Devices, methods, and medium for communication

Abstract

Example embodiments of the present disclosure relate to devices, methods, and computer storage medium for communication. A network device deployed with an AI / ML model may receive time information from an LMF, and then determine an inference time based on the time information. The network device may perform a model inference at the inference time to determine output information for positioning corresponding to a specific timestamp. As such, different network devices may determine respective inference time based on the same time information from the LMF, and timestampes of different output information from different network devices may be synchronous for the LMF. Therefore, a performance of the AI / ML model may be guaranteed.

Description

DEVICES, METHODS, AND MEDIUM FOR COMMUNICATIONFIELD

[0001] Example embodiments of the present disclosure generally relate to the field of communication techniques and in particular, to devices, methods, and a computer readable medium for communication.BACKGROUND

[0002] Supporting various positioning methods to provide reliable, timely and accurate user equipment (UE) location is one of the key features of the third generation partnership project (3GPP) standard. It has been agreed to investigate the potential for artificial intelligence (AI)  / machine learning (ML) in air interface to improve comprehensive performance in 5G-adcanced. AI / ML based mechanism to improve the positioning accuracy is one of the use cases to apply AI / ML in air interface.

[0003] Multiple round trip time (Multi-RTT) positioning is a technique used in wireless communication systems, particularly in the context of indoor positioning and location-based services. It leverages the time it takes for signals to travel between a mobile device and multiple reference points (anchors) in order to calculate the device's position accurately. However, details on multi-RTT positioning combining with AI / ML still need to be further studied.SUMMARY

[0004] In general, example embodiments of the present disclosure provide devices, methods, and a computer storage medium for communication.

[0005] In a first aspect, there is provided a network device. The network device comprises at least one processor configured to cause the network device at least to: receive, from a location management function (LMF) , time information for model inference; determine an inference time based on the time information; perform a model inference at the inference time to determine output information for positioning corresponding to a specific timestamp; and transmit, to the LMF, the output information for positioning corresponding to the specific timestamp.

[0006] In a second aspect, there is provided an LMF. The LMF comprises at least one processor configured to cause the LMF at least to: determine time information for model inference; and transmit, to one or more network devices, the time information for model inference, wherein at least one of the one or more network devices is deployed with a model for positioning.

[0007] In a third aspect, there is provided a terminal device. The terminal device comprises at least one processor configured to cause the terminal device at least to: in accordance with a determination that the terminal device is moved from a first timestamp to a second timestamp, determine information about a movement of the terminal device; and transmit, to network device, the information about the movement of the terminal device, wherein the information indicates a displacement of the terminal device from the first timestamp to the second timestamp.

[0008] In a fourth aspect, there is provided a method of communication. The method comprises: receiving, at a network device deployed with a model for positioning from an LMF, time information for model inference; determining an inference time based on the time information; performing a model inference at the inference time to determine output information for positioning corresponding to a specific timestamp; and transmitting, to the LMF, the output information for positioning corresponding to the specific timestamp.

[0009] In a fifth aspect, there is provided a method of communication. The method comprises: determining, at an LMF, time information for model inference; and transmitting, to one or more network devices, the time information for model inference, wherein at least one of the one or more network devices is deployed with a model for positioning.

[0010] In a sixth aspect, there is provided a method of communication. The method comprises: in accordance with a determination that the terminal device is moved from a first timestamp to a second timestamp, determining information about a movement of the terminal device; and transmitting, to network device, the information about the movement of the terminal device, wherein the information indicates a displacement of the terminal device from the first timestamp to the second timestamp.

[0011] In a seventh aspect, there is provided a computer readable medium having instructions stored thereon, the instructions, when executed on at least one processor, causing the at least one processor to carry out the method according to any one of the fourth to sixth aspects above.

[0012] It is to be understood that the summary section is not intended to identify key or essential features of embodiments of the present disclosure, nor is it intended to be used to limit the scope of the present disclosure. Other features of the present disclosure will become easily comprehensible through the following description.BRIEF DESCRIPTION OF THE DRAWINGS

[0013] Through the more detailed description of some example embodiments of the present disclosure in the accompanying drawings, the above and other objects, features and advantages of the present disclosure will become more apparent, wherein:

[0014] FIG. 1A illustrates an overall procedure of multi-RTT positioning;

[0015] FIGS. 1B-1E illustrate some example schematics for AI / ML positioning;

[0016] FIG. 1F illustrates an example schematic for different inference time;

[0017] FIG. 2 illustrates an example positioning system by wireless network in which some embodiments of the present disclosure can be implemented;

[0018] FIG. 3 illustrates a signalling chart illustrating communication process in accordance with some example embodiments of the present disclosure;

[0019] FIG. 4A illustrates an example schematic of an AI / ML positioning model in accordance with some example embodiments of the present disclosure;

[0020] FIG. 4B illustrates an example schematic of another AI / ML positioning model in accordance with some example embodiments of the present disclosure;

[0021] FIG. 5A illustrates an example environment with an AI / ML model deployed at gNB 1 and gNB 2 in accordance with some example embodiments of the present disclosure;

[0022] FIG. 5B illustrates an example schematic of inference time in accordance with some example embodiments of the present disclosure;

[0023] FIG. 6A illustrates an example environment with an AI / ML model deployed at gNB 1 and gNB 2 in accordance with some example embodiments of the present disclosure;

[0024] FIG. 6B illustrates an example signalling chart of a process between the LMF and the network device in accordance with some example embodiments of the present disclosure;

[0025] FIG. 6C illustrates an example schematic of inference time in accordance with some example embodiments of the present disclosure;

[0026] FIG. 7 illustrates a signalling chart illustrating communication process in accordance with some example embodiments of the present disclosure;

[0027] FIG. 8 illustrates an example schematic of UE movement in accordance with some example embodiments of the present disclosure;

[0028] FIG. 9 illustrates a flowchart of an example method implemented at a network device in accordance with some embodiments of the present disclosure;

[0029] FIG. 10 illustrates a flowchart of an example method implemented at an LMF in accordance with some embodiments of the present disclosure;

[0030] FIG. 11 illustrates a flowchart of an example method implemented at a terminal device in accordance with some embodiments of the present disclosure; and

[0031] FIG. 12 illustrates a simplified block diagram of a device that is suitable for implementing embodiments of the present disclosure.

[0032] Throughout the drawings, the same or similar reference numerals represent the same or similar element.DETAILED DESCRIPTION

[0033] Principle of the present disclosure will now be described with reference to some example embodiments. It is to be understood that these embodiments are described only for the purpose of illustration and help those skilled in the art to understand and implement the present disclosure, without suggesting any limitation as to the scope of the disclosure. Embodiments described herein can be implemented in various manners other than the ones described below.

[0034] In the following description and claims, unless defined otherwise, all technical and scientific terms used herein have the same meaning as commonly understood by one of ordinary skills in the art to which this disclosure belongs.

[0035] References in the present disclosure to “one embodiment, ” “an embodiment, ” “an example embodiment, ” and the like indicate that the embodiment described may include a particular feature, structure, or characteristic, but it is not necessary that every embodiment includes the particular feature, structure, or characteristic. Moreover, such phrases are not necessarily referring to the same embodiment. Further, when a particular feature, structure, or characteristic is described in connection with an embodiment, it is submitted that it is  within the knowledge of one skilled in the art to affect such feature, structure, or characteristic in connection with other embodiments whether or not explicitly described.

[0036] It shall be understood that although the terms “first” and “second” etc. may be used herein to describe various elements, these elements should not be limited by these terms. These terms are only used to distinguish one element from another. For example, a first element could be termed a second element, and similarly, a second element could be termed a first element, without departing from the scope of example embodiments. As used herein, the term “and / or” includes any and all combinations of one or more of the listed terms.

[0037] The terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of example embodiments. As used herein, the singular forms “a” , “an” and “the” are intended to include the plural forms as well, unless the context clearly indicates otherwise. It will be further understood that the terms “comprises” , “comprising” , “has” , “having” , “includes” and / or “including” , when used herein, specify the presence of stated features, elements, and / or components etc., but do not preclude the presence or addition of one or more other features, elements, components and / or combinations thereof.

[0038] In some examples, values, procedures, or apparatus are referred to as “best, ” “lowest, ” “highest, ” “minimum, ” “maximum, ” or the like. It will be appreciated that such descriptions are intended to indicate that a selection among many used functional alternatives can be made, and such selections need not be better, smaller, higher, or otherwise preferable to other selections.

[0039] As used herein, the term “communication network” refers to a network following any suitable communication standards, such as New Radio (NR) , Long Term Evolution (LTE) , LTE-Advanced (LTE-A) , Wideband Code Division Multiple Access (WCDMA) , High-Speed Packet Access (HSPA) , Narrow Band Internet of Things (NB-IoT) and so on. Furthermore, the communications between a terminal device and a network device in the communication network may be performed according to any suitable generation communication protocols, including, but not limited to, the first generation (1G) , the second generation (2G) , 2.5G, 2.75G, the third generation (3G) , the fourth generation (4G) , 4.5G, the fifth generation (5G) , 5.5G, 5G-Advanced networks, or the sixth generation (6G) communication protocols, and / or any other protocols either currently known or to be developed in the future. Embodiments of the present disclosure may be applied in various communication systems. Given the  rapid development in communications, there will of course also be future type communication technologies and systems with which the present disclosure may be embodied. It should not be seen as limiting the scope of the present disclosure to only the aforementioned system.

