CN116170871A - 定位方法、装置、终端及网络侧设备 - Google Patents
定位方法、装置、终端及网络侧设备 Download PDFInfo
- Publication number
- CN116170871A CN116170871A CN202111389341.9A CN202111389341A CN116170871A CN 116170871 A CN116170871 A CN 116170871A CN 202111389341 A CN202111389341 A CN 202111389341A CN 116170871 A CN116170871 A CN 116170871A
- Authority
- CN
- China
- Prior art keywords
- information
- model
- positioning
- machine learning
- error
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种定位方法、装置、终端及网络侧设备,属于通信技术领域,本申请实施例的定位方法包括:终端确定配置信息;终端根据所述配置信息,执行如下至少一项操作:确定第一模型信息,并根据所述第一模型信息进行定位;上报定位信息。
Description
技术领域
本申请属于通信技术领域,具体涉及一种定位方法、装置、终端及网络侧设备。
背景技术
目前,已有的定位方式的定位精度较低,不能满足高精度定位需求。为了提高定位精度,可以采用模型进行定位,例如机器学习模型,误差模型或预处理模型等,但是如何确定用于定位的模型信息,以及如何上报定位信息等问题,并未有明确的解决方法。
发明内容
本申请实施例提供一种定位方法、装置、终端及网络侧设备,能够解决相关技术中的定位方式定位精度较低的问题。
第一方面,提供了一种定位方法,包括:
终端确定配置信息;
终端根据所述配置信息,执行如下至少一项操作:
确定第一模型信息,并根据所述第一模型信息进行定位;
上报定位信息。
第二方面,提供了一种定位方法,该方法包括:
网络侧设备发送配置信息,所述配置信息用于终端进行定位和/或所述终端上报定位信息。
第三方面,提供了一种定位装置,包括:
确定模块,用于确定配置信息;
执行模块,用于根据所述配置信息,执行如下至少一项操作:
确定第一模型信息,并根据所述第一模型信息进行定位;
上报定位信息。
第四方面,提供了一种定位装置,包括:
发送模块,用于发送配置信息,所述配置信息用于终端进行定位和/或所述终端上报定位信息。
第五方面,提供了一种终端,该终端包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第六方面,提供了一种终端,包括处理器及通信接口,其中,所述处理器用于确定配置信息,根据所述配置信息,执行如下至少一项操作:确定第一模型信息,并根据所述第一模型信息进行定位;上报定位信息。
第七方面,提供了一种网络侧设备,该网络侧设备包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第二方面所述的方法的步骤。
第八方面,提供了一种网络侧设备,包括处理器及通信接口,其中,所述通信接口用于发送配置信息,所述配置信息用于终端进行定位和/或所述终端上报定位信息。
第九方面,提供了一种通信***,包括:终端及网络侧设备,所述终端可用于执行如第一方面所述的定位方法的步骤,所述网络侧设备可用于执行如第二方面所述的定位方法的步骤。
第十方面,提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤,或者实现如第二方面所述的方法的步骤。
第十一方面,提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的方法,或实现如第二方面所述的方法的步骤。
第十二方面,提供了一种计算机程序/程序产品,所述计算机程序/程序产品被存储在存储介质中,所述计算机程序/程序产品被至少一个处理器执行以实现如第一方面或第二方面所述的定位方法的步骤。
在本申请实施例中,终端确定配置信息;终端根据所述配置信息,执行如下至少一项操作:确定第一模型信息,并根据所述第一模型信息进行定位;上报定位信息。终端根据配置信息可确定第一模型信息,从而选择相应的模型进行定位,提高定位精度,另外,终端也可以根据配置信息上报定位信息,例如,根据配置信息选择相应的上报方式上报定位信息,以解决定位信息如何上报的问题。
附图说明
图1是本申请实施例提供的一种网络***的结构图;
图2是本申请实施例提供的定位方法的一流程图;
图3是本申请实施例提供的定位方法的另一流程图;
图4是本申请实施例提供的第一定位装置的结构图;
图5是本申请实施例提供的第二定位装置的结构图;
图6是本申请实施例提供的通信设备的结构图;
图7是本申请实施例提供的终端的结构图;
图8是本申请实施例提供的网络侧设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是,本申请实施例所描述的技术不限于长期演进型(Long TermEvolution,LTE)/LTE的演进(LTE-Advanced,LTE-A)***,还可用于其他无线通信***,诸如码分多址(Code Division Multiple Access,CDMA)、时分多址(Time DivisionMultiple Access,TDMA)、频分多址(Frequency Division Multiple Access,FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access,OFDMA)、单载波频分多址(Single-carrier Frequency Division Multiple Access,SC-FDMA)和其他***。本申请实施例中的术语“***”和“网络”常被可互换地使用,所描述的技术既可用于以上提及的***和无线电技术,也可用于其他***和无线电技术。以下描述出于示例目的描述了新空口(New Radio,NR)***,并且在以下大部分描述中使用NR术语,但是这些技术也可应用于NR***应用以外的应用,如第6代(6th Generation,6G)通信***。
图1示出本申请实施例可应用的一种无线通信***的框图。无线通信***包括终端11和网络侧设备12。其中,终端11可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal DigitalAssistant,PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personalcomputer,UMPC)、移动上网装置(Mobile Internet Device,MID)、增强现实(augmentedreality,AR)/虚拟现实(virtual reality,VR)设备、机器人、可穿戴式设备(WearableDevice)、车载设备(VUE)、行人终端(PUE)、智能家居(具有无线通信功能的家居设备,如冰箱、电视、洗衣机或者家具等)、游戏机、个人计算机(personal computer,PC)、柜员机或者自助机等终端侧设备,可穿戴式设备包括:智能手表、智能手环、智能耳机、智能眼镜、智能首饰(智能手镯、智能手链、智能戒指、智能项链、智能脚镯、智能脚链等)、智能腕带、智能服装等。需要说明的是,在本申请实施例并不限定终端11的具体类型。网络侧设备12可以包括接入网设备或核心网设备,其中,接入网设备12也可以称为无线接入网设备、无线接入网(Radio Access Network,RAN)、无线接入网功能或无线接入网单元。接入网设备12可以包括基站、WLAN接入点或WiFi节点等,基站可被称为节点B、演进节点B(eNB)、接入点、基收发机站(Base Transceiver Station,BTS)、无线电基站、无线电收发机、基本服务集(BasicService Set,BSS)、扩展服务集(Extended Service Set,ESS)、家用B节点、家用演进型B节点、发送接收点(Transmitting Receiving Point,TRP)或所述领域中其他某个合适的术语,只要达到相同的技术效果,所述基站不限于特定技术词汇,需要说明的是,在本申请实施例中仅以NR***中的基站为例进行介绍,并不限定基站的具体类型。
下面结合附图,通过一些实施例及其应用场景对本申请实施例提供的定位方法进行详细地说明。
请参见图2,图2是本申请实施例提供的一种定位方法的流程图,该定位方法,包括:
步骤201、终端确定配置信息。
步骤202、终端根据所述配置信息,执行如下至少一项操作:
确定第一模型信息,并根据所述第一模型信息进行定位;
上报定位信息。
具体的,终端可接收网络侧设备发送的配置信息。配置信息可以包括第一模型信息,也可以不包括第一模型信息(此种情况下,终端已有第一模型信息,或者,终端可通过其他方式(例如,预配置方式)获取到第一模型信息)。终端根据配置信息可确定第一模型信息,并根据第一模型信息进行定位。终端也可以根据配置信息,将获得的定位信息(该定位信息的获取方式可以是根据第一模型信息进行定位获得,也可以是根据其他方式进行定位获得,在此不做限定)上报给网络侧设备。
上述中,“根据所述第一模型信息进行定位”,“定位”可以理解为定位相关的过程,比如确定定位测量信息,处理定位测量信息,上报定位测量信息;确定定位误差,处理定位误差,上报定位误差;确定位置信息,处理位置信息,上报位置信息等等。
根据配置信息可确定不同的第一模型信息,不同的第一模型信息,具体可以为:1)模型类型不同,如模型分别为机器学习模型、预处理模型、误差模型时,终端可根据配置信息的内容或者配置方式不同,确定第一模型信息包括机器学习模型信息、预处理模型信息或者误差模型信息;2)模型的输入类型或输出类型不同,如终端可根据配置信息的内容或者配置方式不同,确定模型的输入和输出,从而确定第一模型信息(第一模型信息包括模型的输入和输出);3)模型的参数结构不同,如终端可根据配置信息的内容或者配置方式不同,确定模型的参数结构,从而确定第一模型信息(第一模型信息包括模型的参数结构);4)模型的泛化能力不同,如终端可根据配置信息的内容或者配置方式不同,确定第一模型信息中模型的泛化能力,从而确定第一模型信息。具体的,配置信息的内容包括定位参考信号资源配置信息、定位参考信号资源集合配置信息、TRP配置信息、频率层配置信息、定位方法配置信息、定位场景配置信息等;配置信息的配置方式包括每个定位参考信号资源配置(per PRS resource)、每个定位参考信号资源集合配置(per PRS resource set)、每个TRP配置(per TRP)、每个频率层配置(per Frequency layer)、每个定位方法配置(perpositioning method)、每个定位场景配置(per positioning scenario)。
