Devices, methods, and medium for communication

Abstract

Example embodiments of the present disclosure relate to devices, methods, and computer storage medium for communication. A terminal device generates at least a first positioning model based on first training data with a first set of associated IDs for training data. The terminal device further obtains inference data with a second set of associated IDs for inference data, and determines a consistency between the inference data and the first training data based on the first set of associated IDs for training data and the second set of associated IDs for inference data. Accordingly, a model output may be determined based on at least part of the inference data using the first positioning model. As such, a consistency between the inference data and the first training data can be determined based on associated IDs, and thus a good performance of the positioning model can be ensured.

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 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 (5G-A) . AI / ML based mechanism to improve the positioning accuracy is one of the use cases to apply AI / ML in air interface.

[0003] A consistency between training data and inference data is critical to ensure the good performance for a trained model. In case the AI / ML positioning model is deployed at UE side, and the training data is provided by another device, how to enable the consistency between training data and inference data should be 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 terminal device. The terminal device comprises at least one processor configured to cause the terminal device at least to: generate at least one positioning model using training data, wherein a first positioning model is generated based on first training data collected associated with a first set of network devices, and each network device in the first set of network device has a corresponding associated identity (ID) for training data; obtain inference data collected associated with a second set of network devices, and each network device in the second set of network devices has a corresponding associated ID for inference data; in accordance with a determination that a first set of associated IDs for training data and a second set of associated IDs for inference data meet a criterion, determine a model output based on at least part of the inference data using the first positioning model;  and transmit, to a location server, output information comprising the model output, wherein for a specific network device, different associated IDs correspond to different additional conditions, and additional conditions at any network device are unknown to the terminal device.

[0006] In a second aspect, there is provided a location server. The location server comprises at least one processor configured to cause the location server at least to: receive, from each of a plurality of network devices, a first message comprising a corresponding data collection related configuration; and transmit, to a terminal device, a configuration message comprising a data collection related configuration and a corresponding associated ID for training data for each network device in the plurality of network devices.

[0007] In a third aspect, there is provided a network device. The network device comprises at least one processor configured to cause the network device at least to: transmit, to a location server, a first message comprising a data collection related configuration, wherein the first message further comprises at least one of: an associated ID, or additional conditions; and transmit, to a terminal device, a positioning signal for data collection.

[0008] In a fourth aspect, there is provided a method of communication performed by a terminal device. The method comprises: generating, at a terminal device, at least one positioning model using training data, wherein a first positioning model is generated based on first training data collected associated with a first set of network devices, and each network device in the first set of network device has a corresponding associated ID for training data; obtaining inference data collected associated with a second set of network devices, and each network device in the second set of network devices has a corresponding associated ID for inference data; in accordance with a determination that a first set of associated IDs for training data and a second set of associated IDs for inference data meet a criterion, determining a model output based on at least part of the inference data using the first positioning model; and transmitting, to a location server, output information comprising the model output, wherein for a specific network device, different associated IDs correspond to different additional conditions, and additional conditions at any network device are unknown to the terminal device.

[0009] In a fifth aspect, there is provided a method of communication performed by a location server. The method comprises: receiving, at a location server from each of a plurality of network devices, a first message comprising a corresponding data collection  related configuration; and transmitting, to a terminal device, a configuration message comprising a data collection related configuration and a corresponding associated ID for training data for each network device in the plurality of network devices.

[0010] In a sixth aspect, there is provided a method of communication performed by a location server. The method comprises: transmitting, at a network device to a location server, a first message comprising a data collection related configuration, wherein the first message further comprises at least one of: an associated ID, or additional conditions; and transmitting, to a terminal device, a positioning signal for data collection.

[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, cause 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 an example communication network in which some embodiments of the present disclosure can be implemented;

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

[0016] FIG. 2 illustrates a signalling chart illustrating a communication process in accordance with some example embodiments of the present disclosure;

[0017] FIG. 3A illustrates options 1-3 for a process of determining or obtaining the data collection related configuration and associated ID for each network device in accordance with some example embodiments of the present disclosure;

[0018] FIG. 3B illustrates a process of collecting the first training data by the PRU or non-PRU UE in accordance with some example embodiments of the present disclosure;

[0019] FIGS. 4A-4B illustrate some examples of the first set of TRPs and the second set of TRPs in accordance with some example embodiments of the present disclosure;

[0020] FIGS. 4C-4D illustrate some examples for selecting a positioning model in accordance with some example embodiments of the present disclosure;

[0021] FIGS. 5A-5C illustrate some examples of the first set of TRPs and the second set of TRPs in accordance with some example embodiments of the present disclosure;

[0022] FIG. 6 illustrates an example of the joint ID in accordance with some example embodiments of the present disclosure;

[0023] FIG. 7 illustrates a flowchart of an example method implemented at a terminal device in accordance with some embodiments of the present disclosure;

[0024] FIG. 8 illustrates a flowchart of an example method implemented at a location server in accordance with some embodiments of the present disclosure;

[0025] FIG. 9 illustrates a flowchart of an example method implemented at a network device in accordance with some embodiments of the present disclosure; and

[0026] FIG. 10 illustrates a simplified block diagram of a device that is suitable for implementing embodiments of the present disclosure.

[0027] Throughout the drawings, the same or similar reference numerals represent the same or similar element.DETAILED DESCRIPTION

[0028] 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.

[0029] 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.

[0030] 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.

[0031] 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.

[0032] 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.

[0033] 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.

[0034] As used herein, the term “communication network” refers to a network following any suitable communication standards or technologies, such as New Radio (NR) , Long Term Evolution (LTE) , LTE-Advanced (LTE-A) , 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) , cdma2000, Wideband Code Division Multiple Access (WCDMA) , High-Speed Packet  Access (HSPA) , Global System for Mobile Communications (GSM) , 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, beyond 5G (B5G) , the sixth generation (6G) communication protocols, wireless local network communication protocols such as Institute for Electrical and Electronics Engineers (IEEE) 802.11 and the like, and / or any other protocols either currently known or to be developed in the future. 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. 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.

[0035] 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.

[0036] 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, an 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.

[0037] As used herein, the term “TRP” may refer to an antenna port or an antenna array (with one or more antenna elements) available to the network device located at a specific geographical location, or a set of geographically co-located antennas (e.g. antenna array (with one or more antenna elements) ) supporting transmission point (TP) and / or reception point (RP) functionality. For example, a network device may be coupled with multiple TRPs in different geographical locations to achieve better coverage. Alternatively, or in addition, multiple TRPs may be incorporated into a network device, or in other words, the network device may comprise the multiple TRPs. The term “TRP” may be also referred to as a cell, such as a macro-cell, a micro-cell, a small cell, a pico-cell, a femto-cell, a remote radio head, a relay node, a gNB, etc. It is to be understood that the term “TRP” may refer to a logical concept which may be physically implemented by various manners. There may be an explicit TRP identification for a TRP.

[0038] 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 (MN) and the other one may be a secondary node (SN) . 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.

[0039] The terminal device or the network device may have Artificial intelligence (AI) or machine learning 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.

[0040] The terminal device or the network device may work on several frequency ranges, e.g. frequency range 1 (FR1) (410 MHz –7125 MHz) , frequency range 2 (FR2) (24.25GHz to 71GHz) , frequency band larger than 100GHz 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.

[0041] 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.

[0042] 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 1G, 2G, 2.5G, 2.75G, 3G, 4G, 4.5G, 5G, 5.5G, 5G-Advanced networks, or 6G networks.

[0043] 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.

[0044] 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.

[0045] 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.

[0046] 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.

[0047] 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, an associated ID, or a dataset ID. As a result, the above terms may be used interchangeably. An “ID” may refer to an identifier, an identity, an identification, etc.

[0048] 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.

[0049] 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.

[0050] 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., layer 1 (L1) -reference signal received power (RSRP) , L1-signal to interference plus noise ratio (SINR) ) of a set of beams of a set of candidate cells.

[0051] 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.

[0052] 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.

[0053] In some embodiments, “ground truth” , “ground truth label” , “ground truth label of data” , “input label” , “input data” and “data” can be used interchangeably.

[0054] In some embodiments, “target UE” , “UE deployed with AI / ML model” , and “UE with UE-side model” can be used interchangeably.

[0055] In some embodiments, a ground truth label of data (or ground-truth label) for monitoring or training the ML model (i.e., AI output) may refers to the authoritative, accepted data, or true answer or outcome for AI / ML model.

[0056] In some embodiments, the ground truth can be interpreted as actual / factual (i.e. actual / factual measured) data / values / results / collections / parameters, which can be used as reference, compared to prediction or inference.

[0057] In some embodiments, the positioning reference unit (PRU) is a normal terminal device with known location at some network device (e.g., a location server or gNB) .

[0058] In some embodiments, “TRP’s additional conditions” , “TRP side additional conditions” , “gNB’s additional conditions” , “gNB side additional conditions” , and “network side additional conditions” can be used interchangeably.

