述测量信息包括以下至少之一：
    时域信道信息；
    频域信道信息；
    测量指示信息。
  29. 根据权利要求28所述的方法，其中，所述时域信道信息基于以下至少之一确定：
    所述第一设备检测到的发送第一信号的第二设备的数目；
    每个所述第一设备测量的时域采样点的数目；
    所述第一设备所测量的时域信道信息的实部和虚部；
    所述第一设备所测量的时域信道信息的幅度和相位。
  30. 根据权利要求28或29所述的方法，其中，所述频域信道信息基于以下至少之一确定：
    所述第一设备检测到的发送第一信号的第二设备的数目；
    为每个第一设备测量的频域粒度的数目；
    所述第一设备所测量的频域信道信息的实部和虚部；
    所述第一设备所测量的频域信道信息的幅度和相位。
  31. 根据权利要求28至30中任一项所述的方法，其中，所述测量指示信息包括以下至少之一：RSRP；RSRQ；RSSI；专用于定位信号测量的参考信号接收质量；专用于定位信号测量的参考信号接收功率。
  32. 根据权利要求25至31中任一项所述的方法，其中，所述定位模型输出的位置信息包括以下至少之一：
    所述第一设备的二维坐标；
    所述第一设备的三维坐标；
    所述第一设备的位置块索引。
  33. 根据权利要求25至32中任一项所述的方法，其中，不同的所述定位模型对应不同的定位场景。
  34. 根据权利要求33所述的方法，其中，不同的所述定位模型的结构性参数相同。
  35. 根据权利要求33至34中任一项所述的方法，其中，不同的所述定位模型包括接口相同的神经网络模型。
  36. 根据权利要求33所述的方法，其中，不同的所述定位模型的结构性参数不同。
  37. 根据权利要求33或36所述的方法，其中，不同的所述定位模型包括接口不同的神经网络模型。
  38. 根据权利要求34或36所述的方法，其中，所述定位模型的结构性参数包括以下至少之一：
    卷积核大小、卷积核类型、填充方式、是否做批归一化、深度、通道数、神经元个数和激活函数。
  39. 根据权利要求33至38中任一项所述的方法，其中，不同的所述定位模型的权重系数和/或偏置系数不同。
  40. 根据权利要求25至39中任一项所述的方法，其中，所述方法还包括：
    所述第二设备发送第一指示，所述第一指示用于指示所述第一设备需要反馈的测量信息的相关参数。
  41. 根据权利要求40所述的方法，其中，所述测量信息的相关参数包括以下至少之一：
    测量信息的类型；
    测量信息的组合方式；
    需要测量的多个所述第二设备的信息。
  42. 根据权利要求25至41中任一项所述的方法，其中，所述方法还包括：
    所述第二设备发送第二指示，所述第二指示用于指示对所述第一设备的信道测量配置。
  43. 根据权利要求42所述的方法，其中，所述信道测量配置包括以下至少之一：
    测量时间长度指示；
    测量频率宽度指示；
    测量周期指示。
  44. 根据权利要求42或43所述的方法，其中，所述第二指示通过以下至少之一承载：
    DCI；
    专用于模型更新的信令；
    专用于模型训练的信令。
  45. 根据权利要求42至44中任一项所述的方法，还包括：
    所述第二设备接收所述第一设备基于定位场景对应的模型接口反馈的测量信息和所述第一设备的位置信息。
  46. 根据权利要求42至45中任一项所述的方法，其中，所述第二指示包括定位模型更新指示和/或定位模型训练指示。
  47. 根据权利要求42至46中任一项所述的方法，其中，所述第一设备包括位置固定的终端和/或规律运动的终端。
  48. 根据权利要求42至47中任一项所述的方法，还包括：
    所述第二设备将多个所述第一设备反馈的测量信息和位置信息构建为样本数据集；
    利用所述样本数据集对第一模型进行迁移训练，得到第二模型。
  49. 根据权利要求48所述的方法，其中，所述第一模型为初始模型，第二模型为迁移训练后的模型。