[0040] As used herein, the term “terminal device” refers to any device having wireless or wired communication capabilities. Examples of terminal device include, but not limited to, user equipment (UE) , personal computers, desktops, mobile phones, cellular phones, smart phones, personal digital assistants (PDAs) , portable computers, tablets, wearable devices, internet of things (IoT) devices, Ultra-reliable and Low Latency Communications (URLLC) devices, Internet of Everything (IoE) devices, machine type communication (MTC) devices, device on vehicle for V2X communication where X means pedestrian, vehicle, or infrastructure / network, devices for Integrated Access and Backhaul (IAB) , Space borne vehicles or Air borne vehicles in Non-terrestrial networks (NTN) including Satellites and High Altitude Platforms (HAPs) encompassing Unmanned Aircraft Systems (UAS) , eXtended Reality (XR) devices including different types of realities such as Augmented Reality (AR) , Mixed Reality (MR) and Virtual Reality (VR) , the unmanned aerial vehicle (UAV) commonly known as a drone which is an aircraft without any human pilot, devices on high speed train (HST) , or image capture devices such as digital cameras, sensors, gaming devices, music storage and playback appliances, or Internet appliances enabling wireless or wired Internet access and browsing and the like. The ‘terminal device’ can further has ‘multicast / broadcast’ feature, to support public safety and mission critical, V2X applications, transparent IPv4 / IPv6 multicast delivery, IPTV, smart TV, radio services, software delivery over wireless, group communications and IoT applications. It may also be incorporated one or multiple Subscriber Identity Module (SIM) as known as Multi-SIM. The term “terminal device” can be used interchangeably with a UE, a mobile station, a subscriber station, a mobile terminal, a user terminal or a wireless device.

[0041] As used herein, the term “network device” refers to a device which is capable of providing or hosting a cell or coverage where terminal devices can communicate. Examples of a network device include, but not limited to, a satellite, a unmanned aerial systems (UAS) platform, a Node B (NodeB or NB) , an evolved NodeB (eNodeB or eNB) , a next generation NodeB (gNB) , a transmission reception point (TRP) , a remote radio unit (RRU) , a radio head (RH) , a remote radio head (RRH) , an IAB node, a low power node such as a femto node, a pico node, a reconfigurable intelligent surface (RIS) , and the like.

[0042] In one embodiment, the terminal device may be connected with a first network device and a second network device. One of the first network device and the second network device may be a master node and the other one may be a secondary node. The first network device and the second network device may use different radio access technologies (RATs) . In one embodiment, the first network device may be a first RAT device and the second network device may be a second RAT device. In one embodiment, the first RAT device is eNB and the second RAT device is gNB. Information related with different RATs may be transmitted to the terminal device from at least one of the first network device and the second network device. In one embodiment, first information may be transmitted to the terminal device from the first network device and second information may be transmitted to the terminal device from the second network device directly or via the first network device. In one embodiment, information related with configuration for the terminal device configured by the second network device may be transmitted from the second network device via the first network device. Information related with reconfiguration for the terminal device configured by the second network device may be transmitted to the terminal device from the second network device directly or via the first network device.

[0043] Communications discussed herein may conform to any suitable standards including, but not limited to, New Radio Access (NR) , Long Term Evolution (LTE) , LTE-Evolution, LTE-Advanced (LTE-A) , Wideband Code Division Multiple Access (WCDMA) , Code Division Multiple Access (CDMA) , cdma2000, and Global System for Mobile Communications (GSM) and the like. Furthermore, the communications may be performed according to any generation communication protocols either currently known or to be developed in the future. Examples of the communication protocols include, but not limited to, the first generation (1G) , the second generation (2G) , 2.5G, 2.85G, the third generation (3G) , the fourth generation (4G) , 4.5G, the fifth generation (5G) , and the sixth (6G) communication protocols. The techniques described herein may be used for the wireless networks and radio technologies mentioned above as well as other wireless networks and radio technologies. The embodiments of the present disclosure may be performed according to any generation communication protocols either currently known or to be developed in the future. Examples of the communication protocols include, but not limited to, the first generation (1G) , the second generation (2G) , 2.5G, 2.75G, the third generation (3G) , the fourth generation (4G) , 4.5G, the fifth generation (5G) communication protocols, 5.5G, 5G-Advanced networks, or the sixth generation (6G) networks.

[0044] The terminal device or the network device may work on several frequency ranges, e.g. FR1 (410 MHz –7125 MHz) , FR2 (24.25GHz to 71GHz) , frequency band larger than 200GHz as well as Tera Hertz (THz) . It can further work on licensed / unlicensed / shared spectrum. The terminal device may have more than one connection with the network device under Multi-Radio Dual Connectivity (MR-DC) application scenario. The terminal device or the network device can work on full duplex, flexible duplex and cross division duplex modes.

[0045] The embodiments of the present disclosure may be performed in test equipment, e.g., signal generator, signal analyzer, spectrum analyzer, network analyzer, test terminal device, test network device, or channel emulator.

[0046] The term “circuitry” used herein may refer to hardware circuits and / or combinations of hardware circuits and software. For example, the circuitry may be a combination of analog and / or digital hardware circuits with software / firmware. As a further example, the circuitry may be any portions of hardware processors with software including digital signal processor (s) , software, and memory (ies) that work together to cause an apparatus, such as a terminal device or a network device, to perform various functions. In a still further example, the circuitry may be hardware circuits and or processors, such as a microprocessor or a portion of a microprocessor, that requires software / firmware for operation, but the software may not be present when it is not needed for operation. As used herein, the term circuitry also covers an implementation of merely a hardware circuit or processor (s) or a portion of a hardware circuit or processor (s) and its (or their) accompanying software and / or firmware.

[0047] As used herein, the singular forms “a” , “an” and “the” are intended to include the plural forms as well, unless the context clearly indicates otherwise. The term “includes” and its variants are to be read as open terms that mean “includes, but is not limited to. ” The term “based on” is to be read as “based at least in part on. ” The term “one embodiment” and “an embodiment” are to be read as “at least one embodiment. ” The term “another embodiment” is to be read as “at least one other embodiment. ” The terms “first, ” “second, ” and the like may refer to different or same objects. Other definitions, explicit and implicit, may be included below.

[0048] The terminal device or the network device may have AI or ML capability. It generally includes a model which has been trained from numerous collected data for a specific function, and can be used to predict some information.

[0049] As used herein, a model may be equivalent to at least one of the following: an AI / ML model, an ML model, an AI model, a data-driven, a data processing model, an algorithm, a functionality, a procedure, a process, an entity, a function, a feature, a feature group, a model identifier (ID) , an ID, a functionality ID, a configuration ID, a scenario ID, a site ID, or a dataset ID. As a result, the above terms may be used interchangeably.

[0050] In some embodiments, the model may be represented by or associated with a channel, a resource, a resource set, a reference signal (RS) resource, an RS resource set, an RS port, a set of RS ports, an RS port ID, or a set of RS port IDs.

[0051] In some embodiments, the model may comprise a set of weights values that may be learned during training, e.g. for a specific architecture or configuration, where a set of weights values may also be called a parameter set.

[0052] In some embodiments, the model may be used to predict a target cell, or measurements of a set of beams of a set of candidate cells in future based on at least historical measurements (e.g., L1-RSRP, L1-SINR) of a set of beams of a set of candidate cells.

[0053] In some embodiments, an input of the AI / ML model (i.e., AI input) may refer to the input of a model and indicate data inputted into the model, which may be equivalent to data.

[0054] In some embodiments, an output of AI / ML model (i.e., AI output) may refers to the output of a model and indicate result (s) outputted by the model, which is equivalent to label / data.

[0055] Multi-RTT positioning is a technique used in wireless communication systems. The mobile device sends signals to a fixed reference point (anchors) , and the reference point bounce back a signal to the device. The mobile device and anchors record the time difference and report it the computing equipment. With the RTT measurements from at least three anchors, the device can use triangulation techniques to determine its position. By gathering the differences of the measurements, the system can calculate the distances between the device and each anchor. Using this information and the known positions of the anchors, the system can calculate the device's position. Multi-RTT positioning offers higher accuracy compared to single-RTT methods because it considers the round-trip time to multiple anchors, allowing for more precise distance measurements. This technique is particularly useful in indoor environments where global position system (GPS) signals might be weak or unavailable. It's commonly employed in technologies like Wi-Fi positioning systems, Bluetooth-based positioning, and other indoor positioning systems to provide accurate  location information for various applications, such as indoor navigation, asset tracking, and location-based services.

[0056] The Multi-RTT positioning method makes use of the UE Rx-Tx time difference measurements and downlink-positioning reference signal-reference signal received power (DL-PRS-RSRP) of downlink signals received from multiple transmission and reception points (TRPs) , measured by the UE and the measured gNB Rx-Tx time difference measurements and uplink-sounding reference signal-reference signal received power (UL-SRS-RSRP) at multiple TRPs of uplink signals transmitted from UE. The UE measures the UE Rx-Tx time difference measurements (and optionally DL-PRS-RSRP of the received signals) using assistance data received from the positioning server, and the TRPs measure the gNB Rx-Tx time difference measurements (and optionally UL-SRS-RSRP of the received signals) using assistance data received from the positioning server. The measurements are used to determine the RTT at the positioning server which are used to estimate the location of the UE.

[0057] In the Multi-RTT positioning method, the UE position is estimated based on measurements performed at both, UE and TRPs. The measurements performed at the UE and TRPs are UE / gNB Rx-Tx time difference measurements (and optionally DL-PRS-RSRP and UL-SRS-RSRP) of DL-PRS and UL-SRS, which are used by an LMF to determine the RTTs.

[0058] FIG. 1A illustrates an overall procedure 110 of Multi-RTT positioning in next generation –radio access network (NG-RAN) . The following steps are involved in the procedure 110.

[0059] Step 0. The LMF may use the procedure, such as a new radio positioning protocol A (NRPPa) DL PRS configuration information exchange, to obtain the TRP information required for Multi-RTT positioning.

[0060] Step 1. The LMF may request the positioning capabilities of the target device using the long term evolution positioning protocol (LPP) Capability Transfer procedure.

[0061] Step 2. The LMF sends a NRPPa POSITIONING INFORMATION REQUEST message to the serving gNB to request UL information for the target device.

[0062] Step 3. The serving gNB determines the resources available for UL-SRS and configures the target device with the UL-SRS resource sets at step 3a.

[0063] Step 4. The serving gNB provides the UL-SRS configuration information to the LMF in a NRPPa POSITIONING INFORMATION RESPONSE message. It is noted that it is up to implementation on whether SRS configuration is provided earlier than DL-PRS configuration.

