确定到达角的方法、设备和非易失性存储介质与流程

1.本公开涉及确定接收射频测量信号的到达角的方法。本公开还涉及包括处理单元的设备。本公开还涉及计算机程序产品和非易失性存储介质。


背景技术：

2.在无线通信中，射频rf信号通常是从发送器发送至接收器的。当接收到这样的rf信号时，通常需要确定接收rf信号的到达角aoa。不同信号处理算法可以用于确定aoa。
3.然而，可能仍然存在不同定位问题，诸如，差的aoa估计(例如，在多径传播中由于反射和/或衍射和/或散射而导致的)。此外，在确定aoa时，可能存在环境特定干扰，诸如所谓的非视线nlos测量结果和/或所谓的阻碍视线olos测量结果。此外，aoa的确定可能受到与用于接收rf信号的天线阵列有关和/或与rf设计有关的缺陷的影响。
4.本公开的目的是提出提供了对接收射频测量信号的到达角的可靠且鲁棒的确定的方法、设备、计算机程序产品和非易失性存储介质。


技术实现要素：

5.根据本发明的第一方面，一种确定接收射频rf测量信号的到达角aoa的方法包括以下步骤：
[0006]-基于来自天线阵列的接收rf测量信号获得测量数据，其中，rf测量信号表示多个频率信道，
[0007]-确定功率谱，确定功率谱的步骤包括：通过使用测量数据来针对多个频率信道中的各个频率信道确定至少一个功率谱，
[0008]-提供机器学习算法，该机器学习算法被预训练为基于多个频率信道的功率谱确定aoa，以及
[0009]-通过使用机器学习算法和所确定的功率谱来确定接收rf测量信号的aoa。
[0010]
根据第一方面的机器学习算法也可以表示为机器学习模型和/或数据驱动模型。
[0011]
根据第一方面的方法的优点在于可以提供对接收rf测量信号的aoa的鲁棒且精确的估计。通过使用数据驱动模型，可以避免差的aoa确定(例如，在多径传播中由于反射和/或衍射和/或散射而导致的)。此外，可以改善环境特定干扰(诸如，nlos测量结果和/或olos测量结果)下的aoa确定。此外，可以使由于天线阵列的缺陷和/或有缺陷的rf设计而对aoa确定造成的影响最小化。与使用传统aoa信号处理方法相比，根据第一方面的数据驱动模型的使用对于aoa的鲁棒且精确的确定可能是更有利的。
[0012]
为了克服不同天线阵列类型具有不同几何构造(诸如，不同数量的天线元件和/或不同尺寸和/或不同间距和/或不同配置)的限制，根据第一方面，定义了机器学习算法的输入特征，从而获得跨不同天线阵列的同一维度的输入特征。例如，所获得的测量数据(诸如，iq样本)的非线性变换可以被变换为跨不同天线阵列的同一维度的输入特征。
[0013]
以这种方式，相应确定的功率谱表示不同角度的估计向量，也表示为伪谱。
[0014]
aoa是供接收rf测量信号的方向。例如，aoa可以表示向量，并且aoa可以包括方位aoa和/或高程aoa(elevation aoa)。
[0015]
rf测量信号可以是任意rf测量信号，例如，wi-fi测量信号、蓝牙测量信号、超宽带测量信号等。
[0016]
天线阵列也可以表示为多天线。例如，天线阵列可以包括两个或更多个天线元件。天线阵列可以具有任意形式和/或形状，并且可以是例如圆形天线阵列。另选地，天线阵列可以包括至少两个天线行。例如，各个天线行可以包括两个或更多个天线元件。
[0017]
多个频率信道具有不同频率，并且也可以表示为多个频带。换言之，通过使用多个频率信道的rf测量信号，可以针对多频率场景执行aoa确定。
[0018]
此外，通过使用多个频率信道的rf测量信号，与使用单个频率信道的rf测量信号相比，aoa的确定可以更鲁棒且更精确。例如，当天线阵列布置在室内或受限的室外多径环境中时，使用多个频率信道的rf测量信号尤其可以改善aoa确定。
[0019]
机器学习算法是通过使用预训练数据进行预训练的。预训练数据包括训练数据和/或测试数据和/或验证数据。取决于用于执行根据第一方面的方法的特定机器学习算法，通过使用一个或更多个适当的机器学习训练算法来执行预训练。此外，机器学习算法可以容易地集成在具有较少资源的嵌入式系统中并且在所述嵌入式系统中非常有效地运行，特别是在执行根据第一方面的方法时。
[0020]
