目录
--（2）短符号周期/高带宽(时间） --- 高精度时间分辨率
第5章 终端侧 - 基于AI 的高精度定位（来自第三届无线通信 AI 大赛）
传统的手机定位采用的GPS定位。在室外，GPS可以提供民用和军用级别的定位精度，精度可以10厘米。然而，对于没有GPS信号的场合，如室内，GPS定位就显得力不从心。传统的基于cell id的定位的精度误差很大，很容用于精确定位的场景需求。从5G R16开始，精确定位称为了3GPP的标准。本文主要探讨3GPP关于5G 高精确室内定位的场景需求和规范。
5G通信以高速率、低时延、大连接等为特征，其关键技术包括大规模天线阵列、超密集组网、新型多址、全频谱接入和新型网络架构等。
在其不断的标准演进中，5G本身也增加了高精度定位的功能和标准，主要针对垂直行业对室内高精度定位的业务需求。
上图中的NR定位，就是3GPP在R16中提出的业务需求。
5G时代大量的应用需要精准定位，比如工业AGV、资产追踪等，尤其是室内精准定位，可卫星定位在室内无法使用，LTE和WiFi定位技术又不精准, 虽然，可以通过蓝牙、AOA，UWB等技术能够提供较高精度的室内定位，但他们无法在更广泛的领域提供高精度的方案。
为此，5G在R16版本中增加了定位功能。
工业客户需要可靠的数据和精确的定位，以支持其工业4.0用例（例如，柔性制造），他们不想要不同的系统提供定位服务。他们希望LTE/5G在组合系统中提供这两种服务，该系统的总体成本要低于分离系统的总和，并且能够支持低延迟、超可靠和精确的定位。
5G精确定位可能是第16版的一部分，预计它将成为工业4.0案例的关键新技术之一。是工业物联网和未来室内网络愿景的关键组成部分。
一个公司，如果能够在竞争对手面前拥有一个数据+工作良好的精确定位解决方案，那么该公司就可以获得更高的价格，并通过独特的价值来提高自己的市场份额。
R16标准中对定位精度要求更为严格的一些商业用例，至少需达到以下要求：
R17标准：
5G其利用MIMO多波束特性，通过蜂窝小区的信号往返时间（RTT）、信号到达时间差（TDOA）、到达角测量法（AoA）、离开角测量法（AoD）等技术实现室内高精度定位。
5G 采用高频或者毫米波通信，5G 高频波具有严重的穿透损失性质，只要有大型建筑物阻挡讯号，装置便无法接收，所以不会有多路径衰减（Multipath Fading）的干扰，反而让电磁波绕射、散射及反射的干扰问题不大，因为高频电磁波几乎只能以直线路径（Line of Sight, LOS）的方式传递，而直线是最容易计算距离的路径类型。其中的毫米波通信具有非常好的方向性，可以实现更高精度的测距和测角。
5G 频谱的毫米波（mmWave）具有移动通讯中前所未有的大带宽，可以提供更大的子载波带宽，当时频资源的频域子载波带宽越大，每个符号的周期越短，信号的采样间隔越短，这样的原理之下，毫米波系统便具备较高的原始分辨率（Raw Resolution），这个数值代表可衡量的最小距离差异，就像尺的刻度越小可以测量出物体更精确的长度，当分辨率越高，可测量的最小距离越小，代表精确度越高。因而能提供更小的延迟以及良好的定位功能。
根据 3GPP 的论文指出，在使用参考信号（PRS）的实验中，最大带宽 20MHz （15K子帧带宽）的 4G LTE 频道可以提供 15 米的定位精度，但带宽高达 4GHz 的毫米波（120K子载波带宽）系统却可以准确到 7.5 厘米，两者的准确度差异非常大。
在5G 通讯时代，为了支持多带宽接收与发送，天线模块必须更为复杂，多输入多输出（Multi-input Multi-output, MIMO）技术因而受到瞩目，原理是在基站设置大规模的多天线数组，利用多根发射天线与多根接收天线的组合提升频谱的效率与功耗，重要的是提供更多的空间自由度（High degree of resolvability of angles）。
