首页 / 专利分类库 / 基本电子电路 / 用于目标终端设备定位的设备和方法

用于目标终端设备定位的设备和方法

申请号 CN202180102258.0 申请日 2021-09-09 公开(公告)号 CN117940788A 公开(公告)日 2024-04-26
申请人 诺基亚通信公司; 发明人 O-E·巴尔布; D·米哈洛普洛斯;
摘要 一种 定位 报告产生器(101),包括:‑用于接收用于定位目标终端设备的一个或多个参考 信号 的装置;‑用于接收定义基于训练的压缩 算法 的一组经训练的参数的装置,该组经训练的参数是通过基于训练的压缩算法和在定位报告消费器(102)中实现的一个或多个基于训练的算法的联合训练获得的;用于通过运行基于训练的压缩算法来生成压缩定位报告的装置;以及用于向定位报告消费器(102)发送压缩定位报告的装置。
权利要求

1.一种定位报告产生器(101),包括:
‑用于接收用于定位目标终端设备的一个或多个参考信号的装置;
‑用于从训练设备(103)接收定义基于训练的压缩算法的一组经训练的参数的装置,所述一组经训练的参数是通过所述基于训练的压缩算法和在定位报告消费器(102)中实现的一个或多个基于训练的算法的联合训练获得的;
‑用于通过运行所述基于训练的压缩算法来生成压缩定位报告的装置,所述基于训练的压缩算法将从所述一个或多个参考信号得出的数据作为输入并且生成所述压缩定位报告作为输出;以及
‑用于向所述定位报告消费器(102)发送所述压缩定位报告的装置。
2.一种定位报告消费器(102),包括:
‑用于从定位报告产生器(101)接收压缩定位报告的装置;
‑用于从训练设备(103)接收定义基于训练的解压缩算法的一组经训练的参数和定义基于训练的距离校正算法的一组经训练的参数的装置,各组所述经训练的参数是通过所述基于训练的解压缩算法、所述基于训练的距离校正算法和在所述定位报告产生器(101)中被实现的基于训练的压缩算法的联合训练获得的;
‑用于通过运行所述基于训练的解压缩算法生成解压缩定位报告的装置,所述基于训练的解压缩算法将所述压缩定位报告作为输入并且生成所述解压缩定位报告作为输出;以及
‑用于通过运行所述基于训练的距离校正算法生成用于定位目标终端设备的估计距离的装置,所述估计距离指定将所述目标终端设备与用于定位所述目标终端设备的一个或多个参考信号的发射器或接收器分离的距离,所述基于训练的距离校正算法将从所述解压缩定位报告得出的重建数据作为输入并且生成所述估计距离作为输出。
3.一种训练设备(103),包括装置,所述装置用于生成:
‑定义基于训练的压缩算法的第一组经训练的参数;
‑定义基于训练的解压缩算法的第二组经训练的参数;
‑定义基于训练的距离校正算法的第三组经训练的参数;
其中所述第一组经训练的参数、所述第二组经训练的参数和所述第三组经训练的参数是如下生成的:根据损失函数的最小化通过使用训练数据,执行所述基于训练的压缩算法、所述基于训练的解压缩算法和所述基于训练的距离校正算法的联合训练。
4.根据权利要求3所述的训练设备(103),其中所述基于训练的压缩算法、所述基于训练的解压缩算法和所述基于训练的距离校正算法的所述联合训练包括联合地执行如下操作:
针对给定的训练压缩级别,训练基于训练的压缩算法,以从数据生成训练压缩定位报告,所述数据是从用于定位训练目标终端设备的一个或多个训练参考信号得出的;
训练基于训练的解压缩算法,以从所述训练压缩定位报告生成训练解压缩定位报告;
训练基于训练的距离校正算法,以从重构数据生成用于定位所述训练目标终端设备的训练估计距离,所述重构数据是从所述训练解压缩定位报告得出的;以及通过将所述损失函数应用到所述训练估计距离和训练实际距离来计算训练距离估计误差,所述训练实际距离将所述训练目标终端设备与所述一个或多个训练参考信号的训练发射器或训练接收器分离。
5.根据权利要求4所述的训练设备(103),其中所述基于训练的压缩算法和所述基于训练的解压缩算法形成映射到给定压缩级别的给定编解码尺寸的自动编码器,所述自动编码器包括作为编码器的所述基于训练的压缩算法以及作为解码器的所述基于训练的解压缩算法。
6.根据权利要求5所述的训练设备(103),其中所述给定编解码尺寸是从一组两个或更多个编解码尺寸中选择的,以在定位延时和准确性之间进行权衡。
7.根据权利要求6所述的训练设备(103),其中所述两个或多个编解码尺寸映射到两个或更多个压缩级别,所述联合训练针对所述两个或更多个压缩级别被执行,所述第一组经训练的参数、所述第二组经训练的参数和所述第三组经训练的参数针对所述两个或多个编解码尺寸被生成。
8.根据权利要求3至7中任一项所述的训练设备(103),包括用于向定位报告产生器(101)发送所述第一组经训练的参数以及向定位报告消费器(102)发送所述第二组经训练的参数和所述第三组经训练的参数的装置。
9.一种实现根据权利要求2所述的定位报告消费器(102)的位置管理功能。
10.一种实现根据权利要求1所述的定位报告产生器(101)的目标终端设备,其中所接收的所述一个或多个参考信号是从无线通信网络中的接入网实体接收的、用于定位所述目标终端设备的下行链路参考信号。
11.一种用于在无线通信网络中使用的接入网实体,所述接入网实体实现根据权利要求1所述的定位报告产生器(101),其中所接收的所述一个或多个参考信号是从所述目标终端设备接收的用于定位所述目标终端设备的上行链路参考信号。
12.根据权利要求1所述的定位报告产生器(101)、根据权利要求10所述的目标终端设备、根据权利要求11所述的接入网设备、根据权利要求2所述的定位报告消费器(102)、或者根据权利要求3至8中任一项所述的训练设备(103),其中所述定位报告包括用于定位所述目标终端设备的数据,用于定位所述目标终端设备的所述数据包括用于定位所述目标终端设备的测量或者与所述一个或多个参考信号相关的信号特征或者包括在所述一个或多个参考信号中的原始信号样本。
13.一种方法,包括:
‑接收(601)用于定位目标终端设备的一个或多个参考信号;
‑从训练设备接收(602)定义基于训练的压缩算法的一组经训练的参数,所述一组经训练的参数是通过所述基于训练的压缩算法和在定位报告消费器中实现的一个或多个基于训练的算法的联合训练获得的;
‑通过实现所述基于训练的压缩算法生成(603)压缩定位报告,所述基于训练的压缩算法将从所述一个或多个参考信号得出的数据作为输入并且生成所述压缩定位报告作为输出;以及
‑向所述定位报告消费器发送(604)所述压缩定位报告。
14.一种方法,包括:
‑从定位报告产生器接收(601)压缩定位报告;
‑从训练设备接收(602)定义基于训练的解压缩算法的一组经训练的参数和定义基于训练的距离校正算法的一组经训练的参数,各组所述经训练的参数是通过所述基于训练的解压缩算法,所述基于训练的距离校正算法和在所述定位报告产生器中实现的基于训练的压缩算法的联合训练获得的;
‑通过实现所述基于训练的解压缩算法生成(603)解压缩定位报告,所述基于训练的解压缩算法将所述压缩定位报告作为输入并且生成所述解压缩定位报告作为输出;以及‑通过实现所述基于训练的距离校正算法生成(604)用于定位目标终端设备的估计距离,所述估计距离指定将所述目标终端设备与用于定位所述目标终端设备的一个或多个参考信号的发射器或接收器分离的距离,所述基于训练的距离校正算法将从所述解压缩定位报告得出的重构数据作为输入并且生成所述估计距离作为输出。
15.一种方法,包括生成(802)
‑定义基于训练的压缩算法的第一组经训练的参数;
‑定义基于训练的解压缩算法的第二组经训练的参数;
‑定义基于训练的距离校正算法的第三组经训练的参数;
其中所述第一组经训练的参数、所述第二组经训练的参数和所述第三组经训练的参数是如下生成的:根据损失函数的最小化通过使用训练数据,执行所述基于训练的压缩算法、所述基于训练的解压缩算法和所述基于训练的距离校正算法的联合训练。

说明书全文

用于目标终端设备定位的设备和方法

技术领域

[0001] 各种示例实施例通常涉及用于无线网络中的目标终端设备定位的设备、方法和计算机程序产品。

背景技术

[0002] 定位技术最初被引入蜂窝网络中,以满足紧急呼叫定位的监管要求。从那时起,定位服务在不同的移动无线电世代中已经被广泛的开发和支持,以提供终端设备的室内和室外/上行链路和下行链路定位。
[0003] 在第三代合作伙伴计划(3GPP)中,若干工作组开发了用于在蜂窝网络中定位终端设备的规范。这些规范定义了定位技术、信号、测量、程序和架构,以满足针对大量的商业和工业用例的定位性能要求。定位性能要求通常在准确性、延时、可用性、完整性和可靠性的方面进行定义。在版本16和版本17中的最新规范涉及用于5G网络的定位特征。
[0004] 版本16指定了用于5G新无线电(NR)的定位架构、信号和测量,这些都源自用于4G(用于长期演进网络)的定位特征。在版本17中,解决了支持5G商业和工业用例要求所需的研究增强和解决方案。
[0005] 与3GPP中最新研究相关的主要定位性能要求是支持5G工业用例(例如物流、自动驾驶汽车、本地化传感、物联网(IoT)应用)和5G终端设备(例如物联网设备、机器人传感器、无人机)所需的定位准确性和延时。特别地,对于一般5G商业用例要求低至米级的高定位准确性,而对于例如IoT的用例要求低至分米级的高定位准确性。对于定位延时,对于一般用例的目标延时要求低于100ms,而对于IoT用例为10ms的数量级。
