KR20240037985A - 머신 러닝 알고리즘을 트레이닝하기 위한 데이터 수집 및 데이터 선택 - Google Patents
머신 러닝 알고리즘을 트레이닝하기 위한 데이터 수집 및 데이터 선택 Download PDFInfo
- Publication number
- KR20240037985A KR20240037985A KR1020247003409A KR20247003409A KR20240037985A KR 20240037985 A KR20240037985 A KR 20240037985A KR 1020247003409 A KR1020247003409 A KR 1020247003409A KR 20247003409 A KR20247003409 A KR 20247003409A KR 20240037985 A KR20240037985 A KR 20240037985A
- Authority
- KR
- South Korea
- Prior art keywords
- network entity
- positions
- estimation module
- position estimation
- positioning measurements
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title description 70
- 238000004422 calculation algorithm Methods 0.000 title description 15
- 238000013480 data collection Methods 0.000 title 1
- 238000005259 measurement Methods 0.000 claims abstract description 249
- 238000000034 method Methods 0.000 claims abstract description 149
- 238000012549 training Methods 0.000 claims abstract description 121
- 230000015654 memory Effects 0.000 claims description 40
- 230000004044 response Effects 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 12
- 230000004807 localization Effects 0.000 claims description 8
- 238000002366 time-of-flight method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 62
- 238000004891 communication Methods 0.000 description 58
- 230000005540 biological transmission Effects 0.000 description 32
- 238000012545 processing Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 19
- 238000007726 management method Methods 0.000 description 17
- 230000001413 cellular effect Effects 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 11
- 239000000969 carrier Substances 0.000 description 11
- 238000003066 decision tree Methods 0.000 description 11
- 238000001228 spectrum Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 7
- 230000011664 signaling Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000013145 classification model Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 6
- 239000003999 initiator Substances 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000003416 augmentation Effects 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 4
- 230000006837 decompression Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000006249 magnetic particle Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 241000700159 Rattus Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000009131 signaling function Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
-
- 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
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/20—Control channels or signalling for resource management
- H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
포지션 추정 모듈을 트레이닝하기 위한 기법들이 개시된다. 일 양상에서, 제1 네트워크 엔티티는, 복수의 포지셔닝 측정들을 획득하고, 하나 이상의 UE(user equipment)들의 복수의 포지션들을 획득하고 - 복수의 포지션들은 복수의 포지셔닝 측정들에 기반하여 결정됨 -, 복수의 특징들로서 복수의 포지셔닝 측정들 및 복수의 특징들에 대응하는 복수의 라벨들로서 복수의 포지션들을 저장하고, 그리고 UE에 의해 행해진 포지셔닝 측정들로부터 UE의 포지션을 결정하기 위해 복수의 특징들 및 복수의 라벨들로 포지션 추정 모듈을 트레이닝한다.
Description
[0001]
본 개시내용의 양상들은 일반적으로 머신 러닝에 관한 것이다.
[0002]
무선 통신 시스템들은 1세대 아날로그 무선 전화 서비스(1G), 2세대(2G) 디지털 무선 전화 서비스(임시 2.5G 및 2.75G 네트워크들을 포함함), 3세대(3G) 고속 데이터, 인터넷-가능 무선 서비스 및 4세대(4G) 서비스(예컨대, LTE(Long Term Evolution) 또는 WiMax)를 포함하는 다양한 세대들을 통해 발전해 왔다. 현재 셀룰러 및 PCS(personal communication service) 시스템들을 포함하는 많은 상이한 타입들의 무선 통신 시스템들이 사용되고 있다. 공지된 셀룰러 시스템들의 예들은 셀룰러 아날로그 AMPS(advanced mobile phone system), 및 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), GSM(Global System for Mobile Communication) 등에 기반한 디지털 셀룰러 시스템들을 포함한다.
[0003]
NR(New Radio)로 지칭되는 5세대(5G) 무선 표준은, 다른 개선들 중에서도, 더 높은 데이터 전송 속도, 더 많은 수들의 접속들 및 더 양호한 커버리지를 요구한다. 차세대 모바일 네트워크 얼라이언스(Next Generation Mobile Networks Alliance)에 따른 5G 표준은 사무실 층의 수십 명의 작업자들에게 초당 1 기가비트로, 수만 명의 사용자들 각각에게 초당 수십 메가비트의 데이터 레이트들을 제공하도록 설계된다. 대규모 센서 배치들을 지원하기 위해서는 수십만 개의 동시 접속들이 지원되어야 한다. 결과적으로, 5G 모바일 통신들의 스펙트럼 효율은 현재의 4G 표준과 비교하여 상당히 향상되어야 한다. 더욱이, 시그널링 효율들은 향상되어야 하고, 레이턴시는 현재 표준들과 비교하여 실질적으로 감소되어야 한다.
[0004]
하기 내용은 본 명세서에 개시된 하나 이상의 양상들에 관한 단순화된 요약을 제시한다. 따라서, 하기 요약은, 모든 고려되는 양상들에 관한 포괄적인 개관으로 고려되지 않아야 하며, 모든 고려되는 양상들에 관한 핵심적이거나 결정적인 엘리먼트들을 식별하거나 임의의 특정 양상과 연관된 범위를 한정하는 것으로 간주되지 않아야 한다. 따라서, 하기 요약은 아래에 제시된 상세한 설명에 선행하는 단순화된 형태로, 본 명세서에 개시된 메커니즘들에 관한 하나 이상의 양상들에 관한 특정 개념들을 제시하기 위한 유일한 목적을 갖는다.
[0005]
일 양상에서, 포지션 추정 모듈을 트레이닝하기 위해 제1 네트워크 엔티티에 의해 수행되는 방법은, 복수의 포지셔닝 측정들을 획득하는 단계; 하나 이상의 UE(user equipment)들의 복수의 포지션들을 획득하는 단계 - 복수의 포지션들은 복수의 포지셔닝 측정들에 기반하여 결정됨 -; 복수의 특징들로서 복수의 포지셔닝 측정들 및 복수의 특징들에 대응하는 복수의 라벨들로서 복수의 포지션들을 저장하는 단계; 및 UE에 의해 행해진 포지셔닝 측정들로부터 UE의 포지션을 결정하기 위해 복수의 특징들 및 복수의 라벨들로 포지션 추정 모듈을 트레이닝하는 단계를 포함한다.
[0006]
일 양상에서, 제1 네트워크 엔티티는, 메모리; 적어도 하나의 트랜시버; 및 메모리 및 적어도 하나의 트랜시버에 통신 가능하게 결합된 적어도 하나의 프로세서를 포함하며, 적어도 하나의 프로세서는, 복수의 포지셔닝 측정들을 획득하도록; 하나 이상의 UE(user equipment)들의 복수의 포지션들을 획득하도록 - 복수의 포지션들은 복수의 포지셔닝 측정들에 기반하여 결정됨 -; 복수의 특징들로서 복수의 포지셔닝 측정들 및 복수의 특징들에 대응하는 복수의 라벨들로서 복수의 포지션들을 저장하도록; 그리고 UE에 의해 행해진 포지셔닝 측정들로부터 UE의 포지션을 결정하기 위해 복수의 특징들 및 복수의 라벨들로 포지션 추정 모듈을 트레이닝하도록 구성된다.
[0007]
일 양상에서, 제1 네트워크 엔티티는, 복수의 포지셔닝 측정들을 획득하기 위한 수단; 하나 이상의 UE(user equipment)들의 복수의 포지션들을 획득하기 위한 수단 - 복수의 포지션들은 복수의 포지셔닝 측정들에 기반하여 결정됨 -; 복수의 특징들로서 복수의 포지셔닝 측정들 및 복수의 특징들에 대응하는 복수의 라벨들로서 복수의 포지션들을 저장하기 위한 수단; 및 UE에 의해 행해진 포지셔닝 측정들로부터 UE의 포지션을 결정하기 위해 복수의 특징들 및 복수의 라벨들로 포지션 추정 모듈을 트레이닝하기 위한 수단을 포함한다.
[0008]
일 양상에서, 비일시적 컴퓨터 판독 가능 저장 매체는 컴퓨터 실행 가능 명령들을 저장하며, 컴퓨터 실행 가능 명령들은 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금, 복수의 포지셔닝 측정들을 획득하게 하고; 하나 이상의 UE(user equipment)들의 복수의 포지션들을 획득하게 하고 - 복수의 포지션들은 복수의 포지셔닝 측정들에 기반하여 결정됨 -; 복수의 특징들로서 복수의 포지셔닝 측정들 및 복수의 특징들에 대응하는 복수의 라벨들로서 복수의 포지션들을 저장하게 하고; 그리고 UE에 의해 행해진 포지셔닝 측정들로부터 UE의 포지션을 결정하기 위해 복수의 특징들 및 복수의 라벨들로 포지션 추정 모듈을 트레이닝하게 한다.
[0009]
본 명세서에 개시된 양상들과 관련된 다른 목적들 및 이점들은 첨부된 도면들 및 상세한 설명에 기초하여 당업자들에게 자명할 것이다.
[0010]
첨부한 도면들은, 본 개시의 다양한 양상들의 설명을 보조하도록 제시되며, 양상들의 제한이 아니라 오직 이들의 예시를 위해서 제공된다.
[0011] 도 1은 본 개시내용의 양상들에 따른 예시적인 무선 통신 시스템을 예시한다.
[0012] 도 2a 및 도 2b는 본 개시내용의 양상들에 따른 예시적인 무선 네트워크 구조들을 예시한다.
[0013] 도 3a, 3b 및 도 3c는 각각 UE(user equipment), 기지국, 및 네트워크 엔티티에서 이용되고 본원의 교시된 대로 통신들을 지원하도록 구성될 수 있는 컴포넌트들의 몇몇 샘플 양상들의 단순화된 블록도들이다.
[0014] 도 4는 본 개시내용의 양상들에 따른, 시간에 걸친 RF(radio frequency) 채널 임펄스 응답을 도시하는 그래프이다.
[0015] 도 5는 본 개시내용의 양상들에 따른 예시적인 뉴럴 네트워크를 예시한다.
[0016] 도 6은 본 개시내용의 양상들에 따른 다양한 포지셔닝 방법들의 예들을 예시한다.
[0017] 도 7은 본 개시내용의 양상들에 따른, 머신 러닝 알고리즘을 트레이닝하기 위한 트레이닝 데이터를 수집하기 위한 예시적인 무선 통신 시스템을 예시한다.
[0018] 도 8은 본 개시내용의 양상들에 따른, 머신 러닝 모듈이 포지션을 예측하는 데 사용되는 예시적인 무선 통신 시스템을 예시한다.
[0019] 도 9는 본 개시내용의 양상들에 따른, 측정, 포지션 및 불확실성을 데이터베이스에 저장하는 것을 포함하는 프로세스를 예시한다.
[0020] 도 10은 본 개시내용의 양상들에 따른, 머신 러닝 모듈을 트레이닝하기 위한 프로세스를 예시한다.
[0021] 도 11은 본 개시내용의 양상들에 따른, 포지션 추정 모듈을 트레이닝하기 위한 프로세스를 예시한다.
[0011] 도 1은 본 개시내용의 양상들에 따른 예시적인 무선 통신 시스템을 예시한다.
[0012] 도 2a 및 도 2b는 본 개시내용의 양상들에 따른 예시적인 무선 네트워크 구조들을 예시한다.
[0013] 도 3a, 3b 및 도 3c는 각각 UE(user equipment), 기지국, 및 네트워크 엔티티에서 이용되고 본원의 교시된 대로 통신들을 지원하도록 구성될 수 있는 컴포넌트들의 몇몇 샘플 양상들의 단순화된 블록도들이다.
[0014] 도 4는 본 개시내용의 양상들에 따른, 시간에 걸친 RF(radio frequency) 채널 임펄스 응답을 도시하는 그래프이다.
[0015] 도 5는 본 개시내용의 양상들에 따른 예시적인 뉴럴 네트워크를 예시한다.
[0016] 도 6은 본 개시내용의 양상들에 따른 다양한 포지셔닝 방법들의 예들을 예시한다.
[0017] 도 7은 본 개시내용의 양상들에 따른, 머신 러닝 알고리즘을 트레이닝하기 위한 트레이닝 데이터를 수집하기 위한 예시적인 무선 통신 시스템을 예시한다.
[0018] 도 8은 본 개시내용의 양상들에 따른, 머신 러닝 모듈이 포지션을 예측하는 데 사용되는 예시적인 무선 통신 시스템을 예시한다.
[0019] 도 9는 본 개시내용의 양상들에 따른, 측정, 포지션 및 불확실성을 데이터베이스에 저장하는 것을 포함하는 프로세스를 예시한다.
[0020] 도 10은 본 개시내용의 양상들에 따른, 머신 러닝 모듈을 트레이닝하기 위한 프로세스를 예시한다.
[0021] 도 11은 본 개시내용의 양상들에 따른, 포지션 추정 모듈을 트레이닝하기 위한 프로세스를 예시한다.
[0022]
본 개시의 양상들은 예시 목적들로 제공되는 다양한 예들에 대해 의도되는 하기 설명 및 관련된 도면들에서 제공된다. 본 개시의 범위를 벗어남이 없이 대안적 양상들이 고안될 수 있다. 추가적으로, 본 개시의 널리-공지된 엘리먼트들은 상세히 설명되지 않거나, 또는 본 개시의 관련된 세부사항들을 모호하게 하지 않기 위해 생략될 것이다.
[0023]
"예시적인" 및/또는 "예"라는 단어들은, "예, 예증 또는 예시로서 기능하는" 것을 의미하도록 본 명세서에서 사용된다. 본 명세서에서 "예시적인" 및/또는 "예"인 것으로 설명되는 임의의 양상은 반드시 다른 양상들에 비해 선호되거나 유리한 것으로 해석될 필요는 없다. 유사하게, "본 개시의 양상들"이라는 용어는, 본 개시의 모든 양상들이 논의된 특성, 이점 또는 동작 모드를 포함할 것을 요구하는 것은 아니다.
[0024]
아래에서 설명되는 정보 및 신호들이 다양한 다른 기술들 및 기법들 중 임의의 것을 사용하여 표현될 수 있음을 당업자는 인식할 것이다. 예를 들어, 아래의 설명 전반에 걸쳐 참조될 수 있는 데이터, 명령들, 커맨드들, 정보, 신호들, 비트들, 심볼들, 및 칩들은, 부분적으로 특정 애플리케이션, 부분적으로 원하는 설계, 부분적으로 대응하는 기술 등에 따라, 전압들, 전류들, 전자기파들, 자기장들 또는 자기 입자들, 광학 필드들 또는 광학 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
[0025]
추가로, 많은 양상들은 예를 들어, 컴퓨팅 디바이스의 엘리먼트들에 의해 수행될 동작들의 시퀀스들의 측면에서 설명된다. 본 명세서에 설명되는 다양한 동작들은 특수 회로들(예를 들어, ASIC들(application specific integrated circuits))에 의해, 하나 이상의 프로세서들에 의해 실행되는 프로그램 명령들에 의해, 또는 둘 모두의 조합에 의해 수행될 수 있음이 인식될 것이다. 추가적으로, 본원에 설명되는 동작들의 시퀀스(들)는, 실행 시에, 디바이스의 연관된 프로세서로 하여금 본 명세서에서 설명되는 기능을 수행하게 하거나 지시하는 컴퓨터 명령들의 대응하는 세트를 저장하는 임의의 형태의 비일시적 컴퓨터 판독가능 저장 매체 내에서 완전히 구현되는 것으로 고려될 수 있다. 따라서, 본 개시의 다양한 양상들은 다수의 상이한 형태들로 구현될 수 있고, 이들 모두는 청구된 청구물의 범위 내인 것으로 고려된다. 또한, 본 명세서에 설명되는 양상들 각각에 대해, 임의의 이러한 양상들의 대응하는 형태는 예컨대, 설명된 동작을 수행하도록 "구성되는 로직"으로서 본 명세서에서 설명될 수 있다.
[0026]
본원에서 사용되는 바와 같이, "사용자 장비"(UE) 및 "기지국"이라는 용어들은, 달리 언급되지 않는 한, 임의의 특정 RAT(radio access technology)로 특정되거나 달리 제한되도록 의도되지 않는다. 일반적으로, UE는 무선 통신 네트워크를 통해 통신하기 위해 사용자에 의해 사용되는 임의의 무선 통신 디바이스(예컨대, 모바일 폰, 라우터, 태블릿 컴퓨터, 랩톱 컴퓨터, 소비자 자산 로케이팅 디바이스, 웨어러블(예컨대, 스마트 워치, 안경, AR(augmented reality)/VR(virtual reality) 헤드셋, 등), 차량(예컨대, 자동차, 모터 사이클, 자전거 등), IoT(Internet of Things) 디바이스 등)일 수 있다. UE는 이동식일 수 있거나 또는 (예컨대, 특정 시간들에) 고정식일 수 있고, RAN(radio access network)과 통신할 수 있다. 본 명세서에서 사용되는 바와 같이, "UE"라는 용어는 "액세스 단말” 또는 "AT", "클라이언트 디바이스", "무선 디바이스", "가입자 디바이스", "가입자 단말", "가입자 스테이션", "사용자 단말” 또는 "UT", "모바일 디바이스", "모바일 단말", "모바일 스테이션", 또는 이들의 변형들로 상호교환가능하게 지칭될 수 있다. 일반적으로, UE들은 RAN을 통해 코어 네트워크와 통신할 수 있고, 코어 네트워크를 통해 UE들은 인터넷 및 다른 UE들과 같은 외부 네트워크들과 접속될 수 있다. 물론, 이를테면, 유선 액세스 네트워크들, WLAN(wireless local area network) 네트워크들(예컨대, IEEE(Institute of Electrical and Electronics Engineers) 802.11 규격 등에 기반함) 등을 통해 코어 네트워크 및/또는 인터넷에 접속하는 다른 메커니즘들이 UE들에 대해 또한 가능하다.
[0027]
기지국은 자신이 배치된 네트워크에 따라 UE들과 통신하는 몇몇 RAT들 중 하나에 따라 동작할 수 있고, 대안적으로 AP(access point), 네트워크 노드, NodeB, eNB(evolved NodeB), ng-eNB(next generation eNB), NR(New Radio) Node B(또한 gNB 또는 gNodeB로 지칭됨) 등으로 지칭될 수 있다. 기지국은 주로, 지원되는 UE들에 대해 데이터, 음성 및/또는 시그널링 접속들을 지원하는 것을 포함하여, UE들에 의한 무선 액세스를 지원하기 위해 사용될 수 있다. 일부 시스템들에서, 기지국은 순수하게 에지 노드 시그널링 기능들을 제공할 수 있는 반면, 다른 시스템들에서는 추가적인 제어 및/또는 네트워크 관리 기능들을 제공할 수 있다. UE들이 기지국에 신호들을 전송할 수 있게 하는 통신 링크는 UL(uplink) 채널(예컨대, 역방향 트래픽 채널, 역방향 제어 채널, 액세스 채널 등)로 지칭된다. 기지국이 UE들에 신호들을 전송할 수 있게 하는 통신 링크는 DL(downlink) 또는 순방향 링크 채널(예컨대, 페이징 채널, 제어 채널, 브로드캐스트 채널, 순방향 트래픽 채널 등)로 지칭된다. 본원에서 사용되는 바와 같이, TCH(traffic channel)라는 용어는 업링크/역방향 또는 다운링크/순방향 트래픽 채널을 지칭할 수 있다.
[0028]
"기지국"이라는 용어는 단일 물리적 TRP(transmission-reception point) 또는 코-로케이트될 수 있거나 그렇지 않을 수 있는 다수의 물리적 TRP들을 지칭할 수 있다. 예를 들어, "기지국"이라는 용어가 단일 물리적 TRP를 지칭하는 경우, 물리적 TRP는 기지국의 셀(또는 수 개의 셀 섹터들)에 대응하는 기지국의 안테나일 수 있다. "기지국"이라는 용어가 다수의 코-로케이트된 물리적 TRP들을 지칭하는 경우, 물리적 TRP들은 기지국의 (예컨대, MIMO(multiple-input multiple-output) 시스템에서와 같이 또는 기지국이 빔 형성을 이용하는 경우) 안테나들의 어레이일 수 있다. "기지국"이라는 용어가 다수의 코-로케이트되지 않은 물리적 TRP들을 지칭하는 경우, 물리적 TRP들은 DAS(distributed antenna system)(전송 매체를 통해 공통 소스에 접속된 공간적으로 분리된 안테나들의 네트워크) 또는 원격 RRH(remote radio head)(서빙 기지국에 접속된 원격 기지국)일 수 있다. 대안적으로, 코-로케이트되지 않은 물리적 TRP들은 UE로부터 측정 보고를 수신하는 서빙 기지국 및 UE가 기준 RF(radio frequency) 신호들을 측정하고 있는 이웃 기지국일 수 있다. TRP는 기지국이 무선 신호들을 송신 및 수신하는 포인트이기 때문에, 본 명세서에서 사용되는 바와 같이, 기지국으로부터의 송신 또는 기지국에서의 수신에 대한 언급들은 기지국의 특정 TRP를 지칭하는 것으로 이해되어야 한다.
[0029]
UE들의 포지셔닝을 지원하는 일부 구현들에서, 기지국은 UE들에 의한 무선 액세스를 지원하지 않을 수 있지만(예컨대, UE들에 대한 데이터, 음성 및/또는 시그널링 연결들을 지원하지 않을 수 있음), 대신에 UE들에 의해 측정될 기준 신호들을 UE들에 송신할 수 있고, 그리고/또는 UE들에 의해 송신되는 신호들을 수신 및 측정할 수 있다. 이러한 기지국은 (예컨대, UE들에 신호들을 송신할 때) 포지셔닝 비콘으로 그리고/또는 (예컨대, UE들로부터 신호들을 수신 및 측정할 때) 로케이션 측정 유닛으로 지칭될 수 있다.
[0030]
"RF 신호"는 송신기와 수신기 사이의 공간을 통해 정보를 전송하는 주어진 주파수의 전자기파를 포함한다. 본원에서 사용되는 바와 같이, 송신기는 단일 "RF 신호” 또는 다수의 "RF 신호들"을 수신기에 송신할 수 있다. 그러나, 수신기는 다중경로 채널들을 통한 RF 신호들의 전파 특성들로 인해 각각의 송신된 RF 신호에 대응하는 다수의 "RF 신호들"을 수신할 수 있다. 송신기와 수신기 사이의 상이한 경로들 상으로 송신된 동일한 RF 신호는 "다수의 경로” RF 신호로 지칭될 수 있다. 본 명세서에서 사용되는 바와 같이, RF 신호는 또한 "무선 신호" 또는 간단히 "신호"로 지칭될 수 있으며, 여기서 "신호"라는 용어가 무선 신호 또는 RF 신호를 지칭하는 것이 문맥으로부터 명백하다.
[0031]
도 1은 본 개시내용의 양상들에 따른, 예시적인 무선 통신 시스템(100)을 예시한다. 무선 통신 시스템(100)(WWAN(wireless wide area network)으로 또한 지칭될 수 있음)은 다양한 기지국들(102)("BS"로 라벨링됨) 및 다양한 UE들(104)을 포함할 수 있다. 기지국들(102)은 매크로 셀 기지국들(고전력 셀룰러 기지국들) 및/또는 소형 셀 기지국들(저전력 셀룰러 기지국들)을 포함할 수 있다. 일 양상에서, 매크로 셀 기지국들은, 무선 통신 시스템(100)이 LTE 네트워크에 대응하는 eNB들 및/또는 ng-eNB들, 또는 무선 통신 시스템(100)이 NR 네트워크에 대응하는 gNB들, 또는 둘 모두의 조합을 포함할 수 있고, 소형 셀 기지국들은 펨토셀들, 피코셀들, 마이크로 셀들 등을 포함할 수 있다.
[0032]
기지국들(102)은 집합적으로 RAN을 형성하며, 백홀 링크들(122)을 통해 코어 네트워크(170)(예컨대, EPC(evolved packet core) 또는 5GC(5G core))와 인터페이스하고 그리고 코어 네트워크(170)를 통해 하나 이상의 로케이션 서버들(172)(예컨대, LMF(location management function) 또는 SLP(secure user plane location(SUPL) location platform))과 인터페이스할 수 있다. 로케이션 서버(들)(172)는 코어 네트워크(170)의 일부일 수 있거나 또는 코어 네트워크(170) 외부에 있을 수 있다. 다른 기능들에 추가로, 기지국들(102)은 사용자 데이터의 전송, 라디오 채널 암호화 및 암호해독, 무결성 보호, 헤더 압축, 모빌리티 제어 기능들(예를 들어, 핸드오버, 듀얼 접속), 셀간 간섭 조정, 접속 셋업 및 해제, 로드 밸런싱, NAS(non-access stratum) 메시지들에 대한 분배, NAS 노드 선택, 동기화, RAN 공유, MBMS(multimedia broadcast multicast service), 가입자 및 장비 트레이스, RIM(RAN information management), 페이징, 포지셔닝 및 경고 메시지들의 전달 중 하나 이상과 관련된 기능들을 수행할 수 있다. 기지국들(102)은 유선 또는 무선일 수 있는 백홀 링크들(134)을 통해 (예컨대, EPC/5GC를 통해) 간접적으로 또는 직접적으로 서로 통신할 수 있다.
[0033]
기지국들(102)은 UE들(104)과 무선으로 통신할 수 있다. 기지국들(102) 각각은 각각의 지리적 커버리지 영역(110)에 대한 통신 커버리지를 제공할 수 있다. 일 양상에서, 하나 이상의 셀들은 각각의 지리학적 커버리지 영역(110)에서 기지국(102)에 의해 지원될 수 있다. "셀"은 (예컨대, 캐리어 주파수, 컴포넌트 캐리어, 캐리어, 대역 등으로 지칭되는 일부 주파수 자원을 통한) 기지국과의 통신을 위해 사용되는 논리적 통신 엔티티이고, 동일한 또는 상이한 캐리어 주파수를 통해 동작하는 셀들을 구별하기 위한 식별자(예컨대, PCI(physical cell identifier), VCI(virtual cell identifier), ECI(enhanced cell identifier), CGI(cell global identifier) 등)와 연관될 수 있다. 일부 경우들에서, 상이한 셀들은 상이한 타입들의 UE들에 대한 액세스를 제공할 수 있는 상이한 프로토콜 타입들(예를 들어, MTC(machine-type communication), NB-IoT(narrowband IoT), eMBB(enhanced mobile broadband) 등)에 따라 구성될 수 있다. 셀이 특정 기지국에 의해 지원되기 때문에, "셀"이라는 용어는 맥락에 따라 논리적 통신 엔티티 및 이를 지원하는 기지국 중 어느 하나 또는 둘 모두를 지칭할 수 있다. 또한, TRP는 통상적으로 셀의 물리적 송신 포인트이기 때문에, 용어들 "셀" 및 "TRP"는 상호교환가능하게 사용될 수 있다. 일부 경우들에서, "셀"이라는 용어는 또한, 지리적 커버리지 영역들(110)의 일부 부분 내의 통신을 위해 캐리어 주파수가 검출 및 사용될 수 있는 한, 기지국의 지리적 커버리지 영역(예컨대, 섹터)을 지칭할 수 있다.
