特表 2024-533384 ニューラルネットワークを使用したローカルセンサによるセルラー測位

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2024-09-12

(54)【発明の名称】ニューラルネットワークを使用したローカルセンサによるセルラー測位

(51)【国際特許分類】

   H04W 64/00 20090101AFI20240905BHJP

   G01S 5/02 20100101ALI20240905BHJP

【ＦＩ】

H04W64/00 173

G01S5/02 Z

【審査請求】有

【予備審査請求】有

(21)【出願番号】P 2024515415

(86)(22)【出願日】2022-09-07

(85)【翻訳文提出日】2024-04-22

(86)【国際出願番号】 US2022042785

(87)【国際公開番号】W WO2023038991

(87)【国際公開日】2023-03-16

(31)【優先権主張番号】63/242,312

(32)【優先日】2021-09-09

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

(71)【出願人】

【識別番号】502208397

【氏名又は名称】グーグル エルエルシー

【氏名又は名称原語表記】Ｇｏｏｇｌｅ ＬＬＣ

【住所又は居所原語表記】１６００ Ａｍｐｈｉｔｈｅａｔｒｅ Ｐａｒｋｗａｙ ９４０４３ Ｍｏｕｎｔａｉｎ Ｖｉｅｗ， ＣＡ Ｕ．Ｓ．Ａ．

(74)【代理人】

【識別番号】110001195

【氏名又は名称】弁理士法人深見特許事務所

(72)【発明者】

【氏名】ワン，ジビン

(72)【発明者】

【氏名】シュタウファー，エリック・リチャード

【テーマコード（参考）】

5J062

5K067

【Ｆターム（参考）】

5J062AA08

5J062AA09

5K067AA21

5K067EE02

5K067EE10

5K067EE24

5K067JJ53

(57)【要約】

無線通信システム（１００）は、ＤＮＮまたは他のニューラルネットワーク（１２０、１２８、１３４、１４８）を使用して、ＵＥのＲＡＴ支援測位を行う。ＢＳ（１０８）におけるＴＸ ＤＮＮ（１２０）は、基準信号（１３８）を生成し、ＵＥ（１１０）への基準信号（１３８）の無線送信を行う。ＵＥ（１１０）におけるＲＸ ＤＮＮ（１３４）は、基準信号（１３８）およびローカルＵＥセンサデータ（１４０）を入力として受信し、この入力からＵＥ測定値およびセンサレポート（１４４）を生成する。ＵＥ（１１０）におけるＴＸ ＤＮＮ（１４８）は、レポート（１４４）を入力として受信し、この入力から、ＢＳ（１０８）に送信するためのＵＥ測定値およびセンサレポート（１４４）を表すＲＦ信号（１５４）を生成する。ＢＳ（１０８）におけるＲＸ ＤＮＮ（１２８）は、入力としてＲＦ信号（１５４）からレポート（１４４）を受信し、この入力からＵＥ（１１０）の位置推定値（１３０）を生成する。

【特許請求の範囲】

【請求項1】

第１のデバイス（１０８）におけるコンピュータが実行する方法であって、
前記第１のデバイスの送信ニューラルネットワーク（１２０）への入力として基準信号情報（１２２）を受信することと、
前記送信ニューラルネットワーク（１２０）が、前記基準信号情報（１２２）に基づいて基準信号を表す第１の出力（１３８）を生成することと、
前記第１のデバイス（１０８）の無線周波数（ＲＦ）アンテナインタフェース（３０４）を制御して、第２のデバイス（１１０）による受信のために前記第１の出力（１３８）を表す第１のＲＦ信号（１５２）を送信することと、
前記第１のＲＦ信号（１５２）の送信に応答して、前記第１のデバイス（１０８）の受信ニューラルネットワーク（１２８）において、前記第２のデバイス（１１０）と関連付けられる１つまたは複数のＲＦ信号（１５４）を表す入力（７１０）を受信することと、
前記受信ニューラルネットワーク（１２８）が、前記受信ニューラルネットワーク（１２８）への前記入力（７１０）に基づいて前記第２のデバイス（１１０）の位置推定値（１３０）を表す第２の出力（７１２）を生成することと
を含む方法。

【請求項2】

前記第２のデバイス（１１０）と関連付けられる１つまたは複数のＲＦ信号（１５４）を表す前記入力（７１０）を受信することは、
前記第１のＲＦ信号（１５２）と関連付けられる信号測定値（１４２）を表す第２のＲＦ信号（１５４）を前記第２のデバイス（１１０）から受信すること
を含む、請求項１に記載の方法。

【請求項3】

前記第２のデバイス（１１０）から受信される前記第２のＲＦ信号（１５４）は、前記第２のデバイス（１１０）で生成されるローカルセンサデータ（１４０）をさらに表す、請求項２に記載の方法。

【請求項4】

前記位置推定値（１３０）は、前記第２のデバイス（１１０）の位置および前記第２のデバイス（１１０）の向きを示す、請求項１～３のいずれか１項に記載の方法。

【請求項5】

前記第１の出力（１３８）を生成することは、
前記送信ニューラルネットワーク（１２０）における第１のニューラルネットワークアーキテクチャ構成（３２４）に基づいて前記送信ニューラルネットワーク（１２０）で前記第１の出力（１３８）を生成すること
を含み、
前記第２の出力（７１２）を生成することは、前記受信ニューラルネットワーク（１２８）における第２のニューラルネットワークアーキテクチャ構成（３２４）に基づいて前記受信ニューラルネットワーク（１２８）で前記第２の出力（７１２）を生成することを含む、
請求項１～４のいずれか１項に記載の方法。

【請求項6】

前記第１のデバイス（１０８）または前記第２のデバイス（１１０）のうちの少なくとも一方の１つまたは複数の能力に基づいて、複数のニューラルネットワークアーキテクチャ構成から前記第１のニューラルネットワークアーキテクチャ構成（３２４）または前記第２のニューラルネットワークアーキテクチャ構成（３２４）のうちの少なくとも一方を選択すること
をさらに含む、請求項５に記載の方法。

【請求項7】

前記第１のニューラルネットワークアーキテクチャ構成（３２４）を選択することは、
前記第２のデバイス（１１０）の１つまたは複数の機能（１００４）を表す情報を前記第２のデバイス（１１０）から受信することと、
前記情報を使用して前記第１のニューラルネットワークアーキテクチャ構成（３２４）を選択することと
を含む、請求項６に記載の方法。

【請求項8】

前記第１のデバイス（１０８）または前記第２のデバイス（１１０）の少なくとも一方の１つまたは複数の能力（１００２、１００４）に基づいて、前記複数のニューラルネットワークアーキテクチャ構成から前記第２のニューラルネットワークアーキテクチャ構成（３２４）を選択すること
をさらに含む、請求項６または請求項７に記載の方法。

【請求項9】

管理インフラストラクチャコンポーネント（１５０）からコマンド（１００８）を受信して、前記送信ニューラルネットワーク（１２０）における前記第１のニューラルネットワークアーキテクチャ構成（３２４）または前記受信ニューラルネットワーク（１２８）における前記第２のニューラルネットワークアーキテクチャ構成（３２４）のうちの少なくとも一方を実装すること
をさらに含む、請求項５～８のいずれか１項に記載の方法。

【請求項10】

前記第１のデバイス（１０８）または前記第２のデバイス（１１０）の少なくとも一方の１つまたは複数の能力（１００２、１００４）の変化に応答して、前記送信ニューラルネットワーク（１２０）における第３のニューラルネットワークアーキテクチャ構成（３２４）または前記受信ニューラルネットワーク（１２８）における第４のニューラルネットワークアーキテクチャ構成（３２４）の少なくとも一方を選択すること
をさらに含む、請求項５～９のいずれか１項に記載の方法。

【請求項11】

前記第１のデバイス（１０８）の前記送信ニューラルネットワーク（１２０）および前記受信ニューラルネットワーク（１２８）と、前記第２のデバイス（１１０）の送信ニューラルネットワーク（１４８）および受信ニューラルネットワーク（１３４）との共同トレーニングに関与すること
をさらに含む、請求項１～１０のいずれか１項に記載の方法。

【請求項12】

送信ニューラルネットワーク（１２０－２）を実装する第３のデバイス（１０８－２）と通信することと、
前記第３のデバイス（１０８－２）の前記送信ニューラルネットワーク（１２０－２）を構成して、前記第２のデバイス（１１０）が受信するための基準信号（１３８－２）を表す出力を生成することと
をさらに含む、請求項１～１１のいずれか１項に記載の方法。

【請求項13】

前記第１のデバイス（１０８）の前記受信ニューラルネットワーク（１２８）において、第３のデバイス（１１０－２）の位置推定値（１２１４）を表す第３の出力を、前記第３のデバイス（１１０－２）から受信される１つまたは複数のＲＦ信号（１２０８）に基づいて生成することと、
前記第１のデバイス（１０８）の前記受信ニューラルネットワーク（１２０）において、前記第２のデバイス（１１０）および前記第３のデバイス（１１０－２）が同じ空間を占有することを前記第２の出力および前記第３の出力が示すと決定することと、
前記第２のデバイス（１１０）および前記第３のデバイス（１１０－２）が同じ空間を占有することを前記第２の出力および前記第３の出力が示すことに応答して、前記第１のデバイス（１０８）の前記受信ニューラルネットワーク（１２０）の１つまたは複数のパラメータを精緻化することと
をさらに含む、請求項１～１１のいずれか１項に記載の方法。

【請求項14】

第１のデバイスにおけるコンピュータが実行する方法であって、
前記第１のデバイス（１１０）の無線周波数（ＲＦ）アンテナインタフェース（２０４）において、基準信号（１３８）を表す第１のＲＦ信号（１５２）を第２のデバイス（１０８）から受信することと、
前記第１のデバイス（１１０）の受信ニューラルネットワーク（１３４）への第１の入力として前記第１のＲＦ信号（１５２）の表示を提供することと、
前記受信ニューラルネットワーク（１３４）が、前記受信ニューラルネットワーク（１３４）への前記第１の入力に基づいて前記第１のデバイス（１１０）における測定レポート（１４４）を表す第１の出力（７０６）を生成することと
を含む方法。

【請求項15】

前記第１のデバイス（１１０）の送信ニューラルネットワーク（１４８）において、前記受信ニューラルネットワーク（１３４）から前記第１の出力（７０６）を入力として受信することと、
前記送信ニューラルネットワーク（１４８）が、前記測定レポート（１４４）を表す第２の出力を生成することと、
前記第１のデバイス（１１０）の前記ＲＦアンテナインタフェース（２０４）を制御して、前記第２のデバイス（１０８）が受信するための前記第２の出力を表す第２のＲＦ信号（１５４）を送信することと
をさらに含む、請求項１４に記載の方法。

【請求項16】

前記第１の出力（７０６）を生成することは、
前記基準信号（１３８）を表す前記第１の入力に関して１つまたは複数の基準信号測定（１４２）を実行することを含み、前記測定レポート（１４４）は、前記１つまたは複数の基準信号測定（１４２）のうちの少なくとも１つを含む、請求項１４または請求項１５に記載の方法。

【請求項17】

前記第１のデバイス（１１０）の１つまたは複数のセンサ（２１０）によって生成されるセンサデータ（１４０）の表示を、前記第１のデバイス（１１０）の前記受信ニューラルネットワーク（１３４）への第２の入力として提供することをさらに含み、前記測定レポート（１４４）は、前記センサデータ（１４０）と融合される前記１つまたは複数の基準信号測定（１４２）を含む、請求項１６に記載の方法。

【請求項18】

ネットワークインフラストラクチャコンポーネント（１５０）からコマンド（１０１０）を受信して、前記受信ニューラルネットワーク（１３４）における第１のニューラルネットワークアーキテクチャ構成（２２４）または前記送信ニューラルネットワーク（１４８）における第２のニューラルネットワークアーキテクチャ構成（３２４）のうちの少なくとも一方を実装すること
をさらに含む、請求項１４～１７のいずれか１項に記載の方法。

【請求項19】

前記第１のデバイス（１１０）の１つまたは複数の能力（１００４）の変化に応答して、前記１つまたは複数の能力（１００４）の変化を示すメッセージを前記ネットワークインフラストラクチャコンポーネント（１５０）に送信することと、
前記メッセージの送信に応答して、前記ネットワークインフラストラクチャコンポーネント（１５０）から、前記受信ニューラルネットワーク（１３４）または前記送信ニューラルネットワーク（１４８）のうちの少なくとも一方における第２のニューラルネットワークアーキテクチャ構成（４１４）を受信することと
をさらに含む、請求項１８に記載の方法。

【請求項20】

無線周波数（ＲＦ）アンテナインタフェース（２０４、３０４）と、
前記ＲＦアンテナインタフェース（２０４、３０４）に結合される少なくとも１つのプロセッサ（２０６、３０６）と、
前記少なくとも１つのプロセッサ（２０６、３０６）を操作して請求項１～１９のいずれか１項に記載の方法を実行するように構成される実行可能命令を記憶するメモリ（２０８、３０８）と
を備えるデバイス（１０８、１１０）。

【発明の詳細な説明】

【背景技術】

【0001】

背景
ユーザ機器（ＵＥ）などのセルラーネットワークデバイスの正確かつ堅牢な測位は、多くの場合、セルラーネットワークの効果的かつ効率的な動作に大きく貢献する。高精度（すなわち、センチメートルレベル以下）のＵＥ測位は、拡張／仮想現実用途、センサベース用途、産業用途などのさまざまな用途にとって特に興味深いものである。高精度のＵＥ測位を提供する技術の１つは、全地球航法衛星システム（ＧＮＳＳ）である。しかしながら、ＧＮＳＳは、一般に、都市環境や屋内環境では、干渉、マルチパス損失、信号対雑音比（ＳＮＲ）の低下に悩まされる。そのため、セルラーネットワークは、多くの場合、ＧＮＳＳおよび同様の技術を、無線アクセス技術（ＲＡＴ）支援型ＵＥ測位などの１つまたは複数の他のＵＥ測位技術で補完または置き換えることさえある。例えば、現在および新興のセルラーネットワークは、ネットワークコンポーネントがＵＥ測位を実行するために使用できるシグナリングまたは基準信号を実装する。ＵＥ（または基地局（ＢＳ））は、基準信号を受信すると、基準信号に対してさまざまな測定を実行する。ＵＥ（またはＢＳ）は、基準信号測定値をＢＳ（またはロケーションサーバ）などの１つまたは複数の他のネットワークコンポーネントに送信し、これらのネットワークコンポーネントはその測定値を使用してＵＥの位置の推定値を計算する。

【発明の概要】

【課題を解決するための手段】

【0002】

実施形態の概要
いくつかの実施形態によれば、第１のデバイスにおけるコンピュータが実行する方法は、第１のデバイスの送信ニューラルネットワークへの入力として基準信号情報を受信することと、送信ニューラルネットワークが、基準信号情報に基づいて基準信号を表す第１の出力を生成することと、第１のデバイスの無線周波数（ＲＦ）アンテナインタフェースを制御して、第２のデバイスによる受信のために第１の出力を表す第１のＲＦ信号を送信することと、第１のＲＦ信号の送信に応答して、第１のデバイスの受信ニューラルネットワークにおいて、第２のデバイスと関連付けられる１つまたは複数のＲＦ信号を表す入力を受信することと、受信ニューラルネットワークが、受信ニューラルネットワークへの入力に基づいて第２のデバイスの位置推定値を表す第２の出力を生成することとを含む。

【0003】

さまざまな実施形態において、この方法は、以下の態様のうちの１つまたは複数をさらに含むことができる。第２のデバイスと関連付けられる１つまたは複数のＲＦ信号を表す入力を受信することは、第１のＲＦ信号と関連付けられる信号測定値を表す第２のＲＦ信号を第２のデバイスから受信することを含む。第２のデバイスから受信した第２のＲＦ信号は、第２のデバイスで生成されたローカルセンサデータをさらに表す。位置推定値は、第２のデバイスの位置および第２のデバイスの向きを示す。第１の出力は、ユーザ機器測位専用のシンボルを含むダウンリンク位置基準信号をさらに表す。第１の出力を生成することは、送信ニューラルネットワークにおける第１のニューラルネットワークアーキテクチャ構成に基づいて送信ニューラルネットワークで第１の出力を生成することを含む。方法は、第１のデバイスまたは第２のデバイスの少なくとも一方の１つまたは複数の能力に基づいて、複数のニューラルネットワークアーキテクチャ構成から第１のニューラルネットワークアーキテクチャ構成を選択することをさらに含む。第１のニューラルネットワークアーキテクチャ構成を選択することは、第２のデバイスの１つまたは複数の能力を表す情報を第２のデバイスから受信することと、その情報を使用して第１のニューラルネットワークアーキテクチャ構成を選択することとを含む。第２の出力を生成することは、受信ニューラルネットワークにおける第２のニューラルネットワークアーキテクチャ構成に基づいて受信ニューラルネットワークで第２の出力を生成することを含む。方法は、第１のデバイスまたは第２のデバイスの少なくとも一方の１つまたは複数の能力に基づいて複数のニューラルネットワークアーキテクチャ構成から第２のニューラルネットワークアーキテクチャ構成を選択することも含む。第２のニューラルネットワークアーキテクチャ構成を選択することは、第２のデバイスの１つまたは複数の能力を表す情報を第２のデバイスから受信することと、その情報を使用して第２のニューラルネットワークアーキテクチャ構成を選択することとを含む。方法は、送信ニューラルネットワークにおける第１のニューラルネットワークアーキテクチャ構成または受信ニューラルネットワークにおける第２のニューラルネットワークアーキテクチャ構成の少なくとも一方を実装するためのコマンドを管理インフラストラクチャコンポーネントから受信することをさらに含む。方法は、第１のデバイスまたは第２のデバイスの少なくとも一方の１つまたは複数の能力の変化に応答して、送信ニューラルネットワークにおける第３のニューラルネットワークアーキテクチャ構成または受信ニューラルネットワークにおける第４のニューラルネットワークアーキテクチャ構成のうちの少なくとも一方を選択することも含む。送信ニューラルネットワークおよび受信ニューラルネットワークのうちの少なくとも一方は、ディープニューラルネットワーク（ＤＮＮ）を含む。方法は、第１のデバイスの送信ニューラルネットワークおよび受信ニューラルネットワークと、第２のデバイスの送信ニューラルネットワークおよび受信ニューラルネットワークとの共同トレーニングに関与することをさらに含む。方法はまた、送信ニューラルネットワークを実装する第３のデバイスと通信することと、第３のデバイスの送信ニューラルネットワークを構成して、第２のデバイスが受信するための基準信号を表す出力を生成することとを含む。方法は、第１のデバイスの受信ニューラルネットワークにおいて、第４のデバイスから受信される１つまたは複数のＲＦ信号に基づいて第４のデバイスの位置推定を表す第３の出力を生成することと、第１のデバイスの受信ニューラルネットワークにおいて、第２のデバイスおよび第４のデバイスが同じ空間を占有することを第２の出力および第３の出力が示すと決定することと、第２のデバイスおよび第４のデバイスが同じ空間を占有することを第２の出力および第３の出力が示すことに応答して、第１のデバイスの受信ニューラルネットワークの１つまたは複数のパラメータを精緻化することとをさらに含む。

【0004】

いくつかの実施形態によれば、第１のデバイスにおけるコンピュータが実行する方法は、第１のデバイスの無線周波数（ＲＦ）アンテナインタフェースで、基準信号を表す第１のＲＦ信号を第２のデバイスから受信することと、第１のデバイスの受信ニューラルネットワークへの第１の入力として第１のＲＦ信号の表示を提供することと、受信ニューラルネットワークが、受信ニューラルネットワークへの第１の入力に基づいて第１のデバイスでの測定レポートを表す第１の出力を生成することとを含む。