[0006] 为了定位目标终端设备,在定位会话期间,定位信息从定位报告产生器发送到定位报告消费器。定位生成产生器从定位测量生成定位报告,并将定位报告发送到定位报告消费器,定位报告消费器从定位报告估计目标终端设备的位置。定位报告的尺寸被限制为最大分组的尺寸,该最大分组的尺寸通常由定位报告消费器在定位会话的开始时指定。因此,为了发送大尺寸定位报告,定位报告产生器必须将定位报告分割成若干消息并将它们顺序地发送到定位报告消费器。
[0007] 给定定位准确性和延时要求,定位会话要么是延时敏感的,要么是准确性敏感的。因此,针对由延时或准确性要求约束的定位会话,定位报告产生器需要决定压缩定位报告以减小其尺寸,这会导致定位准确性降低,或者通过大量的消息发送大报告,这会带来不可接受的延时成本。
[0008] 因此,需要用于用于发送定位信息同时满足定位准确性和延时要求的增强定位技术。发明内容
[0009] 保护范围由独立权利要求规定。本说明书中描述的不落入保护范围的实施例、示例和特征(如果有)应被解释为有助于理解落入保护范围的各种实施例或示例的示例。
[0010] 在第一方面,提供了一种定位报告产生器,包括用于接收用于定位目标终端设备的一个或多个参考信号的装置;用于从训练设备接收定义基于训练的压缩算法的一组经训练的参数的装置,一组经训练的参数是通过基于训练的压缩算法和在定位报告消费器中实现的一个或多个基于训练的算法的联合训练获得的;用于通过运行基于训练的压缩算法来生成压缩定位报告的装置,基于训练的压缩算法将从一个或多个参考信号得出的数据作为输入并且生成压缩定位报告作为输出;以及用于向定位报告消费器发送压缩定位报告的装置。
[0011] 在第二方面,提供了一种定位报告消费器,包括用于从定位报告产生器接收压缩定位报告的装置;用于从训练设备接收定义基于训练的解压缩算法的一组经训练的参数和定义基于训练的距离校正算法的一组经训练的参数的装置,各组经训练的参数是通过基于训练的解压缩算法、基于训练的距离校正算法和在定位报告产生器中被实现的基于训练的压缩算法的联合训练获得的;用于通过运行基于训练的解压缩算法生成解压缩定位报告的装置,基于训练的解压缩算法将压缩定位报告作为输入并且生成解压缩定位报告作为输出;以及用于通过运行基于训练的距离校正算法生成用于定位目标终端设备的估计距离的装置,估计距离指定将目标终端设备与用于定位目标终端设备的一个或多个参考信号的发射器或接收器分离的距离,基于训练的距离校正算法将从解压缩定位报告得出的重建数据作为输入并且生成估计距离作为输出。
[0012] 在第三方面,提供了一种训练设备,包括用于生成定义基于训练的压缩算法的第一组经训练的参数、定义基于训练的解压缩算法的第二组经训练的参数、定义基于训练的距离校正算法的第三组经训练的参数的装置。第一组经训练的参数、第二组经训练的参数和第三组经训练的参数是如下生成的:根据损失函数的最小化通过使用训练数据,执行基于训练的压缩算法、基于训练的解压缩算法和基于训练的距离校正算法的联合训练。
[0013] 在实施例中,基于训练的压缩算法、基于训练的解压缩算法和基于训练的距离校正算法的联合训练包括联合地执行如下操作:针对给定的训练压缩级别,训练基于训练的压缩算法,以从数据生成训练压缩定位报告,数据是从用于定位训练目标终端设备的一个或多个训练参考信号得出的;训练基于训练的解压缩算法,以从训练压缩定位报告生成训练解压缩定位报告;训练基于训练的距离校正算法,以从重构数据生成用于定位训练目标终端设备的训练估计距离,重构数据是从训练解压缩定位报告得出的;以及通过将损失函数应用到训练估计距离和训练实际距离来计算训练距离估计误差,训练实际距离将训练目标终端设备与一个或多个训练参考信号的训练发射器或训练接收器分离。
[0014] 在实施例中,基于训练的压缩算法和基于训练的解压缩算法形成映射到给定压缩级别的给定解编码尺寸的自动编码器,自动编码器包括作为编码器的基于训练的压缩算法以及作为解码器的基于训练的解压缩算法。
[0015] 在实施例中,给定解编码尺寸是从一组两个或更多个解编码尺寸中选择的,以在定位延时和准确性之间进行权衡。
[0016] 在实施例中,两个或多个解编码尺寸映射到两个或更多个压缩级别,联合训练针对两个或更多个压缩级别被执行,第一组经训练的参数、第二组经训练的参数和第三组经训练的参数针对两个或多个解编码尺寸被生成。
[0017] 在实施例中,训练设备还包括用于向定位报告产生器发送第一组经训练的参数以及向定位报告消费器发送第二组经训练的参数和第三组经训练的参数的装置。
[0018] 在第四方面,提供了一种实现任何前述特征的定位报告消费器的位置管理功能。
[0019] 在第六方面,提供了一种实现任意前述特征的定位报告产生器的目标终端设备,所接收的一个或多个参考信号是从无线通信网络中的接入网实体接收的、用于定位目标终端设备的下行链路参考信号。
[0020] 在第七方面,提供了一种用于在无线通信网络中使用的接入网实体,该接入网络实体实现任何前述特征的定位报告产生器,所接收的一个或多个参考信号是从目标终端设备接收的用于定位目标终端设备的上行链路参考信号。
[0021] 在实施例中,定位报告包括用于定位目标终端设备的数据,用于定位目标终端设备的数据包括用于定位目标终端设备的测量或者与一个或多个参考信号相关的信号特征或者包括在一个或多个参考信号中的原始信号样本。
[0022] 在实施例中,基于训练的压缩算法是由包含权重值和偏置值的一组参数定义的神经网络。
[0023] 在实施例中,基于训练的解压缩算法是由包括权重值和偏置值的一组参数定义的神经网络。
[0024] 在实施例中,基于训练的距离校正算法是由包含权重值和偏置值的一组参数定义的神经网络。
[0025] 在第八方面,提供了一种用于生成和发送压缩定位报告的方法,包括接收用于定位目标终端设备的一个或多个参考信号;从训练设备接收定义基于训练的压缩算法的一组经训练的参数,一组经训练的参数是通过基于训练的压缩算法和在定位报告消费器中实现的一个或多个基于训练的算法的联合训练获得的;通过实现基于训练的压缩算法生成压缩定位报告,基于训练的压缩算法将从一个或多个参考信号得出的数据作为输入并且生成压缩定位报告作为输出;以及向定位报告消费器发送压缩定位报告。
[0026] 在第九方面,提供了一种用于生成用于定位目标终端设备的估计距离的方法,包括从定位报告产生器接收压缩定位报告;从训练设备接收定义基于训练的解压缩算法的一组经训练的参数和定义基于训练的距离校正算法的一组经训练的参数,各组经训练的参数是通过基于训练的解压缩算法,基于训练的距离校正算法和在定位报告产生器中实现的基于训练的压缩算法的联合训练获得的;通过实现基于训练的解压缩算法生成解压缩定位报告,基于训练的解压缩算法将压缩定位报告作为输入并且生成解压缩定位报告作为输出;以及通过实现基于训练的距离校正算法生成用于定位目标终端设备的估计距离,估计距离指定将目标终端设备与用于定位目标终端设备的一个或多个参考信号的发射器或接收器分离的距离,基于训练的距离校正算法将从解压缩定位报告得出的重构数据作为输入并且生成估计距离作为输出。
[0027] 在第十方面,提供了一种用于联合训练三个基于训练的算法的方法,包括生成定义基于训练的压缩算法的第一组经训练的参数、定义基于训练的解压缩算法的第二组经训练的参数、定义基于训练的距离校正算法的第三组经训练的参数;第一组经训练的参数、第二组经训练的参数和第三组经训练的参数是如下生成的:根据损失函数的最小化通过使用训练数据,执行基于训练的压缩算法、基于训练的解压缩算法和基于训练的距离校正算法的联合训练。
[0028] 在第十一方面中,提供了一种非瞬态计算机可读介质,其存储有计算机可执行指令,当由装置处的至少一个处理器执行时,使得装置执行用于根据任意前述特征生成和发送压缩定位报告。
[0029] 一般而言,计算机可执行指令使得装置执行本文所公开的用于生成和发送压缩定位报告的方法的一个或多个或全部步骤。
[0030] 在第十二方面,提供了一种非瞬态计算机可读介质,其存储有计算机可执行指令,当由装置处的至少一个处理器执行时,使得该装置执行用于根据任何前述特征生成用于定位目标终端设备的估计距离的方法。
[0031] 一般而言,计算机可执行指令使得装置执行如本文所公开的用于生成用于定位目标终端设备的估计距离的方法的一个或多个或全部步骤。
[0032] 在第十三方面,提供了一种非瞬态计算机可读介质,其存储有计算机可执行指令,当由装置处的至少一个处理器执行时,使得该装置执行用于根据任何前述特征联合训练三个基于训练的算法的方法。
[0033] 一般而言,计算机可执行指令使得该装置执行如本文所公开的用于联合训练三个基于训练的算法的方法的一个或多个或全部步骤。
[0034] 一般而言,定位报告产生器包括用于执行如本文所公开的用于生成和发送压缩定位报告的方法的一个或多个或全部步骤的装置。该装置包括被配置为执行如本文所公开的用于生成和发送压缩定位报告的方法的一个或多个或全部步骤的电路。该装置可以包括至少一个处理器和至少一个存储器,至少一个存储器包括计算机程序代码,其中该至少一个存储器和计算机程序代码被配置为通过该至少一个处理器使得定位报告产生器执行如本文所公开的用于生成和发送压缩定位报告的方法的一个或多个或全部步骤。
[0035] 一般而言,定位报告消费器包括用于执行如本文所公开的用于生成用于定位目标终端设备的估计距离的方法的一个或多个或全部步骤的装置。该装置包括被配置为执行如本文所公开的用于生成用于定位目标终端设备的估计距离的方法的一个或多个或全部步骤的电路。该装置可以包括至少一个处理器和至少一个存储器,至少一个存储器包括计算机程序代码,其中该至少一个存储器和计算机程序代码被配置为通过该至少一个处理器使得定位报告消费器执行如本文所公开的用于生成用于定位目标终端设备的估计距离的方法的一个或多个或全部步骤。