[0059] AI / ML techniques play a significant role in enhancing the accuracy and reliability of positioning, which is particularly useful in indoor environments where global position system (GPS) signals might be weak or unavailable.

[0060] An AI / ML model may be deployed at a terminal device (such as a UE) , a network device (such as one or more gNBs or TRPs) , or a core network entity (such as a location management function (LMF) ) . The AI / ML model may be used for positioning, e.g. determining a positon (or location) of a UE. Some cases (case 1, case 2b, and case 3b below) are discussed as direct AI / ML positioning, and some other cases (case 2a, and case 3a below)  are discussed as AI / ML assisted positioning:

[0061] · Case 1: UE-based positioning with UE-side model, direct AI / ML positioning.

[0062] · Case 2b: UE-assisted / LMF-based positioning with LMF-side model, direct AI / ML positioning.

[0063] · Case 3b: NG-RAN node assisted positioning with LMF-side model, direct AI / ML positioning.

[0064] · Case 2a: UE-assisted / LMF-based positioning with UE-side model, AI / ML assisted positioning.

[0065] · Case 3a: NG-RAN node assisted positioning with gNB-side model, AI / ML assisted positioning.

[0066] An enhancement for AI / ML based positioning accuracy has been agreed as a work item (WI) in release 19. An AI / ML model can be deployed at UE side, gNB side, or LMF side. A model input may be integrated information of timing, power and phase, such as channel impulse response (CIR) , power delay profile (PDP) , or delay of path (DP) . A model output may be a UE location (i.e., direct AI / ML positioning) or an intermediate measurement (i.e., AI / ML assisted positioning) .

[0067] For an AI / ML assisted positioning, the candidate output may include a light of sight (LOS) or non-line of sight (NLOS) indicator, or timing information like reference signal time difference (RSTD) , downlink reference signal time of arrival (DL-RTOA) , or UE Rx-Tx time difference for DL positioning, or uplink reference signal time of arrival (UL-RTOA) or gNB Rx-Tx time difference for UL positioning.

[0068] For a model targeting for positioning cases specified in 3GPP, it has demonstrated that the generalization of a model affects the positioning accuracy heavily. Therefore, it must consider the consistency between model training and model inference, i.e., the data for inference should be consistent with the data for training this model. The additional conditions at network side may be changed, for example, the additional conditions when generating inference data are different from that when generating training data. However, the additional conditions are unknown to the UE, and thus how to achieve the consistency between training and inference for UE side model should be studied.

[0069] Embodiments of the present disclosure provide a solution of communication. In the solution, a terminal device generates at least a first positioning model based on first training data with a first set of associated IDs for training data. The terminal device further  obtains inference data with a second set of associated IDs for inference data, and determines a consistency between the inference data and the first training data based on the first set of associated IDs for training data and the second set of associated IDs for inference data. Accordingly, a model output may be determined based on at least part of the inference data using the first positioning model. As such, a consistency between the inference data and the first training data can be determined based on associated IDs, and thus a good performance of the positioning model can be ensured. Principles and implementations of the present disclosure will be described in detail below with reference to the figures.

[0070] FIG. 1A illustrates an example communication network 100 in which some embodiments of the present disclosure can be implemented. The communication network 100 may also be called as a network environment, a network system, a communication environment, a communication system, or the like, the present disclosure does not limit for this aspect. The communication network 100 includes a terminal device 110, multiple network devices 120-1 to 120-N, and an LMF 130. It should be appreciated that the LMF 130 may be a location server, which is located in the access network or in a core network.

[0071] In the present disclosure, there may be at least one positioning model deployed at the terminal device 110, for example, the terminal device 110 may also be referred to as a target terminal device or a target UE or a target device.

[0072] The multiple network devices 120-1 to 120-N (N is a positive integer, e.g. N≥3) may be separately or collectively be referred to as a network device 120, which may be a gNB or a TRP. For example, N may equal to 18 or another integer.

[0073] In some examples, one of the network devices 120-1 to 120-N may be a serving network device (e.g., a serving gNB) of the terminal device 110, which can control and manage other network devices 120 (e.g., one or more TRPs) . In some other examples, there may be an independent serving gNB of the terminal device 110 which is different from any of the multiple TRPs.

[0074] In the communication network 100, the network device 120 can communicate / transmit data and control information to the terminal device 110, and the terminal device 110 can also communicate / transmit data and control information to the network device 120. A link from the network device 120 to the terminal device 110 is referred to as a DL, while a link from the terminal device 110 to the network device 120 is referred to as a 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.

[0075] In the communication network 100, the terminal device 110 can communicate with the LMF 130 according to any proper communication protocol, such as an LTE positioning protocol (LPP) . In the communication network 100, the network device 120 can communicate with the LMF 130 according to any proper communication protocol, such as an NR positioning protocol A (NRPPa) . It is to be understood that other protocol may also be applied and will not be listed herein.

[0076] 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.

[0077] It is to be understood that the numbers of devices (i.e., the terminal devices 110 and the network device 120) and their connection relationships and types shown in FIG. 1A are only for the purpose of illustration without suggesting any limitation. The communication network 100 may include any suitable numbers of devices adapted for implementing embodiments of the present disclosure. The communication network 100 may include one or more entities which are not shown in FIG. 1A. For example, the communication network 100 may further include a PRU 140 at a known location, which can perform positioning measurements and report these measurements to a location server such as the LMF 130. In some implementations, the PRU 140 can communicate with the LMF 130 in a manner similar as that of the terminal device 110 and the LMF 130, e.g., according to any proper communication protocol, such as LPP. It is to be noted that the PRU may be with a different  name, such as a positioning-assisted-UE, and the present disclosure does not limit for this aspect.

[0078] It is to be understood that although the terminal device 110 and the PRU 140 is illustrated as a mobile phone in FIG. 1A, the type of the terminal device 110 or the PRU 140 can be another type and the present disclosure does not limit for this aspect.

[0079] 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, which is shown in FIG. 1D and FIG. 1E. 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 is the UE location or N sets of values, one for each of the N TRPs, which is shown in FIG. 1B and FIG. 1C.

[0080] In some cases, three constructions may be evaluated for the AI / ML assisted positioning: Single-TRP, same model for N TRPs; Single-TRP, N models for N TRPs; and Multi-TRP (i.e., one model for N TRPs) .

[0081] 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 AI / ML assisted 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 AI / ML assisted positioning with multi-TRP construction for model input, FIG. 1D illustrates an example schematic of AI / ML assisted positioning with single-TRP construction for model input and one same model for N TRPs, and FIG. 1E illustrates an example schematic of AI / ML assisted positioning with single-TRP construction and N different models for N TRPs.

[0082] As shown in FIGS. 1C-1E, the AI / ML assisted positioning can be applied using input data (such as CIR, PDP, or DP) associated with one single TRP or multiple TRPs. 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.

[0083] For an AI / ML-enabled feature, additional conditions refer to any aspects that are  assumed for the training of the model but are not a part of UE capability for the AI / ML-enabled feature. It does not imply that additional conditions are necessarily specified. Additional conditions can be divided into two categories: NW-side additional conditions and UE-side additional conditions.

[0084] For inference for UE-side models, to ensure consistency between training and inference regarding NW-side additional conditions, the following options can be taken as potential approaches:

[0085] - Model identification to achieve alignment on the NW-side additional condition between NW-side and UE-side;

[0086] - Model training at NW and transfer to UE, where the model has been trained under the additional condition;

[0087] - Information and / or indication on NW-side additional conditions is provided to UE;

[0088] - Consistency assisted by monitoring (by UE and / or NW, the performance of UE-side candidate models / functionalities to select a model / functionality) ;

[0089] - Other approaches are not precluded.

[0090] For UE-side model, any change in NW-side additional conditions may be a source of inconsistency for the model. Therefore, aligning the NW-side additional conditions among training and inference is important to ensure the consistency for UE side model. However, the NW-side additional conditions may be regarded as proprietary information of the NW vendor, which is not shared with the UE or other entities.

[0091] Associated ID can be designated to implicitly indicate whether the NW-side additional conditions are varying between training data and inference data. Regarding the associated ID for Rel-19, the UE assumes that NW-side additional conditions with the same associated ID are consistent at least within a cell. However, details about the consistency based on the associated ID should be further studied.

[0092] In the present disclosure, “AI / ML model” is a data driven algorithm that applies AI / ML techniques to generate a set of outputs based on a set of inputs; “data collection” is a process of collecting data by the network nodes, management entity, or UE for the purpose of AI / ML model training, data analytics and inference; “model training” is a process to train an AI / ML Model by learning the input / output relationship in a data driven manner and obtain the trained AI / ML Model for inference; “model inference” is a process of using a trained  AI / ML model to produce a set of outputs based on a set of inputs; and “UE side model” means an AI / ML model whose inference is performed entirely at the UE.