[0064] Step 5. In the case of semi-persistent or aperiodic SRS, the LMF may request activation of UE SRS transmission by sending a NRPPa Positioning Activation Request message to the serving gNB of the target device. The gNB then activates the UE SRS transmission and sends a NRPPa Positioning Activation Response message. The target device begins the UL-SRS transmission according to the time domain behavior of UL-SRS resource configuration.

[0065] Step 6. The LMF provides the UL information to the selected gNBs in a NRPPa MEASUREMENT REQUEST message. The message includes all information required to enable the gNBs / TRPs to perform the UL measurements.

[0066] Step 7. Each gNB configured at step 6 measures the UL-SRS transmissions from the target device.

[0067] Step 8. Each gNB reports the UL-SRS measurements to the LMF in a NRPPa Measurement Response message.

[0068] Step 9. The LMF sends a NRPPa POSITIONING DEACTIVATION message to the serving gNB.

[0069] AI / ML based positioning has been introduced to enhance the positioning accuracy, especially for indoor scenario with low line of sight (LOS) condition probability. For the study of benefit (s) and potential specification impact for AI / ML based positioning accuracy enhancement, one-sided model whose inference is performed entirely at the UE or at the network is prioritized in Rel-18 study item (SI) .

[0070] For AI / ML-assisted positioning, a “single-TRP construction” and a “multi-TRP construction” are being discussed. Single-TRP construction: the input of the ML model is the channel measurement between the target UE and a single TRP, and the output of the ML model is for the same pair of UE and TRP. Multi-TRP construction: the input of the ML model contains N sets of channel measurements between the target UE and N (N>1) TRPs, and the output of the ML model contains N sets of values, one for each of the N TRPs.

[0071] In some cases, three constructions may be evaluated for the AI / ML assisted  positioning:

[0072] · Single-TRP, same model for N TRPs

[0073] · Single-TRP, N models for N TRPs

[0074] · Multi-TRP (i.e., one model for N TRPs)

[0075] For example, a model complexity and computation complexity for a target UE at different cases are shown in Table 1 below.

[0076] Table 1

[0077] In some cases, there may be N TRPs (TRP 0, TRP 1, …, TRP (N-1) ) used for AI / ML based positioning, and direct AI / ML positioning (FIG. 1B) and assisted AI / ML positioning (FIGS. 1C-1E) may be evaluated. FIG. 1B illustrates an example schematic of direct AI / ML positioning with an output is the UE location. FIG. 1C illustrates an example schematic of assisted AI / ML positioning with multi-TRP construction, FIG. 1D illustrates an example schematic of assisted AI / ML positioning with single-TRP construction and one model for N TRPs, and FIG. 1E illustrates an example schematic of assisted AI / ML positioning with single-TRP construction and N models for N TRPs.

[0078] As shown in FIGS. 1C-1E, the assisted AI / ML positioning (may also be referred to as AI / ML assisted positioning) can be applied using input data (such as channel impulse response (CIR) , power delay profile (PDP) , or delay of path (DP) ) associated with one single TRP or multiple TPRs. For the former scenario, N models with different parameters or a single model may be deployed to estimate time information (e.g., time of arrival (TOA)) for N TRPs, which may be regarded as a distributed model on each TRP. In the latter scenario, a single comprehensive model (i.e. a centralized model) utilizes the data from multiple TRPs as the input and produces the multiple TOAs corresponding to the multiple TRPs.

[0079] It is observed that, comparing with a multi-TRP case (acentralized model) , using N models for N TRPs (distributed model) in a single-TRP scenario may lead to performance benefits. For example, training a specific model for a particular environment between the Rx device and Tx device enhances performance. For example, utilizing the same model for multiple TRPs can be considered as a unified model complexity, reducing the overall complexity. For example, deploying the model with different parameters to various devices is achievable, considering the capabilities of each device. For example, a distributed model is simpler since it applies to a single environment, while a centralized model is designed to accommodate multiple environments. However, details on the N models for N TRPs in a single-TRP scenario are still needed to be studied.

[0080] Since different TRPs may use separate deployed model for model inference, different TRPs may perform the model inference at different time. FIG. 1F illustrates an example schematic for different inference time.

[0081] As shown in FIG. 1F, three gNBs are designated to estimate the TOA between the individual gNB and the target UE by respective deployed AI / ML model. gNB 1 has a model  1, gNB 2 has a model 2, and gNB 3 has a model 3. It is assumed that an input of the model is a CIR and an output of the model is a TOA. As shown in FIG. 1F, gNB 1 and gNB 2 may perform the model inference at t1, and gNB 3 may perform the model inference at t2.

[0082] In some cases, the outputs TOA1, TOA2, and TOA 3 cannot be used at LMF to achieve the horizontal accuracy @90%=1m, if: x = 3km / h, and |t1-t2|>1.2s; x = 30km / h, and |t1-t2|>0.12s; or x = 120km / h, and |t1-t2|>0.03s.

[0083] In this event, gNBs deployed with assisted AI / ML models may face uncertainty regarding when to execute model inference. If a random inference time is assigned, the assisted AI / ML models may yield irrelevant results, leading to inefficiencies in AI / ML-based positioning. Therefore, a mechanism for model inference time at different gNBs needs to be proposed.

[0084] Embodiments of the present disclosure provide a solution of communication. In the solution, a network device deployed with an AI / ML model may receive time information from an LMF, and then determine an inference time based on the time information. Accordingly, the network device may perform a model inference at the inference time to determine output information for positioning corresponding to a specific timestamp. As such, different network devices may determine respective inference time based on the same time information from the LMF. Alternatively, a network device deployed with an AI / ML model may receive time information from an LMF that indicates the timestamp of model output, and generates the output corresponding to the indicated timestamp. Therefore, a performance of the AI / ML model may be guaranteed, and thus outputs from multiple network devices may be used for positioning accurately e.g. at the LMF. Therefore, a positioning for a terminal device may be guaranteed. Principles and implementations of the present disclosure will be described in detail below with reference to the figures.

[0085] FIG. 2 illustrates an example communication system 200 in which some embodiments of the present disclosure can be implemented. The communication system 200 may also be called as a network environment, a network system, a communication environment, a communication network, or the like, the present disclosure does not limit this aspect. The communication system 200 includes a terminal device 210, multiple network devices 220-1 to 220-N, and an LMF 230. For example, the LMF 230 may also be called as a location and mobility function. It should be appreciated that the LMF 230 may be located in the access network or core network.

[0086] The multiple network devices 220-1 to 220-N (N is a positive integer, e.g. N=3) may be separately or collectively be referred to as a network device 220, which may be a gNB or a TRP.

[0087] In the system 200, the network device 220 can communicate / transmit data and control information to the terminal device 210, and the terminal device 210 can also communicate / transmit data and control information to the network device 220. A link from the network device 220 to the terminal device 210 is referred to as a downlink (DL) , while a link from the terminal device 210 to the network device 220 is referred to as an uplink (UL) . DL may comprise one or more logical channels, including but not limited to a Physical Downlink Control Channel (PDCCH) and a Physical Downlink Shared Channel (PDSCH) . UL may comprise one or more logical channels, including but not limited to a Physical Uplink Control Channel (PUCCH) and a Physical Uplink Shared Channel (PUSCH) . As used herein, the term “channel” may refer to a carrier or a part of a carrier consisting of a contiguous set of resource blocks (RBs) on which a channel access procedure is performed in shared spectrum.

[0088] Communications in the system 200, between the network device 220 and the terminal device 210 for example, may be implemented according to any proper communication protocol (s) , comprising, but not limited to, cellular communication protocols of the first generation (1G) , the second generation (2G) , the third generation (3G) , the fourth generation (4G) , the fifth generation (5G) and the sixth generation (6G) and on the like, wireless local network communication protocols such as Institute for Electrical and Electronics Engineers (IEEE) 802.11 and the like, and / or any other protocols currently known or to be developed in the future. Moreover, the communication may utilize any proper wireless communication technology, comprising but not limited to: Code Divided Multiple Address (CDMA) , Frequency Divided Multiple Address (FDMA) , Time Divided Multiple Address (TDMA) , Frequency Divided Duplexer (FDD) , Time Divided Duplexer (TDD) , Multiple-Input Multiple-Output (MIMO) , Orthogonal Frequency Divided Multiple Access (OFDMA) and / or any other technologies currently known or to be developed in the future.

[0089] In the system 200, the terminal device 210 can communicate with the LMF 230 according to any proper communication protocol, such as an LTE positioning protocol (LPP) . It is to be understood that other protocol may also be applied and will not be listed herein.

[0090] Embodiments of the present disclosure can be applied to any suitable scenarios.  For example, embodiments of the present disclosure can be implemented at reduced capability NR devices. Alternatively, embodiments of the present disclosure can be implemented in one of the followings: NR multiple-input and multiple-output (MIMO) , NR sidelink enhancements, NR systems with frequency above 52.6GHz, an extending NR operation up to 71GHz, narrow band-Internet of Thing (NB-IOT)  / enhanced Machine Type Communication (eMTC) over non-terrestrial networks (NTN) , NTN, UE power saving enhancements, NR coverage enhancement, NB-IoT and LTE-MTC, Integrated Access and Backhaul (IAB) , NR Multicast and Broadcast Services, or enhancements on Multi-Radio Dual-Connectivity.

[0091] It is to be understood that the numbers of devices (i.e., the terminal devices 210 and the network device 220) and their connection relationships and types shown in FIG. 2 are only for the purpose of illustration without suggesting any limitation. The system 200 may include any suitable numbers of devices adapted for implementing embodiments of the present disclosure.