【0005】

さまざまな実施形態において、この方法は、以下の態様のうちの１つまたは複数をさらに含むことができる。すなわち、方法は、第１のデバイスの送信ニューラルネットワークにおいて、受信ニューラルネットワークからの第１の出力を入力として受信することと、送信ニューラルネットワークが、測定レポートを表す第２の出力を生成することと、第１のデバイスのＲＦアンテナインタフェースを制御して、第２のデバイスが受信するための第２の出力を表す第２のＲＦ信号を送信することとを含むことができる。第１の出力を生成することは、基準信号を表す第１の入力に対して１つまたは複数の基準信号測定を実行することを含み、測定レポートは、１つまたは複数の基準信号測定のうちの少なくとも１つを含む。方法は、第１のデバイスの１つまたは複数のセンサによって生成されるセンサデータの表示を、第１のデバイスの受信ニューラルネットワークへの第２の入力として提供することをさらに含む。測定レポートは、センサデータと融合される１つまたは複数の基準信号測定値を含む。第１の出力を生成することは、受信ニューラルネットワークにおける第１のニューラルネットワークアーキテクチャ構成に基づいて受信ニューラルネットワークで第１の出力を生成することを含む。方法は、第１のデバイスまたは第２のデバイスの少なくとも一方の１つまたは複数の能力に基づいて複数のニューラルネットワークアーキテクチャ構成から第１のニューラルネットワークアーキテクチャ構成を選択することをさらに含む。第１のニューラルネットワークアーキテクチャ構成を選択することは、第１のデバイスの１つまたは複数の能力が変更されたことを表す情報を生成することと、その情報を入力として受信ニューラルネットワークに提供することとを含む。第２の出力を生成することは、送信ニューラルネットワークにおける第２のニューラルネットワークアーキテクチャ構成に基づいて送信ニューラルネットワークで第２の出力を生成することを含む。方法は、第１のデバイスまたは第２のデバイスの少なくとも一方の１つまたは複数の能力に基づいて複数のニューラルネットワークアーキテクチャ構成から第２のニューラルネットワークアーキテクチャ構成を選択することをさらに含む。第２のニューラルネットワークアーキテクチャ構成を選択することは、第１のデバイスの１つまたは複数の能力が変更されたことを表す情報を生成することと、その表す情報を入力として送信ニューラルネットワークへ提供することとを含む。方法は、ネットワークインフラストラクチャコンポーネントからコマンドを受信して、受信ニューラルネットワークにおける第１のニューラルネットワークアーキテクチャ構成または送信ニューラルネットワークにおける第２のニューラルネットワークアーキテクチャ構成の少なくとも一方を実装することも含む。方法は、第１のデバイスの１つまたは複数の能力の変化に応答して、１つまたは複数の能力の変化を示すメッセージをネットワークインフラストラクチャコンポーネントに送信することと、メッセージの送信に応答して、ネットワークインフラストラクチャコンポーネントから、受信ニューラルネットワークまたは送信ニューラルネットワークの少なくとも一方における第２のニューラルネットワークアーキテクチャ構成を受信することとをさらに含む。受信ニューラルネットワークおよび送信ニューラルネットワークのうちの少なくとも一方は、ディープニューラルネットワーク（ＤＮＮ）を含む。方法は、第１のデバイスの受信ニューラルネットワークおよび送信ニューラルネットワークと、第２のデバイスの受信ニューラルネットワークおよび送信ニューラルネットワークとの共同トレーニングに関与することも含む。

【0006】

いくつかの実施形態によれば、コンピュータが実行する方法は、第１のデバイスまたは第２のデバイスのうちの少なくとも一方から能力情報を受信することと、能力情報に基づいて、候補ニューラルネットワークアーキテクチャ構成のセットから一対のニューラルネットワークアーキテクチャ構成を選択することとを含み、一対のニューラルネットワークアーキテクチャ構成は、第１のデバイスと第２のデバイスとの間でセルラーデバイス測位推定プロセスを実施するために共同でトレーニングされ、方法は、第１のデバイスの送信ニューラルネットワークおよび受信ニューラルネットワークのうちの１つまたは複数で実装するために、対の第１のニューラルネットワークアーキテクチャ構成の第１の指示を第１のデバイスに送信することと、第２のデバイスの受信ニューラルネットワークおよび送信ニューラルネットワークのうちの１つまたは複数で実装するために対の第２のニューラルネットワークアーキテクチャ構成の第２の指示を第２のデバイスに送信することとをさらに含む。

【0007】

さまざまな実施形態において、本方法は、以下の態様のうちの１つまたは複数をさらに含むことができる。少なくとも１つの能力は、アンテナアレイ能力、処理能力、給電能力、温度関連能力、またはセンサ能力のうちの少なくとも１つを含む。第１のデバイスの送信ニューラルネットワークおよび受信ニューラルネットワーク、ならびに第２のデバイスの送信ニューラルネットワークおよび受信ニューラルネットワークは各々、ディープニューラルネットワーク（ＤＮＮ）を含む。

【0008】

いくつかの実施形態において、デバイスは、無線周波数（ＲＦ）アンテナインタフェースと、ＲＦアンテナインタフェースに結合される少なくとも１つのプロセッサと、実行可能命令を記憶するメモリとを含み、実行可能命令は、少なくとも１つのプロセッサを操作して前述した本明細書に記載の方法のいずれかを実行するように構成される。

【0009】

添付図面を参照することによって、本開示がより良く理解され、その多くの特徴および利点が当業者に明らかになる。異なる図面での同じ参照符号の使用は、類似または同一の項目を示す。

【図面の簡単な説明】

【0010】

【図1】いくつかの実施形態に係る１つまたは複数のＵＥの位置推定値を計算するためにＵＥ測位ニューラルネットワークアーキテクチャを使用する例示的な無線システムを示す図である。

【図2】いくつかの実施形態に係る図１の無線システムのＵＥのハードウェア構成例を示す図である。

【図3】いくつかの実施形態に係る図１の無線システムのＢＳのハードウェア構成例を示す図である。

【図4】いくつかの実施形態に係る図１の無線システムの管理インフラストラクチャコンポーネントのハードウェア構成例を示す図である。

【図5】いくつかの実施形態に係るＵＥ測位ニューラルネットワークアーキテクチャで使用するためのニューラルネットワークを採用する機械学習（ＭＬ）モジュールを示す図である。

【図6】いくつかの実施形態に係る１つまたは複数のＢＳとＵＥとの間の基準信号の処理および送信のための共同トレーニングされた一対のニューラルネットワークを示す図である。

【図7】いくつかの実施形態に係るＵＥとＢＳとの間で、ローカルＵＥセンサデータと融合された基準信号測定値を含む、ＵＥ測定値およびセンサレポートを処理および送信するための共同トレーニングされた一対のニューラルネットワークを示す図である。

【図8】いくつかの実施形態に係る無線システムにおけるＵＥ測位を容易にするためのニューラルネットワークのセットの共同トレーニングのための例示的な方法を示すフロー図である。

【図9】いくつかの実施形態に係る選択されて共同トレーニングされたニューラルネットワークのセットを使用してＵＥ位置推定値を計算する例示的な方法を示すフロー図である。

【図10】いくつかの実施形態に係る図９の方法の動作例を示すラダーシグナリング図である。

【図11】いくつかの実施形態に係る選択されて共同トレーニングされたニューラルネットワークのセットを使用してＵＥ位置推定値を計算するための別の例示的な方法を示すフロー図である。

【図12】いくつかの実施形態に係る図１１の方法の動作例を示すラダーシグナリング図である。

【発明を実施するための形態】

【0011】

詳細な説明
従来の無線通信システムにおけるＲＡＴ支援ＵＥ測位は、典型的には、基準信号送信、基準信号測定、基準信号測定報告、およびＵＥ位置推定などの一連の処理段階／ブロックに依存する。これらの処理段階の設計、テスト、および実装は、互いに比較的独立している。各プロセス段階に対するこのカスタムで独立した設計アプローチは、通常、過度の複雑さ、リソース消費、およびオーバーヘッドをもたらす。また、従来のＲＡＴ支援ＵＥ測位技術は、一般に、ＵＥによって計算される基準信号測定値、または場合によってはＢＳもしくは他のインフラストラクチャネットワークコンポーネントによって計算される基準信号測定値に基づく。しかしながら、ＵＥは、全地球測位衛星（ＧＰＳ）／全地球測位衛星システム（ＧＮＳＳ）チップセット、カメラ、物体検出センサ、加速度計、慣性測定装置（ＩＭＵ）、高度計、温度センサ、気圧計などのさまざまなローカルセンサを含むことがよくある。これらのＵＥセンサからの情報またはデータは、ＲＡＴ支援ＵＥ測位技術の精度を向上させることができる。

【0012】

したがって、各プロセス段階のための手作りのアプローチを取るのではなく、従来のＲＡＴ支援ＵＥ測位技術を上回る効率および精度の向上に加えて迅速な開発と展開を提供するＲＡＴ支援ＵＥ測位にエンドツーエンドニューラルネットワーク構成を利用するシステムと技術の例について以下に説明する。ＲＡＴ支援ＵＥ測位における従来の処理ステージは、ＵＥの利用可能なセンサからのセンサデータとＵＥ基準信号測定値（または信号）を融合してより正確で意味のあるＵＥ位置推定値を生成するように動作する共同でトレーニングされたニューラルネットワークによって置き換えられ、または補完される。例えば、ＵＥが提供する基準信号測定値（または信号）をＵＥローカルセンサ情報と融合して処理することにより、ＢＳ（またはロケーションサーバなどの他のネットワークコンポーネント）は、ＵＥのローカル状況を組み込むＵＥ位置推定値を生成でき、ＵＥの向きを示すことができ、および／または動きなどの二次情報（例えば、回転、方位、速度など）を含むことができる。したがって、共同でトレーニングされたニューラルネットワークアーキテクチャはニューラルネットワークのセットを含み、各々のニューラルネットワークは、事実上、特別に設計されたり、ＲＡＴ支援ＵＥ測位段階のシーケンスに関してテストされたりする必要がなく、従来のＲＡＴ支援ＵＥ測位段階のシーケンスよりも正確で効率的なＵＥ測位を提供するようにトレーニングされている。少なくともいくつかの実施形態において、共同でトレーニングされたニューラルネットワークアーキテクチャは、基準信号送信プロセス、基準信号測定プロセス、ローカルＵＥセンサ情報収集および融合プロセス、基準信号測定およびセンサ報告プロセス、ならびにＵＥ位置推定プロセスなどのＲＡＴ支援ＵＥ測位技術の１つまたは複数のプロセスを実施する。

【0013】

少なくともいくつかの実施形態において、無線システムは、ＢＳの動作特性（例えば、周波数、帯域幅など）、ＵＥが報告した基準信号受信電力（ＲＳＲＰ）、ドップラー推定値、展開情報、計算リソース、センサリソース、電力リソース、アンテナリソース、その他の能力などのさまざまなパラメータのいずれかに基づいて、ＢＳとＵＥの間で使用されるさまざまなニューラルネットワークにおける複数の候補ニューラルネットワークアーキテクチャ構成の共同トレーニングを使用することができる。したがって、ＢＳおよびＵＥの各々で使用される特定のニューラルネットワーク構成は、これらのデバイスの特定の構成と、対応するニューラルネットワークアーキテクチャ構成をトレーニングするために使用されるパラメータとの間の相関に基づいて選択され得る。

【0014】

図１は、いくつかの実施形態に係るニューラルネットワーク促進ＵＥ測位を採用する無線通信システム１００を示す。図示のように、無線通信システム１００は、１つまたは複数の広域ネットワーク（ＷＡＮ）１０４またはインターネットなどの他のパケットデータネットワーク（ＰＤＮ）に結合されたコアネットワーク１０２を含むセルラーネットワークである。無線通信システム１００は１つまたは複数のＢＳ１０８（ＢＳ１０８－１および１０８－２として示される）をさらに含み、各ＢＳ１０８は、単方向または双方向であり得る１つまたは複数の無線通信リンク１１２（通信リンク１１２－１および１１２－２として示される）を介した１つまたは複数のＵＥ１１０（ＵＥ１１０－１および１１０－２として示される）との無線通信をサポートする。少なくともいくつかの実施形態において、各ＢＳ１０８は、１つまたは複数の通信プロトコルまたは規格によって指定される１つまたは複数の適用可能なＲＡＴを使用する無線周波数（ＲＦ）シグナリングによって無線通信リンク１１２を介してＵＥ１１０と通信するように構成される。したがって、各ＢＳ１０８は、ＵＥ１１０と、コアネットワーク１０２およびパケット交換（ＰＳ）データサービス、回線交換（ＣＳ）サービスなどの他のネットワークによって提供されるさまざまなネットワークおよびサービスとの間の無線インタフェースとして動作する。従来、ＢＳ１０８からＵＥ１１０へのデータまたはシグナリングの通信は「ダウンリンク」または「ＤＬ」と呼ばれる一方、ＵＥ１１０からＢＳ１０８へのデータまたはシグナリングの通信は「アップリンク」または「ＵＬ」と呼ばれる。少なくともいくつかの実施形態において、ＢＳ１０８は、別のＢＳ１０８間でユーザプレーンおよびコントロールプレーンデータを交換するように構成されたＸｎおよび／またはＸ２インタフェースなどの基地局間インタフェース１１４も含む。

【0015】

各ＢＳ１０８は、ユニバーサル移動通信システム（ＵＭＴＳ）ＲＡＴ（「３Ｇ」としても知られる）におけるＮｏｄｅＢ（または基地局（ＢＴＳ））として動作する、第３世代パートナーシッププロジェクト（３ＧＰＰ（登録商標））ロングタームエボリューション（ＬＴＥ）ＲＡＴにおける進化型ＮｏｄｅＢ（ｅＮｏｄｅＢ）として動作する、３ＧＰＰ第５世代（５Ｇ）新無線（ＮＲ）ＲＡＴにおける５ＧノードＢ（「ｇＮＢ」）として動作するなど、さまざまなＲＡＴまたはＲＡＴの組み合わせのいずれかを使用することができる。次いでＵＥ１１０は、例えば、携帯電話、セルラー対応のタブレットコンピュータまたはラップトップコンピュータ、デスクトップコンピュータ、セルラー対応ビデオゲームシステム、サーバ、セルラー対応機器、セルラー対応自動車通信システム、セルラー対応スマートウォッチまたは他のウェアラブルデバイスなどを含む、適切なＲＡＴを介してＢＳ１０８と通信するように動作可能なさまざまな電子デバイスのいずれかを実装することができる。

【0016】

少なくともいくつかの実施形態において、ＵＥ１１０は、ＧＮＳＳなどの１つまたは複数の測位技術を使用して、ＵＥ１１０と関連付けられた高精度測位情報を取得する。しかしながら、ＧＮＳＳは、典型的には、都市および屋内環境において干渉、マルチパス、および低信号対雑音比に悩まされる。無線通信システム１００は、少なくともいくつかの実施形態では、ＧＮＳＳと関連付けられる困難を克服するために、ＲＡＴ支援ＵＥ測位などの１つまたは複数の他のＵＥ測位技術でＧＮＳＳおよび同様の技術を補完し、または置き換えることさえできる。ＲＡＴ支援ＵＥ測位は、例えばＢＳ１０８またはＵＥ１１０によって生成および送信されるシグナリング信号または基準信号に少なくとも部分的に基づく。これらの基準信号の例としては、測位基準信号（ＰＲＳ）、チャネル状態情報基準信号（ＣＳＩ－ＲＳ）、同期／物理ブロードキャストチャネルブロック（ＳＳ／ＰＢＣＨ）、およびサウンディング基準信号（ＳＲＳ）が挙げられる。ＲＡＴ支援ＵＥ測位は、少なくともいくつかの実施形態では、典型的には、ＢＳ１０８が基準信号をＵＥ１１０に送信する（またはその逆）ことを伴う。その後、ＵＥ１１０（またはＢＳ１０８）は、基準信号に対してさまざまな測定を実行する。基準信号測定値の例としては、信号強度、観測された到着時間差（ＯＴＤｏＡ）における基準信号時間差測定値（ＲＳＴＤ）、アップリンク到着時間差（ＵＴＤｏＡ）、タイミングアドバンス（ＴＤＡＶ）、到着角（ＡｏＡ）、出発角（ＡｏＤ）、往復時間（ＲＴＴ）などが挙げられる。ＵＥ１１０（またはＢＳ１０８）は、ＵＥの位置の推定値を計算するために、測定値を使用するＢＳ１０８（または位置サーバ）などの１つまたは複数の他のネットワークコンポーネントに基準信号測定値を送信する。

【0017】

前述したように、従来の無線通信システムにおけるＲＡＴ支援ＵＥ測位は、典型的には、過度の複雑さ、リソース消費、およびオーバーヘッドをもたらす一連の処理段階／ブロックに依存する。また、従来のＲＡＴ支援ＵＥ測位技術は、一般に、ＵＥ位置推定値を計算する際にＵＥセンサデータを考慮しない。したがって、少なくとも１つの実施形態において、ＢＳ１０８およびＵＥ１１０は、ＲＡＴ支援ＵＥ測位を容易にするようにトレーニングされるかまたは他の方法で構成される１つまたは複数のニューラルネットワーク（ＮＮ）を組み込む送信機（ＴＸ）および受信機（ＲＸ）処理パスを実装する。ＮＮは、少なくとも１つの構成において、ＵＥ１１０の利用可能なセンサからのセンサデータをＵＥ基準信号測定値（または信号）と融合させて、従来のＲＡＴ支援型ＵＥ測位機構よりも正確で意味のあるＵＥ位置推定値を生成する。例えば１つまたは複数のＢＳ１０８とＵＥ１１０との間に確立されたＲＡＴ支援ＵＥ測位パス１１６（または、簡潔にするために「ＵＥ測位パス１１６」）に関して示すように、ＢＳ１０８は、ＢＳ位置基準ＴＸ ＤＮＮ１２０（ＴＸ ＤＮＮ１２０－１および１２０－２として示される）または他のニューラルネットワークを有するＴＸ処理パス１１８（処理パス１１８－１および１１８－２として示される）を使用する。ＢＳ位置基準ＴＸ ＤＮＮ１２０は、位置基準信号（ＰＲＳ）などの基準信号１３８を生成するための基準信号情報１２２（情報１２２－１および１２２－２として示される）を受信するように構成される入力を有する。ＢＳ位置基準ＴＸ ＤＮＮ１２０は、ＢＳ１０８のＲＦフロントエンド１２４（ＲＦフロントエンド１２４－１および１２４－２として示される）に結合された出力も含む。ＢＳ１０８は、ＢＳ位置ＲＸ ＤＮＮ１２８または他のニューラルネットワークを有するＲＸ処理パス１２６をさらに使用する。ＢＳ位置ＲＸ ＤＮＮ１２８は、ＲＦフロントエンド１２４に結合された入力と、ＵＥ位置推定値１３０を生成するように構成された出力とを有する。

【0018】

ＵＥ１１０は、ＵＥ位置基準ＲＸ ＤＮＮ１３４または他のニューラルネットワークを有するＲＸ処理パス１３２を使用する。ＵＥ位置基準ＲＸ ＤＮＮ１３４は、ＲＦフロントエンド１３６に結合された入力を有する。ＵＥ位置基準ＲＸ ＤＮＮ１３４の入力は、例えば、１つまたは複数のＢＳ１０８からの少なくとも１つの基準信号１３８（基準信号１３８－１および１３８－２として示される）または他の基準信号、ローカルセンサデータ１４０などを受信するように構成される。ＵＥ位置参照ＲＸ ＤＮＮ１３４は、ＵＥ位置参照ＲＸ ＤＮＮ１３４への入力に基づいてＵＥ測定値およびセンサレポート１４４を生成するように構成された出力も有する。ＵＥ１１０は、ＵＥ位置フィードバックＴＸ ＤＮＮ１４８または他のニューラルネットワークを有するＴＸ処理パス１４６をさらに使用する。ＵＥ位置フィードバックＴＸ ＤＮＮ１４８は、ＵＥ位置基準ＲＸ ＤＮＮ１３４の出力に結合された入力を有し、ＲＦフロントエンド１３６に結合された出力をさらに有する。少なくともいくつかの実施形態において、サービングＢＳ１０８－１（または別のセルラーネットワークコンポーネント）は、サービングセルの動作特性、ＵＥが報告したＲＳＲＰ、ドップラー推定値、展開情報などに基づいて、ＵＥ１１０のＵＥ位置基準ＲＸ ＤＮＮ１３４およびＵＥ位置フィードバックＴＸ ＤＮＮ１４８を構成する。ＵＥ１１０は、少なくともいくつかの実施形態では、ＲＲＣメッセージなどの１つまたは複数の制御メッセージを介して、サービングＢＳ１０８－１（または他のネットワークコンポーネント）から特定のニューラルネットワークアーキテクチャを受信する。