[0034]
이웃 매크로 셀 기지국(102) 지리적 커버리지 영역들(110)은 (예컨대, 핸드오버 영역에서) 부분적으로 중첩할 수 있지만, 지리적 커버리지 영역들(110) 중 일부는 더 큰 지리적 커버리지 영역(110)에 의해 실질적으로 중첩될 수 있다. 예컨대, 소형 셀 기지국(102')("소형 셀"에 대해 "SC"로 라벨링됨)은 하나 이상의 매크로 셀 기지국들(102)의 지리적 커버리지 영역(110)과 실질적으로 중첩하는 지리적 커버리지 영역(110')을 가질 수 있다. 소형 셀 및 매크로 셀 기지국들 둘 모두를 포함하는 네트워크는 이종 네트워크로 공지될 수 있다. 이종 네트워크는 또한, CSG(closed subscriber group)로 공지된 제한된 그룹에 서비스를 제공할 수 있는 HeNB(home eNB)들을 포함할 수 있다.
[0035]
기지국들(102)과 UE들(104) 사이의 통신 링크들(120)은 UE(104)로부터 기지국(102)으로의 업링크(또한 역방향 링크로 지칭됨) 송신들 및/또는 기지국(102)으로부터 UE(104)로의 다운링크(DL)(또한 순방향 링크로 지칭됨) 송신들을 포함할 수 있다. 통신 링크들(120)은 공간 멀티플렉싱, 빔형성 및/또는 송신 다이버시티를 포함하는 MIMO 안테나 기술을 사용할 수 있다. 통신 링크들(120)은 하나 이상의 캐리어 주파수들을 통할 수 있다. 캐리어들의 할당은 다운링크 및 업링크에 대해 비대칭일 수 있다(예컨대, 업링크에 대해서보다 다운링크에 대해, 더 많거나 더 적은 캐리어들이 할당될 수 있음).
[0036]
무선 통신 시스템(100)은 비면허 주파수 스펙트럼(예를 들어, 5GHz)에서 통신 링크들(154)을 통해 WLAN 스테이션(STA)들(152)과 통신하는 WLAN(wireless local area network) AP(access point)(150)를 더 포함할 수 있다. 비면허 주파수 스펙트럼에서 통신하는 경우, WLAN STA들(152) 및/또는 WLAN AP(150)는, 채널이 이용가능한지 여부를 결정하기 위해 통신하기 전에 CCA(clear channel assessment) 또는 LBT(listen before talk) 절차를 수행할 수 있다.
[0037]
소형 셀 기지국(102')은 면허 및/또는 비면허 주파수 스펙트럼에서 동작할 수 있다. 비면허 주파수 스펙트럼에서 동작하는 경우, 소형 셀 기지국(102')은 LTE 또는 NR 기술을 이용할 수 있고, WLAN AP(150)에 의해 사용되는 것과 동일한 5 GHz 비면허 주파수 스펙트럼을 사용할 수 있다. 비면허 주파수 스펙트럼에서 LTE/5G를 이용하는 소형 셀 기지국(102')은 액세스 네트워크에 대한 커버리지를 부스팅하고 그리고/또는 액세스 네트워크의 능력을 향상시킬 수 있다. 비면허 스펙트럼에서의 NR은 NR-U로 지칭될 수 있다. 비면허 스펙트럼에서의 LTE는 LTE-U, LAA(licensed assisted access) 또는 MulteFire로 지칭될 수 있다.
[0038]
무선 통신 시스템(100)은 UE(182)와 통신하는 mmW 주파수들 및/또는 근 mmW 주파수들에서 동작할 수 있는 mmW(millimeter wave) 기지국(180)을 더 포함할 수 있다. EHF(extremely high frequency)는 전자기 스펙트럼에서 RF의 일부이다. EHF는 30 GHz 내지 300 GHz의 범위 및 1 밀리미터 내지 10 밀리미터의 파장을 갖는다. 이러한 대역의 라디오 파들은 밀리미터파로 지칭될 수 있다. 근 mmW는 100 밀리미터의 파장을 갖는 3 GHz의 주파수까지 아래로 확장될 수 있다. SHF(super high frequency) 대역은 3 GHz 내지 30 GHz로 확장되고 또한 센티미터 파로 지칭된다. mmW/근 mmW 라디오 주파수 대역을 사용하는 통신들은 높은 경로 손실 및 비교적 짧은 범위를 갖는다. mmW 기지국(180) 및 UE(182)는 극도로 높은 경로 손실 및 짧은 범위를 보상하기 위해 mmW 통신 링크(184)를 통한 빔형성(송신 및/또는 수신)을 활용할 수 있다. 추가로, 대안적인 구성들에서, 하나 이상의 기지국들(102)이 또한 mmW 또는 근 mmW 및 빔형성을 사용하여 송신할 수 있다는 것이 인식될 것이다. 따라서, 전술한 예시들은 단지 예들일 뿐이며, 본원에 개시된 다양한 양상들을 제한하는 것으로 해석되지 않아야 한다는 것이 인식될 것이다.
[0039]
송신 빔형성은 RF 신호를 특정 방향으로 포커싱하기 위한 기법이다. 통상적으로, 네트워크 노드(예컨대, 기지국)가 RF 신호를 브로드캐스트할 때, 모든 방향들로(전 방향성으로) 신호를 브로드캐스트한다. 송신 빔형성을 이용하여, 네트워크 노드는 주어진 타겟 디바이스(예컨대, UE)가 (송신 네트워크 노드에 대해) 로케이트되는 곳을 결정하고, 그 특정 방향으로 더 강한 다운링크 RF 신호를 투영함으로써, 수신 디바이스(들)에 대해 (데이터 레이트의 관점에서) 더 빠르고 더 강한 RF 신호를 제공한다. 송신할 때 RF 신호의 방향성을 변경하기 위해, 네트워크 노드는 RF 신호를 브로드캐스트하고 있는 하나 이상의 송신기들 각각에서 RF 신호의 위상 및 상대적 진폭을 제어할 수 있다. 예컨대, 네트워크 노드는, 안테나들을 실제로 이동시키지 않고 상이한 방향들을 가리키도록 "스티어링"될 수 있는 RF 파들의 빔을 생성하는 안테나들의 어레이("페이즈드 어레이” 또는 "안테나 어레이"로 지칭됨)를 사용할 수 있다. 구체적으로, 송신기로부터의 RF 전류는, 별개의 안테나들로부터의 라디오 파들이 합산되어 원하는 방향으로 방사를 증가시키면서 원하지 않는 방향들로의 방사를 억제하기 위해 상쇄되도록 정확한 위상 관계로 개별 안테나들에 공급된다.
[0040]
송신 빔들은 준-코로케이트될 수 있으며, 이는, 네트워크 노드 자체의 송신 안테나들이 물리적으로 코로케이트되는지 여부에 관계 없이, 이들이 동일한 파라미터들을 갖는 것으로 수신기(예컨대, UE)에게 나타나는 것을 의미한다. NR에는 4개의 타입들의 QCL(quasi-co-location) 관계들이 있다. 구체적으로, 주어진 타입의 QCL 관계는 제2 빔 상의 제2 기준 RF 신호에 관한 특정 파라미터들이 소스 빔 상의 소스 기준 RF 신호에 관한 정보로부터 유도될 수 있다는 것을 의미한다. 따라서, 소스 기준 RF 신호가 QCL 타입 A이면, 수신기는 소스 기준 RF 신호를 사용하여, 동일한 채널 상에서 송신되는 제2 기준 RF 신호의 도플러 시프트, 도플러 확산, 평균 지연 및 지연 확산을 추정할 수 있다. 소스 기준 RF 신호가 QCL 타입 B이면, 수신기는 소스 기준 RF 신호를 사용하여, 동일한 채널 상에서 송신되는 제2 기준 RF 신호의 도플러 시프트 및 도플러 확산을 추정할 수 있다. 소스 기준 RF 신호가 QCL 타입 C이면, 수신기는 소스 기준 RF 신호를 사용하여, 동일한 채널 상에서 송신되는 제2 기준 RF 신호의 도플러 시프트 및 평균 지연을 추정할 수 있다. 소스 기준 RF 신호가 QCL 타입 D이면, 수신기는 소스 기준 RF 신호를 사용하여, 동일한 채널 상에서 송신되는 제2 기준 RF 신호의 공간 수신 파라미터를 추정할 수 있다.
[0041]
수신 빔형성에서, 수신기는 주어진 채널상에서 검출된 RF 신호들을 증폭시키기 위해 수신 빔을 사용한다. 예컨대, 수신기는 이득 설정을 증가시키고 그리고/또는 특정 방향으로의 안테나들의 어레이의 위상 설정을 조정하여 그 방향으로부터 수신된 RF 신호들을 증폭(예컨대, 이득 레벨을 증가)시킬 수 있다. 따라서, 수신기가 특정 방향으로 빔형성한다고 말할 때, 이는, 그 방향의 빔 이득이 다른 방향들을 따르는 빔 이득에 비해 크거나, 또는 그 방향의 빔 이득이 수신기가 이용가능한 다른 모든 수신 빔들의 방향에서의 빔 이득에 비해 가장 크다는 것을 의미한다. 이는, 그 방향으로부터 수신된 RF 신호들의 더 강한 수신 신호 강도(예컨대, RSRP(reference signal received power), RSRQ(reference signal received quality), SINR(signal-to-interference-plus-noise ratio) 등)를 초래한다.
[0042]
송신 및 수신 빔들은 공간적으로 관련될 수 있다. 공간 관계는 제2 기준 신호에 대한 제2 빔(예컨대, 송신 또는 수신 빔)에 대한 파라미터들이 제1 기준 신호에 대한 제1 빔(예컨대, 수신 빔 또는 송신 빔)에 관한 정보로부터 유도될 수 있다는 것을 의미한다. 예컨대, UE는 기지국으로부터 기준 다운링크 기준 신호(예컨대, SSB(synchronization signal block))를 수신하기 위해 특정 수신 빔을 사용할 수 있다. 그 다음, UE는 수신 빔의 파라미터들에 기초하여 업링크 기준 신호(예컨대, SRS(sounding reference signal))를 그 기지국에 전송하기 위한 송신 빔을 형성할 수 있다.
[0043]
"다운링크” 빔은 이를 형성하는 엔티티에 따라 송신 빔 또는 수신 빔일 수 있음을 주목한다. 예컨대, 기지국이 기준 신호를 UE에 송신하기 위해 다운링크 빔을 형성하고 있다면, 다운링크 빔이 송신 빔이다. 그러나, UE가 다운링크 빔을 형성하고 있다면, 이는 다운링크 기준 신호를 수신하기 위한 수신 빔이다. 유사하게, "업링크" 빔은 이를 형성하는 엔티티에 따라 송신 빔 또는 수신 빔일 수 있다. 예컨대, 기지국이 업링크 빔을 형성하고 있다면, 이는 업링크 수신 빔이고, UE가 업링크 빔을 형성하고 있다면, 이는 업링크 송신 빔이다.
[0044]
5G에서, 무선 노드들(예컨대, 기지국들(102/180), UE들(104/182))이 동작하는 주파수 스펙트럼은 다수의 주파수 범위들, FR1(450 내지 6000MHz), FR2(24250 내지 52600MHz), FR3(52600MHz 초과) 및 FR4(FR1과 FR2 사이)로 분할된다. MmW 주파수 대역들은 일반적으로 FR2, FR3 및 FR4 주파수 범위들을 포함한다. 따라서, "mmW" 및 "FR2" 또는 "FR3" 또는 "FR4"라는 용어들은 일반적으로 상호교환가능하게 사용될 수 있다.
[0045]
멀티-캐리어 시스템, 이를테면 5G에서, 캐리어 주파수들 중 하나는 "1차 캐리어" 또는 "앵커 캐리어" 또는 "1차 서빙 셀" 또는 "PCell"로 지칭되고, 나머지 캐리어 주파수들은 "2차 캐리어들" 또는 "2차 서빙 셀들" 또는 "SCell들"로 지칭된다. 캐리어 어그리게이션에서, 앵커 캐리어는 UE(104/182) 및 UE(104/182)가 초기 RRC(radio resource control) 접속 설정 절차를 수행하거나 RRC 접속 재설정 절차를 개시하는 셀에 의해 활용되는 1차 주파수(예컨대, FR1) 상에서 동작하는 캐리어이다. 1차 캐리어는 모든 공통 및 UE-특정 제어 채널들을 반송하고, 면허 주파수의 캐리어일 수 있다(그러나, 항상 그런 것은 아니다). 2차 캐리어는, UE(104)와 앵커 캐리어 사이에 일단 RRC 접속이 설정되면 구성될 수 있고 추가적인 라디오 자원들을 제공하는 데 사용될 수 있는 제2 주파수(예컨대, FR2) 상에서 동작하는 캐리어이다. 일부 경우들에서, 2차 캐리어는 비면허 주파수의 캐리어일 수 있다. 2차 캐리어는 단지 필요한 시그널링 정보 및 신호들을 포함할 수 있으며, 예컨대, UE-특정적인 것들은 2차 캐리어에 존재하지 않을 수 있는데, 이는 1차 업링크 및 다운링크 캐리어들 둘 모두가 통상적으로 UE-특정적이기 때문이다. 이는, 셀 내의 상이한 UE들(104/182)이 상이한 다운링크 1차 캐리어들을 가질 수 있음을 의미한다. 업링크 1차 캐리어들에 대해서도 마찬가지이다. 네트워크는 임의의 시간에 임의의 UE(104/182)의 1차 캐리어를 변경할 수 있다. 이는, 예컨대, 상이한 캐리어들 상의 부하를 밸런싱하기 위해 수행된다. "서빙 셀"(PCell이든 SCell이든)은 캐리어 주파수/컴포넌트 캐리어 - 이를 통해 일부 기지국이 통신하고 있음 - 에 대응하기 때문에, "셀", "서빙 셀", "컴포넌트 캐리어", "캐리어 주파수" 등의 용어는 상호교환 가능하게 사용될 수 있다.
[0046]
예컨대, 여전히 도 1을 참조하면, 매크로 셀 기지국들(102)에 의해 활용되는 주파수들 중 하나는 앵커 캐리어(또는 "PCell")일 수 있고, 매크로 셀 기지국들(102) 및/또는 mmW 기지국(180)에 의해 활용되는 다른 주파수들은 2차 캐리어들(“SCells”)일 수 있다. 다수의 캐리어들의 동시 송신 및/또는 수신은 UE(104/182)가 자신의 데이터 송신 및/또는 수신 레이트들을 상당히 증가시킬 수 있게 한다. 예컨대, 멀티-캐리어 시스템에서 2개의 20MHz 어그리게이트된 캐리어들은 이론적으로, 단일 20MHz 캐리어에 의해 달성되는 것과 비교하여 데이터 레이트의 2배 증가(즉, 40MHz)를 초래할 것이다.
[0047]
무선 통신 시스템(100)은 통신 링크(120)를 통해 매크로 셀 기지국(102)과 그리고/또는 mmW 통신 링크(184)를 통해 mmW 기지국(180)과 통신할 수 있는 UE(164)를 더 포함할 수 있다. 예컨대, 매크로 셀 기지국(102)은 PCell을 지원할 수 있고, UE(164) 및 mmW 기지국(180)에 대한 하나 이상의 SCell들은 UE(164)에 대한 하나 이상의 SCell들을 지원할 수 있다.
[0048]
도 1의 예에서, (간략화를 위해 단일 UE(104)로서 도 1에서 도시된) 예시된 UE들 중 임의의 UE는 하나 이상의 지구 궤도 SV들(space vehicles)(112)(예컨대, 위성들)로부터 신호들(124)을 수신할 수 있다. 일 양상에서, SV들(112)은, UE(104)가 로케이션 정보의 독립적인 소스로서 사용할 수 있는 위성 포지셔닝 시스템의 일부일 수 있다. 위성 포지셔닝 시스템은 통상적으로, 수신기들(예컨대, UE들(104))이 송신기들로부터 수신된 포지셔닝 신호들(예컨대, 신호들(124))에 적어도 부분적으로 기반하여 지구 상의 또는 지구 위의 자신들의 로케이션을 결정할 수 있게 하도록 포지셔닝된 송신기들(예컨대, SV들(112))의 시스템을 포함한다. 통상적으로, 이러한 송신기는 설정된 수의 칩들의 반복 PN(pseudo-random noise) 코드로 마킹된 신호를 송신한다. 통상적으로 SV들(112)에 로케이션되지만, 송신기들은 때때로 지상-기반 제어 스테이션들, 기지국들(102) 및/또는 다른 UE들(104) 상에 로케이션될 수 있다. UE(104)는 SV들(112)로부터 지리적 로케이션 정보를 도출하기 위해 신호들(124)을 수신하도록 특별히 설계된 하나 이상의 전용 수신기들을 포함할 수 있다.
[0049]
위성 포지셔닝 시스템에서, 신호들(124)의 사용은 하나 이상의 글로벌 및/또는 지역적 내비게이션 위성 시스템들과 연관되거나 달리 그와 함께 사용하도록 가능해질 수 있는 다양한 SBAS(satellite based augmentation system)에 의해 증강될 수 있다. 예컨대, SBAS는, 예를 들어, WAAS(Wide Area Augmentation System), EGNOS(European Geostationary Navigation Overlay Service), MSAS(Multi-functional Satellite Augmentation System), GAGAN(Global Positioning System (GPS) Aided Geo Augmented Navigation 또는 GPS and Geo Augmented Navigation system) 등과 같이, 무결성(integrity) 정보, 차동 보정 등을 제공하는 증강 시스템(들)을 포함할 수 있다. 따라서, 본 명세서에서 사용되는 바와 같이, 위성 포지셔닝 시스템은 이러한 하나 이상의 위성 포지셔닝 시스템들과 연관된 하나 이상의 글로벌 및/또는 지역적 내비게이션 위성들의 임의의 조합을 포함할 수 있다.
[0050]
일 양상에서, SV들(112)은 추가적으로 또는 대안적으로 하나 이상의 NTN(non-terrestrial network)들의 일부일 수 있다. NTN에서, SV(112)는 (또한 지상국, NTN 게이트웨이, 또는 게이트웨이로 지칭되는) 지구국에 접속되고, 이는 결국, 5G 네트워크의 엘리먼트, 이를테면 (지상 안테나 없이) 수정된 기지국(102) 또는 5GC의 네트워크 노드에 접속된다. 이 엘리먼트는 결국, 5G 네트워크 내의 다른 엘리먼트들에 대한 액세스를 제공할 것이고, 궁극적으로는 인터넷 웹 서버들 및 다른 사용자 디바이스들과 같은 5G 네트워크 외부의 엔티티들에 대한 액세스를 제공할 것이다. 그런 식으로, UE(104)는 지상 기지국(102)으로부터의 통신 신호들 대신에 또는 그에 부가하여 SV(112)로부터 통신 신호들(예컨대, 신호들(124))을 수신할 수 있다.
[0051]
무선 통신 시스템(100)은, 하나 이상의 D2D(device-to-device) P2P(peer-to-peer) 링크들("사이드링크(sidelink)들"로 지칭됨)을 통해 하나 이상의 통신 네트워크들에 간접적으로 접속하는 하나 이상의 UE들, 이를테면 UE(190)를 더 포함할 수 있다. 도 1의 예에서, UE(190)는 UE들(104) 중 하나가 기지국들(102) 중 하나에 접속된 D2D P2P 링크(192)(예컨대, 이를 통해 UE(190)가 간접적으로 셀룰러 접속성을 획득할 수 있음) 및 WLAN STA(152)가 WLAN AP(150)에 접속된 D2D P2P 링크(194)(이를 통해 UE(190)가 간접적으로 WLAN-기반 인터넷 접속성을 획득할 수 있음)를 갖는다. 일 예에서, D2D P2P 링크들(192 및 194)은 임의의 잘 알려진 D2D RAT, 이를 테면 LTE 다이렉트(LTE-D), WiFi 다이렉트(WiFi-D), Bluetooth® 등으로 지원될 수 있다.
[0052]
도 2a는 예시적인 무선 네트워크 구조(200)를 예시한다. 예컨대, 5GC(210)(NGC(Next Generation Core)로 또한 지칭됨)는 기능적으로 제어 평면(C-평면) 기능들(214)(예컨대, UE 등록, 인증, 네트워크 액세스, 게이트웨이 선택 등) 및 사용자 평면(U-평면) 기능들(212)(예컨대, UE 게이트웨이 기능, 데이터 네트워크들에 대한 액세스, IP 라우팅 등)로서 보여질 수 있고, 이들은 코어 네트워크를 형성하도록 협력적으로 동작한다. NG-U(user plane interface)(213) 및 NG-C(control plane interface)(215)는 gNB(222)를 5GC(210)에 그리고 구체적으로는 제어 평면 기능들(212) 및 제어 평면 기능들(214)에 각각 접속시킨다. 추가적인 구성에서, ng-eNB(224)는 또한, 제어 평면 기능들(214)에 대한 NG-C(215) 및 사용자 평면 기능들(212)에 대한 NG-U(213)를 통해 5GC(210)에 접속될 수 있다. 추가로, ng-eNB(224)는 백홀 접속(223)을 통해 gNB(222)와 직접 통신할 수 있다. 일부 구성들에서, NG-RAN(Next Generation RAN)(220)은 하나 이상의 gNB들(222)을 가질 수 있는 한편, 다른 구성들은 ng-eNB들(224) 및 gNB들(222) 둘 모두 중 하나 이상을 포함한다. gNB(222) 또는 ng-eNB(224) 중 하나(또는 둘 모두)는 하나 이상의 UE들(204)(예컨대, 본원에 개시된 UE들 중 임의의 UE)과 통신할 수 있다.
[0053]
다른 선택적인 양상은 UE(들)(204)에 대한 로케이션 보조를 제공하기 위해 5GC(210)와 통신할 수 있는 로케이션 서버(230)를 포함할 수 있다. 로케이션 서버(230)는 복수의 별개의 서버들(예컨대, 물리적으로 별개의 서버들, 단일 서버 상의 상이한 소프트웨어 모듈들, 다수의 물리적 서버들에 걸쳐 확산된 상이한 소프트웨어 모듈들 등)로서 구현될 수 있거나, 또는 대안적으로 각각 단일 서버에 대응할 수 있다. 로케이션 서버(230)는 코어 네트워크, 5GC(210)를 통해 그리고/또는 인터넷(예시되지 않음)을 통해 로케이션 서버(230)에 접속될 수 있는 UE들(204)에 대한 하나 이상의 로케이션 서비스들을 지원하도록 구성될 수 있다. 또한, 로케이션 서버(230)는 코어 네트워크의 컴포넌트에 통합될 수 있거나, 대안적으로 코어 네트워크 외부에 있을 수 있다(예컨대, OEM(original equipment manufacturer) 서버 또는 서비스 서버와 같은 제3자 서버).
[0054]
도 2b는 다른 예시적인 무선 네트워크 구조(250)를 예시한다. 5GC(260)(이는 도 2a의 5GC(210)에 대응할 수 있음)는 기능적으로, AMF(access and mobility management function)(264)에 의해 제공되는 제어 평면 기능들, 및 UPF(user plane function)(262)에 의해 제공되는 사용자 평면 기능들로서 간주될 수 있고, 이들은 코어 네트워크(즉, 5GC(260))를 형성하도록 협력적으로 동작한다. AMF(264)의 기능들은 등록 관리, 접속 관리, 도달가능성 관리, 모빌리티 관리, 합법적 인터셉션, 하나 이상의 UE들(204)(예컨대, 본원에 개시된 UE들 중 임의의 UE)와 SMF(session management function)(266) 사이의 SM(session management) 메시지들에 대한 전송, SM 메시지들을 라우팅하기 위한 투명 프록시 서비스들, 액세스 인증 및 액세스 인가, UE(204)와 SMSF(short message service function)(미도시) 사이의 SMS(short message service) 메시지들에 대한 전송, 및 SEAF(security anchor functionality)를 포함한다. AMF(264)는 또한 AUSF(authentication server function)(도시되지 않음) 및 UE(204)와 상호 작용하고, UE(204) 인증 프로세스의 결과로서 설정된 중간 키를 수신한다. USIM(UMTS(universal mobile telecommunications system) subscriber identity module)에 기반한 인증의 경우, AMF(264)는 AUSF로부터 보안 자료를 리트리브한다. AMF(264)의 기능들은 또한 SCM(security context management)을 포함한다. SCM은 액세스-네트워크 특정 키들을 유도하기 위해 사용하는 키를 SEAF로부터 수신한다. AMF(264)의 기능은 또한, 규제 서비스들에 대한 위치 서비스 관리, UE(204)와 LMF(location management function)(270)(이는 위치 서버(230)의 역할을 함) 사이의 위치 서비스 메시지들에 대한 전송, NG-RAN(220)과 LMF(270) 사이의 위치 서비스 메시지들에 대한 전송, EPS((evolved packet system)와의 상호작용을 위한 EPS 베어러 식별자 할당, 및 UE(204) 모빌리티 이벤트 통지를 포함한다. 또한, AMF(264)는 또한 넌-3GPP(Third Generation Partnership Project) 액세스 네트워크들에 대한 기능들을 지원한다.
[0055]
UPF(262)의 기능들은 (적용가능한 경우) RAT-내/-간 모빌리티를 위한 앵커 포인트로서 작용하는 것, 데이터 네트워크(미도시)에 대한 상호접속의 외부 PDU(protocol data unit) 세션 포인트로서 작용하는 것, 패킷 라우팅 및 포워딩을 제공하는 것, 패킷 검사, 사용자 평면 정책 규칙 시행(예컨대, 게이팅, 재지향, 트래픽 스티어링), 합법적 인터셉션(사용자 평면 집합), 트래픽 사용량 보고, 사용자 평면에 대한 QoS(quality of service) 핸들링(예컨대, 업링크/다운링크 레이트 시행, 다운링크에서의 반사적 QoS 마킹), 업링크 트래픽 검증(SDF(service data flow) 대 QoS 흐름 맵핑), 업링크 및 다운링크에서의 전송 레벨 패킷 마킹, 다운링크 패킷 버퍼링 및 다운링크 데이터 통지 트리거링, 및 소스 RAN 노드에 대한 하나 이상의 "엔드 마커들"의 전송 및 포워딩을 포함한다. UPF(262)는 또한, SLP(272)와 같은 로케이션 서버와 UE(204) 사이의 사용자 평면을 통한 로케이션 서비스 메시지들의 전송을 지원할 수 있다.
[0056]
SMF(266)의 기능들은 세션 관리, UE IP(Internet protocol) 어드레스 할당 및 관리, 사용자 평면 기능들의 선택 및 제어, 트래픽을 적절한 목적지로 라우팅하기 위한 UPF(262)에서의 트래픽 스티어링의 구성, QoS 및 정책 시행의 일부의 제어, 및 다운링크 데이터 통지를 포함한다. SMF(266)가 AMF(264)와 통신하는 인터페이스는 N11 인터페이스로 지칭된다.
[0057]
다른 선택적인 양상은, UE들(204)에 대한 로케이션 보조를 제공하기 위해 5GC(260)와 통신할 수 있는 LMF(270)를 포함할 수 있다. LMF(270)는 복수의 별개의 서버들(예컨대, 물리적으로 별개의 서버들, 단일 서버 상의 상이한 소프트웨어 모듈들, 다수의 물리적 서버들에 걸쳐 확산된 상이한 소프트웨어 모듈들 등)로서 구현될 수 있거나, 또는 대안적으로 각각 단일 서버에 대응할 수 있다. LMF(270)는 코어 네트워크, 즉 5GC(260)를 통해 그리고/또는 인터넷(예시되지 않음)을 통해 LMF(270)에 접속될 수 있는 UE들(204)에 대한 하나 이상의 로케이션 서비스들을 지원하도록 구성될 수 있다. SLP(272)는 LMF(270)와 유사한 기능들을 지원할 수 있지만, LMF(270)는 (예컨대, 음성 또는 데이터가 아닌 시그널링 메시지들을 반송하도록 의도된 인터페이스들 및 프로토콜들을 사용하여) 제어 평면을 통해 AMF(264), NG-RAN(220) 및 UE들(204)과 통신할 수 있는 반면, SLP(272)는 (예컨대, TCP(transmission control protocol) 및/또는 IP와 같은, 음성 및/또는 데이터를 반송하도록 의도된 프로토콜들을 사용하여) 사용자 평면을 통해 UE들(204) 및 외부 클라이언트들(예컨대, 제3자 서버(274))과 통신할 수 있다.
[0058]
또 다른 선택적인 양상은, UE(204)에 대한 로케이션 정보(예컨대, 로케이션 추정)를 획득하기 위해, LMF(270), SLP(272), (예컨대, AMF(264) 및/또는 UPF(262)를 통해) 5GC(260), NG-RAN(220) 및/또는 UE(204)와 통신할 수 있는 제3자 서버(274)를 포함할 수 있다. 따라서, 일부 경우들에서, 제3자 서버(274)는 LCS(location services) 클라이언트 또는 외부 클라이언트로 지칭될 수 있다. 제3자 서버(274)는 복수의 별개의 서버들(예컨대, 물리적으로 별개의 서버들, 단일 서버 상의 상이한 소프트웨어 모듈들, 다수의 물리적 서버들에 걸쳐 확산된 상이한 소프트웨어 모듈들 등)로서 구현될 수 있거나, 또는 대안적으로 각각 단일 서버에 대응할 수 있다.
[0059]
사용자 평면 인터페이스(263) 및 제어 평면 인터페이스(265)는 5GC(260), 구체적으로는 UPF(262) 및 AMF(264)를 각각 NG-RAN(220)의 하나 이상의 gNB들(222) 및/또는 ng-eNB들(224)에 접속한다. gNB(들)(222) 및/또는 ng-eNB(들)(224)와 AMF(264) 사이의 인터페이스는 "N2" 인터페이스로 지칭되고, gNB(들)(222) 및/또는 ng-eNB(들)(224)와 UPF(262) 사이의 인터페이스는 "N3" 인터페이스로 지칭된다. NG-RAN(220)의 gNB(들)(222) 및/또는 ng-eNB(들)(224)는 "Xn-C" 인터페이스로 지칭되는 백홀 접속들(223)을 통해 서로 직접 통신할 수 있다. gNB들(222) 및/또는 ng-eNB들(224) 중 하나 이상은 "Uu" 인터페이스로 지칭되는 무선 인터페이스를 통해 하나 이상의 UE들(204)과 통신할 수 있다.
[0060]
gNB(222)의 기능은 gNB-CU(gNB central unit)(226), 하나 이상의 gNB-DU(gNB distributed units)들(228), 그리고 하나 이상의 gNB-RU(gNB radio unit)들(229) 사이에서 분할된다. gNB-CU(226)는, gNB-DU(들)(228)에 배타적으로 할당된 그러한 기능들을 제외하고, 사용자 데이터, 모빌리티 제어, 라디오 액세스 네트워크 공유, 포지셔닝, 세션 관리 등을 전달하는 기지국 기능들을 포함하는 논리 노드이다. 더 구체적으로, gNB-CU(226)는 gNB(222)의 RRC(radio resource control), SDAP(service data adaptation protocol), 및 PDCP(packet data convergence protocol) 프로토콜들을 일반적으로 호스팅한다. gNB-DU(228)는 gNB(222)의 RLC(radio link control) 및 MAC(medium access control) 계층을 일반적으로 호스팅하는 논리 노드이다. 그 동작은 gNB-CU(226)에 의해 제어된다. 하나의 gNB-DU(228)는 하나 이상의 셀들을 지원할 수 있고, 하나의 셀은 오직 하나의 gNB-DU(228)에 의해 지원된다. GNB-CU(226)와 하나 이상의 gNB-DU들(228) 사이의 인터페이스(232)는 "F1" 인터페이스로 지칭된다. GNB(222)의 물리(PHY) 계층 기능은 일반적으로, 전력 증폭 및 신호 송신/수신과 같은 기능들을 수행하는 하나 이상의 독립형 gNB-RU들(229)에 의해 호스팅된다. GNB-DU(228)와 gNB-RU(229) 사이의 인터페이스는 "Fx" 인터페이스로 지칭된다. 따라서, UE(204)는 RRC, SDAP, 및 PDCP 계층들을 통해 gNB-CU(226)와 통신하고, RLC 및 MAC 계층들을 통해 gNB-DU(228)와 통신하고, PHY 계층들을 통해 gNB-RU(229)와 통신한다.
[0061]
도 3a, 도 3b 및 도 3c는 본원에 교시된 바와 같은 파일 송신 동작들을 지원하기 위해 (본원에서 설명된 UE들 중 임의의 것에 대응할 수 있는) UE(302), (본원에 설명된 기지국들 중 임의의 것에 대응할 수 있는) 기지국(304), 및 (위치 서버(230) 및 LMF(270)를 포함하여, 본원에 설명된 네트워크 기능들 중 임의의 것에 대응하거나 이를 구현할 수 있는 또는 대안적으로 도 2a 및 도 2b에 도시된 NG-RAN(220) 및/또는 5GC 210/260 인프라구조, 이를테면 사설 네트워크로부터 독립적일 수 있는) 네트워크 엔티티(306)에 통합될 수 있는 몇몇 예시적인 컴포넌트들(대응하는 블록들에 의해 표현됨)을 예시한다. 이러한 컴포넌트들은 상이한 구현들에서(예컨대, ASIC, SoC(system-on-chip) 등에서) 상이한 타입들의 장치들로 구현될 수 있음을 인식할 것이다. 예시된 컴포넌트들은 또한 통신 시스템의 다른 장치들에 통합될 수 있다. 예컨대, 시스템의 다른 장치들은 유사한 기능을 제공하기 위해 설명된 컴포넌트들과 유사한 컴포넌트들을 포함할 수 있다. 또한, 주어진 장치는 컴포넌트들 중 하나 이상을 포함할 수 있다. 예컨대, 장치는, 장치가 다수의 캐리어들 상에서 동작하고 그리고/또는 상이한 기술들을 통해 통신할 수 있게 하는 다수의 트랜시버 컴포넌트들을 포함할 수 있다.
[0062]
UE(302) 및 기지국(304) 각각은 하나 이상의 WWAN(wireless wide area network) 트랜시버들(310 및 350)을 각각 포함하며, 이들은 하나 이상의 무선 통신 네트워크들(미도시), 이를테면 NR 네트워크, LTE 네트워크, GSM 네트워크 등을 통해 통신하기 위한 수단(예컨대, 송신하기 위한 수단, 수신하기 위한 수단, 측정하기 위한 수단, 튜닝하기 위한 수단, 송신을 억제하기 위한 수단 등)을 제공한다. WWAN 트랜시버들(310 및 350)은 각각 관심있는 무선 통신 매체(예를 들어, 특정 주파수 스펙트럼에서 시간/주파수 자원들의 일부 세트)를 통한 적어도 하나의 지정된 RAT(예를 들어, NR, LTE, GSM 등)를 통해, 다른 UE들, 액세스 포인트들, 기지국들(예를 들어, eNB들, gNB들) 등과 같은 다른 네트워크 노드들과 통신하기 위해, 하나 이상의 안테나들(316 및 356)에 각각 접속될 수 있다. WWAN 트랜시버들(310 및 350)은 지정된 RAT에 따라, 신호들(318 및 358)(예컨대, 메시지들, 표시들, 정보 등)을 각각 송신 및 인코딩하도록 그리고 반대로, 신호들(318 및 358)(예컨대, 메시지들, 표시들, 정보, 파일럿들 등)을 각각 수신 및 디코딩하도록 다양하게 구성될 수 있다. 구체적으로, WWAN 트랜시버들(310 및 350)은 각각 신호들(318 및 358)을 각각 송신 및 인코딩하기 위한 하나 이상의 송신기들(314 및 354), 및 각각 신호들(318 및 358)을 각각 수신 및 디코딩하기 위한 하나 이상의 수신기들(312 및 352)을 포함한다.
[0063]
UE(302) 및 기지국(304) 각각은 또한, 적어도 일부 경우들에서, 하나 이상의 단거리 무선 트랜시버들(320 및 360)을 각각 포함한다. 단거리 무선 트랜시버들(320 및 360)은 하나 이상의 안테나들(326 및 366)에 각각 접속될 수 있고, 관심있는 무선 통신 매체를 통한 적어도 하나의 지정된 RAT(예컨대, WiFi, LTE-D, Bluetooth®, Zigbee®, Z-Wave®, PC5, DSRC(dedicated short-range communications), WAVE(wireless access for vehicular environment), NFC(near-field communication) 등)를 통해, 다른 UE들, 액세스 포인트들, 기지국들 등과 같은 다른 네트워크 노드들과 통신하기 위한 수단(예컨대, 송신하기 위한 수단, 수신하기 위한 수단, 측정하기 위한 수단, 튜닝하기 위한 수단, 송신을 억제하기 위한 수단 등)을 제공할 수 있다. 단거리 무선 트랜시버들(320 및 360)은 지정된 RAT에 따라, 신호들(328 및 368)(예컨대, 메시지들, 표시들, 정보 등)을 각각 송신 및 인코딩하도록 그리고 반대로, 신호들(328 및 368)(예컨대, 메시지들, 표시들, 정보, 파일럿들 등)을 각각 수신 및 디코딩하도록 다양하게 구성될 수 있다. 구체적으로, 단거리 무선 트랜시버들(320 및 360)은 각각 신호들(328 및 368)을 각각 송신 및 인코딩하기 위한 하나 이상의 송신기들(324 및 364), 및 각각 신호들(328 및 368)을 각각 수신 및 디코딩하기 위한 하나 이상의 수신기들(322 및 362)을 포함한다. 특정 예들로서, 단거리 무선 트랜시버들(320 및 360)은 WiFi 트랜시버들, Bluetooth® 트랜시버들, Zigbee® 및/또는 Z-Wave® 트랜시버들, NFC 트랜시버들, 또는 V2V(vehicle-to-vehicle) 및/또는 V2X(vehicle-to-everything) 트랜시버들일 수 있다.
[0064]
UE(302) 및 기지국(304)은 또한, 적어도 일부 경우들에서, 위성 신호 수신기들(330 및 370)을 포함한다. 위성 신호 수신기들(330 및 370)은 하나 이상의 안테나들(336 및 376)에 각각 연결될 수 있고, 위성 포지셔닝/통신 신호들(338 및 378)을 각각 수신 및/또는 측정하기 위한 수단을 제공할 수 있다. 위성 신호 수신기들(330 및 370)이 위성 포지셔닝 시스템 수신기들인 경우, 위성 포지셔닝/통신 신호들(338 및 378)은 GPS(global positioning system) 신호들, GLONASS(global navigation satellite system) 신호들, Galileo 신호들, Beidou 신호들, 인도 지역 NAVIC(Navigation Satellite System), QZSS(Quasi-Zenith Satellite System) 등일 수 있다. 위성 신호 수신기들(330 및 370)이 NTN(non-terrestrial network) 수신기들인 경우, 위성 포지셔닝/통신 신호들(338 및 378)은 5G 네트워크로부터 발신되는 (예컨대, 제어 및/또는 사용자 데이터를 반송하는) 통신 신호들일 수 있다. 위성 신호 수신기들(330 및 370)은 위성 포지셔닝/통신 신호들(338 및 378)을 각각 수신 및 프로세싱하기 위한 임의의 적합한 하드웨어 및/또는 소프트웨어를 포함할 수 있다. 위성 신호 수신기들(330 및 370)은 다른 시스템들로부터 적절히 정보 및 동작들을 요청하고, 적어도 일부 경우들에서, 임의의 적합한 위성 포지셔닝 시스템 알고리즘에 의해 획득된 측정들을 사용하여 UE(302) 및 기지국(304) 각각의 로케이션들을 결정하기 위한 계산들을 수행한다.
[0065]
기지국(304) 및 네트워크 엔티티(306) 각각은, 다른 네트워크 엔티티들(예컨대, 다른 기지국들(304), 다른 네트워크 엔티티들(306))과 통신하기 위한 수단(예컨대, 송신하기 위한 수단, 수신하기 위한 수단 등)을 제공하는 하나 이상의 네트워크 송수신기들(380 및 390)을 각각 포함한다. 예컨대, 기지국(304)은 하나 이상의 유선 또는 무선 백홀 링크들을 통해 다른 기지국들(304) 또는 네트워크 엔티티들(306)과 통신하기 위해 하나 이상의 네트워크 트랜시버들(380)을 이용할 수 있다. 다른 예로서, 네트워크 엔티티(306)는 하나 이상의 유선 또는 무선 백홀 링크들을 통해 하나 이상의 기지국(304)과, 또는 하나 이상의 유선 또는 무선 코어 네트워크 인터페이스들을 통해 다른 네트워크 엔티티들(306)과 통신하기 위해 하나 이상의 네트워크 트랜시버들(390)을 이용할 수 있다.
[0066]
트랜시버는 유선 또는 무선 링크를 통해 통신하도록 구성될 수 있다. 트랜시버(유선 트랜시버이든 또는 무선 트랜시버이든)는 송신기 회로(예컨대, 송신기들(314, 324, 354, 364)) 및 수신기 회로(예컨대, 수신기들(312, 322, 352, 362))를 포함한다. 트랜시버는 일부 구현들에서 (예컨대, 단일 디바이스에서 송신기 회로 및 수신기 회로를 구현하는) 통합 디바이스일 수 있거나, 일부 구현들에서 별개의 송신기 회로 및 별개의 수신기 회로를 포함할 수 있거나, 또는 다른 구현들에서 다른 방식들로 구현될 수 있다. 유선 트랜시버의 송신기 회로 및 수신기 회로(예컨대, 일부 구현들에서 네트워크 트랜시버들(380 및 390))는 하나 이상의 유선 네트워크 인터페이스 포트들에 커플링될 수 있다. 무선 송신기 회로(예컨대, 송신기들(314, 324, 354, 364))는 개개의 장치(예컨대, UE(302), 기지국(304))가 본원에 설명된 바와 같이 송신 "빔포밍"을 수행할 수 있게 하는 복수의 안테나들(예컨대, 안테나들(316, 326, 356, 366)), 이를테면 안테나 어레이를 포함하거나 그에 커플링될 수 있다. 유사하게, 무선 수신기 회로(예컨대, 수신기들(312, 322, 352, 362))는 개개의 장치(예컨대, UE(302), 기지국(304))가 본원에 설명된 바와 같이 수신 "빔포밍"을 수행할 수 있게 하는 복수의 안테나들(예컨대, 안테나들(316, 326, 356, 366)), 이를테면 안테나 어레이를 포함하거나 그에 커플링될 수 있다. 일 양상에서, 송신기 회로 및 수신기 회로는 동일한 복수의 안테나들(예컨대, 안테나들(316, 326, 356, 366))을 공유할 수 있고, 그에 따라, 개개의 장치는 주어진 시간에만 수신 또는 송신할 수 있고, 둘 모두를 동시에 할 수는 없다. 무선 트랜시버(예컨대, WWAN 트랜시버들(310 및 350), 단거리 무선 트랜시버들(320 및 360))는 또한 다양한 측정들을 수행하기 위한 NLM(network listen module) 등을 포함할 수 있다.
[0067]
본원에서 사용되는 바와 같이, 다양한 무선 트랜시버들(예컨대, 일부 구현들에서 트랜시버들(310, 320, 350 및 360) 및 네트워크 트랜시버들(380 및 390)) 및 유선 트랜시버들(예컨대, 일부 구현들에서 네트워크 트랜시버들(380 및 390))은 일반적으로 "트랜시버", "적어도 하나의 트랜시버" 또는 "하나 이상의 트랜시버들"로서 특성화될 수 있다. 따라서, 특정 트랜시버가 유선 트랜시버인지 또는 무선 트랜시버인지는 수행되는 통신의 타입으로부터 추론될 수 있다. 예컨대, 네트워크 디바이스들 또는 서버들 사이의 백홀 통신은 일반적으로 유선 트랜시버를 통한 시그널링에 관련될 것인 반면, UE(예컨대, UE(302))와 기지국(예컨대, 기지국(304)) 사이의 무선 통신은 일반적으로 무선 트랜시버를 통한 시그널링과 관련될 것이다.
[0068]
UE(302), 기지국(304), 및 네트워크 엔티티(306)는 또한, 본원에서 개시되는 동작들과 함께 사용될 수 있는 다른 컴포넌트들을 포함한다. UE(302), 기지국(304) 및 네트워크 엔티티(306)는, 예컨대, 무선 통신에 관련된 기능을 제공하고 다른 프로세싱 기능을 제공하기 위한 하나 이상의 프로세서들(332, 384, 및 394)을 각각 포함한다. 따라서, 프로세서들(332, 384, 및 394)은 프로세싱을 위한 수단, 이를테면, 결정하기 위한 수단, 계산하기 위한 수단, 수신하기 위한 수단, 송신하기 위한 수단, 표시하기 위한 수단 등을 제공할 수 있다. 일 양상에서, 프로세서들(332, 384, 및 394)은, 예컨대, 하나 이상의 범용 프로세서들, 멀티-코어 프로세서들, CPU(central processing unit)들, ASIC들, DSP(digital signal processor)들, FPGA(field programmable gate array)들, 다른 프로그래밍가능 로직 디바이스들 또는 프로세싱 회로, 또는 이들의 다양한 조합들을 포함할 수 있다.
[0069]
UE(302), 기지국(304) 및 네트워크 엔티티(306)는 정보(예컨대, 예비된 자원들, 임계치들, 파라미터들 등을 표시하는 정보)를 유지하기 위해 메모리들(340, 386 및 396)(예컨대, 각각 메모리 디바이스를 포함함)을 구현하는 메모리 회로를 각각 포함한다. 따라서, 메모리들(340, 386, 및 396)은 저장하기 위한 수단, 리트리브하기 위한 수단, 유지하기 위한 수단 등을 제공할 수 있다. 일부 경우들에서, UE(302), 기지국(304) 및 네트워크 엔티티(306)는 포지션 추정 모듈(342)을 포함할 수 있다. 각각 388 및 398이다. 포지션 추정 모듈들(342, 388, 및 398)은 각각, 실행될 때 UE(302), 기지국(304) 및 네트워크 엔티티(306)로 하여금 본원에서 설명되는 기능을 수행하게 하는 프로세서들(332, 384, 및 394)의 일부이거나 또는 그에 커플링되는 하드웨어 회로들일 수 있다. 다른 양상들에서, 포지션 추정 모듈(342, 388, 및 398)은 프로세서들(332, 384, 및 394)의 외부에 있을 수 있다(예컨대, 모뎀 프로세싱 시스템의 일부이거나, 다른 프로세싱 시스템과 통합되는 등). 대안적으로, 포지션 추정 모듈(342, 388, 및 398)은, 각각, 프로세서들(332, 384 및 394)(또는 모뎀 프로세싱 시스템, 다른 프로세싱 시스템 등)에 의해 실행될 때 UE(302), 기지국(304), 및 네트워크 엔티티(306)로 하여금 본원에서 설명되는 기능을 수행하게 하는, 메모리들(340, 386, 및 396)에 저장된 메모리 모듈들일 수 있다. 도 3a는, 예컨대, 하나 이상의 WWAN 트랜시버들(310), 메모리(340), 하나 이상의 프로세서들(332), 또는 이들의 임의의 조합의 일부일 수 있거나, 독립형 컴포넌트일 수 있는 포지션 추정 모듈(342)의 가능한 로케이션들을 예시한다. 도 3b는, 예컨대, 하나 이상의 WWAN 트랜시버들(350), 메모리(386), 하나 이상의 프로세서들(384), 또는 이들의 임의의 조합의 일부일 수 있거나, 독립형 컴포넌트일 수 있는 포지션 추정 모듈(388)의 가능한 로케이션들을 예시한다. 도 3c는, 예컨대, 하나 이상의 네트워크 트랜시버들(390), 메모리(396), 하나 이상의 프로세서들(394), 또는 이들의 임의의 조합의 일부일 수 있거나, 독립형 컴포넌트일 수 있는 포지션 추정 모듈(398)의 가능한 로케이션들을 예시한다.
[0070]
UE(302)는 하나 이상의 WWAN 트랜시버들(310), 하나 이상의 단거리 무선 트랜시버들(320), 및/또는 위성 신호 수신기(330)에 의해 수신된 신호들로부터 유도된 모션 데이터와 독립적인 이동 및/또는 배향 정보를 감지 또는 검출하기 위한 수단을 제공하기 위해 하나 이상의 프로세서들(332)에 커플링된 하나 이상의 센서들(344)을 포함할 수 있다. 예로서, 센서(들)(344)는 가속도계(예컨대, MEMS(micro-electrical mechanical systems) 디바이스), 자이로스코프, 지자기 센서(예컨대, 나침반), 고도계(예컨대, 기압 고도계) 및/또는 임의의 다른 타입의 이동 검출 센서를 포함할 수 있다. 더욱이, 센서(들)(344)는 복수의 상이한 타입들의 디바이스들을 포함하고, 모션 정보를 제공하기 위해 이들의 출력들을 조합할 수 있다. 예컨대, 센서(들)(344)는 2차원(2D) 및/또는 3차원(3D) 좌표계들에서 포지션들을 컴퓨팅하는 능력을 제공하기 위해 다축 가속도계 및 방위 센서들의 조합을 사용할 수 있다.
[0071]
또한, UE(302)는 사용자에게 표시들(예컨대, 가청 및/또는 시각적 표시들)을 제공하기 위한 그리고/또는 (예컨대, 감지 디바이스, 이를테면 키패드, 터치 스크린, 마이크로폰 등의 사용자 작동 시에) 사용자 입력을 수신하기 위한 수단을 제공하는 사용자 인터페이스(346)를 포함한다. 도시되지는 않았지만, 기지국(304) 및 네트워크 엔티티(306)는 또한 사용자 인터페이스들을 포함할 수 있다.
[0072]
하나 이상의 프로세서들(384)을 더 상세히 참조하면, 다운링크에서, 네트워크 엔티티(306)로부터의 IP 패킷들이 프로세서(384)에 제공될 수 있다. 하나 이상의 프로세서들(384)은 RRC 계층, PDCP(packet data convergence protocol) 계층, RLC(radio link control) 계층 및 MAC(medium access control) 계층에 대한 기능을 구현할 수 있다. 하나 이상의 프로세서들(384)은 시스템 정보(예를 들어, MIB(master information block), SIB(system information block)들)의 브로드캐스트, RRC 접속 제어(예를 들어, RRC 접속 페이징, RRC 접속 확립, RRC 접속 수정 및 RRC 접속 해제), RAT-간 모빌리티, 및 UE 측정 보고를 위한 측정 구성과 연관된 RRC 계층 기능; 헤더 압축/압축해제, 보안(암호화, 암호해독, 무결성 보호, 무결성 검증) 및 핸드오버 지원 기능들과 연관된 PDCP 계층 기능; 상위 계층 PDU들의 전송, ARQ(automatic repeat request)를 통한 에러 정정, 연접, 세그먼트화 및 RLC SDU(service data unit)들의 리어셈블리, RLC 데이터 PDU들의 리-세그먼트화, 및 RLC 데이터 PDU들의 재순서화와 연관된 RLC 계층 기능; 및 로직 채널들과 전송 채널들 사이의 맵핑, 스케줄링 정보 보고, 에러 정정, 우선순위 핸들링 및 로직 채널 우선순위화와 연관된 MAC 계층 기능을 제공할 수 있다.
[0073]
송신기(354) 및 수신기(352)는 다양한 신호 프로세싱 기능들과 연관된 계층-1(L1) 기능을 구현할 수 있다. 물리(PHY) 계층을 포함하는 계층-1은 전송 채널들 상에서 에러 검출, 전송 채널들의 FEC(forward error correction) 코딩/디코딩, 인터리빙, 레이트 매칭, 물리 채널들 상으로의 맵핑, 물리 채널들의 변조/복조 및 MIMO 안테나 프로세싱을 포함할 수 있다. 송신기(354)는 다양한 변조 방식들(예컨대, BPSK(binary phase-shift keying), QPSK(quadrature phase-shift keying), M-PSK(M-phase-shift keying), M-QAM(M-quadrature amplitude modulation))에 기반한 신호 성상도(constellation)들로의 맵핑을 핸들링한다. 그 다음, 코딩되고 변조된 심볼들은 병렬 스트림들로 분할될 수 있다. 그 다음, 각각의 스트림은, OFDM(orthogonal frequency division multiplexing) 서브캐리어에 맵핑되고, 시간 및/또는 주파수 도메인에서 기준 신호(예컨대, 파일럿)와 멀티플렉싱될 수 있고, 그 다음, IFFT(inverse fast Fourier transform)를 사용하여 함께 결합되어, 시간 도메인 OFDM 심볼 스트림을 반송하는 물리 채널을 생성할 수 있다. OFDM 심볼 스트림은 다수의 공간 스트림들을 생성하기 위해 공간적으로 프리코딩된다. 채널 추정기로부터의 채널 추정들은 코딩 및 변조 방식을 결정하기 위해서뿐만 아니라 공간 프로세싱을 위해 사용될 수 있다. 채널 추정은, 기준 신호 및/또는 UE(302)에 의해 송신된 채널 조건 피드백으로부터 도출될 수 있다. 이어서, 각각의 공간 스트림은 하나 이상의 상이한 안테나들(356)에 제공될 수 있다. 송신기(354)는 송신을 위해 각각의 공간 스트림으로 RF 캐리어를 변조할 수 있다.
[0074]
UE(302)에서, 수신기(312)는 자신의 개개의 안테나(들)(316)를 통해 신호를 수신한다. 수신기(312)는 RF 캐리어 상으로 변조된 정보를 복원하고, 정보를 하나 이상의 프로세서들(332)에 제공한다. 송신기(314) 및 수신기(312)는 다양한 신호 프로세싱 기능들과 연관된 계층-1 기능을 구현한다. 수신기(312)는 정보에 대해 공간 프로세싱을 수행하여, UE(302)를 목적지로 하는 임의의 공간 스트림들을 복원할 수 있다. 다수의 공간 스트림들이 UE(302)를 목적지로 하면, 이들은 수신기(312)에 의해 단일 OFDM 심볼 스트림으로 결합될 수 있다. 그런 다음, 수신기(312)는 FFT(fast Fourier transform)를 사용하여 OFDM 심볼 스트림을 시간-도메인으로부터 주파수 도메인으로 변환한다. 주파수 도메인 신호는, OFDM 신호의 각각의 서브캐리어에 대한 별개의 OFDM 심볼 스트림을 포함한다. 각각의 서브캐리어 상의 심볼들, 및 기준 신호는 기지국(304)에 의해 송신된 가장 가능성 있는 신호 성상도 포인트들을 결정함으로써 복원 및 복조된다. 이러한 연판정들은, 채널 추정기에 의해 컴퓨팅된 채널 추정들에 기반할 수 있다. 그런 다음, 연판정들은, 물리 채널 상에서 기지국(304)에 의해 원래 송신되었던 데이터 및 제어 신호들을 복원하기 위해 디코딩 및 디인터리빙된다. 그 다음, 데이터 및 제어 신호들은, 계층-3(L3) 및 계층-2(L2) 기능을 구현하는 하나 이상의 프로세서들(332)에 제공된다.
[0075]
업링크에서, 하나 이상의 프로세서들(332)은, 전송 채널과 로직 채널 사이의 디멀티플렉싱, 패킷 리어셈블리, 암호해독, 헤더 압축해제, 및 제어 신호 프로세싱을 제공하여, 코어 네트워크로부터의 IP 패킷들을 복원한다. 하나 이상의 프로세서들(332)은 또한 에러 검출을 담당한다.
[0076]
기지국(304)에 의한 다운링크 송신과 관련하여 설명된 기능과 유사하게, 하나 이상의 프로세서들(332)은 시스템 정보(예를 들어, MIB, SIB들) 포착, RRC 접속들 및 측정 보고와 연관된 RRC 계층 기능; 헤더 압축/압축해제 및 보안(암호화, 암호해독, 무결성 보호, 무결성 검증)과 연관된 PDCP 계층 기능; 상위 계층 PDU들의 전송, ARQ를 통한 에러 정정, 연접, 세그먼트화 및 RLC SDU들의 리어셈블리, RLC 데이터 PDU들의 리-세그먼트화, 및 RLC 데이터 PDU들의 재순서화와 연관된 RLC 계층 기능; 및 로직 채널들과 전송 채널들 사이의 맵핑, TB(transport block)들 상으로의 MAC SDU들의 멀티플렉싱, TB들로부터 MAC SDU들의 디멀티플렉싱, 스케줄링 정보 보고, HARQ(hybrid automatic repeat request)를 통한 에러 정정, 우선순위 핸들링 및 로직 채널 우선순위화와 연관된 MAC 계층 기능을 제공한다.
[0077]
기지국(304)에 의해 송신된 피드백 또는 기준 신호로부터 채널 추정기에 의해 도출된 채널 추정들은, 적절한 코딩 및 변조 방식들을 선택하고 공간 프로세싱을 용이하게 하기 위해 송신기(314)에 의해 사용될 수 있다. 송신기(314)에 의해 생성된 공간 스트림들은 상이한 안테나(들)(316)에 제공될 수 있다. 송신기(314)는 송신을 위해 각각의 공간 스트림으로 RF 캐리어를 변조할 수 있다.
[0078]
업링크 송신은, UE(302)의 수신기 기능과 관련하여 설명된 것과 유사한 방식으로 기지국(304)에서 프로세싱된다. 수신기(352)는 자신의 개개의 안테나(들)(356)를 통해 신호를 수신한다. 수신기(352)는 RF 캐리어 상으로 변조된 정보를 복원하고, 정보를 하나 이상의 프로세서들(384)에 제공한다.
[0079]
업링크에서, 하나 이상의 프로세서들(384)은, 전송 채널과 로직 채널 사이의 디멀티플렉싱, 패킷 리어셈블리, 암호해독, 헤더 압축해제, 제어 신호 프로세싱을 제공하여, UE(302)로부터의 IP 패킷들을 복원한다. 하나 이상의 프로세서들(384)로부터의 IP 패킷들은 코어 네트워크에 제공될 수 있다. 하나 이상의 프로세서들(384)은 또한 에러 검출을 담당한다.
[0080]
편의를 위해, UE(302), 기지국(304), 및/또는 네트워크 엔티티(306)는, 본원에서 설명되는 다양한 예들에 따라 구성될 수 있는 다양한 컴포넌트들을 포함하는 것으로 도 3a, 도 3b 및 도 3c에 도시된다. 그러나, 예시된 컴포넌트들은 상이한 설계들에서 상이한 기능성을 가질 수 있다는 것이 인식될 것이다. 특히, 도 3a 내지 도 3c의 다양한 컴포넌트들은 대안적인 구성들에서 선택적이며, 다양한 양상들은 설계 선택, 비용들, 디바이스의 사용 또는 다른 고려사항들로 인해 변할 수 있는 구성들을 포함한다. 예컨대, 도 3a의 경우, UE(302)의 특정 구현은 WWAN 트랜시버(들)(310)를 생략할 수 있거나(예컨대, 웨어러블 디바이스 또는 태블릿 컴퓨터 또는 PC 또는 랩톱은 셀룰러 능력 없이 Wi-Fi 및/또는 블루투스 능력을 가질 수 있음), 또는 단거리 무선 트랜시버(들)(320)를 생략할 수 있거나(예컨대, 셀룰러-전용 등), 또는 위성 신호 수신기(330)를 생략할 수 있거나, 또는 센서(들)(344)를 생략할 수 있는 등이다. 다른 예에서, 도 3b의 경우, 기지국(304)의 특정 구현은 WWAN 트랜시버(들)(350)를 생략할 수 있거나(예컨대, 셀룰러 능력이 없는 Wi-Fi "핫스팟" 액세스 포인트), 단거리 무선 트랜시버(들)(360)를 생략할 수 있거나(예컨대, 셀룰러-전용 등), 또는 위성 수신기(370)를 생략할 수 있는 등이다. 간결성을 위해, 다양한 대안적인 구성들의 예시는 본원에서 제공되지 않지만, 당업자가 용이하게 이해가능할 것이다.
[0081]
UE(302), 기지국(304), 및 네트워크 엔티티(306)의 다양한 컴포넌트들은, 각각, 데이터 버스들(334, 382, 및 392)을 통해 서로 통신 가능하게 커플링될 수 있다. 일 양상에서, 데이터 버스들(334, 382, 및 392)은 각각 UE(302), 기지국(304) 및 네트워크 엔티티(306)의 통신 인터페이스를 형성하거나 또는 이들의 일부일 수 있다. 예컨대, 상이한 논리적 엔티티들이 동일한 디바이스에 구현되는 경우(예컨대, gNB 및 로케이션 서버 기능이 동일한 기지국(304)에 통합됨), 데이터 버스들(334, 382, 및 392)은 그들 사이의 통신을 제공할 수 있다.
[0082]
도 3a, 도 3b 및 도 3c의 컴포넌트들은 다양한 방식들로 구현될 수 있다. 일부 구현들에서, 도 3a, 도 3b 및 도 3c의 컴포넌트들은 하나 이상의 프로세서들 및/또는 하나 이상의 ASIC들(하나 이상의 프로세서들을 포함할 수 있음)과 같은 하나 이상의 회로들로 구현될 수 있다. 여기서, 각각의 회로는 이러한 기능을 제공하기 위해 회로에 의해 사용되는 정보 또는 실행가능한 코드를 저장하기 위한 적어도 하나의 메모리 컴포넌트를 사용 및/또는 통합할 수 있다. 예컨대, 블록들(310 내지 346)에 의해 표현되는 기능 중 일부 또는 전부는 UE(302)의 프로세서 및 메모리 컴포넌트(들)에 의해(예컨대, 적절한 코드의 실행에 의해 및/또는 프로세서 컴포넌트들의 적절한 구성에 의해) 구현될 수 있다. 유사하게, 블록들(350 내지 388)에 의해 표현되는 기능 중 일부 또는 전부는 기지국(304)의 프로세서 및 메모리 컴포넌트(들)에 의해(예컨대, 적절한 코드의 실행에 의해 및/또는 프로세서 컴포넌트들의 적절한 구성에 의해) 구현될 수 있다. 또한, 블록들(390 내지 398)에 의해 표현되는 기능 중 일부 또는 전부는 네트워크 엔티티(306)의 프로세서 및 메모리 컴포넌트(들)에 의해(예컨대, 적절한 코드의 실행에 의해 및/또는 프로세서 컴포넌트들의 적절한 구성에 의해) 구현될 수 있다. 간략화를 위해, 다양한 동작들, 작동들 및/또는 기능들은 "UE에 의해", "기지국에 의해", "네트워크 엔티티” 등에 의해 수행되는 것으로서 본원에서 설명된다. 그러나, 인식될 바와 같이, 그러한 동작들, 작동들 및/또는 기능들은 실제로, UE(302), 기지국(304), 네트워크 엔티티(306) 등의 특정 컴포넌트들 또는 컴포넌트들의 조합들, 이를테면, 프로세서들(332, 384, 394), 트랜시버들(310, 320, 350 및 360), 메모리들(340, 386, 및 396), 포지션 추정 모듈(342, 388, 및 398) 등에 의해 수행될 수 있다.
[0083]
일부 설계들에서, 네트워크 엔티티(306)는 코어 네트워크 컴포넌트로서 구현될 수 있다. 다른 설계들에서, 네트워크 엔티티(306)는 셀룰러 네트워크 인프라구조(예컨대, NG RAN(220) 및/또는 5GC(210/260))의 네트워크 오퍼레이터 또는 동작과 별개일 수 있다. 예컨대, 네트워크 엔티티(306)는 기지국(304)을 통해 또는 기지국(304)과 독립적으로(예컨대, WiFi와 같은 비-셀룰러 통신 링크를 통해) UE(302)와 통신하도록 구성될 수 있는 사설 네트워크의 컴포넌트일 수 있다.
[0084]
도 4는 본 개시내용의 양상들에 따른, 수신기 디바이스(예컨대, 본원에서 설명된 UE들 또는 기지국들 중 임의의 것)와 송신기 디바이스(예컨대, 본원에서 설명된 UE들 또는 기지국들 중 임의의 다른 것) 사이의 다중경로 채널의 채널 임펄스 응답을 예시하는 그래프(400)이다. 채널 임펄스 응답은 다중경로 채널을 통해 수신된 RF(radio frequency) 신호의 세기를 시간 지연의 함수로서 나타낸다. 따라서, 수평 축은 시간 단위(예컨대, 밀리초)이고, 수직 축은 신호 강도 단위(예컨대, 데시벨)이다. 다중경로 채널은 송신기와 수신기 사이의 채널이며, 이를 통해, RF 신호가, 다수의 빔들 상에서의 RF 신호의 송신 및/또는 RF 신호의 전파 특성들(예컨대, 반사, 굴절 등)에 기인하여 다수의 경로들 또는 다중경로들을 따른다.
[0085]
도 4의 예에서, 수신기는 채널 탭들의 다수(4개)의 클러스터들을 검출/측정한다. 각각의 채널 탭은 송신기와 수신기 사이에서 RF 신호가 뒤따른 다중경로를 나타낸다. 즉, 채널 탭은 다중경로 상에서의 RF 신호의 도달을 나타낸다. 채널 탭들의 각각의 클러스터는 대응하는 다중경로들이 본질적으로 동일한 경로를 따랐음을 표시한다. RF 신호가 상이한 송신 빔들 상에서(그리고 그에 따라 상이한 각도들로) 송신되는 것으로 인해, 또는 RF 신호들의 전파 특성들(예컨대, 반사들로 인해 잠재적으로 상이한 경로들을 따름)로 인해, 또는 둘 모두로 인해, 상이한 클러스터들이 존재할 수 있다.
[0086]
주어진 RF 신호에 대한 채널 탭들의 클러스터들 모두는 송신기와 수신기 사이의 다중경로 채널(또는 간단히 채널)을 나타낸다. 도 4에 예시된 채널에 따르면, 수신기는 시간(T1)에 채널 탭들 상에서 2개의 RF 신호들의 제1 클러스터를 수신하고, 시간(T2)에 채널 탭들 상에서 5개의 RF 신호들의 제2 클러스터를 수신하고, 시간(T3)에 채널 탭들 상에서 5개의 RF 신호들의 제3 클러스터를 수신하고, 시간(T4)에 채널 탭들 상에서 4개의 RF 신호들의 제4 클러스터를 수신한다. 도 4의 예에서, 시간(T1)에서 RF 신호들의 제1 클러스터가 먼저 도달하기 때문에, 이는 LOS 또는 최단 경로와 정렬된 송신 빔 상에서 송신된 RF 신호에 대응하는 것으로 가정된다. 시간(T3)에서의 제3 클러스터는 가장 강한 RF 신호들로 구성되고, 예컨대, 비-가시선(NLOS) 경로와 정렬된 송신 빔 상에서 송신되는 RF 신호에 대응할 수 있다. 도 4가 2개 내지 5개의 채널 탭들의 클러스터들을 예시하지만, 인식될 바와 같이, 클러스터들은 예시된 수보다 더 많거나 더 적은 수의 채널 탭들을 가질 수 있음을 주목해야 한다.
[0087]
머신 러닝은 데이터의 프로세싱과 연관된 다양한 양상들을 용이하게 하기 위해 사용될 수 있는 모델들을 생성하는 데 사용될 수 있다. 머신 러닝의 하나의 특정 애플리케이션은 특징 추출, 기준 신호 측정들의 보고(예컨대, 어느 추출된 특징들을 보고할지의 선택) 등과 같은 포지셔닝(예컨대, PRS)을 위한 기준 신호들의 처리를 위한 측정 모델들의 생성에 관한 것이다.
[0088]
머신 러닝 모델들은 일반적으로 지도형(supervised) 또는 비지도형(unsupervised)으로 분류된다. 지도형 모델은 회귀(regression) 또는 분류(classification) 모델로서 추가로 하위-카테고리화될 수 있다. 지도형 학습은 예시적인 입력-출력 쌍들에 기반하여 입력을 출력에 매핑하는 기능을 학습하는 것을 수반한다. 예컨대, 나이(입력) 및 키(출력)의 2개의 변수들을 갖는 트레이닝 데이터세트가 주어지면, 사람의 나이에 기반하여 사람의 키를 예측하기 위해 지도형 학습 모델이 생성될 수 있다. 회귀 모델들에서, 출력은 연속적이다. 회귀 모델의 일 예는 선형 회귀이며, 이는 단순히 데이터에 가장 잘 맞는 라인을 찾도록 시도한다. 선형 회귀의 확장들은 다중 선형 회귀(예컨대, 최적합의 평면을 발견함) 및 다항 회귀(예컨대, 최적합의 곡선을 발견함)를 포함한다.
[0089]
머신 러닝 모델의 다른 예는 결정 트리 모델이다. 결정 트리 모델에서, 트리 구조는 복수의 노드들로 정의된다. 결정 트리의 최상부에 있는 루트 노드로부터 결정 트리의 최하부에 있는 잎 노드(즉, 추가의 자식 노드들을 갖지 않는 노드)로 이동하기 위해 결정들이 사용된다. 일반적으로, 결정 트리 모델에서 더 많은 수의 노드들은 더 높은 결정 정확도와 상관된다.
[0090]
머신 러닝 모델의 다른 예는 결정 포레스트이다. 랜덤 포레스트들은 결정 트리들로부터 구축되는 앙상블 학습 기법이다. 랜덤 포레스트들은 오리지널 데이터의 부트스트래핑된(bootstrapped) 데이터세트들을 사용하여 다수의 결정 트리들을 생성하는 것, 및 결정 트리의 각각의 단계에서 변수들의 서브세트를 랜덤하게 선택하는 것을 수반한다. 그런 다음, 모델은 각각의 결정 트리의 모든 예측들의 모드를 선택한다. "다수 승리" 모델에 의존함으로써, 개별 트리로부터의 에러의 위험이 감소된다.
[0091]
머신 러닝 모델의 다른 예는 뉴럴 네트워크(NN; neural network)이다. 뉴럴 네트워크는 본질적으로 수학 방정식들의 네트워크이다. 뉴럴 네트워크들은 하나 이상의 입력 변수들을 수용하고, 방정식들의 네트워크를 진행함으로써, 하나 이상의 출력 변수들을 발생시킨다. 달리 말하면, 뉴럴 네트워크는 입력들의 벡터를 취하고 출력들의 벡터를 리턴한다.
[0092]
도 5는 본 개시내용의 양상들에 따른 예시적인 뉴럴 네트워크(500)를 예시한다. 뉴럴 네트워크(500)는 'n'개(하나 이상)의 입력들("입력 1", "입력 2" 및 "입력 n"으로 예시됨), 입력 계층으로부터의 입력들을 프로세싱하기 위한 하나 이상의 은닉 계층들(은닉 계층들 'h1', 'h2' 및 'h3'로서 예시됨), 및 'm'개(하나 이상)의 출력들("출력 1" 및 "출력 m"으로 라벨링됨)을 제공하는 출력 계층 'o'를 포함한다. 입력들('n'), 은닉 계층들('h') 및 출력들('m')의 수는 동일하거나 상이할 수 있다. 일부 설계들에서, 은닉 계층들 'h'는, 각각의 연속 은닉 계층의 노드들(원들로서 예시됨)이 이전 은닉 계층의 노드들로부터 처리하는 선형 함수(들) 및/또는 활성화 함수(들)를 포함할 수 있다.
[0093]
분류 모델들에서, 출력은 이산적이다. 분류 모델의 일 예는 로지스틱 회귀이다. 로지스틱 회귀는 선형 회귀와 유사하지만, 유한한 수의 결과들, 통상적으로는 2개의 결과들의 확률을 모델링하는 데 사용된다. 본질적으로, 출력 값들이 '0' 내지 '1'일 수 있는 방식으로 로지스틱 방정식이 생성된다. 분류 모델의 다른 예는 서포트 벡터 머신이다. 예컨대, 2개의 클래스들의 데이터에 대해, 서포트 벡터 머신은 2개의 클래스들 사이의 마진을 최대화하는, 2개의 데이터 클래스들 사이의 초평면(hyperplane) 또는 경계를 발견할 것이다. 2개의 클래스들을 분리할 수 있는 많은 평면들이 존재하지만, 오직 하나의 평면만이 클래스들 사이의 마진 또는 거리를 최대화할 수 있다. 분류 모델의 다른 예는 베이즈 정리(Bayes theorem)에 기반하는 나이브 베이즈( Bayes)이다. 분류 모델들의 다른 예들은, 출력이 연속적이기보다는 이산적이라는 점을 제외하고는, 위에서 설명된 예들과 유사하게, 결정 트리, 랜덤 포레스트, 및 뉴럴 네트워크를 포함한다.
[0094]
지도형 학습과 달리, 비지도형 학습은 라벨링된 결과들에 대한 참조들 없이 입력 데이터로부터 추론들을 도출하고 패턴들을 찾는 데 사용된다. 비지도형 학습 모델들의 2개의 예들은 클러스터링 및 차원 감소를 포함한다.
[0095]
클러스터링은 데이터 포인트들의 그룹화 또는 클러스터링을 수반하는 비지도형 기법이다. 클러스터링은 고객 세그먼트화, 사기 탐지 및 문서 분류에 자주 사용된다. 일반적인 클러스터링 기법들은 k-평균 클러스터링, 계층적 클러스터링, 평균 시프트 클러스터링, 및 밀도-기반 클러스터링을 포함한다. 차원 감소는 주요 변수들의 세트를 획득함으로써 고려 중인 랜덤 변수들의 수를 감소시키는 프로세스이다. 더 간단한 용어들로, 차원 감소는 특징 세트의 차원을 감소시키는(훨씬 더 간단한 용어들로는, 특징들의 수를 감소시키는) 프로세스이다. 대부분의 차원 감소 기법들은 피쳐 제거 또는 피쳐 추출로서 카테고리화될 수 있다. 차원 감소의 일 예는 PCA(principal component analysis)로 지칭된다. 가장 간단한 의미에서, PCA는 더 작은 공간(예컨대, 2차원)에 더 높은 차원 데이터(예컨대, 3차원)를 프로젝팅하는 것을 수반한다. 이는 모델에 모든 원래의 변수들을 유지하면서 더 낮은 차원의 데이터(예컨대, 3개의 차원들 대신 2개의 차원들)를 초래한다.
[0096]
어떤 머신 러닝 모델이 사용되는지에 관계없이, 하이 레벨에서, (예컨대, 프로세서들(332, 384, 또는 394)과 같은 프로세싱 시스템에 의해 구현된) 머신 러닝 모듈은 트레이닝 입력 데이터(예컨대, 다양한 타깃 UE들로/로부터의 기준 신호들의 측정들)를 반복적으로 분석하고, 이 트레이닝 입력 데이터를 출력 데이터 세트(예컨대, 다양한 타깃 UE들의 가능한 또는 가능성이 있는 후보 로케이션들의 세트)와 연관시키도록 구성되어, (예컨대, 동일한 또는 유사한 로케이션의 다른 타깃 UE들로부터) 유사한 입력 데이터가 제공될 때 동일한 출력 데이터 세트의 추후 결정을 가능하게 한다.
[0097]
로케이션 추정은, 포지션 추정, 로케이션, 포지션, 포지션 픽스, 픽스 등과 같은 다른 명칭들로 지칭될 수 있다. 로케이션 추정은 측지학적일 수 있고, 좌표들(예컨대, 위도, 경도, 및 가능하게는 고도)을 포함할 수 있거나, 도시적일 수 있고, 거리 어드레스, 우편 어드레스, 또는 로케이션의 일부 다른 구두 설명을 포함할 수 있다. 로케이션 추정은 추가로, 일부 다른 알려진 로케이션에 대해 정의되거나 또는 (예컨대, 위도, 경도 및 가능하게는 고도를 사용하여) 절대적인 항목들로 정의될 수 있다. 로케이션 추정은 (예컨대, 로케이션이 일부 특정된 또는 디폴트 레벨의 신뢰도로 포함될 것으로 예상되는 영역 또는 볼륨을 포함시킴으로써) 예상된 에러 또는 불확실성을 포함할 수 있다.
[0098]
도 6은 본 개시내용의 양상들에 따른 다양한 포지셔닝 방법들의 예들을 예시한다. 시나리오(610)에 의해 예시된 OTDOA(observed time-difference of arrival) 또는 DL-TDOA(downlink time-difference of arrival) 포지셔닝 절차에서, UE는, RSTD(reference signal time difference) 또는 TDOA(time difference of arrival) 측정들로 지칭되는, 기지국들의 쌍들로부터 수신된 기준 신호들(예컨대, PRS(positioning reference signal)들)의 ToA(times of arrival)들 사이의 차이들을 측정하고, 이들을 포지셔닝 엔티티에 보고한다. 더 구체적으로, UE는 보조 데이터에서 기준 기지국(예컨대, 서빙 기지국) 및 다수의 비-기준 기지국들의 ID(identifier)들을 수신한다. 그 다음, UE는 기준 기지국과 비-기준 기지국들 각각 사이의 RSTD를 측정한다. 관여된 기지국들의 알려진 위치들 및 RSTD 측정들에 기반하여, 포지셔닝 엔티티는 UE의 위치를 추정할 수 있다.
[0099]
시나리오(620)에 의해 예시된 DL-AoD 포지셔닝의 경우, 포지셔닝 엔티티는 다수의 다운링크 송신 빔들의 수신된 신호 강도 측정들의 UE로부터의 빔 보고를 사용하여, UE와 송신 기지국(들) 사이의 각도(들)를 결정한다. 그 다음, 포지셔닝 엔티티는 결정된 각도(들) 및 송신 기지국(들)의 알려진 로케이션(들)에 기반하여 UE의 로케이션을 추정할 수 있다.
[0100]
업링크-기반 포지셔닝 방법들은 UL-TDOA(uplink time difference of arrival) 및 UL-AoA(uplink angle-of-arrival)를 포함한다. UL-TDOA는 DL-TDOA와 유사하지만, UE에 의해 송신된 업링크 기준 신호들(예컨대, SRS(sounding reference signal)들)에 기반한다. UL-AoA 포지셔닝을 위해, 하나 이상의 기지국들은 하나 이상의 업링크 수신 빔들 상에서 UE로부터 수신된 하나 이상의 업링크 기준 신호들(예컨대, SRS)의 수신 신호 강도를 측정한다. 포지셔닝 엔티티는 UE와 기지국(들) 사이의 각도(들)를 결정하기 위해 신호 강도 측정들 및 수신 빔(들)의 각도(들)를 사용한다. 그 다음, 기지국(들)의 결정된 각도(들) 및 알려진 로케이션(들)에 기반하여, 포지셔닝 엔티티는 UE의 로케이션을 추정할 수 있다.
[0101]
다운링크-및-업링크-기반 포지셔닝 방법들은 E-CID(enhanced cell-ID) 포지셔닝 및 멀티-RTT(round-trip-time) 포지셔닝("멀티-셀 RTT"로 또한 지칭됨)을 포함한다. RTT 절차에서, 개시자(기지국 또는 UE)는 RTT 측정 신호(예컨대, PRS 또는 SRS)를 응답자(UE 또는 기지국)에 송신하고, 응답자는 RTT 응답 신호(예컨대, SRS 또는 PRS)를 다시 개시자에게 송신한다. RTT 응답 신호는 Rx-Tx(reception-to-transmission) 시간차로 지칭되는, RTT 측정 신호의 ToA와 RTT 응답 신호의 송신 시간 사이의 차이를 포함한다. 개시자는 Tx-Rx(transmission-to-reception) 시간차로 지칭되는, RTT 측정 신호의 송신 시간과 RTT 응답 신호의 ToA 사이의 차이를 계산한다. 개시자와 응답자 사이의 전파 시간("비행 시간"으로 또한 지칭됨)은 Tx-Rx 및 Rx-Tx 시간차들로부터 계산될 수 있다. 전파 시간 및 알려진 광 속도에 기반하여, 개시자와 응답자 사이의 거리가 결정될 수 있다. 시나리오(630)에 의해 예시된 멀티-RTT 포지셔닝의 경우, UE는, 기지국들의 알려진 로케이션들에 기반하여 자신의 로케이션이 (예컨대, 다변측량을 사용하여) 결정될 수 있게 하기 위해 다수의 기지국들과의 RTT 절차를 수행한다. RTT 및 멀티-RTT 방법들은 로케이션 정확도를 개선하기 위해 시나리오(640)에 의해 예시된, UL-AoA 및 DL-AoD와 같은 다른 포지셔닝 기법들과 조합될 수 있다.
[0102]
E-CID 포지셔닝 방법은 RRM(radio resource management) 측정들에 기반한다. E-CID에서, UE는 서빙 셀 ID, TA(timing advance), 및 검출된 이웃 기지국들의 식별자들, 추정된 타이밍 및 신호 강도를 보고한다. 그런 다음, UE의 로케이션은 이러한 정보 및 기지국(들)의 알려진 로케이션들에 기반하여 추정된다.
[0103]
포지셔닝 동작들을 보조하기 위해, 로케이션 서버(예컨대, 로케이션 서버(230), LMF(270), SLP(272))는 보조 데이터를 UE에 제공할 수 있다. 예컨대, 보조 데이터는 기준 신호들을 측정할 기지국들(또는 기지국들의 셀들/TRP들)의 식별자들, 기준 신호 구성 파라미터들(예컨대, 연속하는 포지셔닝 서브프레임들의 수, 포지셔닝 서브프레임들의 주기, 뮤팅 시퀀스, 주파수 홉핑 시퀀스, 기준 신호 식별자, 기준 신호 대역폭 등) 및/또는 특정 포지셔닝 방법에 적용가능한 다른 파라미터들을 포함할 수 있다. 대안적으로, 보조 데이터는 기지국들 자체로부터 (예컨대, 주기적으로 브로드캐스트된 오버헤드 메시지들 등으로) 직접 발신될 수 있다. 일부 경우들에서, UE는 보조 데이터의 사용 없이 이웃 네트워크 노드들 자체를 검출할 수 있다.
[0104]
OTDOA 또는 DL-TDOA 포지셔닝 절차의 경우, 보조 데이터는 예상 RSTD 값 및 예상 RSTD 주위의 연관된 불확실성 또는 탐색 윈도우를 더 포함할 수 있다. 일부 경우들에서, 예상 RSTD의 값 범위는 +/- 500 마이크로초(μs)일 수 있다. 일부 경우들에서, 포지셔닝 측정에 사용되는 자원들 중 임의의 자원이 FR1에 있을 때, 예상 RSTD의 불확실성에 대한 값 범위는 +/- 32 μs일 수 있다. 다른 경우들에서, 포지셔닝 측정(들)에 사용되는 자원들 모두가 FR2에 있을 때, 예상 RSTD의 불확실성에 대한 값 범위는 +/- 8 μs일 수 있다.
[0105]
로케이션 추정은, 포지션 추정, 로케이션, 포지션, 포지션 픽스, 픽스 등과 같은 다른 명칭들로 지칭될 수 있다. 로케이션 추정은 측지학적일 수 있고, 좌표들(예컨대, 위도, 경도, 및 가능하게는 고도)을 포함할 수 있거나, 도시적일 수 있고, 거리 어드레스, 우편 어드레스, 또는 로케이션의 일부 다른 구두 설명을 포함할 수 있다. 로케이션 추정은 추가로, 일부 다른 알려진 로케이션에 대해 정의되거나 또는 (예컨대, 위도, 경도 및 가능하게는 고도를 사용하여) 절대적인 항목들로 정의될 수 있다. 로케이션 추정은 (예컨대, 로케이션이 일부 특정된 또는 디폴트 레벨의 신뢰도로 포함될 것으로 예상되는 영역 또는 볼륨을 포함시킴으로써) 예상된 에러 또는 불확실성을 포함할 수 있다.
[0106]
도 7은 본 개시내용의 양상들에 따른, 머신 러닝 알고리즘을 트레이닝하기 위한 트레이닝 데이터를 수집하기 위한 예시적인 무선 통신 시스템(700)을 예시한다. RFFP(Radio frequency fingerprint)는, 셀룰러 라디오의 신호 송신을 특성화하고 셀룰러 라디오가 셀룰러 라디오의 송신 특징들에 기반하여 식별될 수 있게 하는 셀룰러 라디오(또는 다른 라디오 송신기)의 라디오 주파수 특징들을 지칭한다. RFFP는 송신기들의 하드웨어 컴포넌트들 사이의 차이들과 통신 신호들에 포함된 차이들의 결과이다. RFFP-기반 포지셔닝은, 각각의 모바일 디바이스의 로케이션 및 포지션을 결정하기 위해 모바일 디바이스들(예컨대, UE(user equipment))에 의해 캡처된 RF 핑거프린트들(예컨대, 채널 임펄스 응답)을 활용하는 포지셔닝 및 로컬화 기법이다. ML(machine learning) RFFP 포지셔닝에서, 지도형 방식(supervised manner)으로 ML(machine learning) 모델을 트레이닝하기 위해, RF 핑거프린트들 및 이들의 연관된 포지션들이 특징들 및 라벨들로서 각각 사용된다. 트레이닝된 후에, ML 모델은 새롭게 캡처된 RFFP들에 기반하여 포지션들을 추정하는 데 사용된다. ML 포지션 트레이닝은 사용자 장비(UE), 네트워크 엔티티들(예컨대, gNB) 또는 둘 모두에 의해 사용될 수 있다. ML 지도형 트레이닝은 정확한 라벨들(예컨대, 실제 포지션들)을 사용한다. 본원에서 설명된 시스템들 및 기법들은 포지션을 추정하기 위해 고전적인 포지셔닝 기법들을 사용하여 정확한 라벨들을 획득한다. 도 7은 고전적인 포지셔닝 기법들을 사용하여 ML-기반 포지셔닝을 위한 라벨들을 생성하고 라벨들을 사용하여 ML 모듈을 트레이닝하는 것을 예시한다. RFFP는 셀 ID(identifier) 또는 TRP(transmission and reception point) ID와 연관된다.
[0107]
본 명세서에 설명된 시스템들 및 기법들은 특정 엔티티(예컨대, LMF)로 제한되지 않으며, UE들 상에서 또는 기지국 측(예컨대, DU 또는 CU) 상에서 구현될 수 있다. 불확실성 메트릭을 미리 정의된 임계치와 비교하는 것에 기반하는 측정들을 선택하기 위한 다수의 옵션들이 있다. 불확실성 메트릭의 예는 칼만(Kalman) 필터링 후에 획득된 사후-공분산일 수 있다. 임계치들은 요구되는 신뢰도에 기반하여 선택될 수 있다. 다수의 모델 인스턴스들은 각각의 디바이스 타입 및 각각의 디바이스의 능력들 및 요청된 포지셔닝 정확도에 기반하여 트레이닝될 수 있다. 예컨대, 본원에 설명된 시스템들 및 기법들은 상이한 임계치들에 기반하여 선택된 트레이닝 샘플들로 다수의 모델 인스턴스들을 트레이닝하는 데 사용될 수 있다. 다수의 트레이닝된 모델들이 네트워크에 걸친 포지셔닝을 위해 사용될 수 있다. 일부 경우들에서, 특정 모델들은 특정 포지셔닝 시나리오들을 해결하기 위해 트레이닝(예컨대, 미세 튜닝)될 수 있다.
[0108]
시스템(700)은 대표적인 차량(104-V)과 같은 하나 이상의 차량들 및 대표적인 UAV(104-A)와 같은 하나 이상의 UAV(unmanned aerial vehicle)들을 포함하는 다수의 UE들(104-1 내지 104-N)을 포함한다. 일부 양상들에서, 대표적인 차량(104-V)은 AGV(autonomous ground vehicle) 등일 수 있다. 드론으로도 또한 알려진 UAV(104-A)는 기내에 인간 조종사, 승무원 또는 승객들이 없는 항공기이다. UAV(104-A)는 무인 항공기 시스템(UAS)의 컴포넌트이다. UAV(104-A) 외에도, UAS는 지상-기반 제어기 및 UAV(104-A)와 통신하기 위해 제어기에 의해 사용되는 무선 통신 시스템을 포함한다. 차량(104-V)은 대표적인 지상 루트(704-V)와 같은 하나 이상의 지상 기반 루트들을 이동할 수 있다. UAV(104-A)SMS 대표적인 공중 루트(704-A)와 같은 하나 이상의 공중 루트들을 이동할 수 있다. 루트들(704)(예컨대, 704-V 및 704-A 둘 모두를 지칭함)은 하나 이상의 랜드마크들(706)(예컨대, 빌딩들, 기념물들, 동상들 등)을 포함할 수 있으며, 그 하나 이상의 랜드마크들(706)의 포지션들은 잘 알려져 있다. 예컨대, 루트들(704)은 랜드마크(706), 이를테면, 뉴욕 시의 엠파이어 스테이트 빌딩(Empire State building), 시에틀의 시애틀 스페이스 니들(Seattle space needle), 시카고의 윌리스 타워(Willis 타워)(이전에는 시어스 로벅(Sears Roebuck) 타워), 또는 위치가 잘 알려져 있는 다른 잘 알려진 랜드마크를 포함할 수 있다. 물론, 루트들(704)은 대응하는 포지션이 알려지지 않은 랜드마크들(706)을 포함할 수 있다. 예컨대, 최근에 건설된 빌딩은 알려진 포지션을 갖지 않을 수 있다. 포지션이라는 용어는 3-차원 공간에서 오브젝트의 로케이션("포지션"), 이를테면 데카르트 좌표들(예컨대, x-축, y-축, z-축), 위도, 경도 및 고도, 극좌표들, 구면 좌표들, 또는 다른 타입의 3차원 좌표계를 설명하는 좌표들을 지칭한다. 일부 양상들에서, 본원에서 설명된 시스템들 및 기법들은, 포인트의 포지션이 3개의 수들: (1) 고정된 원점으로부터의 포인트의 반경방향 거리, (2) 고정된 천정 방향으로부터 측정된 극각, 및 (3) 원점을 통과하고 천정에 직교하는, 기준 평면 상의 고정된 기준 방향으로부터 측정된 기준 평면 상의 직교 투영의 방위각에 의해 특정된 3차원 공간에 대한 구면 좌표계를 사용할 수 있다. 루트들(704)을 이동하는 동안, 차량(104-V) 및 UAV(104-A)는 RFFP와 같은 측정들(708)을 포함하는 측정 메시지(707)를 캡처하여 송신할 수 있다. UE(104-1) 내지 UE(104-N)(여기서 N > 0)와 같은 다수의 UE(user equipment)는 랜드마크들(706)을 포함하는 객체들의 측정들(708)을 캡처하여 송신할 수 있다. UE들(104)은 고정된(예컨대, 이동 불가능한) 객체들뿐만 아니라 움직이는 객체들(예컨대, 보행자들, 차량들 등)과 연관된 측정들(708)을 캡처 및 송신할 수 있다.
[0109]
UE들(104)에 의해 송신된 측정들(708)은 대표적인 네트워크 엔티티(710), 이를테면 gNB, LMF, 네트워크-액세스가능 서버, 트레이닝 가속기, gNB/TRP의 분해된 부분들(예컨대, RU(radio unit), CU(centralized unit) 또는 DU(distributed unit) 및/또는 TRP))에 의해 수신될 수 있다. 측정들(708)은 CIR(channel impulse response), CFR(channel frequency response), 라디오 측정들의 정규화된 히스토그램, 다른 타입의 측정, 또는 이들의 임의의 조합을 포함할 수 있다. CIR은 임펄스(impulse)로 알려진 짧은 입력 신호가 제공될 때 동적 시스템의 출력이다. CFR은 채널의 주파수 응답이다. 정규화된 히스토그램에서, 누적 히스토그램의 각각의 열은 모든 히스토그램 값들의 합으로서 컴퓨팅되고, 그런 다음, 최종 값이 1.0이 되도록 스케일링된다. 네트워크 엔티티(710)는 포지션 추정 모듈(712)을 사용하여 측정들(708)과 연관된(그리고 그에 기반하여) 대응하는 포지션을 결정할 수 있다. 예컨대, 포지션 추정 모듈(712)은 (도 6에서 설명된 바와 같이) TDOA(time difference of arrival), ToF(time-of-flight), 찬(Chan)의 방법, 테일러(Taylor)의 방법, 칼만(Kalman) 필터-기반 방법들(예컨대, IEKF(Iterative Extended Kalman filter), SLAM(simultaneous localization and mapping) 기법들, 다른 타입의 포지션 결정 기법, 또는 이들의 임의의 조합을 사용할 수 있다. ToA(Time of arrival)는 송신기로부터 송신된 라디오 신호가 원격 수신기에 도달할 때의 절대 시간 인스턴트이다. ToT(time of transmission)로부터 경과된 시간 범위는 ToF(time of flight)이다. TDOA(Time difference of arrival)는 TOA들 사이의 차이이다. 찬(Chan)의 방법은 쌍곡선 포지션-추정을 수행하기 위한 비-반복 기법이다. LQE(linear quadratic estimation)로 또한 알려진 칼만 필터는 통계적 잡음 및 다른 부정확성들을 포함하는 시간 경과에 따라 관측된 일련의 측정들을 사용하며, 각각의 타임프레임에 대한 변수들에 대한 공동 확률 분포를 추정함으로써 단일 측정에만 기초한 것들보다 더 정확한 경향이 있는 미지의변수들의 추정들을 생성한다. IEKF는 바이어스 및 추정 에러를 감소시키기 위해 칼만 필터에 반복 동작들을 추가한다. SLAM은 미지 환경 내의 에이전트의 로케이션을 추적하는 동시에 미지 환경의 맵을 구성 또는 업데이트한다.
[0110]
측정들(714-1 내지 714-M)(여기서 M > 0)에 대해, 포지션 추정 모듈(712)은 대응하는 포지션들(716-1 내지 716-M)을 각각 결정할 수 있다. 포지션 추정 모듈(712)은 측정들(714-1 내지 714-M)에 각각 대응하는 불확실성(718-1 내지 718-M)을 결정할 수 있다. 불확실성(718)은 대응하는 포지션(716)과 연관된 정확도를 표시할 수 있다. 예컨대, 불확실성(718)은 측정(714)의 유형 및 포지션(716)을 결정하기 위해 포지션 추정 모듈(712)에 의해 사용되는 특정 기법에 적어도 부분적으로 기초할 수 있다. 예시하자면, 일부 타입들의 측정들 및 일부 포지셔닝 기법들은 다른 타입들의 측정들 및 다른 포지셔닝 기법들보다 더 정밀할 수 있다. 비교적 낮은 불확실성(718)은 대응하는 포지션(716)이 비교적 높은 확실성(예컨대, 정확도)을 갖는다는 것을 표시할 수 있다. 측정들(714), 연관된 포지션(716) 및 연관된 불확실성(718) 각각은 네트워크 엔티티(710)가 액세스가능한 저장 디바이스(722)의 데이터베이스(721)에 데이터(720)로서 저장될 수 있다. 저장 디바이스(722)는 랜덤 액세스 메모리, 저장 드라이브(예컨대, 디스크-기반 저장 드라이브, SSD(solid state drive) 등), 다른 타입의 저장 디바이스, 또는 이들의 임의의 조합일 수 있다. 저장 디바이스(722)는 네트워크 엔티티(710)가 액세스가능하다. 일부 양상들에서, 저장 디바이스(722)는 네트워크 엔티티(710)와 통합될 수 있는 한편, 다른 양상들에서 저장 디바이스(722)는 네트워크 엔티티(710)와 별개일(그리고 그에 통신가능하게 결합될) 수 있다.
[0111]
따라서, 네트워크 엔티티(710)는 데이터(720)를 생성하기 위해 측정들(714)을 "크라우드소싱"할 수 있다. 데이터(720)는 다수의 기록들을 포함하며, 각각의 기록은 측정들(714-M), 연관된 포지션(716-M) 및 연관된 불확실성(718-M)을 포함한다. 포지션(716-M)과 연관된 불확실성(718-M)이 임계치 이하이면, 포지션(716-M)은 "클린(clean)"으로 지칭될 수 있다. 포지션(716-M)과 연관된 불확실성(718-M)이 임계치 이상이면, 포지션(716-M)은 "노이지(noisy)"로 지칭될 수 있다.
[0112]
네트워크 엔티티(710)는 측정들(708)(예컨대, RFFP들)을 수집하고, 포지션들(716) 각각에 대한 잡음이 있는 실측 자료를 생성하기 위해 포지션 추정 모듈(712)을 사용하여 포지셔닝 기법들을 사용한다. 포지션 추정 모듈(712)은 LOS(line of sight) 지연, 다중경로 지연들, 각도들을 결정하고, 기하학적 구조-기반 모델을 사용하여 포지션들(716)을 결정할 수 있다. 측정들(708)은 UE들(104)을 사용하여 자동으로 수집될 수 있고, 잘 알려진 로케이션들에 걸쳐 캡처된 클린하고 정확한 라벨들(730)로 라벨링될 수 있다. 예컨대, 차량(104-V) 또는 UAV(104-A)와 같은 UE들(104)은 "클린"하고 임계치(725) 미만의 불확실성(718)을 갖는 포지션들(716)을 결정하기 위해 잘 알려진 포지션들을 갖는 미리 정의된 루트들(704)을 통해 이동될 수 있다. 잡음이 있는 라벨들인 포지션들(716)은 임계치(725)보다 크거나 같은 불확실성(718)을 가질 수 있다.
[0113]
하나 이상의 선택 기준들(724)은 데이터(720)로부터 트레이닝 데이터(726)를 선택하는 데 사용될 수 있다. 따라서, 트레이닝 데이터(726)는 데이터(720)의 서브세트일 수 있다. 일부 경우들에서, 선택 기준(724)은 하나 이상의 임계치들(725)을 포함할 수 있다. 트레이닝 데이터(726)는 머신 러닝 모듈(736)(예컨대, 트레이닝된 머신 러닝 모듈)을 생성하도록 머신 러닝 알고리즘(734)을 트레이닝하기 위해 트레이닝 모듈(732)에 의해 사용될 수 있다. 예컨대, 트레이닝 데이터(726)는 측정(714)으로부터 도출된 특징들(728) 및 머신 러닝 모듈(736)을 트레이닝하기 위해 사용된 포지션(716)으로부터 도출된 라벨들(730)을 포함할 수 있다. 트레이닝 데이터(726)는 선택 기준들(724)에 기반하여 선택된 데이터(720)의 서브세트일 수 있다. 데이터(720)로부터 트레이닝 데이터(726)를 선택하기 위한 선택 기준들(724)은 표 1에 간략히 설명된다.
옵션 1 | 수집된 모든 데이터를 트레이닝 데이터로 사용 |
옵션 2 | 불확실성이 임계치보다 작은 경우 수집된 데이터의 서브세트(예컨대, 클린 데이터)를 트레이닝 데이터로서 선택 |
옵션 3 | 데이터의 적어도 일부에 가중치를 할당 |
옵션 4 | 근접도 제약을 사용하여 트레이닝 데이터를 선택 |
옵션 5 | 옵션 2, 옵션 3 및 옵션 4 중 둘 이상을 결합 |
[0114]
옵션 1에서, 수집된 데이터(720)는 머신 러닝 모듈(736)을 생성하기 위해 트레이닝 모듈(732)에 의해 트레이닝 데이터(726)로서 사용된다. 옵션 2에서, 선택 기준들(724)은 불확실성(718)이 임계치(725)(또한 "클린" 데이터로 지칭됨) 미만인 데이터(720) 부분을 선택하는 데 사용된다. 이러한 방식으로, 비교적 정확한(예컨대, 클린) 포지션들(716)을 갖는 데이터(720)의 일부가 트레이닝 데이터(726)로서 선택되는 반면, 불확실성(718)이 임계치(725)보다 크거나 같은, 덜 정확한(예컨대, "노이지" 데이터로 또한 지칭됨) 포지션들(716)을 갖는 데이터(720)의 다른 부분들은 선택되지 않는다.
[0115]
옵션 3에서, 트레이닝 데이터(726)를 생성하기 위해 데이터(720) 내의 레코드들 중 적어도 일부 내의 각각의 레코드에 가중치가 할당될 수 있다. 불확실성(718-M)이 비교적 낮다면(예컨대, 임계치들(725) 중 하나보다 낮으면) - 이는 대응하는 포지션(716-M)이 비교적 정확하다는 것을 표시함 -, 대응하는 측정(714-M) 및 포지션(716-M)에는 더 높은 값이 할당될 수 있다(예컨대, 각각의 가중치는 불확실성에 반비례함). 불확실성(718-M)이 비교적 높다면(예컨대, 임계치들(725) 중 하나보다 크거나 같으면) - 이는 대응하는 포지션(716-M)이 덜 정확하다는 것을 표시함 -, 대응하는 측정(714-M) 및 포지션(716-M)에는 더 낮은 가중치가 할당될 수 있다. 더 구체적으로, 이 경우, 트레이닝 데이터(726) 내의 모든 샘플들이 사용될 수 있고, 샘플-선택 스테이지가 오버패스될 수 있다. 소프트 가중치들은, 트레이닝 샘플들이 트레이닝을 위해 어떻게 구성되는지에 따라 트레이닝 프로세스 동안 다양한 방식들로 활용될 수 있다. 첫째로, 가중치(예컨대, 불확실성의 역)는 인터벌 [0, 1]에 있도록 재스케일링될 수 있고, 이는 소프트 가중치인 것으로 간주된다. 이러한 스케일링을 달성하기 위한 다양한 방법들이 있는데, 이를테면, 가중치를 스케일링된 하이퍼볼릭 탄젠트(scaled tanh), 시그모이드(sigmoid) 함수, 소프트맥스(SoftMax) 함수 등에 전달한다. 제1 옵션으로서, 소프트 가중치는 각각의 트레이닝 샘플에 대한 트레이닝 손실 함수를 스케일링하는 데 사용될 수 있다. 제2 옵션으로서, 하나의 배치 내의 트레이닝 샘플들의 소프트 가중치들은 소프트 가중치들의 가중된 합 또는 평균을 사용하여 이 배치의 손실 함수를 스케일링하는 데 사용될 수 있다. 이어서, 소프트 가중치들은 트레이닝 배치에 대한 손실 함수를 스케일링하는 데 사용될 수 있다.
[0116]
옵션 4에서, 임계치들(725)의 근접도 임계치는 트레이닝 데이터(726)로서 사용하기 위한 데이터(720)의 일부를 선택하는 데 사용될 수 있다. 서로 근접한 로케이션들에 대한 측정들(714)(예컨대, RFFP) 및 대응하는 포지션들(716)은 공간적으로 일치할 때 근접도 임계치보다 더 많이 변하지 않을 수 있다. 예컨대, 제1 빌딩이 제2 빌딩에 인접하다고 가정한다. 이 예에서, 제1 건물과 연관된 측정들(714-1) 및 포지션(716-1)이 제2 건물과 연관된 측정(714-2) 및 포지션(716-2)(예컨대, M=2)으로부터 근접 임계 퍼센티지 초과만큼 변하지 않는다면, 측정들(714-1, 714-2) 및 포지션들(716-1, 716-2)은 트레이닝 데이터(726)에 포함시키기 위해 선택될 수 있다. 설명을 위해, 제1 레코드와 연관된 제1 측정과 제2 레코드와 연관된 제2 측정 사이의 측정 차이가 상기 제1 레코드와 연관된 제1 포지션과 상기 제2 레코드와 연관된 제2 포지션 사이의 포지션 차이에 비례한다는 결정에 기반하여, 제1 레코드 및 제2 레코드가 트레이닝 데이터(726)에 포함시키기 위해 데이터(720)로부터 선택될 수 있다. 이러한 방식으로, 근접도별로 일관성이 있는 데이터(720)의 부분들은 트레이닝 데이터(726)에 포함시키기 위해 선택될 수 있다. 일부 양상들에서, 준-지도형 학습 방법들은, 트레이닝 데이터(726)에 포함시키기 위해 근접도별로 일관성이 있는 데이터(720) 데이터의 부분들을 선택하는 데 사용될 수 있다.
[0117]
옵션 5에서, 트레이닝 데이터(726)를 선택하기 위한 선택 기준들(724)로서 옵션들 2, 3, 및 4 중 둘 이상의 조합이 사용될 수 있다. 예컨대, 옵션 4는 근접도별로 일관성이 있는 데이터를 선택하는 데 사용될 수 있고, 옵션 3은 근접도 기반 일관성에 기반하여 데이터를 가중하는 데 사용될 수 있다.
[0118]
머신 러닝 모듈(736)은 머신 러닝의 타입, 이를테면, 뉴럴 네트워크들(예컨대, 다층 퍼셉트론 등), 서포트-벡터 머신들, 선형 회귀, 로지스틱 회귀, 나이브 베이즈( Bayes), 선형 판별 분석, 결정 트리들, K-가장 가까운 이웃들, 다른 타입의 지도형 또는 반-지도형 머신 러닝, 또는 이들의 임의의 조합을 사용할 수 있다. 초기에 트레이닝된 후, 머신 러닝 모듈(736)은 UE들, 네트워크 엔티티들 등에 포함되고, 측정 데이터(예컨대, RFFP)에 기반하여 포지션을 결정(예컨대, 예측)하는 데 사용될 수 있다. 머신 러닝 모듈(736)은 추가 데이터가 수집됨에 따라 재-트레이닝될 수 있다. 예컨대, 머신 러닝 모듈(736)은 데이터(720)를 사용하여 주기적 간격, 이를테면 매 X주마다(여기서 X>0) 재-트레이닝될 수 있다.
[0119]
따라서, 머신 러닝 알고리즘을 트레이닝하기 위한 데이터는 UE들 및 차량들로부터 수집될 수 있다. 예컨대, UE들 및 차량들은 네트워크 엔티티(예컨대, gNB)가 수신하는 측정들(예컨대, RFFP 등)을 캡처하여 송신할 수 있다. 네트워크 엔티티는 TDOA, ToF, 찬(Chan)의 방법, 테일러(Taylor)의 방법, IEKF, SLAM, 다른 타입의 기법, 또는 이들의 임의의 조합과 같은 하나 이상의 기법들을 사용하여, 각각의 측정과 연관된 포지션을 결정하기 위해 포지션 추정 모듈을 사용할 수 있다. 측정들은 특징들로서 사용될 수 있고, 포지션들은 머신 러닝 알고리즘을 트레이닝하기 위한 라벨들로서 사용될 수 있다. 일부 경우들에서, 머신 러닝 알고리즘을 트레이닝시키는 데 사용되는 데이터의 부분을 선택하기 위해 하나 이상의 기준들이 사용될 수 있다. 이러한 방식으로, 정확한 라벨들(예컨대, 실제 포지션들)이 선택되어 머신 러닝 알고리즘을 트레이닝하는 데 사용될 수 있다. 일부 경우들에서, 상이한 모델들은 디바이스 타입, 모델 타입, 소프트웨어 버전, 또는 이들의 임의의 조합에 기반하여 트레이닝될 수 있다. 예컨대, 제1 모델은 제1 타입의 디바이스에 대해 트레이닝되고, 제2 모델은 제2 타입의 디바이스에 대해 트레이닝되는 식일 수 있다. 다른 예로서, 제1 모델은 제1 소프트웨어 버전에 대해 트레이닝될 수 있고, 제2 모델은 제2 소프트웨어 버전에 대해 트레이닝될 수 있는 식이다.
[0120]
도 8은 본 개시내용의 양상들에 따른, 머신 러닝 모듈이 포지션을 예측하는 데 사용되는 예시적인 무선 통신 시스템(800)을 예시한다. 트레이닝된 기계 학습 모듈(736)은, UE들(104) 중 하나 이상, 대표적인 차량(104-V)과 같은 하나 이상의 차량들, 대표적인 UAV(104-A)와 같은 하나 이상의 UAV들, 대표적인 네트워크 엔티티(710)와 같은 하나 이상의 네트워크 엔티티들, 또는 이들의 임의의 조합에 의해 예측 포지션(802)을 결정하기 위해 사용될 수 있다. 예컨대, UE들(104), 대표적인 차량(104-V) 및 대표적인 UAV(104-A) 중 하나 이상은 하나 이상의 프로세서들(804) 및 기계 학습 모듈(736)을 포함하는 메모리(806)를 포함할 수 있다. 머신 러닝 모듈(736)은 예측 포지션(802)을 결정하기 위해 UE들(104), 대표적인 차량(104-V) 및/또는 대표적인 UAV(104-A)에 의해 캡처된 측정들(808)을 사용할 수 있다.
[0121]
네트워크 엔티티(710)에서, 일부 양상들에서, 포지션 추정 모듈(712)은 예측 포지션(802)을 결정하기 위해 다른 기법들에 추가하여 머신 러닝 모듈(736)을 사용할 수 있다. 예컨대, 네트워크 엔티티(710)가 UE들(104), 대표적인 차량(104-V) 및/또는 대표적인 UAV(104-A) 중 하나로부터의 측정들(808)을 포함하는 측정 메시지(807)를 수신한 후, 네트워크 엔티티(710)는 네트워크 엔티티(710)에서 실행되는 머신 러닝 모듈(736)을 사용하여 측정들(808)에 기초하여 예측 포지션(802)을 결정할 수 있다.
[0122]
따라서, 데이터를 사용하여 트레이닝되는 머신 러닝 모듈은 UE 또는 차량에 의해 캡처된 측정들에 기반하여 예측된 포지션을 결정하는 데 사용될 수 있다. 이러한 방식으로, UE 또는 차량은 예컨대, 다른 UE들, 다른 차량들 또는 네트워크 엔티티들의 사용 없이 포지션을 독립적으로 결정할 수 있다.
[0123]
일 양상에서, 기계 학습 모듈을 트레이닝시키는 것은 서버-기반일 수 있지만, 다른 양상들에서, 트레이닝은 서버-보조 또는 심지어 서버-프리(server-free)일 수 있다(즉, 트레이닝은 순수하게 하나 이상의 수반되는 UE들 및/또는 gNB들에 의해 수행됨). 상이한 확실성을 갖는 트레이닝 데이터가 초기 모델 트레이닝 및 미세-튜닝 둘 모두를 위해 활용될 수 있다. 예컨대, 서버-기반 트레이닝은 다음과 같이 핸들링될 수 있다. 서버(예컨대, LMF(270))는 상이한 시나리오들 및 디바이스 타입들에 걸쳐 사용될 수 있는 초기 사전 트레이닝된 머신 러닝 모델을 가질 것이다. 이 사전-트레이닝된 모델은 초기에, 클린 라벨과 잡음(noisy) 라벨 둘 모두를 갖는(즉, 상이한 확실성 레벨들을 갖는) 이용 가능한 모든 데이터를 사용하여 트레이닝될 수 있다. 불확실한 데이터를 이용한 트레이닝의 경우, 임계치-기반 샘플 선택 및/또는 소프트 가중 기법이 적용될 수 있다. 모든 가능한 시나리오들 및 디바이스 타입들을 커버할 트레이닝 데이터의 양이 많고, 따라서, 미세 튜닝 또는 모델 전달이 유리해진다. 미세 튜닝(즉, 모델 전달)은 머신 러닝에서 잘 정립된 개념이며, 태스크-특정 트레이닝을 설명하는 데 사용된다. 초기에, 초기 모델은 시나리오들 또는 디바이스 타입들의 서브세트에 대해 트레이닝되고, 매우 잘 수행되는 것으로 알려져 있다. 그런 다음, 머신 러닝 모델의 몇몇 계층들/파라미터들에 미세 튜닝이 적용된다. 업데이트된 모델은 추가 트레이닝 데이터가 어떻게 수집되는지에 따라 사이트-특정 또는 디바이스-특정이 된다.
[0124]
미세 튜닝을 위해, 서버는 고전적인 방법들을 사용하여 UE 로케이션의 대략적인 추정을 알 가능성이 가장 높다. 그리고, 따라서, 상이한 시나리오들(예컨대, 영역-특정)을 고려하기 위해, 서버는, 동일한 또는 상이한 디바이스들에 의해 관심 구역으로부터 캡처된 추가 트레이닝 데이터(클린 및/또는 노이지)로 트레이닝된 모델을 미세 튜닝할 필요가 있을 수 있다. 서버는 또한, 사전-트레이닝된 모델을 디바이스-특정하게 만들기 위해 사전-트레이닝된 모델을 미세 튜닝할 필요가 있을 수 있다. 이 경우, 관심 디바이스에 대한 추가 트레이닝 데이터가 요청될 수 있다. 모델 미세 튜닝에 사용되는 트레이닝 데이터의 양은 일반적으로 적고, 클린 라벨과 노이지 라벨 둘 모두를 포함할 수 있다.
[0125]
도 9, 도 10 및 도 11의 흐름도에서, 각각의 블록은 하드웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수 있는 하나 이상의 동작들을 나타낸다. 소프트웨어의 맥락에서, 블록들은 하나 이상의 프로세서들에 의해 실행될 때 프로세서들로 하여금 열거된 동작들을 수행하게 하는 컴퓨터 실행 가능 명령들을 나타낸다. 일반적으로, 컴퓨터 실행 가능 명령들은 특정한 기능들을 수행하거나 특정한 추상적 데이터 타입들을 구현하는 루틴들, 프로그램들, 객체들, 모듈들, 컴포넌트들, 데이터 구조들 등을 포함한다. 블록들이 설명되는 순서는 제한으로 해석되도록 의도되지 않으며, 임의의 수의 설명된 동작들은 프로세스들을 구현하기 위해 임의의 순서로 그리고/또는 병렬로 조합될 수 있다. 논의 목적들을 위해, 프로세스(900, 1000 및 1100)는 위에서 설명된 바와 같이 도 1, 2, 3, 4, 5, 6, 7 및 8을 참조하여 설명되지만, 다른 모델들, 프레임워크들, 시스템들 및 환경들이 이 프로세스를 구현하기 위해 사용될 수 있다.
[0126]
도 9는 본 개시내용의 양상들에 따라, 데이터베이스에 샘플을 저장하는 것을 포함하는 프로세스(900)를 예시한다. 프로세스(900)는 도 7 및 도 8의 네트워크 엔티티(710)에 의해 수행될 수 있다. 대부분의 경우들에서, UE들은 이동하여 측정들을 제공할 것이다. 일부 경우들에서, 네트워크 엔티티는 측정들을 획득하기 위해 특정 루트를 따르도록 UE에 명령할 수 있다.
[0127]
902에서, 일부 양상들에서, 네트워크 엔티티는 하나 이상의 UE(user equipment)들에 이동하도록 명령할 수 있다. 예컨대, 도 7에서, 네트워크 엔티티(710)는 지상 루트(704-V)를 따르도록 차량(104-V)에 명령하거나 또는 공중 루트(704-A)를 따르도록 UAV(104-A)에 명령할 수 있다. 차량(104-V) 또는 UAV(104-A)와 같은 각각의 UE(104)는 일정 각도의 거리를 이동할 수 있다. 일 양상에서, 902는 프로세서(384), 메모리(386) 및 트랜시버들(350)에 의해 수행될 수 있고, 이들 중 임의의 것 또는 전부는 이러한 동작을 수행하기 위한 수단으로 고려될 수 있다.
[0128]
904에서, 네트워크 엔티티는 UE들로부터 측정들을 수신할 수 있다. 예컨대, 도 7에서, 네트워크 엔티티(710)는 UE들(104) 중 하나 이상으로부터 측정들(708)을 수신할 수 있다. 일 양상에서, 904는 도 3b의 프로세서(384), 메모리(386) 및 트랜시버들(350)에 의해 수행될 수 있고, 이들 중 임의의 것 또는 전부는 이러한 동작을 수행하기 위한 수단으로 고려될 수 있다.
[0129]
906에서, 네트워크 엔티티는 측정들을 사용하여 고전적인 기법들에 기반하여 포지션을 추정할 수 있다. 예컨대, 도 7에서, 네트워크 엔티티(710)는 UE들(104)로부터 수신된 측정들(708)에 대응하는 포지션(716)을 결정할 수 있다. 일 양상에서, 906은 도 3b의 프로세서(384), 메모리(386) 및 포지션 추정 모듈(388)에 의해 수행될 수 있고, 이들 중 임의의 것 또는 전부는 이러한 동작을 수행하기 위한 수단으로 고려될 수 있다.
[0130]
908에서, 네트워크 엔티티는 포지션과 연관된 불확실성(u)을 결정할 수 있다. 예컨대, 도 7에서, 네트워크 엔티티(710)는 포지션(716)과 연관된 불확실성(718)을 결정할 수 있다. 일 양상에서, 908은 도 3b의 프로세서(384) 및 메모리(386)에 의해 수행될 수 있고, 이들 중 임의의 것 또는 전부는 이러한 동작을 수행하기 위한 수단으로 고려될 수 있다.
[0131]
910에서, 네트워크 엔티티는 (적용가능한 경우) 실제 포지션을 결정할 수 있다. 예컨대, 도 7에서, 네트워크 엔티티(710)는 루트들(704) 상에서 랜드마크(706)와 같은 특정 객체의 실제 포지션을 결정할 수 있다. 일 양상에서, 910은 도 3b의 프로세서(384) 및 메모리(386)에 의해 수행될 수 있고, 이들 중 임의의 것 또는 전부는 이러한 동작을 수행하기 위한 수단으로 고려될 수 있다.
[0132]
912에서, 네트워크 엔티티는 측정, 포지션 및 불확실성을 포함하는 샘플을 데이터베이스에 저장할 수 있다. 예컨대, 도 7에서, 네트워크 엔티티(710)는 측정들(714), 포지션(716) 및 불확실성(718)을 데이터베이스(721)에 저장할 수 있다. 일 양상에서, 912는 도 3b의 프로세서(384) 및 메모리(386)에 의해 수행될 수 있고, 이들 중 임의의 것 또는 전부는 이러한 동작을 수행하기 위한 수단으로 고려될 수 있다.
[0133]
따라서, 네트워크 엔티티는 UE들로부터 측정들(예컨대, RFFP)을 수신하고, 각각의 측정과 연관된 포지션 및 각각의 포지션과 연관된 불확실성을 결정할 수 있다. 예컨대, 네트워크 엔티티는 TDOA, ToF, 찬(Chan)의 방법, 테일러(Taylor)의 방법, IEKF, SLAM, 다른 타입의 기법 또는 이들의 임의의 조합과 같은 고전적인 포지셔닝 기법들을 사용하여 포지션을 결정할 수 있다. 머신 러닝 모듈을 트레이닝하기 위해 이러한 방식으로 데이터를 수집하는 것의 기술적 장점은 많은 양의 데이터가 빠르고 쉽게 수집될 수 있다는 것이다.
[0134]
도 10은 본 개시내용의 양상들에 따른, 머신 러닝 모듈을 트레이닝하기 위한 프로세스(1000)를 예시한다. 프로세스(1000)는 머신 러닝 모듈(736)을 생성하기 위해 도 7 및 도 8의 트레이닝 모듈(732)에 의해 수행될 수 있다.
[0135]
1002에서, 트레이닝 모듈은 트레이닝을 위해 데이터베이스로부터 샘플을 요청할 수 있다. 예컨대, 도 7에서, 트레이닝 모듈(732)은 데이터베이스(721)로부터 데이터(720)의 샘플(예컨대, 측정들(714-M), 포지션(716-M) 및 불확실성(718-M))을 요청할 수 있다. 일부 양상들에서, 트레이닝 모듈(732)은 임계치(725)보다 작은 불확실성(718)을 갖는 샘플(예컨대, "클린" 샘플)을 요청할 수 있다. 일 양상에서, 1002는 도 3b의 프로세서(384) 및 메모리(386)에 의해 수행될 수 있고, 이들 중 임의의 것 또는 전부는 이러한 동작을 수행하기 위한 수단으로 고려될 수 있다.
[0136]
1004에서, 트레이닝 모듈은 샘플을 사용하여 머신 러닝 모듈(예컨대, 딥 뉴럴 네트워크 또는 다른 타입의 머신 러닝 모듈)을 트레이닝할 수 있다. 예컨대, 도 7에서, 트레이닝 모듈(732)은 머신 러닝 모듈(736)을 생성하도록 머신 러닝 알고리즘(734)을 트레이닝하기 위해 요청된 샘플을 사용할 수 있다. 일 양상에서, 1004는 도 3b의 프로세서(384) 및 메모리(386)에 의해 수행될 수 있고, 이들 중 임의의 것 또는 전부는 이러한 동작을 수행하기 위한 수단으로 고려될 수 있다.
[0137]
1006에서, 네트워크 엔티티는 트레이닝을 종료할지 여부를 결정할 수 있다. 1006에서, 네트워크 엔티티가 트레이닝을 종료하지 않기로 결정한다면, 프로세스(1000)는 1002로 진행하고, 여기서 네트워크 엔티티는 데이터베이스로부터 추가 샘플을 요청한다. 1006에서, 네트워크 엔티티가 트레이닝을 종료하기로 결정한다면, 1008에서, 트레이닝이 중단된다. 예컨대, 도 7에서, 트레이닝 모듈(732)은 머신 러닝 모듈(736)의 정확도가 임계치들(725) 중 특정 임계치를 충족하는지 여부를 결정할 수 있다. 머신 러닝 모듈(736)의 정확도가 (예컨대, 임계치들(725)의) 정확도 임계치를 충족한다고 트레이닝 모듈(732)이 결정하면, 트레이닝 모듈(732)은 머신 러닝 모듈(736)의 트레이닝을 중단한다. 머신 러닝 모듈(736)의 정확도가 정확도 임계치를 충족하지 못한다고 트레이닝 모듈(732)이 결정하면, 트레이닝 모듈(732)은 데이터베이스(721)로부터 다른 샘플(예컨대, 측정들(714-M), 포지션(716-M), 불확실성(718-M))을 요청한다. 일 양상에서, 1006 및 1008은 도 3b의 프로세서(384) 및 메모리(386)에 의해 수행될 수 있고, 이들 중 임의의 것 또는 전부는 이러한 동작을 수행하기 위한 수단으로 고려될 수 있다.
[0138]
따라서, 네트워크 엔티티는 "클린" 데이터, 예컨대, 임계량 미만인 연관된 불확실성을 갖는 데이터를 선택함으로써 머신 러닝 모듈을 트레이닝하기 위한 데이터의 서브세트를 선택할 수 있다. 데이터베이스로부터 "클린(clean)" 데이터를 선택하는 기술적 이점은 선택된 트레이닝 데이터와 연관된 불확실성의 양에 기반하여 머신 러닝 모듈의 정확도가 조정될 수 있다는 것이다.
[0139]
도 11은 본 개시내용의 양상들에 따른, 포지션 추정 모듈을 트레이닝하기 위한 프로세스(1100)를 예시한다. 프로세스(1100)는 도 7 및 도 8의 네트워크 엔티티(710)와 같은 네트워크 엔티티에 의해 수행될 수 있다.
[0140]
1102에서, 네트워크 엔티티는 (예컨대, UE, 기지국 또는 다른 네트워크 엔티티로부터) 복수의 포지셔닝 측정들을 획득한다. 예컨대, 도 7에서, 네트워크 엔티티(710)는 UE들(104)(대표적인 차량(104-V) 및 대표적인 UAV(104-A)를 포함함) 중 하나 이상으로부터 측정들(708)을 수신할 수 있다. 네트워크 엔티티가 기지국인 일 양상에서, 동작(1102)은 도 3b의 하나 이상의 WWAN 트랜시버들(350), 하나 이상의 네트워크 트랜시버들(380), 하나 이상의 프로세서들(384), 메모리(386), 및/또는 포지션 추정 모듈(388)에 의해 수행될 수 있으며, 이들 중 임의의 또는 전부는 이러한 동작을 수행하기 위한 수단으로 고려될 수 있다. 네트워크 엔티티가 서버인 경우, 동작(1102)은 도 3c의 하나 이상의 네트워크 트랜시버들(390), 하나 이상의 프로세서들(394), 메모리(396) 및/또는 포지션 추정 모듈(398)에 의해 수행될 수 있으며, 이들 중 임의의 또는 전부는 이러한 동작을 수행하기 위한 수단으로 고려될 수 있다.
[0141]
1104에서, 네트워크 엔티티는 하나 이상의 UE들의 복수의 포지션들을 획득하고, 복수의 포지션들은 복수의 포지셔닝 측정들에 기반하여 결정된다. 예컨대, 도 7에서, 네트워크 엔티티(710)는 측정들(714)에 대응하는 포지션(716)을 결정하기 위해 포지션 추정 모듈(712)을 사용할 수 있다. 네트워크 엔티티가 기지국인 일 양상에서, 동작(1104)은 도 3b의 하나 이상의 WWAN 트랜시버들(350), 하나 이상의 네트워크 트랜시버들(380), 하나 이상의 프로세서들(384), 메모리(386), 및/또는 포지션 추정 모듈(388)에 의해 수행될 수 있으며, 이들 중 임의의 또는 전부는 이러한 동작을 수행하기 위한 수단으로 고려될 수 있다. 네트워크 엔티티가 서버인 경우, 동작(1104)은 도 3c의 하나 이상의 네트워크 트랜시버들(390), 하나 이상의 프로세서들(394), 메모리(396) 및/또는 포지션 추정 모듈(398)에 의해 수행될 수 있으며, 이들 중 임의의 또는 전부는 이러한 동작을 수행하기 위한 수단으로 고려될 수 있다.
[0142]
1106에서, 네트워크 엔티티는 복수의 특징들로서 복수의 포지셔닝 측정들 및 복수의 특징들에 대응하는 복수의 라벨들로서 복수의 포지션들을 저장한다. 예컨대, 도 7에서, 네트워크 엔티티(710)는 측정들(714), 관련된 포지션(716) 및 관련된 불확실성(718)을 데이터베이스(721)에 데이터(720)로서 저장할 수 있다. 측정들(714)은 특징들로서 사용될 수 있고, 포지션들(716)은, 머신 러닝 모듈(736)을 생성하기 위해 머신 러닝 알고리즘(734)을 트레이닝할 때 트레이닝 모듈(732)에 의해 라벨들(730)로서 사용될 수 있다. 네트워크 엔티티가 기지국인 일 양상에서, 동작(1106)은 도 3b의 하나 이상의 WWAN 트랜시버들(350), 하나 이상의 네트워크 트랜시버들(380), 하나 이상의 프로세서들(384), 메모리(386), 및/또는 포지션 추정 모듈(388)에 의해 수행될 수 있으며, 이들 중 임의의 또는 전부는 이러한 동작을 수행하기 위한 수단으로 고려될 수 있다. 네트워크 엔티티가 서버인 경우, 동작(1106)은 도 3c의 하나 이상의 네트워크 트랜시버들(390), 하나 이상의 프로세서들(394), 메모리(396) 및/또는 포지션 추정 모듈(398)에 의해 수행될 수 있으며, 이들 중 임의의 또는 전부는 이러한 동작을 수행하기 위한 수단으로 고려될 수 있다.
[0143]
1108에서, 네트워크 엔티티는 UE에 의해 취해진 포지셔닝 측정들로부터 UE의 포지션을 결정하기 위해 복수의 특징들 및 복수의 라벨들로 포지션 추정 모듈(예컨대, 일 타입의 머신 러닝 알고리즘)을 트레이닝한다. 예컨대, 도 7에서, 트레이닝 모듈(732)은 머신 러닝 모듈(736)을 구성하기 위해 데이터(720)를 사용하여 머신 러닝 알고리즘(734)을 트레이닝할 수 있다. 네트워크 엔티티가 기지국인 일 양상에서, 동작(1108)은 도 3b의 하나 이상의 WWAN 트랜시버들(350), 하나 이상의 네트워크 트랜시버들(380), 하나 이상의 프로세서들(384), 메모리(386), 및/또는 포지션 추정 모듈(388)에 의해 수행될 수 있으며, 이들 중 임의의 또는 전부는 이러한 동작을 수행하기 위한 수단으로 고려될 수 있다. 네트워크 엔티티가 서버인 경우, 동작(1108)은 도 3c의 하나 이상의 네트워크 트랜시버들(390), 하나 이상의 프로세서들(394), 메모리(396) 및/또는 포지션 추정 모듈(398)에 의해 수행될 수 있으며, 이들 중 임의의 또는 전부는 이러한 동작을 수행하기 위한 수단으로 고려될 수 있다.
[0144]
따라서, 트레이닝된 머신 러닝 모듈은 라디오 주파수 측정들, 이를테면 RFFP(radio frequency fingerprints), CFR(channel frequency response), CIR(channel impulse response), 정규화된 히스토그램 등에 기반하여 예측된 포지션을 결정하기 위해 UE(예컨대, 스마트폰, 차량 등) 또는 네트워크 엔티티에 의해 사용될 수 있다. 트레이닝된 머신 러닝 모듈이 제공하는 기술적 이점은, UE, 차량 또는 네트워크 엔티티가 다른 UE들, 다른 차량들 또는 다른 네트워크 엔티티들을 관여시키지 않고 라디오 주파수 측정들에 기반하여 정확한 포지션을 결정할 수 있다는 것이다. 이러한 기술적 이점은 다른 UE들, 다른 차량들 및 다른 네트워크 엔티티들이 이용 가능하지 않거나 액세스 불가능한 로케이션들에서 특히 유용하다. 예컨대, 원격 또는 지방의 로케이션들은 네트워크 액세스를 갖지 않을 수 있으며, 다른 UE들이 거의 또는 전혀 존재하지 않을 수 있다. 트레이닝된 머신 러닝 모듈은 UE들, 차량들 및 네트워크 엔티티들이 라디오 주파수 측정들을 사용하여 포지션을 정확하게 결정할 수 있게 한다.
[0145]
위의 상세한 설명에서, 상이한 특성들이 예들에서 함께 그룹화된다는 것을 알 수 있다. 이러한 개시 방식은 예시적인 조항들이 각각의 조항에서 명시적으로 언급된 것보다 더 많은 특징들을 갖는다는 의도로 이해되지 않아야 한다. 오히려, 본 개시의 다양한 양상들은 개시된 개별 예시 조항의 모든 특징들보다 적은 수를 포함할 수 있다. 따라서, 다음의 조항들은 본 개시내용에 의해 설명에 포함되는 것으로 간주되어야 하며, 여기서 각각의 조항 그 자체는 별개의 예로서 나타날 수 있다. 각 종속 조항은 다른 조항들 중 하나와의 특정 조합에 대해 조항들을 참조할 수 있지만, 그 종속 조항의 양상(들)은 특정 조합으로 제한되지 않는다. 다른 예시적인 조항들은 또한, 종속 조항 양상(들)과 임의의 다른 종속 조항 또는 독립 조항의 청구 대상의 조합, 또는 임의의 특징과 다른 종속 및 독립 조항들의 조합을 포함할 수 있다는 것이 인지될 것이다. 본 명세서에 개시된 다양한 양상들은, 명시적으로 표현되거나 또는 특정 결합이 의도되지 않는 것으로 쉽게 추론될 수 있지 않는 한(예컨대, 엘리먼트를 절연체 및 전도체 둘 모두로서 정의하는 것과 같은 모순되는 양상들) 이러한 결합들을 명시적으로 포함한다. 더욱이, 조항이 독립 조항에 직접 종속되지 않더라도, 조항의 양상들이 임의의 다른 독립 조항에 포함될 수 있다는 것이 또한 의도된다. 구현 예들은 다음의 넘버링된 조항들에서 설명된다:
[0146]
조항 1. 포지션 추정 모듈을 트레이닝하기 위해 제1 네트워크 엔티티에 의해 수행되는 방법은, 복수의 포지셔닝 측정들을 획득하는 단계; 하나 이상의 UE(user equipment)들의 복수의 포지션들을 획득하는 단계 - 복수의 포지션들은 복수의 포지셔닝 측정들에 기반하여 결정됨 -; 복수의 특징들로서 복수의 포지셔닝 측정들 및 복수의 특징들에 대응하는 복수의 라벨들로서 복수의 포지션들을 저장하는 단계; 및 UE에 의해 행해진 포지셔닝 측정들로부터 UE의 포지션을 결정하기 위해 복수의 특징들 및 복수의 라벨들로 포지션 추정 모듈을 트레이닝하는 단계를 포함한다.
[0147]
조항 2. 조항 1에 있어서, 복수의 포지셔닝 측정들을 획득하는 단계는 제2 네트워크 엔티티로부터 복수의 포지셔닝 측정들을 수신하는 단계를 포함하고, 복수의 포지션들을 획득하는 단계는 복수의 포지셔닝 측정들에 기반하여 복수의 포지션들을 결정하는 단계를 포함한다.
[0148]
조항 3. 조항 2에 있어서, 제2 네트워크 엔티티는 하나 이상의 UE들 중 하나이고, 복수의 포지셔닝 측정들의 적어도 한 서브세트는 하나 이상의 UE들 사이에서 교환되는 사이드링크 신호들에 기반하거나, 제2 네트워크 엔티티는 기지국이고, 복수의 포지셔닝 측정들의 적어도 한 서브세트는 하나 이상의 UE들에 의해 송신된 업링크 신호들에 기반하거나, 제2 네트워크 엔티티는 하나 이상의 UE들 중 하나의 UE이고, 복수의 포지셔닝 측정들의 적어도 한 서브세트는 하나의 UE에 의해 측정된 다운링크 신호들에 기반하거나, 또는 이들의 임의의 조합이다.
[0149]
조항 4. 조항 2 또는 3에 있어서, 복수의 포지션들을 결정하는 단계는, 도달 시간차 기법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하는 단계; 비행 시간 기법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하는 단계; 찬(Chan)의 방법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하는 단계; 테일러(Taylor)의 방법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하는 단계; 반복 확장 칼만(Kalman) 필터를 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하는 단계; 동시 로컬화 및 맵핑 기법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하는 단계; 또는 이들의 임의의 조합을 포함한다.
[0150]
조항 5. 조항 1에 있어서, 복수의 포지셔닝 측정들을 획득하는 단계는 제2 네트워크 엔티티로부터 복수의 포지셔닝 측정들을 수신하는 단계를 포함하고, 복수의 포지션들을 획득하는 단계는 제2 네트워크 엔티티로부터 복수의 포지션들을 수신하는 단계를 포함한다.
[0151]
조항 6. 조항 1 내지 5 중 어느 한 조항에 있어서, 복수의 포지셔닝 측정들은, 복수의 채널 임펄스 응답 측정들; 복수의 채널 주파수 응답 측정들; 복수의 정규화된 히스토그램 측정들; 또는 이들의 임의의 조합을 포함한다.
[0152]
조항 7. 조항 1 내지 6 중 어느 한 조항의 방법은, 포지션 추정 모듈을 트레이닝하기 위해, 불확실성이 불확실성 임계치 미만인 복수의 특징들 및 복수의 라벨들의 서브세트를 선택하는 단계를 더 포함한다.
[0153]
조항 8. 조항 1 내지 7 중 어느 한 조항의 방법은, 포지션 추정 모듈을 트레이닝하기 위해 선택된 각각의 샘플에 포함된 복수의 특징들 및 복수의 라벨들에 복수의 가중치들을 할당하는 단계를 더 포함한다.
[0154]
조항 9. 조항 8에 있어서, 복수의 가중치들의 각각의 가중치는 복수의 포지셔닝 측정들 중 대응하는 포지셔닝 측정의 불확실성에 반비례한다.
[0155]
조항 10. 조항 1 내지 9 중 어느 한 조항의 방법은, 제1 레코드와 연관된 제1 측정과 제2 레코드와 연관된 제2 측정 사이의 측정 차이가 제1 레코드와 연관된 제1 포지션과 제2 레코드와 연관된 제2 포지션 사이의 포지션 차이에 비례한다는 결정에 기반하여, 트레이닝 데이터에 포함시키기 위해 복수의 특징들 및 복수의 라벨들로부터 제1 레코드 및 제2 레코드를 선택하는 단계를 더 포함한다.
[0156]
조항 11. 조항 1 내지 10 중 어느 한 조항의 방법은, 복수의 샘플들의 각각의 샘플과 연관된 포지셔닝 측정들이 복수의 샘플들의 각각의 샘플과 연관된 포지션에 비례한다는 결정에 기반하여 복수의 샘플들을 선택하는 단계를 더 포함한다.
[0157]
조항 12. 조항 1 내지 11 중 어느 한 조항의 방법은, 재-트레이닝된 포지션 추정 모듈을 생성하기 위해 추가 트레이닝 데이터에 기반하여 포지션 추정 모듈을 재-트레이닝하는 단계를 더 포함한다.
[0158]
조항 13. 조항 1 내지 12 중 어느 한 조항의 방법은, UE로부터 포지셔닝 측정들을 수신하는 단계; 및 포지션 추정 모듈을 사용하여 포지셔닝 측정들에 기반하여 UE의 포지션을 결정하는 단계를 더 포함한다.
[0159]
조항 14. 조항 1 내지 13 중 어느 한 조항의 방법은, 불확실성이 불확실성 임계치 미만인 복수의 특징들 및 복수의 라벨들의 서브세트를 선택하는 단계; 복수의 특징들 및 복수의 라벨들의 서브세트를 사용하여 포지션 추정 모듈을 트레이닝하는 단계; 포지션 추정 모듈의 정확도를 결정하는 단계; 포지션 추정 모듈의 정확도가 정확도 임계치 이상이라는 결정에 기반하여, 포지션 추정 모듈의 트레이닝이 완료되었음을 결정하는 단계; 및 포지션 추정 모듈의 정확도가 정확도 임계치 미만이라는 결정에 기반하여, 포지션 추정 모듈의 추가 트레이닝을 수행하는 단계를 더 포함한다.
[0160]
조항 15. 조항 1 내지 14 중 어느 한 조항의 방법은, 알려진 포지션을 갖는 랜드마크를 포함하는 특정 루트를 이동하도록 하나 이상의 UE들 중 적어도 하나의 UE에 명령을 전송하는 단계를 더 포함하고, 적어도 하나의 UE는 자동 지상 차량(automated ground vehicle) 또는 UAV(unmanned aerial vehicle)를 포함한다.
[0161]
조항 16. 제1 네트워크 엔티티는, 메모리; 적어도 하나의 트랜시버; 및 메모리 및 적어도 하나의 트랜시버에 통신 가능하게 결합된 적어도 하나의 프로세서를 포함하며, 적어도 하나의 프로세서는, 복수의 포지셔닝 측정들을 획득하도록; 하나 이상의 UE(user equipment)들의 복수의 포지션들을 획득하도록 - 복수의 포지션들은 복수의 포지셔닝 측정들에 기반하여 결정됨 -; 복수의 특징들로서 복수의 포지셔닝 측정들 및 복수의 특징들에 대응하는 복수의 라벨들로서 복수의 포지션들을 저장하도록; 그리고 UE에 의해 행해진 포지셔닝 측정들로부터 UE의 포지션을 결정하기 위해 복수의 특징들 및 복수의 라벨들로 포지션 추정 모듈을 트레이닝하도록 구성된다.
[0162]
조항 17. 조항 16에 있어서, 복수의 포지셔닝 측정들을 획득하도록 구성되는 적어도 하나의 프로세서는, 적어도 하나의 트랜시버를 통해, 제2 네트워크 엔티티로부터 복수의 포지셔닝 측정들을 수신하도록 구성되는 적어도 하나의 프로세서를 포함하며, 복수의 포지션들을 획득하도록 구성된 적어도 하나의 프로세서는 복수의 포지셔닝 측정들에 기반하여 복수의 포지션들을 결정하도록 구성된 적어도 하나의 프로세서를 포함한다.
[0163]
조항 18. 조항 17에 있어서, 제2 네트워크 엔티티는 하나 이상의 UE들 중 하나이고, 복수의 포지셔닝 측정들의 적어도 한 서브세트는 하나 이상의 UE들 사이에서 교환되는 사이드링크 신호들에 기반하거나, 제2 네트워크 엔티티는 기지국이고, 복수의 포지셔닝 측정들의 적어도 한 서브세트는 하나 이상의 UE들에 의해 송신된 업링크 신호들에 기반하거나, 제2 네트워크 엔티티는 하나 이상의 UE들 중 하나의 UE이고, 복수의 포지셔닝 측정들의 적어도 한 서브세트는 하나의 UE에 의해 측정된 다운링크 신호들에 기반하거나, 또는 이들의 임의의 조합이다.
[0164]
조항 19. 조항 17 또는 18에 있어서, 복수의 포지션들을 결정하도록 구성되는 적어도 하나의 프로세서는, 도달 시간차 기법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하도록; 비행 시간 기법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하도록; 찬(Chan)의 방법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하도록; 테일러(Taylor)의 방법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하도록; 반복 확장 칼만(Kalman) 필터를 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하도록; 동시 로컬화 및 맵핑 기법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하도록; 또는 이들의 임의의 조합을 수행하도록 구성되는 적어도 하나의 프로세서를 포함한다.
[0165]
조항 20. 조항 16에 있어서, 복수의 포지셔닝 측정들을 획득하도록 구성되는 적어도 하나의 프로세서는, 적어도 하나의 트랜시버를 통해, 제2 네트워크 엔티티로부터 복수의 포지셔닝 측정들을 수신하도록 구성되는 적어도 하나의 프로세서를 포함하며, 복수의 포지션들을 획득하도록 구성된 적어도 하나의 프로세서는 제2 네트워크 엔티티로부터 복수의 포지션들을 적어도 하나의 트랜시버를 통해 수신하도록 구성되는 적어도 하나의 프로세서를 포함한다.
[0166]
조항 21. 조항 16 내지 20 중 어느 한 조항에 있어서, 복수의 포지셔닝 측정들은, 복수의 채널 임펄스 응답 측정들; 복수의 채널 주파수 응답 측정들; 복수의 정규화된 히스토그램 측정들; 또는 이들의 임의의 조합을 포함한다.
[0167]
조항 22. 조항 16 내지 21 중 어느 한 조항에 있어서, 적어도 하나의 프로세서는 추가로, 포지션 추정 모듈을 트레이닝하기 위해, 불확실성이 불확실성 임계치 미만인 복수의 특징들 및 복수의 라벨들의 서브세트를 선택하도록 구성된다.
[0168]
조항 23. 조항 16 내지 22 중 어느 한 조항에 있어서, 적어도 하나의 프로세서는 추가로, 포지션 추정 모듈을 트레이닝하기 위해 선택된 각각의 샘플에 포함된 복수의 특징들 및 복수의 라벨들에 복수의 가중치들을 할당하도록 구성된다.
[0169]
조항 24. 조항 23에 있어서, 복수의 가중치들의 각각의 가중치는 복수의 포지셔닝 측정들 중 대응하는 포지셔닝 측정의 불확실성에 반비례한다.
[0170]
조항 25. 조항 16 내지 24 중 어느 한 조항에 있어서, 적어도 하나의 프로세서는 추가로, 제1 레코드와 연관된 제1 측정과 제2 레코드와 연관된 제2 측정 사이의 측정 차이가 제1 레코드와 연관된 제1 포지션과 제2 레코드와 연관된 제2 포지션 사이의 포지션 차이에 비례한다는 결정에 기반하여, 트레이닝 데이터에 포함시키기 위해 복수의 특징들 및 복수의 라벨들로부터 제1 레코드 및 제2 레코드를 선택하도록 구성된다.
[0171]
조항 26. 조항 16 내지 25 중 어느 한 조항에 있어서, 적어도 하나의 프로세서는 추가로, 복수의 샘플들의 각각의 샘플과 연관된 포지셔닝 측정들이 복수의 샘플들의 각각의 샘플과 연관된 포지션에 비례한다는 결정에 기반하여 복수의 샘플들을 선택하도록 구성된다.
[0172]
조항 27. 조항 16 내지 26 중 어느 한 조항에 있어서, 적어도 하나의 프로세서는 추가로, 재-트레이닝된 포지션 추정 모듈을 생성하기 위해 추가 트레이닝 데이터에 기반하여 포지션 추정 모듈을 재-트레이닝하도록 구성된다.
[0173]
조항 28. 조항 16 내지 27 중 어느 한 조항에 있어서, 적어도 하나의 프로세서는 추가로, 적어도 하나의 트랜시버를 통해, UE로부터 포지셔닝 측정들을 수신하도록; 그리고 포지션 추정 모듈을 사용하여 포지셔닝 측정들에 기반하여 UE의 포지션을 결정하도록 구성된다.
[0174]
조항 29. 조항 16 내지 28 중 어느 한 조항에 있어서, 적어도 하나의 프로세서는 추가로, 불확실성이 불확실성 임계치 미만인 복수의 특징들 및 복수의 라벨들의 서브세트를 선택하도록; 복수의 특징들 및 복수의 라벨들의 서브세트를 사용하여 포지션 추정 모듈을 트레이닝하도록; 포지션 추정 모듈의 정확도를 결정하도록; 포지션 추정 모듈의 정확도가 정확도 임계치 이상이라는 결정에 기반하여, 포지션 추정 모듈의 트레이닝이 완료되었음을 결정하도록; 그리고 포지션 추정 모듈의 정확도가 정확도 임계치 미만이라는 결정에 기반하여, 포지션 추정 모듈의 추가 트레이닝을 수행하도록 구성된다.
[0175]
조항 30. 조항 16 내지 29 중 어느 한 조항에 있어서, 적어도 하나의 프로세서는, 적어도 하나의 트랜시버를 통해, 알려진 포지션을 갖는 랜드마크를 포함하는 특정 루트를 이동하도록 하나 이상의 UE들 중 적어도 하나의 UE에 명령을 전송하도록 추가로 구성되며, 적어도 하나의 UE는 자동 지상 차량(automated ground vehicle) 또는 UAV(unmanned aerial vehicle)를 포함한다.
[0176]
조항 31. 제1 네트워크 엔티티는, 복수의 포지셔닝 측정들을 획득하기 위한 수단; 하나 이상의 UE(user equipment)들의 복수의 포지션들을 획득하기 위한 수단 - 복수의 포지션들은 복수의 포지셔닝 측정들에 기반하여 결정됨 -; 복수의 특징들로서 복수의 포지셔닝 측정들 및 복수의 특징들에 대응하는 복수의 라벨들로서 복수의 포지션들을 저장하기 위한 수단; 및 UE에 의해 행해진 포지셔닝 측정들로부터 UE의 포지션을 결정하기 위해 복수의 특징들 및 복수의 라벨들로 포지션 추정 모듈을 트레이닝하기 위한 수단을 포함한다.
[0177]
조항 32. 조항 31에 있어서, 복수의 포지셔닝 측정들을 획득하기 위한 수단은, 제2 네트워크 엔티티로부터 복수의 포지셔닝 측정들을 수신하기 위한 수단을 포함하고, 복수의 포지션들을 획득하기 위한 수단은 복수의 포지셔닝 측정들에 기반하여 복수의 포지션들을 결정하기 위한 수단을 포함한다.
[0178]
조항 33. 조항 32에 있어서, 제2 네트워크 엔티티는 하나 이상의 UE들 중 하나이고, 복수의 포지셔닝 측정들의 적어도 한 서브세트는 하나 이상의 UE들 사이에서 교환되는 사이드링크 신호들에 기반하거나, 제2 네트워크 엔티티는 기지국이고, 복수의 포지셔닝 측정들의 적어도 한 서브세트는 하나 이상의 UE들에 의해 송신된 업링크 신호들에 기반하거나, 제2 네트워크 엔티티는 하나 이상의 UE들 중 하나의 UE이고, 복수의 포지셔닝 측정들의 적어도 한 서브세트는 하나의 UE에 의해 측정된 다운링크 신호들에 기반하거나, 또는 이들의 임의의 조합이다.
[0179]
조항 34. 조항 32 또는 33에 있어서, 복수의 포지션들을 결정하기 위한 수단은, 도달 시간차 기법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하기 위한 수단; 비행 시간 기법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하기 위한 수단; 챈(Chan)의 방법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하기 위한 수단; 테일러(Taylor)의 방법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하기 위한 수단; 반복 확장 칼만(Kalman) 필터를 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하기 위한 수단; 동시 로컬화 및 맵핑 기법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하기 위한 수단; 또는 이들의 임의의 조합을 포함한다.
[0180]
조항 35. 조항 31에 있어서, 복수의 포지셔닝 측정들을 획득하기 위한 수단은 제2 네트워크 엔티티로부터 복수의 포지셔닝 측정들을 수신하기 위한 수단을 포함하고, 복수의 포지션들을 획득하기 위한 수단은 제2 네트워크 엔티티로부터 복수의 포지션들을 수신하기 위한 수단을 포함한다.
[0181]
조항 36. 조항 31 내지 35 중 어느 한 조항에 있어서, 복수의 포지셔닝 측정들은, 복수의 채널 임펄스 응답 측정들; 복수의 채널 주파수 응답 측정들; 복수의 정규화된 히스토그램 측정들; 또는 이들의 임의의 조합을 포함한다.
[0182]
조항 37. 조항 31 내지 36 중 어느 한 조항의 제1 네트워크 엔티티는, 포지션 추정 모듈을 트레이닝하기 위해, 불확실성이 불확실성 임계치 미만인 복수의 특징들 및 복수의 라벨들의 서브세트를 선택하기 위한 수단을 더 포함한다.
[0183]
조항 38. 조항 31 내지 37 중 어느 한 조항의 제1 네트워크 엔티티는, 포지션 추정 모듈을 트레이닝하기 위해 선택된 각각의 샘플에 포함된 복수의 특징들 및 복수의 라벨들에 복수의 가중치들을 할당하기 위한 수단을 더 포함한다.
[0184]
조항 39. 조항 38에 있어서, 복수의 가중치들의 각각의 가중치는 복수의 포지셔닝 측정들 중 대응하는 포지셔닝 측정의 불확실성에 반비례한다.
[0185]
조항 40. 조항 31 내지 39 중 어느 한 조항의 제1 네트워크 엔티티는, 제1 레코드와 연관된 제1 측정과 제2 레코드와 연관된 제2 측정 사이의 측정 차이가 제1 레코드와 연관된 제1 포지션과 제2 레코드와 연관된 제2 포지션 사이의 포지션 차이에 비례한다는 결정에 기반하여, 트레이닝 데이터에 포함시키기 위해 복수의 특징들 및 복수의 라벨들로부터 제1 레코드 및 제2 레코드를 선택하기 위한 수단을 더 포함한다.
[0186]
조항 41. 조항 31 내지 40 중 어느 한 조항의 제1 네트워크 엔티티는, 복수의 샘플들의 각각의 샘플과 연관된 포지셔닝 측정들이 복수의 샘플들의 각각의 샘플과 연관된 포지션에 비례한다는 결정에 기반하여 복수의 샘플들을 선택하기 위한 수단을 더 포함한다.
[0187]
조항 42. 조항 31 내지 41 중 어느 한 조항의 제1 네트워크 엔티티는, 재-트레이닝된 포지션 추정 모듈을 생성하기 위해 추가 트레이닝 데이터에 기반하여 포지션 추정 모듈을 재-트레이닝하기 위한 수단을 더 포함한다.
[0188]
조항 43. 조항 31 내지 42 중 어느 한 조항의 제1 네트워크 엔티티는, UE로부터 포지셔닝 측정들을 수신하기 위한 수단; 및 포지션 추정 모듈을 사용하여 포지셔닝 측정들에 기반하여 UE의 포지션을 결정하기 위한 수단을 더 포함한다.
[0189]
조항 44. 조항 31 내지 43 중 어느 한 조항의 제1 네트워크 엔티티는, 불확실성이 불확실성 임계치 미만인 복수의 특징들 및 복수의 라벨들의 서브세트를 선택하기 위한 수단; 복수의 특징들 및 복수의 라벨들의 서브세트를 사용하여 포지션 추정 모듈을 트레이닝하기 위한 수단; 포지션 추정 모듈의 정확도를 결정하기 위한 수단; 포지션 추정 모듈의 트레이닝이 완료되었음을 결정하기 위한 수단; 포지션 추정 모듈의 추가 트레이닝을 수행하기 위한 수단을 더 포함한다.
[0190]
조항 45. 조항 31 내지 44 중 어느 한 조항의 제1 네트워크 엔티티는, 알려진 포지션을 갖는 랜드마크를 포함하는 특정 루트를 이동하도록 하나 이상의 UE들 중 적어도 하나의 UE에 명령을 전송하기 위한 수단을 더 포함하고, 적어도 하나의 UE는 자동 지상 차량(automated ground vehicle) 또는 UAV(unmanned aerial vehicle)를 포함한다.
[0191]
조항 46. 비일시적 컴퓨터 판독 가능 매체는 컴퓨터 실행 가능 명령들을 저장하며, 컴퓨터 실행 가능 명령들은 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금, 복수의 포지셔닝 측정들을 획득하게 하고; 하나 이상의 UE(user equipment)들의 복수의 포지션들을 획득하게 하고 - 복수의 포지션들은 복수의 포지셔닝 측정들에 기반하여 결정됨 -; 복수의 특징들로서 복수의 포지셔닝 측정들 및 복수의 특징들에 대응하는 복수의 라벨들로서 복수의 포지션들을 저장하게 하고; 그리고 UE에 의해 행해진 포지셔닝 측정들로부터 UE의 포지션을 결정하기 위해 복수의 특징들 및 복수의 라벨들로 포지션 추정 모듈을 트레이닝하게 한다.
[0192]
조항 47. 조항 46에 있어서, 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금 복수의 포지셔닝 측정들을 획득하게 하는 컴퓨터 실행 가능 명령들은, 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금 제2 네트워크 엔티티로부터 복수의 포지셔닝 측정들을 수신하게 하는 컴퓨터 실행 가능 명령들을 포함하고, 그리고 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금 복수의 포지션들을 획득하게 하는 컴퓨터 실행 가능 명령들은, 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금, 복수의 포지셔닝 측정들에 기반하여 복수의 포지션들을 결정하게 하는 컴퓨터 실행가능 명령들을 포함한다.
[0193]
조항 48. 조항 47에 있어서, 제2 네트워크 엔티티는 하나 이상의 UE들 중 하나이고, 복수의 포지셔닝 측정들의 적어도 한 서브세트는 하나 이상의 UE들 사이에서 교환되는 사이드링크 신호들에 기반하거나, 제2 네트워크 엔티티는 기지국이고, 복수의 포지셔닝 측정들의 적어도 한 서브세트는 하나 이상의 UE들에 의해 송신된 업링크 신호들에 기반하거나, 제2 네트워크 엔티티는 하나 이상의 UE들 중 하나의 UE이고, 복수의 포지셔닝 측정들의 적어도 한 서브세트는 하나의 UE에 의해 측정된 다운링크 신호들에 기반하거나, 또는 이들의 임의의 조합이다.
[0194]
조항 49. 조항 47 또는 48에 있어서, 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금 복수의 포지션들을 결정하게 하는 컴퓨터 실행 가능 명령들은, 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금, 도달 시간차 기법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하게 하고; 비행 시간 기법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하게 하고; 찬(Chan)의 방법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하게 하고; 테일러(Taylor)의 방법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하게 하고; 반복 확장 칼만(Kalman) 필터를 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하게 하고; 동시 로컬화 및 맵핑 기법을 사용하여 복수의 포지션들의 적어도 한 서브세트를 결정하게 하고; 또는 이들의 임의의 조합을 수행하게 하는 컴퓨터 실행 가능 명령들을 포함한다.
[0195]
조항 50. 조항 46에 있어서, 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금 복수의 포지셔닝 측정들을 획득하게 하는 컴퓨터 실행 가능 명령들은, 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금 제2 네트워크 엔티티로부터 복수의 포지셔닝 측정들을 수신하게 하는 컴퓨터 실행 가능 명령들을 포함하고, 그리고 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금 복수의 포지션들을 획득하게 하는 컴퓨터 실행 가능 명령들은, 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금, 제2 네트워크 엔티티로부터 복수의 포지션들을 수신하게 하는 컴퓨터 실행 가능 명령들을 포함한다.
[0196]
조항 51. 조항 46 내지 50 중 어느 한 조항에 있어서, 복수의 포지셔닝 측정들은, 복수의 채널 임펄스 응답 측정들; 복수의 채널 주파수 응답 측정들; 복수의 정규화된 히스토그램 측정들; 또는 이들의 임의의 조합을 포함한다.
[0197]
조항 52. 조항 46 내지 51 중 어느 한 조항의 비일시적 컴퓨터 판독 가능 매체는, 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금 추가로, 포지션 추정 모듈을 트레이닝하기 위해, 불확실성이 불확실성 임계치 미만인 복수의 특징들 및 복수의 라벨들의 서브세트를 선택하게 하는 명령들을 더 포함한다.
[0198]
조항 53. 조항 46 내지 52 중 어느 한 조항의 비일시적 컴퓨터 판독 가능 매체는, 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금 추가로, 포지션 추정 모듈을 트레이닝하기 위해 선택된 각각의 샘플에 포함된 복수의 특징들 및 복수의 라벨들에 복수의 가중치들을 할당하게 하는 명령들을 더 포함한다.
[0199]
조항 54. 조항 53에 있어서, 복수의 가중치들의 각각의 가중치는 복수의 포지셔닝 측정들 중 대응하는 포지셔닝 측정의 불확실성에 반비례한다.
[0200]
조항 55. 조항 46 내지 54 중 어느 한 조항의 비일시적 컴퓨터 판독 가능 매체는, 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금 추가로, 제1 레코드와 연관된 제1 측정과 제2 레코드와 연관된 제2 측정 사이의 측정 차이가 제1 레코드와 연관된 제1 포지션과 제2 레코드와 연관된 제2 포지션 사이의 포지션 차이에 비례한다는 결정에 기반하여, 트레이닝 데이터에 포함시키기 위해 복수의 특징들 및 복수의 라벨들로부터 제1 레코드 및 제2 레코드를 선택하게 하는 명령들을 더 포함한다.
[0201]
조항 56. 조항 46 내지 55 중 어느 한 조항의 비일시적 컴퓨터 판독 가능 매체는, 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금 추가로, 복수의 샘플들의 각각의 샘플과 연관된 포지셔닝 측정들이 복수의 샘플들의 각각의 샘플과 연관된 포지션에 비례한다는 결정에 기반하여 복수의 샘플들을 선택하게 하는 명령들을 더 포함한다.
[0202]
조항 57. 조항 46 내지 56 중 어느 한 조항의 비일시적 컴퓨터 판독 가능 매체는, 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금 추가로, 재-트레이닝된 포지션 추정 모듈을 생성하기 위해 추가 트레이닝 데이터에 기반하여 포지션 추정 모듈을 재-트레이닝하게 하는 명령들을 더 포함한다.
[0203]
조항 58. 조항 46 내지 57 중 어느 한 조항의 비일시적 컴퓨터 판독 가능 매체는, 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금 추가로, UE로부터 포지셔닝 측정들을 수신하게 하고; 그리고 포지션 추정 모듈을 사용하여 포지셔닝 측정들에 기반하여 UE의 포지션을 결정하게 하는 명령들을 더 포함한다.
[0204]
조항 59. 조항 46 내지 58 중 어느 한 조항의 비일시적 컴퓨터 판독 가능 매체는, 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금 추가로, 불확실성이 불확실성 임계치 미만인 복수의 특징들 및 복수의 라벨들의 서브세트를 선택하게 하고; 복수의 특징들 및 복수의 라벨들의 서브세트를 사용하여 포지션 추정 모듈을 트레이닝하게 하고; 포지션 추정 모듈의 정확도를 결정하기 위한 수단; 포지션 추정 모듈의 트레이닝이 완료되었음을 결정하게 하고; 그리고 포지션 추정 모듈의 추가 트레이닝을 수행하게 하는 명령들을 더 포함한다.
[0205]
조항 60. 조항 46 내지 59 중 어느 한 조항의 비일시적 컴퓨터 판독 가능 매체는, 제1 네트워크 엔티티에 의해 실행될 때, 제1 네트워크 엔티티로 하여금 추가로, 알려진 포지션을 갖는 랜드마크를 포함하는 특정 루트를 이동하도록 하나 이상의 UE들 중 적어도 하나의 UE에 명령을 전송하게 하는 명령들을 더 포함하고, 적어도 하나의 UE는 자동 지상 차량(automated ground vehicle) 또는 UAV(unmanned aerial vehicle)를 포함한다.
[0206]
정보 및 신호들은 다양한 다른 기술들 및 기법들 중 임의의 것을 사용하여 표현될 수 있음을 당업자는 인식할 것이다. 예를 들어, 전술한 설명 전반에 걸쳐 참조될 수 있는 데이터, 명령들, 커맨드들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기 필드들 또는 자기 입자들, 광 필드들 또는 광 입자들, 또는 이들의 임의의 결합으로 표현될 수 있다.
[0207]
추가적으로, 당업자들은, 본 명세서에 개시된 양상들과 관련하여 설명된 다양한 예시적인 로직 블록들, 모듈들, 회로들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 이 둘의 결합들로서 구현될 수도 있음을 인식할 것이다. 하드웨어와 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들, 및 단계들이 일반적으로 이들의 기능적 관점에서 앞서 설명되었다. 이러한 기능이 하드웨어로 구현되는지 아니면 소프트웨어로 구현되는지는 특정 애플리케이션 및 전체 시스템에 대해 부과된 설계 제한들에 의존한다. 당업자들은 설명된 기능을 각각의 특정 애플리케이션에 대해 다양한 방식들로 구현할 수 있지만, 이러한 구현 결정들이 본 개시의 범위를 벗어나게 하는 것으로 해석되어서는 안 된다.
[0208]
본 명세서에서 개시된 양상들과 관련하여 설명되는 다양한 예시적인 로직 블록들, 모듈들, 및 회로들이 범용 프로세서, 디지털 신호 프로세서(DSP), 주문형 집적회로(ASIC), 필드 프로그래머블 게이트 어레이(FPGA) 또는 다른 프로그래머블 논리 디바이스, 이산 게이트 또는 트랜지스터 로직, 이산 하드웨어 컴포넌트들 또는 본 명세서에 설명된 기능들을 수행하도록 설계된 이들의 임의의 조합으로 구현 또는 수행될 수 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로 프로세서는 임의의 종래 프로세서, 제어기, 마이크로제어기 또는 상태 머신일 수도 있다. 프로세서는 또한 컴퓨팅 디바이스들의 조합, 예컨대 DSP 및 마이크로프로세서의 조합, 복수의 마이크로프로세서들, DSP(digital signal processor) 코어와 결합된 하나 이상의 마이크로프로세서들, 또는 임의의 다른 이러한 구성으로서 구현될 수 있다.
[0209]
본 명세서에 개시된 양상들과 관련하여 설명된 방법들, 시퀀스들 및/또는 알고리즘들은 직접 하드웨어로, 프로세서에 의해 실행되는 소프트웨어 모듈로, 또는 이 둘의 결합으로 구현될 수 있다. 소프트웨어 모듈은 RAM(random-access memory), 플래시 메모리, ROM(read-only memory), EPROM(erasable programmable ROM), EEPROM(electrically erasable programmable ROM), 레지스터들, 하드 디스크, 착탈식 디스크, CD(compact disc) ROM, 광 디스크 또는 업계에 공지된 임의의 다른 형태의 저장 매체에 상주할 수 있다. 예시적인 저장 매체는, 프로세서가 저장 매체로부터 정보를 판독하고, 저장 매체에 정보를 기록할 수 있도록 프로세서에 커플링된다. 대안으로, 저장 매체는 프로세서에 통합될 수 있다. 프로세서 및 저장 매체는 ASIC에 상주할 수 있다. ASIC는 사용자 단말(예컨대, UE)에 상주할 수 있다. 대안적으로, 프로세서 및 저장 매체는 사용자 단말에서 개별 컴포넌트들로서 상주할 수 있다.
[0210]
하나 이상의 예시적인 양상들에서, 설명된 기능들은 하드웨어, 소프트웨어, 펌웨어 또는 이들의 임의의 조합으로 구현될 수 있다. 소프트웨어로 구현되는 경우, 상기 기능들은 컴퓨터 판독가능 매체 상에 하나 이상의 명령 또는 코드로서 저장되거나 이를 통해 송신될 수 있다. 컴퓨터 판독가능 매체들은 컴퓨터 저장 매체들, 및 일 장소에서 다른 장소로 컴퓨터 프로그램의 이전을 용이하게 하는 임의의 매체들을 포함하는 통신 매체 둘 모두를 포함한다. 저장 매체는 컴퓨터에 의해 액세스 가능한 임의의 이용가능한 매체일 수 있다. 제한이 아닌 예시의 방식으로, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM, 또는 다른 광학 디스크 저장소, 자기 디스크 저장소 또는 다른 자기 저장 디바이스들, 또는 명령들 또는 데이터 구조들의 형태로 요구되는 프로그램 코드를 전달하거나 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 지칭된다. 예컨대, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, DSL(digital subscriber line), 또는 적외선, 라디오 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버 또는 다른 원격 소스로부터 전송된다면, 동축 케이블, 광섬유 케이블, 연선, DSL, 또는 적외선, 라디오 및 마이크로파와 같은 무선 기술들이 매체의 정의에 포함된다. 본 명세서에서 사용된 것과 같은 디스크(disk 및 disc)는 콤팩트 디스크(CD: compact disc), 레이저 디스크(laser disc), 광 디스크(optical disc), 디지털 다기능 디스크(DVD: digital versatile disc), 플로피 디스크(floppy disk) 및 블루레이 디스크(disc)를 포함하며, 여기서 디스크(disk)들은 보통 데이터를 자기적으로 재생하는 한편, 디스크(disc)들은 데이터를 레이저들에 의해 광학적으로 재생한다. 상기의 것들의 결합들이 또한 컴퓨터 판독가능 매체의 범위 내에 포함되어야 한다.
[0211]
전술한 개시가 본 개시의 예시적인 양상들을 나타내지만, 첨부된 청구항들에 의해 정의되는 바와 같은 본 개시의 범위를 벗어나지 않고 본 명세서에서 다양한 변경들 및 변화들이 행해질 수 있음을 주목해야 한다. 본원에 설명된 개시의 양상들에 따른 방법 청구항들의 기능들, 단계들 및/또는 동작들은 임의의 특정 순서로 수행될 필요가 없다. 또한, 본 개시의 엘리먼트들이 단수로 설명 또는 청구될 수 있지만, 단수에 대한 한정이 명시적으로 언급되지 않으면 복수가 고려된다.
Claims (30)
- 포지션 추정 모듈을 트레이닝하기 위해 제1 네트워크 엔티티에 의해 수행되는 방법으로서,
복수의 포지셔닝 측정들을 획득하는 단계;
하나 이상의 UE(user equipment)들의 복수의 포지션들을 획득하는 단계 ― 상기 복수의 포지션들은 상기 복수의 포지셔닝 측정들에 기반하여 결정됨 ―;
복수의 특징들로서 상기 복수의 포지셔닝 측정들 및 상기 복수의 특징들에 대응하는 복수의 라벨들로서 상기 복수의 포지션들을 저장하는 단계; 및
상기 UE에 의해 행해진 포지셔닝 측정들로부터 UE의 포지션을 결정하기 위해 상기 복수의 특징들 및 상기 복수의 라벨들로 상기 포지션 추정 모듈을 트레이닝하는 단계를 포함하는,
포지션 추정 모듈을 트레이닝하기 위해 제1 네트워크 엔티티에 의해 수행되는 방법. - 제1 항에 있어서,
상기 복수의 포지셔닝 측정들을 획득하는 단계는 제2 네트워크 엔티티로부터 상기 복수의 포지셔닝 측정들을 수신하는 단계를 포함하고,
상기 복수의 포지션들을 획득하는 단계는 상기 복수의 포지셔닝 측정들에 기반하여 상기 복수의 포지션들을 결정하는 단계를 포함하는, 포지션 추정 모듈을 트레이닝하기 위해 제1 네트워크 엔티티에 의해 수행되는 방법. - 제2 항에 있어서,
상기 제2 네트워크 엔티티는 상기 하나 이상의 UE들 중 하나이고, 상기 복수의 포지셔닝 측정들의 적어도 한 서브세트는 상기 하나 이상의 UE들 사이에서 교환되는 사이드링크 신호들에 기반하거나,
상기 제2 네트워크 엔티티는 기지국이고, 상기 복수의 포지셔닝 측정들의 적어도 한 서브세트는 상기 하나 이상의 UE들에 의해 송신된 업링크 신호들에 기반하거나,
상기 제2 네트워크 엔티티는 상기 하나 이상의 UE들 중 하나의 UE이고, 상기 복수의 포지셔닝 측정들의 적어도 한 서브세트는 상기 하나의 UE에 의해 측정된 다운링크 신호들에 기반하거나, 또는
이들의 임의의 조합인, 포지션 추정 모듈을 트레이닝하기 위해 제1 네트워크 엔티티에 의해 수행되는 방법. - 제2 항에 있어서,
상기 복수의 포지션들을 결정하는 단계는,
도달 시간차 기법을 사용하여 상기 복수의 포지션들의 적어도 한 서브세트를 결정하는 단계;
비행 시간 기법을 사용하여 상기 복수의 포지션들의 적어도 한 서브세트를 결정하는 단계;
찬(Chan)의 방법을 사용하여 상기 복수의 포지션들의 적어도 한 서브세트를 결정하는 단계;
테일러(Taylor)의 방법을 사용하여 상기 복수의 포지션들의 적어도 한 서브세트를 결정하는 단계;
반복 확장 칼만(Kalman) 필터를 사용하여 상기 복수의 포지션들의 적어도 한 서브세트를 결정하는 단계;
동시 로컬화 및 맵핑 기법을 사용하여 상기 복수의 포지션들의 적어도 한 서브세트를 결정하는 단계; 또는
이들의 임의의 조합을 포함하는, 포지션 추정 모듈을 트레이닝하기 위해 제1 네트워크 엔티티에 의해 수행되는 방법. - 제1 항에 있어서,
상기 복수의 포지셔닝 측정들을 획득하는 단계는 제2 네트워크 엔티티로부터 상기 복수의 포지셔닝 측정들을 수신하는 단계를 포함하고,
상기 복수의 포지션들을 획득하는 단계는 상기 제2 네트워크 엔티티로부터 상기 복수의 포지션들을 수신하는 단계를 포함하는, 포지션 추정 모듈을 트레이닝하기 위해 제1 네트워크 엔티티에 의해 수행되는 방법. - 제1 항에 있어서,
상기 복수의 포지셔닝 측정들은,
복수의 채널 임펄스 응답 측정들;
복수의 채널 주파수 응답 측정들;
복수의 정규화된 히스토그램 측정들; 또는
이들의 임의의 조합을 포함하는, 포지션 추정 모듈을 트레이닝하기 위해 제1 네트워크 엔티티에 의해 수행되는 방법. - 제1 항에 있어서,
상기 포지션 추정 모듈을 트레이닝하기 위해, 불확실성이 불확실성 임계치 미만인 상기 복수의 특징들 및 상기 복수의 라벨들의 서브세트를 선택하는 단계를 더 포함하는, 포지션 추정 모듈을 트레이닝하기 위해 제1 네트워크 엔티티에 의해 수행되는 방법. - 제1 항에 있어서,
상기 포지션 추정 모듈을 트레이닝하기 위해 선택된 각각의 샘플에 포함된 상기 복수의 특징들 및 상기 복수의 라벨들에 복수의 가중치들을 할당하는 단계를 더 포함하는, 포지션 추정 모듈을 트레이닝하기 위해 제1 네트워크 엔티티에 의해 수행되는 방법. - 제8 항에 있어서,
상기 복수의 가중치들의 각각의 가중치는 상기 복수의 포지셔닝 측정들 중 대응하는 포지셔닝 측정의 불확실성에 반비례하는, 포지션 추정 모듈을 트레이닝하기 위해 제1 네트워크 엔티티에 의해 수행되는 방법. - 제1 항에 있어서,
제1 레코드와 연관된 제1 측정과 제2 레코드와 연관된 제2 측정 사이의 측정 차이가 상기 제1 레코드와 연관된 제1 포지션과 상기 제2 레코드와 연관된 제2 포지션 사이의 포지션 차이에 비례한다는 결정에 기반하여, 트레이닝 데이터에 포함시키기 위해 상기 복수의 특징들 및 상기 복수의 라벨들로부터 상기 제1 레코드 및 상기 제2 레코드를 선택하는 단계를 더 포함하는, 포지션 추정 모듈을 트레이닝하기 위해 제1 네트워크 엔티티에 의해 수행되는 방법. - 제1 항에 있어서,
복수의 샘플들의 각각의 샘플과 연관된 포지셔닝 측정들이 상기 복수의 샘플들의 각각의 샘플과 연관된 포지션에 비례한다는 결정에 기반하여 상기 복수의 샘플들을 선택하는 단계를 더 포함하는, 포지션 추정 모듈을 트레이닝하기 위해 제1 네트워크 엔티티에 의해 수행되는 방법. - 제1 항에 있어서,
재-트레이닝된 포지션 추정 모듈을 생성하기 위해 추가 트레이닝 데이터에 기반하여 상기 포지션 추정 모듈을 재-트레이닝하는 단계를 더 포함하는, 포지션 추정 모듈을 트레이닝하기 위해 제1 네트워크 엔티티에 의해 수행되는 방법. - 제1 항에 있어서,
상기 UE로부터 상기 포지셔닝 측정들을 수신하는 단계; 및
상기 포지션 추정 모듈을 사용하여 상기 포지셔닝 측정들에 기반하여 상기 UE의 포지션을 결정하는 단계를 더 포함하는, 포지션 추정 모듈을 트레이닝하기 위해 제1 네트워크 엔티티에 의해 수행되는 방법. - 제1 항에 있어서,
불확실성이 불확실성 임계치 미만인 상기 복수의 특징들 및 상기 복수의 라벨들의 서브세트를 선택하는 단계;
상기 복수의 특징들 및 상기 복수의 라벨들의 서브세트를 사용하여 상기 포지션 추정 모듈을 트레이닝하는 단계;
상기 포지션 추정 모듈의 정확도를 결정하는 단계;
상기 포지션 추정 모듈의 정확도가 정확도 임계치 이상이라는 결정에 기반하여, 상기 포지션 추정 모듈의 트레이닝이 완료되었음을 결정하는 단계; 및
상기 포지션 추정 모듈의 정확도가 상기 정확도 임계치 미만이라는 결정에 기반하여, 상기 포지션 추정 모듈의 추가 트레이닝을 수행하는 단계를 더 포함하는, 포지션 추정 모듈을 트레이닝하기 위해 제1 네트워크 엔티티에 의해 수행되는 방법. - 제1 항에 있어서,
알려진 포지션을 갖는 랜드마크를 포함하는 특정 루트를 이동하도록 상기 하나 이상의 UE들 중 적어도 하나의 UE에 명령을 전송하는 단계를 더 포함하고, 상기 적어도 하나의 UE는 자동 지상 차량(automated ground vehicle) 또는 UAV(unmanned aerial vehicle)를 포함하는, 포지션 추정 모듈을 트레이닝하기 위해 제1 네트워크 엔티티에 의해 수행되는 방법. - 제1 네트워크 엔티티로서,
메모리;
적어도 하나의 트랜시버; 및
상기 메모리 및 상기 적어도 하나의 트랜시버에 통신 가능하게 결합된 적어도 하나의 프로세서를 포함하며,
상기 적어도 하나의 프로세서는,
복수의 포지셔닝 측정들을 획득하도록;
하나 이상의 UE(user equipment)들의 복수의 포지션들을 획득하도록 ― 상기 복수의 포지션들은 상기 복수의 포지셔닝 측정들에 기반하여 결정됨 ―;
복수의 특징들로서 상기 복수의 포지셔닝 측정들 및 상기 복수의 특징들에 대응하는 복수의 라벨들로서 상기 복수의 포지션들을 저장하도록; 그리고
상기 UE에 의해 행해진 포지셔닝 측정들로부터 UE의 포지션을 결정하기 위해 상기 복수의 특징들 및 상기 복수의 라벨들로 포지션 추정 모듈을 트레이닝하도록 구성되는, 제1 네트워크 엔티티. - 제16 항에 있어서,
상기 적어도 하나의 프로세서가 상기 복수의 포지셔닝 측정들을 획득하도록 구성되는 것은, 상기 적어도 하나의 프로세서가 상기 적어도 하나의 트랜시버를 통해, 제2 네트워크 엔티티로부터 상기 복수의 포지셔닝 측정들을 수신하도록 구성되는 것을 포함하며,
상기 적어도 하나의 프로세서가 상기 복수의 포지션들을 획득하도록 구성되는 것은, 상기 적어도 하나의 프로세서가 상기 복수의 포지셔닝 측정들에 기반하여 상기 복수의 포지션들을 결정하도록 구성되는 것을 포함하는, 제1 네트워크 엔티티. - 제17 항에 있어서,
상기 제2 네트워크 엔티티는 상기 하나 이상의 UE들 중 하나이고, 상기 복수의 포지셔닝 측정들의 적어도 한 서브세트는 상기 하나 이상의 UE들 사이에서 교환되는 사이드링크 신호들에 기반하거나,
상기 제2 네트워크 엔티티는 기지국이고, 상기 복수의 포지셔닝 측정들의 적어도 한 서브세트는 상기 하나 이상의 UE들에 의해 송신된 업링크 신호들에 기반하거나,
상기 제2 네트워크 엔티티는 상기 하나 이상의 UE들 중 하나의 UE이고, 상기 복수의 포지셔닝 측정들의 적어도 한 서브세트는 상기 하나의 UE에 의해 측정된 다운링크 신호들에 기반하거나, 또는
이들의 임의의 조합인, 제1 네트워크 엔티티. - 제17 항에 있어서,
상기 적어도 하나의 프로세서가 상기 복수의 포지션들을 결정하도록 구성되는 것은, 상기 적어도 하나의 프로세서가,
도달 시간차 기법을 사용하여 상기 복수의 포지션들의 적어도 한 서브세트를 결정하도록;
비행 시간 기법을 사용하여 상기 복수의 포지션들의 적어도 한 서브세트를 결정하도록;
찬(Chan)의 방법을 사용하여 상기 복수의 포지션들의 적어도 한 서브세트를 결정하도록;
테일러(Taylor)의 방법을 사용하여 상기 복수의 포지션들의 적어도 한 서브세트를 결정하도록;
반복 확장 칼만(Kalman) 필터를 사용하여 상기 복수의 포지션들의 적어도 한 서브세트를 결정하도록;
동시 로컬화 및 맵핑 기법을 사용하여 상기 복수의 포지션들의 적어도 한 서브세트를 결정하도록; 또는
이들의 임의의 조합을 수행하도록 구성되는 것을 포함하는, 제1 네트워크 엔티티. - 제16 항에 있어서,
상기 적어도 하나의 프로세서가 상기 복수의 포지셔닝 측정들을 획득하도록 구성되는 것은, 상기 적어도 하나의 프로세서가 상기 적어도 하나의 트랜시버를 통해, 제2 네트워크 엔티티로부터 상기 복수의 포지셔닝 측정들을 수신하도록 구성되는 것을 포함하며,
상기 적어도 하나의 프로세서가 상기 복수의 포지션들을 획득하도록 구성되는 것은, 상기 적어도 하나의 프로세서가 상기 제2 네트워크 엔티티로부터 상기 복수의 포지션들을 상기 적어도 하나의 트랜시버를 통해 수신하도록 구성되는 것을 포함하는, 제1 네트워크 엔티티. - 제16 항에 있어서,
상기 복수의 포지셔닝 측정들은,
복수의 채널 임펄스 응답 측정들;
복수의 채널 주파수 응답 측정들;
복수의 정규화된 히스토그램 측정들; 또는
이들의 임의의 조합을 포함하는, 제1 네트워크 엔티티. - 제16 항에 있어서,
상기 적어도 하나의 프로세서는 추가로,
상기 포지션 추정 모듈을 트레이닝하기 위해, 불확실성이 불확실성 임계치 미만인 상기 복수의 특징들 및 상기 복수의 라벨들의 서브세트를 선택하도록 구성되는, 제1 네트워크 엔티티. - 제16 항에 있어서,
상기 적어도 하나의 프로세서는 추가로,
상기 포지션 추정 모듈을 트레이닝하기 위해 선택된 각각의 샘플에 포함된 상기 복수의 특징들 및 상기 복수의 라벨들에 복수의 가중치들을 할당하도록 구성되는, 제1 네트워크 엔티티. - 제23 항에 있어서,
상기 복수의 가중치들의 각각의 가중치는 상기 복수의 포지셔닝 측정들 중 대응하는 포지셔닝 측정의 불확실성에 반비례하는, 제1 네트워크 엔티티. - 제16 항에 있어서,
상기 적어도 하나의 프로세서는 추가로,
제1 레코드와 연관된 제1 측정과 제2 레코드와 연관된 제2 측정 사이의 측정 차이가 상기 제1 레코드와 연관된 제1 포지션과 상기 제2 레코드와 연관된 제2 포지션 사이의 포지션 차이에 비례한다는 결정에 기반하여, 트레이닝 데이터에 포함시키기 위해 상기 복수의 특징들 및 상기 복수의 라벨들로부터 상기 제1 레코드 및 상기 제2 레코드를 선택하도록 구성되는, 제1 네트워크 엔티티. - 제16 항에 있어서,
상기 적어도 하나의 프로세서는 추가로,
복수의 샘플들의 각각의 샘플과 연관된 포지셔닝 측정들이 상기 복수의 샘플들의 각각의 샘플과 연관된 포지션에 비례한다는 결정에 기반하여 상기 복수의 샘플들을 선택하도록 구성되는, 제1 네트워크 엔티티. - 제16 항에 있어서,
상기 적어도 하나의 프로세서는 추가로,
상기 적어도 하나의 트랜시버를 통해, 상기 UE로부터 상기 포지셔닝 측정들을 수신하도록; 그리고
상기 포지션 추정 모듈을 사용하여 상기 포지셔닝 측정들에 기반하여 상기 UE의 포지션을 결정하도록 구성되는, 제1 네트워크 엔티티. - 제16 항에 있어서,
상기 적어도 하나의 프로세서는 추가로,
불확실성이 불확실성 임계치 미만인 상기 복수의 특징들 및 상기 복수의 라벨들의 서브세트를 선택하도록;
상기 복수의 특징들 및 상기 복수의 라벨들의 서브세트를 사용하여 상기 포지션 추정 모듈을 트레이닝하도록;
상기 포지션 추정 모듈의 정확도를 결정하도록;
상기 포지션 추정 모듈의 정확도가 정확도 임계치 이상이라는 결정에 기반하여, 상기 포지션 추정 모듈의 트레이닝이 완료되었음을 결정하도록; 그리고
상기 포지션 추정 모듈의 정확도가 상기 정확도 임계치 미만이라는 결정에 기반하여, 상기 포지션 추정 모듈의 추가 트레이닝을 수행하도록 구성되는, 제1 네트워크 엔티티. - 제1 네트워크 엔티티로서,
복수의 포지셔닝 측정들을 획득하기 위한 수단;
하나 이상의 UE(user equipment)들의 복수의 포지션들을 획득하기 위한 수단 ― 상기 복수의 포지션들은 상기 복수의 포지셔닝 측정들에 기반하여 결정됨 ―;
복수의 특징들로서 상기 복수의 포지셔닝 측정들 및 상기 복수의 특징들에 대응하는 복수의 라벨들로서 상기 복수의 포지션들을 저장하기 위한 수단; 및
상기 UE에 의해 행해진 포지셔닝 측정들로부터 UE의 포지션을 결정하기 위해 상기 복수의 특징들 및 상기 복수의 라벨들로 포지션 추정 모듈을 트레이닝하기 위한 수단을 포함하는,
제1 네트워크 엔티티. - 컴퓨터 실행 가능 명령들을 저장하는 비일시적 컴퓨터 판독 가능 저장 매체로서,
상기 컴퓨터 실행 가능 명령들은 제1 네트워크 엔티티에 의해 실행될 때, 상기 제1 네트워크 엔티티로 하여금,
복수의 포지셔닝 측정들을 획득하게 하고;
하나 이상의 UE(user equipment)들의 복수의 포지션들을 획득하게 하고 ― 상기 복수의 포지션들은 상기 복수의 포지셔닝 측정들에 기반하여 결정됨 ―;
복수의 특징들로서 상기 복수의 포지셔닝 측정들 및 상기 복수의 특징들에 대응하는 복수의 라벨들로서 상기 복수의 포지션들을 저장하게 하고; 그리고
상기 UE에 의해 행해진 포지셔닝 측정들로부터 UE의 포지션을 결정하기 위해 상기 복수의 특징들 및 상기 복수의 라벨들로 포지션 추정 모듈을 트레이닝하게 하는, 비일시적 컴퓨터 판독 가능 저장 매체.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/396,417 | 2021-08-06 | ||
US17/396,417 US11825439B2 (en) | 2021-08-06 | 2021-08-06 | Data gathering and data selection to train a machine learning algorithm |
PCT/US2022/072591 WO2023015053A1 (en) | 2021-08-06 | 2022-05-26 | Data gathering and data selection to train a machine learning algorithm |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20240037985A true KR20240037985A (ko) | 2024-03-22 |
Family
ID=82608050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020247003409A KR20240037985A (ko) | 2021-08-06 | 2022-05-26 | 머신 러닝 알고리즘을 트레이닝하기 위한 데이터 수집 및 데이터 선택 |
Country Status (5)
Country | Link |
---|---|
US (2) | US11825439B2 (ko) |
EP (1) | EP4381312A1 (ko) |
KR (1) | KR20240037985A (ko) |
CN (1) | CN117751299A (ko) |
WO (1) | WO2023015053A1 (ko) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI20206314A1 (en) * | 2020-12-16 | 2022-06-17 | Nokia Technologies Oy | ESTIMATION OF DELAY SPREAD AND DOPPLER SPREAD |
US11817988B2 (en) * | 2021-12-14 | 2023-11-14 | Raytheon Company | Demodulation of frequency-hopping spread spectrum (FHSS) signals using sequential artificial intelligence/machine learning (AI/ML) models |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11317414B2 (en) | 2018-06-05 | 2022-04-26 | Qualcomm Incorporated | Exchanging location information of a base station that is associated with a plurality of different transmission point locations |
US20200216025A1 (en) * | 2019-01-04 | 2020-07-09 | Byton North America Corporation | Systems and methods for providing access to a vehicle using a wireless access device |
US10908299B1 (en) | 2019-08-30 | 2021-02-02 | Huawei Technologies Co., Ltd. | User equipment positioning apparatus and methods |
US11385316B2 (en) * | 2019-09-09 | 2022-07-12 | Byton North America Corporation | Systems and methods for determining the position of a wireless access device within a vehicle |
US11350293B2 (en) | 2019-11-26 | 2022-05-31 | Huawei Technologies Co., Ltd. | Systems and methods for estimating locations of signal shadowing obstructions and signal reflectors in a wireless communications network |
-
2021
- 2021-08-06 US US17/396,417 patent/US11825439B2/en active Active
-
2022
- 2022-05-26 CN CN202280053744.2A patent/CN117751299A/zh active Pending
- 2022-05-26 WO PCT/US2022/072591 patent/WO2023015053A1/en active Application Filing
- 2022-05-26 EP EP22744080.7A patent/EP4381312A1/en active Pending
- 2022-05-26 KR KR1020247003409A patent/KR20240037985A/ko unknown
-
2023
- 2023-10-25 US US18/494,299 patent/US20240064692A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023015053A1 (en) | 2023-02-09 |
US20240064692A1 (en) | 2024-02-22 |
US20230037704A1 (en) | 2023-02-09 |
US11825439B2 (en) | 2023-11-21 |
EP4381312A1 (en) | 2024-06-12 |
CN117751299A (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240064692A1 (en) | Data gathering and data selection to train a machine learning algorithm | |
US12004115B2 (en) | User equipment (UE)-based sidelink-aware radio frequency fingerprinting (RFFP) positioning | |
US20230336229A1 (en) | Base station-to-server signaling of time-angle channel profile | |
US20230354248A1 (en) | Network-assisted and round-trip radio frequency fingerprint-based (rffp) position estimation | |
US20230228835A1 (en) | Network-based sidelink-aware radio frequency fingerprinting (rffp) positioning | |
US20230350002A1 (en) | User equipment (ue)-based radio frequency fingerprint (rffp) positioning with downlink positioning reference signals | |
US20230350001A1 (en) | User equipment (ue)-based radio frequency fingerprint (rffp) positioning with downlink positioning reference signals | |
US20240061066A1 (en) | Network-based positioning based on self-radio frequency fingerprint (self-rffp) | |
US20240069143A1 (en) | User equipment-based (ue-based) positioning based on self-radio frequency fingerprint (self-rffp) | |
US20240172165A1 (en) | Positioning based on composite radio frequency fingerprint measurement | |
US20240125887A1 (en) | Virtual anchor detection based on channel tap removal | |
US20240179663A1 (en) | Radio frequency fingerprint positioning of transmission-reception point | |
US20240179671A1 (en) | Server-to-base station configuration of feature processing neural network for positioning | |
US20240133995A1 (en) | Positioning model training based on radio frequency fingerprint positioning (rffp) measurements corresponding to position displacements | |
US20230354254A1 (en) | Measurement error feedback to enable machine learning-based positioning | |
US20240085515A1 (en) | Positioning model codepoint configuration | |
US20240037441A1 (en) | Node selection for radio frequency fingerprint (rffp) federated learning | |
US20240073855A1 (en) | Node configuration for positioning model monitoring | |
US20240019528A1 (en) | Positioning model failure detection | |
US20240012089A1 (en) | Positioning model reporting | |
US20240129879A1 (en) | Bandwidth aggregation for radio frequency fingerprint positioning | |
TW202425678A (zh) | 基於自射頻指紋(自rffp)的基於使用者設備的(基於ue的)定位 |