[0036] 一般而言,训练设备包括用于执行如本文所公开的联合训练三个基于训练的算法的方法的一个或多个或全部步骤的装置。该装置包括被配置为执行如本文所公开的用于联合训练三个基于训练的算法的方法的一个或多个或全部步骤的电路。该装置可以包括至少一个处理器和至少一个存储器,至少一个存储器包括计算机程序代码,其中该至少一个存储器和计算机程序代码被配置为通过该至少一个处理器使得训练设备执行用于联合训练如本文所公开的三个基于训练的算法的方法的一个或多个或全部步骤。
[0037] 在第十四方面,提供了一种定位报告产生器,包括至少一个处理器和至少一个包括计算机程序代码的存储器。至少一个存储器和计算机程序代码被配置为通过至少一个处理器使得定位报告产生器接收用于定位目标终端设备的一个或多个参考信号,从训练设备接收定义基于训练的压缩算法的一组经训练的参数,一组经训练的参数是通过基于训练的压缩算法和在定位报告消费器中实现的一个或多个基于训练的算法的联合训练获得的,通过实现基于训练的压缩算法生成压缩定位报告,基于训练的压缩算法将从一个或多个参考信号得出的数据作为输入并且生成压缩定位报告作为输出,向定位报告消费器发送压缩定位报告。
[0038] 在第十五方面,提供了一种定位报告消费器,包括至少一个处理器和至少一个包括计算机程序代码的存储器。至少一个存储器和计算机程序代码被配置为通过至少一个处理器使得定位报告消费器从定位报告产生器接收压缩定位报告,从训练设备接收定义基于训练的解压缩算法的一组经训练的参数和定义基于训练的距离校正算法的一组经训练的参数,各组经训练的参数是通过基于训练的解压缩算法,基于训练的距离校正算法和在定位报告产生器中实现的基于训练的压缩算法的联合训练获得的,通过实现基于训练的解压缩算法生成解压缩定位报告,基于训练的解压缩算法将压缩定位报告作为输入并且生成解压缩定位报告作为输出;以及通过实现基于训练的距离校正算法生成用于定位目标终端设备的估计距离,估计距离指定将目标终端设备与用于定位目标终端设备的一个或多个参考信号的发射器或接收器分离的距离,基于训练的距离校正算法将从解压缩定位报告得出的重构数据作为输入并且生成估计距离作为输出。
[0039] 在第十六方面,提供了一种训练设备,包括至少一个处理器和至少一个包括计算机程序代码的存储器。至少一个存储器和计算机程序代码被配置为通过至少一个处理器使得训练设备生成定义基于训练的压缩算法的第一组经训练的参数;定义基于训练的解压缩算法的第二组经训练的参数;定义基于训练的距离校正算法的第三组经训练的参数;第一组经训练的参数、第二组经训练的参数和第三组经训练的参数是如下生成的:根据损失函数的最小化通过使用训练数据,执行基于训练的压缩算法、基于训练的解压缩算法和基于训练的距离校正算法的联合训练。
[0040] 在实施例中,至少一个存储器和计算机程序代码被配置为通过至少一个处理器使得训练设备发送第一组经训练的参数到定位报告产生器,并且发送第二组经训练的参数和第三组经训练的参数到定位报告消费器。附图说明
[0041] 并入本说明书并构成本说明书的一部分的附图通过上面给出的一般描述以及下面给出的具体描述图示了示例实施例。
[0042] 图1是图示其中可以实现示例性实施例的示例性无线网络的示意图。
[0043] 图2是根据一些实施例图示定位报告产生器、定位报告消费器和训练设备的结构的框图
[0044] 图3A是根据第一实施例图示定位报告产生器的结构的框图。
[0045] 图3B是根据第一实施例图示定位报告消费器的结构的框图。
[0046] 图4A是根据第二实施例图示定位报告产生器的结构的框图。
[0047] 图4B是根据第二实施例图示定位报告消费器的结构的框图。
[0048] 图5A是根据第三实施例图示定位报告产生器的结构的框图。
[0049] 图5B是根据第三实施例图示定位报告消费器的结构的框图。
[0050] 图6是根据一些实施例图示用于生成和发送压缩定位报告的方法的流程图
[0051] 图7是根据一些实施例图示用于生成用于定位目标终端设备的估计距离的方法的流程图。
[0052] 图8是根据一些实施例图示用于训练三个基于训练的算法的方法的流程图。
[0053] 图9是根据一些实施例图示在无线网络中可操作的网络实体的示例性结构的框图。
[0054] 应当注意,这些图旨在图示在某些示例实施例中使用的设备、方法和结构的一般特征,并且补充下面提供的书面描述。然而,这些附图没有按比例,并且不可以精确反映任何给定实施例的精确结构或性能特征,并且不应被解释为定义或限制通过示例实施例所涵盖的值或属性的范围。在各种附图中相似或完全相同的附图标记的使用旨在指示相似或完全相同的元件或特征的存在。

具体实施方式

[0055] 本文公开了详细示例实施例。然而,本文公开的具体结构和功能细节仅是为了描述示例实施例的目的而代表性的。然而,示例实施例可以以许多替换形式被体现,并且不应被解释为仅限于本文中阐述的实施例。因此,同时示例实施例能够有各种修改和备选形式,该实施例在附图中通过示例的方式被示出并且将在本文中详细被描述。然而,应当理解,不旨在将示例实施例限制到所公开的特定形式。
[0056] 下面的描述中提供了具体细节,以提供对示例实施例的透彻理解。然而,本领域普通技术人员将理解,示例实施例可以在没有这些具体细节的情况下被实践。例如,系统可以在框图中被示出,以免不必要的细节模糊示例实施例。在其他情况下,没有不必要的细节可以示出众所周知的流程、结构和技术,以避免模糊示例实施例。
[0057] 各种实施例提供用于定位在无线网络中可操作的目标终端设备的设备、方法和计算机程序产品。
[0058] 图1是用于定位在无线网络1中可操作的目标终端设备10的示例性应用的框图。
[0059] 定位架构如图1中描绘,涉及目标终端设备10、网络设备11和位置服务器12。目标终端设备10通过无线传输信道在上行链路和下行链路中与网络设备11通信。从目标终端设备10发送到网络设备11的数据/信号/消息对应于上行链路通信。从网络设备11发送到目标终端设备10的数据/信号/消息对应于下行链路通信。
[0060] 该定位架构图示了在无线网络1中可操作并包含目标终端设备10的上行链路定位和下行链路定位的网络实体。更具体地:
[0061] ‑目标终端设备10的上行链路定位包含在网络设备11处实现的定位报告产生器101和在位置服务器12处实现的定位报告消费器102;
[0062] ‑目标终端设备10的下行链路定位包含在目标终端设备10处实现的定位报告产生器101和在位置服务器12处实现的定位报告消费器102。
[0063] 无线网络1可以是包含适合于无线连接的任何类型的无线传播介质的任何无线网络。示例性无线网络包括但不限于自组织无线网络、移动自组织网络、无线局域网、无线传感器网络、无线电广播网络和无线电通信网络(例如LTE、高级LTE、4G/5G及更高版本)。
[0064] 目标终端设备10可以是任何固定或移动设备/系统/对象,其具有所需的硬件和/或软件技术,能够实现无线通信并将数据和/或信号和/或消息传输到网络设备10和位置服务器12。目标终端设备10可以被远程监视和/或控制。目标终端设备10可以装备一个或多个发射天线和一个或多个接收天线。
[0065] 示例性目标终端设备包括但不限于移动电话笔记本电脑平板电脑、机器人、无人机、传感器、可穿戴设备、机器对机器设备、物联网设备、车辆对一切设备(例如车辆、基础设施连接设备)。
[0066] 网络设备11可以是被配置为在无线网络中操作以服务一个或多个终端设备的任何设备。网络设备11可以装备有一个或多个发射天线和一个或多个接收天线。
[0067] 示例性网络设备11包括但不限于:
[0068] ‑无线接入网络实体,例如基站(例如LTE和高级LTE网络中的eNodeB等蜂窝基站和5G网络中使用的gNodeB,以及家庭或商业中心使用的毫微微小区);
[0069] ‑控制站(例如无线电网控制器、基站控制器、网络交换子系统);
[0070] ‑中继站,以及
[0071] ‑局域网或自组织网络中的接入点。
[0072] 无线网络100的示例性应用包括:
[0073] ‑机器对机器(M2M);
[0074] ‑设备对设备(D2D);
[0075] ‑工业4.0;
[0076] ‑物联网(例如车辆对一切通信)涉及物理设备、机器、车辆、家庭联盟和许多其他对象的网络,这些对象相互连接并提供与互联网的连接以及再不需要人与人或人与计算机的交互的情况下收集和交换数据的能
[0077] 物联网应用中使用的示例性无线技术包括:
[0078] ‑短程无线网络(例如蓝牙网状网络、光纤通信、Wi‑FiTM和近场通信);
[0079] ‑中程无线网络(例如高级LTE、长期演进‑窄带、窄带IoT),以及[0080] ‑远程无线网络(例如低功耗广域网(LPWAN)、甚小孔径终端和远程Wi‑FiTM连接)。
[0081] M2M和IoT应用的示例性应用包括但不限于:
[0082] ‑消费者应用(例如车联网、家庭自动化、智慧城市、可穿戴技术和互联健康),以及[0083] ‑商业应用(例如,连接医疗资源和医疗保健服务的数字化医疗保健,其中可以使用特殊监视器和传感器来实现远程健康监测和紧急通知、智能交通控制和道路援助)。