  50. 根据权利要求48所述的方法，其中，所述第一模型为上次迁移训练后的模型，第二模型是本次迁移训练后更新的模型。
  51. 根据权利要求48至50中任一项所述的方法，其中，所述迁移训练包括：
    对所述第一模型的特定层进行调整，所述特定层包括与所述第一模型的输出层相邻的一层或多层。
  52. 一种模型训练方法，包括：
    将多个第一设备反馈的测量信息和位置信息构建为样本数据集；
    利用所述样本数据集对第一模型进行迁移训练，得到第二模型。
  53. 根据权利要求52所述的方法，其中，所述第一模型为初始模型，第二模型为迁移训练后的模型。
  54. 根据权利要求52所述的方法，其中，所述第一模型为上次迁移训练后的模型，第二模型是本次迁移训练后更新的模型。
  55. 根据权利要求52至54中任一项所述的方法，其中，所述迁移训练包括：
    对所述第一模型的特定层进行调整，所述特定层包括与所述第一模型的输出层相邻的一层或多层。
  56. 根据权利要求52至54中任一项所述的方法，其中，不同的所述第二模型对应不同的定位场景。
  57. 根据权利要求52至54中任一项所述的方法，其中，不同的所述第二模型的结构性参数相同。
  58. 根据权利要求57所述的方法，其中，不同的所述第二模型包括接口相同的神经网络模型。
  59. 根据权利要求52至54中任一项所述的方法，其中，不同的所述第二模型的结构性参数不同。
  60. 根据权利要求59所述的方法，其中，不同的所述第二模型包括接口不同的神经网络模型。
  61. 根据权利要求57或59所述的方法，其中，第二模型的结构性参数包括以下至少之一：
    卷积核大小、卷积核类型、填充方式、是否做批归一化、深度、通道数、神经元个数和激活函数。
  62. 根据权利要求52至61中任一项所述的方法，其中，不同的所述第二模型的权重系数和/或偏置系数不同。
  63. 一种第一设备，包括：
    发送单元，用于发送测量信息；
    接收单元，用于接收所述第一设备的位置信息，所述位置信息是基于定位模型对所述测量信息进行处理后得到的。
  64. 根据权利要求63所述的设备，其中，所述定位模型是所述第一设备所处的定位场景对应的模型。
  65. 根据权利要求63或64所述的设备，其中，所述设备还包括：
    处理单元，用于检测第一信号，所述第一信号包括用于定位的参考信号。
  66. 根据权利要求65所述的设备，其中，所述第一信号包括K个第二设备发送的第一信号。
  67. 根据权利要求63至66中任一项所述的设备，其中，所述测量信息包括以下至少之一：
    时域信道信息；
    频域信道信息；
    测量指示信息。
  68. 根据权利要求67所述的设备，其中，所述时域信道信息基于以下至少之一确定：
    所述第一设备检测到的发送第一信号的第二设备的数目；
    每个所述第一设备测量的时域采样点的数目；
    所述第一设备所测量的时域信道信息的实部和虚部；
    所述第一设备所测量的时域信道信息的幅度和相位。
  69. 根据权利要求67或68所述的设备，其中，所述频域信道信息基于以下至少之一确定：
    所述第一设备检测到的发送第一信号的第二设备的数目；
    为每个第一设备测量的频域粒度的数目；
    所述第一设备所测量的频域信道信息的实部和虚部；
    所述第一设备所测量的频域信道信息的幅度和相位。
  70. 根据权利要求67至69中任一项所述的设备，其中，所述测量指示信息包括以下至少之一：RSRP；RSRQ；RSSI；专用于定位信号测量的参考信号接收质量；专用于定位信号测量的参考信号接收功率。
  71. 根据权利要求63至70中任一项所述的设备，其中，所述定位模型输出的位置信息包括以下至少之一：
    所述第一设备的二维坐标；
    所述第一设备的三维坐标；
    所述第一设备的位置块索引。
  72. 根据权利要求63至71中任一项所述的设备，其中，不同的所述定位模型对应不同的定位场景。
  73. 根据权利要求72所述的设备，其中，不同的所述定位模型的结构性参数相同。