[0093] In the present disclosure, an entity for transmitting a PRS may be interchangeably used with one of: a TRP, a gNB, a network device, a PRS, a reference TRP, a reference PRS, a reference entity, etc., and the present disclosure does not limit for this aspect.

[0094] In the present disclosure, a term “associated ID” is used. An associated ID may be related with or correspond to one or a set of additional conditions at a network device (such as a gNB or TRP) . Different associated IDs may correspond to different additional conditions at least for a specific TRP. For instance, antenna information may be one of the additional conditions.

[0095] Reference is further made to FIG. 2, which illustrates a signalling chart illustrating communication process 200 in accordance with some example embodiments of the present disclosure. The process 200 may involve a terminal device 110, a network device 120 (such as gNB / TRP) , and an LMF 130 with reference to FIG. 1A. The process 200 may also involve a PRU or a non-PRU UE 290. It would be appreciated that the process 200 may be applied to other communication scenarios, which will not be described in detail.

[0096] The terminal device 110 is deployed with at least one positioning model, for example, the positioning model may be trained using training data. In some examples, the positioning model is deployed at UE side, which may be applied for above-mentioned Case 1: UE-based positioning with UE-side model, direct AI / ML positioning; or Case 2a: UE-assisted / LMF-based positioning with UE-side model, AI / ML assisted positioning.

[0097] In the process 200, the terminal device 110 generates at least one positioning model using training data at 210. The training data may be collected by the terminal device 110 or may be provided from another device (such as LMF 130, PRU 140, or a non-PRU UE) to the terminal device 110. For example, as illustrated, the PRU or non-PRU UE 290 may be a training data collection device.

[0098] For ease of description, the at least one positioning model includes a first positioning model, which is trained by using first training data. The first training data may be collected associated with a first set of network devices, and each network device in the first set of network device has a corresponding associated ID for training data.

[0099] As illustrated in FIG. 2, in alternative 1, the LMF 130 transmits, and the terminal device 110 receives, data collection related configuration and associated ID corresponding to  each network device at 201, in addition, the terminal device 110 may collect the first training data at 202 accordingly. There may be multiple different options for the LMF 130 to determine or obtain the data collection related configuration and associated ID for each network device, examples of which are illustrated in FIG. 3A, which illustrates options 1-3 for a process 310 of determining or obtaining the data collection related configuration and associated ID for each network device. In some implementations, an associated ID for training data may be determined by a corresponding network device, or may be assigned by the LMF 130.

[0100] In option 1, each network device 120 (e.g., each gNB / TRP in a first set of network devices) may transmit its data collection related configuration and a corresponding associated ID to the LMF 130 at 311. For example, each gNB / TRP may transmit the data collection related configuration and an associated ID to the LMF 130 via an NRPPa message. For example, each gNB / TRP may determine (or generate) its associated ID according to its additional condition (s) . The LMF 130 and the terminal device 110 are unaware of any gNB’s additional conditions explicitly or implicitly. In some examples, different network devices may determine (or generate) their associated IDs respectively or independently.

[0101] In some examples, the LMF 130 may transmit a configuration to the terminal device 110, and the configuration may be included in an LPP message. For example, the configuration may include the data collection related configuration and an associated ID for each network device.

[0102] In some examples, the terminal device 110 may collect the first training data corresponding to these data collection related configurations, and the first training data may be labeled with associated IDs, which may be called as a first set of associated IDs for training data.

[0103] It is understood that the associated ID for a network device is determined by the network device itself in option 1, and additional conditions of a network device are not provided to the LMF 130 or any other device.

[0104] In option 2, the LMF 130 may transmit a mapping relationship to each network device at 321, where the mapping relationship maps different associated IDs to different additional conditions. For example, the LMF 130 may transmit a mapping relationship to a gNB / TRP which may be involved in training data collection or in inference data collection.

[0105] In addition, each network device 120 (e.g., each gNB / TRP in a first set of network  devices) may transmit its data collection related configuration and a corresponding associated ID to the LMF 130 at 322. For example, an NRPPa message may be used for the transmission. For example, a network device 120 may determine the associated ID based on its additional conditions according to the mapping relationship.

[0106] In some examples, the LMF 130 may transmit a configuration to the terminal device 110, and the configuration may be included in an LPP message. For example, the configuration may include the data collection related configuration and an associated ID for each network device.

[0107] In some examples, the terminal device 110 may collect the first training data corresponding to these data collection related configurations, and the first training data may be labeled with associated IDs, which may be called as a first set of associated IDs for training data.

[0108] It is understood that the associated ID is determined by the gNB / TRP 120 according to LMF’s instruction (e.g., including the mapping relationship) in option 2, and additional conditions of a network device are known to the LMF 130 but unknown to the terminal device 110 or the PRU 140. The LMF 130 can provide a same or different mapping relationship for different gNBs / TRPs. For example, among all network devices, a same associated ID may refer to same additional conditions if the LMF provides a same mapping relationship for all the network devices. Alternatively, a same associated ID may refer to different additional conditions for different gNBs / TRPs if the LMF 130 provides a TRP-specific mapping relationship for each TRP.

[0109] In option 3, each network device 120 (e.g., each gNB / TRP in a first set of network devices) may transmit its data collection related configuration and its additional conditions to the LMF 130 at 331. For example, an NRPPa message may be used for the transmission. In addition, the LMF 130 may assign an associated ID for each network device at 332 based on the additional conditions of each network device.

[0110] In some examples, the LMF 130 may allocate an associated ID for each network device’s additional conditions. In some examples, the LMF 130 may transmit a configuration to the terminal device 110, and the configuration may be included in an LPP message. For example, the configuration may include the data collection related configuration and an associated ID for each network device.

[0111] In some examples, the terminal device 110 may collect the first training data  corresponding to these data collection related configurations, and the first training data may be labeled with associated IDs, which may be called as a first set of associated IDs for training data.

[0112] It is understood that the associated ID is determined or designated by the LMF 130 in option 3, and additional conditions of a network device are known to the LMF 130 but unknown to the terminal device 110 or the PRU 140. The LMF 130 can assign an associated ID corresponding to same or different additional condition for different gNBs / TRPs. For example, among all network devices, a same associated ID may refer to same additional conditions. Alternatively, a same associated ID may refer to different additional conditions for different gNBs / TRPs.

[0113] As illustrated in FIG. 2, in alternative 2, each network device (e.g., each gNB / TRP in a first set of network devices) may transmit its data collection related configuration and an associated ID to the terminal device 110 at 203, in addition, the terminal device 110 may collect the first training data at 204 accordingly.

[0114] In some examples, the LMF 130 may determine a mapping relationship and transmit the mapping relationship to each network device, which is similar with that described with reference to 321 in option 2 of FIG. 3A. For example, a network device 120 may determine the associated ID based on its additional conditions according to the mapping relationship. For example, a network device 120 may transmit its data collection related configuration and an associated ID to the terminal device 110 via a radio resource control (RRC) message or a medium access control (MAC) control element (CE) .

[0115] In some examples, the terminal device 110 may collect the first training data corresponding to these data collection related configurations, and the first training data may be labeled with associated IDs, which may be called as a first set of associated IDs for training data.

[0116] As illustrated in FIG. 2, in alternative 3, the terminal device 110 may receive the first training data and associated IDs for related network devices (e.g., the first set of network devices) from the PRU or non-PRU UE 290 at 205. FIG. 3B illustrates a process 350 of collecting the first training data by the PRU or non-PRU UE 290.

[0117] In some examples, the LMF 130 may transmit the data collection related configuration and an associated ID for each network device to the PRU or non-PRU UE 290 at 351. For example, the LMF 130 may determine or obtain the data collection related  configuration and an associated ID for each network device according to any of options 1-3 that discussed with reference to FIG. 3A.

[0118] In some examples, each network device (e.g., each gNB / TRP in a first set of network devices) may transmit its data collection related configuration and an associated ID to the PRU or non-PRU UE 290 at 352. For example, the associated ID may be determined or generated by the network device itself (similar as 311 in FIG. 3A) or may be determined based on a mapping relationship from the LMF 130 (similar as 322 in FIG. 3A) .

[0119] In the process 350, the PRU or non-PRU UE 290 may collect the first training data corresponding to these data collection related configurations at 353, and the first training data may be labeled with associated IDs, which may be called as a first set of associated IDs for training data.

[0120] In some examples, the PRU or non-PRU UE 290 may transmit the first training data and associated IDs to the terminal device 110.

[0121] Accordingly, the first training data may be generated or collected or obtained at the terminal device 110, and in addition, the terminal device 110 may generate the first positioning model based on the first training data. It should be noted that although alternatives 1-3 are illustrated as some examples of collecting or obtaining the first training data for generating the first positioning model, in some other examples, the first training model may be trained by another entity (such as the LMF 130) , and the entity may transmit the first training model and associated IDs of related network devices to the terminal device 110.