[0092] It has been agreed to study and provide inputs on benefit (s) and potential specification impact at least for the following cases of AI / ML based positioning accuracy enhancement:

[0093] · Case 1: UE-based positioning with UE-side model, direct AI / ML or AI / ML assisted positioning;

[0094] · Case 2a: UE-assisted / LMF-based positioning with UE-side model, AI / ML assisted positioning;

[0095] · Case 2b: UE-assisted / LMF-based positioning with LMF-side model, direct AI / ML positioning;

[0096] · Case 3a: NG-RAN node assisted positioning with gNB-side model, AI / ML assisted positioning;

[0097] · Case 3b: NG-RAN node assisted positioning with LMF-side model, direct AI / ML positioning.

[0098] If multiple AI / Ml models are deployed at different entities, e.g. case 3a, the distributed model needs to harmonize the model inference time or the timestamp of model output among the multiple AI / ML models.

[0099] For case 3a, the model input is generated by:

[0100] · If the model input is collect by DL RS,

[0101] - obtain the measurement by channel information based on DL RS.

[0102] - extract the measurement report from the measurement. The report is transferred from the UE to the network and could include delay, power and / or phase information.

[0103] - construct the model input what is used at the gNB side model from the received measurement, which could be CIR, PDP or DP.

[0104] · If the model input is collect by UL RS,

[0105] - obtain the measurement by channel information based on UL RS.

[0106] - construct the model input what is used at the gNB side model from the measurement, which could be CIR, PDP or DP.

[0107] Reference is further made to FIG. 3, which illustrates a signalling chart illustrating communication process 300 in accordance with some example embodiments of the present disclosure. The process 300 may involve a network device 301 deployed with an AI / ML model and the LMF 230.

[0108] With reference to FIG. 2, the network device 301 may be one of the network devices 220 which has a deployed AI / ML model. For ease of description, assuming that there are 3 (N=3) network devices 220, such as gNB 1, gNB 2, and gNB 3. In some cases, each of the gNB 1, gNB 2, and gNB 3 may be deployed with an AI / ML model. In some cases, one of the gNB 1, gNB 2, and gNB 3 may not be deployed with an AI / ML model, for example, there is no AI / ML model at gNB 3. It is to be understood that the models at different entities (such as gNB 1 and gNB 2) may be the same (same model parameters) or different (different model parameters) .

[0109] In the process 300, the LMF 230 determines time information for model inference at 310, and then the LMF 230 transmits the time information to the network device 301 at 320. The time information for model inference can be the time that implement model monitoring or the timestamp of model output. In the process 300, the network device 301 determines an inference time for model inference or timestamp of model output based on the time information received from the LMF 230 at 330.

[0110] In some scenarios, part of N network devices 220 may be deployed an AI / ML model, and others of N network devices 220 do not have an AI / ML model. For a specific example, it is assumed that there are 3 gNBs, gNB 1 has an AI / ML model, gNB 2 has no AI / ML model,  and gNB 3 has an AI / ML model.

[0111] In some implementations, an AI / ML model may be trained to predict specific information with the same timestamp as the model input. With reference to FIG. 4A, a model 410 may generate an output having a timestamp that is the same as that for the input. In some example embodiments, it is assumed that the AI / ML model deployed at gNB 1 / gNB 3 can generate output information that corresponds to a timestamp of a current input without any advance or delay.

[0112] In some example embodiments, the LMF 230 may determine (or generate) the time information for model inference based on a resource configuration of a reference signal for positioning, for example, the reference signal for positioning may be an SRS.

[0113] In some example embodiments, the time information may indicate a model inference time window. In some examples, the time information may include a central time of the time window and a time length of the time window. For example, the central time of the time window may be a specific time point of a resource configuration of a reference signal for positioning, e.g., a time point associated with a configuration for SRS. In some examples, the time length of the time window may be related with a latency of model inference. As an example, if the AI / ML models deployed at different network devices are the same, then the time length of the time window may be determined based on the latency of the AI / ML model. As another example, if the AI / ML models deployed at different network devices are different, then a minimum value among multiple lengths determined based on respective latencies of the AI / ML models may be used as the time length of the time window. In some other examples, the time information may include a central time of the time window, which may be the specific time point of a resource configuration of a reference signal for positioning.

[0114] In some examples, the time information may be transmitted to some or all network devices, for example, those network devices with deployed AI / ML model (such as gNB 1 and gNB 3) may receive the time information.

[0115] Upon receiving the time information from the LMF 230, the network device 301 may determine the model inference time window. In some examples, the central time of the time window is indicated by the time information. In some examples, the time length of the time window may be indicated by the time information or may be predefined / preconfigured. For example, the time length of the time window may be determined based on a latency of  the AI / ML model deployed at the network device 301.

[0116] In some example embodiments, the network device 301 may determine an inference time within the time window. In some example embodiments, the network device 301 may perform a model inference at the inference time based on an input (model input, input information or the like) .

[0117] In some example embodiments, input information may be generated at another time. The network device 301 may determine whether the input information is valid at the inference time. In some examples, if the input information is valid at the inference time, the network device 301 may generate an output (model output, output information) by using the deployed AI / ML model with the input information. In some other examples, if the input information is invalid at the inference time, the network device 301 may not perform the model inference.

[0118] FIG. 5A illustrates an example environment 510 with an AI / ML model deployed at gNB 1 and gNB 2 in accordance with some example embodiments of the present disclosure. As shown in FIG. 5A, there is no AI / ML model deployed at gNB 2, and gNB 2 may receive an SRS at t2 and determine a measurement report of the SRS, then the measurement report may be further provided to the LMF. As shown in FIG. 5A, there is an AI / ML model deployed at gNB 1, and gNB 1 may obtain an input (such as CIR) generated at t1 and determine a model output 1 by using the deployed model. As shown in FIG. 5A, there is an AI / ML model deployed at gNB 3, and gNB 3 may obtain an input (such as CIR) generated at t3 and determine a model output 3 by using the deployed model.

[0119] FIG. 5B illustrates an example schematic of inference time 520 in accordance with some example embodiments of the present disclosure. FIG. 5B shows a model inference time window with a central time, where the central time is a configured SRS resource time, such as t2. For gNB 1, the input (CIR1) is generated at t1, and is still valid at t11 which is within the model inference time window. Thus, gNB 1 will generate a model output 1 by inputting CIR 1 into its deployed AI / ML model.

[0120] For gNB 3, the input (CIR2) is generated at t3, which is invalid at any time within the model inference time window. Thus, gNB 3 will not perform a model inference, that is, a model output 3 will not be generated at gNB 3.

[0121] As such, there is no need for gNB 3 to perform model inference since its output may be regarded as not accurate. Therefore, the complexity requirements for the model can be relatively low, as it does not necessitate predictive capabilities.

[0122] It is to be noted that the above embodiments with reference to FIGS. 5A-5B is discussed by assuming that there is one network device (gNB 2) does not have a deployed AI / ML model, however, in actual scenarios, there may be more than one network devices without deployed AI / ML model. In this case, a model inference time window may be a combination (union) of more than one window for more than one SRS configuration.

[0123] In some other implementations, an AI / ML model may be trained to predict specific information with a timestamp that is before or after a timestamp of the model input. With reference to FIG. 4B, a model 420 may be regarded as two steps: the first step is used to predict historical or future feature similar with the input, and the second step is used to predict an output currently needed. That is, the model 420 may predict past or future (delayed) output corresponds to the timestamp of the input. In this case, the model 420 may be referred to as an integrated model.

[0124] However, it is to be understood that the AI / ML model for predicting information before or after a timestamp of the model input may be implemented in some other ways, the present disclosure does not limit this aspect.

[0125] In some example embodiments, the network device 301 may transmit capability information of the model to the LMF 230. In some examples, the capability information of an AI / ML model deployed at the network device 301 may indicate a past or delay (advance / delay) time that the AI / ML model applies. For example, the capability information may be included in an NRPPa message.

[0126] In some example embodiments, the LMF 230 may receive capability information of one or more models deployed at one or more network devices (including the network device 301) . In some example embodiments, the LMF 230 may determine the time information for model inference based on the capability information of one or more models.

[0127] In some embodiments, the time information may include a specific timing set. In some example embodiments, the network device 301 may determine the inference time based on the specific timing set, for example, the inference time may include each time point indicated by the specific timing set.

[0128] In some other embodiments, the time information may include a specific time point of a resource configuration of a reference signal for positioning, e.g., a specific time point of SRS configuration. In some example embodiments, the network device 301 may determine the inference time based on the specific time point of a resource configuration of a reference  signal for positioning (e.g., a specific time point of SRS configuration) . For example, the inference time may be the specific time point of a resource configuration of a reference signal for positioning. For example, the inference time may be a first time point before or after a gap of the specific time point of the resource configuration of the reference signal. For example, the inference time may be a second time point within a period during which input information of the model is valid.

[0129] FIG. 6A illustrates an example environment 610 with an AI / ML model deployed at gNB 1 and gNB 2 in accordance with some example embodiments of the present disclosure. As shown in FIG. 6A, there is no AI / ML model deployed at gNB 2, and gNB 2 may receive an SRS at t2 and determine a measurement report of the SSB, then the measurement report may be further provided to the LMF. As shown in FIG. 6A, there is an AI / ML model deployed at gNB 1, and gNB 1 may obtain an input (such as CIR) generated at t1 and determine a model output 1 with a timestamp t1+τ1 by using the deployed model. As shown in FIG. 6A, there is an AI / ML model deployed at gNB 3, and gNB 3 may obtain an input (such as CIR) generated at t3 and determine a model output 3 with a timestamp t3-τ2 by using the deployed model.

[0130] FIG. 6B illustrates an example signalling chart of a process 620 between the LMF and the network device in accordance with some example embodiments of the present disclosure.

[0131] The LMF 230 transmits a request to the network device 301 for requesting capability information of a model deployed at the network device 301. In FIG. 6B, an NRPPa message at 621 is transmitted, where the NRPPa message may include a request for the capability information of the model. In some examples, the request may be used to indicate to the network device 301 to provide the capability information of the model deployed at the network device 301.

[0132] In some examples, the NRPPa message at 621 may be implemented as signaling of POSITIONING INFORMATION REQUEST, or newly defined AI / ML related signaling.