  74. 根据权利要求72或73所述的设备，其中，不同的所述定位模型包括接口相同的神经网络模型。
  75. 根据权利要求72所述的设备，其中，不同的所述定位模型的结构性参数不同。
  76. 根据权利要求72或75所述的设备，其中，不同的所述定位模型包括接口不同的神经网络模型。
  77. 根据权利要求73或76所述的设备，其中，所述定位模型的结构性参数包括以下至少之一：
    卷积核大小、卷积核类型、填充方式、是否做批归一化、深度、通道数、神经元个数和激活函数。
  78. 根据权利要求72至77中任一项所述的设备，其中，不同的所述定位模型的权重系数和/或偏置系数不同。
  79. 根据权利要求63至78中任一项所述的设备，其中，所述接收单元还用于接收第一指示，所述第一指示用于指示所述第一设备需要反馈的测量信息的相关参数。
  80. 根据权利要求79所述的设备，其中，所述测量信息的相关参数包括以下至少之一：
    测量信息的类型；
    测量信息的组合方式；
    需要测量的多个第二设备的信息。
  81. 根据权利要求63至80中任一项所述的设备，其中，所述接收单元还用于接收第二指示，所述第二指示用于指示对所述第一设备的信道测量配置。
  82. 根据权利要求81所述的设备，其中，所述信道测量配置包括以下至少之一：
    测量时间长度指示；
    测量频率宽度指示；
    测量周期指示。
  83. 根据权利要求81或82所述的设备，其中，所述第二指示通过以下至少之一承载：
    DCI；
    专用于模型更新的信令；
    专用于模型训练的信令。
  84. 根据权利要求81至83中任一项所述的设备，其中，所述接收单元还用于在接收到所述第二指示的情况下，基于测量配置信息进行信道测量；
    所述发送单元还用于基于定位场景对应的模型接口，反馈测量信息和所述第一设备的位置信息。
  85. 根据权利要求81至83中任一项所述的设备，其中，所述第二指示还包括定位模型更新指示和/或定位模型训练指示。
  86. 根据权利要求81至83中任一项所述的设备，其中，所述第一设备包括以下至少之一：
    位置固定的终端；
    规律运动的终端；
    能够获取自身位置的终端。
  87. 一种第二设备，包括：
    接收单元，用于接收测量信息；
    处理单元，用于基于定位模型对所述测量信息进行处理，得到第一设备的位置信息；
    发送单元，用于发送所述第一设备的位置信息。
  88. 根据权利要求87所述的设备，其中，所述定位模型是第一设备所处的定位场景对应的模型。
  89. 根据权利要求87或88所述的设备，其中，所述发送单元还用于发送第一信号，所述第一信号包括用于定位的参考信号。
  90. 根据权利要求87至89中任一项所述的设备，其中，所述测量信息包括以下至少之一：
    时域信道信息；
    频域信道信息；
    测量指示信息。
  91. 根据权利要求90所述的设备，其中，所述时域信道信息基于以下至少之一确定：
    所述第一设备检测到的发送第一信号的第二设备的数目；
    每个所述第一设备测量的时域采样点的数目；
    所述第一设备所测量的时域信道信息的实部和虚部；
    所述第一设备所测量的时域信道信息的幅度和相位。
  92. 根据权利要求90或91所述的设备，其中，所述频域信道信息基于以下至少之一确定：
    所述第一设备检测到的发送第一信号的第二设备的数目；
    为每个第一设备测量的频域粒度的数目；
    所述第一设备所测量的频域信道信息的实部和虚部；
    所述第一设备所测量的频域信道信息的幅度和相位。
  93. 根据权利要求90至92中任一项所述的设备，其中，所述测量指示信息包括以下至少之一：RSRP；RSRQ；RSSI；专用于定位信号测量的参考信号接收质量；专用于定位信号测量的参考信号接收功率。
  94. 根据权利要求87至93中任一项所述的设备，其中，所述定位模型输出的位置信息包括以下至少之一：
    所述第一设备的二维坐标；