【0019】

動作時、ＢＳ位置基準ＴＸ ＤＮＮ１２０、ＢＳ位置ＲＸ ＤＮＮ１２８、ＵＥ位置基準ＲＸ ＤＮＮ１３４、ＵＥ位置フィードバックＴＸ ＤＮＮ１４８、またはそれらの組み合わせは、１つまたは複数のＲＡＴ支援ＵＥ測位動作を実行するために一緒にトレーニングされるかまたは他の方法で一緒に構成される。少なくともいくつかの実施形態において、ＢＳ位置基準ＴＸ ＤＮＮ１２０は、基準信号情報１２２を入力として受信する。ＢＳ位置基準ＴＸ ＤＮＮ１２０は、ＵＥ１１０へのＲＦ送信およびＵＥ１１０のＵＥ位置基準ＲＸ ＤＮＮ１３４による処理に適した基準信号情報１２２（および任意の他の入力）から基準信号１３８出力を生成する。基準信号１３８出力は、少なくとも１つの実施形態において、ＵＥ測位専用のシンボルを含むダウンリンク位置基準信号である測位基準信号を表す。しかしながら、基準信号１３８出力は、ＣＳＩ－ＲＳまたはＳＳ／ＰＢＣＨなどの他のタイプの基準信号を表してもよい。この共同トレーニングまたは他の構成の一部として、ＢＳ位置基準ＴＸ ＤＮＮ１２０は、少なくとも１つの実施形態において、事実上、ＵＥ１１０へのＢＳ１０８による送信のための基準信号１３８または他の基準信号を生成および構成するようにトレーニングされるかまたは他の方法で構成される。したがって、ＢＳ位置基準ＴＸ ＤＮＮ１２０は、ＢＳ１０８のＲＦフロントエンド１２４への出力として基準信号１３８を提供する。ＲＦフロントエンド１２４は、出力を処理し、処理された出力をアナログ信号に変換し、ＵＥ１１０への基準信号１３８のＲＦ送信１５２（ＲＦ送信１５２－１および１５２－２として示される）に適した搬送周波数でアナログ信号を変調する。

【0020】

少なくともいくつかの実施形態において、複数のＢＳ１０８は、基準信号１３８を生成してＵＥ１１０に送信するために、対応するＢＳ位置基準ＴＸ ＤＮＮ１２０を伴って構成される。そのような実施形態において、第１のＢＳはサービング／基準ＢＳ１０８－１として作用し、残りのＢＳは隣接ＢＳ１０８－２である。サービングＢＳ１０８－１は、基地局間インタフェース１１４を介して各隣接ＢＳ１０８－２と通信して、隣接ＢＳ１０８－２のＢＳ位置参照ＴＸ ＤＮＮ１２０－２を構成することができる。例えば、サービングＢＳ１０８－１は、サービングセルの動作特性（例えば、周波数、帯域幅など）、ＵＥが報告したＲＳＲＰ、ドップラー推定値、展開情報（例えば、都市／地方の展開、または角度推定がＢＳ１０８によって実行されるべきかどうか）などに基づいて、隣接ＢＳ１０８－２のＢＳ位置基準ＴＸ ＤＮＮ１２０－２を構成することができる。別の実施形態では、ＢＳ１０８が複数のアンテナアレイを含む場合、各アンテナアレイをＢＳ位置基準ＴＸ ＤＮＮ１２０に関連付けることができる。サービングＢＳ１０８－１は、少なくともいくつかの実施形態では、ＢＳ位置基準ＴＸ ＤＮＮ１２０に加えてＢＳ位置ＲＸ ＤＮＮ１２８を実装する。

【0021】

ＵＥ１１０では、１つまたは複数のコンポーネントが、受信した基準信号１３８に関して、ＲＳＲＰ、ＲＳＴＤ、ＯＴＤｏＡ、ＵＴＤｏＡ、ＴＤＡＶ、ＡｏＡ、ＡｏＤ、ＲＴＴなどの基準信号測定１４２を実行する。ＵＥ１１０は、基準信号測定値１４２を入力としてＵＥ位置基準ＲＸ ＤＮＮ１３４に提供する。あるいは、ＲＦフロントエンド１３６は、ＵＥ位置基準ＲＸ ＤＮＮ１３４への入力として基準信号１３８（またはその表示）を提供することができる。ＵＥ位置基準ＲＸ ＤＮＮ１３４は、その後、基準信号１３８における１つまたは複数の基準信号測定値１４２を計算することができる。少なくともいくつかの実施形態では、ＵＥ１１０のセンサからのセンサデータ１４０などの他の入力が、ＵＥ位置基準ＲＸ ＤＮＮ１３４に入力として同時に提供される。センサデータ１４０入力の例としては、ＧＰＳデータ、カメラデータ、加速度計データ、ＩＭＵデータ、高度計データ、温度データ、気圧計データ、物体検出センサ（例えば、レーダーセンサ、ライダーセンサ、撮像センサ、または構造化光ベースの深度センサ）などが挙げられる。これらの入力から、共同トレーニングまたは他の構成に基づいて、ＵＥ位置基準ＲＸ ＤＮＮ１３４は、ＵＥ１１０と関連付けられたＵＥ測定値およびセンサレポート１４４を出力するように動作する。例えば、ＵＥ位置基準ＲＸ ＤＮＮ１３４は、基準信号測定値１４２または基準信号１３８自体を処理して、ＵＥ測定値およびセンサレポート１４４を表す出力を生成する。他の実施形態において、ＵＥ位置基準ＲＸ ＤＮＮ１３４は、センサデータ１４０入力を処理し、センサデータ１４０入力を基準信号測定値と融合して、ＵＥ測定値およびセンサレポート１４４を表す出力も生成する。

【0022】

ＵＥ位置基準ＲＸ ＤＮＮ１３４は、ＵＥ測定値およびセンサレポート１４４を表す出力を、入力としてＵＥ位置フィードバックＴＸ ＤＮＮ１４８に提供する。この入力から、ＵＥ位置フィードバックＴＸ ＤＮＮ１４８は、ＵＥ測定値およびセンサレポート１４４を表す出力を生成し、その出力をＵＥ１１０のＲＦフロントエンド１３６に提供する。ＲＦフロントエンド１３６トランシーバは、ＵＥ測定値およびセンサレポート１４４を含むＲＦ信号１５４を生成してサービングＢＳ１０８－１に送信する（無線通信）ために出力を処理する。ＵＥ１１０は、ＲＦ信号１５４を構成してサービングＢＳ１０８に送信するために、無線リソース制御（ＲＲＣ）プロトコル、ロングタームエボリューション（ＬＴＥ）測位プロトコル（ＬＰＰ）などのさまざまなメッセージング機構を使用することができる。したがって、ＵＥ１１０のＵＥ位置フィードバックＴＸ ＤＮＮ１４８は、生成された出力をＲＦフロントエンド１３６に提供し、そこで、出力は、処理されて、アナログ信号に変換され、その後、サービングＢＳ１０８－１へのＲＦ送信に適した搬送周波数で変調される。

【0023】

サービングＢＳ１０８－１において、ＲＦフロントエンド１２４は、ＵＥ１１０からＲＦ信号１５４を受信し、ＲＦ信号１５４をＵＥ測定値およびセンサレポート１４４を表すデジタル信号に変換する。次に、ＲＦフロントエンド１２４は、デジタル信号を入力としてサービングＢＳ１０８－１のＢＳ位置ＲＸ ＤＮＮ１２８に提供する。この入力から、および共同トレーニングまたは他の構成に基づいて、ＢＳ位置ＲＸ ＤＮＮ１２８は、ＵＥ１１０と関連付けられたＵＥ位置推定値１３０を出力するように動作する。例えば、ＢＳ位置ＲＸ ＤＮＮ１２８は、入力として受信されたＵＥ測定値およびセンサレポート１４４からの基準信号測定値およびＵＥセンサデータ１４０を処理する。これらの入力から、ＢＳ位置ＲＸ ＤＮＮ１２８は、ＵＥ１１０における位置推定値１３０を表す出力を生成する。ＵＥ位置推定値１３０は、少なくともいくつかの実施形態では、ＵＥ１１０によって提供される基準信号測定値１４２を組み込むだけでなく、ＵＥセンサデータ１４０も組み込み、その結果、例えば、ＵＥのローカル状況、ＵＥの向きの指示、動きなどの二次情報（例えば、回転、方位など）、および／または同様のものなどを含むＵＥ位置推定値がもたらされる。したがって、ＵＥセンサデータ１４０を考慮することによって、サービングＢＳ１０８－１は、従来のＲＡＴ支援測位技術よりも正確で意味のあるＵＥ位置推定値を生成することができる。少なくともいくつかの実施形態において、サービングＢＳ１０８－１は、ＵＥ位置推定値１３０を処理する、あるいはさらなる処理のためにＵＥ位置推定値１３０を無線通信システム１００の１つまたは複数の他のコンポーネントに送信する。

【0024】

少なくともいくつかの実施形態において、サービングＢＳ１０８－１は、各々がＵＥ測定値およびセンサレポート１４４または異なるＵＥ１１０と関連付けられたＵＥ測定レポート（ＵＥセンサデータを伴わない）を含む信号を複数のＵＥ１１０から受信することができる。これらの実施形態において、サービングＢＳ１０８－１のＢＳ位置ＲＸ ＤＮＮ１２８は、２つ以上の別個のＵＥ１１０について計算されたＵＥ位置推定値１３０を比較して、別個のＵＥ１１０が同じ空間を占有することを位置推定値１３０が示すかどうかを決定する。２つ以上の別個のＵＥ１１０が同じ空間を占有することを位置推定１３０が示す場合、サービングＢＳ１０８－１（または別のセルラーネットワークコンポーネント）は、複数の別個の物体が同じ物理空間を占有することができないことからＢＳ位置ＲＸ ＤＮＮ１２８が測位エラーを起こしていて精緻化されなければならないと決定する。サービングＢＳ１０８－１（または別のセルラーネットワークコンポーネント）は、重みなどのＢＳ位置ＲＸ ＤＮＮ１２８の１つまたは複数のパラメータを調整して識別された測位エラーを補正するように進む。

【0025】

記載される技術は、基準信号をＵＥ１１０に送信するＢＳ１０８を含むが、ＵＥ１１０は同様に基準信号をＢＳ１０８に送信することができる。この構成において、ＵＥ位置フィードバックＴＸ ＤＮＮ１４８またはＵＥ１１０の他のＴＸ ＤＮＮは、ＳＲＳなどの基準信号を送信するためのＢＳ１０８のＢＳ位置基準ＴＸ ＤＮＮ１２０と同様に構成される。ＵＥ１１０のＵＥ位置フィードバックＴＸ ＤＮＮ１４８は、ＵＥ１１０で利用可能な１つまたは複数のセンサからのセンサデータ１４０で基準信号を増強し、増強された基準信号を表す出力を生成することもできる。次いで、ＵＥ１１０は、増強された基準信号をサービングＢＳ１０８－１に送信する。サービングＢＳ１０８－１のＢＳ位置ＲＸ ＤＮＮ１２８－１は、少なくとも１つの構成において、ＵＥ１１０から受信した基準信号に対して１つまたは複数の測定を実行し、基準信号測定値とＵＥが送信した増強された基準信号の一部として受信されたＵＥセンサデータ１４０とに基づいてＵＥ位置推定１３０を計算する。代替的な実施形態では、ＢＳ１０８で増強された基準信号または測定値およびセンサレポートを処理するのではなく、ＢＳ１０８におけるＴＸニューラルネットワークは、少なくとも１つの構成において、ローカルに生成された増強された基準信号測定値（またはＵＥが提供する測定値およびセンサレポート）を管理コンポーネント１５０に送信する。この実施形態において、管理コンポーネント１５０は、ＢＳ１０８から受信した基準信号測定値およびＵＥセンサデータを処理してＵＥ位置推定値を計算するように構成されたＲＸニューラルネットワークを実装する。

【0026】

前述したように、および本明細書でより詳細に説明するように、ＢＳ１０８およびＵＥ１１０はいずれもそれぞれ、全体的なＲＡＴ支援ＵＥ測位プロセスを容易にするために、コンテキスト固有のパラメータに基づいて共同でトレーニングおよび選択される１つまたは複数のＤＮＮまたは他のニューラルネットワークを採用する。これらのニューラルネットワークの共同トレーニング、選択、および保守を管理するために、システム１００は、少なくとも１つの実施形態では、管理インフラストラクチャコンポーネント１５０（または簡潔にするために「管理コンポーネント１５０」）をさらに含む。この管理コンポーネント１５０は、例えば、コアネットワーク１０２内またはＷＡＮ１０４内など、無線通信システム１００のネットワークインフラストラクチャ１０６内のサーバまたは他のコンポーネントを含むことができる。さらに、図示の例では別個のコンポーネントとして示されるが、少なくともいくつかの実施形態では、ＢＳ１０８は管理コンポーネント１５０を実装する。管理コンポーネント１５０によって提供される監視機能としては、例えば、ニューラルネットワークの共同トレーニングの監視、ＢＳ１０８またはＵＥ１１０におけるそれらの特定の能力または他のコンポーネント固有のパラメータに基づく特定のニューラルネットワークアーキテクチャ構成の選択の管理、ニューラルネットワーク構成選択を目的とした能力更新の受信および処理、ニューラルネットワークトレーニングまたは選択を目的としたフィードバックの受信および処理、などのうちの一部またはすべてを挙げることができる。

【0027】

図４に関して以下でより詳細に説明するように、管理コンポーネント１５０は、いくつかの実施形態では、候補ニューラルネットワークアーキテクチャ構成４１４（図４）のセット４１２（図４）を維持する。管理コンポーネント１５０（または他のネットワークコンポーネント）は、対応するニューラルネットワークを実装するコンポーネントの現在の能力、送信チェーン内の他のコンポーネントの現在の能力、受信チェーン内の他のコンポーネントの現在の能力、またはそれらの組み合わせに少なくとも部分的に基づいて、対応するＲＡＴ支援ＵＥ測位パス内の特定のコンポーネントで使用されるべき候補ニューラルネットワークアーキテクチャ構成４１４を選択することができる。これらの能力としては、例えば、センサ能力、処理リソース能力、バッテリ／給電能力、ＲＦアンテナ能力、コンポーネントの１つまたは複数の付属品の能力などを挙げることができる。ＢＳ１０８およびＵＥ１１０におけるこれらの能力を表す情報は、管理コンポーネント１５０によって取得され、ＢＳ能力情報４２０（図４）およびＵＥ能力情報４２２（図４）のそれぞれとして管理コンポーネント１５０に記憶される。管理コンポーネント１５０は、チャネルの搬送波周波数、物体または他の干渉の既知の存在など、環境の対応するチャネルまたは伝播チャネルのパラメータまたは他の態様をさらに考慮することができる。

【0028】

このアプローチをサポートするために、いくつかの実施形態において、管理コンポーネント１５０は、異なる能力／コンテキストの組み合わせにおける候補ニューラルネットワークアーキテクチャ構成４１４の異なる組み合わせの共同トレーニングを管理することができる。その後、管理コンポーネント１５０は、ＢＳ１０８からの能力情報４２０、ＵＥ１１０からの能力情報４２２、またはその両方を取得することができ、この能力情報から、管理コンポーネント１５０は、対応する示された能力、ＲＦシグナリング環境などに少なくとも部分的に基づいて、各々のコンポーネントごとに、候補ニューラルネットワークアーキテクチャ構成４１４のセット４１２からニューラルネットワークアーキテクチャ構成を選択する。少なくともいくつかの実施形態において、管理コンポーネント１５０（または他のネットワークコンポーネント）は、候補ニューラルネットワークアーキテクチャ構成を対を成すサブセットとして共同でトレーニングし、それにより、ＢＳ１０８における特定の能力セットに関する各候補ニューラルネットワークアーキテクチャ構成は、ＵＥ１１０における特定の能力セットに関して単一の対応する候補ニューラルネットワークアーキテクチャ構成と共同でトレーニングされる。他の実施形態において、管理コンポーネント１５０（または他のネットワークコンポーネント）は、ＢＳ１０８における各候補構成がＵＥ１１０における複数の候補構成と１対多の対応関係を有するように、および逆もまた同様であるように、候補ニューラルネットワークアーキテクチャ構成を決定する。

【0029】

したがって、システム１００は、互換性を考慮して特別に設計されていない可能性がある独立して設計されたプロセスブロックではなく、ＵＥ測位のために１つまたは複数のＢＳ１０８と１つまたは複数のＵＥ１１０との間で管理され、共同トレーニングされ、選択的に使用されるニューラルネットワークのセットに依存する、ＲＡＴ支援ＵＥ測位アプローチを利用する。これにより、柔軟性が向上するだけでなく、状況によっては、各デバイスでのより迅速な処理が可能になるとともに、より正確なＵＥ位置推定、ならびに、基準信号ならびにＵＥ測定値およびセンサレポートのより効率的な送信や処理が可能になる。

【0030】

図２は、いくつかの実施形態に係るＵＥ１１０におけるハードウェア構成例を示す。描かれたハードウェア構成は、１つまたは複数の実施形態のニューラルネットワークベースのプロセスに最も直接関係する処理コンポーネントおよび通信コンポーネントを表しており、ディスプレイ、非センサ周辺機器、外部電源などのこうした電子デバイスに頻繁に実装されることがよく理解されている特定のコンポーネントを省いていることに留意されたい。

【0031】

図示の構成において、ＵＥ１１０は、１つまたは複数のアンテナ２０２を有するＲＦフロントエンド１３６と、１つまたは複数のＲＡＴをサポートする１つまたは複数のモデムを有するＲＦアンテナインタフェース２０４とを含む。ＲＦフロントエンド１３６は、事実上、物理（ＰＨＹ）トランシーバインタフェースとして動作し、ＵＥ１１０の１つまたは複数のプロセッサ２０６とアンテナ２０２との間のシグナリングを実行および処理して、さまざまなタイプの無線通信を容易にする。アンテナ２０２は、互いに同様または異なるように構成された複数のアンテナの１つまたは複数のアレイを成して配置することができ、対応するＲＡＴと関連付けられた１つまたは複数の周波数帯域に同調することができる。１つまたは複数のプロセッサ２０６は、例えば、１つまたは複数の中央処理ユニット（ＣＰＵ）、グラフィックス処理ユニット（ＧＰＵ）、テンソル処理ユニット（ＴＰＵ）、または他の特定用途向け集積回路（ＡＳＩＣ）などを含むことができる。例示するように、プロセッサ２０６は、オペレーティングシステムおよびさまざまなユーザレベルのソフトウェアアプリケーションを実行するためにＵＥ１１０によって利用されるアプリケーションプロセッサ（ＡＰ）、ならびにモデムまたはＲＦフロントエンド１３６のベースバンドプロセッサによって利用される１つまたは複数のプロセッサを含むことができる。ＵＥ１１０は、ランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、キャッシュ、フラッシュメモリ、ソリッドステートドライブ（ＳＳＤ）またはその他の大容量記憶デバイスなど、データおよび／または実行可能命令を記憶するために電子デバイスによって使用されるさまざまな媒体のいずれかを含む、１つまたは複数のコンピュータ可読媒体２０８をさらに含む。説明を容易にし、簡潔にするために、コンピュータ可読媒体２０８は、プロセッサ２０６による実行のためにデータおよび命令を記憶するべくシステムメモリまたは他のメモリの頻繁な使用を考慮して、本明細書では「メモリ２０８」と呼ばれるが、「メモリ２０８」への言及が、特に断りのない限り、他のタイプの記憶媒体にも同様に適用されるものであることが理解され得る。

