5G标准学习笔记08-基于AI/ML定位精度增强

本文链接：https://blog.csdn.net/weixin_51832012/article/details/147934116

5G标准学习笔记08-基于AI/ML定位精度增强

前言

大家好，前面一起学习了NR定位的基本概念，现在Release 18 中不断推动AI通信发展，所以基于AI/ML定位精度增强这个case也受到了更多的关注，下面孬孬就带着大家一起来学习一下吧！如果大家觉得孬孬讲的还行，请大家不要吝啬对孬孬的关注呀！

应用场景

对于基于AI/ML定位精度增强的方法，当下的讨论主要包括两种，分别是基于AI/ML的直接定位方法和基于AI/ML辅助定位两大应用场景。

1.直接AI/ML定位：

定义

直接AI/ML定位：通过AI/ML模型直接从信道测量数据中推导出用户设备（UE）的最终位置，跳过传统定位算法的中间步骤。（通俗来讲就是输入是信道测量的数据，经过AI模型，输出是对应的UE的位置信息，相当于是个黑盒性质的）。

过程

具体可以如下图所示：
在这里插入图片描述
输入：信道测量数据（如RSSI、TOA、AOA）与关联的多个传输接收点（TRP）。
输出：AI/ML模型直接生成UE的地理坐标或位置信息。
过程：模型通过端到端学习，从原始数据中提取位置特征，无需传统算法的显式中间计算。

2.AI/ML辅助定位：

定义

AI/ML辅助定位利用AI/ML模型增强传统定位算法的中间步骤，最终位置由传统算法或混合方法计算。

过程

在标准中现在分为三种方式来进行：

(1)

输入：信道测量数据（Channel measurement）与关联的多个传输接收点（TRP 0, TRP 1, …, TRP N-1）。
输出：**AI/ML模型（注意这个是一个AI/ML 模型哦）**生成中间定位测量（Intermediate positioning measurement）(一般是我们上一文章提出的：距离、角度或信号特征)。
过程：信道测量数据从各个TRP输入到AI/ML模型。模型处理数据，提取中间定位测量（如距离、角度或信号特征）。这些中间结果随后输入传统定位算法（如三角测量）以计算最终UE位置。
在这里插入图片描述

(2)

输入：信道测量数据与关联的TRP 0, TRP 1, …, TRP N-1。
输出：多个AI/ML模型（注意这是多个同样的模型 model）分别生成中间定位测量（Intermediate positioning measurement）。
过程：每个TRP的信道测量数据输入到独立的AI/ML模型。每个模型输出对应的中间定位测量（如距离、角度或信号特征），反映特定TRP的定位信息。这些中间结果汇总后，输入传统定位算法或融合模块，计算最终位置。
在这里插入图片描述

(3)

输入：信道测量数据与关联的TRP 0, TRP 1, …, TRP N-1。
输出：多个AI/ML模型生成中间定位测量，并进一步输出中间定位结果（Intermediate positioning）。
过程：每个TRP的信道测量数据输入到对应的AI/ML模型（注意这是多个不同的模型 model）（AI/ML model 0, 1, …, N-1）。模型输出中间定位测量，并进一步处理为中间定位结果。中间定位结果可直接用于后续定位，或结合多源数据（如地图）进一步优化。
在这里插入图片描述