[0122] It should be noted that there may be multiple positioning models deployed at the terminal device 110, for examples, the multiple positioning models include a first positioning model (model 1) and a second positioning model (model 2) , and the above discussion about the first positioning model may also applied for the second positioning model.

[0123] Referring back to FIG. 2, the terminal device 110 obtains inference data at 220. In some implementations, the inference data may be collected associated with a second set of network devices, and each network device in the second of network device has a corresponding associated ID for inference data. For example, a second set of associated IDs for inference data may be determined. In some examples, each network device in the second set of network devices may transmit its associated ID before or associated with the transmit of PRS to the terminal device 110, and the terminal device 110 may record this ID  as associated ID for inference data and perform a measurement to determine a channel measurement of a corresponding PRS. For example, the inference data includes channel measurements of the second set of network devices (e.g., multiple TRPs) .

[0124] The terminal device 110 determines a consistency between the first training data and the inference data at 230, e.g., based on the first set of associated IDs for training data and the second set of associated IDs for inference data. In some implementations, if a criterion is met, the terminal device 110 may determine that the inference data is consistent with the first training data.

[0125] In some example embodiments, if there is a single positioning model (e.g., the first positioning model) deployed at the terminal device 110, the terminal device 110 may determine whether the first set of network devices for training data collection is the same as the second set of network devices for inference data collection. For instance, the criterion may include: the first set of network devices for training data collection is the same as the second set of network devices for inference data collection.

[0126] In some examples, if the second set of network devices is same as the first set of network devices, the terminal device 110 may determine that the inference data is consistent with the first training data. In some examples, the terminal device 110 may transmit, to the LMF 130, an indicator indicating that the inference data is consistent with the first training data. FIG. 4A illustrates an example 410 of the first set of TRPs and the second set of TRPs. As illustrated, the first set of network devices is the same as the second set of network devices, both include TRP3, TRP4, TRP6, and TRP8. In this case, the terminal device 110 may assume that the inference data is consistent with the first training data. In some examples, an indicator in an LPP message may be reported to the LMF 130, so that the LMF 130 may know the consistency.

[0127] In some examples, the terminal device 110 may further determine whether an associated ID for a network device is changed. For example, the terminal device 110 may determine, for each network device in the first / second set of network devices, whether an associated ID for training data is the same as an associated ID for inference data. For instance, the criterion may include: the first set of associated IDs for training data is the same as the second set of associated IDs for inference data.

[0128] In some examples, if both the first set of network devices and the second set of network devices comprise a first network device and a corresponding associated ID for  inference data for the first network device is absent, the terminal device 110 may determine that the corresponding associated ID for inference data for the first network device is same as a corresponding associated ID for training data for the first network device. With reference to FIG. 4A, if TRP3 has an associated ID x for training data, and the associated ID for generating the inference data for TRP3 is absent, the terminal device 110 may assume that the TRP3 has an associated ID x for inference data, that is, the associated ID for inference data is the same as the associated ID for training data.

[0129] In some examples, if both the first set of network devices and the second set of network devices comprise a second network device and a corresponding associated ID for inference data for the second network device is different from a corresponding associated ID for training data for the second network device, the terminal device 110 may determine that the inference data is inconsistent with the first training data. In some examples, the terminal device 110 may further transmit an identifier of the second network device to the LMF 130. For example, the identifier of the second network device may be included in an information element (IE) “dl-PRS-ID” . With reference to FIG. 4A, if TRP4 has an associated ID x for training data and has an associated ID y for inference data, the terminal device 110 may mark TRP4 and report an identifier of TRP4 to the LMF 130.

[0130] In some examples, if the second set of network devices is different from the first set of network devices, the terminal device 110 may determine that the inference data is inconsistent with the first training data. In some examples, the terminal device 110 may transmit, to the LMF 130, an indicator indicating that the inference data is inconsistent with the first training data. FIG. 4B illustrates an example 420 of the first set of TRPs and the second set of TRPs. As illustrated, the first set of network devices includes TRP3, TRP4, TRP6, and TRP8; while the second set of network devices includes TRP2, TRP4, TRP6, and TRP8. In this case, the terminal device 110 may assume that the inference data is inconsistent with the first training data. In some examples, an indicator in an LPP message may be reported to the LMF 130, so that the LMF 130 may know the inconsistency.

[0131] In some examples, the terminal device 110 may determine updated inference data (e.g., at least part of the inference data) based on the inference data, and the updated inference data is consistent with the first training data. For example, the terminal device 110 may remove a channel measurement of a first network device from the inference data, where the first network device is comprised in the second set of network devices but not comprised in the first set of network devices. With reference to FIG. 4B, a channel measurement of TRP2  may be removed from the inference data, since the TRP2 is not included in the first set of network devices for training data collection. For example, the terminal device 110 may remove a channel measurement of a second network device from the inference data, where the second network device is comprised in both the first and second sets of network devices, and a corresponding associated ID for inference data for the second network device is different from a corresponding associated ID for training data for the second network device. With reference to FIG. 4A, a channel measurement of TRP4 may be removed from the inference data, since the TRP4 has an associated ID x for training data and has a different associated ID y for inference data.

[0132] It should be noted that the above discussion for the consistency determination is provided with an assumption that the second set of network devices includes multiple TRPs, however, in some other examples, a single TRP for training data collection and for inference data collection may be applied. For example, the inference data may include a channel measurement from a single TRP, in this case, the terminal device 110 may determine whether an associated ID for inference data is the same as an associated ID for training data. If the associated ID for inference data is the same as the associated ID for training data, the terminal device 110 may assume that the inference data is consistent with the first training data. If the associated ID for inference data is absent, the terminal device 110 may assume that the associated ID for inference data is the same as the associated ID for training data, and thus the inference data is consistent with the first training data. If the associated ID for inference data is different from the associated ID for training data, the terminal device 110 may assume that the inference data is inconsistent with the first training data, optionally the terminal device 110 may further transmit a report to the LMF 130, where the report may include an identifier of the single TRP. For example, an IE “dl-PRS-ID” may be used.

[0133] In some example embodiments, there are a plurality of positioning models deployed at the terminal device 110, e.g., including a first positioning model and a second positioning model. The terminal device 110 may select one of the plurality of positioning models, for example, the first positioning model may be selected from the plurality of positioning models.

[0134] In some examples, if a number of common network devices between the first set of network devices and the second network devices is larger than a number of common network devices between the second set of network devices and any set of network devices associated with any positioning model in the plurality of positioning models other than the first positioning model, the terminal device 110 may select the first positioning model. For  example, a number of overlapped TRPs between the TRPs for training data collection and the TRPs for inference data collection may be determined. For instance, the criterion may include: a number of common network devices between the first set of network devices and the second network devices is larger than a number of common network devices between the second set of network devices and any set of network devices associated with any positioning model in the plurality of positioning models other than the first positioning model.

[0135] FIG. 4C illustrates an example 430 for selecting a positioning model. As illustrated, the training data collection for model 1 involves TRP1, TRP2, TRP3, and TRP4; the training data collection for model 2 involves TRP2, TRP3, TRP4, and TRP5; and the inference data collection involves TRP1, TRP2, TRP3, and TRP6. Since there are 3 common TRPs between {TRP1, TRP2, TRP3, TRP6} and {TRP1, TRP2, TRP3, TRP4} , and 2 common TRPs between {TRP1, TRP2, TRP3, TRP6} and {TRP2, TRP3, TRP4, TRP5} , thus model 1 will be selected as the positioning model to be used.

[0136] In some examples, if a number of common network devices with unchanged associated IDs between the first set of network devices and the second network devices is larger than a number of common network devices with unchanged associated IDs between the second set of network devices and any set of network devices associated with any positioning model in the plurality of positioning models other than the first positioning model, the terminal device 110 may select the first positioning model. For example, a number of overlapped TRPs with unchanged associated ID between the TRPs for training data collection and the TRPs for inference data collection may be determined. For instance, the criterion may include: a number of common network devices with unchanged associated IDs between the first set of network devices and the second network devices is larger than a number of common network devices with unchanged associated IDs between the second set of network devices and any other set of network devices associated with any other positioning model.

[0137] FIG. 4D illustrates an example 430 for selecting a positioning model. As illustrated, the training data collection for model 1 involves TRP1, TRP2, and TRP3, where TRP1 has an associated ID x for training data, TRP2 has an associated ID x for training data, and TRP3 has an associated ID x for training data. The training data collection for model 2 involves TRP2, TRP3, and TRP4, where TRP2 has an associated ID y for training data, TRP3 has an associated ID y for training data, and TRP4 has an associated ID x for training data. The inference data collection involves TRP1, TRP2, and TRP3, where TRP1 has an associated ID x for inference data, TRP2 has an associated ID y for inference data, and TRP3  has an associated ID y for inference data. Since there are 1 common TRP with an unchanged associated ID between {TRP1 with associated ID x, TRP2 with associated ID x, TRP3 with associated ID x} and {TRP1 with associated ID x, TRP2 with associated ID y, TRP3 with associated ID y} , and 2 common TRPs with unchanged associated IDs between {TRP2 with associated ID y, TRP3 with associated ID y, TRP4 with associated ID x} and {TRP1 with associated ID x, TRP2 with associated ID y, TRP3 with associated ID y} , thus model 2 will be selected as the positioning model to be used.

