用于定位的设备和方法技术

本发明专利技术涉及一种基于信道状态信息(channel state information，CSI)估计终端设备在无线网络中的位置的计算设备和网络设备。在训练阶段，所述计算设备将所述网络设备的覆盖区域划分为多个子区域，并根据所述子区域将标记的CSI数据集划分为两个或多个CSI数据分区。所述CSI数据分区用于训练两个或多个神经网络模型。每个CSI数据分区对应一个小于所述覆盖区域的区域，从而简化所述神经网络模型的训练。此外，所述训练后的神经网络模型对环境变化具有鲁棒性。在在线阶段，所述网络设备将所述终端设备的CSI输入到所述至少两个神经网络模型中，并根据所述至少两个神经网络模型的输出得到最优估计。输出得到最优估计。输出得到最优估计。

【技术实现步骤摘要】
【国外来华专利技术】用于定位的设备和方法


[0001]本公开涉及用于在无线网络中执行定位的设备和方法，特别是用于执行基于信道状态信息(channel state information，CSI)的定位的计算设备和网络设备。

技术介绍

[0002]定位正变得越来越必要，特别是对于基于位置的服务。全球导航卫星系统(global navigation satellite system，GNSS)，例如全球定位系统(Global Positioning System，GPS)是最常见的定位技术。然而，GNSS存在局限性，因为该系统要求设备能够畅通无阻地联系到四颗或更多颗卫星。因此，在室内环境和城市峡谷等重要应用场景中，GNSS的准确性和可用性可能会下降。
[0003]在这方面，可以利用所谓的基于指纹的定位来确定终端设备在无线网络中的位置。其中，“指纹”即特定无线网络的无线电环境的特征。基于指纹的定位可以通过分析终端设备的一个或多个无线电信号的特征属性并与预先测量的特征属性进行比较来确定终端设备的位置。CSI是一种指纹。具体地，基于CSI的定位因其高精度而被广泛采用。由于需要大量的测量或样本来建立数据库以促进基于CSI的定位，因此可以使用人工智能方法，例如使用神经网络来促进基于CSI的定位。
[0004]基于人工智能(Artificial Intelligence，AI)方法的基于CSI的定位(也称为基于学习的CSI指纹定位)通常包括两个阶段：离线阶段(也称为训练阶段)和在线阶段(也称为部署阶段)。在离线阶段，可以将标记的CSI数据作为训练样本来训练神经网络模型，以便获得从标记的CSI数据中学习特征的训练后的神经网络模型。在在线阶段，训练后的神经网络可以被部署并用于分析采集的CSI，提取采集的CSI的特征，并将提取的特征与在训练阶段学习的特征进行比较，以便获得匹配的位置。