本实施例中,终端确定配置信息;终端根据所述配置信息,执行如下至少一项操作:确定第一模型信息,并根据所述第一模型信息进行定位;上报定位信息。终端根据配置信息可确定第一模型信息,从而选择相应的模型进行定位,提高定位精度,另外,终端也可以根据配置信息上报定位信息,例如,根据配置信息选择相应的上报方式上报定位信息,由此在基于机器学习的定位中,可以明确不同模型(例如,机器学习模型、误差模型信息或预处理模型等)或不同配置(不同配置可理解为配置信息包括的内容不同或者配置方式不同)下确定的定位信息的上报方式,避免歧义。
上述中,所述配置信息包括如下至少一项:
(1)定位参考信号资源配置信息,例如,定位参考信号(Positioning ReferenceSignal,PRS)资源或者探测参考信号(sounding reference signal,SRS)资源;
(2)定位参考信号资源集合配置信息,例如,PRS资源集合或者SRS资源集合;
(3)频率层配置信息;
(4)TRP配置信息;
(5)定位方法配置信息,其中,定位方法包括但不限于:下行链路到达时间差(DownLink Time delay of arrival,DL-TDOA),多次往返时间(multi round triptime,multi-RTT),下行离开角(Downlink Angle Of Departure,DL-AOD),增强的小区标识((Enhanced Cell-ID,E-CID),观察到达时间差(Observed Time Difference of Arrival,OTDOA)定位等;
(6)定位场景配置信息,其中,定位场景包括但不限于:城市宏观(Uma),城市微观(UMi),室内(Indoor),智能工厂(Indoor Factory),窄带物联网(Narrow Band Internetof Things,NB-IoT),轻量级设备(RedCap),扩展现实(XR)等。
上述中,所述定位信息包括如下至少一项:
(1)测量信息,其中,测量信息包括以下至少之一:频道冲击响应(ChannelImpulse Response,CIR),时延功率谱(Power Delay Profile,PDP),参考信号时间差(Reference Signal Time Difference,RSTD),往返时延(Round-trip Time,RTT),到达角(Angle of Arrival,AoA),参考信号接收功率(Reference Signal Receiving Power,RSRP),到达时刻(Time of Arrival,TOA),首径的功率;首径的时延;首径的TOA;首径的参考信号时间差(Reference Signal Time Difference,RSTD);首径的到达角;首径的天线子载波相位差;其它径的功率;其它径的时延;其它径的TOA;其它径的RSTD;其它径的天线子载波相位差,视距(Line of Sight,LoS)识别信息,非视距(Not Line of Sight,NLoS)识别信息,平均过量时延均方根,时延拓展,相干带宽等。
(2)误差信息,其中,误差信息包括以下至少之一:测量量的测量误差,模型的误差,模型相关参数的误差,定位结果的误差。
(3)定位结果,其中,定位结果包括以下至少之一:终端计算得到的绝对位置坐标信息,终端计算得到的相对位置坐标信息,坐标系相关信息。
(4)机器学习模型更新信息,可包括机器学习模型参数的更新、机器学习模型结构的更新等;
(5)误差模型更新信息,可包括误差模型参数的更新、误差模型结构的更新等;
(6)预处理模型更新信息,可包括预处理模型参数的更新、预处理模型结构的更新等。
需要说明的是,其它径(additional path)是除了首径之外的径(例如,多径),其它径可包括至少一条径,其它径的最大数量可以包括以下之一:4,8,16,32,64条径。
在本申请一种实施例中,所述方法还包括,所述终端接收网络侧设备发送的第一信息;
所述第一信息包括如下至少一项:
(1)所述第一模型信息;其中,所述第一模型信息包括如下至少一项:机器学习模型信息;误差模型信息;预处理模型信息。
(2)指示信息,所述指示信息用于指示所述终端上报所述定位信息。
具体的,指示信息用于指示如下至少一项:
(a)用于指示终端上报测量信息,测量信息包括但不限于以下至少一项:CIR,PDP,RSTD,RTT,AoA,RSRP,TOA,首径的功率;首径的时延;首径的TOA;首径的RSTD;首径的到达角;首径的天线子载波相位差;其它径的功率;其它径的时延;其它径的TOA;其它径的RSTD;其它径的天线子载波相位差,LoS识别信息,NLoS识别信息,平均过量时延均方根,时延拓展,相干带宽等;
(b)用于指示终端上报误差信息,所述第一误差信息包括但不限于以下至少一项:测量量的测量误差,模型的误差,模型相关参数的误差,定位结果的误差;
(c)用于指示终端上报定位结果,定位结果包括但不限于以下至少一项:终端计算得到的绝对位置坐标信息,终端计算得到的相对位置坐标信息,坐标系相关信息。
第一信息可以与配置信息分开发送,也可以携带在所述配置信息中发送,携带在所述配置信息中发送时,可携带在如下至少一项中发送:
携带在每个定位参考信号资源配置信息中发送;
携带在每个定位参考信号资源集合配置信息中发送;
携带在每个频率层配置信息中发送;
携带在每个TRP配置信息中发送;
携带在每个定位方法配置信息中发送;
携带在每个定位场景配置信息中发送。
所述指示信息用于指示所述终端上报所述定位信息,可以是,所述指示信息只指示所述终端上报所述定位信息,或者,所述指示信息通过指示所述定位信息的上报方式来指示终端上报所述定位信息,或者,所述指示信息指示终端上报所述定位信息,并且指示所述定位信息的上报方式。
所述定位信息的上报方式通过如下至少一项确定:
(1)根据第一模型信息的类型确定;所述第一模型信息包括如下至少一项:机器学习模型信息;误差模型信息;预处理模型信息。第一模型信息的类型可根据第一模型信息包括的内容不同来确定,例如,第一模型信息包括机器学习模型信息的情况与第一模型信息包括预处理模型信息的情况,两者对应不同的类型;第一模型信息包括机器学习模型信息的情况与第一模型信息包括误差模型信息的情况,两者对应不同的类型。
第一模型信息的类型也可根据包括的机器学习模型信息、误差模型信息、或预处理模型信息本身的信息来确定。例如,对于机器学习模型来说,输入输出量不同的模型类型不同;泛化能力不同的模型类型不同;模型结构和参数信息不同也是类型不同;
对于预处理模型来说,输入输出量不同的模型类型不同;结构和参数信息不同也是类型不同;对于误差模型信息来说,误差类型可以不同,比如误差为均方差或者欧氏距离等;模型结构和参数信息不同也是类型不同。
定位信息的上报方式与第一模型信息的类型相关,例如,若所使用或配置的机器学习模型信息为每个定位参考信号资源的,则定位信息也关联每个定位参考信号资源上报。
(2)根据第一模型信息的发送方式确定。例如,若所使用或配置的机器学习模型信息为关联每个定位参考信号资源发送,则定位信息也关联每个定位参考信号资源上报。
(3)根据指示信息确定。例如,指示信息可以指示定位信息的上报方式。定位信息的上报方式包括以下至少一项:
每个定位参考信号资源发送;
每个定位参考信号资源集合发送;
每个TRP发送;
每个频率层发送;
每个定位方法发送;
每个定位场景发送。
(4)根据指示信息的发送方式确定。定位信息的上报方式与指示信息的下发方式(即发送方式)相同,例如,若指示信息关联定位参考信号资源集下发,则定位信息也关联定位参考信号资源集上报。
(5)除上述确定定位信息的上报方式外,终端也可以自行决定上报方式。
在以上(1)-(5)确定所述定位信息的上报方式的情况下,终端需要同时上报目标上报方式对应的标识信息,所述目标方式为终端根据以上(1)-(5)的方法之一确定的上报方式。即在所述定位信息采用目标上报方式上报的情况下,所述定位信息还包括目标上报方式对应的标识信息,所述标识信息包括以下至少一项:
定位参考信号资源标识信息,例如,定位参考信号资源的ID;
定位参考信号资源集合标识信息,例如,定位参考信号资源集合的ID;
TRP标识信息,例如,TRP的ID;
频率层标识信息,例如,频率层的ID;
定位方法标识信息,例如,定位方法的ID;
定位场景标识信息,例如,定位场景的ID。
在本申请一种实施例中,所述机器学习模型信息包括如下至少一项:
(1)至少一个机器学习模型。所述至少一个机器学习模型可包括常用机器学习模型,神经网络模型或深度神经网络模型,所述至少一个机器学习模型包括如下至少一项:
卷积神经网络(Convolutional Neural Networks,CNN);
循环神经网络(Recurrent Neural Network,RNN);
递归神经网络(Long-Short Term Memory,LSTM);
递归张量神经网络(Recursive Neural Tensor Network,RNTN);
生成对抗网络(Generative Adversarial Networks,GAN);
深度置信网络(Deep Belief Network,DBN);
受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)。
可选地,所述至少一个机器学习模型包括多步机器学习模型(一步可对应一个机器学习模型)。所述多步机器学习模型包括如下至少一项:
根据输入信息类型和输出信息类型区分的多步机器学习模型;
根据模型参数不同区分的多步机器学习模型;
根据泛化能力不同区分的多步机器学习模型。
所述多步机器学习模型可与配置信息包括的信息相关联发送,例如,所述多步机器学习模型可根据模型类型的不同,关联不同的配置信息发送。所述模型类型不同,包括输入输出量不同、泛化能力不同、模型结构和参数信息不同等;根据类型的不同,多步机器学习模型中的每步(每个)模型可以关联不同的配置信息发送,例如第一步(个)模型关联每个定位方法发送,第二步(个)模型关联每个定位参考信号资源发送等。
(2)所述至少一个机器学习模型的参数。所述至少一个机器学习模型的参数包括如下至少一项:各层的权值;步长;均值;方差。