【0032】

少なくとも１つの実施形態において、ＵＥ１１０は、本明細書ではセンサセット２１０と呼ばれる複数のセンサをさらに含み、それらの少なくとも一部は、１つまたは複数の実施形態のニューラルネットワークベースのスキームで利用される。一般に、センサセット２１０のセンサは、ＵＥ１１０の環境の何らかの態様、またはユーザによるＵＥ１１０の使用を感知するセンサを含み、これらのセンサは、例えばＵＥ１１０の位置、ＵＥ１１０の向き、動き、またはそれらの組み合わせに対して、少なくとも何らかの影響を与えるかまたはこれを反映するパラメータを感知する潜在力を有する。センサセット２１０のセンサとしては、レーダーセンサ、ライダーセンサ、撮像センサ、構造化光ベースの深度センサなどの、物体検出のための１つまたは複数のセンサを挙げることができる。また、センサセット２１０は、ＧＰＳセンサなどの衛星測位センサ、全地球航法衛星システム（ＧＮＳＳ）センサ、内部測定ユニット（ＩＭＵ）センサ、視覚オドメトリセンサ、ジャイロスコープ、傾斜センサまたは他の傾斜計、ウルトラワイドバンド（ＵＷＢ）ベースのセンサなど、ＵＥ１１０の位置または姿勢／方位を決定するための１つまたは複数のセンサを含むこともできる。センサセット２１０のセンサのタイプの他の例としては、温度センサ、気圧計、高度計などの環境センサ、またはユーザによる画像取り込み用のカメラ、顔検出用のカメラ、立体視または視覚オドメトリ用のカメラ、デバイスの特徴に近接する物体を検出するための光センサ、物体検出センサ（例えば、レーダーセンサ、ライダーセンサ、撮像センサ、または構造化光ベースの深度センサ）などの撮像センサを挙げることができる。ＵＥ１１０は、１つまたは複数のバッテリ２１２または他のポータブル電源、ならびにタッチスクリーン、ユーザ操作可能な入力／出力デバイス（例えば、「ボタン」またはキーボード）、または他のタッチ／接触センサ、マイク、もしくはオーディオコンテンツを捕捉するための他の音声センサ、ビデオコンテンツを捕捉するためのイメージセンサ、（ユーザへの近接を検出するなどのための）熱センサなどの１つまたは複数のユーザインタフェース（ＵＩ）コンポーネント２１４をさらに含むことができる。

【0033】

ＵＥ１１０の１つまたは複数のメモリ２０８は、１つまたは複数のプロセッサ２０６およびＵＥ１１０の他のコンポーネントを操作してＵＥ１１０に帰属するさまざまな機能を果たす実行可能なソフトウェア命令および関連データの１つまたは複数のセットを記憶する。実行可能なソフトウェア命令のセットとしては、例えば、オペレーティングシステム（ＯＳ）およびさまざまなドライバ（図示せず）、ならびにさまざまなソフトウェアアプリケーションが挙げられる。実行可能なソフトウェア命令のセットは、ニューラルネットワーク管理モジュール２１６、能力管理モジュール２１８、または基準信号測定モジュール２２０のうちの１つまたは複数をさらに含む。ニューラルネットワーク管理モジュール２１６は、以下で詳しく説明されるＵＥ１１０における１つまたは複数のニューラルネットワークを実装する。能力管理モジュール２１８は、ニューラルネットワーク構成または選択に関係し得るＵＥ１１０のさまざまな能力を決定し、そのような能力を管理コンポーネント１５０に報告するとともに、ＲＦおよび処理の能力の変化、アクセサリの可用性または能力の変化、センサの可用性の変化などを含むそのような能力の変化に関してＵＥ１１０を監視し、そのような能力および能力の変化の管理コンポーネント１５０への報告を管理する。前述したのと同様に、基準信号測定モジュール２２０は、１つまたは複数のＢＳ１０８から受信した基準信号について、ＲＳＲＰ、ＲＳＴＤ、ＯＴＤｏＡ、ＵＴＤｏＡ、ＴＤＡＶ、ＡｏＡ、ＡｏＤ、ＲＴＴなどの信号測定値を生成するように動作する。

【0034】

ＵＥ１１０の動作を容易にするために、ＵＥ１１０の１つまたは複数のメモリ２０８は、これらの動作と関連付けられたデータをさらに記憶することができる。このデータは、例えば、デバイスデータ２２２および１つまたは複数のニューラルネットワークアーキテクチャ構成２２４を含むことができる。デバイスデータ２２２は、例えば、ユーザデータ、マルチメディアデータ、ビームフォーミングコードブック、ソフトウェアアプリケーション構成情報などを表す。デバイスデータ２２２は、ＵＥ１１０に関しては、特定のセンサまたはセンサタイプの存在または不在を含む、センサセット２１０の１つまたは複数のセンサに関するセンサ能力情報などの能力情報をさらに含むことができ、および存在するそれらのセンサに関しては、それらの対応する能力の１つまたは複数の表示、例えば、ライダーまたはレーダーセンサの範囲および分解能、撮像カメラの画像解像度と色深度などをさらに含むことができる。能力情報は、例えばバッテリ２１２の能力または状態、ＵＩ２１４の能力または状態（例えば、ディスプレイの画面解像度、色域、またはフレームレート）などに関する情報をさらに含むことができる。

【0035】

１つまたは複数のニューラルネットワークアーキテクチャ構成２２４は、管理コンポーネント１５０によって維持される候補ニューラルネットワークアーキテクチャ構成４１４のセット４１２から選択されるＵＥ実装例を表す。各ニューラルネットワークアーキテクチャ構成２２４は、ＵＥ１１０の対応するニューラルネットワークを形成するためにニューラルネットワーク管理モジュール２１６によって使用される対応するアーキテクチャおよび／またはパラメータ構成を表すデータおよび他の情報を含む１つまたは複数のデータ構造を含む。ニューラルネットワークアーキテクチャ構成２２４に含まれる情報としては、例えば、全結合層ニューラルネットワークアーキテクチャ、畳み込み層ニューラルネットワークアーキテクチャ、リカレントニューラルネットワーク層、接続された隠れニューラルネットワーク層の数、入力層アーキテクチャ、出力層アーキテクチャ、ニューラルネットワークで使用されるノードの数、ニューラルネットワークで使用される係数（重みやバイアスなど）、カーネルパラメータ、ニューラルネットワークで使用されるフィルタの数、ニューラルネットワークで使用されるストライド／プーリング構成、各ニューラルネットワーク層の活性化関数、ニューラルネットワーク層間の相互接続、スキップするべきニューラルネットワーク層などを指定するパラメータが挙げられる。したがって、ニューラルネットワークアーキテクチャ構成２２４は、ＤＮＮを規定するおよび／または形成するＮＮ形成構成（例えば、１つまたは複数のＮＮ形成構成要素の組み合わせ）を作成するためのＮＮ形成構成要素（例えば、アーキテクチャおよび／またはパラメータ構成）の任意の組み合わせを含む。

【0036】

図３は、いくつかの実施形態に係るＢＳ１０８におけるハードウェア構成例を示す。なお、描かれたハードウェア構成は、１つまたは複数の実施形態のニューラルネットワークベースのプロセスに最も直接関係する処理コンポーネントおよび通信コンポーネントを表しており、ディスプレイ、非センサ周辺機器、外部電源などのこうした電子デバイスに頻繁に実装されることがよく理解されている特定のコンポーネントを省略している。さらに、例示された図は、単一のネットワークノード（例えば、５Ｇ ＮＲ ＮｏｄｅＢ、または「ｇＮＢ」）としてのＢＳ１０８の実装を表すが、代わりに、ＢＳ１０８の機能、したがってハードウェアコンポーネントは、複数のネットワークノードまたはデバイスにわたって分散されてもよく、１つまたは複数の実施形態の機能を果たす態様で分散されてもよいことに留意されたい。

【0037】

図示の構成において、ＢＳ１０８は、１つまたは複数のアンテナ３０２を有するＲＦフロントエンド１２４と、１つまたは複数のＲＡＴをサポートする１つまたは複数のモデムを有するＲＦアンテナインタフェース（またはフロントエンド）３０４とを含み、ＲＦアンテナインタフェースは、ＰＨＹトランシーバインタフェースとして動作して、ＢＳ１０８の１つまたは複数のプロセッサ３０６とアンテナ３０２との間のシグナリングを行って処理し、さまざまなタイプの無線通信を容易にする。アンテナ３０２は、互いに同様または異なるように構成された複数のアンテナの１つまたは複数のアレイを成して配置することができ、対応するＲＡＴと関連付けられた１つまたは複数の周波数帯域に同調することができる。１つまたは複数のプロセッサ３０６は、例えば、１つまたは複数のＣＰＵ、ＧＰＵ、ＴＰＵ、または他のＡＳＩＣなどを含むことができる。ＢＳ１０８は、ＲＡＭ、ＲＯＭ、キャッシュ、フラッシュメモリ、ＳＳＤ、または他の大容量ストレージデバイスなど、データおよび／または実行可能命令を記憶するために電子デバイスによって使用されるさまざまな媒体のいずれかを含む、１つまたは複数のコンピュータ可読媒体３０８をさらに含む。ＵＥ１１０のメモリ２０８と同様に、説明を容易にし、簡潔にするために、コンピュータ可読媒体３０８は、プロセッサ３０６による実行のためのデータおよび命令を記憶するべくシステムメモリまたは他のメモリを頻繁に使用することを考慮して、本明細書では「メモリ３０８」と呼ばれるが、「メモリ３０８」への言及は、特に断りのない限り、他のタイプの記憶媒体にも同様に適用されることが理解され得る。

【0038】

少なくとも１つの実施形態において、ＢＳ１０８は、本明細書でセンサセット３１０と呼ばれる複数のセンサをさらに含み、それらの少なくとも一部は、１つまたは複数の実施形態のニューラルネットワークベースのスキームで利用される。一般に、センサセット３１０のセンサは、ＢＳ１０８の環境のある態様を感知し、ＢＳ１０８のＲＦ伝播パスまたは対応するＵＥ１１０に対するＢＳ１０８によるＲＦ送信／受信性能に少なくとも何らかの影響を与えるかまたはそれを反映するパラメータを感知する潜在力を有するセンサを含む。センサセット３１０のセンサは、レーダーセンサ、ライダーセンサ、撮像センサ、構造化光ベースの深度センサなどの、物体検出のための１つまたは複数のセンサを含むことができる。ＢＳ１０８がモバイルＢＳである場合、センサセット３１０は、ＢＳ１０８の位置または姿勢／方向を決定するための１つまたは複数のセンサを含むこともできる。センサセット３１０のセンサのタイプの他の例としては、撮像センサ、ＢＳ１０８の特徴の近くにある物体を検出するための光センサなどを挙げることができる。

【0039】

ＢＳ１０８の１つまたは複数のメモリ３０８は、１つまたは複数のプロセッサ３０６およびＢＳ１０８の他のコンポーネントを操作して１つまたは複数の実施形態のＢＳ１０８に帰属するさまざまな機能を果たす実行可能ソフトウェア命令および関連データの１つまたは複数のセットを記憶する。実行可能なソフトウェア命令のセットは、例えば、ＯＳおよびさまざまなドライバ（図示せず）、ならびにさまざまなソフトウェアアプリケーションを含む。実行可能なソフトウェア命令のセットは、ニューラルネットワーク管理モジュール３１４、基準信号管理モジュール３１６、ＵＥ測位管理モジュール３１８、または能力管理モジュール３２０のうちの１つまたは複数をさらに含む。

【0040】

ニューラルネットワーク管理モジュール３１４は、以下に詳細に説明するように、ＢＳ１０８のための１つまたは複数のニューラルネットワークを実装する。基準信号管理モジュール３１６は、１つまたは複数の基準信号の生成および送信を管理し、これは、いくつかの実施形態では、ニューラルネットワーク管理モジュール３１４によって実装される１つまたは複数のニューラルネットワークに基づく。ＵＥ測位管理モジュール３１８は、ＵＥ位置推定値の生成を管理し、これは、いくつかの実施形態では、ニューラルネットワーク管理モジュール３１４によって実装される１つまたは複数のニューラルネットワークに基づく。能力管理モジュール３２０は、ニューラルネットワーク構成または選択に関係し得るＢＳ１０８のさまざまな機能を決定し、そのような能力を管理コンポーネント１５０に報告するとともに、ＲＦおよび処理の能力の変化などを含む、そのような能力の変化についてＢＳ１０８を監視して、管理コンポーネント１５０へのそのような能力および能力の変化の報告を管理する。

【0041】

ＢＳ１０８の動作を容易にするために、ＢＳ１０８の１つまたは複数のメモリ３０８は、これらの動作と関連付けられるデータをさらに記憶することができる。このデータは、例えば、ＢＳデータ３２２および１つまたは複数のニューラルネットワークアーキテクチャ構成３２４を含むことができる。ＢＳデータ３２２は、例えば、ビームフォーミングコードブック、ソフトウェアアプリケーション構成情報などを表す。ＢＳデータ３２２は、ＢＳ１０８に関しては、特定のセンサまたはセンサタイプの存在または不在を含む、センサセット３１０の１つまたは複数のセンサに関するセンサ能力情報などの能力情報をさらに含むことができ、および存在するそれらのセンサに関しては、それらの対応する能力の１つまたは複数の表示、例えば、ライダーまたはレーダーセンサの範囲および分解能、撮像カメラの画像解像度および色深度などをさらに含むことができる。１つまたは複数のニューラルネットワークアーキテクチャ構成３２４は、管理コンポーネント１５０によって維持される候補ニューラルネットワークアーキテクチャ構成４１４のセット４１２から選択されるＢＳ実装例を表す。したがって、図２のニューラルネットワークアーキテクチャ構成２２４と同様に、各ニューラルネットワークアーキテクチャ構成３２４は、ＢＳ１０８の対応するニューラルネットワークを形成するためにニューラルネットワーク管理モジュール３１４によって使用される、対応するアーキテクチャおよび／またはパラメータ構成を表すデータおよび他の情報を含む１つまたは複数のデータ構造を含む。

【0042】

図４は、いくつかの実施形態に係る管理コンポーネント１５０におけるハードウェア構成例を示す。描かれたハードウェア構成は、１つまたは複数の実施形態のニューラルネットワークベースのプロセスに最も直接関係する処理コンポーネントおよび通信コンポーネントを表し、そのような電子デバイスに頻繁に実装されることがよく理解されている特定のコンポーネントを省略していることに留意されたい。さらに、ハードウェア構成は単一のコンポーネントに位置されているように示されるが、管理コンポーネント１５０の機能、したがってハードウェアコンポーネントは、代わりに、複数のインフラストラクチャコンポーネントまたはノードにわたって分散されてもよく、１つまたは複数の実施形態の機能を果たす態様で分散されてもよい。

【0043】

前述したように、ネットワークインフラストラクチャ１０６内のさまざまなコンポーネント、またはコンポーネントの組み合わせのいずれかが、管理コンポーネント１５０を実装することができる。説明を容易にするために、管理コンポーネント１５０は、コアネットワーク１０２のうちの１つにおけるサーバまたは他のコンポーネントとしての実装例に関連して説明されるが、他の実施形態では、管理コンポーネント１５０は、例えばＢＳ１０８の一部として実装されてもよい。

【0044】

図示のように、管理コンポーネント１５０は、システム１００の１つまたは複数のネットワークに結合するための１つまたは複数のネットワークインタフェース４０２（例えば、イーサネット（登録商標）インタフェース）、１つまたは複数のネットワークインタフェース４０２に結合される１つまたは複数のプロセッサ４０４、および１つまたは複数のプロセッサ４０４に結合された、１つまたは複数の非一時的コンピュータ可読記憶媒体４０６（本明細書では簡潔にするために「メモリ４０６」と呼ぶ）を含む。１つまたは複数のメモリ４０６は、１つまたは複数のプロセッサ４０４および管理コンポーネント１５０の他のコンポーネントを操作して管理コンポーネント１５０に帰属する１つまたは複数の実施形態のさまざまな機能を果たす１つまたは複数の実行可能なソフトウェア命令のセットおよび関連するデータを記憶する。実行可能なソフトウェア命令のセットは、例えば、ＯＳおよびさまざまなドライバ（図示せず）を含む。１つまたは複数のメモリ４０６に記憶されるソフトウェアは、トレーニングモジュール４０８またはニューラルネットワーク選択モジュール４１０のうちの１つまたは複数をさらに含むことができる。トレーニングモジュール４０８は、１つまたは複数のトレーニングデータセット４１６を使用してＵＥ測位パス内の送信デバイスおよび受信デバイスで使用されるべく利用できる候補ニューラルネットワークのセット４１２における候補ニューラルネットワークアーキテクチャ構成４１４の共同トレーニングを管理するように動作する。トレーニングは、オフラインの間（つまり、通信の処理に積極的に関与していない間）および／またはオンラインの間（つまり、通信の処理に積極的に関与している間）でのニューラルネットワークのトレーニングを含むことができる。さらに、トレーニングが個別または別個であってもよく、それにより、結果が送信パスの反対側端部のＤＮＮトレーニングに通信されるかまたは他の方法でＤＮＮトレーニングに影響を与えることなく、各ニューラルネットワークが独自のトレーニングデータセットに基づいて個別にトレーニングされ、あるいは、トレーニングが共同トレーニングであってもよく、それにより、データストリーム送信パス内のニューラルネットワークは、同じまたは相補的なデータセットに基づいて共同でトレーニングされる。

【0045】

ニューラルネットワーク選択モジュール４１０は、ＲＡＴ支援ＵＥ測位パス内のＢＳ１０８およびＵＥ１１０の一方または両方から選択関連情報４１８を取得し、フィルタリングし、および他の方法で処理し、この選択関連情報４１８を使用して、ＲＡＴ支援ＵＥ測位パスにおける送信デバイスおよび受信デバイスでの実装のために、共同でトレーニングされたニューラルネットワークアーキテクチャ構成４１４の対を候補セット４１２から選択する、ように動作する。前述したように、この選択関連情報４１８は、例えば、ＢＳ能力情報４２０またはＵＥ能力情報４２２、現在の伝播パス情報、チャネル固有パラメータなどのうちの１つまたは複数を含むことができる。ニューラルネットワーク選択モジュール４１０が選択を行った後、ニューラルネットワーク選択モジュール４１０は、次いで、選択された構成と関連付けられたインデックス番号の送信、ニューラルネットワークアーキテクチャ構成自体を表す１つまたは複数のデータ構造の送信、またはそれらの組み合わせなどを介して、各々のネットワークコンポーネントごとに選択されたニューラルネットワークアーキテクチャ構成４１４の指示の送信を開始する。

【0046】

図５は、いくつかの実施形態に係るニューラルネットワークを実装するための例示的な機械学習（ＭＬ）モジュール５００を示す。ＵＥ測位パス１１６内の少なくとも１つのＢＳ１０８およびＵＥ１１０は、基準信号の送信、基準信号に対する測定の実行、基準信号測定値とＵＥセンサデータとの融合、ＵＥ測定値およびセンサレポートの生成、ならびにＵＥ測位推定値の生成のうちの１つまたは複数のための１つまたは複数のＤＮＮまたは他のニューラルネットワークを実装する。したがって、ＭＬモジュール５００は、これらのニューラルネットワークのうちの１つまたは複数を実装するための例示的なモジュールを示す。

【0047】

図示の例において、ＭＬモジュール５００は、３つ以上の層に組織化された接続されたノード（例えば、ニューロンおよび／またはパーセプトロン）のグループを伴う少なくとも１つのディープニューラルネットワーク（ＤＮＮ）５０２を実装する。層間のノードは、第１層内のノードの第１のサブセットが第２層内のノードの第２のサブセットに接続される部分接続構成や、第１の層内の各ノードが第２の層内の各ノードに接続される完全接続構成など、さまざまな方法で構成可能である。ニューロンは、入力データを処理して、０から１までの任意の実数などの連続出力値を生成する。場合によっては、出力値は、入力データが所望のカテゴリにどれだけ近いかを示す。パーセプトロンは、入力データに対して二項分類などの線形分類を実行する。ノードは、ニューロンであってもパーセプトロンであっても、さまざまなアルゴリズムを使用して、適応学習に基づいて出力情報を生成できる。ＤＮＮ５０２を使用して、ＭＬモジュール５００は、単一線形回帰、多重線形回帰、ロジスティック回帰、段階的回帰、二値分類、多クラス分類、多変量適応回帰スプライン、局所的に推定された散布図平滑化などを含む、さまざまな異なるタイプの分析を実行する。