简单说就是多根天线各自接收、发送不同角度的讯号，当空间样本数的变量增加，更多的信号角度信息增加，定位的分辨率就能跟着提升，判别更精准的地理位置。
即不同天线，可以从多个不同方向、不同角度接收到终端的信号。
由于 5G 讯号覆盖范围小，而且容易遭到建筑物遮蔽，因此，基站实际的覆盖范围只有几十米，高密度基站的部署，为高精确终端的定位提供了物质基础。
从理论上分析，高密度基站代表有许多可供参考的定位参考点，这些参考点可以提供高密集度的位置信息以便达到更精准的定位，而且毫米波大多走直径路线，不受多路径干扰，理论上能够有最好的定位精准度：高密度基站空间参考点，高频波直径路线特性、高精度时间分辨率、 MIMO 技术提供的多方位自由度的特性为5G能提供比 4G 通讯具备更精确的定位性能。
主要的物理信号方式：信号扩展，基于时间，基于角度，基于频率。
主要的无线信息资源：带宽，天线元素，频率精度和信噪比。
5G频谱分为两个区域FR1和FR2，FR就是Frequency Range的意思，即频率范围。
FR1的频率范围是450MHz到6GHz，也叫Sub6G（低于6 GHz），也就是目前的低频频段，是5G的核心频段；其中3GHz以下的频率称为sub3G，其余频段称为C-band。
目前我国仅对FR1中的频段进行了分配，其中
FR1的优点是频率低，绕射能力强，覆盖效果好，是当前5G的主用频谱。FR1主要作为基础覆盖频段，最大支持100Mbps的带宽。其中低于3GHz的部分，包括了现网在用的2G、3G、4G的频谱，在建网初期可以利旧站址的部分资源实现5G网络的快速部署。
FR2的频率范围是24GHz到52GHz，为5G的扩展频段，频谱资源丰富，这段频谱的电磁波波长大部分都是毫米级别的，因此也叫毫米波mmWave（严格来说大于30GHz才叫毫米波）。
FR1频段是2018年12月工信部发布的试验频段，2020.12.23工信部才发文确认正式牌照，期限10年。
FR1频段实际上无法发挥出5G定位的高载波频率优势，5G定位要具备亚米级定位的前提条件之一：国家分配5G的FR2频段,同时设备、终端模组都支持该频段。
目前国家通过各种政策、形式来大力推进5G的推广、部署及投入使用，但实际上效果不是很好，主要是因为现阶段采用FR1频段的5G产出与投入不成正比，如果未来进一步开放FR2频段，使用毫米波的5G，由于频率更高，室分基站部署间距更小，需要的设备数量更多，不管是设备成本费用还是运维中的设备耗能等都是5G大规模投入需要考虑的因素。
3.2 5G带宽
我们再看下FR1频段中的带宽，最大的是中国移动的n41带宽，但其实n41中包括了已经正在使用的4G（TD-LTE，2575-2635 MHz的60MHz），其它的都是100MHz,所以FR1频段下的带宽也发挥不出5G的高带宽优势，即使未来使用毫米波，5G的通讯网与定位网是融合的，如何给通讯网与定位网划分频段，相互不影响，同时还可以充分发挥出各自的优势来，这也是需要进一步构思、验证的过程。
3.3 5G能耗及成本
5G模块复杂，耗能高，成本贵，目前极大阻碍了5G的规模推广。在物联应用领域，被定位的对象数量成百上千，有的甚至上万，如果5G模块功耗、成本降不下来，即使精度达到亚米级，客户也无法接受终端只能续航几天，成本需要上千块。
基于卫星定位思想的5G精确定位，是多种功能实体高度集成的产物，靠单一网元或单一功能是无法实现高精度定位的。涉及的主要技术要求有：
（1）上行到达时差（UTDOA）：用于计算终端与服务基站的物理距离。
（2）到达角（AoA）：用于指示终端与基站的方位角
（3）纳秒级同步：所有的基站必须纳秒级时钟同步，确保所有的基站处于高精度同步状态