技术实现思路

[0005]传统的基于学习的CSI指纹定位通常需要进行成本高昂的测量活动，以便实现高精度，例如亚分米级精度。此外，劳动力、数据存储和处理资源的成本与执行定位的区域大小和测量活动的采样密度成比例增长。
[0006]再者，随着数据库多样性的增长，如果要能够令人满意地区分CSI越来越多的特征，设计和部署更复杂的神经网络已是不可避免。然而，这种神经网络的复杂性增加了训练和部署这些神经网络所需的训练时间和内存占用。
[0007]不仅如此，当执行定位的环境发生变化时(例如覆盖区域发生变化和扩展等)，传统的基于学习的CSI指纹定位缺乏通用性。部署后扩展覆盖区域，或覆盖区域中哪怕是一小部分发生变化，都会影响现有的无线信道，从而影响CSI。因此，部署的神经网络可能不再适合在发生变化后准确地执行基于CSI的定位。
[0008]针对此问题，一个方案是执行增量学习，同时避免灾难性的遗忘。灾难性遗忘(也称为灾难性干扰)是神经网络在学习新信息时完全突然忘记先前学习的信息的一种趋势。
为了克服这种灾难性的遗忘，人们提出了一些增量学习方法(也称为持续学习)来减轻灾难性的遗忘产生的影响，如“不遗忘学习”、渐进式神经网络、弹性权重巩固等。通过使用这些增量学习方法，可以使用新获取的训练数据重新训练现有的神经网络，而不会引入负面后果。然而，这些持续学习方法通常是全面的、耗时的，并且需要精准微调。因此，这些持续学习方法对于实际部署来说是不实用的。此外，先前训练的神经网络可能不再适合执行定位，即使对于不受变化影响的区域也是如此。
[0009]另一个方案是为新环境重建一个全新的神经网络。但是，这将需要对数据库进行必要的更新。此外，如果采用这种方式，先前训练的神经网络可能不再适合准确地执行定位，因此可能不得不丢弃所述神经网络，这将造成计算资源浪费。此外，在部署定位服务后，可能无法访问数据库以执行必要的更新，因此需要从头开始收集训练样本。
[0010]鉴于上述问题和缺点，本公开的目的是提供一种基于CSI的定位方法，所述方法能够弹性应对环境变化，并消除了上述方案的缺点。
[0011]本公开的这一目的和其它目的通过所附独立权利要求中提供的实施例实现。实施例的有利实现方式在从属权利要求中进一步定义。
[0012]本公开中关于实施例描述的想法是在训练阶段对无线网络覆盖区域应用空间划分。换句话说，本公开建议将覆盖区域划分为若干个块。较小的覆盖区域可以由一个或多个块组成。因此，覆盖区域又可以划分为数个较小的覆盖区域。然后，可以为每个较小的覆盖区域训练一个或多个神经网络，而不是对整个覆盖区域使用神经网络，从而降低复杂性和内存占用。本公开中描述的另一个想法是，在在线阶段，为一个CSI输入激活多个神经网络，并根据多个神经网络的输出确定对位置的最终估计。
[0013]本公开的第一方面提供了一种计算设备，用于支持网络设备估计终端设备在无线网络中的位置。所述计算设备用于获得所述网络设备的第一覆盖区域的一个或多个CSI数据集，所述一个或多个CSI数据集标记有位置信息。所述计算设备还用于确定所述第一覆盖区域中的子区域集，并根据所述确定的子区域对所述一个或多个标记的CSI数据集进行分区，以获得两个或多个CSI数据分区。每个CSI数据分区对应于第二覆盖区域，每个第二覆盖区域包括所述子区域(211)集的一个或多个相邻子区域。所述计算设备还用于使用对应的CSI数据分区为每个第二覆盖区域训练一个或多个神经网络模型，以获得两个或多个训练后的神经网络模型。
[0014]具体地，可以根据一个或多个采样设备的信道测量结果来构建所述一个或多个CSI数据集。此外，可以通过定位模块获得用于标记所述一个或多个CSI数据集的位置信息。所述定位模块可以是所述一个或多个采样设备中的组件，也可以是连接到所述一个或多个采样设备的外部模块。
[0015]此外，每个CSI数据集可以包括两个或多个CSI。每个CSI可以用于指示终端设备与网络设备之间的通信链路的一个或多个信道响应属性。所述一个或多个信道响应属性可以包括散射、衰落、延迟和功率衰减中的至少一个随距离变化的影响。
[0016]此外，所述信道测量可以在不同的时隙执行，使得随时间变化的信道响应属性可以反映在一个或多个CSI数据集中。
[0017]具体地，CSI可以包括以下参数中的一个或多个：
[0018]–
信号幅度；
[0019]–
到达角；
[0020]–
飞行时间；
[0021]–
信道质量指标；
[0022]–
预编码矩阵索引；
[0023]–
等级指标；
[0024]–
中心频率；
[0025]–
相邻子载波的频率间隔。
[0026]可选地，CSI可以被标记有时间戳。
[0027]此外，所述一个或多个CSI数据集可以是所述计算设备从所述一个或多个采样设备获得的，或是从一个或多个接入点获得的，也可以是从存储所述一个或多个CSI数据集的存储设备获得的。
[0028]此外本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种计算设备(101)，用于支持网络设备(102)估计终端设备(103)在无线网络中的位置，其中，所述计算设备(101)用于：获得所述网络设备(102)的第一覆盖区域(200)的一个或多个信道状态信息(channel state information，CSI)数据集，其中，所述一个或多个CSI数据集被标记有位置信息；确定所述第一覆盖区域(200)中的子区域(211)集；根据确定的子区域(211)集对一个或多个标记的CSI数据集进行分区，以获得两个或多个CSI数据分区，每个CSI数据分区对应第二覆盖区域(210)，其中，每个第二覆盖区域(210)包括所述子区域(211)集的一个或多个相邻子区域(211)；以及使用对应的CSI数据分区为每个第二覆盖区域(210)训练一个或多个神经网络模型，以获得两个或多个训练后的神经网络模型(703a，703b)。2.根据权利要求1所述的计算设备(101)，还用于向所述网络设备(102)提供所述两个或多个训练后的神经网络模型(703a，703b)。3.根据权利要求1或2所述的计算设备(101)，其中，相邻的第二覆盖区域(210)共享重叠区域，所述计算设备(101)用于为所述重叠区域训练一个以上的神经网络模型。4.根据权利要求3所述的计算设备(101)，其中，所述重叠区域包括一个子区域(211)的一部分，或一个完整的子区域(211)，或多个子区域(211)。5.根据权利要求3或4所述的计算设备(101)，还用于：确定一个或多个重叠因子，其中每个重叠因子指示对应于相应重叠区域的相应重叠子区域(211)的比例；以及进一步根据所述一个或多个重叠因子对所述一个或多个标记的CSI数据集进行分区。6.根据权利要求1至5中任一项所述的计算设备(101)，其中，针对确定所述第一覆盖区域(200)中的子区域(211)集，所述计算设备(101)用于基于计算设备(101)的计算资源，确定每个子区域(211)的大小、每个子区域(211)的形状和子区域(211)的数量中的至少一个。7.根据权利要求1至6中任一项所述的计算设备(101)，还用于根据对应的第二覆盖区域(210)标记每个训练后的神经网络模型。8.一种用于估计终端设备(103)在无线网络中的位置的网络设备(102)，其中，所述网络设备(102)用于：接收与所述终端设备(103)关联的信道状态信息(channel state information，CSI)(701)；获得两个或多个神经网络模型(703a，703b)；将所述CSI(701)输入到所述两个或多个神经网络模型(703a，703b)中的每一个；获得所述终端设备(103)的位置的估计集，作为所述两个或多个神经网络模型(703a，703b)的输出；以及根据获得的估计集，确定所述终端设备(103)的位置的最终估计(706)。9.根据权利要求8所述的网络设备(102)，其中，针对获得所述两个或多个神经网络模型(703a，703b)，所述网络设备(102)用于从计算设备(101)接收所述两个或多个神经网络模型(703a，703b)。10.根据权利要求8或9所述的网络设备(102)，其中，针对获得所述两个或多个神经网络模型(703a，703b)，所述网络设备(102)用于：
根据所述CSI(701)确定信号强度；根据所述信号强度估计所述CSI(701)的覆盖区域；以及根据估计的覆盖区域确定所述两个或多个神经网络模型(703a，703b)。11.根据权利要求8至10中任一项所...

【专利技术属性】
技术研发人员：朱云耀，乔治，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：