【0048】

いくつかの実施態様において、ＭＬモジュール５００は、教師あり学習に基づいて適応的に学習する。教師あり学習において、ＭＬモジュール５００は、さまざまな種類の入力データをトレーニングデータとして受ける。ＭＬモジュール５００は、トレーニングデータを処理して、入力を所望の出力にマッピングする方法を学習する。一例として、ＭＬモジュール５００は、ＢＳ位置基準信号ＴＸモードで実装される場合、ＰＲＳ、ＢＳ１０８の能力情報、ＵＥ１１０の能力情報、ＢＳ１０８の動作環境特性、ＵＥ１１０の動作環境特性などの基準信号のうちの１つまたは複数を入力として受信し、この入力トレーニングデータをＵＥ１１０に送信するように構成された１つまたは複数の出力基準信号にマッピングする方法を学習する。別の例として、ＭＬモジュール５００は、ＵＥ位置基準信号ＲＸモードで実装される場合、受信した基準信号の表示、ＵＥ基準信号測定値、ＵＥセンサデータなどのうちの１つまたは複数を入力として受信し、この入力トレーニングデータを、ＵＥ測定値およびセンサレポートを表してＵＥセンサデータとＵＥ基準信号測定値とを融合する出力にマッピングする方法を学習する。別の例において、ＭＬモジュール５００は、ＵＥ位置フィードバックＴＸモードで実装される場合、発信ＵＥ測定値およびセンサレポートを入力として受信し、例えば、少なくともチャネル符号化されてＲＦアンテナインタフェースによる無線送信に適した出力を生成する方法を学習する。さらに別の例として、ＭＬモジュール５００は、ＢＳ位置ＲＸモードで実装される場合、ＵＥセンサデータおよびＵＥ基準信号測定値、ＢＳ位置情報、ＵＥ位置情報などを含むＵＥ測定値およびセンサレポートのうちの１つまたは複数を入力として受信し、少なくとも１つのＵＥの位置推定値を表す出力を生成する方法を学習する。少なくともいくつかの実施形態において、トレーニングプロセスは、推定されたＵＥ位置とＵＥの実際の位置との平均二乗誤差（ＭＳＥ）を最小化するようにＭＬモジュール５００をトレーニングする。また、ＴＸモードまたはＲＸモードのいずれかまたは両方におけるトレーニングは、入力としてのセンサデータ、入力としての機能情報、入力としてのＲＦアンテナ構成、または他の動作パラメータ情報などを使用するトレーニングをさらに含むことができる。

【0049】

トレーニング手順中、ＭＬモジュール５００は、ラベル付きデータまたは既知のデータをＤＮＮ５０２への入力として使用する。ＤＮＮ５０２は、ノードを使用して入力を分析し、対応する出力を生成する。ＭＬモジュール５００は、対応する出力を真実のデータと比較し、ノードによって実装されるアルゴリズムを適応させて、出力データの精度を向上させる。その後、ＤＮＮ５０２は、適応されたアルゴリズムをラベル付けされない入力データに適用して、対応する出力データを生成する。ＭＬモジュール５００は、統計分析および適応学習の一方または両方を使用して、入力を出力にマッピングする。例えば、ＭＬモジュール５００は、トレーニングデータから学習した特性を使用して、未知の入力を、統計的に閾値範囲または値内である可能性が高い出力に相関させる。これにより、ＭＬモジュール５００は、複雑な入力を受信し、対応する出力を識別することができる。いくつかの実施態様において、トレーニングプロセスは、そのようなシステムで使用されるデータ符号化／復号化方式の特性と一致する、無線通信システムを介して送信される通信の特性（例えば、時間／周波数インターリーブ、時間／周波数デインターリーブ、畳み込み符号化、畳み込み復号化、電力レベル、チャネル等化、シンボル間干渉、直交振幅変調／復調、周波数分割多重化／逆多重化、伝送チャネル特性）に関してＭＬモジュール５００をトレーニングする。これにより、トレーニングされたＭＬモジュール５００は、信号のサンプルを入力として受信し、信号に埋め込まれたバイナリデータなどの情報を信号から回収することができる。

【0050】

図示の例において、ＤＮＮ５０２は、入力層５０４、出力層５０６、および入力層５０４と出力層５０６の間に位置する１つまたは複数の隠れ層５０８を含む。各層は任意の数のノードを有し、層間のノードの数は同じでも異なっていてもよい。すなわち、入力層５０４は、例えば、出力層５０６と同じ数および／または異なる数のノードを有することができ、出力層５０６は、１つまたは複数の隠れ層５０８と同じ数および／または異なる数のノードを有することができる、等である。

【0051】

ノード５１０は、入力層５０４に含まれるいくつかのノードのうちの１つに対応し、これらのノードは別個の独立した計算を実行する。さらに説明するように、ノードは、入力データを受信し、１つまたは複数のアルゴリズムを使用して入力データを処理し、出力データを生成する。典型的には、アルゴリズムは、適応学習に基づいて変化する重みおよび／または係数を含む。したがって、重みおよび／または係数は、ニューラルネットワークによって学習された情報を反映する。各ノードは、場合によっては、処理された入力データを１つまたは複数の次のノードに渡すかどうかを決定できる。例示のため、入力データを処理した後、ノード５１０は、処理された入力データを隠れ層５０８のノード５１２およびノード５１４の一方または両方に渡すかどうかを決定することができる。これに代えてまたは加えて、ノード５１０は、層接続アーキテクチャに基づいて処理された入力データをノードに渡す。このプロセスは、ＤＮＮ５０２が出力層５０６のノード（例えば、ノード５１６）を使用して出力を生成するまで複数の層にわたって繰り返すことができる。

【0052】

ニューラルネットワークは、ニューラルネットワーク内のどのノードが接続されているか、データがニューラルネットワーク内でどのように進められおよび／または保持されるか、ニューラルネットワークが入力データの処理に使用する重みおよび係数、データがどのように処理されるかなどを決定するさまざまなアーキテクチャを採用することもできる。これらのさまざまな要素は、上で簡単に説明したニューラルネットワークアーキテクチャ構成などのニューラルネットワークアーキテクチャ構成を集合的に記述する。例示のため、長短期メモリ（ＬＳＴＭ）ニューラルネットワークなどのリカレントニューラルネットワークは、ノード接続間にサイクルを形成して、入力データシーケンスの前の部分からの情報を保持する。リカレントニューラルネットワークは、その後、保持された情報を入力データシーケンスの後続の部分のために使用する。別の例として、フィードフォワードニューラルネットワークは、情報を保持するサイクルを形成せずに、前方の接続へと情報を渡す。ノード接続の文脈で説明されているが、ニューラルネットワークアーキテクチャ構成は、ＤＮＮ５０２または他のニューラルネットワークが入力データを処理する方法に影響を与えるさまざまなパラメータ構成を含むことができることを理解すべきである。

【0053】

ニューラルネットワークのニューラルネットワークアーキテクチャ構成は、さまざまなアーキテクチャおよび／またはパラメータ構成によって特徴付けることができる。例示のために、ＤＮＮ５０２が畳み込みニューラルネットワーク（ＣＮＮ）を実装する例を考えてみる。一般に、畳み込みニューラルネットワークは、層が畳み込み演算を使用してデータを処理することにより入力データをフィルタ処理するタイプのＤＮＮに対応する。したがって、ＣＮＮアーキテクチャ構成は、例えば、プーリングパラメータ、カーネルパラメータ、重み、および／または層パラメータによって特徴付けることができる。

【0054】

プーリングパラメータは、入力データの次元を削減する畳み込みニューラルネットワーク内のプーリング層を指定するパラメータに対応する。例示すると、プーリング層は、第１層のノードの出力を第２層のノード入力に結合できる。これに代えてまたは加えて、プーリングパラメータは、ニューラルネットワークがデータ処理層のどこでどのようにデータをプールするかを指定する。例えば、「最大プーリング」を示すプーリングパラメータは、第１の層のノードによって生成されたデータのグループから最大値を選択してプールし、その最大値を第２の層の単一のノードへの入力として使用するようにニューラルネットワークを構成する。「平均プーリング」を示すプーリングパラメータは、第１の層のノードによって生成されたデータのグループから平均値を生成するようにニューラルネットワークを構成し、その平均値を第２の層の単一ノードへの入力として使用する。

【0055】

カーネルパラメータは、入力データの処理に使用するフィルタサイズ（幅や高さなど）を示す。これに代えてまたは加えて、カーネルパラメータは、入力データのフィルタリングと処理に使用されるカーネルメソッドのタイプを指定する。例えば、サポートベクターマシンは、回帰分析を使用してデータを識別および／または分類するカーネルメソッドに対応する。他のタイプのカーネルメソッドとしては、ガウス過程、正準相関分析、スペクトルクラスタリング手法などが挙げられる。したがって、カーネルパラメータは、ニューラルネットワークで適用するフィルタサイズおよび／またはカーネルメソッドのタイプを示すことができる。重みパラメータは、入力データを分類するためにノード内のアルゴリズムによって使用される重みおよびバイアスを指定する。いくつかの実施態様では、重みおよびバイアスは、トレーニングデータから生成されたパラメータ構成など、学習されたパラメータ構成である。層パラメータは、第１の層（例えば、出力層５０６）のすべてのノードを第２の層（例えば、隠れ層５０８）のすべてのノードに接続することを示す完全接続層タイプ、第１の層のどのノードを第２の層から切断するかを示す部分接続層タイプ、ニューラルネットワーク内でどのフィルタおよび／または層をアクティブにするかを示す活性化層タイプなど、層接続および／または層タイプを指定する。これに代えてまたは加えて、層パラメータは、正規化層タイプ、畳み込み層タイプ、プーリング層タイプなどのノード層のタイプを指定する。

【0056】

プーリングパラメータ、カーネルパラメータ、重みパラメータ、および層パラメータに関連して説明したが、他のパラメータ構成を使用して、本明細書に提供されるガイドラインと一致するＤＮＮを形成できることが理解され得る。したがって、ニューラルネットワークアーキテクチャ構成は、ＤＮＮが入力データを処理して出力データを生成する方法に影響を与えるＤＮＮが適用できる、任意の適切なタイプの構成パラメータを含めることができる。

【0057】

ＭＬモジュール５００のアーキテクチャ構成は、ＭＬモジュール５００を実装するノードの能力、ＭＬモジュール５００を実装するノードの上流または下流の１つまたは複数のノードの能力（センサを含む）、またはそれらの組み合わせに基づいてよい。例えば、ＵＥ１１０は、有効もしくは無効にされた１つもしくは複数のセンサを有してもよく、またはバッテリ電力が制限されていてもよく、したがって、例えば両端のＭＬモジュール５００を促進させてＵＥ１１０の異なるセンサ構成またはより低い電力消費により適したＲＡＴ支援ＵＥ測位技術を利用するために、ＵＥ１１０およびＢＳ１０８の両方におけるＭＬモジュール５００は、ＵＥ１１０の異なるセンサ構成または入力としてのバッテリ電力に基づいてトレーニングされてもよい。

【0058】

したがって、いくつかの実施形態では、ＭＬモジュール５００を実装するデバイスは、能力パラメータ、センサパラメータ、ＲＦ環境パラメータ、動作パラメータなどの異なる組み合わせに対して異なるニューラルネットワークアーキテクチャ構成を実装するように構成され得る。例えば、デバイスは、撮像カメラがＵＥ１１０で使用できる場合に使用するための１つまたは複数のニューラルネットワークアーキテクチャ構成にアクセスでき、また、撮像カメラがＵＥ１１０で使用できない場合に使用するための１つまたは複数のニューラルネットワークアーキテクチャ構成の異なるセットにアクセスすることができる。

【0059】

少なくともいくつかの実施形態では、ＭＬモジュール５００を実装するデバイスは、ＭＬモジュール５００が使用できる候補ニューラルネットワークアーキテクチャ構成のセットの一部またはすべてをローカルに記憶する。例えば、コンポーネントは、１つまたは複数のＢＳ能力パラメータ、１つまたは複数のＵＥ能力パラメータ、１つまたは複数のＢＳ動作パラメータ、１つまたは複数のＵＥ動作パラメータ、１つまたは複数のチャネルパラメータなどの１つまたは複数のパラメータを入力として受け取り、入力パラメータを考慮して動作に適している対応してローカルに記憶された候補ニューラルネットワークアーキテクチャ構成と関連付けられた識別子を出力する、ルックアップテーブル（ＬＵＴ）または他のデータ構造によって、候補ニューラルネットワークアーキテクチャ構成にインデックスを付けてもよい。しかしながら、いくつかの実施形態では、ＢＳ１０８で使用されるニューラルネットワークとＵＥ１１０で使用されるニューラルネットワークとが共同でトレーニングされ、したがって、他のデバイスがその相補的なＭＬモジュール５００のために選択したニューラルネットワークアーキテクチャ構成と共同でトレーニングされた、または少なくとも動作上互換性のあるニューラルネットワークアーキテクチャ構成を、各デバイスがそのＭＬモジュール５００のために選択するようにするのを助けるための機構をＢＳ１０８とＵＥ１１０の間で使用する必要があり得る。この機構は、例えば、ＢＳ１０８とＵＥ１１０との間で直接もしくは管理コンポーネント１５０を介して送信される調整シグナリングを含むことができ、または管理コンポーネント１５０は、各デバイスによって提案されたサブセットから互換性のある共同トレーニングされたアーキテクチャ構成の対を選択するレフェリーとして機能することができる。

【0060】

しかしながら、他の実施形態では、管理コンポーネント１５０に、送信デバイスおよび受信デバイスの対応するＭＬモジュール５００で使用される適切な共同トレーニングされたニューラルネットワークアーキテクチャ構成の対を選択するように動作させることが、より効率的または別の利点がある可能性がある。このアプローチでは、管理コンポーネント１５０は、選択プロセスで使用され得るパラメータの一部またはすべてを表す情報を送信デバイスおよび受信デバイスから取得し、この情報から、管理コンポーネント１５０で維持されたそのような構成のセット４１２から共同トレーニングされたニューラルネットワークアーキテクチャ構成４１４の対を選択する。管理コンポーネント１５０（または他のネットワークコンポーネント）は、例えば、１つまたは複数のアルゴリズム、ＬＵＴなどを使用してこの選択プロセスを実施することができる。次いで、管理コンポーネント１５０は、（各デバイスがローカルに保存されたコピーを有する場合）そのデバイスのＭＬモジュール５００に対して選択されたニューラルネットワークアーキテクチャ構成の識別子または他の指示を各デバイスに送信することができ、あるいは管理コンポーネント１５０は、そのデバイス用に選択されたニューラルネットワークアーキテクチャ構成を表す１つまたは複数のデータ構造を送信することができる。

【0061】

送信デバイスおよび受信デバイスのためのニューラルネットワークアーキテクチャ構成の適切な対を選択するプロセスを容易にするために、少なくとも１つの実施形態では、管理コンポーネント１５０は、ニューラルネットワーク管理モジュールとトレーニングモジュールとの適切な組み合わせを使用して、ＵＥ測位パスにおいてＭＬモジュール５００をトレーニングする。トレーニングは、アクティブな通信交換が行われていないときにオフラインで行うことも、アクティブな通信交換中にオンラインで行うこともできる。例えば、管理コンポーネント１５０は、トレーニングデータを数学的に生成し、トレーニングデータを記憶するファイルにアクセスし、現実世界の通信データを取得するなどすることができる。次に、管理コンポーネント１５０は、その後の使用のために、学習されたさまざまなニューラルネットワークアーキテクチャ構成を抽出して記憶する。いくつかの実施態様は、各ニューラルネットワークアーキテクチャ構成とともに入力特性を記憶し、それにより、入力特性は、ＢＳ１０８またはＵＥ１１０の動作特性およびそれぞれのニューラルネットワークアーキテクチャ構成に対応する能力構成のうちの一方または両方のさまざまな特性を記述する。実施態様では、ニューラルネットワークマネージャは、ＢＳ１０８またはＵＥ１１０のうちの１つまたは複数の現在の動作環境を入力特性に適合させることによってニューラルネットワークアーキテクチャ構成を選択し、この場合、現在の動作環境は、センサ能力、ＲＦ能力、処理能力などのトレーニングＵＥ測位パスに沿う１つまたは複数のノードの能力の指示を含む。

【0062】

前述したように、ＢＳ１０８およびＵＥ１１０などの無線通信中のネットワークデバイスは、各ネットワークデバイスで１つまたは複数のＤＮＮを使用して無線通信交換を処理するように構成することができ、各ＤＮＮは、ＲＡＴ支援ＵＥ測位プロセスを促進するために、１つまたは複数のハードコーディングまたは固定設計ブロックによって従来実装されている１つまたは複数の機能に対して、新しい機能を置き換えおよび／または追加する。さらに、各ＤＮＮは、ネットワーク化されたデバイスのセンサセットの１つもしくは複数のセンサからの現在のセンサデータ、および／またはＵＥ測位パス１１６内の一部もしくはすべてのノードからの能力データをさらに組み込んで、事実上、現在の動作環境を考慮すべくその動作を修正または他の方法で適合させることができる。

【0063】

この目的のために、図６および図７は、図１の例示的なＵＥ測位パス１１６におけるＤＮＮ実装のための例示的な動作環境６００を一緒に示す。図示の例では、動作環境６００は、ＲＡＴ支援ＵＥ測位を容易にするためにニューラルネットワークベースの手法を採用している。少なくとも１つの実施形態では、１つまたは複数のＢＳ１０８のニューラルネットワーク管理モジュール３１４は、ＢＳ位置基準信号ＴＸ処理モジュール６０２（ＴＸ処理モジュール６０２－１および６０２－２として示される）を実装し、一方、ＵＥ１１０のニューラルネットワーク管理モジュール２１６は、ＵＥ位置基準信号受信機（ＲＸ）処理モジュール６０４を実装する。ＵＥ１１０のニューラルネットワーク管理モジュール２１６は、ＵＥ位置フィードバックＴＸ処理モジュール７０２をさらに実装し、一方、サービングＢＳ１０８－１のニューラルネットワーク管理モジュール３１４は、ＢＳ位置ＲＸ処理モジュール７０４をさらに実装する。

【0064】

少なくとも１つの実施形態では、これらの処理モジュールのそれぞれは、図５のＭＬモジュール５００の１つまたは複数のＤＮＮ５０２に関連して前述したように、対応するＭＬモジュールの実装を介して１つまたは複数のＤＮＮを実装する。したがって、１つまたは複数のＢＳ１０８のＢＳ位置基準信号ＴＸ処理モジュール６０２およびＵＥ１１０のＵＥ位置基準信号ＲＸ処理モジュール６０４は、相互動作して、ＢＳ１０８とＵＥ１１０との間のダウンリンクニューラルネットワークベースの無線通信パスをサポートし、ＲＡＴ支援ＵＥ測位を容易にするべくデータを生成および通信する。同様に、ＵＥ１１０のＵＥ位置フィードバックＴＸ処理モジュール７０２およびサービングＢＳ１０８－１のＢＳ位置ＲＸ処理モジュール７０４は、相互動作して、ＵＥ１１０とサービングＢＳ１０８－１との間のアップリンクニューラルネットワークベースの無線通信パスをサポートし、ＲＡＴ支援ＵＥ測位を容易にするべくデータを生成および通信する。

【0065】

少なくとも１つのＢＳ１０８のＢＳ位置基準信号ＴＸ処理モジュール６０２の１つまたは複数のＤＮＮは、ＢＳ基準信号管理モジュール３１６（モジュール３１６－１および３１６－２として示される）から基準信号情報１２２（情報１２２－１および１２２－２として示される）を入力として受信するようにトレーニングされる。一例では、ＢＳ位置基準信号ＴＸ処理モジュール６０２は、ＵＥ１１０、位置管理サーバ（図示せず）、リモートアプリケーションなどのコンポーネントがＵＥ位置情報を要求することに応答して、基準信号情報１２２を入力として受信する。基準信号情報１２２は、少なくともいくつかの実施形態では、ＢＳ位置基準信号ＴＸ処理モジュール６０２のＤＮＮが１つまたは複数の基準信号を生成および構成するための入力として利用する１つまたは複数の異なるタイプの情報を含む。基準信号情報１２２の例としては、送信電力、アンテナマッピング、物理ダウンリンク制御チャネル（ＰＤＣＣＨ）シンボルの数、連続ダウンリンクサブフレームの送信数、ＰＲＳ帯域幅、ＰＲＳ送信時間オフセット、ＰＲＳ構成インデックス、ＰＲＳ周期性、ＰＲＳサブフレームオフセット、ＰＲＳミューティングシーケンス、ＰＲＳミューティングシーケンス長、時間領域挙動、時間／周波数リソース要素密度、準コロケーション（ＱＣＬ）情報、ＵＥ１１０のＲＸパネル情報、などの基準信号関連パラメータまたは属性が挙げられる。基準信号情報１２２の他の例としては、サービングセルの動作特性（例えば、周波数、帯域幅など）、ＵＥが報告する基準信号受信電力（ＲＳＲＰ）、ドップラー推定値、展開情報（例えば、都市／地方の展開、または角度推定がＢＳ１０８によって実行されるべきかどうか）、ＵＥ能力情報などが挙げられる。