[0138] In some examples, the terminal device 110 or the LMF 130 may further trigger another process, such as a model performance monitoring, to determine whether the selected positioning model is applicable. For example, a process of model performance monitoring may be triggered for further check, so as to determine whether the selected model (e.g., the first positioning model) is applicative, for example, whether the model output is accuracy if label-based model performance monitoring is triggered, or is other metric if label-free model performance monitoring is triggered. In some examples, the LMF 130 may designate an updated second set of network devices that to be involved in inference data collection.

[0139] In some other examples, a single TRP for training data collection and for inference data collection may be applied. For example, the inference data may include a channel measurement from a single TRP. For example, there may be multiple models, and the terminal device 110 may select a positioning model with an associated ID for training data being the same as the associated ID for inference data. If the associated ID for inference data is the same as the associated ID for training data, the terminal device 110 may assume that the inference data is consistent with the first training data. If the associated ID for inference data is absent, the terminal device 110 may assume that the associated ID for inference data is the same as the associated ID for training data, and thus the inference data is consistent with the first training data. If the associated ID for inference data is different from the associated ID for training data, the terminal device 110 may assume that the inference data is inconsistent with the first training data, optionally the terminal device 110 may further transmit a report to the LMF 130, where the report may include an identifier of the single TRP. For example, an IE “dl-PRS-ID” may be used.

[0140] In some example embodiments, the associated IDs may be designated by the LMF 130, e.g., referring to option 2 or option 3 in FIG. 3A. In this case, the LMF 130 is aware of the additional conditions of network devices.

[0141] In some examples, each network device 120 may transmit its additional conditions and associated ID to the LMF 130, e.g., via an NRPPa message. For example, the transmission of the additional conditions and associated ID may be performed periodically or may be event-triggered.

[0142] In some examples, each network device 120 may transmit information about an associated ID or additional conditions to the LMF 130 periodically. For example, the period may be indicated by the LMF 130 or may be determined by each network device 120. For example, the associated ID and additional conditions may be unchanged for a specific network device, in this case, the details of the associated ID or additional conditions may be not transmitted, for instance, a specific network device may transmit an indicator indicating that the additional conditions or associated ID of the specific network device are unchanged.

[0143] In some examples, each network device 120 may transmit the associated ID or additional conditions to the LMF 130 if the additional conditions (or the associated ID) are changed. Thus the overhead can be reduced.

[0144] In some embodiments, the LMF 130 may transmit an associated ID of each network device 120 to the terminal device 110. For example, a first message including a latest associated ID of each network device 120 may be provided to the terminal device 110. For example, the latest associated ID of each network device 120 may be used for assisting to determining a consistency between the inference data and the first training data. In some examples, the latest associated ID of each network device may be regarded as an associated ID for inference data.

[0145] In some examples, each network device 120 may transmit its latest associated ID to the terminal device 110, e.g., via an RRC message or a MAC CE. For example, the transmission of the associated ID may be performed periodically or may be event-triggered. In some examples, the latest associated ID of each network device may be regarded as an associated ID for inference data.

[0146] In some examples, each network device 120 may transmit information about its latest associated ID to the terminal device 110 periodically. For example, the period may be indicated by the LMF 130 or may be determined by each network device 120. For example, the associated ID may be unchanged for a specific network device, in this case, the details of the associated ID may be not transmitted, for instance, a specific network device may transmit an indicator indicating that the associated ID of the specific network device are  unchanged.

[0147] In some examples, each network device 120 may transmit the latest associated ID to the terminal device 110 if the associated ID are changed (accordingly the additional conditions are changed) . Thus the overhead can be reduced.

[0148] In some embodiments, the LMF 130 may transmit, to the terminal device 110, information indicating whether a channel measurement associated with a third network device for model inference is capable of being replaced by a further channel measurement associated with a different network device with same additional conditions.

[0149] In some examples, the terminal device 110 may determine a first set of associated IDs for training data corresponding to the first set of network devices, and a second set of associated IDs for inference data corresponding to the second set of network devices. In some examples, for each network device, the terminal device 110 may compare the associated ID for training data and the associated ID for inference data.

[0150] In some instances, the terminal device 110 may identify a network device that is involved in inference data collection but not involved in training data collection. In some examples, the terminal device 110 may determine that the second set of network devices comprises the third network device and the third network device is not comprised in the first set of network devices. In some instances, the terminal device 110 may identify a network device that is involved in both inference data collection and training data collection but with different associated IDs. In some examples, the terminal device 110 may determine that both the first and second sets of network devices comprise the third network device and a corresponding associated ID for inference data is different from a corresponding associated ID for training data. In addition, the terminal device 110 may determine whether the second / third network device in the second set of network devices can be replaced by another network device, e.g., based on information from the LMF 130.

[0151] FIG. 5A illustrates an example 510 of the first set of TRPs and the second set of TRPs. As illustrated, the second set of network devices includes TRP2 512, which is not included in the first set of network devices for training data collection.

[0152] In some examples, the information from the LMF 130 may indicate that TRP2 cannot be replaced by another network device, and the terminal device 110 may remove a channel measurement of TRP2 from the inference data to obtain updated inference data.

[0153] In some examples, the information from the LMF 130 may indicate that TRP2 can  be replaced by another network device with same additional conditions (i.e. same associated ID) , and the terminal device 110 may replace the channel measurement of TRP2 512 by a channel measurement of TRP3 511 if the associated IDs for TRP2 512 and for TRP3 511 are the same, so as to obtain updated inference data.

[0154] FIG. 5B illustrates an example 520 of the first set of TRPs and the second set of TRPs. As illustrated, both the first and second sets of network devices include TRP4, but TRP4 521 for training data collection has an associated ID x and TRP4 522 for inference data collection has an associated ID y.

[0155] In some examples, the information from the LMF 130 may indicate that TRP4 cannot be replaced by another network device, and the terminal device 110 may remove a channel measurement of TRP4 from the inference data to obtain updated inference data.

[0156] In some examples, the information from the LMF 130 may indicate that TRP4 can be replaced by another network device with same additional conditions (i.e. same associated ID) , and the terminal device 110 may replace the channel measurement of TRP4 522 by a channel measurement of TRP5 523 if the associated IDs for TRP5 523 and for TRP4 521 are the same, so as to obtain updated inference data.

[0157] In some embodiments, the terminal device 110 may determine a first number of a specific associated ID in the first set of associated IDs for training data and a second number of the specific associated ID in the second set of associated IDs for inference data. In some examples, if the first number equals to the second number, the terminal device 110 determines that the inference data is consistent with the first training data. For instance, the criterion includes: a first number of a specific associated ID in the first set of associated IDs for training data equals to a second number of the specific associated ID in the second set of associated IDs for inference data.

[0158] In some examples, if the first number does not equal to the second number, the terminal device 110 determines that the inference data is inconsistent with the first training data, and the terminal device 110 may determine at least part of the inference data to make a consistency between the at least part of the inference data and the first training data. For example, at least part of the inference data may include channel measurements from part of the second set of network devices.

[0159] FIG. 5C illustrates an example 530 of the first set of TRPs and the second set of TRPs. As illustrated, there are 6 TRPs involved in training data collection, including 2  TRPs with associated ID 1, 3 TRPs with associated ID 2, and 1 TRP with associated ID 3; and there are 6 TRPs involved in inference data collection, including 2 TRPs with associated ID 1, 3 TRPs with associated ID 2, and 1 TRP with associated ID 3.

[0160] Since the number of TRPs with a same associated ID 1 is the same for training data collection and for inference data collection, the number of TRPs with a same associated ID 2 is the same for training data collection and for inference data collection, and the number of TRPs with a same associated ID 3 is the same for training data collection and for inference data collection, the terminal device 110 may determine that the inference data is consistent with the first training data.

[0161] In some examples, if the number of TRPs with a same associated ID for training data collection is different from that for inference data collection, the terminal device 110 may determine updated inference data, where the updated inference data is associated with a number of TRPs with a specific associated ID for inference data collection being equal to the number of TRPs with a same associated ID for training data collection, e.g., if enough channel measurements are measured by the terminal device 110.

[0162] Referring back to FIG. 2, the terminal device 110 determines a model output at 240. In some implementations, if the inference data is consistent with the first training data, the inference data is input into the first positioning model to obtain the model output. In some implementations, if the inference data is inconsistent with the first training data, updated inference data which is consistent with the first training data may be input into the first positioning model to obtain the model output.