[0084] 在上行链路定位会话期间,定位报告消费器102向在网络设备11处实现的定位报告产生器101请求上行链路定位报告。使用用于定位目标终端设备10的一个或多个上行链路参考信号13来执行上行链路定位。一个或多个上行链路参考信号由目标终端设备10发射到网络设备11。定位报告产生器101从一个或多个上行链路参考信号生成压缩的上行链路定位报告,并且发送压缩的上行链路定位报告到定位报告消费器102。定位报告消费器102处理接收到的压缩上行链路定位报告以生成将目标终端设备10和网络设备11(其是上行链路定位期间一个或多个上行链路参考信号13的接收器)分离的估计距离。
[0085] 在下行链路定位会话期间,定位报告消费器102向在目标终端设备10实现的定位报告产生器101请求下行链路定位报告。使用用于定位目标终端设备10的一个或多个下行链路参考信号14来执行下行链路定位。一个或多个下行链路参考信号14由网络设备11发送到目标终端设备10。在目标终端设备10处实现的定位报告产生器101从一个或多个下行链路参考信号14生成压缩的下行链路定位报告,并且发送该压缩的下行链路定位报告到定位报告消费器102。定位报告消费器102处理接收到的压缩定位报告以生成将目标终端设备10和网络设备11(其是下行链路定位期间一个或多个下行链路参考信号14的发射器)分离的估计距离。
[0086] 一般而言,在目标终端设备10的定位会话(下行链路或上行链路)期间,使用由网络设备11发射或接收的用于定位目标终端设备10的一个或多个参考信号(下行链路或上行链路)来执行定位或来自目标终端设备10。在定位会话期间,定位报告产生器101(在下行链路定位中在目标终端设备10实现,或者在上行链路定位中在网络设备11实现)从一个或多个参考信号生成压缩定位报告并且发送压缩定位报告到定位报告消费器102。定位报告消费器102从接收到的压缩定位报告生成解压缩定位报告,并处理解压缩定位报告以生成将目标终端设备10和网络设备11(其是一个或多个参考信号的发射器或接收器)分离的估计距离。定位报告消费器102发送估计距离到定位服务器12用于进一步处理,以便生成目标终端设备10的定位或位置。位置服务器12可以使用其他输入数据用于定位目标终端设备10,例如由一个或多个定位系统例如卫星定位系统(例如,全球导航卫星系统(或GNSS)和全球定位系统(或GPS))发送的定位数据。
[0087] 在5G网络的应用中,网络设备11可以是无线接入网络实体(例如下一代eNB或gNB),其实现被配置为发射或接收用于定位目标终端设备10的一个或多个参考信号的传输接收点。在这个应用中,定位报告消费器102可以是或者可以被实现为在5G核心网络中可操作的位置管理功能的一部分。在下行链路定位中,定位报告产生器101和定位报告消费器102可以通过LTE定位协议(LPP)接口通信。在上行链路定位中,定位报告产生器101和定位报告消费器102可以通过网络无线电定位协议附件(NRPPa)接口通信。
[0088] 例如,针对目标终端设备辅助定位,定位报告产生器101被实现为目标终端设备10的一部分,并且定位报告消费器102被实现为定位管理功能的一部分并且针对目标终端基于设备的定位,定位报告产生器101和定位报告消费器102被实现为目标终端设备10的部分。
[0089] 用于定位目标终端设备10的一个或多个参考信号包括定位参考信号和可以用于定位目标终端设备10的非定位信号。定位参考信号是指特定于定位任务的参考信号。非定位参考信号是指特定于其他任务但可以用于定位任务的参考信号。
[0090] 例如,非定位参考信号包括但不限于移动性参考信号和无线电资源管理参考信号(例如信道状态信息参考信号和同步参考信号)。
[0091] 例如,定位参考信号包括:
[0092] ‑下行链路定位参考信号(DL‑PRS),以及
[0093] ‑上行链路探测参考信号(UL‑SRS),例如3GPP版本17中指定的UL‑SRS。
[0094] 定位报告产生器101通过应用压缩算法生成压缩定位报告。定位报告消费器102通过应用解压缩算法生成解压缩定位报告,并通过应用距离校正算法从解压缩定位报告生成估计距离。
[0095] 根据各种依赖于在定位报告产生器101处实现基于训练的压缩算法的实施例的定位报告的压缩算法。压缩定位报告的处理依赖于在定位报告消费器102处实现基于训练的解压缩算法和基于训练的距离校正算法,使得基于训练的压缩算法、基于训练的解压缩算法和基于训练的距离校正算法是联合训练的。
[0096] 基于训练的压缩算法、解压缩和距离校正算法是例如监督人工智能/机器学习的算法/模型。
[0097] 示例性监督人工智能/机器学习算法/模型包括但不限于支持向量机、线性回归算法、逻辑回归算法、朴素贝叶斯算法、线性判别分析、决策树、K近邻算法、神经网络和相似性学习
[0098] 由于基于训练的压缩算法、基于训练的解压缩算法和基于训练的距离校正算法是在非并置的网络实体中实现的,三种算法的训练根据各种实施例,以集中方式在定位报告产生器101和定位报告消费器102外部的训练设备处被执行。
[0099] 相应地,无线网络1还包括训练设备103,其包括:
[0100] ‑用于针对与基于训练的压缩算法的训练相关的操作,与定位报告产生器101(在网络设备11或目标终端设备10处实现)通信的装置,以及
[0101] ‑用于针对与基于训练的解压缩算法和基于训练的距离校正算法的训练相关的操作,与定位报告消费器102通信的装置。
[0102] 例如,训练设备103被实现为在无线网络1中可操作的网络管理实体或定位管理实体的一部分。
[0103] 在5G及以后网络的应用中,训练设备103可以在诸如接入和移动性管理功能(AMF)或本地化管理功能(LMF)的中央网络实体处被实现。
[0104] 图2是图示在定位会话期间定位报告产生器101、定位报告消费器102和训练设备103处的处理的框图结构,定位会话可以是上行链路或下行链路定位会话。在通过定位报告消费器102触发定位会话之前,在训练设备103处执行的训练是离线执行的。
[0105] 定位报告产生器101包括压缩单元2020,该压缩单元实现基于训练的压缩算法。基于训练的压缩算法是由一组可训练的参数定义的压缩算法,这些可训练的参数通过训练过程使用训练数据被训练,在训练过程期间基于训练的压缩算法被训练以从输入数据生成输出数据。一旦训练完成,运行由一组经训练的参数定义的基于训练的压缩算法,以从由Sref表示的一个或多个参考信号生成由Rcomp表示的压缩定位报告,用于定位目标终端设备10的。
[0106] 定位报告消费器102包括实现基于训练的解压缩算法的解压缩单元2021和实现基于训练的距离校正算法的距离计算单元2022。
[0107] 基于训练的解压缩算法是由一组可训练的参数定义的解压缩算法,该组可训练的参数通过训练过程使用训练数据被训练。在训练过程期间解压缩算法被训练以从输入数据生成输出数据。一旦训练完成,运行由一组经训练的参数定义的基于训练的解压缩算法,以从压缩定位报告Rcomp生成由Rdec表示的解压缩定位报告。
[0108] 基于训练的距离校正算法是一种数据处理算法,该数据处理算法由一组可训练的参数定义。该组可训练的参数通过训练过程使用训练数据被训练。在训练期间,距离校正算法被训练以从输入数据生成输出数据。一旦训练完成,运行由一组经训练的参数定义的基于训练的距离校正算法,以根据从解压缩定位报告Rdec得出的重建数据生成由 表示的估计距离。
[0109] 训练设备103包括被配置为生成训练数据的训练数据生成单元201和被配置为执行基于训练的压缩、解压缩和距离校正算法的训练的训练单元202。
[0110] 为了以集中的方式执行三个基于训练的算法的联合训练,训练单元202包括完全相同的结构的压缩单元2020、解压缩单元2021和距离校正单元2022。更具体地,训练单元202包括:
[0111] ‑压缩单元2020,其与定位报告产生器101中实现的压缩单元2020完全相同,使得压缩单元2020实现与定位报告产生器101中实现的相同的基于训练的压缩算法;
[0112] ‑解压缩单元2021,其与定位报告消费器102中包括的解压缩单元2021完全相同,使得解压缩单元2021实现与定位报告消费器102中实现的相同的基于训练的解压缩算法;
[0113] ‑距离校正单元2022,其与定位报告消费器102中包括的距离校正单元2022完全相同,使得距离校正单元2021实现与定位报告消费器102中实现的相同的基于训练的距离校正算法。
[0114] 由训练单元202执行的联合训练包含生成:
[0115] ‑定义基于训练的压缩算法的由TS(1)表示的第一组经训练的参数;
[0116] ‑定义基于训练的解压缩算法的由TS(2)表示的第二组经训练的参数,以及[0117] ‑定义基于训练的距离校正算法的由TS(3)表示的第三组经训练的参数。
[0118] 训练单元202,被配置为根据由L(.)表示的损失函数的最小化,通过使用由训练数据生成单元201生成的训练数据,执行基于训练的压缩算法、基于训练的解压缩算法和基于(1)训练的距离校正算法的联合训练来生成第一组经训练的参数TS 、第二组经训练的参数TS(2) (3)
和第三组经训练的参数TS 。损失函数由被包括在训练单元202中的损失函数计算单元
2023使用,并且被配置为使用损失函数L(.)评估训练误差。
[0119] 更具体地,三个基于训练的算法的联合训练包括:
[0120] ‑针对给定的训练压缩级别,训练基于训练的压缩算法,以从数据生成生成由表示的训练压缩定位报告,数据是从用于定位训练目标终端设备的由 表示的一个或多个训练参考信号得出的;
[0121] ‑训练基于训练的解压缩算法,以从训练压缩定位报告 生成由 表示的训练解压缩定位报告;