【0066】

基準信号情報１２２入力から、ＢＳ位置基準信号ＴＸ処理モジュール６０２の１つまたは複数のＤＮＮは、ＰＲＳ出力などの１つまたは複数の対応する基準信号１３８出力（出力１３８－１および１３８－２として示される）を生成および構成するようにトレーニングされる。例えば、ＢＳ位置基準信号ＴＸ処理モジュール６０２は、基準信号情報１２２入力に基づいて特定のパラメータまたは特性（例えば、帯域幅、リソースまたはリソースセット、繰り返し、周期性、干渉抑制など）を含むように基準信号１３８を生成および構成する。ＢＳ１０８のＲＦアンテナインタフェース３０４（インタフェース３０４－１および３０４－２として示される）および１つまたは複数のアンテナ３０２（アンテナ３０２－１および３０２－２として示される）は、基準信号１３８出力を、ＵＥ１１０による受信のために無線で送信される対応するＲＦ信号６０６（ＲＦ信号６０６－１および６０６－２として示される）に変換する。特に、いくつかの実施形態では、ＢＳ位置基準信号ＴＸ処理モジュール６０２の１つまたは複数のＤＮＮは、事実上、ＢＳ１０８によってＵＥ１１０に送信するための構成および変調された基準信号をもたらす処理を提供するようにトレーニングされ、そのような処理は、基準信号の生成、構成、および変調を実施するために手間がかかり非効率なアルゴリズムのハードコーディングまたは別個の離散処理ブロックを必要とするのではなく、共同トレーニングを介して１つまたは複数のＤＮＮにトレーニングされる。

【0067】

ＲＦ信号６０６は、１つまたは複数のアンテナ２０２およびＲＦアンテナインタフェース２０４を介してＵＥ１１０で受信および処理され、その結果得られる捕捉信号６０８は、基準信号測定モジュール２２０によって分析されて、ＲＳＲＰ、ＲＳＴＤ、ＯＴＤｏＡ、ＵＴＤｏＡ、ＴＤＡＶ、ＡｏＡ、ＡｏＤ、ＲＴＴなどの１つまたは複数の基準信号測定値１４２が生成される。ＵＥ１１０のＵＥ位置基準信号ＲＸ処理モジュール６０４の１つまたは複数のＤＮＮは、入力として基準信号測定値１４２および他の入力を受信するようにトレーニングされ、これらの入力から、対応するＵＥ測定値およびセンサレポート１４４出力を生成する。少なくともいくつかの実施形態では、ＵＥ位置基準信号ＲＸ処理モジュール６０４は他の入力を受信せず、その結果、ＵＥ位置基準信号ＲＸ処理モジュール６０４は、（ＵＥ測定値およびセンサレポートではなく）ＵＥ測定レポートを生成する。また、ＵＥ位置基準信号ＲＸ処理モジュール６０４は、基準信号測定モジュール２２０から基準信号測定値１４２を受信するのと比較して、捕捉信号６０８信号を入力として受信し、その信号上で基準信号測定値１４２を計算することができる。

【0068】

ＵＥ位置基準信号ＲＸ処理モジュール６０４に与えられる他の入力としては、例えば、センサセット２１０からのセンサデータ１４０を挙げることができる。センサデータ１４０入力の例としては、ＧＰＳデータ、カメラデータ、加速度計データ、ＩＭＵデータ、高度計データ、温度データ、気圧計データ、物体検出データ（例えば、レーダーデータ、ライダーデータ、撮像センサデータ、構造化光ベースの深度センサデータなど）などが挙げられる。さらに、利用可能なセンサを含むＵＥ１１０の能力は刻々と変化する可能性があることが理解され得る。例えば、ＵＥ１１０は、ＵＥ１１０の現在のバッテリレベル、熱状態、または他の状態に基づいて、１つまたは複数のセンサを無効にしてもよい。変化するセンサ能力を補償するために、ＲＸ処理モジュール６０４の１つまたは複数のＤＮＮは、異なるセンサデータ１４０入力でトレーニングされて、ＵＥ１１０の異なるセンサ能力を考慮したＵＥ測定値およびセンサレポート１４４出力を提供することができる。したがって、いくつかの実施形態では、ＵＥ位置基準信号ＲＸ処理モジュール６０４の１つまたは複数のＤＮＮは、事実上、ＵＥ１１０の利用可能なセンサからのセンサデータ１４０をＵＥ基準信号測定値１４２と融合するＵＥ測定値およびセンサレポート１４４をもたらす処理を提供するようにトレーニングされ、そのような処理は、同じプロセスを実施するために手間がかかり非効率なアルゴリズムのハードコーディングや別個の離散処理ブロックを必要とするのではなく、共同トレーニングを介して１つまたは複数のＤＮＮにトレーニングされる。

【0069】

図７に示す例で説明したように、ＵＥ位置基準信号ＲＸ処理モジュール６０４は、ＵＥ測定値およびセンサレポート１４４出力をＵＥ１１０のＵＥ位置フィードバックＴＸ処理モジュール７０２に入力として提供し、この入力から、ＵＥ測定値およびセンサレポート１４４を表す対応する出力信号７０６を生成する。ＲＦアンテナインタフェース２０４および１つまたは複数のアンテナ２０２は、出力信号７０６を、サービングＢＳ１０８－１による受信のために無線送信される無線通信を表す対応するＲＦ信号７０８に変換する。ＵＥ１１０は、無線通信を構成して送信するために、無線リソース制御（ＲＲＣ）プロトコル、ロングタームエボリューション（ＬＴＥ）測位プロトコル（ＬＰＰ）などのさまざまなメッセージング機構を使用することができる。特に、いくつかの実施形態では、ＵＥ位置フィードバックＴＸ処理モジュール７０２の１つまたは複数のＤＮＮは、事実上、例えば、ＲＦアンテナインタフェース２０４による無線送信に適した入力されたＵＥ測定値およびセンサレポート１４４の少なくともチャネル符号化された（変調されたものを含む）表示をもたらす処理を提供するようにトレーニングされ、そのような処理は、同じプロセスを実施するために手間がかかり非効率なアルゴリズムのハードコーディングや別個の離散処理ブロックを必要とするのではなく、共同トレーニングを介して１つまたは複数のＤＮＮにトレーニングされる。

【0070】

ＵＥ１１０から伝播されたＲＦ信号７０８は、サービングＢＳ１０８－１のアンテナ３０２－１およびＲＦアンテナインタフェース３０４－１によって受信されて最初に処理されて、例えば、ＲＦ信号７０８を、ＵＥ測定値およびセンサレポート１４４を表すデジタル信号に変換する。ＢＳ位置ＲＸ処理モジュール７０４の１つまたは複数のＤＮＮは、ＵＥ測定値およびセンサレポート１４４を表すＲＦアンテナインタフェース３０４の結果として得られる出力７１０を入力として受信し、この入力から、対応するＵＥ位置推定値１３０を生成するようにトレーニングされる。例えば、ＢＳ位置ＲＸ処理モジュール７０４の１つまたは複数のＤＮＮは、ＵＥ基準信号測定値１４２を含み、またいくつかの実施形態では、ＵＥセンサデータ１４０を含む、ＵＥ位置推定値１３０を入力として受信する。これらの入力から、ＢＳ位置ＲＸ処理モジュール７０４の１つまたは複数のＤＮＮは、ＵＥ１１０における位置推定値１３０を表す出力７１２を生成する。少なくともいくつかの実施形態では、ＵＥ位置推定値１３０は、ＵＥ１１０によって提供される基準信号測定値１４２を組み込むだけでなく、ＵＥセンサデータ１４０も組み込んでおり、その結果、例えば、ＵＥ１１０の地理的位置、ＵＥ１１０のローカル状況、ＵＥの向きの指示、動きなどの二次情報（例えば、回転、方位など）、などを含むＵＥ位置推定値１３０がもたらされる。特に、いくつかの実施形態では、ＢＳ位置ＲＸ処理モジュール７０４の１つまたは複数のＤＮＮは、事実上、例えば、ＵＥセンサデータ１４０と融合されるＵＥ基準信号測定値１４２に基づくＵＥ位置推定１３０を表す出力をもたらす処理を提供するようにトレーニングされ、そのような処理は、同じプロセスを実施するために手間がかかり非効率なアルゴリズムのハードコーディングや個別の離散処理ブロックを必要とするのではなく、共同トレーニングを介して１つまたは複数のＤＮＮにトレーニングされる。したがって、ＵＥ基準信号測定値１４２に加えてＵＥセンサデータ１４０を考慮することによって、ＢＳ位置ＲＸ処理モジュール７０４は、従来のＲＡＴ支援測位技術よりも正確で意味のあるＵＥ位置推定値を生成することができる。

【0071】

少なくともいくつかの実施形態では、サービングＢＳ１０８－１は、ＵＥ位置推定値１３０を処理する、あるいは、さらなる処理のためにＵＥ１１０または位置管理機能（ＬＭＦ）サーバ（図示せず）などの無線通信システム１００の１つまたは複数の他のコンポーネントにＵＥ位置推定値１３０を送信する。ＵＥ位置推定値１３０は、さまざまな標準または非標準フォーマットで送信することができ、推定誤差（不確実性）、ＵＥ位置推定値を取得するために使用される方法などの追加情報を含む。サービングＢＳ１０８－１がＵＥ位置推定値１３０を１つまたは複数の他のコンポーネントに送信する場合、ＲＦアンテナインタフェース３０４およびサービングＢＳ１０８－１の１つまたは複数のアンテナ３０２－１は、位置推定値１３０を表す出力７１２を、ＵＥ１１０（または他のネットワークコンポーネント）による受信のために無線で送信される対応するＲＦ信号７１４に変換する。少なくともいくつかの実施形態では、サービングＢＳ１０８－１は、事実上、符号化された（例えば、圧縮された）データおよび／またはＲＦアンテナインタフェース３０４による無線送信に適したＵＥ位置推定値１３０のチャネル符号化表示をもたらす処理を提供するようにトレーニングされる１つまたは複数のＤＮＮを有するＵＥ位置推定ＴＸ処理モジュール（図示せず）を実装し、このような処理は、共同トレーニングを介して１つまたは複数のＤＮＮにトレーニングされる。

【0072】

ＢＳ１０８とＵＥ１１０との間のＲＡＴ支援ＵＥ測位パスを実装するためのＤＮＮまたは他のニューラルネットワークは、設計の柔軟性を提供し、従来のブロックごとの設計およびテスト手法と比べて効率的な更新を促進する一方で、ＵＥ測位パス内のデバイスが、現在の動作パラメータおよび能力に基づいて、基準信号、ＵＥ測定値およびセンサレポート、ならびにＵＥ位置推定値の生成、送信、処理を迅速に適合させることができるようにする。しかしながら、ＤＮＮは、展開して動作を開始することができるようになる前に、一般に、１つまたは複数の入力の所定のセットに対して適切な出力を提供するように、トレーニングされるかまたは他の方法で構成される。この目的のために、図８は、いくつかの実施形態に係る異なる動作環境または能力に関するＲＡＴ支援ＵＥ測位パス内のデバイスのオプションとして、１つまたは複数の共同トレーニングされたＤＮＮアーキテクチャ構成を開発するための例示的な方法８００を示す。なお、図８に関連して説明した動作の順序は例示のみを目的としており、異なる順序の動作が実行されてもよく、さらに、１つまたは複数の動作が省略されたり、あるいは示された方法に１つまたは複数の追加の動作が含まれたりしてもよい。さらに、図８は、１つまたは複数のテストノードを使用するオフライントレーニングアプローチを示しているが、アクティブ動作中の１つまたは複数のノードを使用するオンライントレーニングにも同様のアプローチを実装できることに留意されたい。

【0073】

上で説明したように、対応するＲＡＴ支援ＵＥ測位パスを形成するＤＮＮチェーン内の一方または両方のデバイスで使用されるＤＮＮの動作は、対応するＤＮＮを使用するデバイス、１つまたは複数の上流または下流デバイス、あるいはそれらの組み合わせの動作パラメータおよび／または能力などの、ＲＡＴ支援ＵＥ測位パスの特定の能力および現在の動作パラメータに基づいてよい。これらの能力および動作パラメータとしては、例えば、デバイスの現在の状況を感知するために使用されるセンサのタイプ、そのようなセンサの能力、１つまたは複数のデバイスの電力容量、１つまたは複数のデバイスの処理容量、１つまたは複数のデバイスのＲＦアンテナインタフェース構成（例えば、ビームの数、アンテナポート、サポートされる周波数）などを挙げることができる。説明したＤＮＮはそのような情報を利用して動作を決定するため、多くの場合、ノードの１つに実装された特定のＤＮＮ構成が、そのデバイスまたはＲＡＴ支援ＵＥ測位パスの反対側のデバイスで現在使用されている特定の能力と動作パラメータに基づいていることを理解することができ、すなわち、実装される特定のＤＮＮ構成は、ＢＳ１０８およびＵＥ１１０によって実装されるＲＡＴ支援ＵＥ測位パスによって現在示される能力情報および動作パラメータを反映する。

【0074】

したがって、方法８００は、ブロック８０２において、１つまたは複数のテストＢＳと１つまたは複数のテストＵＥと（簡潔にするために「テストデバイス」とも呼ばれる）を含む、テストＲＡＴ支援ＵＥ測位パスの１つまたは複数のテストノードの予想される能力（予想される動作パラメータまたはパラメータ範囲を含む）を識別することから始まる。以下に関して、管理コンポーネント１５０のトレーニングモジュール４０８が共同トレーニングを管理しており、したがって、テストデバイスにおける能力情報が（例えば、この情報を記憶するデータベースまたは他のローカルに保存されたデータ構造を介して）トレーニングモジュール４０８に知られていると仮定する。しかしながら、管理コンポーネント１５０は、任意の所与のＵＥの能力についてアプリオリな知識を有していない可能性が高いため、テストＵＥは、管理コンポーネント１５０に、テストＵＥで利用可能なセンサのタイプの指示、これらのセンサのさまざまなパラメータの指示（例えば、撮像カメラの撮像解像度と画像データ形式、衛星測位の種類と衛星ベースの位置センサの形式など）、デバイスで利用可能なアクセサリ、および適用可能なパラメータ（例えば、オーディオチャンネルの数）など、その能力の指示を提供する。例えば、テストＵＥは、少なくとも４Ｇ ＬＴＥおよび５Ｇ ＮＲ仕様に従ってＢＳによって送信されるUECapabilityEnquiry無線リソース制御（ＲＲＣ）メッセージに応答してＵＥによって一般に提供される、UECapabilityInformation ＲＲＣメッセージの一部としてこの能力の指示を提供することができる。あるいは、テストＵＥは、別個のサイドチャネルまたは制御チャネル通信としてセンサ機能の指示を提供できる。さらに、いくつかの実施形態では、テストデバイスの能力は、管理コンポーネント１５０が利用可能なローカルまたはリモートのデータベースに記憶することができ、したがって、管理コンポーネント１５０は、テストデバイスに関連付けられたInternational Mobile Subscriber Identity（ＩＭＳＩ）値などのテストデバイスの識別子の何らかの形式に基づいてこのデータベースに問い合わせることができる。

【0075】

少なくともいくつかの実施形態では、トレーニングモジュール４０８は、あらゆるＲＡＴ支援ＵＥ測位構成（または、簡潔にするために「ＵＥ測位構成」）の置換をトレーニングしようと試みることができる。しかしながら、ＢＳ１０８およびＵＥ１１０が比較的多数および多様な能力および他の動作パラメータを有する可能性が高い実施態様では、この取り組みは現実的ではない可能性がある。したがって、ブロック８０４で、トレーニングモジュール４０８は、候補ＲＡＴ支援ＵＥ測位構成の指定されたセットから、テストデバイスのＤＮＮを共同でトレーニングするための特定のＵＥ測位構成を選択することができる。したがって、各候補ＵＥ測位構成は、ＵＥ測位関連パラメータ、パラメータ範囲、またはそれらの組み合わせの特定の組み合わせを表すことができる。このようなパラメータまたはパラメータ範囲としては、センサ能力パラメータ、処理能力パラメータ、バッテリ電力パラメータ、アンテナの数および種類、サブチャネルの数および種類などのＲＦシグナリングパラメータなどを挙げることができる。このようなＵＥ測位関連パラメータは、ＢＳ１０８によって使用される基準信号の特定のタイプ、ＵＥ１１０が基準信号測定を実行する方法、基準信号測定と融合されるセンサデータのタイプなどをさらに表すことができる。候補ＵＥ測位構成がトレーニングのために選択されると、さらにブロック８０４で、トレーニングモジュール４０８は、テストＢＳおよびテストＵＥのそれぞれに関する初期ＤＮＮアーキテクチャ構成を識別し、テストデバイスが候補の初期ＤＮＮアーキテクチャ構成のコピーを記憶する場合には初期ＤＮＮアーキテクチャ構成に関連付けられた識別子をテストデバイスに提供することか、または初期ＤＮＮアーキテクチャ構成自体を表すデータをテストデバイスに送信することかのいずれかによって、これらのそれぞれの初期ＤＮＮアーキテクチャ構成を実装するようにテストデバイスに指示する。

【0076】

ＵＥ測位構成が選択され、選択されたＵＥ測位構成に基づくＤＮＮアーキテクチャ構成でテストデバイスが初期化されると、ブロック８０６で、トレーニングモジュール４０８は、選択したＵＥ測位構成と初期ＤＮＮアーキテクチャ構成とに基づいて、ＤＮＮチェーンのＤＮＮを共同トレーニングする際に使用するトレーニングデータの１つまたは複数のセットを識別する。つまり、１つまたは複数のトレーニングデータセットは、オフラインまたはオンライン動作において対応するＤＮＮへの入力として提供され得る、したがってＤＮＮのトレーニングに適したデータを含むか、または該データを表す。例示すると、このトレーニングデータは、テスト測位（または他の）基準信号のストリーム、テスト測位（または他の）基準信号のテスト受信表示、テスト測位（または他の）基準信号のテストパラメータまたは構成、テスト基準信号測定値、テスト対象の構成に含まれるセンサと一致するテストセンサデータ、テストＵＥ測定レポート、テストＵＥ測定値およびセンサレポート、ＵＥ測定レポートのテスト受信表示、ＵＥ測定値およびセンサレポートのテスト受信表示、テストＵＥ位置推定値などを含むことができる。