    所述第一设备的三维坐标；
    所述第一设备的位置块索引。
  95. 根据权利要求87至94中任一项所述的设备，其中，不同的所述定位模型对应不同的定位场景。
  96. 根据权利要求95所述的设备，其中，不同的所述定位模型的结构性参数相同。
  97. 根据权利要求95至96中任一项所述的设备，其中，不同的所述定位模型包括接口相同的神经网络模型。
  98. 根据权利要求95所述的设备，其中，不同的所述定位模型的结构性参数不同。
  99. 根据权利要求95或98所述的设备，其中，不同的所述定位模型包括接口不同的神经网络模型。
  100. 根据权利要求96或98所述的设备，其中，所述定位模型的结构性参数包括以下至少之一：
    卷积核大小、卷积核类型、填充方式、是否做批归一化、深度、通道数、神经元个数和激活函数。
  101. 根据权利要求95至100中任一项所述的设备，其中，不同的所述定位模型的权重系数和/或偏置系数不同。
  102. 根据权利要求87至101中任一项所述的设备，其中，所述发送单元还用于发送第一指示，所述第一指示用于指示所述第一设备需要反馈的测量信息的相关参数。
  103. 根据权利要求102所述的设备，其中，所述测量信息的相关参数包括以下至少之一：
    测量信息的类型；
    测量信息的组合方式；
    需要测量的多个所述第二设备的信息。
  104. 根据权利要求87至103中任一项所述的设备，其中，所述发送单元还用于发送第二指示，所述第二指示用于指示对所述第一设备的信道测量配置。
  105. 根据权利要求104所述的设备，其中，所述信道测量配置包括以下至少之一：
    测量时间长度指示；
    测量频率宽度指示；
    测量周期指示。
  106. 根据权利要求104或105所述的设备，其中，所述第二指示通过以下至少之一承载：
    DCI；
    专用于模型更新的信令；
    专用于模型训练的信令。
  107. 根据权利要求104至106中任一项所述的设备，其中，所述接收单元还用于接收所述第一设备基于定位场景对应的模型接口反馈的测量信息和所述第一设备的位置信息。
  108. 根据权利要求104至107中任一项所述的设备，其中，所述第二指示包括定位模型更新指示和/或定位模型训练指示。
  109. 根据权利要求104至108中任一项所述的设备，其中，所述第一设备包括位置固定的终端和/或规律运动的终端。
  110. 根据权利要求104至109中任一项所述的设备，还包括：
    所述处理单元还用于将多个所述第一设备反馈的测量信息和位置信息构建为样本数据集；利用所述样本数据集对第一模型进行迁移训练，得到第二模型。
  111. 根据权利要求110所述的设备，其中，所述第一模型为初始模型，第二模型为迁移训练后的模型。
  112. 根据权利要求110所述的设备，其中，所述第一模型为上次迁移训练后的模型，第二模型是本次迁移训练后更新的模型。
  113. 根据权利要求110至112中任一项所述的设备，其中，所述处理单元进行所述迁移训练包括：对所述第一模型的特定层进行调整，所述特定层包括与所述第一模型的输出层相邻的一层或多层。
  114. 一种通信设备，包括：
    处理单元，用于将多个第一设备反馈的测量信息和位置信息构建为样本数据集；利用所述样本数据集对第一模型进行迁移训练，得到第二模型。
  115. 根据权利要求114所述的设备，其中，所述第一模型为初始模型，第二模型为迁移训练后的模型。
  116. 根据权利要求114所述的设备，其中，所述第一模型为上次迁移训练后的模型，第二模型是本次迁移训练后更新的模型。
  117. 根据权利要求114至116中任一项所述的设备，其中，所述处理单元进行所述迁移训练包括：对所述第一模型的特定层进行调整，所述特定层包括与所述第一模型的输出层相邻的一层或多层。
  118. 根据权利要求114至116中任一项所述的设备，其中，不同的所述第二模型对应不同的定位场景。
  119. 根据权利要求114至116中任一项所述的设备，其中，不同的所述第二模型的结构性参数相同。