[0133] Once the AI / ML model is activated for positioning, the network device 301 (gNB 1 or gNB 3 with an AI / ML model) may transmit the capability information of the model to the LMF 230 via an NRPPa message at 622. For example, model parameters may be included in signaling assistance data of POSITIONING INFORMATION RESPONSE for the serving gNB, or in newly defined AI / ML related signaling. For example, the model parameters may  include capability information of predicted past / delayed timing, specifying the timing by a number of frame / subframe / slot / symbol.

[0134] In some examples, if a same model is deployed at each of multiple gNBs, then one gNB (such as a serving gNB) can transmit the capability information of the model to the LMF 230, other gNBs may not transmit the capability information of the model. In this way, signalling overhead can be reduced.

[0135] The LMF 230 provides a specific timing set to the network device 301. In FIG. 6B, an NRPPa message at 623 is transmitted, where the NRPPa message may include the specific timing set. In some examples, the specific timing set may be used to indicate to the network device 301 to predict related output information (such as timing estimation, LOS / NLOS indicator) at the specific timing set by using a deployed AI / ML model. For example, the specific timing set may be configured as periodic or aperiodic timing point. For example, the specific timing set may be represented as a combination of DL frame number, sub frame number, and slot number.

[0136] In some examples, the NRPPa message at 623 may be implemented as signaling of POSITIONING MEASUREMENT REQUEST, or newly defined AI / ML related signaling.

[0137] The network device 301 performs a model inference based on the specific timing set, and determines output information (such as timing estimation, LOS / NLOS indicator) . The network device 301 further transmits the output information to the LMF 230.

[0138] As such, the LMF can coordinate to provide precise model inference times or timestamps for model outputs, contributing to improved localization results.

[0139] FIG. 6C illustrates an example schematic of inference time 630 in accordance with some example embodiments of the present disclosure.

[0140] With reference to FIG. 6B, the LMF may transmit an NRPPa MEASUREMENT REQUEST message to involved gNBs which includes an SRS configuration. In some examples, the LMF is not required to be aware of any information of the deployed AI / ML model.

[0141] The gNB 2 which does not have a deployed (or activated) AI / ML model may measure one or more SRSs and report the measurement to the LMF.

[0142] The gNB 1 and gNB 3 each with a deployed (or activated) AI / ML model may predict output information (such as TOA, LOS / NLOS indicator) supposing the UE is at an inference  time, where the inference time is determined according the SRS configuration.

[0143] For example, the inference time may be a transmission time for an SRS. With reference to FIG. 6C, symbol 9 in slot n may be determined as the inference time.

[0144] For example, the inference time may be a first time point before or after a fixed or variable gap relative to the transmission time for SRS, and the different models can be set with different gaps. For example, different gaps may be set for different models. With reference to FIG. 6C, symbol 5 in slot n may be used as the inference time for an AI / ML model, symbol 10 in slot n+3 may be used as the inference time for another AI / ML model.

[0145] In some examples, there is no limitation for model inference time within a valid period of the model input at the network device 301. In some examples, the input information may be used for multiple times at multiple time points for model inference, that is, a single input can be used for multiple times inference corresponding the output with different time points at the network device 301.

[0146] As such, additional signaling interactions between gNB and LMF may be avoided, and further it can facilitate the provision of location services with stringent delay requirements.

[0147] In some scenarios, each of the N network devices 220 may have a deployed AI / ML model. For a specific example, it is assumed that there are 3 gNBs, gNB 1 has an AI / ML model 1, gNB 2 has an AI / ML model 2, and gNB 3 has an AI / ML model 3. The models 1-3 may the same, or at least two of the models 1-3 are different. In this case, the configuration of SRS is not necessary for any of the N network devices 220.

[0148] In some implementations, the time information may include a specific timing set. In some example embodiments, a serving gNB may not configure SRS resources to the UE 210, and the LMF 230 may not transmit the configuration of SRS to the network devices 220. In some example embodiments, the LMF 230 may determine and provide a specific timing set to the network devices 220 (including the network device 301) .

[0149] In some example embodiments, the network device 301 may determine that the inference time is the specific timing set, and then perform a model inference.

[0150] In some examples, the LMF 230 may transmit the specific timing set via an NRPPa message. For example, the specific timing set may be included in signaling of MEASUREMENT REQUEST, or newly defined AI / ML related signaling. For example,  the specific timing set may be configured as periodic or aperiodic timing point. For example, the specific timing set may be represented as a combination of DL frame number, sub frame number, and slot number.

[0151] In some examples, the specific timing set may be specific for the network device 301, e.g., a different timing set may be determined and provided to a different network device. In some other examples, the specific timing set may be common for all of the N network devices 220 (such as gNBs 1-3) .

[0152] In some example embodiments, the network device 301 may perform a model inference at each time point within the specific timing set. In some example embodiments, the network device 301 may determine an output (such as timing estimation, LOS / NLOS indicator) supposing the UE 210 is at each time point within the specific timing set.

[0153] In some example embodiments, if the output information can be generated by using the AI / ML model after the model inference, then the output information may be transmitted to the LMF 230. In some other example embodiments, if the network device 301 is not capable to generate the output information, it may transmit failure information to the LMF 230. For example, the failure information may indicate that the output information is failed determined at the specific timing set. In some examples, the failure information may further indicate a reason of the failure, e.g., the model is incomplete, input information is invalid during the specific timing set, etc.

[0154] In some implementations, the time information may include a specific time point of a resource configuration of a reference signal for positioning. In some example embodiments, a serving gNB may configure SRS resources to the UE 210, and the LMF 230 may transmit the configuration of SRS to the network devices 220.

[0155] In some example embodiments, the network device 301 may determine that the inference time is the specific time point of a resource configuration of a reference signal for positioning. In some example embodiments, the network device 301 may determine that the inference time is a time with an offset relative to the specific time point of a resource configuration of a reference signal for positioning, for example, the inference time may be a first time point before or after a gap of the specific time point of the resource configuration of the reference signal. In some examples, the gap may be predefined for the AI / ML model, for example, different models may be set with different gaps.

[0156] In some examples, the LMF 230 may transmit the time information via an NRPPa  message. For example, the time information (the specific time point of a resource configuration of a reference signal for positioning) may be included in an NRPPa MEASUREMENT REQUEST. In some examples, the LMF 230 is not required to be aware of any information of AI / ML model.

[0157] In some example embodiments, the network device 301 may perform a model inference at the inference time, such as the specific time point of the resource configuration of the reference signal, or a first time point before or after a gap of the specific time point of the resource configuration of the reference signal. In some example embodiments, the network device 301 may determine an output (such as timing estimation, LOS / NLOS indicator) supposing the UE 210 is at the inference time.

[0158] In some example embodiments, if the output information can be generated by using the AI / ML model after the model inference, then the output information may be transmitted to the LMF 230. In some other example embodiments, if the network device 301 is not capable to generate the output information, it may transmit failure information to the LMF 230. For example, the failure information may indicate that the output information is failed determined. In some examples, the failure information may further indicate a reason of the failure, e.g., the model is incomplete, input information is invalid at the specific time point of the resource configuration of the reference signal.

[0159] In some examples, there is no limitation for model inference time within a valid period of the model input at the network device 301. In some examples, the input information may be used for multiple times at multiple time points for model inference, that is, a single input can be used for multiple times inference corresponding the output with different time points at the network device 301.

[0160] Continue referring to FIG. 3, after receiving the time information for model inference from the LMF 230, the network device 301 may determine an inference time for model inference based on the time information at 230. In some examples, multiple inference time points may be determined based on the time information.

[0161] In the process 300, the network device 301 performs a model inference at the inference time at 340. In some implementations, output information with a specific timestamp may be determined by the model inference. For example, the specific timestamp may be related with capability information (in model parameters) of the model.

[0162] In the process 300, the network device 301 transmits the output information with the  specific timestamp to the LMF 230. For example, the specific timestamp may be the same as the inference time. For example, the specific timestamp may be a time point before or after the inference time (such as t1+τ1 or t3-τ2 shown in FIG. 6A)

[0163] In the process 300, the LMF 230 may further determine a UE position at 360. In some implementations, multiple outputs / measurements from multiple network devices may be used for positioning, to determine a location of the UE 210.

[0164] According to embodiments with reference to FIGS. 4-6C, an LMF may provide time information for model inference to the network device, and thus the network device deployed with an AI / ML model may determine an inference time based on the time information. As such, different network devices may determine respective inference time based on the same time information from the LMF, and output information for positioning corresponding to a specific timestamp may be determined by respective network devices. The timestampes of different output information from different network devices may be synchronous, and the output information from multiple network devices may be valid for positioning at the LMF. Therefore, the positioning performed by the LMF can be more accurately.

[0165] Reference is further made to FIG. 7, which illustrates a signalling chart illustrating communication process 700 in accordance with some example embodiments of the present disclosure. The process 700 may involve a terminal device 210 and a network device 220 as shown in FIG. 2. For example, the terminal device 210 may be equipped with a motion sensor.

[0166] It is assumed that the terminal device 210 may move over time. The terminal device 210 determines information about a movement of the terminal device 210 at 710. In some implementations, the information may indicate a displacement of the terminal device 210 from a first timestamp to a second timestamp.

[0167] In some implementations, the displacement may include one of the following: a distance offset from a first position at the first timestamp to a second position at the second timestamp, first distance information at a horizontal direction, second distance information at a vertical direction, a direction offset of the first distance information, or information of a reference direction. In some implementations, the information may further include an uncertainty or a confidence of the displacement.

[0168] In the process 700, the terminal device 210 transmits the information about a movement of the terminal device 210 to the network device 220 at 720. In some  implementations, the transmission of the information about the movement may be performed at the second timestamp.

[0169] In some example embodiments, when the terminal device 210 is assigned to monitor the DL RS for model inference data collection, the terminal device 210 measures the RS for timing, power, and / or phase information determination, and optionally estimate and report the displacement. The displacement is a position offset between the current measurement timestamp (asecond timestamp) and the previous measurement timestamp (afirst timestamp) .