[0122] ‑训练基于训练的距离校正算法,以从重构数据生成用于定位所述训练目标终端设备的生成由 表示的训练估计距离,重构数据是从所述训练解压缩定位报告 得出的,以及
[0123] ‑由损失函数计算单元2023通过将损失函数L(.)应用到训练估计距离 和训练实际距离来计算训练误差(也被称为“训练距离估计误差”),由dt表示的训练实际距离将训练目标终端设备与一个或多个训练参考信号 的训练发射器或接收器分离。
[0124] 训练过程结束时生成的一组经训练的参数TS(1)、TS(2)和TS(3)对应于使训练误差最小化的一组参数。
[0125] 一旦确定了一组经训练的参数TS(1)、TS(2)和TS(3),训练设备103发送一组经训练的(1) (2) (3)参数TS 到定位报告产生器101并发送一组经训练的参数TS 和TS 到定位报告消费器
102。
[0126] 在应用于5G及以后网络中,当训练设备103在接入和移动功能中被实现时,使用诸如N1接口和NLs接口的控制信道可以执行一组经训练的参数的传输。
[0127] 一旦接收一组经训练的参数TS(1),定位报告产生器101通过运行由第一组经训练(1)的参数TS 定义的基于训练的压缩算法从一个或多个参考信号Sref生成压缩定位报告Rcomp。基于训练的压缩算法将用于定位目标终端设备10的一个或多个参考信号Sref作为输入,并生成压缩定位报告Rcomp作为输出。然后,定位报告产生器101则发送压缩定位报告Rcomp到定位报告消费器102。
[0128] 定位报告消费器102相应地从定位报告产生器101接收压缩定位报告Rcomp,并且接(2)收定义基于训练的解压缩算法的第二组经训练的参数TS 和定义来自训练设备103的基于(3)
训练的距离校正算法的第三组经训练的参数TS 。
[0129] 定位报告消费器102中包括的压缩单元2021被配置为通过运行基于训练的解压缩算法以生成解压缩定位报告Rdec,基于训练的解压缩算法将压缩定位报告Rcomp作为输入并生成由Rdec表示的解压缩定位报告作为输出。
[0130] 定位报告消费器102中包括的距离计算单元2022被配置为通过运行基于训练的距离校正算法生成用于定位目标终端设备10的估计距离 该距离校正算法将从解压缩定位报告Rdec得出的重构数据作为输入并生成估计距离 作为输出。估计距离 指定将目标终端设备与一个或多个参考信号Sref的发射器或接收器分离的距离。
[0131] 训练数据生成单元201生成训练数据并且提供训练数据到训练单元202。
[0132] 训练数据可以包括一下中的一个或多个:
[0133] ‑使用诸如射频和物理层模拟器的系统级模拟工具生成的训练模拟数据;
[0134] ‑使用网络仿真工具生成的训练仿真数据,
[0135] ‑训练真实网络数据,从可在无线网络100中操作的一个或多个参考目标终端设备收集并且由训练设备103配置以报告所选参考信号的定位数据。
[0136] 训练数据是由标记的输入/输出对组成的标记数据。
[0137] 在一个实施例中,基于训练的压缩算法、基于训练的解压缩算法和基于训练的距离校正算法为人工神经网络,分别被称为压缩神经网络、解压缩神经网络和距离校正神经网络。
[0138] 示例性神经网络包括但不限于卷积神经网络(CNN)、深度神经网络(DNN)、循环神经网络、多层感知器和自动编码器。
[0139] 神经网络是一种由输入层和两个或更多个层组成的多层网络,其中两个或更多个层包括一个或多个隐藏层输出层。每层包括多个人工神经元或计算节点
[0140] 人工神经网络是全连接的。这意味着一层中的每个计算节点通过一定的权重连接到下一层中的每个计算节点,即将来自前一层的连接节点的输入与一组权重相结合,该组权重放大或抑制输入值。从接收人工神经网络的输入数据的输入层开始,每一层的输出是后续层的输入。除了输入层中包括的计算节点,包括在一个或多个隐藏层中的计算节点实施激活函数,激活函数将隐藏层中的计算节点的加权输入映射到计算节点的输出。激活函数可以是线性激活函数、S形函数或修正线性单元之一。
[0141] 因此,人工神经网络与一组模型参数和激活函数相关联,该组模型参数包括权重矩阵和偏置向量。权重矩阵包括实值系数,使得每个系数表示与属于两个连续层的两个计算节点之间的连接相关联的权重值。
[0142] 因此,在本实施例中:
[0143] ‑第一组经训练的参数TS(1)包括由W(1)表示的第一权重矩阵和由b(1)表示的第一偏置向量;
[0144] ‑第二组经训练的参数TS(2)包括由W(2)表示的第二权重矩阵和由b(2)表示的第二偏置向量;
[0145] ‑第三组经训练的参数TS(3)包括由W(3)表示的第三权重矩阵和由b(3)表示的第三偏置向量。
[0146] 在本实施例中,训练单元202执行三个基于训练的算法的联合训练,以根据损失函(1) (2) (3)数的最小化生成第一权重矩阵W 、第二权重矩阵W 、第三权重矩阵矩阵W ,第一偏置向(1) (2) (3)
量b ,第二偏置向量b 和第三偏置向量b 的值。
[0147] 压缩神经网络、解压缩神经网络和距离校正神经网络的联合训练能够使用训练数(1) (1) (2) (2) (3) (3)据确定和更新模型参数W 、b 、W 、b 、W 和b 。
[0148] 联合训练阶段是一个全局优化问题,被执行以一种能够最小化训练误差(也被称(1) (1) (2) (2) (3) (3)为预测误差)的方式联合调整模型参数W 、b 、W 、b 、W 和b ,该误差量化了包括压缩神经网络、解压缩神经网络和距离校正神经网络的联合架构与提供估计距离的最佳预测(1) (1) (2) (2) (3) (3)
的理想模型参数。模型参数W 、b 、W 、b 、W 和b 可以被初始设置为初始参数,例如随机生成。然后在训练阶段期间更新这些初始参数,并以使得三个压缩神经网络、解压缩神经网络和距离校正人工神经网络组成的联合架构能够收敛到最佳预测的方式被调整。
[0149] 在实施例中,由三个神经网络组成的联合架构使用反向传播训练技术被训练。反向传播训练是通过神经网络的不同层对信息进行前向和反向传播的迭代过程。
[0150] 在第一阶段(被称为前向传播阶段)期间,联合架构接收包括训练输入值和与训练输入值相关联的期望值的训练数据,期望值对应于当训练输入值作为输入被馈送到联合架构中时训练时联合架构的期望输出。由于联合架构包括以级联方式实现的三个神经网络,以联合方式执行前向传播阶段,使得训练输入数据被馈送到压缩神经网络中,并且将要和与训练输入值相关联的期望值进行比较的估计值被获得以作为距离校正神经网络的输出。
[0151] 因此,在前向传播阶段期间,训练输入值穿过压缩神经网络,压缩神经网络从训练输入值生成训练压缩定位报告。然后训练压缩定位报告被馈送到解压缩神经网络中,解压缩神经网络从训练压缩定位报告生成训练解压缩定位报告。然后,来自训练解压缩定位报告的重建数据被馈送到距离校正神经网络,距离校正神经网络生成训练估计距离作为与被馈送到压缩神经网络中的训练数据相对应的估计值。
[0152] 前向传播阶段的最后一步由损失函数生成单元2023执行,损失函数生成单元比较与训练数据相关联的期望值和当训练数据通过联合架构时获得的训练估计距离。比较可以测量训练估计距离相对于期望值的好坏,并更新三个神经网络的参数,目的是训练估计距离值接近期望值,使得训练误差接近为零。使用损失函数L(.)基于更新模型参数的梯度程序来估计训练误差。
[0153] 前向传播阶段之后是反向传播阶段,在此期间通过应用优化算法直到获得良好的(1) (1) (2) (2) (3) (3)预测并且损失函数最小化,以相反的顺序逐渐调整模型参数W 、b 、W 、b 、W 和b 。
在此阶段期间,计算出的训练误差在距离校正神经网络、解压缩神经网络和压缩神经网络上反向传播,从输出层开始到隐藏层的所有计算节点,这些计算节点有助于估计值的计算。
每个计算节点根据其对神经网络的输出的相对贡献接收总训练误差的一小部分。逐层重复该过程,直到三个神经网络中的所有计算节点已经收到与它们对总训练误差的相对贡献相对应的训练误差。一旦训练误差被反向传播,权重和偏置向量根据在训练集上的平均的损失函数的最小化通过应用优化算法被更新。
[0154] 示例性损失函数包括但不限于:
[0155] ‑由 表示的绝对误差函数;
[0156] ‑由 表示的均方误差(MSE)函数;
[0157] ‑归一化均方误差函数;
[0158] ‑指数对数似然函数。
[0159] 被用以调整模型参数的示例性优化算法包括但不限于计算针对每个模型参数的自适应学习率的自适应矩估计算法(ADAM)、涅斯捷洛夫加速梯度(NAG)算法、随机梯度优化算法和自适应学习率优化算法。
[0160] 在实施例中,基于训练的压缩算法和基于训练的解压缩算法形成自动编码器。自动编码器是一个学习将输入复制到输出的神经网络。它包括一个内部隐藏层,内部隐藏层描述被用于表示输入的编码。自动编码器包括将输入映射到编码表示的编码器和将编码表示映射到输入的重构的解码器。
[0161] 在本实施例中,自动编码器具有由C表示的给定编解码尺寸,并且包括作为编码器的基于训练的压缩算法和作为解码器的基于训练的解压缩算法。给定的编解码尺寸映射到给定的压缩级别,根据给定的压缩级别映射基于训练的压缩算法来生成压缩定位报告Rcomp。
[0162] 在实施例中,给定编解码尺寸C是灵活的,并且是从一组由C1,…,CJ(J≥2)表示的两个或更多个编解码尺寸中选择的,以在定位延时和准确性之间进行权衡。例如,小的编解码尺寸将降低定位报告的延时,但也会降低最终位置估计的准确性。