通过使用机器学习算法和所确定的功率谱来确定接收rf测量信号的aoa的步骤包括：使用所确定的功率谱作为机器学习算法的输入特征。机器学习算法的输入特征也可以表示为机器学习算法的输入参数。
[0021]
例如，所确定的功率谱可以包括角域中的一个或更多个伪谱和/或空间域中的一个或更多个伪谱。
[0022]
例如，针对机器学习算法的输入特征，可以组合不同频率信道和不同天线元件行。
[0023]
另外地或另选地，可以在确定aoa之前进一步处理所确定的功率谱(换言之，原始功率谱)。在这种情况下，基于相应功率谱针对各个先前确定的功率谱确定经处理的功率谱。然后通过使用经处理的功率谱作为机器学习算法的输入特征来确定aoa。经处理的功率谱可以例如表示相应原始功率谱的最大值和/或相应原始功率谱的方差和/或相应原始功率谱的线长度和/或相应原始功率谱的频带能量(band power)等。例如，原始功率谱也可以表示为空间域中的伪谱。
[0024]
根据第一方面的方法可以是计算机实现的方法。
[0025]
根据一个实施方式，各个功率谱是功率谱密度psd。
[0026]
各个psd都是空间psd，并且是跨方位平面和高程平面确定的。
[0027]
根据另外的实施方式，确定功率谱的步骤包括：执行基于psd的信号处理。
[0028]
根据另外的实施方式，基于psd的信号处理包括多信号分类music算法。另外地或另选地，基于psd的信号处理包括传播者直接数据采集pdda算法。另外地或另选地，基于psd的信号处理包括自信号抑制sss算法。
[0029]
如上所述的基于psd的信号处理算法受到以下因素中的一者或更多者的损害：天线特定缺陷和/或设计相关不利因素(impurity)和/或多径分量和/或反射和/或频率依赖性。通过使用机器学习算法和已对其执行了基于psd的处理的功率谱来确定aoa，aoa估计对
这些损害因素更加鲁棒。
[0030]
根据另外的实施方式，所述方法还包括以下步骤：
[0031]-通过使用测量数据来确定质量指示符，其中，质量指示符表示接收rf测量信号的完整性，以及
[0032]-通过使用机器学习算法、所确定的功率谱和质量指示符来确定接收rf测量信号的aoa。
[0033]
质量指示符表示接收rf测量信号中的至少一个接收rf测量信号的完整性。此外，质量指示符可以包括多个质量指示符，例如，与接收rf测量信号中的各个接收rf测量信号相对应的一个或更多个质量指示符。
[0034]
通过使用机器学习算法和质量指示符来确定接收rf测量信号的aoa的步骤包括：使用质量指示符作为机器学习算法的输入特征。例如，质量指示符可以用作与由所确定的功率谱和/或经处理的功率谱表示的输入特征并行的输入特征。
[0035]
根据另外的实施方式，质量指示符可以是接收信号强度指示符rssi和/或信道状态信息csi和/或循环冗余校验crc结果和/或前向纠错fec结果和/或固定频率扩展信号(constant tone extension)的噪声分析结果等。
[0036]
例如，如果rf测量信号是无线局域网wlan信号(诸如，wi-fi信号等)，则可以使用csi。
[0037]
例如，基于rssi，可以推断标签极化是交叉极化、同极化还是倾斜极化。
[0038]
通过使用质量指示符和经处理的功率谱作为机器学习算法的输入特征提高了根据第一方面的方法的鲁棒性，从而导致改善的aoa估计。
[0039]
根据另外的实施方式，测量数据包括同相正交iq数据。
[0040]
以这种方式，可以基于iq数据有效地确定功率谱。
[0041]
根据另外的实施方式，所确定的功率谱的量是取决于多个频率信道的量和/或天线阵列的天线行的数量和/或天线阵列的极化的。
[0042]
天线阵列的极化可以包括水平极化和/或垂直极化等。
[0043]
此外，所确定的功率谱的量可以取决于独立于任何天线行的天线元件的量。例如，在圆形天线阵列等的情况下。
[0044]
根据另外的实施方式，机器学习算法包括分类和回归树cart算法。另外地或另选地，机器学习算法包括卷积神经网络cnn。另外地或另选地，机器学习算法包括多层感知器mlp神经网络。另外地或另选地，机器学习算法包括随机森林算法。另外地或另选地，机器学习算法包括聚类算法。另外地或另选地，机器学习算法包括支持支持向量机svm算法。另外地或另选地，机器学习算法包括时间相关神经网络(例如，循环神经网络rnn、长短期记忆网络lstm、变换网络或注意力网络)。