[0170] In some examples, the displacement may include one of: horizontal and vertical distances travelled between the current measurement timestamp and the previous measurement timestamp, e.g., with the value range of [0, …, x] and step of 1cm report to the network device; direction (heading) offset of the horizontal displacement measured clockwise, e.g., with the value range of [0, 360] degrees; or a reference direction for the bearing to be determined the direction offset, e.g., geographic north.

[0171] In some examples, if the terminal device 210 connects to a network device at the second timestamp, and the network device is different than another network device the terminal device 210 connects at the first timestamp, the information may be transmitted together with an identity of the measurement.

[0172] In some other examples, the displacement can be provided optionally, depending on UE capability of whether own with the motion sensor. In some examples, the displacement belongs to an attribute of the measurement, and may be reported to the network device 220 with the measurement together.

[0173] In the process 700, the network device 220 determines model input at 730 based on the information about the movement of the terminal device 210.

[0174] FIG. 8 illustrates an example schematic of UE movement 800 in accordance with some example embodiments of the present disclosure. With reference to FIG. 8, the UE may determine and transmit a measurement 1 at location 1 with timestamp 1. The UE may further determine and transmit a measurement 2 at location 2 with timestamp 2, together with a displacement which may be a position offset between location 1 and location 2. In some examples, the measurement 1 may does not provide any displacement. In some examples, the measurement 2 may further provide an uncertainty or confidence of the displacement.

[0175] Generally, a positioning related model may specify the model input as timing, power, and / or phase information, which may be extracted from a UE measurement report. It is  beneficial if the terminal device 210 can provide the moving information associating with the current measurement relative to the previous measurement, by the invocation of motion sensor. According to embodiments with reference to FIGS. 7-8, the terminal device 210 may report its displacement with the measurement (such as CIR) relative to the previous one to assist the network device 220 to determine the valid period of the input, if the terminal device 210 is responsible for measuring the RS and report it to gNB for model input extraction. Therefore, this solution may facilitate assisting the gNB in determining the validity of current input data, thereby reducing the need for air interface measurements.

[0176] FIG. 9 illustrates a flowchart of an example method 900 implemented at a network device in accordance with some embodiments of the present disclosure. For example, the network device may be a network device 220 with a deployed AI / ML model, such as the network device 301 discussed above.

[0177] At block 910, the network device receives, from an LMF, time information for model inference. At block 920, the network device determines an inference time based on the time information. At block 930, the network device performs a model inference at the inference time to determine output information for positioning corresponding to a specific timestamp. At block 940, the network device transmits, to the LMF, the output information for positioning corresponding to the specific timestamp.

[0178] In some example embodiments, the time information comprises a central time of a time window and a time length of the time window, the central time is a specific time point of a resource configuration of a reference signal for positioning. In some example embodiments, the network device determines that the inference time is a time within the time window.

[0179] In some example embodiments, the network device determines that input information of the model is valid at the inference time.

[0180] In some example embodiments, the time length is determined based on: a latency of the model deployed at the network device, or a minimum latency among a plurality of latencies of a plurality of models deployed at a plurality of network devices.

[0181] In some example embodiments, the time information comprises a specific timing set, and the network device determines that the inference time is the specific timing set.

[0182] In some example embodiments, the network device transmits, to the LMF, capability information of the model, wherein the capability information indicates a past or delay time  that the model applies.

[0183] In some example embodiments, the time information comprises a specific time point of a resource configuration of a reference signal for positioning. In some example embodiments, the network device determines that the inference time is one of: the specific time point of the resource configuration of the reference signal, a first time point before or after a gap of the specific time point of the resource configuration of the reference signal, or a second time point within a period during which input information of the model is valid.

[0184] In some example embodiments, the input information is used for multiple times at multiple time points for model inference.

[0185] In some example embodiments, the time information comprises a specific timing set, and the network device determines that the inference time comprises each time point in the specific timing set.

[0186] In some example embodiments, if the output information is failed determined at the specific timing set, the network device transmits failure information to the LMF, wherein the failure information indicates a reason of the failure.

[0187] In some example embodiments, the reason indicates one of: the model is incomplete, or input information is invalid during the specific timing set.

[0188] In some example embodiments, the network device receives, from a terminal device, information about a movement of the terminal device, wherein the information comprises a displacement of the terminal device from a first timestamp to a second timestamp.

[0189] In some example embodiments, the displacement comprises at least one of: a distance offset from a first position at the first timestamp to a second position at the second timestamp, first distance information at a horizontal direction, second distance information at a vertical direction, a direction offset of the first distance information, or information of a reference direction.

[0190] In some example embodiments, the information further comprises an uncertainty or a confidence of the displacement.

[0191] FIG. 10 illustrates a flowchart of an example method 1000 implemented at an LMF in accordance with some embodiments of the present disclosure. For the purpose of discussion, the method 1000 will be described from the perspective of the LMF 230 with reference to FIG. 2.

[0192] At block 1010, the LMF determines time information for model inference. At block 1020, the LMF transmits, to one or more network devices, the time information for model inference, wherein at least one of the one or more network devices is deployed with a model for positioning.

[0193] In some example embodiments, the time information comprises a central time of a time window and a time length of the time window, the central time is a specific time point of a resource configuration of a reference signal for positioning.

[0194] In some example embodiments, the LMF determines the time length of the time window based on a latency of a same model which is deployed at each of multiple network devices. In some example embodiments, the LMF determines the time length of the time window based on a minimum latency among multiple latencies of multiple models which are deployed at multiple network devices respectively.

[0195] In some example embodiments, the time information comprises a time point of a resource configuration of a reference signal for positioning.

[0196] In some example embodiments, the time information comprises a specific timing set.

[0197] In some example embodiments, the LMF receives, from a specific network device of the one or more network devices, capability information of a model deployed at the specific network device, wherein the capability information indicates a past or delay time that the model applies; and the LMF determines the specific timing set at least based on the capability information of the model deployed at the specific network device.

[0198] In some example embodiments, the specific timing set is common for the one or more network devices, or the specific timing set is dedicated to one of the one or more network devices.

[0199] In some example embodiments, the LMF receives, from a first network device of the one or more network devices, output information of a model deployed at the first network device, wherein the output information corresponds a specific timestamp; and the LMF performs positioning for a terminal device based on the output information.

[0200] In some example embodiments, the LMF receives, from a second network device of the one or more network devices, failure information indicating a reason of a failure for determining output information of a model deployed at the second network device.

[0201] In some example embodiments, the reason indicates one of: the model is incomplete,  or input information is invalid during the specific timing set.

[0202] FIG. 11 illustrates a flowchart of an example method 1100 implemented at a terminal device in accordance with some embodiments of the present disclosure. For the purpose of discussion, the method 1100 will be described from the perspective of the terminal device 210 with reference to FIG. 2.

[0203] At block 1110, in accordance with a determination that the terminal device is moved from a first timestamp to a second timestamp, the terminal device determines information about a movement of the terminal device. At block 1120, the terminal device transmits, to network device, the information about the movement of the terminal device, wherein the information indicates a displacement of the terminal device from the first timestamp to the second timestamp.

[0204] In some example embodiments, the displacement comprises at least one of: a distance offset from a first position at the first timestamp to a second position at the second timestamp, first distance information at a horizontal direction, second distance information at a vertical direction, a direction offset of the first distance information, or information of a reference direction.

[0205] In some example embodiments, the information further comprises an uncertainty or a confidence of the displacement.

[0206] Details of some embodiments according to the present disclosure have been described with reference to FIGS. 3-11. Now an example implementation of the terminal device and the network device will be discussed below.

[0207] In some example embodiments, a network device comprises circuitry configured to: receive, from an LMF, time information for model inference; determine an inference time based on the time information; perform a model inference at the inference time to determine output information for positioning corresponding to a specific timestamp; and transmit, to the LMF, the output information for positioning corresponding to the specific timestamp.

[0208] In some example embodiments, the time information comprises a central time of a time window and a time length of the time window, the central time is a specific time point of a resource configuration of a reference signal for positioning, and the network device comprises circuitry configured to: determine that the inference time is a time within the time window.

[0209] In some example embodiments, the network device comprises circuitry configured to:determine that input information of the model is valid at the inference time.

[0210] In some example embodiments, the time length is determined based on: a latency of the model deployed at the network device, or a minimum latency among a plurality of latencies of a plurality of models deployed at a plurality of network devices.

[0211] In some example embodiments, the time information comprises a specific timing set, and the network device comprises circuitry configured to: determine that the inference time is the specific timing set.

[0212] In some example embodiments, the network device comprises circuitry configured to:transmit, to the LMF, capability information of the model, wherein the capability information indicates a past or delay time that the model applies.

[0213] In some example embodiments, the time information comprises a specific time point of a resource configuration of a reference signal for positioning, and the network device comprises circuitry configured to: determine that the inference time is one of: the specific time point of the resource configuration of the reference signal, a first time point before or after a gap of the specific time point of the resource configuration of the reference signal, or a second time point within a period during which input information of the model is valid.

[0214] In some example embodiments, the input information is used for multiple times at multiple time points for model inference.

[0215] In some example embodiments, the time information comprises a specific timing set, and the network device comprises circuitry configured to: determine that the inference time comprises each time point in the specific timing set.

[0216] In some example embodiments, the network device comprises circuitry configured to:in accordance with a determination that the output information is failed determined at the specific timing set, transmit failure information to the LMF, wherein the failure information indicates a reason of the failure.

[0217] In some example embodiments, the reason indicates one of: the model is incomplete, or input information is invalid during the specific timing set.

[0218] In some example embodiments, the network device comprises circuitry configured to:receive, from a terminal device, information about a movement of the terminal device, wherein the information comprises a displacement of the terminal device from a first  timestamp to a second timestamp.

[0219] In some example embodiments, the displacement comprises at least one of: a distance offset from a first position at the first timestamp to a second position at the second timestamp, first distance information at a horizontal direction, second distance information at a vertical direction, a direction offset of the first distance information, or information of a reference direction.