【0077】

１つまたは複数のトレーニングセットが取得されると、ブロック８０８で、トレーニングモジュール４０８は、テストＵＥ測位パスのＤＮＮの共同トレーニングを開始する。この共同トレーニングは、典型的には、一般に擬似ランダムに選択される初期値でさまざまなＤＮＮのバイアス重みおよび係数を初期化することと、次いでテストＢＳデバイスのＴＸ処理モジュール（例えば、ＢＳ位置基準信号ＴＸ処理モジュール６０２）にトレーニングデータのセットを入力することと、結果として得られる出力をテストＵＥデバイスのＲＸ処理モジュール（例えば、ＵＥ位置参照信号ＲＸ処理モジュール６０４）への送信として無線で送信することと、結果として得られる出力を分析することと、次いで分析に基づいてＤＮＮアーキテクチャ構成を更新することとを伴う。共同トレーニングは、テストＵＥデバイスのＴＸ処理モジュール（例えば、ＵＥ位置フィードバックＴＸ処理モジュール７０２）にトレーニングデータのセットを入力することと、結果として得られる出力をテストＢＳデバイスのＲＸ処理モジュール（例えば、ＢＳ位置ＲＸ処理モジュール７０４）への送信として無線で送信することと、結果として得られる出力を分析することと、次いで分析に基づいてＤＮＮアーキテクチャ構成を更新することとをさらに含むことができる。別の例では、共同トレーニングは、テストＢＳデバイスのＴＸ処理モジュール（例えば、ＢＳ位置基準信号ＴＸ処理モジュール６０２）にトレーニングデータのセットを入力することと、結果として得られた出力をテストＵＥデバイスのＲＸ処理モジュール（例えば、ＵＥ位置基準信号ＲＸ処理モジュール６０４）への送信として無線で送信することと、テストＵＥデバイスのＴＸ処理モジュール（例えば、ＵＥ位置フィードバックＴＸ処理モジュール７０２）に入力としてテストＵＥデバイスのＲＸ処理モジュールの出力を提供することと、テストＢＳデバイスのＲＸ処理モジュール（例えば、ＢＳ位置ＲＸ処理モジュール７０４）への送信として結果として得られる出力を無線で送信することと、結果として得られる出力を分析することと、次いで分析に基づいてＤＮＮアーキテクチャ構成を更新することとを含む、エンドツーエンド共同トレーニングを含む。少なくともいくつかの実施形態では、１つまたは複数のテストデバイスのＤＮＮアーキテクチャ構成の少なくとも１つが個別にトレーニングされる。

【0078】

ＤＮＮトレーニングに頻繁に使用されるように、ＢＳ位置基準信号ＴＸ処理モジュール６０２、ＵＥ位置基準信号ＲＸ処理モジュール６０４、ＵＥ位置フィードバックＴＸ処理モジュール７０２、またはＢＳ位置ＲＸ処理モジュール７０４のうちの１つまたは複数の実際の結果出力の結果として得られるフィードバックは、逆伝播などを介して、ＵＥ測位パスの１つまたは複数のＤＮＮのパラメータを修正または他の方法で精緻化するために使用される。したがって、ブロック８１０で、管理コンポーネント１５０および／またはＤＮＮチェーンは、送信されたトレーニングセットにおけるフィードバックを取得する。このフィードバックの実施は、さまざまな形式または形式の組み合わせのいずれかを取得できる。少なくともいくつかの実施形態では、フィードバックは、実際の結果出力と期待される結果出力との間の誤差を決定し、この誤差をＤＮＮチェーンのＤＮＮ全体に逆伝播するトレーニングモジュール４０８または他のトレーニングモジュールを含む。例えば、ＤＮＮチェーンによる処理は効果的にＵＥ位置推定の形式を提供するため、トレーニングデータセットに関する客観的なフィードバックは、例えば既知のＵＥの位置、既知のＵＥの向き、既知のＵＥ速度などと比較して、ＤＮＮチェーンからの出力として取得されたＵＥ位置推定の精度の何らかの形式の測定を可能にする。

【0079】

ブロック８１２で、管理コンポーネント１５０またはＤＮＮチェーンは、ＤＮＮチェーンを介したテストデータセットの送信の結果として得られたフィードバックを使用し、テスト送信デバイスでの結果として得られる出力の表示またはその他の消費により、例えば、対応するＤＮＮの重み、接続、もしくは層を変更するための誤差の逆伝播を通じて、またはそのようなフィードバックに応答しての管理コンポーネント１５０による管理された変更を通じて、ＵＥ測位パスの１つまたは複数のＤＮＮのさまざまな態様を更新する。管理コンポーネント１５０（または他のネットワークコンポーネント）は、ブロック８０６の次の反復で選択される次のトレーニングデータセットに対してブロック８０６～ブロック８１２のトレーニングプロセスを実行し、ある回数のトレーニング反復が実行されるまで、またはある最小エラー率が達成されるまで繰り返す。

【0080】

テストＢＳデバイスとテストＵＥデバイスとの間のＵＥ測位パスに沿ったニューラルネットワークの共同（または個別）トレーニングの結果として、各ニューラルネットワークは、実装されたニューラルネットワークが隠れ層の数、各層のノードの数、各層間の接続、重み、係数、および各ノードに実装されるその他のバイアス値などの対応するＤＮＮのアーキテクチャおよびパラメータを特徴付けるＤＮＮである場合に、特定のニューラルネットワークアーキテクチャ構成、またはＤＮＮアーキテクチャ構成を有する。したがって、選択されたＵＥ測位構成におけるＵＥ測位パスのＤＮＮの共同または個別のトレーニングが完了すると、ブロック８１４で、管理コンポーネント１５０（または他のネットワークコンポーネント）は、トレーニングされたＤＮＮ構成の一部またはすべてを、システム１００内のＢＳ１０８およびＵＥ１１０に分配する。各ノードは、対応するＤＮＮの結果として得られるＤＮＮ構成をＤＮＮアーキテクチャ構成として記憶する。少なくとも１つの実施形態では、管理コンポーネント１５０（または他のネットワークコンポーネント）は、共同トレーニングの終了時に、隠れ層の数、ノードの数、接続、係数、重み、および他のバイアス値など、対応するＤＮＮのアーキテクチャおよびパラメータを抽出することによって、ＤＮＮアーキテクチャ構成を生成することができる。他の実施形態では、管理コンポーネント１５０は、対を成すＤＮＮアーキテクチャ構成のコピーをセット４１２の候補ニューラルネットワークアーキテクチャ構成４１４として記憶する。次いで、管理コンポーネント１５０（または他のネットワークコンポーネント）は、必要に応じてこれらのＤＮＮアーキテクチャ構成をＢＳ１０８およびＵＥ１１０に分配する。

【0081】

トレーニングされるべき残った他の候補ＵＥ測位構成が１つまたは複数存在する場合、方法８００は、共同トレーニングされるべき次の候補ＵＥ測位構成を選択するためのブロック８０４に戻り、ブロック８０４～８１４のサブプロセスの他の反復が、トレーニングモジュール４０８によって選択された次のＵＥ測位構成に関して繰り返される。さもなければ、ＵＥ測位パスのＤＮＮがすべての意図されたＵＥ測位構成に関して共同でトレーニングされている場合、方法８００は完了し、システム１００は、図９～図１２に関連して以下で説明するように、ニューラルネットワーク支援ＲＡＴ支援ＵＥ測位に移行することができる。

【0082】

前述したように、管理コンポーネント１５０（または他のネットワークコンポーネント）は、オフラインテストノードを使用して（つまり、制御情報またはユーザプレーンデータのアクティブな通信が発生していない間）、または意図される送信パスの実際のノードがオンラインである間（つまり、制御情報またはユーザプレーンデータのアクティブな通信が行われている間）、共同トレーニングプロセスを実行することができる。さらに、いくつかの実施形態では、管理コンポーネント１５０がすべてのＤＮＮを共同でトレーニングするのではなく、場合によっては、管理コンポーネント１５０が他のＤＮＮを静的として維持しながら、ＤＮＮのサブセットをトレーニングまたは再トレーニングすることができる。例示のため、管理コンポーネント１５０は、特定のデバイスのＤＮＮが、例えば、ＤＮＮを実装するデバイスの能力変化に起因して、または以前に報告されていない処理容量の損失に応答して、非効率的にまたは誤って動作していることを検出することができ、したがって、管理コンポーネント１５０は、他のデバイスの他のＤＮＮを現在の構成に維持しながら、デバイスのＤＮＮの個別の再トレーニングをスケジュールすることができる。

【0083】

さらに、多数のＵＥ測位構成をサポートする多種多様なデバイスがあり得るが、多くの異なるノードが同じまたは類似のＵＥ測位構成をサポートし得ることが理解され得る。したがって、代表的なデバイスの共同トレーニングに続いて、ＵＥ測位パスに組み込まれるすべてのデバイスに関して共同トレーニングを繰り返す必要なく、そのデバイスは、ＵＥ測位構成におけるそのトレーニング済みＤＮＮアーキテクチャ構成の表示を管理コンポーネント１５０に送信でき、管理コンポーネント１５０は、ＤＮＮアーキテクチャ構成を記憶し、その後、ＵＥ測位パスのＤＮＮに実装するために同じまたは類似のＵＥ測位構成をサポートする他のデバイスにそれを送信することができる。

【0084】

さらに、ＤＮＮアーキテクチャ構成は、対応するデバイスがＤＮＮを使用して動作する際に、経時的に変化することがよくある。したがって、動作が進行するにつれて、所与のデバイスのニューラルネットワーク管理モジュール（例えば、ニューラルネットワーク管理モジュール２１６，３１４）は、例えば、トリガに応答して更新された勾配および関連情報を管理コンポーネント１５０に提供することによって、そのノードで使用される１つまたは複数のＤＮＮの更新されたアーキテクチャ構成の表示を送信するように構成することができる。このトリガは、定期的なタイマーの期限切れ、管理コンポーネント１５０からの問い合わせ、変化の大きさが指定された閾値を超えたという決定などであってもよい。次いで管理コンポーネント１５０は、これらの受信したＤＮＮ更新を対応するＤＮＮアーキテクチャ構成に組み込み、したがって、必要に応じて送信パス内のノードに分配するために利用可能な更新されたＤＮＮアーキテクチャ構成を有する。

【0085】

図９および図１０は、いくつかの実施形態に係る無線デバイス間の共同トレーニングされたＤＮＮベースのＵＥ測位パスを使用するＲＡＴ支援ＵＥ測位のための例示的な方法９００を共に示す。議論を容易にするために、図９の方法９００は、図１、図６、および図７のＵＥ測位パス１１６の例に関連して以下に説明される。さらに、方法９００のプロセスは、図１０の例示的なトランザクション（ラダー）図１０００に関連して説明される。方法９００は、セルラーコンテキストにおける５Ｇ ＮＲスタンドアロン登録／取り付けプロセスまたは無線ローカルエリアネットワーク（ＷＬＡＮ）コンテキストにおけるＩＥＥＥ８０２．１１関連付けプロセスなどを介してＢＳ１０８およびＵＥ１１０が無線接続を確立する、ブロック９０２で開始する。ブロック９０４で、管理コンポーネント１５０は、ＢＳ１０８の能力管理モジュール３２０（図３）によって提供される能力情報１００２（図１０）、およびＵＥ１１０の能力管理モジュール２１８（図２）によって提供される能力情報１００４（図１０）などの能力情報を、ＢＳ１０８およびＵＥ１１０の各々から取得する。少なくともいくつかの実施形態において、管理コンポーネント１５０は、ＢＳ１０８が同じインフラストラクチャネットワークの一部である場合、ＢＳ１０８の能力をすでに通知されていてもよく、その場合、ＢＳ１０８における能力情報１００２を取得することは、この情報のためのローカルまたはリモートのデータベースまたは他のデータストアにアクセスすることを含むことができる。ＵＥ１１０の場合、ＢＳ１０８は能力要求をＵＥ１１０に送信することができ、ＵＥ１１０は、この要求に能力情報１００４で応答し、その後、ＢＳ１０８はそれを管理コンポーネント１５０に転送する。例えば、ＢＳ１０８は、ＣＳＩ関連能力情報を含むUECapabilityInformation ＲＲＣメッセージでＵＥ１１０が応答するUECapabilityEnquiry ＲＲＣメッセージを送信することができる。

【0086】

ブロック９０６で、管理コンポーネント１５０のニューラルネットワーク選択モジュール４１０は、例えば、ＢＳ１０８とＵＥ１１０との間のＵＥ測位構成を表す能力情報および他の情報を使用して、ＵＥ測位パス１１６をサポートするためにＢＳ１０８およびＵＥ１１０に実装されるべきＵＥ測位ＤＮＮアーキテクチャ構成の対を選択する（図１０のＤＮＮ選択１００６）。少なくともいくつかの実施形態では、ニューラルネットワーク選択モジュール４１０がアルゴリズム選択プロセスを採用し、このアルゴリズム選択プロセスでは、ＢＳ１０８およびＵＥ１１０から取得された能力情報と、ＵＥ測位パス１１６のＵＥ測位構成パラメータとが、ＤＮＮアーキテクチャ構成の適切な対を識別するためにセット４１２内の候補ニューラルネットワークアーキテクチャ構成４１４の対の属性と比較される。他の実施形態では、ニューラルネットワーク選択モジュール４１０は、候補ＤＮＮアーキテクチャ構成を１つまたは複数のＬＵＴに編成することができ、各エントリは、ＤＮＮアーキテクチャ構成の対応する対を記憶し、入力パラメータまたはパラメータ範囲の対応する組み合わせによってインデックス付けされ、したがって、ニューラルネットワーク選択モジュール４１０は、ブロック９０４で識別された能力およびＵＥ測位構成パラメータを１つまたは複数のＬＵＴへ入力として提供することによってＢＳ１０８およびＵＥ１１０によって使用されるべきＤＮＮアーキテクチャ構成の適切な対を選択することができる。少なくともいくつかの実施形態では、ブロック９０１、９０３によって示されるように、管理コンポーネント１５０は、ＢＳ１０８およびＵＥ１１０から更新された能力情報を取得する。次いで、管理コンポーネント１５０は、更新された能力情報に基づき、ＢＳ１０８またはＵＥ１１０の１つまたは複数における異なるＤＮＮアーキテクチャを選択することができる。

【0087】

さらにブロック９０６で、管理コンポーネント１５０は、選択されて共同トレーニングされたＤＮＮアーキテクチャ構成の対からそれらのそれぞれのＤＮＮアーキテクチャ構成を実装するようにＢＳ１０８およびＵＥ１１０に指示する。ＢＳ１０８およびＵＥ１１０の各々が潜在的な将来の使用のために候補ＤＮＮアーキテクチャ構成を記憶する実施態様では、管理コンポーネント１５０は、ＢＳ１０８およびＵＥ１１０によって実装されるべきＤＮＮアーキテクチャ構成の識別子を伴うメッセージを送信することができる。さもなければ、管理コンポーネント１５０は、ＤＮＮアーキテクチャ構成を表す情報を、例えば、層１信号、層２制御要素、層３ＲＲＣメッセージ、またはそれらの組み合わせとして送信することができる。例えば、図１０を参照すると、管理コンポーネント１５０は、ＢＳ１０８に関して選択されたＤＮＮアーキテクチャ構成を表すデータを含むＤＮＮ構成メッセージ１００８をＢＳ１０８に送信する。このメッセージの受信に応答して、ＢＳ１０８のニューラルネットワーク管理モジュール３１４は、ＤＮＮ構成メッセージ１００８からデータを抽出して、ＢＳ位置基準信号ＴＸ処理モジュール６０２またはＢＳ測位ＲＸ処理モジュール７０４のうちの１つまたは複数を構成し、抽出されたデータで表されるＤＮＮアーキテクチャ構成を有する１つまたは複数のＤＮＮを実装する。同様に、管理コンポーネント１５０は、ＵＥ１１０に関して選択されたＤＮＮアーキテクチャ構成を表すデータを含むＤＮＮ構成メッセージ１０１０（図１０）をＵＥ１１０に送信する。このメッセージの受信に応答して、ＵＥ１１０のニューラルネットワーク管理モジュール２１６は、ＤＮＮ構成メッセージ１０１０からデータを抽出して、ＵＥ位置基準信号ＲＸ処理モジュール６０４またはＵＥ位置フィードバックＴＸ処理モジュール７０２のうちの１つまたは複数を構成し、抽出されたデータで表されるＤＮＮアーキテクチャ構成を有する１つまたは複数のＤＮＮを実装する。

【0088】

ＵＥ測位パス１１６のＤＮＮが最初に構成されると、ＲＡＴ支援ＵＥ測位プロセスを開始することができる。したがって、ブロック９０８で、ＢＳ位置基準信号ＴＸ処理モジュール６０２は、ＢＳ基準信号管理モジュール３１６から基準信号情報１２２を入力として受信し、この入力から、対応する基準信号１０１２（図１０）出力を生成および構成する。図６に関連して前述したように、基準信号情報１２２は、１つまたは複数の基準信号１０１２を生成して構成するためにＢＳ位置基準信号ＴＸ処理モジュール６０２のＤＮＮが入力として利用する、ＢＳおよび／またはＵＥ動作特性または基準信号パラメータなどの１つまたは複数の異なるタイプの情報を含む。基準信号情報１２２は、使用されるべき特定のビーム、アンテナ、サブキャリアなどの、ＵＥ測位パス１１６のＵＥ測位構成に関する情報も含んでもよい。ブロック９１０で、ＢＳ位置基準信号ＴＸ処理モジュール６０２は、ＵＥ１１０への基準信号１０１２の無線送信をもたらす。

【0089】

ブロック９１２において、基準信号１０１２は、ＵＥ１１０のＲＦフロントエンド２０４によって受信されて処理され、ＵＥ１１０の基準信号測定モジュール２２０は、ＲＳＲＰ、ＲＳＴＤ、ＯＴＤｏＡ、ＵＴＤｏＡ、ＴＤＡＶ、ＡｏＡ、ＡｏＤ、ＲＴＴなどの１つまたは複数の基準信号測定１０１４（図１０）を、結果として得られる出力に対して実行する。ブロック９１４で、ＵＥ１１０のＵＥ位置基準信号ＲＸ処理モジュール６０４は、基準信号測定値１０１４を受信し、いくつかの実施形態では、ＵＥセンサデータ１０１６（図１０）を入力として受信する。少なくともいくつかの実施形態では、ＵＥ位置基準信号ＲＸ処理モジュール６０４は、基準信号１０１２を入力として受信し、基準信号測定モジュール２２０から基準信号測定値１０１４を受信するのと比較して、基準信号測定１０１４を実行する。これらの入力から、ＵＥ位置基準信号ＲＸ処理モジュール６０４は、ＵＥセンサデータ１０１６をＵＥ基準信号測定値１０１４と融合する、対応するＵＥ測定値およびセンサレポート１０１８（図１０）出力を生成する。少なくともいくつかの実施形態において、ＵＥ位置基準信号ＲＸ処理モジュール６０４は、ＵＥセンサデータ１０１６を入力として受信しない。これらの実施形態では、ＵＥ位置基準信号ＲＸ処理モジュール６０４は、（対応するＵＥ測定値およびセンサレポート出力と比較して）対応するＵＥ測定出力を生成する。

【0090】

ブロック９１６で、ＵＥ１１０のＵＥ位置フィードバックＴＸ処理モジュール７０２は、ＵＥ測定値およびセンサレポート１０１８を入力として受信し、この入力から、ＢＳ１０８への無線送信のためのＵＥ測定値およびセンサレポート１４４を表す対応する出力信号を生成する。ＵＥ１１０は、無線通信を構成して送信するために、ＲＲＣプロトコル、ＬＰＰなどのさまざまなメッセージング機構を使用することができる。ブロック９１８で、ＵＥ測定値およびセンサレポート１０１８を表す出力信号は、ＢＳ１０８のＲＦフロントエンド３０４によって受信および処理され、ＵＥ測定値およびセンサレポート１０１８をＢＳ１０８のＢＳ位置ＲＸ処理モジュール７０４への入力として提供する。ＢＳ位置ＲＸ処理モジュール７０４は、少なくともいくつかの実施形態ではＵＥ基準信号測定値１０１４およびＵＥセンサデータ１０１６を含む、ＵＥ測定値およびセンサレポート１０１８を処理して、ＵＥ１１０に対する位置推定値１０２０（図１０）を表す出力を生成する。図６に関連して前述したように、少なくともいくつかの実施形態では、ＵＥ位置推定値１０２０は、ＵＥ１１０によって提供される基準信号測定値１０１４を組み込むだけでなく、ＵＥセンサデータ１０１６も組み込んでおり、その結果、例えば、ＵＥ１１０のローカル状況、ＵＥの向きの指示、動きなどの二次情報（例えば、回転、方向など）、および／または同様のものを含むＵＥ位置推定値がもたらされる。