[0045]
使用这些机器学习算法对于aoa的鲁棒且精确确定可能更有利，尤其是与使用传统aoa信号处理方法相比时。
[0046]
聚类算法可以是k-最近邻算法k-nn等。
[0047]
根据另外的实施方式，所述方法还包括以下步骤：
[0048]-连结所确定的功率谱，以及
[0049]-通过使用机器学习算法和所连结的功率谱来确定接收rf测量信号的aoa。
[0050]
关于连结所确定的功率谱的术语“连结”可以包括连结和/或整形。
[0051]
通过使用机器学习算法和所连结的功率谱确定接收rf测量信号的aoa的步骤包括：使用所连结的功率谱作为机器学习算法的输入特征。
[0052]
通过对所确定的功率谱和/或经处理的功率谱和/或质量指示符进行连结和/或整形，定义了机器学习算法的输入特征，从而可以获得跨不同天线阵列的同一维度的输入特征。
[0053]
根据另外的实施方式，天线阵列是位于第一环境中的，尤其是在接收rf测量信号时，并且机器学习算法是通过使用预训练数据进行预训练的，其中，预训练数据是基于天线阵列和第一环境确定的。
[0054]
具体地，可以基于对天线阵列和第一环境执行的测量和/或相关联的参考数据(即，表示先验已知aoa的相关输出)来确定预训练数据。
[0055]
通过使用基于特定天线阵列和第一环境确定的预训练数据，可以避免天线取向的不准确配置，并且可以不需要天线校正数据即可确定aoa。
[0056]
在这种情况下，机器学习算法通过使用包括特定天线阵列和第一环境的参考系统进行了预训练。换言之，机器学习算法针对涉及特定天线阵列和特定环境的一个特定场景进行了预训练。该过程也可以表示为应用迁移学习。以这种方式，机器学习算法可以用作校准，以便在确定aoa时考虑天线特定不利因素和/或场景特定多径分量和/或场景特定反射等。
[0057]
因此，根据该实施方式，提供了机器学习算法的性能有益的实现方式。
[0058]
在这种情况下，机器学习算法可以包括cart算法。因此，可以改善针对该场景的适用性，因为cart算法能够基于一个或更多个输入特征执行决策，然后能够基于输入特征的统计最优子集来分割数据。此外，cart算法在这种情况下可能尤其有用，因为它能够快速学习环境和天线特定参数。换言之，cart算法很容易针对给定数据集过拟合。
[0059]
另外地或另选地，在这种情况下，机器学习算法可以包括聚类算法。聚类算法在这种情况下可能尤其有用，因为以非线性分割函数为基础的模型在这个意义上不是很复杂，但能够非常快速地分割环境特定参数。根据另外的实施方式，机器学习算法是通过使用预训练数据进行预训练的，其中，预训练数据是基于多个天线阵列和多个第二环境确定的。
[0060]
具体地，预训练数据是基于对多个天线阵列和多个第二环境执行的测量确定的。
[0061]
通过使用基于多个天线阵列和多个第二环境确定的预训练数据，可以独立于用于执行根据第一方面的方法的特定天线阵列来改善aoa确定。
[0062]
多个天线阵列对应于多个任意天线。例如，多个天线阵列是互不相同的天线阵列。根据第一方面的天线阵列可以包括或可以不包括在多个天线阵列中。
[0063]
多个第二环境对应于任意环境。例如，多个第二环境是互不相同的环境。第一环境可以包括或可以不包括在多个第二环境中。
[0064]
在这种情况下，机器学习算法是例如通过使用从通过使用多个天线阵列和多个第二环境执行的多次测量推断的预训练数据进行预训练的。换言之，机器学习算法是经预训练的，并且可以用于任何任意场景。以这种方式，机器学习算法可以根据预训练数据学习并概括多径分量和反射贡献。
[0065]
由于预训练是依赖于多个第二环境执行的，因此与上述场景相比，要解决的问题
可能更复杂。因此，在这种情况下，表现得比经典和/或传统信号处理算法(即，music)好是有益的，使得机器学习算法需要跨多个天线阵列和多个第二环境捕获特征。
[0066]
在这种情况下，如果机器学习算法包括以下项则是尤其有用的：
[0067]-深度学习方法，即，mlp神经网络，例如，其包括至少一个隐藏层等；和/或
[0068]-时间和/或空间捕获模型，即，cnn和/或rnn和/或lstm等。
[0069]
关于该实施方式和前述实施方式，出于以下理由，这两种场景的区分是有益的。天线特定伪影和不利因素构成了问题。因此，在特定高性能aoa场景与泛化方法场景之间进行了区分。
[0070]
根据另外的实施方式，rf测量信号是短程信号。
[0071]
例如，rf测量信号可以是蓝牙bt 5.1信号等。通过对接收短程信号执行根据第一方面的方法，可以针对室内环境改善aoa的确定。
[0072]
根据本发明的第二方面，一种设备包括处理单元，其中，处理单元被配置为基于来自天线阵列的接收rf测量信号获得测量数据，其中，所述rf测量信号表示多个频率信道。处理单元还被配置为确定功率谱，确定功率谱包括：通过使用测量数据来针对多个频率信道中的各个频率信道确定至少一个功率谱。处理单元包括机器学习算法，该机器学习算法能够基于多个频率信道的功率谱确定aoa，并且在机器学习算法进行了预训练时，处理单元被配置为通过使用经预训练的机器学习算法和所确定的功率谱来确定接收rf测量信号的aoa。
[0073]
根据本发明的第三方面，公开了另一设备，其被配置为执行根据第一方面的方法。
[0074]
根据第三方面的设备可以是根据第二方面的设备，也可以是不同设备。
[0075]
根据本发明的第四方面，一种计算机程序产品包括指令，所述指令在由计算设备执行时使该计算设备执行根据第一方面的方法。
[0076]
根据本发明的第五方面，一种非易失性存储介质包括根据第四方面的计算机程序产品。
[0077]
第二方面、第三方面和第四方面的优点和另外的实施方式通常对应于上面关于第一方面讨论的那些优点和另外的实施方式。
[0078]
在所附的从属权利要求、附图及其描述中公开了另外的实施方式和优点。在附图中，本公开是关于可以应用本公开的各方面的短程rf信号呈现的。选择该示例是为了对本公开进行一致且易于理解的呈现。然而，本公开不限于此。
附图说明
[0079]
在图中：
[0080]
图1示出了确定到达角的方法的流程图；
[0081]
图2示出了确定到达角的系统的示意图；
[0082]
图3示出了天线阵列的示意图；以及
[0083]
图4示出了包括多个频率信道的功率谱的图。
具体实施方式
[0084]
图1示出了确定接收射频rf测量信号的到达角aoa的方法100的流程图。优选地，rf
测量信号是短程信号。
[0085]
在第一步骤101，基于来自天线阵列的接收rf测量信号获得测量数据。rf测量信号表示多个频率信道。测量数据包括同相正交iq数据。
[0086]
根据本文描述的第一示例，根据方法100的天线阵列是特定的第一天线阵列(诸如，均匀调整阵列(unified rectified array)ura天线)并且在接收rf测量信号时位于第一环境中。
[0087]
根据本文描述的第二示例，天线阵列可以是任意天线阵列并且在接收rf测量信号时可以位于任意环境中。
[0088]
在第二步骤102，通过执行基于psd的信号处理来确定功率谱。通过使用在第一步骤101获得的测量数据来针对多个频率信道中的各个频率信道确定至少一个功率谱。各个功率谱是功率谱密度psd。所确定的功率谱的量是取决于多个频率信道的量和天线阵列中的天线行的数量和天线阵列的极化的。
[0089]
根据本文描述的第一示例和第二示例，基于psd的信号处理是通过使用传播者直接数据采集pdda算法来执行的。
[0090]
在第三步骤103，在第二步骤102确定的功率谱被连结和/或整形。
[0091]
可选地，在第四步骤104，通过使用在第一步骤101获得的测量数据来确定质量指示符。质量指示符表示接收rf测量信号的完整性。
[0092]
在第五步骤105，提供机器学习算法。机器学习算法被预训练为基于多个频率信道的功率谱确定aoa。
[0093]
在预定义的时间之后，机器学习算法可以再次被预训练。
[0094]
根据本文描述的第一示例，机器学习算法是随机森林算法。此外，根据第一示例，机器学习算法是通过使用第一预训练数据进行预训练的。第一预训练数据是基于第一天线阵列和第一环境确定的。因此，机器学习算法针对特定环境中的特定天线阵列进行了预训练。例如，随机森林算法包括11棵树，并且最大深度为5。
[0095]
根据本文描述的第二示例，机器学习算法是多层感知器mlp神经网络。此外，根据第二示例，机器学习算法是通过使用预训练数据进行预训练的，其中，预训练数据是基于多个天线阵列和多个第二环境确定的。因此，机器学习算法针对各种环境中的各种天线阵列进行了预训练。
[0096]
在第六步骤106，通过使用在第五步骤105提供的机器学习算法和在第二步骤102确定的连结功率谱来确定接收rf测量信号的aoa。
[0097]
如果执行可选的第四步骤104并且确定了质量指示符，则通过附加使用质量指示符来确定接收rf测量信号的aoa。
[0098]
在需要aoa的高分辨率的场景中并且尤其是在静态环境中，执行根据本文描述的第一示例的方法100可能是有用的。然而，对经训练的环境有很高的依赖性。因此，如果第一环境经历结构变化，则可能需要机器学习算法的自适应更新和/或自适应训练和/或另外的预训练。
[0099]
以泛化方式跨多个天线阵列和多个第二环境执行根据本文描述的第二示例的方法100可能是有用的。在这种情况下，机器学习算法在不同环境中进行了预训练，最佳地，不需要自适应更新和/或自适应训练和/或另外的预训练。机器学习算法的权重参数是固定
的。这种机器学习算法可以通过使用诸如lightgbm和/或resot和/或fastgrnn的存储高效机器学习方法在嵌入式设备中实现。
[0100]
图2示出了用于确定aoa6的系统1的示意图。该系统包括发送器2，其能够通过使用天线3来发送rf测量信号。该系统还包括设备4。设备4被配置为执行如关于图1讨论的方法。例如，设备4被配置为基于可以从天线阵列5接收的rf测量信号获得测量数据。设备4还被配置为确定接收rf测量信号的aoa6。
[0101]
图3示出了天线阵列5的示意图。在该示例中，天线阵列包括布置在天线阵列5的第一天线行中的第一天线元件7和第二天线元件8。天线阵列还包括布置在天线阵列5的第二天线行中的第三天线元件9和第四天线元件10。当然，天线阵列5可以包括比图3所示更多或更少的天线元件，所述天线元件可以以任意数量的天线行布置。
[0102]
图4示出了包括多个频率信道的功率谱的图。该图包括第一轴，其中，第一轴是水平轴并且可以表示为横坐标。第一轴表示以度为单位的aoa，例如，高程aoa。该图还包括第二轴，其中，第二轴是垂直轴并且可以表示为纵坐标。第二轴表示经标准化的谱。
[0103]
该图描绘了第一频率信道的第一功率谱11。该图还描绘了第二频率信道的第二功率谱12。该图甚至还描绘了第三频率信道的第三功率谱13。通过执行包括pdda算法的基于psd的信号处理来确定第一功率谱11、第二功率谱12和第三功率谱13。根据图4的功率谱是经标准化的功率谱，并且是通过使用基于短程rf测量信号的测量数据确定的。这些短程rf测量信号的aoa(即，高程aoa)6是40度。
[0104]
短程rf测量信号表示室内环境。如图4所示，功率谱表示显著的pddaaoa预测误差，例如，与室外环境的pddaaoa预测误差相比时。因此，从图4可以得出，存在频率信道特定的变化。一种朴素的方法将是确定pdda峰值的均值。然而，由于可以得出(即)第一功率谱11接收相当大的反射，因此可以应用根据方法100的机器学习算法。以这种方式，可以学习环境和天线特定的空间谱分布。
[0105]
附图标记列表
[0106]
100
ꢀꢀꢀꢀꢀꢀ
确定到达角的方法
[0107]
101-106
ꢀꢀ
步骤
[0108]1ꢀꢀꢀꢀꢀꢀꢀꢀ
系统
[0109]2ꢀꢀꢀꢀꢀꢀꢀꢀ
发送器
[0110]3ꢀꢀꢀꢀꢀꢀꢀꢀ
天线
[0111]4ꢀꢀꢀꢀꢀꢀꢀꢀ
设备
[0112]5ꢀꢀꢀꢀꢀꢀꢀꢀ
天线阵列
[0113]6ꢀꢀꢀꢀꢀꢀꢀꢀ
到达角
[0114]7ꢀꢀꢀꢀꢀꢀꢀꢀ
第一天线元件
[0115]8ꢀꢀꢀꢀꢀꢀꢀꢀ
第二天线元件
[0116]9ꢀꢀꢀꢀꢀꢀꢀꢀ
第三天线元件
[0117]
10
ꢀꢀꢀꢀꢀꢀꢀ
第四天线元件
[0118]
11
ꢀꢀꢀꢀꢀꢀꢀ
第一功率谱
[0119]
12
ꢀꢀꢀꢀꢀꢀꢀ
第二功率谱
[0120]
13
ꢀꢀꢀꢀꢀꢀꢀ
第三功率谱