[0220] In some example embodiments, the information further comprises an uncertainty or a confidence of the displacement.

[0221] In some example embodiments, an LMF comprises circuitry configured to: determine time information for model inference; and transmit, to one or more network devices, the time information for model inference, wherein at least one of the one or more network devices is deployed with a model for positioning.

[0222] In some example embodiments, the time information comprises a central time of a time window and a time length of the time window, the central time is a specific time point of a resource configuration of a reference signal for positioning.

[0223] In some example embodiments, the LMF comprises circuitry configured to: determine the time length of the time window based on a latency of a same model which is deployed at each of multiple network devices, or determine the time length of the time window based on a minimum latency among multiple latencies of multiple models which are deployed at multiple network devices respectively.

[0224] In some example embodiments, the time information comprises a time point of a resource configuration of a reference signal for positioning.

[0225] In some example embodiments, the time information comprises a specific timing set.

[0226] In some example embodiments, the LMF comprises circuitry configured to: receive, from a specific network device of the one or more network devices, capability information of a model deployed at the specific network device, wherein the capability information indicates a past or delay time that the model applies; and determine the specific timing set at least based on the capability information of the model deployed at the specific network device.

[0227] In some example embodiments, the specific timing set is common for the one or more network devices, or the specific timing set is dedicated to one of the one or more network devices.

[0228] In some example embodiments, the LMF comprises circuitry configured to: receive, from a first network device of the one or more network devices, output information of a model deployed at the first network device, wherein the output information corresponds a specific timestamp; and perform positioning for a terminal device based on the output information.

[0229] In some example embodiments, the LMF comprises circuitry configured to: receive, from a second network device of the one or more network devices, failure information indicating a reason of a failure for determining output information of a model deployed at the second network device.

[0230] In some example embodiments, the reason indicates one of: the model is incomplete, or input information is invalid during the specific timing set.

[0231] In some example embodiments, a terminal device comprises circuitry configured to: in accordance with a determination that the terminal device is moved from a first timestamp to a second timestamp, determine information about a movement of the terminal device; and transmit, to network device, the information about the movement of the terminal device, wherein the information indicates a displacement of the terminal device from the first timestamp to the second timestamp.

[0232] In some example embodiments, the displacement comprises at least one of: a distance offset from a first position at the first timestamp to a second position at the second timestamp, first distance information at a horizontal direction, second distance information at a vertical direction, a direction offset of the first distance information, or information of a reference direction.

[0233] In some example embodiments, the information further comprises an uncertainty or a confidence of the displacement.

[0234] FIG. 12 illustrates a simplified block diagram of a device 1200 that is suitable for implementing embodiments of the present disclosure. The device 1200 can be considered as a further example implementation of a network device, an LMF, or a terminal device as described above. Accordingly, the device 1200 can be implemented at or as at least a part of the terminal device 210, the network device 220, or the LMF 230 as shown in FIG. 2.

[0235] As shown, the device 1200 includes a processor 1210, a memory 1220 coupled to the processor 1210, a suitable transceiver 1240 coupled to the processor 1210, and a communication interface coupled to the transceiver 1240. The memory 1220 stores at least  a part of a program 1230. The transceiver 1240 may be for bidirectional communications or a unidirectional communication based on requirements. The transceiver 1240 may include at least one of a transmitter and a receiver. The transmitter and the receiver may be functional modules or physical entities. The transceiver 1240 has at least one antenna to facilitate communication, though in practice an Access Node mentioned in this application may have several ones. The communication interface may represent any interface that is necessary for communication with other network elements, such as X2 / Xn interface for bidirectional communications between eNBs / gNBs, S1 / NG interface for communication between a Mobility Management Entity (MME)  / Access and Mobility Management Function (AMF)  / serving gateway (SGW)  / user plane function (UPF) and the eNB / gNB, Un interface for communication between the eNB / gNB and a relay node (RN) , or Uu interface for communication between the eNB / gNB and a terminal device.

[0236] The program 1230 is assumed to include program instructions that, when executed by the associated processor 1210, enable the device 1200 to operate in accordance with the embodiments of the present disclosure, as discussed herein with reference to FIGS. 3-9. The embodiments herein may be implemented by computer software executable by the processor 1210 of the device 1200, or by hardware, or by a combination of software and hardware. The processor 1210 may be configured to implement various embodiments of the present disclosure. Furthermore, a combination of the processor 1210 and memory 1220 may form processing means 1250 adapted to implement various embodiments of the present disclosure.

[0237] The memory 1220 may be of any type suitable to the local technical network and may be implemented using any suitable data storage technology, such as a non-transitory computer readable storage medium, semiconductor-based memory devices, magnetic memory devices and systems, optical memory devices and systems, fixed memory and removable memory, as non-limiting examples. While only one memory 1220 is shown in the device 1200, there may be several physically distinct memory modules in the device 1200. The processor 1210 may be of any type suitable to the local technical network, and may include one or more of general purpose computers, special purpose computers, microprocessors, digital signal processors (DSPs) and processors based on multicore processor architecture, as non-limiting examples. The device 1200 may have multiple processors, such as an application specific integrated circuit chip that is slaved in time to a clock which synchronizes the main processor.

[0238] In summary, embodiments of the present disclosure may provide the following solutions.

[0239] The present disclosure provides a network device, comprising at least one processor configured to cause the network device at least to: receive, from an LMF, time information for model inference; determine an inference time based on the time information; perform a model inference at the inference time to determine output information for positioning corresponding to a specific timestamp; and transmit, to the LMF, the output information for positioning corresponding to the specific timestamp.

[0240] In one embodiment, the network device as above, the time information comprises a central time of a time window and a time length of the time window, the central time is a specific time point of a resource configuration of a reference signal for positioning, and wherein the at least one processor is configured to cause the network device to determine the inference time by: determining that the inference time is a time within the time window.

[0241] In one embodiment, the network device as above, the at least one processor is further configured to cause the network device to: determine that input information of the model is valid at the inference time.

[0242] In one embodiment, the network device as above, the time length is determined based on: a latency of the model deployed at the network device, or a minimum latency among a plurality of latencies of a plurality of models deployed at a plurality of network devices.

[0243] In one embodiment, the network device as above, the time information comprises a specific timing set, and wherein the at least one processor is configured to cause the network device to determine the inference time by: determining that the inference time is the specific timing set.

[0244] In one embodiment, the network device as above, the at least one processor is further configured to cause the network device to: transmit, to the LMF, capability information of the model, wherein the capability information indicates a past or delay time that the model applies.

[0245] In one embodiment, the network device as above, the time information comprises a specific time point of a resource configuration of a reference signal for positioning, and wherein the at least one processor is configured to cause the network device to determine the inference time by: determining that the inference time is one of: the specific time point of the  resource configuration of the reference signal, a first time point before or after a gap of the specific time point of the resource configuration of the reference signal, or a second time point within a period during which input information of the model is valid.

[0246] In one embodiment, the network device as above, the input information is used for multiple times at multiple time points for model inference.

[0247] In one embodiment, the network device as above, the time information comprises a specific timing set, and wherein the at least one processor is configured to cause the network device to determine the inference time by: determining that the inference time comprises each time point in the specific timing set.

[0248] In one embodiment, the network device as above, the at least one processor is further configured to cause the network device to: in accordance with a determination that the output information is failed determined at the specific timing set, transmit failure information to the LMF, wherein the failure information indicates a reason of the failure.

[0249] In one embodiment, the network device as above, the reason indicates one of: the model is incomplete, or input information is invalid during the specific timing set.

[0250] In one embodiment, the network device as above, the at least one processor is further configured to cause the network device to: receive, from a terminal device, information about a movement of the terminal device, wherein the information comprises a displacement of the terminal device from a first timestamp to a second timestamp.

[0251] In one embodiment, the network device as above, the displacement comprises at least one of: a distance offset from a first position at the first timestamp to a second position at the second timestamp, first distance information at a horizontal direction, second distance information at a vertical direction, a direction offset of the first distance information, or information of a reference direction.

[0252] In one embodiment, the network device as above, the information further comprises an uncertainty or a confidence of the displacement.

[0253] The present disclosure provides an LMF, comprising at least one processor configured to cause the LMF at least to: determine time information for model inference; and transmit, to one or more network devices, the time information for model inference, wherein at least one of the one or more network devices is deployed with a model for positioning.

[0254] In one embodiment, the LMF as above, the time information comprises a central  time of a time window and a time length of the time window, the central time is a specific time point of a resource configuration of a reference signal for positioning.

[0255] In one embodiment, the LMF as above, the at least one processor is further configured to cause the LMF to: determine the time length of the time window based on a latency of a same model which is deployed at each of multiple network devices, or determine the time length of the time window based on a minimum latency among multiple latencies of multiple models which are deployed at multiple network devices respectively.

[0256] In one embodiment, the LMF as above, the time information comprises a time point of a resource configuration of a reference signal for positioning.

[0257] In one embodiment, the LMF as above, the time information comprises a specific timing set.

[0258] In one embodiment, the LMF as above, the at least one processor is further configured to cause the LMF to: receive, from a specific network device of the one or more network devices, capability information of a model deployed at the specific network device, wherein the capability information indicates a past or delay time that the model applies; and determine the specific timing set at least based on the capability information of the model deployed at the specific network device.

[0259] In one embodiment, the LMF as above, the specific timing set is common for the one or more network devices, or the specific timing set is dedicated to one of the one or more network devices.

[0260] In one embodiment, the LMF as above, the at least one processor is further configured to cause the LMF to: receive, from a first network device of the one or more network devices, output information of a model deployed at the first network device, wherein the output information corresponds a specific timestamp; and perform positioning for a terminal device based on the output information.

[0261] In one embodiment, the LMF as above, the at least one processor is further configured to cause the LMF to: receive, from a second network device of the one or more network devices, failure information indicating a reason of a failure for determining output information of a model deployed at the second network device.

[0262] In one embodiment, the LMF as above, the reason indicates one of: the model is incomplete, or input information is invalid during the specific timing set.

[0263] The present disclosure provides a terminal device, comprising at least one processor configured to cause the terminal device at least to: in accordance with a determination that the terminal device is moved from a first timestamp to a second timestamp, determine information about a movement of the terminal device; and transmit, to network device, the information about the movement of the terminal device, wherein the information indicates a displacement of the terminal device from the first timestamp to the second timestamp.

[0264] In one embodiment, the terminal device as above, the displacement comprises at least one of: a distance offset from a first position at the first timestamp to a second position at the second timestamp, first distance information at a horizontal direction, second distance information at a vertical direction, a direction offset of the first distance information, or information of a reference direction.

[0265] In one embodiment, the terminal device as above, the information further comprises an uncertainty or a confidence of the displacement.

[0266] The present disclosure provides a method of communication, comprising the operations implemented at the network device discussed above. The present disclosure provides a method of communication, comprising the operations implemented at the LMF discussed above. The present disclosure provides a method of communication, comprising the operations implemented at the terminal device discussed above.

[0267] The present disclosure provides a network device, comprising: a processor; and a memory storing computer program codes; the memory and the computer program codes configured to, with the processor, cause the network device to perform the method implemented at the network device discussed above.

[0268] The present disclosure provides an LMF, comprising: a processor; and a memory storing computer program codes; the memory and the computer program codes configured to, with the processor, cause the LMF to perform the method implemented at the LMF discussed above.

[0269] The present disclosure provides a terminal device, comprising: a processor; and a memory storing computer program codes; the memory and the computer program codes configured to, with the processor, cause the terminal device to perform the method implemented at the terminal device discussed above.

[0270] The present disclosure provides a non-transient computer readable medium having instructions stored thereon, the instructions, when executed by a processor of an apparatus,  causing the apparatus to perform the method implemented at a network device, an LMF, or a terminal device discussed above.

[0271] The present disclosure provides a computer program product having instructions stored thereon, the instructions, when executed by a processor of an apparatus, causing the apparatus to perform the method implemented at a network device, an LMF, or a terminal device discussed above.

[0272] Generally, various embodiments of the present disclosure may be implemented in hardware or special purpose circuits, software, logic or any combination thereof. Some aspects may be implemented in hardware, while other aspects may be implemented in firmware or software which may be executed by a controller, microprocessor or other computing device. While various aspects of embodiments of the present disclosure are illustrated and described as block diagrams, flowcharts, or using some other pictorial representation, it will be appreciated that the blocks, apparatus, systems, techniques or methods described herein may be implemented in, as non-limiting examples, hardware, software, firmware, special purpose circuits or logic, general purpose hardware or controller or other computing devices, or some combination thereof.

[0273] The present disclosure also provides at least one computer program product tangibly stored on a non-transitory computer readable storage medium. The computer program product includes computer-executable instructions, such as those included in program modules, being executed in a device on a target real or virtual processor, to carry out the process or method as described above. Generally, program modules include routines, programs, libraries, objects, classes, components, data structures, or the like that perform particular tasks or implement particular abstract data types. The functionality of the program modules may be combined or split between program modules as desired in various embodiments. Machine-executable instructions for program modules may be executed within a local or distributed device. In a distributed device, program modules may be located in both local and remote storage media.

[0274] Program code for carrying out methods of the present disclosure may be written in any combination of one or more programming languages. These program codes may be provided to a processor or controller of a general purpose computer, special purpose computer, or other programmable data processing apparatus, such that the program codes, when executed by the processor or controller, cause the functions / operations specified in the  flowcharts and / or block diagrams to be implemented. The program code may execute entirely on a machine, partly on the machine, as a stand-alone software package, partly on the machine and partly on a remote machine or entirely on the remote machine or server.

[0275] The above program code may be embodied on a machine readable medium, which may be any tangible medium that may contain, or store a program for use by or in connection with an instruction execution system, apparatus, or device. The machine readable medium may be a machine readable signal medium or a machine readable storage medium. A machine readable medium may include but not limited to an electronic, magnetic, optical, electromagnetic, infrared, or semiconductor system, apparatus, or device, or any suitable combination of the foregoing. More specific examples of the machine readable storage medium would include an electrical connection having one or more wires, a portable computer diskette, a hard disk, a random access memory (RAM) , a read-only memory (ROM) , an erasable programmable read-only memory (EPROM or Flash memory) , an optical fiber, a portable compact disc read-only memory (CD-ROM) , an optical storage device, a magnetic storage device, or any suitable combination of the foregoing.

[0276] Further, while operations are depicted in a particular order, this should not be understood as requiring that such operations be performed in the particular order shown or in sequential order, or that all illustrated operations be performed, to achieve desirable results. In certain circumstances, multitasking and parallel processing may be advantageous. Likewise, while several specific implementation details are contained in the above discussions, these should not be construed as limitations on the scope of the present disclosure, but rather as descriptions of features that may be specific to particular embodiments. Certain features that are described in the context of separate embodiments may also be implemented in combination in a single embodiment. Conversely, various features that are described in the context of a single embodiment may also be implemented in multiple embodiments separately or in any suitable sub-combination.

[0277] Although the present disclosure has been described in language specific to structural features and / or methodological acts, it is to be understood that the present disclosure defined in the appended claims is not necessarily limited to the specific features or acts described above. Rather, the specific features and acts described above are disclosed as example forms of implementing the claims.

Claims

1.A network device deployed with a model for positioning, comprising at least one processor configured to cause the network device at least to:receive, from a location management function (LMF) , time information for model inference;determine an inference time based on the time information;perform a model inference at the inference time to determine output information for positioning corresponding to a specific timestamp; andtransmit, to the LMF, the output information for positioning corresponding to the specific timestamp.2.The network device of claim 1, wherein the time information comprises a central time of a time window and a time length of the time window, the central time is a specific time point of a resource configuration of a reference signal for positioning, andwherein the at least one processor is configured to cause the network device to determine the inference time by:determining that the inference time is a time within the time window.3.The network device of claim 2, wherein the at least one processor is further configured to cause the network device to:determine that input information of the model is valid at the inference time.4.The network device of claim 2, wherein the time length is determined based on:a latency of the model deployed at the network device, ora minimum latency among a plurality of latencies of a plurality of models deployed at a plurality of network devices.5.The network device of claim 1, wherein the time information comprises a specific timing set, andwherein the at least one processor is configured to cause the network device to determine the inference time by:determining that the inference time is the specific timing set; ordetermining that the inference time comprises each time point in the specific timing set.6.The network device of claim 5, wherein the at least one processor is further configured to cause the network device to:transmit, to the LMF, capability information of the model, wherein the capability information indicates a past or delay time that the model applies.7.The network device of claim 1, wherein the time information comprises a specific time point of a resource configuration of a reference signal for positioning, andwherein the at least one processor is configured to cause the network device to determine the inference time by:determining that the inference time is one of:the specific time point of the resource configuration of the reference signal,a first time point before or after a gap of the specific time point of the resource configuration of the reference signal, ora second time point within a period during which input information of the model is valid.8.The network device of claim 4, wherein the at least one processor is further configured to cause the network device to:in accordance with a determination that the output information is failed determined at the specific timing set, transmit failure information to the LMF, wherein the failure information indicates a reason of the failure.9.The network device of claim 1, wherein the at least one processor is further configured to cause the network device to:receive, from a terminal device, information about a movement of the terminal device, wherein the information comprises a displacement of the terminal device from a first timestamp to a second timestamp.10.The network device of claim 9, wherein the displacement comprises at least one of:a distance offset from a first position at the first timestamp to a second position at the second timestamp,first distance information at a horizontal direction,second distance information at a vertical direction,a direction offset of the first distance information, orinformation of a reference direction.11.The network device of claim 9, wherein the information further comprises an uncertainty or a confidence of the displacement.12.A location management function (LMF) comprising at least one processor configured to cause the LMF at least to:determine time information for model inference; andtransmit, to one or more network devices, the time information for model inference, wherein at least one of the one or more network devices is deployed with a model for positioning.13.The LMF of claim 12, wherein the time information comprises one of:a central time of a time window and a time length of the time window, the central time is a specific time point of a resource configuration of a reference signal for positioning,a time point of a resource configuration of a reference signal for positioning, ora specific timing set.14.The LMF of claim 13, wherein the at least one processor is further configured to cause the LMF to:receive, from a specific network device of the one or more network devices, capability information of a model deployed at the specific network device, wherein the capability information indicates a past or delay time that the model applies; anddetermine the specific timing set at least based on the capability information of the model deployed at the specific network device.15.The LMF of claim 13, wherein the specific timing set is common for the one or more network devices, or the specific timing set is dedicated to one of the one or more network devices.16.The LMF of claim 12, wherein the at least one processor is further configured  to cause the LMF to:receive, from a first network device of the one or more network devices, output information of a model deployed at the first network device, wherein the output information corresponds a specific timestamp; andperform positioning for a terminal device based on the output information.17.The LMF of claim 12, wherein the at least one processor is further configured to cause the LMF to:receive, from a second network device of the one or more network devices, failure information indicating a reason of a failure for determining output information of a model deployed at the second network device,wherein the reason indicates one of: the model is incomplete, or input information is invalid during the specific timing set.18.A terminal device comprising at least one processor configured to cause the terminal device at least to:in accordance with a determination that the terminal device is moved from a first timestamp to a second timestamp, determine information about a movement of the terminal device; andtransmit, to network device, the information about the movement of the terminal device, wherein the information indicates a displacement of the terminal device from the first timestamp to the second timestamp.19.The terminal device of claim 18, wherein the displacement comprises at least one of:a distance offset from a first position at the first timestamp to a second position at the second timestamp,first distance information at a horizontal direction,second distance information at a vertical direction,a direction offset of the first distance information, orinformation of a reference direction.20.The terminal device of claim 18, wherein the information further comprises an uncertainty or a confidence of the displacement.

Images