[0163] 针对j=1,…,J的每个编解码尺寸Cj映射到压缩级别。
[0164] 在本实施例中,对两个或更多个压缩级别执行基于训练的压缩算法、解压缩算法和距离校正算法的联合训练,使得对于映射到压缩级别的每个编解码尺寸Cj,定义经训练(1) (2)的压缩算法的由TSj 表示的第一组经训练的参数,定义经训练的解压缩算法的由TSj 表(3)
示第二组经训练的参数,以及由TSj 表示的第三组经训练的参数针对j=1,…,J被生成,即用于两个或更多个编解码尺寸C1,…,CJ。
[0165] 在本实施例中,训练设备103可以将针对两个或更多个压缩级别生成的一组参数传送到定位报告产生器101和定位报告消费器102,定位报告产生器101和定位报告消费器102可以例如根据编解码尺寸规范来部署一组参数中的一个参数。
[0166] 在应用于5G及以后网络中,可以在定位和管理功能处定义一组编解码尺寸C1,…,CJ,并且在长期演进技术位置协议(LPP)辅助数据中发送到定位报告产生器101和定位报告消费器102。定位管理功能可以明确请求特定编解码尺寸的使用,使得定位报告产生器101和/或定位报告消费器102根据本地化和管理功能的请求在针对两个或更多个压缩级别接收的两个或更多组参数中部署该组参数。
[0167] 根据一些实施例,定位报告包括用于定位目标终端设备10的数据,用于定位目标终端设备10的数据包括用于定位目标终端设备10的测量或者与一个或多个参考信号相关的信号特征或包括在一个或多个参考信号Sref中的原始信号样本。
[0168] 用于定位目标终端设备10的测量是指用于定位目的并且从一个或多个参考信号Sref计算或估计的测量。因此,用于定位目标终端设备10的测量包括:
[0169] ‑从一个或多个定位参考信号计算或估计的定位测量;
[0170] ‑从一个或多个参考信号计算或估计的测量,参考信号不是参考定位信号,而是用于定位目标终端设备10的参考信号(例如移动性和无线资源管理参考信号)。
[0171] 示例性定位测量包括但不限于:
[0172] ‑基于时间的测量,例如到达时间测量(例如下行链路到达时间差)、上行链路相对到达时间、发射器‑接收器时间差、相对到达时间、多小区往返时间测量,以及[0173] ‑基于度的测量,例如多天线波束测量、下行链路出发角测量、上行链路到达角测量、到达角的方位角和天顶角。
[0174] 图3A和图3B分别示出了示例性实施例中的定位报告产生器101和定位报告消费器102的结构,其中定位报告包括用于定位目标终端设备10的测量。由于包括在训练设备103中的训练单元202包括定位报告产生器101和定位报告消费器102的完全相同的结构,为了简化的原因,在本实施例中未图示训练设备103的结构。
[0175] 如图3A中描述的,定位报告产生器101包括测量计算单元301,其被配置为在给定用于定位目标终端设备10的接收到的一个或多个参考信号Sref的情况下生成估计的测量。例如,载给定接收到的一个或多个参考信号Sref的情况下,测量计算单元301生成到达时间或到达时间差的测量。
[0176] 然后,生成的测量被馈送到十进制到二进制转换器303中,该十进制到二进制转换器被配置为将生成的测量转换成适合输入到压缩单元305的格式,压缩单元305实现由先前(1)从训练设备103接收的一组经训练的参数TS 定义的基于训练的压缩算法。十进制到二进制转换器303将十进制到二进制的转换应用到由测量计算单元301生成的测量。
[0177] 通过十进制到二进制转换获得的信号可以具有由x表示的二进制列向量表示。
[0178] 然后,二进制列向量被馈送到压缩单元305并由基于训练的压缩算法处理,以从二进制列向量x生成压缩定位报告Rcomp。在这种情况下,压缩定位报告包括用于定位目标终端设备10的压缩测量。
[0179] 在实施例中,基于训练的压缩算法是自动编码器的编码器部分,并且是通过由σ表(1) (1) (1)示的激活函数定义的多层神经网络,一组经训练的参数TS ={W ,b }]包括权重矩阵W(1) (1)
和偏置向量b ,以及由K层表示的多个层。根据多层结构,神经网络定义与多个K中的每(1) (1)
个层k相关联的由fk(ink,Wk ,bk )表示的映射,使得该映射使用与层k关联的权重矩阵Wk(1) (1) (1) (1)
和与层k相关联的偏置向量bk 将层k的输入ink映射到输出outk=fk(ink,Wk ,bk ),使得:
[0180] outk=fk(ink,Wk(1),bk(1))=σ(Wk(1)ink+bk(1))    (1)
[0181] 在层k的计算节点处执行的输入权重乘积相应地由权重矩阵Wk(1)和层k的输入ink(1) (1)之间的产生函数Wk ink表示,然后将这些输入权重乘积与和层k关联的偏置向量bk 求和,并将总和传递到激活函数σ。
[0182] 因此,考虑到压缩神经网络的多层结构,压缩定位报告Rcomp是根据给出的等式从二进制列向量x被生成的:
[0183]
[0184] 在此实施例中,压缩神经网络将二进制列向量x转换为与自动编码器的编解码尺寸C相对应的长度的较短表示,同时保存二进制列向量的相关特征。
[0185] 图3B中描绘的定位报告消费器102的结构包括如图3A中的定位报告产生器101中实现的处理框对称的处理框。
[0186] 因此,定位报告消费器102包括,由从训练设备103先前接收的一组经训练的参数(2)TS 定义的基于训练的解压缩算法实现的解压缩单元302。基于训练的解压缩从接收到的压缩定位报告Rcomp生成解压缩定位报告Rdec。在这种情况下,解压缩定位报告包括用于定位目标终端设备10的解压缩的测量。
[0187] 在实施例中,基于训练的解压缩算法是自动编码器的解码器部分,并且是通过由σ(2) (2) (2)表示的激活函数定义的多层神经网络,一组经训练的参数TS ={W ,b }包括权重矩阵W(2) (2)
和偏置向量b ,以及由K层表示的多个层。根据多层结构,神经网络定义与多个K中的每(1) (1)
个k层相关联的由fk(ink,Wk ,bk )表示的映射,使得该映射使用与层k关联的权重矩阵Wk(1) (1) (1) (1)
和与层k关联的偏置向量bk 将层k的输入ink映射到输出outk=fk(ink,Wk ,bk ),使得:
[0188] outk=fk(ink,Wk(2),bk(2))=σ(Wk(2)ink+bk(2))    (3)
[0189] 在层k的计算节点处执行的输入权重乘积相应地由权重矩阵Wk(2)和层k的输入ink(2) (2)之间的产生函数Wk ink表示,然后将这些输入权重乘积与和层k关联的偏置向量bk 求和,并将总和传递到激活函数σ。
[0190] 因此,考虑到解压缩神经网络的多层结构,解压缩定位报告Rdec是根据给出的等式从压缩定位报告Rcomp被生成的:
[0191]
[0192] 解压缩定位报告Rdec是重建的二进制列向量x′。然后将其馈送到二进制到十进制转换器304,转换器304将解压缩报告x′转换成十进制测量向量,使得十进制测量向量包括用于定位目标终端设备10的重构测量。
[0193] 然后将重构的十进制测量馈送到距离估计单元306,该距离估计单元306被配置为从重构的十进制测量生成由l表示的距离值。
[0194] 然后将生成的距离值l馈送到距离校正单元308,该距离校正单元308实现基于训练的距离校正算法以从距离值l生成由 表示的估计校正距离。基于训练的距离校正算法通过校正影响在距离估计单元306处的距离的估计的信号处理相关的效应来返回校正的估计距离值 这样的效应包括例如射频非线性效应(例如相位噪声、射频‑基带(RF‑BB)转换延时)和RF信号带宽。
[0195] 在实施例中,基于训练的距离校正算法是一个由σ表示的激活函数定义的多层神(3) (3) (3) (3) (3)经网络,一组经训练的参数TS ={W ,b }包括权重矩阵W 和偏置向量b ,以及由K层(1)
表示的多个层。根据多层结构,神经网络定义与多个K中的每个k层相关联的由fk(ink,Wk ,(1) (3) (3)
bk )表示的映射,使得该映射使用与层k关联的权重矩阵Wk 和与层k关联的偏置向量bk(3) (3)
将层k的输入ink映射到输出outk=fk(ink,Wk ,bk ),使得:
[0196] outk=fk(ink,Wk(3),bk(3))=σ(Wk(3)ink+bk(3))    (5)
[0197] 在层k的计算节点处执行的输入权重乘积相应地由权重矩阵Wk(3)和层k的输入ink(3) (3)之间的产生函数Wk ink表示,然后将这些输入权重乘积与和层k关联的偏置向量bk 求和,并将总和传递到激活函数σ。
[0198] 因此,考虑到距离校正神经网络的多层结构,估计的校正距离 是根据给出的等式从距离值l生成的:
[0199]
[0200] 图4A和图4B分别示出了在示例性实施例中定位报告产生器和101和定位报告消费器102的示例性结构,其中定位报告包括与一个或多个参考信号Sref相关的信号特征。由于训练设备103中包括的训练单元202包括定位报告产生器101和定位报告消费器102的完全相同的结构,为了简化的原因,本实施例未图示训练设备103的结构。
[0201] 在本实施例中,定位报告产生器101包括特征提取单元401,被配置为从一个或多个参考信号Sref提取一组信号表征。例如,特征提取单元401实现主成分分析(PCA)、傅里叶变换的变形(例如,快速傅里叶变换或短时傅里叶变换)。特征提取单元401应用由F表示的变换函数,其生成由x表示的特征向量,使得x=F(Sref).
[0202] 然后将特征向量x馈送到压缩单元403,压缩单元403实现由从特征信号x生成压缩(1)定位报告Rcomp的一组经训练的参数TS 定义的基于训练的压缩算法。
[0203] 在基于训练的压缩算法是自动编码器的编码器部分,并且是通过由σ表示的激活(1) (1) (1)函数定义的K层神经网络的实施例中,一组经训练的参数TS ={W ,b }包括权重矩阵W(1) (1)
和偏置向量b 和K层,根据以下公式压缩定位报告Rcomp被生成为特征信号x的函数:
[0204]
[0205] 图4B中所描述的定位报告消费器102的结构包括解压缩单元402,其实现基于训练的解压缩算法,被配置为从定位报告产生器101接收压缩定位报告Rcomp以及来自训练设备(2)103的第二组经训练的参数TS 。基于训练的解压缩算法从接收到的压缩定位报告Rcomp生成解压缩定位报告Rdec。在这种情况下,解压缩定位报告包括与一个或多个参考信号Sref相关的解压缩信号特征。因此,解压缩定位报告是特征向量x的重建或类似的估计。
[0206] 在基于训练的解压缩算法是自动编码器的解码器部分,并且是通过由σ表示的激(2) (2) (2)活函数定义的K层神经网络的实施例中,一组经训练的参数TS ={W ,b }包括权重矩阵(2) (2)
W 和偏置向量b 和K层,根据以下公式解压缩的定位报告Rdec被生成为压缩定位报告Rcomp的函数:
[0207]
[0208] 然后将解压缩的定位报告馈送到距离校正单元404,其被配置为从训练设备103接(3)收一组经训练的参数TS 并且通过运行基于训练的距离校正算法从解压缩的定位报告Rdec生成估计距离
[0209] 在基于训练的距离校正算法通过由σ表示的激活函数定义K层神经网络的实施例(3) (3) (3) (3) (3)中,一组经训练的参数TS ={W ,b }包括权重矩阵W 和偏置向量b 和K层,根据以下公式从解压缩的定位报告Rdec生成估计距离
[0210]
[0211] 图5A及图5B分别示出了在示例性实施例中定位报告产生器101和定位报告消费器102的示例性结构,其中定位报告包括一个或多个参考信号Sref中所包括的原始信号样本。
由于训练设备103中包括的训练单元202包括定位报告产生器101和定位报告消费器102的完全相同的结构,为了简化的原因,本实施例未图示训练设备103的结构。
[0212] 在该实施例中,定位报告产生器101包括转换器501,其被配置为执行复数到实数的转换,以将每个参考信号Sref转换为由x表示的原始样本向量,使得原始样本向量具有参考信号Sref的长度的两倍的长度,并且原始样本向量包括参考信号Sref中包括的样本的实部虚部,即x=[Re(Sref),Im(Sref)],Re(.)和Im(.)分别指定输入值的实部和虚部。
[0213] 然后将原始样本向量馈送到压缩算法单元503,其被配置为从训练设备103接收一(1)组TS 并实现基于训练的压缩算法以生成来自原始样本向量x的压缩定位报告Rcomp。在这种情况下,压缩定位报告包括一个或多个参考信号Sref的压缩原始样本。
[0214] 在基于训练的压缩算法是自动编码器的编码器部分,并且是通过由σ表示的激活(1) (1) (1)函数定义的K层神经网络的实施例中,一组经训练的参数TS ={W ,b }包括权重矩阵W(1) (1)
和偏置向量b 和K层,根据以下公式压缩定位报告Rcomp被生成为原始样本向量x的函数:
[0215]
[0216] 图5B中所描述的定位报告消费器102的结构包括解压缩单元502,其实现基于训练的解压缩算法,该算法被配置为从定位报告产生器101接收压缩定位报告Rcomp和从训练设(2)备103接收第二组经训练的参数TS 。基于训练的解压缩算法从接收到的压缩定位报告Rcomp生成解压缩定位报告Rdec。在这种情况下,解压缩定位报告包括一个或多个参考信号Sref中所包括的解压缩的原始样本。因此,解压缩定位报告是原始样本向量x的重建或类似的估计。
[0217] 在基于训练的解压缩算法是自动编码器的解码器部分,并且是通过由σ表示的激(2) (2) (2)活函数定义的K层神经网络的实施例中,一组经训练的参数TS ={W ,b }包括权重矩阵(2) (2)
W 和偏置向量b 和K层,根据以下公式解压缩的定位报告Rdec被生成为压缩定位报告Rcomp的函数:
[0218]
[0219] 然后,解压缩的定位报告被馈送到距离估计单元504,其被配置为从重建的原始样本向量生成由l表示的距离值。
[0220] 然后,将生成的距离值l馈送到距离校正单元506,其被配置为从训练设备103接收(3)第三组经训练的参数TS ,并实现基于训练的距离校正算法以从距离值l生成由 表示的估计校正距离。
[0221] 在基于训练的距离校正算法是由σ表示的激活函数定义的K层神经网络的实施例(3) (3) (3) (3) (3)中,一组经训练的参数TS ={W ,b }包括权重矩阵W 和偏置向量b 和K层,根据以下公式估计的校正距离 被生成为距离值l的函数:
[0222]
[0223] 在定位测量是到达时间的测量的实施例中,距离值l可以通过计算由 表示的估8 ‑1
计到达时间值并将估计到达时间转换为距离值l来生成,使得 其中c0=3.10ms指定光速。
[0224] 由训练数据生成单元201生成的训练数据取决于由可训练压缩算法处理的数据的类型。例如,在定位报告包括测量值的实施例中,训练数据包括例如针对不同训练信噪比和针对不同训练带宽生成的训练测量值(例如,训练到达时间估计)。例如,训练信噪比可以从区间内的均匀分布中抽取,该区间的下限由信噪比值的下限限定,而上限由信噪比值的上限限定。类似地,可以在不同的训练带宽上生成/收集训练数据,例如在区间中以均匀分布抽取,该区间的下限由下限带宽值限定而上限由上限带宽值限定。
[0225] 进一步的,训练测量可以从均匀分布在给定小区内的目标终端设备收集,使得测量是平衡的,并且对应的训练距离值是从由下界距离值限定的下限并且由上限距离值限定的上限的区间中的均匀分布抽取。
[0226] 图6是图示根据一些实施例的用于生成和发送压缩定位报告的方法的流程图。该方法可以在定位报告产生器101处被实现。
[0227] 在步骤601,接收用于定位目标设备10的一个或多个参考信号Sref。取决于定位是上行链路还是下行链路定位,一个或多个参考信号是从目标终端设备10或从网络设备11被接收的。
[0228] 在步骤602,从训练设备103接收定义基于训练的压缩算法的第一组经训练的参数(1)TS 。
[0229] 在步骤603,通过实现基于训练的压缩算法生成压缩定位报告Rcom,该算法将用于定位目标设备10的一个或多个参考信号Sref作为输入并生成压缩定位报告Rcom作为输出。
[0230] 在步骤604,向定位报告消费器102发送压缩定位报告Rcom。
[0231] 图7是图示根据一些实施例的用于生成用于定位目标终端设备10的估计距离的方法的流程图。
[0232] 在步骤701,从定位报告产生器101接收压缩定位报告Rcom。
[0233] 在步骤702,从训练设备103接收定义基于训练的解压缩算法的第二组经训练的参(2) (3)数TS 和定义基于训练的距离校正算法的第三组经训练的参数TS 。
[0234] 在步骤703,通过实现基于训练的解压缩算法生成解压缩定位报告Rdec,该算法将压缩定位报告Rcom作为输入并生成解压缩定位报告Rdec作为输出。
[0235] 在步骤704,通过实现基于训练的距离校正算法生成用于定位目标终端设备10的估计距离 该算法将从解压缩定位报告得出的重构数据作为输入并生成估计距离 作为输出。
[0236] 图8是图示用于联合训练三个基于训练的算法的方法的流程图。
[0237] 在步骤801,收集训练数据。在步骤802,根据损失函数的最小化,通过使用训练数据执行三个基于训练的算法的联合训练生成三组经训练的参数。在步骤803,向定位报告产生器101发送定义基于训练的压缩算法的第一组经训练的参数。在步骤804,向定位报告消费器102发送定义基于训练的解压缩算法的第二组经训练的参数和定义基于训练的距离校正算法的第三组经训练的参数。
[0238] 本领域技术人员应当理解,本文中的任何功能、引擎、框图、流程图、状态转换图和/或流程图代表了体现本公开原理的示例性性电路的概念视图。类似地,应当理解,任何流程图、流程图、状态转换图、伪代码等代表了各种可能在计算机可读介质中实质表示并且由计算机或装置执行的各种过程,无论是这样的计算机还是处理器被明确显示。
[0239] 每个所描述的计算功能、框、步骤可以以硬件、软件、固件中间件、微代码或其任何合适的组合来实现。如果以软件实现,则计算功能、框图的框和/或流程图可以通过计算机程序指令/软件代码来实现,其可以通过计算机可读介质存储或传输,或者加载到通用计算机上,专用计算机或其他可编程处理装置和/或系统,以产生机器,使得在计算机或其他可编程装置上执行的计算机程序指令或软件代码产生用于实现本文描述的功能的装置。