(3)机器学习模型的输入信息;所述机器学习模型的输入信息包括如下至少一项:
CIR;PDP;RSTD;RTT;AoA;RSRP;TOA;首径的功率;首径的时延;首径的TOA;首径的RSTD;首径的到达角;首径的天线子载波相位差;其它径的功率;其它径的时延;其它径的TOA;其它径的RSTD;其它径的到达角;其它径的天线子载波相位差;LoS识别信息;NLoS识别信息;平均过量时延;均方根时延拓展;相干带宽。
进一步地,上述输入信息可以是单站的,或者是多站的,所述单站或多站信息由网络侧设备下发的基站数量信息确定,所述基站数量包括1-maxTRPNumber(最大TRP数量),maxTRPNumber为特定场景下TRP的最大数量。
(4)机器学习模型的输出信息。所述机器学习模型的输出信息包括如下至少一项:
位置坐标信息;RSTD;RTT;AoA;RSRP;TOA;首径的功率;首径的时延;首径的TOA;首径的RSTD;首径的到达角;其它径的功率;其它径的时延;其它径的TOA;其它径的RSTD;其它径的到达角;LoS识别信息;NLoS识别信息。
在本申请另一种实施例中,所述误差模型信息包括如下至少一项:
(1)至少一个网络侧设备预估的误差值;其中,所述误差值包括如下至少一项:位置误差值,测量误差值,模型误差值和参数误差值。
(2)所述至少一个网络侧设备预估的误差模型;其中,所述误差模型包括如下至少一项:位置误差模型,测量误差模型,参数误差模型。
(3)所述至少一个网络侧设备预估的误差模型的参数;
(4)所述误差模型的输入信息;
(5)所述误差模型的输出信息。
若误差模型信息用于校准位置信息,则所述误差模型的输入信息包括终端初始位置或终端计算得到的位置,所述误差模型的输出信息包括经过误差校准后的位置信息。
若误差模型信息用于校准测量信息,则所述误差模型的输入信息包括初始第一测量信息,所述第一测量信息包括如下至少一项:CIR,PDP,RSTD,RTT,AoA,RSRP,TOA,首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、LoS识别信息、NLoS识别信息、平均过量时延均方根、时延拓展和相干带宽;所述误差模型的输出信息包括经过误差校准后的第一测量信息。
若误差模型信息用于校准模型信息或模型相关的参数信息,则所述误差模型的输入信息包括如下至少一项:机器学习模型、机器学习模型的参数、预处理模型或预处理模型的参数;所述误差模型的输出信息包括如下至少一项:校准后的机器学习模型、校准后的机器学习模型的参数、校准后的预处理模型或校准后的预处理模型的参数。
在本申请一种实施例中,所述预处理模型信息用于预处理终端测量信息,使得处理后的测量信息能够更好地被机器学习模型训练或处理,所述预处理模型信息包括如下至少一项:
滤波器参数或结构;
卷积层参数或结构;
池化层参数或结构;
离散余弦变换(Discrete Cosine Transform,DCT)参数或结构;
小波变换参数或结构;
对测量信息进行预处理的参数或结构。即,测量信息的处理方法的参数或结构,例如,采样、截断、归一化、联立合并等方法。
所述预处理模型信息的输入信息包括第二测量信息,所述第二测量信息包括如下至少一项:CIR、PDP、RSTD、RTT、AoA、RSRP、TOA、首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、参考信号波形和参考信号的相关序列;所述预处理模型信息的输出信息包括经过预处理之后的第二测量信息。
在本申请一种实施例中,所述方法还包括:所述终端发送请求信息,所述请求信息用于请求所述第一信息的发送方式。第一信息的发送方式包括如下至少一项:
每个定位参考信号资源发送;每个定位参考信号资源集合发送;每个TRP发送;每个频率层发送;每个定位方法发送;每个定位场景发送。
在本申请一种实施例中,所述误差模型信息和预处理模型信息中的至少一项还可以与机器学习模型信息相关联发送,即per机器学习模型播发误差模型信息和/或预处理模型信息,也就是说,在每个机器学习模型下,下发该机器学习模型对应的预处理模型和误差模型,用于对该机器学习的输入量进行预处理,或者对该机器学习模型、模型参数、输出量的误差进行误差处理。
在本申请一种实施例中,所述方法还包括:所述终端发送终端定位能力信息,所述终端定位能力信息包括如下至少一项:
是否支持基于机器学习的定位;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收机器学习模型信息;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收误差模型信息;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收预处理模型信息;
是否支持接收多个机器学习模型;
可接收机器学习模型的最大数量;
是否支持接收多个机器学习模型的参数;
可接收机器学习模型的参数的最大数量;
是否支持接收多个预处理模型;
可接收预处理模型的最大数量;
是否支持接收多个预处理模型的参数;
可接收预处理模型的参数的最大数量;
是否支持接收多个误差模型;
可接收误差模型的最大数量;
是否支持接收多个误差模型的参数;
可接收误差模型的参数的最大数量;
支持的机器学习模型的输入信息;
支持的机器学习模型的输出信息;
支持的预处理模型的输入信息;
支持的预处理模型的输出信息;
支持的误差模型的输入信息;
支持的误差模型的输出信息。
请参见图3,图3是本申请实施例提供的一种定位方法的流程图,该定位方法,包括:
网络侧设备发送配置信息,所述配置信息用于终端进行定位和/或所述终端上报定位信息。
具体的,终端可接收网络侧设备发送的配置信息。配置信息可以包括第一模型信息,也可以不包括第一模型信息(此种情况下,终端已有第一模型信息,或者,终端可通过其他方式(例如,预配置方式)获取到第一模型信息)。终端根据配置信息可确定第一模型信息,并根据第一模型信息进行定位。终端也可以根据配置信息,将获得的定位信息(该定位信息的获取方式可以是根据第一模型信息进行定位获得,也可以是根据其他方式进行定位获得,在此不做限定)上报给网络侧设备。
上述中,“定位”可以理解为定位相关的过程,比如确定定位测量信息,处理定位测量信息,上报定位测量信息;确定定位误差,处理定位误差,上报定位误差;确定位置信息,处理位置信息,上报位置信息等等。
本实施例中,网络侧设备发送配置信息,所述配置信息用于终端进行定位和/或所述终端上报定位信息。终端根据配置信息可确定第一模型信息,从而选择相应的模型进行定位,提高定位精度,或者,终端也可以根据配置信息上报定位信息,例如,根据配置信息选择相应的上报方式上报定位信息。
可选的,所述配置信息包括如下至少一项:
定位参考信号资源配置信息;
定位参考信号资源集合配置信息;
频率层配置信息;
发送接收点TRP配置信息;
定位方法配置信息;
定位场景配置信息。
可选的,所述配置信息携带第一信息:
所述第一信息包括如下至少一项:
第一模型信息;
指示信息,所述指示信息用于指示所述终端上报所述定位信息。
可选的,所述指示信息用于指示所述定位信息的上报方式。
可选的,所述定位信息的上报方式通过如下至少一项确定:
根据第一模型信息的类型确定;
根据第一模型信息的发送方式确定;
根据指示信息确定;
根据指示信息的发送方式确定。
可选的,所述第一模型信息包括如下至少一项:
机器学习模型信息;
误差模型信息;
预处理模型信息。
可选的,所述机器学习模型信息包括如下至少一项:
至少一个机器学习模型;
所述至少一个机器学习模型的参数;
机器学习模型的输入信息;
机器学习模型的输出信息。
可选的,所述至少一个机器学习模型包括如下至少一项:
卷积神经网络CNN;
循环神经网络RNN;
递归神经网络LSTM;
递归张量神经网络RNTN;
生成对抗网络GAN;
深度置信网络DBN;
受限玻尔兹曼机RBM。
可选的,所述至少一个机器学习模型的参数包括如下至少一项:
各层的权值;步长;均值;方差。
可选的,所述机器学习模型的输入信息包括如下至少一项:
频道冲击响应CIR;时延功率谱PDP;参考信号时间差RSTD;往返时延RTT;到达角AoA;参考信号接收功率RSRP;到达时刻TOA;首径的功率;首径的时延;首径的TOA;首径的RSTD;首径的到达角;首径的天线子载波相位差;其它径的功率;其它径的时延;其它径的TOA;其它径的RSTD;其它径的到达角;其它径的天线子载波相位差;LoS识别信息;NLoS识别信息;平均过量时延;均方根时延拓展;相干带宽。
可选的,所述机器学习模型的输出信息包括如下至少一项:
位置坐标信息;RSTD;RTT;AoA;RSRP;TOA;首径的功率;首径的时延;首径的TOA;首径的RSTD;首径的到达角;其它径的功率;其它径的时延;其它径的TOA;其它径的RSTD;其它径的到达角;LoS识别信息;NLoS识别信息。
可选的,所述误差模型信息包括如下至少一项:
至少一个网络侧设备预估的误差值;
所述至少一个网络侧设备预估的误差模型;
所述至少一个网络侧设备预估的误差模型的参数;
所述误差模型的输入信息;
所述误差模型的输出信息。
可选的,所述误差值包括如下至少一项:位置误差值,测量误差值,模型误差值和参数误差值。
可选的,所述误差模型包括如下至少一项:位置误差模型,测量误差模型,参数误差模型。
可选的,所述误差模型的输入信息包括终端初始位置或终端计算得到的位置,所述误差模型的输出信息包括经过误差校准后的位置信息。
可选的,所述误差模型的输入信息包括初始第一测量信息,所述第一测量信息包括如下至少一项:CIR,PDP,RSTD,RTT,AoA,RSRP,TOA,首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、LoS识别信息、NLoS识别信息、平均过量时延均方根、时延拓展和相干带宽;
所述误差模型的输出信息包括经过误差校准后的第一测量信息。
可选的,所述误差模型的输入信息包括如下至少一项:机器学习模型、机器学习模型的参数、预处理模型或预处理模型的参数;
所述误差模型的输出信息包括如下至少一项:校准后的机器学习模型、校准后的机器学习模型的参数、校准后的预处理模型或校准后的预处理模型的参数。
可选的,所述预处理模型信息包括如下至少一项:
滤波器参数或结构;
卷积层参数或结构;
池化层参数或结构;
离散余弦变换参数或结构;
小波变换参数或结构;
对测量信息进行预处理的参数或结构。
可选的,所述预处理模型信息的输入信息包括第二测量信息;