  120. 根据权利要求57所述的设备，其中，不同的所述第二模型包括接口相同的神经网络模型。
  121. 根据权利要求114至116中任一项所述的设备，其中不同的所述第二模型的结构性参数不同。
  122. 根据权利要求121所述的设备，其中，不同的所述第二模型包括接口不同的神经网络模型。
  123. 根据权利要求57或121所述的设备，其中，所述第二模型的结构性参数包括以下至少之一：
    卷积核大小、卷积核类型、填充方式、是否做批归一化、深度、通道数、神经元个数和激活函数。
  124. 根据权利要求114至123中任一项所述的设备，其中，不同的所述第二模型的权重系数和/或偏置系数不同。
  125. 一种第一设备，包括：处理器和存储器，该存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，以使所述第一设备执行如权利要求1至24中任一项所述的方法。
  126. 一种第二设备，包括：处理器和存储器，该存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，以使所述第二设备执行如权利要求25至50中任一项所述的方法。
  127. 一种通信设备，包括：处理器和存储器，该存储器用于存储计算机程序，所述处理器用于调用 并运行所述存储器中存储的计算机程序，以使所述通信设备执行如权利要求51至62中任一项所述的方法。
  128. 一种芯片，包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行如权利要求1至24中任一项所述的方法。
  129. 一种芯片，包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行如权利要求25至50中任一项所述的方法。
  130. 一种芯片，包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行如权利要求51至62中任一项所述的方法。
  131. 一种计算机可读存储介质，用于存储计算机程序，当所述计算机程序被设备运行时使得所述设备执行如权利要求1至24中任一项所述的方法。
  132. 一种计算机可读存储介质，用于存储计算机程序，当所述计算机程序被设备运行时使得所述设备执行如权利要求25至50中任一项所述的方法。
  133. 一种计算机可读存储介质，用于存储计算机程序，当所述计算机程序被设备运行时使得所述设备执行如权利要求51至62中任一项所述的方法。
  134. 一种计算机程序产品，包括计算机程序指令，该计算机程序指令使得计算机执行如权利要求1至24中任一项所述的方法。
  135. 一种计算机程序产品，包括计算机程序指令，该计算机程序指令使得计算机执行如权利要求25至50中任一项所述的方法。
  136. 一种计算机程序产品，包括计算机程序指令，该计算机程序指令使得计算机执行如权利要求51至62中任一项所述的方法。
  137. 一种计算机程序，所述计算机程序使得计算机执行如权利要求1至24中任一项所述的方法。
  138. 一种计算机程序，所述计算机程序使得计算机执行如权利要求25至50中任一项所述的方法。
  139. 一种计算机程序，所述计算机程序使得计算机执行如权利要求51至62中任一项所述的方法。
PCT/CN2021/135251 2021-12-03 2021-12-03 定位方法、模型训练方法和设备 WO2023097634A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2021/135251 WO2023097634A1 (zh) 2021-12-03 2021-12-03 定位方法、模型训练方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2021/135251 WO2023097634A1 (zh) 2021-12-03 2021-12-03 定位方法、模型训练方法和设备