[0163] The terminal device 110 transmits, and the LMF 130 receives, output information at 250, where the output information includes the model output. In some examples, the output information may further include at least one identifier of network devices that involved in the model input. For example, identifiers of TRPs associated with the inference data or updated inference data may be provided to the LMF 130, e.g., via an IE “dl-PRS-ID” .

[0164] According to embodiments with reference to FIGS. 2-5C, an associated ID for training data and an associated ID for inference data may be used for determining whether additional conditions of a network device have been changed from the training data collection to the inference data collection. The terminal device may determine whether the inference data is consistent with training data by comparing an associated ID for training data and an associated ID for inference data. As such, a suitable positioning model can be selected, or  updated inference data may be determined for model inference, without sharing unnecessary proprieties and information related to the network vendors.

[0165] It is to be appreciated that the processes described above are only for illustration without any limitation. In some examples, one or more steps may be omitted or combined or modified. In some examples, one or more additional steps may be added. One or more steps in a process may be combined into another process. It is to be understood that some further embodiments may be obtained and are still in the protection scope of the present disclosure.

[0166] As mentioned above, for each network device for training data collection or for inference data collection, an associated ID may be provided or determined. In some embodiments, a joint ID may be determined based on multiple associated IDs (for training data or for inference data) of multiple network devices. In some example, the joint ID may include integrated associated IDs of all involved TRPs.

[0167] In some examples, a total number of TRPs may be n, and the joint ID may include n fields corresponding to n TRPs respectively. FIG. 6 illustrates an example 600 of the joint ID, which includes field 1 to filed n. A filed in the joint ID may be used for carrying an associated ID of a corresponding TRP.

[0168] For example, field 1 may carry an associated ID 1 which is determined based on additional condition (s) of TRP1, field 2 may carry an associated ID 2 which is determined based on additional condition (s) of TRP2, …, and field n may carry an associated ID n which is determined based on additional condition (s) of TRPn.

[0169] In some examples, the LMF 130 may transmit the joint ID to the terminal device 110. In some examples, the terminal device 110 may receive an associated ID from each network device and determine the joint ID accordingly.

[0170] In some examples, the terminal device 110 may determine a joint ID for training data (e.g., a first joint ID) and a joint ID for inference data (e.g., a second joint ID) . In some examples, the terminal device 110 may compare each filed of the joint ID for training data and the joint ID for inference data, to determine whether the inference data is consistent with the first training data.

[0171] In some examples, the above embodiments with reference to FIGS. 2-5C are also applied for the joint ID, where an identifier of TRP may be replaced by an index of the corresponding field.

[0172] FIG. 7 illustrates a flowchart of an example method 700 implemented at a terminal device in accordance with some embodiments of the present disclosure. For example, the terminal device may be the terminal device 110 with reference to FIG. 1A which has at least one deployed AI / ML positioning model.

[0173] At block 710, the terminal device 110 generates at least one positioning model using training data, wherein a first positioning model is generated based on first training data collected associated with a first set of network devices, and each network device in the first set of network device has a corresponding associated ID for training data. At block 720, the terminal device 110 obtains inference data collected associated with a second set of network devices, and each network device in the second set of network devices has a corresponding associated ID for inference data. At block 730, in accordance with a determination that a first set of associated IDs for training data and a second set of associated IDs for inference data meet a criterion, the terminal device 110 determines a model output based on at least part of the inference data using the first positioning model. At block 740, the terminal device 110 transmits, to a location server, output information comprising the model output. For a specific network device, different associated IDs correspond to different additional conditions, and additional conditions at any network device are unknown to the terminal device.

[0174] It should be noted that the method 700 may include various other operations which may be performed by the terminal device 110 as described above with reference to FIGS. 2-6.

[0175] FIG. 8 illustrates a flowchart of an example method 800 implemented at a location server in accordance with some embodiments of the present disclosure. For example, the location server may be the LMF 130 with reference to FIG. 1A.

[0176] At block 810, the LMF 130 receives, from each of a plurality of network devices, a first message comprising a corresponding data collection related configuration. At block 820, the LMF 130 transmits, to a terminal device, a configuration message comprising a data collection related configuration and a corresponding associated ID for training data for each network device in the plurality of network devices.

[0177] It should be noted that the method 800 may include various other operations which may be performed by the LMF 130 as described above with reference to FIGS. 2-6.

[0178] 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 the network device 120 with reference to FIG. 1A.

[0179] At block 910, the network device 120 transmits, to a location server, a first message comprising a data collection related configuration, wherein the first message further comprises at least one of: an associated ID, or additional conditions. At block 920, the network device 120 transmits, to a terminal device, a positioning signal for data collection.

[0180] It should be noted that the method 900 may include various other operations which may be performed by the network device 120 as described above with reference to FIGS. 2-6.

[0181] Details of some embodiments according to the present disclosure have been described with reference to FIGS. 1A-9. Now an example implementation of the device deployed with at least one positioning model will be discussed below.

[0182] In some example embodiments, a terminal device comprises circuitry configured to: generate at least one positioning model using training data, wherein a first positioning model is generated based on first training data collected associated with a first set of network devices, and each network device in the first set of network device has a corresponding associated ID for training data; obtain inference data collected associated with a second set of network devices, and each network device in the second set of network devices has a corresponding associated ID for inference data; in accordance with a determination that a first set of associated IDs for training data and a second set of associated IDs for inference data meet a criterion, determine a model output based on at least part of the inference data using the first positioning model; and transmit, to a location server, output information comprising the model output, wherein for a specific network device, different associated IDs correspond to different additional conditions, and additional conditions at any network device are unknown to the terminal device. It should be noted that the terminal device comprises circuitry configured to perform various other operations as described above with reference to FIGS. 2-6.

[0183] In some example embodiments, a location server comprises circuitry configured to: receive, from each of a plurality of network devices, a first message comprising a corresponding data collection related configuration; and transmit, to a terminal device, a configuration message comprising a data collection related configuration and a  corresponding associated ID for training data for each network device in the plurality of network devices. It should be noted that the location server comprises circuitry configured to perform various other operations as described above with reference to FIGS. 2-6.

[0184] In some example embodiments, a network device comprises circuitry configured to: transmit, to a location server, a first message comprising a data collection related configuration, wherein the first message further comprises at least one of: an associated ID, or additional conditions; and transmit, to a terminal device, a positioning signal for data collection. It should be noted that the network device comprises circuitry configured to perform various other operations as described above with reference to FIGS. 2-6.

[0185] FIG. 10 illustrates a simplified block diagram of a device 1000 that is suitable for implementing embodiments of the present disclosure. The device 1000 can be considered as a further example implementation of the terminal device 110 or the network device 120 or the LMF 130 as described above. Accordingly, the device 1000 can be implemented at or as at least a part of the terminal device 110 or the network device 120 or the LMF 130 as shown in FIG. 1A.

[0186] As shown, the device 1000 includes a processor 1010, a memory 1020 coupled to the processor 1010, a suitable transceiver 1040 coupled to the processor 1010, and a communication interface coupled to the transceiver 1040. The memory 1020 stores at least a part of a program 1030. The transceiver 1040 may be for bidirectional communications or a unidirectional communication based on requirements. The transceiver 1040 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 1040 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.

[0187] The program 1030 is assumed to include program instructions that, when executed by the associated processor 1010, enable the device 1000 to operate in accordance with the  embodiments of the present disclosure, as discussed herein with reference to FIGS. 1A-9. The embodiments herein may be implemented by computer software executable by the processor 1010 of the device 1000, or by hardware, or by a combination of software and hardware. The processor 1010 may be configured to implement various embodiments of the present disclosure. Furthermore, a combination of the processor 1010 and memory 1020 may form processing means 1050 adapted to implement various embodiments of the present disclosure.

[0188] The memory 1020 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 1020 is shown in the device 1000, there may be several physically distinct memory modules in the device 1000. The processor 1010 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 1000 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.

[0189] In summary, embodiments of the present disclosure may provide the following solutions.

[0190] The present disclosure provides a terminal device, comprising at least one processor configured to cause the terminal device at least to: generate at least one positioning model using training data, wherein a first positioning model is generated based on first training data collected associated with a first set of network devices, and each network device in the first set of network device has a corresponding associated ID for training data; obtain inference data collected associated with a second set of network devices, and each network device in the second set of network devices has a corresponding associated ID for inference data; in accordance with a determination that a first set of associated IDs for training data and a second set of associated IDs for inference data meet a criterion, determine a model output based on at least part of the inference data using the first positioning model; and transmit, to a location server, output information comprising the model output, wherein for a specific network device, different associated IDs correspond to different additional conditions, and  additional conditions at any network device are unknown to the terminal device.

[0191] In one embodiment, the terminal device as above, the at least one processor is further configured to cause the terminal device to: receive, from the location server, a configuration message comprising a data collection related configuration and a corresponding associated ID for training data for each network device in the first set of network devices; and collect the first training data associated with the first set of network devices based on the configuration message.