所述第二测量信息包括如下至少一项:CIR、PDP、RSTD、RTT、AoA、RSRP、TOA、首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、参考信号波形和参考信号的相关序列;
所述预处理模型信息的输出信息包括经过预处理之后的第二测量信息。
可选的,所述至少一个机器学习模型包括多步机器学习模型。
可选的,所述多步机器学习模型包括如下至少一项:
根据输入信息类型和输出信息类型区分的多步机器学习模型;
根据模型参数不同区分的多步机器学习模型;
根据泛化能力不同区分的多步机器学习模型。
可选的,所述定位信息包括如下至少一项:
测量信息;
误差信息;
定位结果;
机器学习模型更新信息
误差模型更新信息;
预处理模型更新信息。
可选的,所述方法还包括:
所述网络侧设备接收所述终端发送的请求信息,所述请求信息用于请求所述第一信息的发送方式。
可选的,所述方法还包括:
所述网络侧设备接收所述终端发送的终端定位能力信息,所述终端定位能力信息包括如下至少一项:
是否支持基于机器学习的定位;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收机器学习模型信息;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收误差模型信息;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收预处理模型信息;
是否支持接收多个机器学习模型;
可接收机器学习模型的最大数量;
是否支持接收多个机器学习模型的参数;
可接收机器学习模型的参数的最大数量;
是否支持接收多个预处理模型;
可接收预处理模型的最大数量;
是否支持接收多个预处理模型的参数;
可接收预处理模型的参数的最大数量;
是否支持接收多个误差模型;
可接收误差模型的最大数量;
是否支持接收多个误差模型的参数;
可接收误差模型的参数的最大数量;
支持的机器学习模型的输入信息;
支持的机器学习模型的输出信息;
支持的预处理模型的输入信息;
支持的预处理模型的输出信息;
支持的误差模型的输入信息;
支持的误差模型的输出信息。
本申请图2提供的定位方法,执行主体可以为第一定位装置。本申请实施例中以第一定位装置执行定位方法为例,说明本申请图2实施例提供的定位方法的装置。
如图4所示,本申请实施例提供一种第一定位装置400,包括:
配置模块401,用于确定配置信息;
执行模块402,用于根据所述配置信息,执行如下至少一项操作:
确定第一模型信息,并根据所述第一模型信息进行定位;
上报定位信息。
可选的,所述配置信息包括如下至少一项:
定位参考信号资源配置信息;
定位参考信号资源集合配置信息;
频率层配置信息;
发送接收点TRP配置信息;
定位方法配置信息;
定位场景配置信息。
可选的,所述装置还包括接收模块,用于接收网络侧设备发送的第一信息;
所述第一信息包括如下至少一项:
所述第一模型信息;
指示信息,所述指示信息用于指示所述终端上报所述定位信息。
可选的,所述第一信息携带在所述配置信息中。
可选的,所述指示信息用于指示所述定位信息的上报方式。
可选的,所述定位信息的上报方式通过如下至少一项确定:
根据第一模型信息的类型确定;
根据第一模型信息的发送方式确定;
根据指示信息确定;
根据指示信息的发送方式确定。
可选的,所述定位信息的上报方式包括以下至少一项:
每个定位参考信号资源发送;
每个定位参考信号资源集合发送;
每个TRP发送;
每个频率层发送;
每个定位方法发送;
每个定位场景发送。
可选的,在所述定位信息采用目标上报方式上报的情况下,所述定位信息还包括目标上报方式对应的标识信息,所述标识信息包括以下至少一项:
定位参考信号资源标识信息;
定位参考信号资源集合标识信息;
TRP标识信息;
频率层标识信息;
定位方法标识信息;
定位场景标识信息。
可选的,所述第一模型信息包括如下至少一项:
机器学习模型信息;
误差模型信息;
预处理模型信息。
可选的,所述机器学习模型信息包括如下至少一项:
至少一个机器学习模型;
所述至少一个机器学习模型的参数;
机器学习模型的输入信息;
机器学习模型的输出信息。
可选的,所述至少一个机器学习模型包括如下至少一项:
卷积神经网络CNN;
循环神经网络RNN;
递归神经网络LSTM;
递归张量神经网络RNTN;
生成对抗网络GAN;
深度置信网络DBN;
受限玻尔兹曼机RBM。
可选的,所述至少一个机器学习模型的参数包括如下至少一项:
各层的权值;步长;均值;方差。
可选的,所述机器学习模型的输入信息包括如下至少一项:
频道冲击响应CIR;时延功率谱PDP;参考信号时间差RSTD;往返时延RTT;到达角AoA;参考信号接收功率RSRP;到达时刻TOA;首径的功率;首径的时延;首径的TOA;首径的RSTD;首径的到达角;首径的天线子载波相位差;其它径的功率;其它径的时延;其它径的TOA;其它径的RSTD;其它径的到达角;其它径的天线子载波相位差;LoS识别信息;NLoS识别信息;平均过量时延;均方根时延拓展;相干带宽。
可选的,所述机器学习模型的输出信息包括如下至少一项:
位置坐标信息;RSTD;RTT;AoA;RSRP;TOA;首径的功率;首径的时延;首径的TOA;首径的RSTD;首径的到达角;其它径的功率;其它径的时延;其它径的TOA;其它径的RSTD;其它径的到达角;LoS识别信息;NLoS识别信息。
可选的,所述误差模型信息包括如下至少一项:
至少一个网络侧设备预估的误差值;
所述至少一个网络侧设备预估的误差模型;
所述至少一个网络侧设备预估的误差模型的参数;
所述误差模型的输入信息;
所述误差模型的输出信息。
可选的,所述误差值包括如下至少一项:位置误差值,测量误差值,模型误差值和参数误差值。
可选的,所述误差模型包括如下至少一项:位置误差模型,测量误差模型,参数误差模型。
可选的,所述误差模型的输入信息包括终端初始位置或终端计算得到的位置,所述误差模型的输出信息包括经过误差校准后的位置信息。
可选的,所述误差模型的输入信息包括初始第一测量信息,所述第一测量信息包括如下至少一项:CIR,PDP,RSTD,RTT,AoA,RSRP,TOA,首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、LoS识别信息、NLoS识别信息、平均过量时延均方根、时延拓展和相干带宽;
所述误差模型的输出信息包括经过误差校准后的第一测量信息。
可选的,所述误差模型的输入信息包括如下至少一项:机器学习模型、机器学习模型的参数、预处理模型或预处理模型的参数;
所述误差模型的输出信息包括如下至少一项:校准后的机器学习模型、校准后的机器学习模型的参数、校准后的预处理模型或校准后的预处理模型的参数。
可选的,所述预处理模型信息包括如下至少一项:
滤波器参数或结构;
卷积层参数或结构;
池化层参数或结构;
离散余弦变换参数或结构;
小波变换参数或结构;
对测量信息进行预处理的参数或结构。
可选的,所述预处理模型信息的输入信息包括第二测量信息;
所述第二测量信息包括如下至少一项:CIR、PDP、RSTD、RTT、AoA、RSRP、TOA、首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、参考信号波形和参考信号的相关序列;
所述预处理模型信息的输出信息包括经过预处理之后的第二测量信息。
可选的,所述至少一个机器学习模型包括多步机器学习模型。
可选的,所述多步机器学习模型包括如下至少一项:
根据输入信息类型和输出信息类型区分的多步机器学习模型;
根据模型参数不同区分的多步机器学习模型;
根据泛化能力不同区分的多步机器学习模型。
可选的,所述定位信息包括如下至少一项:
测量信息;
误差信息;
定位结果;
机器学习模型更新信息
误差模型更新信息;
预处理模型更新信息。
可选的,所述装置还包括第一发送模块,用于发送请求信息,所述请求信息用于请求所述第一信息的发送方式。
可选的,所述装置还包括第二发送模块,用于发送终端定位能力信息,所述终端定位能力信息包括如下至少一项:
是否支持基于机器学习的定位;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收机器学习模型信息;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收误差模型信息;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收预处理模型信息;
是否支持接收多个机器学习模型;
可接收机器学习模型的最大数量;
是否支持接收多个机器学习模型的参数;
可接收机器学习模型的参数的最大数量;
是否支持接收多个预处理模型;
可接收预处理模型的最大数量;
是否支持接收多个预处理模型的参数;
可接收预处理模型的参数的最大数量;
是否支持接收多个误差模型;
可接收误差模型的最大数量;
是否支持接收多个误差模型的参数;
可接收误差模型的参数的最大数量;
支持的机器学习模型的输入信息;
支持的机器学习模型的输出信息;
支持的预处理模型的输入信息;
支持的预处理模型的输出信息;
支持的误差模型的输入信息;
支持的误差模型的输出信息。
本申请实施例中的第一定位装置400可以是电子设备,例如具有操作***的电子设备,也可以是电子设备中的部件,例如集成电路或芯片。该电子设备可以是终端,也可以为除终端之外的其他设备。示例性的,终端可以包括但不限于上述所列举的终端11的类型,其他设备可以为服务器、网络附属存储器(Network Attached Storage,NAS)等,本申请实施例不作具体限定。
本申请实施例提供的第一定位装置400能够实现图2的方法实施例实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
本申请图3提供的定位方法,执行主体可以为第二定位装置。本申请实施例中以第二定位装置执行定位方法为例,说明本申请实施例提供的定位方法的装置。
如图5所示,本申请实施例提供一种第二定位装置500,包括:
发送模块501,用于发送配置信息,所述配置信息用于终端进行定位和/或所述终端上报定位信息。
可选的,所述配置信息包括如下至少一项:
定位参考信号资源配置信息;
定位参考信号资源集合配置信息;
频率层配置信息;
发送接收点TRP配置信息;
定位方法配置信息;
定位场景配置信息。
可选的,所述配置信息携带第一信息:
所述第一信息包括如下至少一项:
第一模型信息;
指示信息,所述指示信息用于指示所述终端上报所述定位信息。
可选的,所述指示信息用于指示所述定位信息的上报方式。