[0240] 当以软件、固件、中间件或微代码实现时,执行必要任务的程序代码或代码段可以存储在机器或计算机可读介质例如计算机可读存储介质中。当在软件中实现时,一个或多个处理器将执行必要的任务。例如,如上所述,根据一个或多个示例实施例,至少一个存储器可以包括或存储计算机程序代码,并且该至少一个存储器和计算机程序代码可以被配置为通过至少一个处理器,使装置执行必要的任务。另外,编码为计算机程序代码的处理器、存储器和示例算法用作用于提供或引起本文所讨论的操作的性能的装置。
[0241] 例如,这里描述的定位报告产生器、定位报告消费器和训练设备的功能可以由相应的装置来执行。
[0242] 在本说明书中,被表示为“装置被配置为”执行某个功能或“装置用于”执行某个功能的框应当被理解为包括适于执行或被配置为执行某个功能的电路的功能框。因此,被配置为执行某个功能的装置并不意味着该装置必然执行所述功能(在给定时刻)。此外,本文中描述为“装置”的任何实体可以对应于或被实现为“一个或多个模”、“一个或多个装置”、“一个或多个单元”等。当由处理器提供时,功能可以由单个专用处理器、由单个共享处理器或由多个单独的处理器提供,其中的一些可以是共享的。此外,术语“处理器”或“控制器”的明确使用不应被解释为排他地指能够执行软件的硬件,并且可以隐含地包括但不限于数字信号处理器(DSP)硬件、网络处理器、专用集成处理器电路(ASIC),现场可编程阵列(FPGA),用于存储软件的只读存储器(ROM),随机存取存储器(RAM)和非易失性存储器。还可以包括其他传统或定制的硬件。它们的功能可以通过程序逻辑的操作、通过专用逻辑、通过程序控制和专用逻辑的交互、或者甚至手动地执行,具体技术可由实现者选择,如从上下文中更具体地理解的。
[0243] 如本申请中所使用的,术语“电路”或“电路系统”可以指以下一项或多项或全部:
[0244] (a)纯硬件电路实现(例如仅在模拟和/或数字电路中的实现)以及
[0245] (b)硬件电路和软件的组合,例如(如适用):(i)模拟和/或数字硬件电路与软件/固件的组合,以及(ii)硬件处理器与软件(包括数字信号处理器)、软件和存储器的任何部分一起工作以使装置例如移动电话或服务器执行各种功能);以及
[0246] (c)硬件电路和/或处理器,例如微处理器或微处理器的一部分,其需要软件(例如固件)来操作,但该软件可以当不需要操作时不存在。
[0247] “电路”或“电路系统”的定义应用到本申请中该术语的所有使用,包括在任何权利要求中。作为进一步的示例,如本申请中所使用的,术语“电路”还涵盖仅硬件电路或处理器(或多个处理器)或硬件电路或处理器的一部分及其(或它们的)附带软件和/或固件的实现。例如,如果适用于特定的权利要求要素,术语电路还涵盖用于网络元件或网络节点或任何其他计算设备或网络设备的集成电路。术语“电路”可以涵盖数字信号处理器(DSP)硬件、网络处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)等。
[0248] “电路”或“电路系统”可以是或包括例如硬件、可编程逻辑、执行软件或固件的可编程处理器和/或其任何组合(例如处理器、控制单元/实体、控制器)以执行指令或软件并控制信号的发射和接收,以及存储数据和/或指令的存储器。
[0249] “电路”或“电路系统”还可以做出决策或确定,生成用于传输的、分组或消息,解码接收到的帧或消息以用于进一步处理,以及本文描述的其他任务或功能。该电路可以控制信号或消息在无线电网络上的传输,并且可以控制经由无线电网络的信号或消息等的接收(例如,在通过无线电收发器下变频之后)。
[0250] 如本文所公开的,术语“存储介质”、“计算机可读存储介质”或“非瞬态计算机可读存储介质”可以表示用于存储数据的一个或多个设备,包括只读存储器(ROM)、随机存取存储器(RAM)、磁性RAM、核心存储器、磁盘存储介质、光学存储介质、闪存设备和/或用于存储信息的其他有形机器可读介质。术语“计算机可读介质”可以包括但不限于便携式或固定存储设备、光学存储设备以及能够存储、包含或携带指令和/或数据的各种其他介质。
[0251] 本文描述的方法和设备可以通过各种装置被实现。例如,这些技术可以以硬件、软件或其组合来实现。对于硬件实现,在无线网络1中操作的不同网络元件的处理元件可以例如根据纯硬件配置来实现(例如在具有相应存储器的一个或多个FPGA、ASIC或VLSI集成电路中)或根据使用VLSI和数字信号处理器(DSP)两者的配置。
[0252] 图9是表示根据一些实施例的在诸如网络设备11、目标终端设备10和训练设备103的无线网络1中操作的网络实体900的示例性硬件/软件架构的框图。如图示的,该架构可以包括各种计算、处理、存储、通信和显示单元,包括:
[0253] ‑包括收发器902(例如无线或光学收发器)的通信电路,其被配置为将网络实体900连接到无线网络1中的对应链路,并且确保数据和/或信号的传输/接收。通信电路可以支持各种网络和空中接口,例如有线、光纤和无线网络;
[0254] ‑处理单元903,被配置为执行计算机可执行指令以运行根据各种实施例的方法和算法,并执行网络实体的各种要求的功能,例如定位报告压缩和解压缩、基于训练的算法的训练;以及使网络实体900能够根据各种实施例在无线网络中操作要求的任何功能。处理单元902可以是通用处理器、专用处理器、DSP、多个微处理器、控制器、微控制器、ASIC、FPGA电路、任何类型的集成电路等;
[0255] ‑电源904,其可以是向网络实体900提供电力的任何合适的设备,例如干电池太阳能电池和燃料电池;
[0256] ‑定位单元905,诸如在需要指示网络实体900的位置的信息的应用中实现的GPS芯片组
[0257] ‑存储单元906,可能包括随机存取存储器(RAM)或只读存储器,被用以存储数据(例如训练数据)以及执行根据实施例的网络实体900的功能要求的任何数据;
[0258] ‑输入外设907;
[0259] ‑输出外设908,包括诸如显示器之类的通信装置,其使得能够在网络实体900和无线网络1运营商之间例如人机交互,例如用于配置和/或维护目的。
[0260] 设备900的架构还可以包括被配置为提供附加特征、功能和/或网络连接性的一个或多个软件和/或硬件单元。
[0261] 此外,本文描述的方法可以通过提供给任何类型计算机的处理器的计算机程序指令来实现,以产生具有处理器的机器,该处理器执行实现本文指定的功能/动作指令。这些计算机程序指令还可以存储在可以指导计算机以特定方式运作的计算机可读介质中。为此目的,计算机程序指令可以被加载到计算机上以引起一系列操作步骤的执行,从而产生计算机实现的过程,使得所执行的指令提供用于实现本文指定的功能的过程。
[0262] 例如,程序包括存储在计算机可读存储介质上的指令,当由处理器执行时,使得处理器:
[0263] ‑接收用于定位目标终端设备的一个或多个参考信号;
[0264] ‑从训练设备接收定义基于训练的压缩算法的一组经训练的参数,一组经训练的参数是通过基于训练的压缩算法和在定位报告消费器中实现的一个或多个基于训练的算法的联合训练获得的;
[0265] ‑通过实现基于训练的压缩算法生成压缩定位报告,基于训练的压缩算法将从一个或多个参考信号得出的数据作为输入并且生成压缩定位报告作为输出;以及[0266] ‑向定位报告消费器发送压缩定位报告。
[0267] 例如,程序包括存储在计算机可读存储介质上的指令,当由处理器执行时,使得处理器:
[0268] ‑从定位报告产生器接收压缩定位报告;
[0269] ‑从训练设备接收定义基于训练的解压缩算法的一组经训练的参数和定义基于训练的距离校正算法的一组经训练的参数,各组经训练的参数是通过基于训练的解压缩算法,基于训练的距离校正算法和在定位报告产生器中实现的基于训练的压缩算法的联合训练获得的;
[0270] ‑通过实现基于训练的解压缩算法生成解压缩定位报告,基于训练的解压缩算法将压缩定位报告作为输入并且生成解压缩定位报告作为输出;以及
[0271] ‑通过实现基于训练的距离校正算法生成用于定位目标终端设备的估计距离,估计距离指定将目标终端设备与用于定位目标终端设备的一个或多个参考信号的发射器或接收器分离的距离,基于训练的距离校正算法将从解压缩定位报告得出的重构数据作为输入并且生成估计距离作为输出。
[0272] 例如,程序包括存储在计算机可读存储介质上的指令,当由处理器执行时,使得处理器生成
[0273] ‑定义基于训练的压缩算法的第一组经训练的参数;
[0274] ‑定义基于训练的解压缩算法的第二组经训练的参数;
[0275] ‑定义基于训练的距离校正算法的第三组经训练的参数;
[0276] 其中第一组经训练的参数、第二组经训练的参数和第三组经训练的参数是如下生成的:根据损失函数的最小化通过使用训练数据,执行基于训练的压缩算法、基于训练的解压缩算法和基于训练的距离校正算法的联合训练。
[0277] 本公开的主题包括各种过程、系统和配置的所有新颖和非显而易见的组合和子组合,以及本文公开的其他特征、功能、动作和/或属性,以及在其中任何和所有等同物。
QQ群二维码
意见反馈