【0091】

ブロック９２０で、ＢＳ位置基準信号ＴＸ処理モジュール６０２またはＢＳ１０８の他のＴＸ処理モジュールは、任意選択的に、ＵＥ位置推定値１０２０に基づいて構成されるＲＦ信号１０２２（図１０）を生成してＵＥ１１０（または他のネットワークコンポーネント）に送信する。ブロック９２２で、ＢＳ１０８のニューラルネットワーク管理モジュール２１６または管理コンポーネント１５０のニューラルネットワーク選択モジュール４１０は、任意選択的に、現在のＵＥ１１０に関して計算されたＵＥ位置推定値１０２０と１つまたは複数の他のＵＥ１１０に関して計算されたＵＥ位置推定値とに基づいて、ＢＳ位置ＲＸ処理モジュール７０４の１つまたは複数のＤＮＮを調整する。例えば、ＢＳ１０８または管理コンポーネント１５０は、ＵＥ１１０が同じ物理空間を占有していることを、現在のＵＥ１１０に関して計算されたＵＥ位置推定値１０２０と１つまたは複数の他のＵＥ１１０に関して計算されたＵＥ位置推定値とが示すかどうかを決定する。そうである場合、複数のＵＥ１１０が同じ物理空間を占有することができないため、ＢＳ１０８または管理コンポーネント１５０は、ＢＳ位置ＲＸ処理モジュール６０４が測位エラーを起こして精緻化される必要があると決定する。ＢＳ１０８または管理コンポーネント１５０は、ＢＳ位置ＲＸ処理モジュール７０４（またはＢＳ１０８もしくはＵＥ１１０の残りの処理モジュールのいずれか）の重みなどの１つまたは複数のパラメータを調整して、識別された測位誤差を補正することができる。

【0092】

図９の方法９００および図１０のラダー図１０００の対応する動作例は、ＢＳ１０８が基準信号を送信し、ＵＥ１１０が基準信号測定を実行する実施態様を示すが、ＵＥ１１０は同様に基準信号を送信するように構成することができ、ＢＳ１０８は基準信号測定を実行するように構成することができる。例えば、図１１および図１２は共に、基準信号を送信するように構成されたＵＥ１１０と基準信号測定を実行するように構成されたＢＳ１０８とを有する実施形態に係る、無線デバイス間の共同トレーニングされたＤＮＮベースのＵＥ測位パスを使用するＲＡＴ支援ＵＥ測位のための例示的な方法１１００を示す。方法１１００のプロセスは、図１２の例示的なトランザクション（ラダー）図１２００に関連して説明される。方法１１００は、ＢＳ１０８およびＵＥ１１０のＤＮＮがすでに最初に構成されているよう、方法９００のブロック９０６の後であってもよいブロック１１０２で開始する。

【0093】

したがって、ブロック１１０２において、ＵＥ位置基準信号ＴＸ処理モジュール１２０２（図１２）は、基準信号情報１２２を入力として受信し、この入力から、対応する変調基準信号１２０８（図１２）出力を生成および構成する。図６に関連して前述したように、基準信号情報１２２は、ＵＥ位置基準信号ＴＸ処理モジュール１２０２のＤＮＮが入力として利用して１つまたは複数の基準信号１２０８を生成および構成する、ＢＳおよび／またはＵＥの動作特性または基準信号パラメータなどの１つまたは複数の異なるタイプの情報を含む。ブロック１１０４で、ＵＥ位置基準信号ＴＸ処理モジュール１２０２は、ＵＥ１１０で利用可能な１つまたは複数のセンサからローカルＵＥセンサデータ１２１０（図１２）をさらに受信する。さらにブロック１１０４で、ＵＥ位置基準信号ＴＸ処理モジュール１２０２は、基準信号１２０８をセンサデータ１２１０で増強し、増強された基準信号１２０８を表す出力を生成する。少なくともいくつかの実施形態では、基準信号は、センサデータ１２１０で増強されたＳＲＳである。ブロック１１０６で、ＵＥ位置基準信号ＴＸ処理モジュール１２０２は、ＢＳ１０８への増強された基準信号１２０８の無線送信をもたらす。

【0094】

ブロック１１０８では、基準信号１２０８がＢＳ１０８のＲＦフロントエンド３０４によって受信されて処理され、ＢＳ１０８の基準信号測定モジュール（図示せず）は、結果として得られる出力に対して、ＲＳＲＰ、ＲＳＴＤ、ＯＴＤｏＡ、ＵＴＤｏＡ、ＴＤＡＶ、ＡｏＡ、ＡｏＤ、ＲＴＴなどの１つまたは複数の基準信号測定１２１２（図１２）を実行する。ブロック１１１０で、ＢＳ１０８のＢＳ位置基準信号ＲＸ処理モジュール１２０４（または他の処理モジュール）は、基準信号１２０８で送信された基準信号測定値１２１２およびＵＥセンサデータ１２１０を入力として受信し、これらの入力から、ＵＥ１１０における位置推定値１２１４（図１２）を表す出力を生成する。少なくともいくつかの実施形態では、ＢＳ位置基準信号ＲＸ処理モジュール１２０４は、基準信号測定値１２１２を入力として受信するのと比較して、基準信号測定値１２１２を計算するために基準信号１２０８を入力として受信する。少なくともいくつかの実施形態では、ＵＥ位置推定値１２１４は、基準信号測定値１２１２とＵＥセンサデータ１２１０の両方を組み込んでおり、その結果、例えば、ＵＥ１１０のローカル状況、ＵＥの向きの指示、動きなどの二次情報（例えば、回転、方向など）、および／または同様のものを含むＵＥ位置推定値がもたらされる。

【0095】

ブロック１１１２で、ＢＳ１０８のＢＳ ＴＸ処理モジュール１２０６は、任意選択的に、ＵＥ位置推定値１２１４に基づいて構成されるＲＦ信号１２１６（図１２）を生成してＵＥ１１０（または他のネットワークコンポーネント）に送信する。ブロック１１１４で、ＢＳ１０８のニューラルネットワーク管理モジュール２１６または管理コンポーネント１５０のニューラルネットワーク選択モジュール４１０は、任意選択的に、図９のブロック９２２に関して前述したプロセスと同様に、現在のＵＥ１１０に関して計算されたＵＥ位置推定値１２１４と１つまたは複数の他のＵＥ１１０に関して計算されたＵＥ位置推定値とに基づいて、ＢＳ位置ＲＸ処理モジュール７０４の１つまたは複数のＤＮＮを調整する。

【0096】

少なくともいくつかの実施形態では、前述の技術のある態様は、ソフトウェアを実行する処理システムの１つまたは複数のプロセッサによって実装され得る。ソフトウェアは、非一時的なコンピュータ可読記憶媒体上に記憶されるかまたは他の方法で有形に具現化される実行可能命令の１つまたは複数のセットを含む。ソフトウェアは、１つまたは複数のプロセッサによって実行されると、１つまたは複数のプロセッサを操作して、前述の技術の１つまたは複数の態様を実行する命令および何らかのデータを含むことができる。非一時的なコンピュータ可読記憶媒体には、例えば、磁気もしくは光ディスク記憶装置、フラッシュメモリなどのソリッドステート記憶デバイス、キャッシュ、ランダムアクセスメモリ（ＲＡＭ）、または１つもしくは複数の他の不揮発性メモリデバイスなどが含まれ得る。非一時的なコンピュータ可読記憶媒体に記憶された実行可能命令は、ソースコード、アセンブリ言語コード、オブジェクトコード、または１つもしくは複数のプロセッサによって解釈されるかもしくは他の方法で実行可能な別の命令フォーマットであってもよい。

【0097】

コンピュータ可読記憶媒体には、使用中にコンピュータシステムがアクセスして命令および／またはデータをコンピュータシステムに提供する任意の記憶媒体、または記憶媒体の組み合わせが含まれ得る。このような記憶媒体には、光学媒体（コンパクトディスク（ＣＤ）、デジタルバーサタイルディスク（ＤＶＤ）、ブルーレイディスクなど）、磁気媒体（フロッピー（登録商標）ディスク、磁気テープ、もしくは磁気ハードドライブなど）、揮発性メモリ（ランダムアクセスメモリ（ＲＡＭ）もしくはキャッシュなど）、不揮発性メモリ（リードオンリーメモリ（ＲＯＭ）もしくはフラッシュメモリなど）、または微小電気機械システム（ＭＥＭＳ）ベースの記憶媒体が含まれ得るが、これらに限定されない。コンピュータ可読記憶媒体は、コンピューティングシステムに埋め込まれてもよく（例えば、システムＲＡＭまたはＲＯＭ）、コンピューティングシステムに固定的に取り付けられてもよく（例えば、磁気ハードドライブ）、コンピューティングシステムに取り外し可能に取り付けられてもよく（例えば、光ディスクもしくはユニバーサルシリアルバス（ＵＳＢ）ベースのフラッシュメモリ）、または有線もしくは無線ネットワーク（ネットワークアクセスストレージ（ＮＡＳ）など）を介してコンピュータシステムに結合されてもよい。

【0098】

一般的な説明で前述したアクティビティまたは要素のすべてが必要なわけではないこと、特定のアクティビティまたはデバイスの一部が必要でない場合があること、および、説明されているものに加えて、１つまたは複数のさらなるアクティビティが実行されるか、または追加の要素が含まれる場合があることに留意されたい。さらに、アクティビティがリストされている順序は、必ずしも実行される順序ではない。また、概念は、特定の実施形態を参照して説明された。しかしながら、当業者であれば分かるように、下記の特許請求の範囲に記載される本開示の範囲から逸脱することなく、さまざまな修正および変更を行うことができる。したがって、明細書および図面は、限定的な意味ではなく例示としてみなされるべきであり、そのような修正はすべて本開示の範囲内に含まれることが意図される。

【0099】

利益、他の利点、および問題の解決策は、特定の実施形態に関して上で説明されている。しかしながら、利益、利点、問題の解決策、および利益、利点、または解決策が発生する、またはより顕著になる可能性のあるあらゆる特徴は、任意またはすべての請求項の重要な、必須の、または不可欠な特徴として解釈されるべきではない。さらに、上に開示した特定の実施形態は単なる例示であり、開示の主題は、本明細書の教示の恩恵を受ける当業者にとって明白な、異なるが同等の方法で変更および実施することができる。以下の特許請求の範囲に記載されているものを除き、本明細書に示される構造または設計の詳細に対して制限を意図するものではない。したがって、上で開示した特定の実施形態が変更または修正され得ることは明らかであり、そのような変形はすべて、開示された主題の範囲内にあるとみなされる。したがって、本明細書で求められる保護は、以下の特許請求の範囲に記載されているとおりである。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【手続補正書】

【提出日】2024-08-08

【手続補正1】

【補正対象書類名】特許請求の範囲

【補正対象項目名】全文

【補正方法】変更

【補正の内容】

【特許請求の範囲】

【請求項1】

第１のデバイス（１０８）におけるコンピュータが実行する方法であって、
前記第１のデバイスの送信ニューラルネットワーク（１２０）への入力として基準信号情報（１２２）を受信することと、
前記送信ニューラルネットワーク（１２０）が、前記基準信号情報（１２２）に基づいて基準信号を表す第１の出力（１３８）を生成することと、
前記第１のデバイス（１０８）の無線周波数（ＲＦ）アンテナインタフェース（３０４）を制御して、第２のデバイス（１１０）による受信のために前記第１の出力（１３８）を表す第１のＲＦ信号（１５２）を送信することと、
前記第１のＲＦ信号（１５２）の送信に応答して、前記第１のデバイス（１０８）の受信ニューラルネットワーク（１２８）において、前記第２のデバイス（１１０）と関連付けられる１つまたは複数のＲＦ信号（１５４）を表す入力（７１０）を受信することとを含み、前記第２のデバイス（１１０）と関連付けられる１つまたは複数のＲＦ信号（１５４）を表す前記入力（７１０）を受信することは、
前記第１のＲＦ信号（１５２）と関連付けられる信号測定値（１４２）を表す第２のＲＦ信号（１５４）を前記第２のデバイス（１１０）から受信することを含み、前記第２のデバイス（１１０）から受信される前記第２のＲＦ信号（１５４）は、前記第２のデバイス（１１０）で生成されるローカルセンサデータ（１４０）をさらに表し、前記方法はさらに、
前記受信ニューラルネットワーク（１２８）が、前記受信ニューラルネットワーク（１２８）への前記入力（７１０）に基づいて前記第２のデバイス（１１０）の位置推定値（１３０）を表す第２の出力（７１２）を生成すること
を含む方法。

【請求項2】

前記位置推定値（１３０）は、前記第２のデバイス（１１０）の位置および前記第２のデバイス（１１０）の向きを示す、請求項１に記載の方法。

【請求項3】

前記第１の出力（１３８）を生成することは、
前記送信ニューラルネットワーク（１２０）における第１のニューラルネットワークアーキテクチャ構成（３２４）に基づいて前記送信ニューラルネットワーク（１２０）で前記第１の出力（１３８）を生成すること
を含み、
前記第２の出力（７１２）を生成することは、前記受信ニューラルネットワーク（１２８）における第２のニューラルネットワークアーキテクチャ構成（３２４）に基づいて前記受信ニューラルネットワーク（１２８）で前記第２の出力（７１２）を生成することを含む、
請求項１に記載の方法。

【請求項4】

前記第１のデバイス（１０８）または前記第２のデバイス（１１０）のうちの少なくとも一方の１つまたは複数の能力に基づいて、複数のニューラルネットワークアーキテクチャ構成から前記第１のニューラルネットワークアーキテクチャ構成（３２４）または前記第２のニューラルネットワークアーキテクチャ構成（３２４）のうちの少なくとも一方を選択すること
をさらに含む、請求項３に記載の方法。

【請求項5】

前記第１のニューラルネットワークアーキテクチャ構成（３２４）を選択することは、
前記第２のデバイス（１１０）の１つまたは複数の機能（１００４）を表す情報を前記第２のデバイス（１１０）から受信することと、
前記情報を使用して前記第１のニューラルネットワークアーキテクチャ構成（３２４）を選択することと
を含む、請求項４に記載の方法。

【請求項6】

前記第１のデバイス（１０８）または前記第２のデバイス（１１０）の少なくとも一方の１つまたは複数の能力（１００２、１００４）に基づいて、前記複数のニューラルネットワークアーキテクチャ構成から前記第２のニューラルネットワークアーキテクチャ構成（３２４）を選択すること
をさらに含む、請求項４に記載の方法。

【請求項7】

管理インフラストラクチャコンポーネント（１５０）からコマンド（１００８）を受信して、前記送信ニューラルネットワーク（１２０）における前記第１のニューラルネットワークアーキテクチャ構成（３２４）または前記受信ニューラルネットワーク（１２８）における前記第２のニューラルネットワークアーキテクチャ構成（３２４）のうちの少なくとも一方を実装すること
をさらに含む、請求項３に記載の方法。

【請求項8】

前記第１のデバイス（１０８）または前記第２のデバイス（１１０）の少なくとも一方の１つまたは複数の能力（１００２、１００４）の変化に応答して、前記送信ニューラルネットワーク（１２０）における第３のニューラルネットワークアーキテクチャ構成（３２４）または前記受信ニューラルネットワーク（１２８）における第４のニューラルネットワークアーキテクチャ構成（３２４）の少なくとも一方を選択すること
をさらに含む、請求項３に記載の方法。

【請求項9】

前記第１のデバイス（１０８）の前記送信ニューラルネットワーク（１２０）および前記受信ニューラルネットワーク（１２８）と、前記第２のデバイス（１１０）の送信ニューラルネットワーク（１４８）および受信ニューラルネットワーク（１３４）との共同トレーニングに関与すること
をさらに含む、請求項１に記載の方法。

【請求項10】

送信ニューラルネットワーク（１２０－２）を実装する第３のデバイス（１０８－２）と通信することと、
前記第３のデバイス（１０８－２）の前記送信ニューラルネットワーク（１２０－２）を構成して、前記第２のデバイス（１１０）が受信するための基準信号（１３８－２）を表す出力を生成することと
をさらに含む、請求項１に記載の方法。

【請求項11】

前記第１のデバイス（１０８）の前記受信ニューラルネットワーク（１２８）において、第３のデバイス（１１０－２）の位置推定値（１２１４）を表す第３の出力を、前記第３のデバイス（１１０－２）から受信される１つまたは複数のＲＦ信号（１２０８）に基づいて生成することと、
前記第１のデバイス（１０８）の前記受信ニューラルネットワーク（１２０）において、前記第２のデバイス（１１０）および前記第３のデバイス（１１０－２）が同じ空間を占有することを前記第２の出力および前記第３の出力が示すと決定することと、
前記第２のデバイス（１１０）および前記第３のデバイス（１１０－２）が同じ空間を占有することを前記第２の出力および前記第３の出力が示すことに応答して、前記第１のデバイス（１０８）の前記受信ニューラルネットワーク（１２０）の１つまたは複数のパラメータを精緻化することと
をさらに含む、請求項１に記載の方法。

【請求項12】

第１のデバイスにおけるコンピュータが実行する方法であって、
前記第１のデバイス（１１０）の無線周波数（ＲＦ）アンテナインタフェース（２０４）において、基準信号（１３８）を表す第１のＲＦ信号（１５２）を第２のデバイス（１０８）から受信することと、
前記第１のデバイス（１１０）の受信ニューラルネットワーク（１３４）への第１の入力として前記第１のＲＦ信号（１５２）の表示を提供することと、
前記受信ニューラルネットワーク（１３４）が、前記受信ニューラルネットワーク（１３４）への前記第１の入力に基づいて前記第１のデバイス（１１０）における測定レポート（１４４）を表す第１の出力（７０６）を生成することとを含み、記第１の出力（７０６）を生成することは、
前記基準信号（１３８）を表す前記第１の入力に関して１つまたは複数の基準信号測定（１４２）を実行することを含み、前記測定レポート（１４４）は、前記１つまたは複数の基準信号測定（１４２）のうちの少なくとも１つを含み、
前記方法は、さらに、前記第１のデバイス（１１０）の１つまたは複数のセンサ（２１０）によって生成されるセンサデータ（１４０）の表示を、前記第１のデバイス（１１０）の前記受信ニューラルネットワーク（１３４）への第２の入力として提供することを含み、前記測定レポート（１４４）は、前記センサデータ（１４０）と融合される前記１つまたは複数の基準信号測定（１４２）を含む
方法。

【請求項13】

前記第１のデバイス（１１０）の送信ニューラルネットワーク（１４８）において、前記受信ニューラルネットワーク（１３４）から前記第１の出力（７０６）を入力として受信することと、
前記送信ニューラルネットワーク（１４８）が、前記測定レポート（１４４）を表す第２の出力を生成することと、
前記第１のデバイス（１１０）の前記ＲＦアンテナインタフェース（２０４）を制御して、前記第２のデバイス（１０８）が受信するための前記第２の出力を表す第２のＲＦ信号（１５４）を送信することと
をさらに含む、請求項１２に記載の方法。

【請求項14】

ネットワークインフラストラクチャコンポーネント（１５０）からコマンド（１０１０）を受信して、前記受信ニューラルネットワーク（１３４）における第１のニューラルネットワークアーキテクチャ構成（２２４）または前記送信ニューラルネットワーク（１４８）における第２のニューラルネットワークアーキテクチャ構成（３２４）のうちの少なくとも一方を実装すること
をさらに含む、請求項１２に記載の方法。

【請求項15】

前記第１のデバイス（１１０）の１つまたは複数の能力（１００４）の変化に応答して、前記１つまたは複数の能力（１００４）の変化を示すメッセージを前記ネットワークインフラストラクチャコンポーネント（１５０）に送信することと、
前記メッセージの送信に応答して、前記ネットワークインフラストラクチャコンポーネント（１５０）から、前記受信ニューラルネットワーク（１３４）または前記送信ニューラルネットワーク（１４８）のうちの少なくとも一方における第２のニューラルネットワークアーキテクチャ構成（４１４）を受信することと
をさらに含む、請求項１４に記載の方法。

【請求項16】

無線周波数（ＲＦ）アンテナインタフェース（２０４、３０４）と、
前記ＲＦアンテナインタフェース（２０４、３０４）に結合される少なくとも１つのプロセッサ（２０６、３０６）と、
前記少なくとも１つのプロセッサ（２０６、３０６）を操作して請求項１～１５のいずれか１項に記載の方法を実行するように構成される実行可能命令を記憶するメモリ（２０８、３０８）と
を備えるデバイス（１０８、１１０）。

【請求項17】

無線周波数（ＲＦ）アンテナインタフェースに結合される少なくとも１つのプロセッサによって実行されると、前記少なくとも１つのプロセッサに請求項１～１５のいずれか１項に記載の方法を実行させるコンピュータプログラム。

【国際調査報告】