（4）校正算法：对计算的结果进行校正
（5）需要融合其他传感器，如蓝牙，wifi等等。
（6）还需要位置服务器，进行信息的汇总和聚合、计算等。
这种方法的精确定位的思路如下：
（1）在特定的空间部署3个以上的基站，如上图所示。 这4个基站相当于GPS定位的卫星
（2）每个基站知道自身精确的位置信息
（3）定位服务器或每个基站或终端自己，能够获得终端到每个基站的点到点的直线距离（通过UTDOA获得）
（4）定位服务器或每个基站或终端自己，就可以空间三点定位（与GPS定位相同的原理）计算出终端的精确位置。
（5）当然，还可以辅助蓝牙和WIFI技术，获得更精确的定位精度
高精度定位是智慧城市、智慧工厂的基本需求之一。
在蜂窝网无线定位中，基站和 UE之间电磁波的直线传播称为视距（LOS）无线传播。在一些情况下，由于建筑物或树木的阻挡造成电磁波信号无法直线传播，通常称为非视距(NLOS)无线传播。传统的定位算法如TDOA、AOA 等都是基于 LOS 信道的，在 NLOS 占主导的环境下不再适用，而在大多数场景中，与 UE 存在 LOS 信道的基站数量往往较少，导致传统定位算法的精度无法达到高精度定位的需求。此外，实际系统中可能还存在一些非理想因素，都会导致定位精度的降低。
一种新的思路就是：基于 AI 技术实现 LOS/NLOS 信道共存场景下的高精度定位。
一些已有的研究成果表明，基于大量的信道数据，利用机器学习方法训练模型，挖掘信道响应与位置坐标之间的映射关系，可以解决 LOS/NLOS 信道共存场景下传统定位算法无法应用的问题，提高定位精度。
如下图所示，基于神经网络实现 LOS/NLOS 信道共存场景下的定位，以信道响应为输入，以位置坐标为输出。通过 AI 技术学习无线信道与 UE 位置之间的内在关系，在无论是否有足够多 LOS 信道的场景下，以及存在非理想条件影响的场景下，都能够满足高精度定位的需求。
这种方法的精确定位的思路如下：
（1）在特定的空间部署大量分布的基站，如上图所示。
（2）整个物理空间随机分割成15000个点，每个点为一个样本点。
（3）每个样本点的标签数据：终端实际的物理定位信息
（4）每个样本点的采样数据：终端收到的所有基站的信息
（6）构建神经网络模型：
模型具备特征提取的能力，当网络实际部署的形态不一样的时候，也能够进行预测，就具备较强的泛化能力。
（7）用数据训练神经网络
（8）用训练好的模型对新数据进行预测，预测终端的物理定位信息：经纬度
样本数据澄清：
（1）15000样本点是不是随机分布的，还是均匀分布？
答：随机分布，不是均匀分布。
（2）样本点的信息与基站实际空间部署密切相关，因此训练出来的模型与基站的部署是密切相关的；在实际部署的时候，不同环境下，基站的部署是不一样的，训练好的模型，在不同的网络部署的环境下，需要重新训练吗？
答：模型因该具备特征提取的能力，能否泛化到不同的网络部署环境中。
在新的网络部署环境中，不应该要求重新训练模型 。
（3）训练好的模型，是运行在终端侧上还是网络测？
答：都可以，当然，运行在终端侧是最方便的，但运行在终端侧，运营商就无法通过该业务进行收费。
（4）信道信息中的采样点是什么？是频域的每个子载波信号的信息，还是时域复合信号的信息？
答：不是RF与基带时间的时域信号的信号强度，这个信号幅度与调制的数据相关。
个人估计是频域子载波上参考信号的信号强度。参考信号的信号强度与传输距离直接相关，当然，也与噪声信号相关。
个人理解：这个信息，既不是接收到的信号幅度，也不是发送端参考信号的信号幅度，最好是信号参考信号强度的变化值。这个信息应该能够反应终端与基站的距离。
详细信息参考：
AI-based High-Precision Positioning Competitions - DataFountain
