CN114430814B 用于用户设备定位的方法、装置和计算机程序 （诺基亚技术有限公司）

2022.03.25PCT/US2019/0671052019.12.18WO2021/061176EN2021.04.01US2016021503A1,201WO2013065042A1,2013.05序段至少基于来自第一阶段的第一位置通过使用位置是在第一阶段通过使用至少非机器学习模2在第二阶段的机器学习模型处接收通信设备的第一位置，所第一阶段的所述第一位置在所述自动编码器的潜在所述第二阶段，至少基于来自所述第一阶段的所述第一位置其中来自所述第一阶段的所述第一定位准确度在所述自动编码器的所述潜在层被接通过至少使用所述通信设备的所述第一位置和所述通信设备的所述第二位置来计算其中所述第二损失包括第一项和第二项之和，所述第二其中所述第二项基于所述第一位置与所述第二位其中所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一在第二阶段的机器学习模型处接收通信设备的第一位置，所第一阶段的所述第一位置在所述自动编码器的潜在所述第二阶段，至少基于来自所述第一阶段的所述第一位置3其中来自所述第一阶段的所述第一定位准确度在所述自动编码器的所述潜在层被接其中所述至少一个存储器和所述计算机程序代码还被配置为与所述至少一个处理器通过至少使用所述通信设备的所述第一位置和所述通信设备的所述第二位置来计算其中所述第二损失包括第一项和第二项之和，所述第二其中所述第二项基于所述第一位置与所述第二位4[0002]通信系统可以被视为一种通过在通信路径中涉及的各种实体之间提供载波来实现两个或更多实体(诸如通信设备、基站/接入点和/或其他节点)之间的通信会话的设施。自第一阶段的第一位置通过使用机器学习模型来确定通[0006]第一位置可以在第一阶段通过使用至少非机器学习模型和机器学习模型中的一[0012]自动编码器可以通过以下方式被离线训练：计算自动编码器的输出处的第一损5一阶段的第一位置通过使用机器学习模型来确定通信设备[0017]如果来自第一阶段的第一位置的第一定位准确度低于定位服务质量的第二定位[0024]第一位置可以在第一阶段通过使用至少非机器学习模型和机器学习模型中的一[0026]至少一个存储器和计算机程序代码还可以被配置为与至少一个处理器一起使该阶段的机器学习模型，第二位置在第二阶段进一步基于所输入的第一定位准确度而被确6[0030]至少一个存储器和计算机程序代码还可以被配置为与至少一个处理器一起使该至少使用通信设备的第一位置和通信设备的第二位置来计算在自动编码器的潜在层的第[0035]如果来自第一阶段的第一位置的第一定位准确度低于定位服务质量的第二定位二位置在第二阶段进一步基于所接收的第一定位[0038]至少一个存储器和计算机程序代码还可以被配置为与至少一个处理器一起使该至少使用通信设备的第一位置和通信设备的第二位置来计算在自动编码器的潜在层的第第二阶段至少基于来自第一阶段的第一位置通过使用机器学习模型来确定通信设备的第[0042]第一位置可以在第一阶段通过使用至少非机器学习模型和机器学习模型中的一7位置在第二阶段进一步基于所输入的第一定位准确度阶段至少基于来自第一阶段的第一位置通过使用机器学习模型来确定通信设备的第二位[0053]如果来自第一阶段的第一位置的第一定位准确度低于定位服务质量的第二定位8少基于来自第一阶段的第一位置通过使用机器学习模型来于来自第一阶段的第一位置通过使用机器学习模型来确定通信设备的行代码当在至少一个处理器上运行时可以被配置为使装置执行上述方法中[0065]根据一个方面，提供了一种包括存储在其上的程序指令的非瞬态计算机可读介[0066]根据一个方面，提供了一种包括存储在其上的程序指令的非瞬态计算机可读介[0067]根据一个方面，提供了一种包括存储在其上的程序指令的非瞬态计算机可读介[0068]根据一个方面，提供了一种包括存储在其上的程序指令的非易失性有形存储介[0069]根据一个方面，提供了一种包括存储在其上的程序指令的非易失性有形存储介[0070]根据一个方面，提供了一种包括存储在其上的程序指令的非易失性有形存储介9在第二阶段的机器学习模型处接收第一通信设备的位置，第一位置是在第一阶段被确定[0084]图8示意性地示出了由定位过程的不同定位方法提供的定位准确度的比较水平的[0089]图13示出了描述由基于ML的定位方法的ML模型执行的定位过程的示例实施例的如无线局域网(WLAN)和/或全球微波接入互操作性(WiMAX)等技术的系统的基站提供的无本文档中使用的，术语UE旨在涵盖这些设备中的任何一个或多个和/或任何其他合适的设[0100]通信设备200可以由能够发送和接收无线电信号的任何设备提供。非限制性示例[0102]通信设备200可以包括至少一个处理器202和至少一个存储器204。至少一个存储个处理器202耦合到至少一个存储器204。至少一个处理器202可以被配置为执行适当的软[0107]图3示出了非瞬态计算机可读介质300a(例如，计算机盘(CD)或数字多功能盘(DVD))和300b(例如，通用串行总线(USB)记忆棒)的示例实施例，非瞬态计处理器执行任何实施例的任何方法的一个或[0109]装置400可以在任何网络实体中提供。装置400可以包括至少一个处理器410和至可以被配置为使一些实施例在例如位置管理功能(LMF中，LMF510可以使用基于服务的应用程序编程接口(API)向外部和/或内部客户端公开其[0114]架构500的统一数据管理(UDM)功能530存储订阅信息并且支持认证凭证储存库和处理功能(ARPF)并且存储用于认证的安[0116]架构500的NG-RAN550被配置为针对UE520提供对CN的接入。NG-RAN550包括一[0117]架构500的网络数据分析功能(NWDAF)560被配置为根据来自5G网络中的一个或多[0118]架构500的定位服务客户端(LCS)570被配置为作为外部客户端向CN发送和接收通[0119]架构500的网关移动定位中心(GMLC)580包含支持基于位[0120]架构500的位置检索功能(LRF)590可以用于检索发起紧急会话的用户的位置信[0121]UE位置信息可以由网络用于无线电资源管理(RRM)并且还用于提供关键紧急服[0125]例如，这些基于非ML的定位方法中的一些可以在以下各项中找到：J.A.delPeral-Rosado等人的“Surveyofcellularmobileradiolocalizationmethods:from[0128]·接近度：将已知传输器位置指定为终端的位置。一个示例可以是基于小区ID的911(E911)定位要求，该定位要求为67％的911呼叫指定了50米的水平定位准确度和3米[0132]检索自：J.A.delPeral-Rosado等人的“Surveyofcellularmobileradiolocalizationmethods:from1Gto5G”，IEEE通信调查和教程(IEEECommunications为2G/3G/4G网络而定义的方法通过WLAN/蓝牙测localizationmethods:from1Gto5G”，IEEE通信调查和教程(IEEECommunicationsmachinelearningapproachforindoorlocalization”，中国通信(China意性地指代两位置开关(两个位置被描绘为①和②)以帮助更好地示意性地可视化根据其示例实施例示出了第一位置的确定是通过使用非ML模型的基于非ML的定位方法710确定包括估计通信设备的第一位置使得所确定的第一位置是通信设备的估[0140]基于非ML的定位方法710可以从由3GPP定义的任何定位方法中选择，诸如但不限所考虑的RAT和网络中可以用于估计UE定位的可用输入，诸如Wi-Fi测量、定位参考信号收第一组测量(描绘为测量集1)作为输入，并且基于所接收的输入提供由表示的第第一位置的第一定位准确度Jacc的确定(由720表示)，并且所述第一定位准确度Jacc可以与定位服务质量(QoS)(由740表示)的目标定位准确度(描绘为第二定位准确度)进行比较(由730表示)。第一定位准确度Jacc的确定(由720表示)包括估计第一位置的定位准确度，使得所确定的第一定位准确度是第一位置的估计定位分比值或均方值。例如，第一定位准确度Jacc可以通过使用具有专用数据库的查找表(LUT)来确定，该专用数据库被配置为针对多个基于非ML的定位方法中的每个提供对应平均定位准确度，并且因此针对应用于确定第一位置的基于非ML的定位方法710提供对应平均定位准确度；或者第一定位准确度Jacc可以基于所选择的基于非ML的定位方法710及其参数在考虑诸如室内和室外等传播环境的同时以离线方式确定。目标定位准确度(即，第二定位准确度)例如可以是例如由3GPP版本16定义的QoS结构中包括的所要求的定[0142]如果比较的结果是第一定位准确度Jacc等于或大于第二定位准确度，则基于非ML的定位方法710可以被认为就确定第一位置的准确度而言是令人满意的，并且定位过程700提供第一位置(也对应于基于非ML的定位方法710的非ML模型的输出)作为输出(由750表示)。另一方面，如果比较的结果是第一定位准确度Jacc低于第二定位准确度，这表示基于非ML的定位方法710就确定第一位置的准确度而言在第二定位准定位准确度Jacc以增加的定位准确度确定通信设备的位置，其中目的是达到QoS的目标定地对应于SW被切换到位置②)。在第二示例实施例中，第一位置的第一位置准确度Jacc的确定720及其与QoS的第二位置准确度的比较730在第一示例阶段中不执行，并且第的第一定位准确度Jacc的信息没有被提供给第二示例阶段，并且关于目标定位准确度的信息(即，位置QoS的第二定位准确度)可以由于关于网络中的目标定位准确度的所述信息的可用性而在第二示例阶段直接被获取。[0144]在第二示例阶段，如果比较的结果是第一定位准确度Jacc低于第二定位准确度一定位准确度Jacc并且比较第一定位准确度Jacc和位置QoS的第二定位准确度的步骤)，则使用ML模型的基于ML的定位方法760(由ML方法表示)被应用于确定通信设备(诸如UE)的J.第二位置的确定包括估计通信设备的第二位置JC,使得所确定的第二位置Jinu是通信设备的估计位置。