可选的,所述定位信息的上报方式通过如下至少一项确定:
根据第一模型信息的类型确定;
根据第一模型信息的发送方式确定;
根据指示信息确定;
根据指示信息的发送方式确定。
可选的,所述第一模型信息包括如下至少一项:
机器学习模型信息;
误差模型信息;
预处理模型信息。
可选的,所述机器学习模型信息包括如下至少一项:
至少一个机器学习模型;
所述至少一个机器学习模型的参数;
机器学习模型的输入信息;
机器学习模型的输出信息。
可选的,所述至少一个机器学习模型包括如下至少一项:
卷积神经网络CNN;
循环神经网络RNN;
递归神经网络LSTM;
递归张量神经网络RNTN;
生成对抗网络GAN;
深度置信网络DBN;
受限玻尔兹曼机RBM。
可选的,所述至少一个机器学习模型的参数包括如下至少一项:
各层的权值;步长;均值;方差。
可选的,所述机器学习模型的输入信息包括如下至少一项:
频道冲击响应CIR;时延功率谱PDP;参考信号时间差RSTD;往返时延RTT;到达角AoA;参考信号接收功率RSRP;到达时刻TOA;首径的功率;首径的时延;首径的TOA;首径的RSTD;首径的到达角;首径的天线子载波相位差;其它径的功率;其它径的时延;其它径的TOA;其它径的RSTD;其它径的到达角;其它径的天线子载波相位差;LoS识别信息;NLoS识别信息;平均过量时延;均方根时延拓展;相干带宽。
可选的,所述机器学习模型的输出信息包括如下至少一项:
位置坐标信息;RSTD;RTT;AoA;RSRP;TOA;首径的功率;首径的时延;首径的TOA;首径的RSTD;首径的到达角;其它径的功率;其它径的时延;其它径的TOA;其它径的RSTD;其它径的到达角;LoS识别信息;NLoS识别信息。
可选的,所述误差模型信息包括如下至少一项:
至少一个网络侧设备预估的误差值;
所述至少一个网络侧设备预估的误差模型;
所述至少一个网络侧设备预估的误差模型的参数;
所述误差模型的输入信息;
所述误差模型的输出信息。
可选的,所述误差值包括如下至少一项:位置误差值,测量误差值,模型误差值和参数误差值。
可选的,所述误差模型包括如下至少一项:位置误差模型,测量误差模型,参数误差模型。
可选的,所述误差模型的输入信息包括终端初始位置或终端计算得到的位置,所述误差模型的输出信息包括经过误差校准后的位置信息。
可选的,所述误差模型的输入信息包括初始第一测量信息,所述第一测量信息包括如下至少一项:CIR,PDP,RSTD,RTT,AoA,RSRP,TOA,首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、LoS识别信息、NLoS识别信息、平均过量时延均方根、时延拓展和相干带宽;
所述误差模型的输出信息包括经过误差校准后的第一测量信息。
可选的,所述误差模型的输入信息包括如下至少一项:机器学习模型、机器学习模型的参数、预处理模型或预处理模型的参数;
所述误差模型的输出信息包括如下至少一项:校准后的机器学习模型、校准后的机器学习模型的参数、校准后的预处理模型或校准后的预处理模型的参数。
可选的,所述预处理模型信息包括如下至少一项:
滤波器参数或结构;
卷积层参数或结构;
池化层参数或结构;
离散余弦变换参数或结构;
小波变换参数或结构;
对测量信息进行预处理的参数或结构。
可选的,所述预处理模型信息的输入信息包括第二测量信息;
所述第二测量信息包括如下至少一项:CIR、PDP、RSTD、RTT、AoA、RSRP、TOA、首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、参考信号波形和参考信号的相关序列;
所述预处理模型信息的输出信息包括经过预处理之后的第二测量信息。
可选的,所述至少一个机器学习模型包括多步机器学习模型。
可选的,所述多步机器学习模型包括如下至少一项:
根据输入信息类型和输出信息类型区分的多步机器学习模型;
根据模型参数不同区分的多步机器学习模型;
根据泛化能力不同区分的多步机器学习模型。
可选的,所述定位信息包括如下至少一项:
测量信息;
误差信息;
定位结果;
机器学习模型更新信息
误差模型更新信息;
预处理模型更新信息。
可选的,第二定位装置还包括第一接收模块,用于接收所述终端发送的请求信息,所述请求信息用于请求所述第一信息的发送方式。
可选的,第二定位装置还包括第二接收模块,用于接收所述终端发送的终端定位能力信息,所述终端定位能力信息包括如下至少一项:
是否支持基于机器学习的定位;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收机器学习模型信息;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收误差模型信息;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收预处理模型信息;
是否支持接收多个机器学习模型;
可接收机器学习模型的最大数量;
是否支持接收多个机器学习模型的参数;
可接收机器学习模型的参数的最大数量;
是否支持接收多个预处理模型;
可接收预处理模型的最大数量;
是否支持接收多个预处理模型的参数;
可接收预处理模型的参数的最大数量;
是否支持接收多个误差模型;
可接收误差模型的最大数量;
是否支持接收多个误差模型的参数;
可接收误差模型的参数的最大数量;
支持的机器学习模型的输入信息;
支持的机器学习模型的输出信息;
支持的预处理模型的输入信息;
支持的预处理模型的输出信息;
支持的误差模型的输入信息;
支持的误差模型的输出信息。
本申请实施例提供的第二定位装置500能够实现图3的方法实施例实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
可选的,如图6所示,本申请实施例还提供一种通信设备600,包括处理器601和存储器602,存储器602上存储有可在所述处理器601上运行的程序或指令,例如,该通信设备600为终端时,该程序或指令被处理器601执行时实现上述图2所示定位方法实施例的各个步骤,且能达到相同的技术效果。该通信设备600为网络侧设备时,该程序或指令被处理器601执行时实现上述图3所示定位方法实施例的各个步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种终端,包括处理器和通信接口,处理器用于根据所述配置信息,执行如下至少一项操作:确定第一模型信息,并根据所述第一模型信息进行定位;上报定位信息,通信接口用于获取配置信息。该终端实施例与上述终端侧方法实施例对应,上述方法实施例的各个实施过程和实现方式均可适用于该终端实施例中,且能达到相同的技术效果。具体地,图7为实现本申请实施例的一种终端的硬件结构示意图。
该终端700包括但不限于:射频单元701、网络模块702、音频输出单元703、输入单元704、传感器705、显示单元706、用户输入单元707、接口单元708、存储器709以及处理器710等中的至少部分部件。
本领域技术人员可以理解,终端700还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理***与处理器7 10逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。图7中示出的终端结构并不构成对终端的限定,终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
应理解的是,本申请实施例中,输入单元704可以包括图形处理单元(GraphicsProcessing Unit,GPU)7041和麦克风7042,图形处理器7041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元706可包括显示面板7061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板7061。用户输入单元707包括触控面板7071以及其他输入设备7072中的至少一种。触控面板7071,也称为触摸屏。触控面板7071可包括触摸检测装置和触摸控制器两个部分。其他输入设备7072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
本申请实施例中,射频单元701接收来自网络侧设备的下行数据后,可以传输给处理器710进行处理;另外,射频单元701可以向网络侧设备发送上行数据。通常,射频单元701包括但不限于天线、放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器709可用于存储软件程序或指令以及各种数据。存储器709可主要包括存储程序或指令的第一存储区和存储数据的第二存储区,其中,第一存储区可存储操作***、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外,存储器709可以包括易失性存储器或非易失性存储器,或者,存储器709可以包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(SynchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本申请实施例中的存储器709包括但不限于这些和任意其它适合类型的存储器。
处理器710可包括一个或多个处理单元;可选的,处理器710集成应用处理器和调制解调处理器,其中,应用处理器主要处理涉及操作***、用户界面和应用程序等的操作,调制解调处理器主要处理无线通信信号,如基带处理器。可以理解的是,上述调制解调处理器也可以不集成到处理器710中。
其中,射频单元701,用于获取配置信息;
处理器710,用于根据所述配置信息,执行如下至少一项操作:
确定第一模型信息,并根据所述第一模型信息进行定位;
上报定位信息。
可选的,所述配置信息包括如下至少一项:
定位参考信号资源配置信息;
定位参考信号资源集合配置信息;
频率层配置信息;
发送接收点TRP配置信息;
定位方法配置信息;
定位场景配置信息。
可选的,射频单元701,还用于接收网络侧设备发送的第一信息;
所述第一信息包括如下至少一项:
所述第一模型信息;
指示信息,所述指示信息用于指示所述终端上报所述定位信息。
可选的,所述第一信息携带在所述配置信息中。
可选的,所述指示信息用于指示所述定位信息的上报方式。
可选的,所述定位信息的上报方式通过如下至少一项确定:
根据第一模型信息的类型确定;
根据第一模型信息的发送方式确定;