Publications (1)

Publication Number Publication Date
WO2023097634A1 true WO2023097634A1 (zh) 2023-06-08

Family

ID=86611296

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/135251 WO2023097634A1 (zh) 2021-12-03 2021-12-03 定位方法、模型训练方法和设备

Country Status (1)

Country Link
WO (1) WO2023097634A1 (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109116299A (zh) * 2017-06-23 2019-01-01 中兴通讯股份有限公司 一种指纹定位方法、终端、计算机可读存储介质
CN109743683A (zh) * 2018-12-03 2019-05-10 北京航空航天大学 一种采用深度学习融合网络模型确定手机用户位置的方法
CN110022523A (zh) * 2018-01-05 2019-07-16 华为技术有限公司 用于终端设备定位的方法、装置及系统
CN110225460A (zh) * 2019-06-05 2019-09-10 三维通信股份有限公司 一种基于深度神经网络的室内定位方法及装置
WO2021053063A1 (en) * 2019-09-20 2021-03-25 Nokia Technologies Oy Position determination
CN113207089A (zh) * 2021-05-08 2021-08-03 苏州云享阁智能科技有限公司 基于csi与众包迁移自校准更新的位置指纹定位方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109116299A (zh) * 2017-06-23 2019-01-01 中兴通讯股份有限公司 一种指纹定位方法、终端、计算机可读存储介质
CN110022523A (zh) * 2018-01-05 2019-07-16 华为技术有限公司 用于终端设备定位的方法、装置及系统
CN109743683A (zh) * 2018-12-03 2019-05-10 北京航空航天大学 一种采用深度学习融合网络模型确定手机用户位置的方法
CN110225460A (zh) * 2019-06-05 2019-09-10 三维通信股份有限公司 一种基于深度神经网络的室内定位方法及装置
WO2021053063A1 (en) * 2019-09-20 2021-03-25 Nokia Technologies Oy Position determination
CN113207089A (zh) * 2021-05-08 2021-08-03 苏州云享阁智能科技有限公司 基于csi与众包迁移自校准更新的位置指纹定位方法

Similar Documents

Publication Publication Date Title
US20210329416A1 (en) Method and Apparatus for Location Services
KR102154481B1 (ko) 딥러닝을 이용한 대규모 mimo 시스템의 빔포밍 장치 및 방법
US11012133B2 (en) Efficient data generation for beam pattern optimization
CN113747341A (zh) 一种定位方法、定位管理装置、接入网设备以及终端
Chen et al. Computer vision aided codebook design for MIMO communications systems
US20230362039A1 (en) Neural network-based channel estimation method and communication apparatus
US20230336382A1 (en) Information generation method and related apparatus
WO2023097634A1 (zh) 定位方法、模型训练方法和设备
Sengupta et al. Artificial Intelligence and Quantum Computing for a Smarter Wireless Network
WO2023123062A1 (zh) 虚拟信道样本的质量评估方法和设备
WO2021237463A1 (en) Method and apparatus for position estimation
WO2022082545A1 (zh) 信道信息反馈方法及相关设备
WO2023201549A1 (zh) 定位方法、模型生成方法及设备
US20240056844A1 (en) User equipment downlink transmission beam prediction framework with machine learning
WO2023185566A1 (zh) 用于无线通信的方法和电子设备以及计算机可读存储介质
WO2024065696A1 (zh) 无线通信的方法、终端设备和网络设备
US20240056205A1 (en) Beam prediction by user equipment using angle assistance information
Bouazizi et al. A Novel Approach for Inter-User Distance Estimation in 5G mmWave Networks Using Deep Learning
WO2023169253A1 (zh) 一种通信方法及装置
US20240155403A1 (en) Framework for agnosticizing positioning measurement reports
CN116684019A (zh) 信道预测方法和装置
WO2024092498A1 (zh) 无线通信的方法及设备
Sharma et al. Artificial intelligence enabled 5G-NR optimisation
WO2023092307A1 (zh) 通信方法、模型训练方法和设备
US20240064724A1 (en) Refined beam prediction with wide beam measurements

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: 21966066

Country of ref document: EP

Kind code of ref document: A1