[0145]基于ML的定位方法760可以基于例如但不限于诸如DNN模型、CNN模型等ANN模如图7所示，当SW设置为位置①时，如果上述比较的结果是第一定位准确度Jacc低于第二定位准确度，则基于ML的定位方法760的ML模型从第一示例阶段接收通信设备的第一位置和第一定位准确度Jacc以及第二组测量(描绘为测量集2)作为输入。另一方面，当SW设置为位置②时，基于ML的定位方法760的ML模型从第一示例阶段接收通信设备的第一[0146]定位过程700提供由表训练可以在NWDAF560处运行，并且然后训练数据可以通过最小化路测(MDT)测量来收集，位置信息)。由于MDT可能已经可用作NWDAF560的输入，因此需要将已训练ML模型传输到[0149]在其中基于ML的定位方法760将被指定为在NWDAF560中运行的示例实施例中，LMF510可以使用由NWDAF5法710以及第一定位准确度与第二定位准确度之间的可选比较730有关)，随后是第二示例阶段(与基于ML的定位方法760有关，其中如果上述比较的结果是第一定位准确度Jacc低的定位方法710和基于ML的定位方法760提供的定[0152]可以看出，被描绘为非ML定位的基于非ML的定位方法710可以示意性地提供通信ML的定位方法710的非ML模型的输出已经作为输入提供给基于ML的定位方法760的ML模型之后，被描绘为ML定位的基于ML的定位方法760可以示意性地提供通信设备的第一位置[0153]应当注意，定位过程700的第一示例阶段和第二示例阶段可以以不同时间尺度运710相比，基于ML的定位方法760可以在基于非ML的定位方法710的位置范围内提供更准确ML模型是基于DNN的定位方法1060的为urnoa(其是估计位置)；由第二示描绘为测量集2的第二组测量可以包括由通信设备(例如，UE)报告的参考信号接收功率urnoa的第一定位准确度Jacc(其据库1080被配置为提供基于UTDoA的定位方法的对应平均定位准确度；提供第二定位准确[0158]此外，在所述比较的结果是第一定位准确度Jacc等于或大于第二定位准确度的另一方面，在第一定位准确度Jacc低于第二定位准确度或者第一位置直接被提供给第二示例阶段的情况下，定位过程700的示例实现1000可以提供第二位置$oww(也对应[0160]图11示出了自动编码器1100的示例实施例。自动编码器1100可以包括编码器[0161]编码器1110可以包括一个或多个隐藏层并且被配置为将输入数据(被描绘为XRSRP-TOA)压缩到潜在空间表示1120中，该输入数据可以对应于包括RSRP和UL-TOA测量的第阶段接收第一位置的第一定位准确度Jacc(其是估计位置准确度)，并且然后可多个隐藏层，并且被配置为通过提供重构的输入数据([0162]ML模型需要离线训练和训练数据或样本的提供。作为示例ML模型的自动编码器的可用性，其中XRSRP-TOA，a、ya、Jrooau和一位置(purooaa)(它是由基于UTDoA的定位方法1010使用UTDoA模型而确定的估计位的可用性。码器1100的解码器1130的输出处的第一损失和自动编码器1100的隐层1120处的第二损失L(y,)之和来训练自动编码器1100。[0165]解码器1130的输出处的第一损失L(X,X)也可以指定为自动编码器1100的重构损[0167]潜在层1120处的第二损失L(y,)可以由以下关系式(2)给出：[0168]可以看出，第二损失L(Y,F)是第一损失项和第二损失项之和。第一损失项是可用标记数据的实际位置与由基于DNN的定位方法1070使用自动编码器1100)以及来自基于非ML的定位方法的非ML模型的估计位置可以缩短ML模型的离线训[0170]图12示出了描述定位过程700的示例实施例的示例流程图1200。该示例流程图位置J段的第一位置通过使用ML模型来确定通信设[0174]图13示出了描述由基于ML的定位方法760的ML模型执行的定位过程700的示例实施例的示例流程图1300。该示例流程图1300可以在例如LMF510或NWDAF560或者LMF510用使用UTDoA测量的基于非ML的定位方法，诸如基于UTDoA的定位方法1010，以获取所有动编码器1100的解码器部分1130具有两个密集隐藏层，该隐藏层分别具有32和128个神经第一定位准确度)被提供给潜在层1120。此外，为2000个样本中的1000个提供地面实况标签，并且使用解码器部分1130的输出处的上述第一损失和潜在层1120处的第二损失L(y,)离线训练自动编码器1100。[0179]基于上述仿真参数，图15示出了针对以下三种定位方法的估计误差值(以米为单[0183]下面的表II提供了对上述三种定位方法中的每种方法在未标记的1000个样本上32.9325.12于DNN的定位方法1060的平均估计误差小于独立的基于DNN的定位方法和基于UTDoA的定位示例阶段基于使用非ML模型的基于非ML的定位方法并且在第二示例阶段基于使用ML模型段基于使用合适模型的任何其他合适的定位方法并且在第二示例阶段基于使用ML模型的[0189]实施