根据指示信息确定;
根据指示信息的发送方式确定。
可选的,所述定位信息的上报方式包括以下至少一项:
每个定位参考信号资源发送;
每个定位参考信号资源集合发送;
每个TRP发送;
每个频率层发送;
每个定位方法发送;
每个定位场景发送。
可选的,在所述定位信息采用目标上报方式上报的情况下,所述定位信息还包括目标上报方式对应的标识信息,所述标识信息包括以下至少一项:
定位参考信号资源标识信息;
定位参考信号资源集合标识信息;
TRP标识信息;
频率层标识信息;
定位方法标识信息;
定位场景标识信息。
可选的,所述第一模型信息包括如下至少一项:
机器学习模型信息;
误差模型信息;
预处理模型信息。
可选的,所述机器学习模型信息包括如下至少一项:
至少一个机器学习模型;
所述至少一个机器学习模型的参数;
机器学习模型的输入信息;
机器学习模型的输出信息。
可选的,所述至少一个机器学习模型包括如下至少一项:
卷积神经网络CNN;
循环神经网络RNN;
递归神经网络LSTM;
递归张量神经网络RNTN;
生成对抗网络GAN;
深度置信网络DBN;
受限玻尔兹曼机RBM。
可选的,所述至少一个机器学习模型的参数包括如下至少一项:
各层的权值;
步长;
均值;
方差。
可选的,所述机器学习模型的输入信息包括如下至少一项:
频道冲击响应CIR;时延功率谱PDP;参考信号时间差RSTD;往返时延RTT;到达角AoA;参考信号接收功率RSRP;到达时刻TOA;首径的功率;首径的时延;首径的TOA;首径的RSTD;首径的到达角;首径的天线子载波相位差;其它径的功率;其它径的时延;其它径的TOA;其它径的RSTD;其它径的到达角;其它径的天线子载波相位差;LoS识别信息;NLoS识别信息;平均过量时延;均方根时延拓展;相干带宽。
可选的,所述机器学习模型的输出信息包括如下至少一项:
位置坐标信息;RSTD;RTT;AoA;RSRP;TOA;首径的功率;首径的时延;首径的TOA;首径的RSTD;首径的到达角;其它径的功率;其它径的时延;其它径的TOA;其它径的RSTD;其它径的到达角;LoS识别信息;NLoS识别信息。
可选的,所述误差模型信息包括如下至少一项:
至少一个网络侧设备预估的误差值;
所述至少一个网络侧设备预估的误差模型;
所述至少一个网络侧设备预估的误差模型的参数;
所述误差模型的输入信息;
所述误差模型的输出信息。
可选的,所述误差值包括如下至少一项:位置误差值,测量误差值,模型误差值和参数误差值。
可选的,所述误差模型包括如下至少一项:位置误差模型,测量误差模型,参数误差模型。
可选的,所述误差模型的输入信息包括终端初始位置或终端计算得到的位置,所述误差模型的输出信息包括经过误差校准后的位置信息。
可选的,所述误差模型的输入信息包括初始第一测量信息,所述第一测量信息包括如下至少一项:CIR,PDP,RSTD,RTT,AoA,RSRP,TOA,首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、LoS识别信息、NLoS识别信息、平均过量时延均方根、时延拓展和相干带宽;
所述误差模型的输出信息包括经过误差校准后的第一测量信息。
可选的,所述误差模型的输入信息包括如下至少一项:机器学习模型、机器学习模型的参数、预处理模型或预处理模型的参数;
所述误差模型的输出信息包括如下至少一项:校准后的机器学习模型、校准后的机器学习模型的参数、校准后的预处理模型或校准后的预处理模型的参数。
可选的,所述预处理模型信息包括如下至少一项:
滤波器参数或结构;
卷积层参数或结构;
池化层参数或结构;
离散余弦变换参数或结构;
小波变换参数或结构;
对测量信息进行预处理的参数或结构。
可选的,所述预处理模型信息的输入信息包括第二测量信息;
所述第二测量信息包括如下至少一项:CIR、PDP、RSTD、RTT、AoA、RSRP、TOA、首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、参考信号波形和参考信号的相关序列;
所述预处理模型信息的输出信息包括经过预处理之后的第二测量信息。
可选的,所述至少一个机器学习模型包括多步机器学习模型。
可选的,所述多步机器学习模型包括如下至少一项:
根据输入信息类型和输出信息类型区分的多步机器学习模型;
根据模型参数不同区分的多步机器学习模型;
根据泛化能力不同区分的多步机器学习模型。
可选的,所述定位信息包括如下至少一项:
测量信息;
误差信息;
定位结果;
机器学习模型更新信息
误差模型更新信息;
预处理模型更新信息。
可选的,射频单元701,还用于发送请求信息,所述请求信息用于请求所述第一信息的发送方式。
可选的,射频单元701,还用于发送终端定位能力信息,所述终端定位能力信息包括如下至少一项:
是否支持基于机器学习的定位;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收机器学习模型信息;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收误差模型信息;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收预处理模型信息;
是否支持接收多个机器学习模型;
可接收机器学习模型的最大数量;
是否支持接收多个机器学习模型的参数;
可接收机器学习模型的参数的最大数量;
是否支持接收多个预处理模型;
可接收预处理模型的最大数量;
是否支持接收多个预处理模型的参数;
可接收预处理模型的参数的最大数量;
是否支持接收多个误差模型;
可接收误差模型的最大数量;
是否支持接收多个误差模型的参数;
可接收误差模型的参数的最大数量;
支持的机器学习模型的输入信息;
支持的机器学习模型的输出信息;
支持的预处理模型的输入信息;
支持的预处理模型的输出信息;
支持的误差模型的输入信息;
支持的误差模型的输出信息。
本申请实施例还提供一种网络侧设备,包括处理器和通信接口,通信接口用于发送配置信息,所述配置信息用于终端进行定位和/或所述终端上报定位信息。该网络侧设备实施例与上述网络侧设备方法实施例对应,上述方法实施例的各个实施过程和实现方式均可适用于该网络侧设备实施例中,且能达到相同的技术效果。
具体地,本申请实施例还提供了一种网络侧设备。如图8所示,该网络侧设备800包括:天线81、射频装置82、基带装置83、处理器84和存储器85。天线81与射频装置82连接。在上行方向上,射频装置82通过天线81接收信息,将接收的信息发送给基带装置83进行处理。在下行方向上,基带装置83对要发送的信息进行处理,并发送给射频装置82,射频装置82对收到的信息进行处理后经过天线81发送出去。
以上实施例中网络侧设备执行的方法可以在基带装置83中实现,该基带装置83包括基带处理器。
基带装置83例如可以包括至少一个基带板,该基带板上设置有多个芯片,如图8所示,其中一个芯片例如为基带处理器,通过总线接口与存储器85连接,以调用存储器85中的程序,执行以上方法实施例中所示的网络侧设备操作。
该网络侧设备还可以包括网络接口86,该接口例如为通用公共无线接口(commonpublic radio interface,CPRI)。
具体地,本发明实施例的网络侧设备800还包括:存储在存储器85上并可在处理器84上运行的指令或程序,处理器84调用存储器85中的指令或程序执行图5所示各模块执行的方法,并达到相同的技术效果,为避免重复,故不在此赘述。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述定位方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述定位方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为***级芯片,***芯片,芯片***或片上***芯片等。
本申请实施例另提供了一种计算机程序/程序产品,所述计算机程序/程序产品被存储在存储介质中,所述计算机程序/程序产品被至少一个处理器执行以实现上述定位方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供了一种通信***,包括:终端及网络侧设备,所述终端可用于执行如上所述的图2所示方法实施例的步骤,所述网络侧设备可用于执行如图3所示方法实施例的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络侧设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (58)
1.一种定位方法,其特征在于,包括:
终端确定配置信息;
终端根据所述配置信息,执行如下至少一项操作:
确定第一模型信息,并根据所述第一模型信息进行定位;
上报定位信息。
2.根据权利要求1所述的方法,其特征在于,所述配置信息包括如下至少一项:
定位参考信号资源配置信息;
定位参考信号资源集合配置信息;
频率层配置信息;
发送接收点TRP配置信息;
定位方法配置信息;
定位场景配置信息。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括,所述终端接收网络侧设备发送的第一信息;
所述第一信息包括如下至少一项:
所述第一模型信息;
指示信息,所述指示信息用于指示所述终端上报所述定位信息。
4.根据权利要求3所述的方法,其特征在于,所述第一信息携带在所述配置信息中。
5.根据权利要求3所述的方法,其特征在于,所述指示信息用于指示所述定位信息的上报方式。
6.根据权利要求5所述的方法,其特征在于,所述定位信息的上报方式通过如下至少一项确定:
根据第一模型信息的类型确定;
根据第一模型信息的发送方式确定;
根据指示信息确定;
根据指示信息的发送方式确定。
7.根据权利要求5所述的方法,其特征在于,所述定位信息的上报方式包括以下至少一项:
每个定位参考信号资源发送;
每个定位参考信号资源集合发送;
每个TRP发送;
每个频率层发送;
每个定位方法发送;
每个定位场景发送。
8.根据权利要求5-7中任一项所述的方法,其特征在于,在所述定位信息采用目标上报方式上报的情况下,所述定位信息还包括目标上报方式对应的标识信息,所述标识信息包括以下至少一项:
定位参考信号资源标识信息;
定位参考信号资源集合标识信息;
TRP标识信息;
频率层标识信息;
定位方法标识信息;
定位场景标识信息。
9.根据权利要求1所述的方法,其特征在于,所述第一模型信息包括如下至少一项:
机器学习模型信息;
误差模型信息;
预处理模型信息。