[0192] In one embodiment, the terminal device as above, the at least one processor is further configured to cause the terminal device to: receive, from a training data collection device, the first training data associated with the first set of network devices and the corresponding associated ID for training data of each network device in the first set of network device.

[0193] In one embodiment, the terminal device as above, the at least one processor is further configured to cause the terminal device to: receive, from each network device in the first set of network device, a corresponding data collection related configuration and a corresponding associated ID for training data; and collect the first training data associated with the first set of network devices based on a first set of data collection related configurations and a first set of associated IDs for training data.

[0194] In one embodiment, the terminal device as above, an associated ID for a specific network device is assigned by the location server.

[0195] In one embodiment, the terminal device as above, an associated ID for a specific network device is determined by the specific network device.

[0196] In one embodiment, the terminal device as above, in accordance with a determination that the second set of network devices is same as the first set of network devices, determine that the inference data is consistent with the first training data; and transmit, to the location server, an indicator indicating that the inference data is consistent with the first training data.

[0197] In one embodiment, the terminal device as above, in accordance with a determination that both the first set of network devices and the second set of network devices comprise a first network device and a corresponding associated ID for inference data for the first network device is absent, determine that the corresponding associated ID for inference data for the first network device is same as a corresponding associated ID for training data for the first network device.

[0198] In one embodiment, the terminal device as above, in accordance with a determination that both the first set of network devices and the second set of network devices comprise a second network device and a corresponding associated ID for inference data for the second network device is different from a corresponding associated ID for training data for the second network device, determine that the inference data is inconsistent with the first training data; and transmit, to the location server, a report comprising an ID of the second network device.

[0199] In one embodiment, the terminal device as above, there are a plurality of positioning models deployed at the terminal device, and the at least one processor is further configured to cause the terminal device to: select the first positioning model from the plurality of positioning models based on: a number of common network devices between the first set of network devices and the second network devices being larger than a number of common network devices between the second set of network devices and any set of network devices associated with any positioning model in the plurality of positioning models other than the first positioning model, or a number of common network devices with unchanged associated IDs between the first set of network devices and the second network devices being larger than a number of common network devices with unchanged associated IDs between the second set of network devices and any set of network devices associated with any positioning model in the plurality of positioning models other than the first positioning model.

[0200] In one embodiment, the terminal device as above, the at least one processor is further configured to cause the terminal device to: perform a model performance monitoring to determine whether the first positioning model is applicable.

[0201] In one embodiment, the terminal device as above, the at least one processor is further configured to cause the terminal device to: determine the at least part of the inference data by:removing a channel measurement of a first network device from the inference data, wherein the first network device is comprised in the second set of network devices but not comprised in the first set of network devices, or removing a channel measurement of a second network device from the inference data, wherein the second network device is comprised in both the first and second sets of network devices, and a corresponding associated ID for inference data for the second network device is different from a corresponding associated ID for training data for the second network device.

[0202] In one embodiment, the terminal device as above, the at least one processor is further  configured to cause the terminal device to: receive, from the location server, a first message comprising a lasted associated ID for inference data for each network device in the second set of network devices; or receive, from each network device in the second set of network device, a second message comprising a corresponding lasted associated ID for inference data.

[0203] In one embodiment, the terminal device as above, the first or second message is transmitted periodically or based on change of a corresponding lasted associated ID for inference data or change of additional conditions.

[0204] In one embodiment, the terminal device as above, the at least one processor is further configured to cause the terminal device to: receive, from the location server, information indicating whether a channel measurement of a third network device in the second set of network devices is capable of being replaced by a further channel measurement of a different network device with same additional conditions or with same associated ID for inference data.

[0205] In one embodiment, the terminal device as above, the at least one processor is further configured to cause the terminal device to: determine that the second set of network devices comprises the third network device and the third network device is not comprised in the first set of network devices; or determine that both the first and second sets of network devices comprise the third network device and a corresponding associated ID for inference data is different from a corresponding associated ID for training data.

[0206] In one embodiment, the terminal device as above, the at least one processor is further configured to cause the terminal device to: in accordance with a determination that the information indicates the channel measurement of the third network device cannot be replaced by any channel measurement, remove the channel measurement of the third network device from the inference data.

[0207] In one embodiment, the terminal device as above, the at least one processor is further configured to cause the terminal device to: replace the channel measurement of the third network device with a further channel measurement of a fourth network device based on: the information indicates the channel measurement of the third network device is capable of being replaced by a further channel measurement of a different network device with same additional conditions, the inference data comprises the further channel measurement of the fourth network device, and a corresponding associated ID for inference data for the fourth network device is same as a corresponding associated ID for training data for the third  network device.

[0208] In one embodiment, the terminal device as above, the at least one processor is further configured to cause the terminal device to: in accordance with a determination that a first number of a specific associated ID in the first set of associated IDs equals to a second number of the specific associated ID in the second set of associated IDs, determine that the inference data is consistent with the first training data.

[0209] In one embodiment, the terminal device as above, in accordance with a determination that a first number of a specific associated ID in the first set does not equal to a second number of the specific associated ID in the second set, determine at least part of inference data to make a consistency between the at least part of the inference data and the first training data.

[0210] In one embodiment, the terminal device as above, the first set of associated IDs is represented by a first joint ID, and the second set of associated IDs is represented by a second joint ID.

[0211] In one embodiment, the terminal device as above, each of the first or second joint ID comprises a plurality of sections corresponding to a plurality of network devices.

[0212] In one embodiment, the terminal device as above, a first section of the plurality of sections is filled with a predefined value indicating that the first set of network devices does not comprise a specific network device that corresponds to the first section.

[0213] The present disclosure provides a location server, comprising at least one processor configured to cause the location server at least to: receive, from each of a plurality of network devices, a first message comprising a corresponding data collection related configuration; and transmit, to a terminal device, a configuration message comprising a data collection related configuration and a corresponding associated ID for training data for each network device in the plurality of network devices.

[0214] In one embodiment, the location server as above, the first message further comprises a corresponding associated ID for training data.

[0215] In one embodiment, the location server as above, the at least one processor is further configured to cause the location server to: transmit, to each of a plurality of network devices, a mapping relationship that maps different associated IDs to different additional conditions.

[0216] In one embodiment, the location server as above, the first message further comprises  corresponding additional conditions.

[0217] In one embodiment, the location server as above, the at least one processor is further configured to cause the location server to: assign, for each of a plurality of network devices, a corresponding associated ID for training data based on corresponding additional conditions.

[0218] In one embodiment, the location server as above, the at least one processor is further configured to cause the location server to: receive, from a first network device, information about an associated ID and additional conditions.

[0219] In one embodiment, the location server as above, the information is transmitted periodically, or based on a change of the additional conditions or associated ID.

[0220] In one embodiment, the location server as above, the information comprises an indicator indicating that the additional conditions or associated ID of the first network device are unchanged.

[0221] In one embodiment, the location server as above, the at least one processor is further configured to cause the location server to: transmit, to the terminal device, a first message comprising a lasted associated ID for inference data for the first network device.

[0222] In one embodiment, the location server as above, the at least one processor is further configured to cause the location server to: transmit, to the terminal device, information indicating whether a channel measurement of a third network device for model inference is capable of being replaced by a further channel measurement of a different network device with same additional conditions.

[0223] In one embodiment, the location server as above, a plurality of associated IDs for the plurality of network devices is represented by a joint ID.

[0224] In one embodiment, the location server as above, the joint ID comprises a plurality of sections corresponding to the plurality of network devices.

[0225] The present disclosure provides a network device, comprising at least one processor configured to cause the network device at least to: transmit, to a location server, a first message comprising a data collection related configuration, wherein the first message further comprises at least one of: an associated ID, or additional conditions; and transmit, to a terminal device, a positioning signal for data collection.

[0226] In one embodiment, the network device as above, the at least one processor is further configured to cause the network device to: transmit, to a training data collection device, a  data collection related configuration and an associated ID for model training data.

[0227] In one embodiment, the network device as above, the at least one processor is further configured to cause the network device to: receive, from the location server, a mapping relationship that maps different associated IDs to different additional conditions.

[0228] 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 location server, information about an associated ID and additional conditions.

[0229] In one embodiment, the network device as above, the information is transmitted periodically, or based on a change of the additional conditions or associated ID.

[0230] In one embodiment, the network device as above, the information comprises an indicator indicating that the additional conditions of the first network device are unchanged.

[0231] The present disclosure provides a method of communication, comprising the operations implemented at one of: the terminal device or the location server or the network device.

[0232] The present disclosure provides a 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 device to perform the method implemented at one of: the terminal device or the location server or the network device discussed above.

[0233] The present disclosure provides a non-transitory computer readable storage medium having instructions stored thereon, the instructions, when executed by a processor of an apparatus, cause the apparatus to perform the method implemented at one of: the terminal device or the location server or the network device discussed above.

[0234] The present disclosure provides a computer program product having instructions stored thereon, the instructions, when executed by a processor of an apparatus, cause the apparatus to perform the method implemented at one of: the terminal device or the location server or the network device discussed above.

[0235] 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.

[0236] 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.

[0237] 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.

[0238] 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.

[0239] 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.

[0240] 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 terminal device comprising at least one processor configured to cause the terminal device to:generate at least one positioning model using training data, wherein a first positioning model is generated based on first training data collected associated with a first set of network devices, and each network device in the first set of network device has a corresponding associated identity (ID) for training data;obtain inference data collected associated with a second set of network devices, and each network device in the second set of network devices has a corresponding associated ID for inference data;in accordance with a determination that a first set of associated IDs for training data and a second set of associated IDs for inference data meet a criterion, determine a model output based on at least part of the inference data using the first positioning model; andtransmit, to a location server, output information comprising the model output,wherein for a specific network device, different associated IDs correspond to different additional conditions, and additional conditions at any network device are unknown to the terminal device.2.The terminal device of claim 1, wherein the at least one processor is further configured to cause the terminal device to:receive, from the location server, a configuration message comprising a data collection related configuration and a corresponding associated ID for training data for each network device in the first set of network devices; andcollect the first training data associated with the first set of network devices based on the configuration message.3.The terminal device of claim 1, wherein the at least one processor is further configured to cause the terminal device to:receive, from a training data collection device, the first training data associated with the first set of network devices and the corresponding associated ID for training data of each network device in the first set of network device.4.The terminal device of claim 1, wherein the at least one processor is further  configured to cause the terminal device to:receive, from each network device in the first set of network device, a corresponding data collection related configuration and a corresponding associated ID for training data; andcollect the first training data associated with the first set of network devices based on a first set of data collection related configurations and a first set of associated IDs for training data.5.The terminal device of claim 1, wherein an associated ID for a specific network device is assigned by the location server.6.The terminal device of claim 1, wherein an associated ID for a specific network device is determined by the specific network device.7.The terminal device of claim 1, wherein the at least one processor is further configured to cause the terminal device to:in accordance with a determination that the second set of network devices is same as the first set of network devices, determine that the inference data is consistent with the first training data; andtransmit, to the location server, an indicator indicating that the inference data is consistent with the first training data.8.The terminal device of claim 1, wherein the at least one processor is further configured to cause the terminal device to:in accordance with a determination that both the first set of network devices and the second set of network devices comprise a first network device and a corresponding associated ID for inference data for the first network device is absent, determine that the corresponding associated ID for inference data for the first network device is same as a corresponding associated ID for training data for the first network device.9.The terminal device of claim 1, wherein the at least one processor is further configured to cause the terminal device to:in accordance with a determination that both the first set of network devices and the second set of network devices comprise a second network device and a corresponding associated ID for inference data for the second network device is different from a corresponding associated ID for training data for the second network device, determine that the inference data is inconsistent with the first training data; andtransmit, to the location server, a report comprising an ID of the second network device.10.The terminal device of claim 1, wherein there are a plurality of positioning models deployed at the terminal device, and the at least one processor is further configured to cause the terminal device to:select the first positioning model from the plurality of positioning models based on:a number of common network devices between the first set of network devices and the second network devices being larger than a number of common network devices between the second set of network devices and any set of network devices associated with any positioning model in the plurality of positioning models other than the first positioning model, ora number of common network devices with unchanged associated IDs between the first set of network devices and the second network devices being larger than a number of common network devices with unchanged associated IDs between the second set of network devices and any set of network devices associated with any positioning model in the plurality of positioning models other than the first positioning model.11.The terminal device of claim 1, wherein the at least one processor is further configured to cause the terminal device to:determine the at least part of the inference data by:removing a channel measurement of a first network device from the inference data, wherein the first network device is comprised in the second set of network devices but not comprised in the first set of network devices, orremoving a channel measurement of a second network device from the inference data, wherein the second network device is comprised in both the first and second sets of network devices, and a corresponding associated ID for inference data for the second network device is different from a corresponding associated ID for training data for the second network device.12.The terminal device of claim 1, wherein the at least one processor is further configured to cause the terminal device to:receive, from the location server, a first message comprising a lasted associated ID for inference data for each network device in the second set of network devices; orreceive, from each network device in the second set of network device, a second message comprising a corresponding lasted associated ID for inference data.13.The terminal device of claim 12, wherein the first or second message is transmitted periodically or based on change of a corresponding lasted associated ID for inference data or change of additional conditions.14.The terminal device of claim 1, wherein the at least one processor is further configured to cause the terminal device to:receive, from the location server, information indicating whether a channel measurement of a third network device in the second set of network devices is capable of being replaced by a further channel measurement of a different network device with same additional conditions or with same associated ID for inference data.15.The terminal device of claim 14, wherein the at least one processor is further configured to cause the terminal device to:determine that the second set of network devices comprises the third network device and the third network device is not comprised in the first set of network devices; ordetermine that both the first and second sets of network devices comprise the third network device and a corresponding associated ID for inference data is different from a corresponding associated ID for training data.16.The terminal device of claim 15, wherein the at least one processor is further configured to cause the terminal device to:in accordance with a determination that the information indicates the channel measurement of the third network device cannot be replaced by any channel measurement, remove the channel measurement of the third network device from the inference data.17.The terminal device of claim 15, wherein the at least one processor is further configured to cause the terminal device to:replace the channel measurement of the third network device with a further channel measurement of a fourth network device based on:the information indicates the channel measurement of the third network device is capable of being replaced by a further channel measurement of a different network device with same additional conditions,the inference data comprises the further channel measurement of the fourth network device, anda corresponding associated ID for inference data for the fourth network device is same as a corresponding associated ID for training data for the third network device.18.The terminal device of claim 5, wherein the at least one processor is further configured to cause the terminal device to:in accordance with a determination that a first number of a specific associated ID in the first set of associated IDs equals to a second number of the specific associated ID in the second set of associated IDs, determine that the inference data is consistent with the first training data.19.The terminal device of claim 5, wherein the at least one processor is further configured to cause the terminal device to:in accordance with a determination that a first number of a specific associated ID in the first set does not equal to a second number of the specific associated ID in the second set, determine at least part of inference data to make a consistency between the at least part of the inference data and the first training data.20.A location server comprising at least one processor configured to cause the location server to:receive, from each of a plurality of network devices, a first message comprising a corresponding data collection related configuration; andtransmit, to a terminal device, a configuration message comprising a data collection related configuration and a corresponding associated identity (ID) for training data for each network device in the plurality of network devices.21.The location server of claim 20, wherein the first message further comprises a corresponding associated ID for training data.22.The location server of claim 20, wherein the at least one processor is further  configured to cause the location server to:transmit, to each of a plurality of network devices, a mapping relationship that maps different associated IDs to different additional conditions.23.The location server of claim 20, wherein the first message further comprises corresponding additional conditions.24.The location server of claim 20, wherein the at least one processor is further configured to cause the location server to:assign, for each of a plurality of network devices, a corresponding associated ID for training data based on corresponding additional conditions.25.The location server of claim 20, wherein the at least one processor is further configured to cause the location server to:receive, from a first network device, information about an associated ID and additional conditions.26.The location server of claim 25, wherein the information is transmitted periodically, or based on a change of the additional conditions or associated ID.27.The location server of claim 25, wherein the information comprises an indicator indicating that the additional conditions or associated ID of the first network device are unchanged.28.A network device comprising at least one processor configured to cause the network device to:transmit, to a location server, a first message comprising a data collection related configuration, wherein the first message further comprises at least one of: an associated identity (ID) , or additional conditions; andtransmit, to a terminal device, a positioning signal for data collection.29.A communication method comprising:generating, at a terminal device, at least one positioning model using training data, wherein a first positioning model is generated based on first training data collected associated with a first set of network devices, and each network device in the first set of network device has a corresponding associated identity (ID) for training data;obtaining inference data collected associated with a second set of network devices, and each network device in the second set of network devices has a corresponding associated ID for inference data;in accordance with a determination that a first set of associated IDs for training data and a second set of associated IDs for inference data meet a criterion, determining a model output based on at least part of the inference data using the first positioning model; andtransmitting, to a location server, output information comprising the model output,wherein for a specific network device, different associated IDs correspond to different additional conditions, and additional conditions at any network device are unknown to the terminal device.30.A communication method comprising:receiving, at a location server from each of a plurality of network devices, a first message comprising a corresponding data collection related configuration; andtransmitting, to a terminal device, a configuration message comprising a data collection related configuration and a corresponding associated identity (ID) for training data for each network device in the plurality of network devices.31.A communication method comprising:transmitting, at a network device to a location server, a first message comprising a data collection related configuration, wherein the first message further comprises at least one of: an associated identity (ID) , or additional conditions; andtransmitting, to a terminal device, a positioning signal for data collection.32.A computer readable medium having instructions stored thereon, the instructions, when executed by a processor of an apparatus, causing the apparatus to perform the method according to any of claims 29-31.

Images