10.根据权利要求9所述的方法,其特征在于,所述机器学习模型信息包括如下至少一项:
至少一个机器学习模型;
所述至少一个机器学习模型的参数;
机器学习模型的输入信息;
机器学习模型的输出信息。
11.根据权利要求10所述的方法,其特征在于,所述至少一个机器学习模型包括如下至少一项:
卷积神经网络CNN;
循环神经网络RNN;
递归神经网络LSTM;
递归张量神经网络RNTN;
生成对抗网络GAN;
深度置信网络DBN;
受限玻尔兹曼机RBM。
12.根据权利要求10所述的方法,其特征在于,所述至少一个机器学习模型的参数包括如下至少一项:
各层的权值;
步长;
均值;
方差。
13.根据权利要求10所述的方法,其特征在于,所述机器学习模型的输入信息包括如下至少一项:
频道冲击响应CIR;
时延功率谱PDP;
参考信号时间差RSTD;
往返时延RTT;
到达角AoA;
参考信号接收功率RSRP;
到达时刻TOA;
首径的功率;
首径的时延;
首径的TOA;
首径的RSTD;
首径的到达角;
首径的天线子载波相位差;
其它径的功率;
其它径的时延;
其它径的TOA;
其它径的RSTD;
其它径的到达角;
其它径的天线子载波相位差;
LoS识别信息;
NLoS识别信息;
平均过量时延;
均方根时延拓展;
相干带宽。
14.根据权利要求10所述的方法,其特征在于,所述机器学习模型的输出信息包括如下至少一项:
位置坐标信息;
RSTD;
RTT;
AoA;
RSRP;
TOA;
首径的功率;
首径的时延;
首径的TOA;
首径的RSTD;
首径的到达角;
其它径的功率;
其它径的时延;
其它径的TOA;
其它径的RSTD;
其它径的到达角;
LoS识别信息;
NLoS识别信息。
15.根据权利要求9所述的方法,其特征在于,所述误差模型信息包括如下至少一项:
至少一个网络侧设备预估的误差值;
所述至少一个网络侧设备预估的误差模型;
所述至少一个网络侧设备预估的误差模型的参数;
所述误差模型的输入信息;
所述误差模型的输出信息。
16.根据权利要求15所述的方法,其特征在于,所述误差值包括如下至少一项:位置误差值,测量误差值,模型误差值和参数误差值。
17.根据权利要求15所述的方法,其特征在于,所述误差模型包括如下至少一项:位置误差模型,测量误差模型,参数误差模型。
18.根据权利要求15所述的方法,其特征在于,所述误差模型的输入信息包括终端初始位置或终端计算得到的位置,所述误差模型的输出信息包括经过误差校准后的位置信息。
19.根据权利要求15所述的方法,其特征在于,所述误差模型的输入信息包括初始第一测量信息,所述第一测量信息包括如下至少一项:CIR,PDP,RSTD,RTT,AoA,RSRP,TOA,首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、LoS识别信息、NLoS识别信息、平均过量时延均方根、时延拓展和相干带宽;
所述误差模型的输出信息包括经过误差校准后的第一测量信息。
20.根据权利要求15所述的方法,其特征在于,所述误差模型的输入信息包括如下至少一项:机器学习模型、机器学习模型的参数、预处理模型或预处理模型的参数;
所述误差模型的输出信息包括如下至少一项:校准后的机器学习模型、校准后的机器学习模型的参数、校准后的预处理模型或校准后的预处理模型的参数。
21.根据权利要求9所述的方法,其特征在于,所述预处理模型信息包括如下至少一项:
滤波器参数或结构;
卷积层参数或结构;
池化层参数或结构;
离散余弦变换参数或结构;
小波变换参数或结构;
对测量信息进行预处理的参数或结构。
22.根据权利要求9所述的方法,其特征在于,所述预处理模型信息的输入信息包括第二测量信息;
所述第二测量信息包括如下至少一项:CIR、PDP、RSTD、RTT、AoA、RSRP、TOA、首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、参考信号波形和参考信号的相关序列;
所述预处理模型信息的输出信息包括经过预处理之后的第二测量信息。
23.根据权利要求10所述的方法,其特征在于,所述至少一个机器学习模型包括多步机器学习模型。
24.根据权利要求23所述的方法,其特征在于,所述多步机器学习模型包括如下至少一项:
根据输入信息类型和输出信息类型区分的多步机器学习模型;
根据模型参数不同区分的多步机器学习模型;
根据泛化能力不同区分的多步机器学习模型。
25.根据权利要求1所述的方法,其特征在于,所述定位信息包括如下至少一项:
测量信息;
误差信息;
定位结果;
机器学习模型更新信息
误差模型更新信息;
预处理模型更新信息。
26.根据权利要求3所述的方法,其特征在于,所述方法还包括:
所述终端发送请求信息,所述请求信息用于请求所述第一信息的发送方式。
27.根据权利要求1所述的方法,其特征在于,所述方法还包括:
所述终端发送终端定位能力信息,所述终端定位能力信息包括如下至少一项:
是否支持基于机器学习的定位;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收机器学习模型信息;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收误差模型信息;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收预处理模型信息;
是否支持接收多个机器学习模型;
可接收机器学习模型的最大数量;
是否支持接收多个机器学习模型的参数;
可接收机器学习模型的参数的最大数量;
是否支持接收多个预处理模型;
可接收预处理模型的最大数量;
是否支持接收多个预处理模型的参数;
可接收预处理模型的参数的最大数量;
是否支持接收多个误差模型;
可接收误差模型的最大数量;
是否支持接收多个误差模型的参数;
可接收误差模型的参数的最大数量;
支持的机器学习模型的输入信息;
支持的机器学习模型的输出信息;
支持的预处理模型的输入信息;
支持的预处理模型的输出信息;
支持的误差模型的输入信息;
支持的误差模型的输出信息。
28.一种定位方法,其特征在于,包括:
网络侧设备发送配置信息,所述配置信息用于终端进行定位和/或所述终端上报定位信息。
29.根据权利要求28所述的方法,其特征在于,所述配置信息包括如下至少一项:
定位参考信号资源配置信息;
定位参考信号资源集合配置信息;
频率层配置信息;
发送接收点TRP配置信息;
定位方法配置信息;
定位场景配置信息。
30.根据权利要求28所述的方法,其特征在于,所述配置信息携带第一信息:
所述第一信息包括如下至少一项:
第一模型信息;
指示信息,所述指示信息用于指示所述终端上报所述定位信息。
31.根据权利要求30所述的方法,其特征在于,所述指示信息用于指示所述定位信息的上报方式。
32.根据权利要求31所述的方法,其特征在于,所述定位信息的上报方式通过如下至少一项确定:
根据第一模型信息的类型确定;
根据第一模型信息的发送方式确定;
根据指示信息确定;
根据指示信息的发送方式确定。
33.根据权利要求30所述的方法,其特征在于,所述第一模型信息包括如下至少一项:
机器学习模型信息;
误差模型信息;
预处理模型信息。
34.根据权利要求33所述的方法,其特征在于,所述机器学习模型信息包括如下至少一项:
至少一个机器学习模型;
所述至少一个机器学习模型的参数;
机器学习模型的输入信息;
机器学习模型的输出信息。
35.根据权利要求34所述的方法,其特征在于,所述至少一个机器学习模型包括如下至少一项:
卷积神经网络CNN;
循环神经网络RNN;
递归神经网络LSTM;
递归张量神经网络RNTN;
生成对抗网络GAN;
深度置信网络DBN;
受限玻尔兹曼机RBM。
36.根据权利要求34所述的方法,其特征在于,所述至少一个机器学习模型的参数包括如下至少一项:
各层的权值;
步长;
均值;
方差。
37.根据权利要求34所述的方法,其特征在于,所述机器学习模型的输入信息包括如下至少一项:
频道冲击响应CIR;
时延功率谱PDP;
参考信号时间差RSTD;
往返时延RTT;
到达角AoA;
参考信号接收功率RSRP;
到达时刻TOA;
首径的功率;
首径的时延;
首径的TOA;
首径的RSTD;
首径的到达角;
首径的天线子载波相位差;
其它径的功率;
其它径的时延;
其它径的TOA;
其它径的RSTD;
其它径的到达角;
其它径的天线子载波相位差;
LoS识别信息;
NLoS识别信息;
平均过量时延;
均方根时延拓展;
相干带宽。
38.根据权利要求34所述的方法,其特征在于,所述机器学习模型的输出信息包括如下至少一项:
位置坐标信息;
RSTD;
RTT;
AoA;
RSRP;
TOA;
首径的功率;
首径的时延;
首径的TOA;
首径的RSTD;
首径的到达角;
其它径的功率;
其它径的时延;
其它径的TOA;
其它径的RSTD;
其它径的到达角;
LoS识别信息;
NLoS识别信息。
39.根据权利要求33所述的方法,其特征在于,所述误差模型信息包括如下至少一项:
至少一个网络侧设备预估的误差值;
所述至少一个网络侧设备预估的误差模型;
所述至少一个网络侧设备预估的误差模型的参数;
所述误差模型的输入信息;
所述误差模型的输出信息。
40.根据权利要求39所述的方法,其特征在于,所述误差值包括如下至少一项:位置误差值,测量误差值,模型误差值和参数误差值。
41.根据权利要求39所述的方法,其特征在于,所述误差模型包括如下至少一项:位置误差模型,测量误差模型,参数误差模型。
42.根据权利要求39所述的方法,其特征在于,所述误差模型的输入信息包括终端初始位置或终端计算得到的位置,所述误差模型的输出信息包括经过误差校准后的位置信息。
43.根据权利要求39所述的方法,其特征在于,所述误差模型的输入信息包括初始第一测量信息,所述第一测量信息包括如下至少一项:CIR,PDP,RSTD,RTT,AoA,RSRP,TOA,首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、LoS识别信息、NLoS识别信息、平均过量时延均方根、时延拓展和相干带宽;
所述误差模型的输出信息包括经过误差校准后的第一测量信息。
44.根据权利要求39所述的方法,其特征在于,所述误差模型的输入信息包括如下至少一项:机器学习模型、机器学习模型的参数、预处理模型或预处理模型的参数;
所述误差模型的输出信息包括如下至少一项:校准后的机器学习模型、校准后的机器学习模型的参数、校准后的预处理模型或校准后的预处理模型的参数。
45.根据权利要求33所述的方法,其特征在于,所述预处理模型信息包括如下至少一项:
滤波器参数或结构;
卷积层参数或结构;
池化层参数或结构;
离散余弦变换参数或结构;
小波变换参数或结构;
对测量信息进行预处理的参数或结构。
46.根据权利要求33所述的方法,其特征在于,所述预处理模型信息的输入信息包括第二测量信息;
所述第二测量信息包括如下至少一项:CIR、PDP、RSTD、RTT、AoA、RSRP、TOA、首径的功率、首径的时延、首径的TOA、首径的RSTD、首径的到达角、首径的天线子载波相位差、其它径的功率、其它径的时延、其它径的TOA、其它径的RSTD、其它径的到达角、其它径的天线子载波相位差、参考信号波形和参考信号的相关序列;
所述预处理模型信息的输出信息包括经过预处理之后的第二测量信息。
47.根据权利要求34所述的方法,其特征在于,所述至少一个机器学习模型包括多步机器学习模型。
48.根据权利要求47所述的方法,其特征在于,所述多步机器学习模型包括如下至少一项:
根据输入信息类型和输出信息类型区分的多步机器学习模型;
根据模型参数不同区分的多步机器学习模型;
根据泛化能力不同区分的多步机器学习模型。
49.根据权利要求28所述的方法,其特征在于,所述定位信息包括如下至少一项:
测量信息;
误差信息;
定位结果;
机器学习模型更新信息
误差模型更新信息;
预处理模型更新信息。
50.根据权利要求30所述的方法,其特征在于,所述方法还包括:
所述网络侧设备接收所述终端发送的请求信息,所述请求信息用于请求所述第一信息的发送方式。
51.根据权利要求28所述的方法,其特征在于,所述方法还包括:
所述网络侧设备接收所述终端发送的终端定位能力信息,所述终端定位能力信息包括如下至少一项:
是否支持基于机器学习的定位;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收机器学习模型信息;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收误差模型信息;
是否支持每个定位参考信号资源、每个定位参考信号资源集合、每个TRP、每个频率层、每个定位方法和每个定位场景中的至少一项接收预处理模型信息;
是否支持接收多个机器学习模型;
可接收机器学习模型的最大数量;
是否支持接收多个机器学习模型的参数;
可接收机器学习模型的参数的最大数量;
是否支持接收多个预处理模型;
可接收预处理模型的最大数量;
是否支持接收多个预处理模型的参数;
可接收预处理模型的参数的最大数量;
是否支持接收多个误差模型;
可接收误差模型的最大数量;
是否支持接收多个误差模型的参数;
可接收误差模型的参数的最大数量;
支持的机器学习模型的输入信息;
支持的机器学习模型的输出信息;
支持的预处理模型的输入信息;
支持的预处理模型的输出信息;
支持的误差模型的输入信息;
支持的误差模型的输出信息。
52.一种定位装置,其特征在于,包括:
确定模块,用于确定配置信息;
执行模块,用于根据所述配置信息,执行如下至少一项操作:
确定第一模型信息,并根据所述第一模型信息进行定位;
上报定位信息。
53.根据权利要求52所述的装置,其特征在于,所述配置信息包括如下至少一项:
定位参考信号资源配置信息;
定位参考信号资源集合配置信息;
频率层配置信息;
发送接收点TRP配置信息;
定位装置配置信息;
定位场景配置信息。
54.一种定位装置,其特征在于,包括:
发送模块,用于发送配置信息,所述配置信息用于终端进行定位和/或所述终端上报定位信息。
55.根据权利要求54所述的装置,其特征在于,所述配置信息包括如下至少一项:
定位参考信号资源配置信息;
定位参考信号资源集合配置信息;
频率层配置信息;
发送接收点TRP配置信息;
定位装置配置信息;
定位场景配置信息。
56.一种终端,其特征在于,包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至27中任一项所述的定位方法的步骤。
57.一种网络侧设备,其特征在于,包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求28至51中任一项所述的定位方法的步骤。
58.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-27中任一项所述的定位方法,或者实现如权利要求28至51中任一项所述的定位方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111389341.9A CN116170871A (zh) | 2021-11-22 | 2021-11-22 | 定位方法、装置、终端及网络侧设备 |
PCT/CN2022/132857 WO2023088423A1 (zh) | 2021-11-22 | 2022-11-18 | 定位方法、装置、终端及网络侧设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111389341.9A CN116170871A (zh) | 2021-11-22 | 2021-11-22 | 定位方法、装置、终端及网络侧设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116170871A true CN116170871A (zh) | 2023-05-26 |
Family
ID=86396296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111389341.9A Pending CN116170871A (zh) | 2021-11-22 | 2021-11-22 | 定位方法、装置、终端及网络侧设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116170871A (zh) |
WO (1) | WO2023088423A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107553496B (zh) * | 2017-09-29 | 2020-09-22 | 南京阿凡达机器人科技有限公司 | 机械臂逆运动学求解方法误差的确定及校正方法和装置 |
CN109241875B (zh) * | 2018-08-20 | 2020-08-25 | 北京市商汤科技开发有限公司 | 姿态检测方法及装置、电子设备和存储介质 |
US20210117859A1 (en) * | 2019-10-20 | 2021-04-22 | Nvidia Corporation | Live updating of machine learning models |
CN112887897B (zh) * | 2019-11-29 | 2022-07-05 | 中国电信股份有限公司 | 终端的定位方法、装置和计算机可读存储介质 |
CN113225667B (zh) * | 2020-02-05 | 2022-03-29 | 大唐移动通信设备有限公司 | 到达时间测量值的非直射径消除方法、装置及终端 |
CN111901750B (zh) * | 2020-09-11 | 2022-06-17 | 中国联合网络通信集团有限公司 | 一种定位方法、装置、电子设备以及存储介质 |
-
2021
- 2021-11-22 CN CN202111389341.9A patent/CN116170871A/zh active Pending
-
2022
- 2022-11-18 WO PCT/CN2022/132857 patent/WO2023088423A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023088423A1 (zh) | 2023-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113194531B (zh) | 定位方法及通信设备 | |
WO2023143572A1 (zh) | 基于人工智能ai模型的定位方法及通信设备 | |
CN116170871A (zh) | 定位方法、装置、终端及网络侧设备 | |
CN115119136A (zh) | 定位方法、终端及网络侧设备 | |
CN116847456A (zh) | 定位方法、装置、终端及网络侧设备 | |
WO2023151657A1 (zh) | 信息处理方法及通信设备 | |
WO2023098661A1 (zh) | 定位方法及通信设备 | |
WO2023236979A1 (zh) | 定位模型的选择方法、终端及网络侧设备 | |
CN118175503A (zh) | 模型监督方法、装置、终端、网络侧设备及可读存储介质 | |
WO2024008111A1 (zh) | 数据采集方法及装置 | |
WO2024140796A1 (zh) | 传输处理方法、装置、终端及网络侧设备 | |
CN116234001A (zh) | 定位方法及通信设备 | |
WO2024051545A1 (zh) | 测量信息发送方法、接收方法及通信设备 | |
WO2024140841A1 (zh) | 感知方法及装置 | |
CN117560301A (zh) | 事件信息传输方法、lmf、接入网设备及终端 | |
CN117412245A (zh) | Sl定位方法、设备及可读存储介质 | |
CN116867058A (zh) | 定位处理方法、装置、终端及网络侧设备 | |
CN118283676A (zh) | 感知方法及装置 | |
CN116419140A (zh) | 定位方法及装置、终端及第一网元 | |
CN117896838A (zh) | Ai模型推理方法、设备及可读存储介质 | |
CN116828428A (zh) | 基于辅助终端的测量方法、装置、通信设备及可读存储介质 | |
CN117997485A (zh) | Srs序列发送方法、装置、终端、网络侧设备及*** | |
CN116634555A (zh) | 定位方法、设备及可读存储介质 | |
CN117938689A (zh) | Ai模型配置方法、终端及网络侧设备 | |
CN116939636A (zh) | 模型有效性反馈方法、装置、终端及网络侧设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |