Devices, methods, and medium for communication

Abstract

Example embodiments of the present disclosure relate to devices, methods, and computer storage medium for communication. A first device determines a quality indicator for power information of data and provides the data together with the quality indicator to a second device, where the data may be used for generating at least part of training data for training a positioning model or used for generating part of input data of the positioning model. As such, a validity of data can be checked based on the quality indicator, and accordingly an effectiveness of a trained model or an availability of the model output can be determined.

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 reliability of training data may affect an effectiveness of a trained model, and a reliability of model output may affect an availability of the model output, thus a validity of data should be confirmed.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 first device. The first device comprises at least one processor configured to cause the first device at least to: determine a quality indicator for power information of data, wherein the data comprises a channel measurement which is used for generating at least part of training data for training a positioning model or is used for generating part of input data of the positioning model, and wherein the quality indicator indicates an uncertainty of the power information; and transmit, to a second device, the data together with the quality indicator.

[0006] In a second aspect, there is provided a first device. The first device comprises at least one processor configured to cause the first device at least to: determine a quality indicator for a light of sight (LOS) or non-line of sight (NLOS) indicator, wherein the  LOS / NLOS indicator is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator indicates a confidence level of the LOS / NLOS indicator; and transmit, to a second device, the LOS / NLOS indicator together with the quality indicator.

[0007] In a third aspect, there is provided a first device. The first device comprises at least one processor configured to cause the first device at least to: determine a quality indicator for angle information, wherein the angle information is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator comprises an angle quality value and an angle quality resolution; and transmit, to a second device, the angle information together with the quality indicator.

[0008] In a fourth aspect, there is provided a second device. The second device comprises at least one processor configured to cause the second device at least to: receive, from a first device, data and a quality indicator for power information of the data, wherein the data comprises a channel measurement which is used for generating at least part of training data for training a positioning model or is used for generating part of input data of the positioning model, and wherein the quality indicator indicates an uncertainty of the power information; and determine a validity of the data based on the quality indicator.

[0009] In a fifth aspect, there is provided a second device. The second device comprises at least one processor configured to cause the second device at least to: receive, from a first device, a LOS / NLOS indicator together with a quality indicator for the LOS or NLOS indicator, wherein the LOS / NLOS indicator is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator indicates a confidence level of the LOS / NLOS indicator; and determine a validity of the LOS / NLOS indicator based on the quality indicator.

[0010] In a sixth aspect, there is provided a second device. The second device comprises at least one processor configured to cause the second device at least to: receive, from a first device, angle information together with a quality indicator for the angle information, wherein the angle information is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator comprises an angle quality value and an angle quality resolution; and determine a validity of the angle information based on the quality indicator.

[0011] In a seventh aspect, there is provided a method of communication performed by a  first device. The method comprises: determining, at a first device, a quality indicator for power information of data, wherein the data comprises a channel measurement which is used for generating at least part of training data for training a positioning model or is used for generating part of input data of the positioning model, and wherein the quality indicator indicates an uncertainty of the power information; and transmitting, to a second device, the data together with the quality indicator.

[0012] In an eighth aspect, there is provided a method of communication performed by a first device. The method comprises: determining, at a first device, a quality indicator for a LOS / NLOS indicator, wherein the LOS / NLOS indicator is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator indicates a confidence level of the LOS / NLOS indicator; and transmitting, to a second device, the LOS / NLOS indicator together with the quality indicator.

[0013] In a ninth aspect, there is provided a method of communication performed by a first device. The method comprises: determining, at a first device, a quality indicator for angle information, wherein the angle information is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator comprises an angle quality value and an angle quality resolution; and transmitting, to a second device, the angle information together with the quality indicator.

[0014] In a tenth aspect, there is provided a method of communication performed by a second device. The method comprises: receiving, at a second device from a first device, data and a quality indicator for power information of the data, wherein the data comprises a channel measurement which is used for generating at least part of training data for training a positioning model or is used for generating part of input data of the positioning model, and wherein the quality indicator indicates an uncertainty of the power information; and determining a validity of the data based on the quality indicator.

[0015] In an eleventh aspect, there is provided a method of communication performed by a second device. The method comprises: receiving, at a second device from a first device, a LOS / NLOS indicator together with a quality indicator for the LOS or NLOS indicator, wherein the LOS / NLOS indicator is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator indicates a confidence level of the LOS / NLOS indicator; and determining a validity of the LOS / NLOS indicator based on the quality indicator.

[0016] In a twelfth aspect, there is provided a method of communication performed by a second device. The method comprises: receiving, at a second device from a first device, angle information together with a quality indicator for the angle information, wherein the angle information is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator comprises an angle quality value and an angle quality resolution; and determining a validity of the angle information based on the quality indicator.

[0017] In a thirteenth 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 seventh to twelfth aspects above.

[0018] 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

[0019] 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:

[0020] FIG. 1A an example communication network in which some embodiments of the present disclosure can be implemented;

[0021] FIGS. 1B-1E illustrate some example schematics for AI / ML based positioning;

[0022] FIG. 2 illustrates a signalling chart illustrating a communication process in accordance with some example embodiments of the present disclosure;

[0023] FIG. 3 illustrates a signalling chart illustrating a communication process in accordance with some example embodiments of the present disclosure;

[0024] FIG. 4 illustrates a signalling chart illustrating a communication process in accordance with some example embodiments of the present disclosure;

[0025] FIG. 5 illustrates a flowchart of an example method implemented at a first device in accordance with some embodiments of the present disclosure;

[0026] FIG. 6 illustrates a flowchart of an example method implemented at a first device in accordance with some embodiments of the present disclosure;

[0027] FIG. 7 illustrates a flowchart of an example method implemented at a first device in accordance with some embodiments of the present disclosure;

[0028] FIG. 8 illustrates a flowchart of an example method implemented at a second device in accordance with some embodiments of the present disclosure;

[0029] FIG. 9 illustrates a flowchart of an example method implemented at a second device in accordance with some embodiments of the present disclosure;

[0030] FIG. 10 illustrates a flowchart of an example method implemented at a second device in accordance with some embodiments of the present disclosure; and

[0031] FIG. 11 illustrates a simplified block diagram of a device that is suitable for implementing embodiments of the present disclosure.

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

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

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

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

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

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

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

[0039] As used herein, the term “communication network” refers to a network following any suitable communication standards 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.

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

[0041] As used herein, the term “network device” refers to a device which is capable of providing or hosting a cell or coverage where terminal devices can communicate. Examples of a network device include, but not limited to, a satellite, 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.

[0042] 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.

[0043] As used herein, the term “location device” refers to a device which is capable to manage the support of different location services for target UEs, including positioning of UEs and delivery of assistance data to UEs. The location device may interact with the serving gNB or serving ng-eNB for a target UE in order to obtain position measurements for the UE, including uplink measurements made by an NG-RAN and downlink measurements made by the UE that were provided to an NG-RAN as part of other functions such as for support of handover. Examples of a location device include, but not limited to, Location Management Function (LMF) , which is located in the access network or in a core network.

[0044] 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.

[0045] 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.

[0046] 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.

[0047] 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.

[0048] 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.

[0049] 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.

[0050] 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.

[0051] 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.

[0052] 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.

[0053] 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.

[0054] 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.

[0055] 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.

[0056] 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.

[0057] 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.

[0058] 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.

[0059] In some embodiments, “ground truth” , “ground truth label” , “ground truth label of data” , “input label” , “input data” , “label” and “data” can be used interchangeably.

[0060] In some embodiments, “target UE” , “UE deployed with AI / ML model” , and “UE with UE-side model” can be used interchangeably.

[0061] 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.

[0062] 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.

[0063] 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) .

[0064] 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.

[0065] 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:

[0066] ● Case 1: UE-based positioning with UE-side model, direct AI / ML positioning.

[0067] ● Case 2b: UE-assisted / LMF-based positioning with LMF-side model, direct AI / ML positioning.

[0068] ● Case 3b: NG-RAN node assisted positioning with LMF-side model, direct AI / ML positioning.

[0069] ● Case 2a: UE-assisted / LMF-based positioning with UE-side model, AI / ML assisted positioning.

[0070] ● Case 3a: NG-RAN node assisted positioning with gNB-side model, AI / ML assisted positioning.

[0071] 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 delay of path (DP) , power delay profile (PDP) , or channel impulse response (CIR) . A model output may be a UE location (i.e., direct AI / ML positioning) or an intermediate measurement (i.e., AI / ML assisted positioning) .

[0072] For an AI / ML assisted positioning, the candidate output may include a LOS / NLOS indicator, angle information, 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.

[0073] A reliability of training data may affect an effectiveness of a trained model, and a reliability of model output may affect an availability of the model output, thus a validity of data should be confirmed.

[0074] Embodiments of the present disclosure provide a solution of communication. In the solution, a first device determines a quality indicator for power information of data and provides the data together with the quality indicator to a second device, where the data may be used for generating at least part of training data for training a positioning model or used for generating part of input data of the positioning model. As such, a validity of data can  be checked based on the quality indicator, and accordingly an effectiveness of a trained model or an availability of the model output can be determined. Principles and implementations of the present disclosure will be described in detail below with reference to the figures.

[0075] 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.

[0076] 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.

[0077] 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.

[0078] 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.

[0079] 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.

[0080] 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.

[0081] 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.

[0082] 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.

[0083] 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.

[0084] 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.

[0085] 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) .

[0086] 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.

[0087] 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.

[0088] A quality indicator can be used by data collection entity or other entities to judge the reliability of collected data or the reliability of inference result based on the input of collected data. It has agreed in RAN1 that quality indicator can be provided in Part A and Part B for training data collection. For instance, Part A includes: channel measurement, quality indicator of channel measurement, or time stamp of channel measurement. For instance, Part B includes: ground truth label (or its approximation) , quality indicator of label, or time  stamp of label. However, it is noted that the terms “Part A” and “Part B” are used only for simplicity without any limitation.

[0089] 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.

[0090] Reference is now 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 first device 201 and a second device 202.

[0091] With reference to FIG. 1A, the first device 201 may be one of the terminal device 110, a network device 120 (such as gNB / TRP) , or a PRU 140, and the second device 202 may be the LMF 130. It would be appreciated that the process 200 may be applied to other communication scenarios, which will not be described in detail.

[0092] In some embodiments, training data or model input may be generated based on a channel measurement. Regarding training data collection, the channel measurement may be reported by the terminal device 110 or the PRU 140, e.g., for UE-side model (Case 1 and / or Case 2a) and / or for LMF-side model (Case 2b) ; or the channel measurement may be reported by the network device 120 such as a gNB, e.g., for gNB-side model (Case 3a) and / or for LMF-side model (Case 3b) . Regarding inference data (model input) collection, a target UE, such as the terminal device 110, may report the channel measurement, e.g., for Case 2b; or the network device 120 such as a gNB, may report the channel measurement, e.g., for Case 3b. For example, for Case 3b, the gNB may receive and measure sounding reference signals (SRS) from a target UE to generate a channel measurement.

[0093] In the process 200, the first device 201 determines a quality indicator for power information of data at 210, where the data comprises a channel measurement. For example, the channel measurement is used for generating at least part of training data for training a positioning model or is used for generating part of input data of the positioning model. In some implementations, the quality indicator may indicate an uncertainty (or a certainty) of  the power information. For example, the power information may also be referred as a power measurement.

[0094] For example, a new information element (IE) may defined, e.g., “NR-PowerQuality” . For instance, the new IE may be an LPP IE or an NRPPa IE, which specifies an estimate (e.g., a best estimate) of a quality of the power information. The power information may be used to determine the nr-DL-PRS-RSRP-Result or nr-DL-PRS-RSRP-ResultDiff in NR-DL-TDOA-SignalMeasurementInformation, or nr-DL-PRS-RSRPP in NR-AdditionalPathList, or “Path Power” in an NRPPa IE “Additional Path List”

[0095] In some examples, the quality indicator for the power information (such as “NR-PowerQuality” ) may be included in an IE of reference signal measurement information. For example, the IE “NR-DL-TDOA-SignalMeasurementInformation” may be updated as follows:

[0096] For example, the IE “NR-AdditionalPathList” may be updated as follows:

[0097] In some embodiments, the quality indicator for power information may be in a unit of meter (or centimeter or the like) . For a signal (such as a reference signal) transmitted from a transmitter to a receiver, the receiving power of the reference signal at the receiver may be related to a distance between the transmitter and the receiver. For instance, a propagation loss in free space as following may be considered, where d refers to the distance and f refers to the frequency:

[0098] As shown in equation (1) , the received power of electromagnetic wave is inversely proportional to the square of the distance, thus the quality indicator of power information can be characterized by the distance.

[0099] In some examples, the quality indicator comprises a power quality value and a power quality resolution, a product of which indicates the uncertainty. For example, the power quality value may be a non-negative integer in a range 0-31 or in another range. For example, the power quality resolution may be any positive value, which may be less than 1, equal to 1, or larger than 1. For example, the IE “NR-PowerQuality” may be implemented as follows with descriptions in Table 1:

[0100] Table 1

[0101] In some embodiments, the quality indicator comprises a power quality value and a quality factor, where the quality factor indicates an exponential scale factor with a predefined base value. For example, the power quality value in this example may be in a unit of watt or dB or the like. For example, the power quality value may be an integer in a range 0-31 or in another range. For example, the quality factor may be a non-negative integer which may be positive or negative. For example, the IE “NR-PowerQuality” may be implemented as follows with descriptions in Table 2:

[0102] Table 2

[0103] For instance, a range of the quality factor may be a set of {-2, -1, 0, 1, 2} . For example, the uncertainty of the power information may be determined by powerQualityValue multiplied by 2 to the power of qualityFactor. For example, if the power quality value is represented as V, and the quality factor is represented as F, then the uncertainty of the power information is V×2F. If the value range of powerQualityValue is integer (0.. 31) and the  value of qualityFactor is -2, the range of uncertainty is {0, 0.25, 0.5, 0.75, …, 7.75} in unit of dB. If the value range of powerQualityValue is integer (0.. 31) and the value of qualityFactor is 0, the range of uncertainty is {0, 1, 2, 3, …, 31} in unit of dB. As one example, if the power quality value (powerQualityValue) is 8, and the quality factor (qualityFactor) is -2, then the power information may have an error within 2dB.

[0104] In some embodiments, the quality indicator comprises a drift, which indicates an error of the power information. In some examples, the drift may be a value from 0 to 1, such as one of {0, 0.1, 0.2, …, 1} , or {0, 0.01, 0.02, 0.03, …, 1} . For example, the drift may indicate an error with related to a reported power value. For instance, the reported power value may be a power value of a reference signal, such as reference signal received power (RSRP) . For example, if the reported power value is represented as P, and the drift is represented as D, then the power information may indicate a power value in a range from P* (1-D) to P* (1+D) . For example, the IE “NR-PowerQuality” may be implemented as follows with descriptions in Table 3:

[0105] Table 3

[0106] In some embodiments, the quality indicator comprises a confidence, which indicates a confidence level of the power information. For example, the confidence may be a value from 0 to 1. For example, the confidence may be a percentage value from 0 to 100. For instance, a larger value represents a high reliability of the power information. For example, the IE “NR-PowerQuality” may be implemented as follows with descriptions in Table 4:

[0107] Table 4

[0108] In the process 200, the first device 201 transmits, and the second device 202 receives, the data together with the quality indicator at 220. In some examples, the data may include a channel measurement, and a quality indicator for power information can be reported to the LMF 130 together with the channel measurement.

[0109] In the process 200, the second device 202 determines a validity of the data based on the quality indicator at 230. In some examples, the second device 202 may be the LMF 130, and the LMF 130 may determine whether to use the channel measurement to generate training data for model training or to generate a model input for model inference.

[0110] In addition or alternatively, the second device 202 may perform a model training or a model inference based on the channel measurement at 240, e.g., when the validity of the date is confirmed. However, it should be noted that the step 240 is only for illustration. In some examples, the second device 202 may provide the channel measurement to another device for generating raining data for model training or generating a model input for model inference. In some examples, the second device 202 may generate the training data based on the channel measurement and provide the training data to another device for model training. In some examples, the second device 202 may generate the model input based on the channel measurement and provide the model input to another device for model inference.

[0111] According to embodiments with reference to FIG. 2, a quality indicator for power information can be provided from the first device to the second device. As such, a validity of data can be checked based on the quality indicator, and accordingly an effectiveness of a trained model or an availability of the model output can be determined.

[0112] Reference is further made to FIG. 3, which illustrates a signalling chart illustrating  communication process 300 in accordance with some example embodiments of the present disclosure. The process 300 may involve a first device 301 and a second device 302.

[0113] With reference to FIG. 1A, the first device 301 may be the LMF 130, and the second device 302 may be the terminal device 110 or the network device 120 (such as gNB / TRP) for delivery of training data collection. With reference to FIG. 1A, the first device 301 may be one of the terminal device 110, the network device 120 (such as gNB / TRP) , or the PRU 140, and the second device 302 may be the LMF 130 for delivery of training data or model output. It would be appreciated that the process 300 may be applied to other communication scenarios, which will not be described in detail.

[0114] In some embodiments, part of training data or a model output may be a LOS / NLOS indicator. Regarding training data collection, the LOS / NLOS indicator may be provided by the LMF 130 to the terminal device 110, e.g., for a UE assisted model (Case 2a) ; or may be provided by the LMF 130 to the network device 120 such as a gNB, e.g., for a NG-RAN node assisted model (Case 3a) , for example, the LOS / NLOS indicator may be used as a label of training data. Regarding training data collection, the LOS / NLOS indicator may be provided by the terminal device 110, the network device 120, or the PRU 140 to the LMF 130, which may further provide it to the terminal device 110 or the network device 120. Regarding model inference phase, the terminal device 110 (Case 2a) or the network device 120 (Case 3a) may perform a model inference to obtain an LOS / NLOS indicator, and then provide it to the LMF 130.

[0115] In the process 300, the first device 301 determines a quality indicator for a LOS / NLOS indicator at 310, where the LOS / NLOS indicator may be at least part of training data for training a positioning model or a model output of the positioning model. In some implementations, the quality indicator may indicate a confidence of the LOS / NLOS indicator. For example, the quality indicator may be a hard value indicating the confidence.

[0116] For example, a new IE may be defined, e.g., “NR-LosNlosIndicatorQuality” . For instance, the new IE may be an LPP IE or an NRPPa message, which specifies an estimate of a quality of the LOS / NLOS indicator with a hard value.

[0117] In some examples, the quality indicator for the LOS / NLOS indicator (such as “NR-LosNlosIndicatorQuality” ) may be included in an IE of reference signal measurement information. For example, the IE “NR-DL-TDOA-SignalMeasurementInformation” may be updated as follows:

[0118] In some embodiments, the quality indicator for the LOS / NLOS indicator may be a confidence, which indicates a confidence level of the LOS / NLOS indicator. For example, the confidence may be a value from 0 to 1. For example, the confidence may be a percentage value from 0 to 100. For instance, a larger value represents a high reliability of the LOS / NLOS indicator. For example, the IE “LosNlosIndicatorQuality” may be implemented as follows with descriptions in Table 5:

[0119] Table 5

[0120] In the process 300, the first device 301 transmits, and the second device 302 receives, the LOS / NLOS indicator together with the quality indicator at 320.

[0121] In the process 300, the second device 302 determines a validity of the LOS / NLOS indicator based on the quality indicator at 330. In some examples, the second device 302 may determine whether to use training data including the LOS / NLOS indicator for model training or whether use the LOS / NLOS indicator to determine a UE location.

[0122] In addition or alternatively, the second device 302 may perform a model training or a position determination based on the LOS / NLOS indicator at 340, e.g., when the validity of the LOS / NLOS indicator is confirmed. However, it should be noted that the step 340 is only for illustration. In some examples, the second device 302 may provide the training data including the LOS / NLOS indicator to another device for model training. In some examples, the second device 302 may provide the LOS / NLOS indicator to another device for determining a UE location.

[0123] According to embodiments with reference to FIG. 3, a quality indicator for the LOS / NLOS indicator can be provided from the first device to the second device. As such, a validity of LOS / NLOS indicator can be checked based on the quality indicator, and accordingly an effectiveness of a trained model or an availability of the model output can be determined.

[0124] Reference is further made to FIG. 4, which illustrates a signalling chart illustrating communication process 400 in accordance with some example embodiments of the present disclosure. The process 400 may involve a first device 401 and a second device 402.

[0125] With reference to FIG. 1A, the first device 401 may be the LMF 130, and the second device 402 may be the terminal device 110 or the network device 120 (such as gNB / TRP) for delivery of training data. With reference to FIG. 1A, the first device 401 may be one of the terminal device 110, the network device 120 (such as gNB / TRP) , or the PRU 140, and the  second device 402 may be the LMF 130 for delivery training data or model output. It would be appreciated that the process 400 may be applied to other communication scenarios, which will not be described in detail.

[0126] In some embodiments, part of training data or a model output may be angle information. Regarding training data collection, the angle information may be provided by the LMF 130 to the terminal device 110, e.g., for a UE assisted model (Case 2a) ; or may be provided by the LMF 130 to the network device 120 such as a gNB, e.g., for a NG-RAN node assisted model (Case 3a) , for example, the angle information may be used as a label of training data. Regarding training data collection, the angle information may be provided by the terminal device 110, the network device 120, or the PRU 140 to the LMF 130, which may further provide it to the terminal device 110 or the network device 120. Regarding model inference phase, the terminal device 110 (Case 2a) or the network device 120 (Case 3a) may perform a model inference to obtain angle information, and then provide it to the LMF 130.

[0127] In the process 400, the first device 401 determines a quality indicator for angle information at 410, where the angle information may be at least part of training data for training a positioning model or a model output of the positioning model. In some implementations, the quality indicator may include an angle quality value and an angle quality resolution of the angle information.

[0128] For example, a new IE may be defined, e.g., “NR-AngleQuality” . For instance, the new IE may be an LPP IE or an NRPPa message, which specifies an estimate of a quality of the angle information.

[0129] In some examples, the quality indicator for the angle information (such as “NR-AngleQuality” ) may be included in an IE of reference signal measurement information. For example, the IE “NR-DL-TDOA-SignalMeasurementInformation” may be updated as follows:

[0130] In some embodiments, the quality indicator for the angle information may include an angle quality value and an angle quality resolution. For example, the angle quality value may be a value in a unit of degree in a range 0-255 or in another range. For example, the angle quality value may indicate an estimated of uncertainty of the angle information. For example, the angle quality resolution may be a positive value, which may be less than 1, equal to 1, or larger than 1. For example, the IE “AngleQuality” may be implemented as follows with descriptions in Table 6:

[0131] Table 6

[0132] In the process 400, the first device 401 transmits, and the second device 402 receives, the angle information together with the quality indicator at 420.

[0133] In the process 400, the second device 402 determines a validity of the angle information based on the quality indicator at 430. In some examples, the second device 402 may determine whether to use training data including the angle information for model training or whether use the angle information to determine a UE location.

[0134] In addition or alternatively, the second device 402 may perform a model training or a position determination based on the angle information at 440, e.g., when the validity of the angle information is confirmed. However, it should be noted that the step 440 is only for illustration. In some examples, the second device 402 may provide the training data including the angle information to another device for model training. In some examples, the second device 402 may provide the angle information to another device for determining a UE location.

[0135] According to embodiments with reference to FIG. 4, a quality indicator for the angle information can be provided from the first device to the second device. As such, a validity of angle information can be checked based on the quality indicator, and accordingly an effectiveness of a trained model or an availability of the model output can be determined.

[0136] 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.

[0137] FIG. 5 illustrates a flowchart of an example method 500 implemented at a first device in accordance with some embodiments of the present disclosure. For example, the first device may be the first device 201 in FIG. 2, which may be one of the terminal device 110, a network device 120 (such as gNB / TRP) , or a PRU 140 with reference to FIG. 1A.

[0138] At block 510, the first device determines a quality indicator for power information of data, wherein the data comprises a channel measurement which is used for generating at least part of training data for training a positioning model or is used for generating part of input data of the positioning model, and wherein the quality indicator indicates an uncertainty of the power information. At block 520, the first device transmits, to a second device, the data together with the quality indicator.

[0139] It should be noted that the method 500 may include various other operations which may be performed by the first device 201 as described above with reference to FIG. 2.

[0140] FIG. 6 illustrates a flowchart of an example method 600 implemented at a first device in accordance with some embodiments of the present disclosure. For example, the first device may be the first device 301 in FIG. 3, which may be one of the terminal device 110, a network device 120 (such as gNB / TRP) , the LMF 130, or a PRU 140 with reference to FIG. 1A.

[0141] At block 610, the first device determines a quality indicator for a LOS / NLOS indicator, wherein the LOS / NLOS indicator is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator indicates a confidence level of the LOS / NLOS indicator. At block 620, the first device transmits to a second device, the LOS / NLOS indicator together with the quality indicator.

[0142] It should be noted that the method 600 may include various other operations which may be performed by the first device 301 as described above with reference to FIG. 3.

[0143] FIG. 7 illustrates a flowchart of an example method 700 implemented at a first device in accordance with some embodiments of the present disclosure. For example, the first device may be the first device 401 in FIG. 4, which may be one of the terminal device 110, a network device 120 (such as gNB / TRP) , the LMF 130, or a PRU 140 with reference to FIG. 1A.

[0144] At block 710, the first device determines a quality indicator for angle information, wherein the angle information is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator comprises an angle quality value and an angle quality resolution. At block 720, the first device transmits, to a second device, the angle information together with the quality indicator.

[0145] It should be noted that the method 700 may include various other operations which may be performed by the first device 401 as described above with reference to FIG. 4.

[0146] FIG. 8 illustrates a flowchart of an example method 800 implemented at a second device in accordance with some embodiments of the present disclosure. For example, the second device may be the second device 202 in FIG. 2, which may be the LMF 130 with reference to FIG. 1A.

[0147] At block 810, the second device receives, from a first device, data and a quality indicator for power information of the data, wherein the data comprises a channel measurement which is used for generating at least part of training data for training a positioning model or is used for generating part of input data of the positioning model, and wherein the quality indicator indicates an uncertainty of the power information. At block 820, the second device determines a validity of the data based on the quality indicator.

[0148] It should be noted that the method 800 may include various other operations which may be performed by the second device 202 as described above with reference to FIG. 2.

[0149] FIG. 9 illustrates a flowchart of an example method 900 implemented at a second device in accordance with some embodiments of the present disclosure. For example, the second device may be the second device 302 in FIG. 3, which may be the terminal device 110, a network device 120 (such as gNB / TRP) , or the LMF 130 with reference to FIG. 1A.

[0150] At block 910, the second device receives, from a first device, a LOS / NLOS indicator together with a quality indicator for the LOS or NLOS indicator, wherein the LOS / NLOS indicator is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator indicates a confidence level of the LOS / NLOS indicator. At block 920, the second device determines a validity of the LOS / NLOS indicator based on the quality indicator.

[0151] It should be noted that the method 900 may include various other operations which may be performed by the second device 302 as described above with reference to FIG. 3.

[0152] FIG. 10 illustrates a flowchart of an example method 1000 implemented at a second device in accordance with some embodiments of the present disclosure. For example, the second device may be the second device 402 in FIG. 4, which may be the terminal device 110, a network device 120 (such as gNB / TRP) , or the LMF 130 with reference to FIG. 1A.

[0153] At block 1010, the second device receives, from a first device, angle information together with a quality indicator for the angle information, wherein the angle information is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator comprises an angle quality value and an angle quality resolution. At block 1020, the second device determines a validity of the angle information based on the quality indicator.

[0154] It should be noted that the method 1000 may include various other operations which may be performed by the second device 402 as described above with reference to FIG. 4.

[0155] Details of some embodiments according to the present disclosure have been described with reference to FIGS. 1A-10. Now an example implementation of the device deployed with at least one positioning model will be discussed below.

[0156] In some example embodiments, a first device comprises circuitry configured to: determine a quality indicator for power information of data, wherein the data comprises a channel measurement which is used for generating at least part of training data for training a positioning model or is used for generating part of input data of the positioning model, and wherein the quality indicator indicates an uncertainty of the power information; and transmit, to a second device, the data together with the quality indicator. It should be noted that the first device comprises circuitry configured to perform various other operations as described above with reference to FIG. 2.

[0157] In some example embodiments, a first device comprises circuitry configured to: determine a quality indicator for a LOS / NLOS indicator, wherein the LOS / NLOS indicator is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator indicates a confidence level of the LOS / NLOS indicator; and transmit, to a second device, the LOS / NLOS indicator together with the quality indicator. It should be noted that the first device comprises circuitry configured to perform various other operations as described above with reference to FIG. 3.

[0158] In some example embodiments, a first device comprises circuitry configured to: determine a quality indicator for angle information, wherein the angle information is at least  part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator comprises an angle quality value and an angle quality resolution; and transmit, to a second device, the angle information together with the quality indicator. It should be noted that the first device comprises circuitry configured to perform various other operations as described above with reference to FIG. 4.

[0159] In some example embodiments, a second device comprises circuitry configured to: receive, from a first device, data and a quality indicator for power information of the data, wherein the data comprises a channel measurement which is used for generating at least part of training data for training a positioning model or is used for generating part of input data of the positioning model, and wherein the quality indicator indicates an uncertainty of the power information; and determine a validity of the data based on the quality indicator. It should be noted that the second device comprises circuitry configured to perform various other operations as described above with reference to FIG. 2.

[0160] In some example embodiments, a second device comprises circuitry configured to: receive, from a first device, a LOS / NLOS indicator together with a quality indicator for the LOS or NLOS indicator, wherein the LOS / NLOS indicator is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator indicates a confidence level of the LOS / NLOS indicator; and determine a validity of the LOS / NLOS indicator based on the quality indicator. It should be noted that the second device comprises circuitry configured to perform various other operations as described above with reference to FIG. 3.

[0161] In some example embodiments, a second device comprises circuitry configured to: receive, from a first device, angle information together with a quality indicator for the angle information, wherein the angle information is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator comprises an angle quality value and an angle quality resolution; and determine a validity of the angle information based on the quality indicator. It should be noted that the second device comprises circuitry configured to perform various other operations as described above with reference to FIG. 4.

[0162] FIG. 11 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 first device or the second device 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.

[0163] 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.

[0164] 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-10. 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.

[0165] 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.

[0166] In summary, embodiments of the present disclosure may provide the following solutions.

[0167] The present disclosure provides a first device, comprising at least one processor configured to cause the first device at least to: determine a quality indicator for power information of data, wherein the data comprises a channel measurement which is used for generating at least part of training data for training a positioning model or is used for generating part of input data of the positioning model, and wherein the quality indicator indicates an uncertainty of the power information; and transmit, to a second device, the data together with the quality indicator.

[0168] In one embodiment, the first device as above, the quality indicator comprises a power quality value and a power quality resolution, a product of which indicates the uncertainty.

[0169] In one embodiment, the first device as above, the quality indicator comprises a power quality value and a quality factor, wherein the quality factor indicates an exponential scale factor with a predefined base value.

[0170] In one embodiment, the first device as above, the quality indicator comprises a drift, which indicates an error of the power information.

[0171] In one embodiment, the first device as above, the quality indicator comprises a confidence, which indicates a confidence level of the power information.

[0172] In one embodiment, the first device as above, the quality indicator is carried in an IE of reference signal measurement information.

[0173] In one embodiment, the first device as above, the first device comprises one of a terminal device, a RU, or a network device, and wherein the second device comprises a location server.

[0174] The present disclosure provides a first device, comprising at least one processor configured to cause the first device at least to: determine a quality indicator for a LOS / NLOS  indicator, wherein the LOS / NLOS indicator is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator indicates a confidence level of the LOS / NLOS indicator; and transmit, to a second device, the LOS / NLOS indicator together with the quality indicator.

[0175] In one embodiment, the first device as above, the quality indicator is carried in an IE of reference signal measurement information.

[0176] In one embodiment, the first device as above, the first device comprises one of a terminal device, a PRU, or a network device, and wherein the second device comprises a location server.

[0177] In one embodiment, the first device as above, the first device comprises a location server, and wherein the second device comprises a terminal device or a network device.

[0178] The present disclosure provides a first device, comprising at least one processor configured to cause the first device at least to: determine a quality indicator for angle information, wherein the angle information is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator comprises an angle quality value and an angle quality resolution; and transmit, to a second device, the angle information together with the quality indicator.

[0179] In one embodiment, the first device as above, the quality indicator is carried in an IE of reference signal measurement information.

[0180] In one embodiment, the first device as above, the first device comprises one of a terminal device, a PRU, or a network device, and wherein the second device comprises a location server.

[0181] In one embodiment, the first device as above, the first device comprises a location server, and wherein the second device comprises a terminal device or a network device.

[0182] The present disclosure provides a second device, comprising at least one processor configured to cause the second device at least to: receive, from a first device, data and a quality indicator for power information of the data, wherein the data comprises a channel measurement which is used for generating at least part of training data for training a positioning model or is used for generating part of input data of the positioning model, and wherein the quality indicator indicates an uncertainty of the power information; and determine a validity of the data based on the quality indicator.

[0183] In one embodiment, the second device as above, the quality indicator comprises a power quality value and a power quality resolution, a product of which indicates the uncertainty.

[0184] In one embodiment, the second device as above, the quality indicator comprises a power quality value and a quality factor, wherein the quality factor indicates an exponential scale factor with a predefined base value.

[0185] In one embodiment, the second device as above, the quality indicator comprises a drift, which indicates an error of the power information.

[0186] In one embodiment, the second device as above, the quality indicator comprises a confidence, which indicates a confidence level of the power information.

[0187] In one embodiment, the second device as above, the quality indicator is carried in an IE of reference signal measurement information.

[0188] In one embodiment, the second device as above, the first device comprises one of a terminal device, a PRU, or a network device, and wherein the second device comprises a location server.

[0189] The present disclosure provides a second device, comprising at least one processor configured to cause the second device at least to: receive, from a first device, a LOS / NLOS indicator together with a quality indicator for the LOS or NLOS indicator, wherein the LOS / NLOS indicator is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator indicates a confidence level of the LOS / NLOS indicator; and determine a validity of the LOS / NLOS indicator based on the quality indicator.

[0190] In one embodiment, the second device as above, the quality indicator is carried in an IE of reference signal measurement information.

[0191] In one embodiment, the second device as above, the first device comprises one of a terminal device, a PRU, or a network device, and wherein the second device comprises a location server.

[0192] In one embodiment, the second device as above, the first device comprises a location server, and wherein the second device comprises a terminal device or a network device.

[0193] The present disclosure provides a second device, comprising at least one processor configured to cause the second device at least to: receive, from a first device, angle  information together with a quality indicator for the angle information, wherein the angle information is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator comprises an angle quality value and an angle quality resolution; and determine a validity of the angle information based on the quality indicator.

[0194] In one embodiment, the second device as above, the quality indicator is carried in an IE of reference signal measurement information.

[0195] In one embodiment, the second device as above, the first device comprises one of a terminal device, a PRU, or a network device, and wherein the second device comprises a location server.

[0196] In one embodiment, the second device as above, the first device comprises a location server, and wherein the second device comprises a terminal device or a network device.

[0197] The present disclosure provides a method of communication, comprising the operations implemented at one of: the first device or the second device.

[0198] 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 first device or the second device discussed above.

[0199] 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 first device or the second device discussed above.

[0200] 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 first device or the second device discussed above.

[0201] 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.

[0202] 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.

[0203] 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.

[0204] 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.

[0205] 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.

[0206] 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 first device comprising at least one processor configured to cause the first device to:determine a quality indicator for power information of data, wherein the data comprises a channel measurement which is used for generating at least part of training data for training a positioning model or is used for generating part of input data of the positioning model, and wherein the quality indicator indicates an uncertainty of the power information; andtransmit, to a second device, the data together with the quality indicator.2.The first device of claim 1, wherein the quality indicator comprises a power quality value and a power quality resolution, a product of which indicates the uncertainty.3.The first device of claim 1, wherein the quality indicator comprises a power quality value and a quality factor, wherein the quality factor indicates an exponential scale factor with a predefined base value.4.The first device of claim 1, wherein the quality indicator comprises a drift, which indicates an error of the power information.5.The first device of claim 1, wherein the quality indicator comprises a confidence, which indicates a confidence level of the power information.6.The first device of claim 1, wherein the quality indicator is carried in an information element (IE) of reference signal measurement information.7.The first device of claim 1, wherein the first device comprises one of a terminal device, a positioning reference unit (PRU) , or a network device, and wherein the second device comprises a location server.8.A first device comprising at least one processor configured to cause the first device to:determine a quality indicator for a light of sight (LOS) or non-line of sight (NLOS) indicator, wherein the LOS or NLOS indicator is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator indicates a confidence level of the LOS or NLOS indicator; andtransmit, to a second device, the LOS or NLOS indicator together with the quality indicator.9.The first device of claim 8, wherein the quality indicator is carried in an information element (IE) of reference signal measurement information.10.The first device of claim 8, wherein the first device comprises one of a terminal device, a positioning reference unit (PRU) , or a network device, and wherein the second device comprises a location server.11.The first device of claim 8, wherein the first device comprises a location server, and wherein the second device comprises a terminal device or a network device.12.A first device comprising at least one processor configured to cause the first device to:determine a quality indicator for angle information, wherein the angle information is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator comprises an angle quality value and an angle quality resolution; andtransmit, to a second device, the angle information together with the quality indicator.13.The first device of claim 12, wherein the quality indicator is carried in an information element (IE) of reference signal measurement information.14.The first device of claim 12, wherein the first device comprises one of a terminal device, a positioning reference unit (PRU) , or a network device, and wherein the second device comprises a location server.15.The first device of claim 12, wherein the first device comprises a location server, and wherein the second device comprises a terminal device or a network device.16.A second device comprising at least one processor configured to cause the second device to:receive, from a first device, data and a quality indicator for power information of the data, wherein the data comprises a channel measurement which is used for generating at least part of training data for training a positioning model or is used for generating part of input data of the positioning model, and wherein the quality indicator indicates an uncertainty of the power information; anddetermine a validity of the data based on the quality indicator.17.A second device comprising at least one processor configured to cause the second device to:receive, from a first device, a light of sight (LOS) or non-line of sight (NLOS) indicator together with a quality indicator for the LOS or NLOS indicator, wherein the LOS or NLOS indicator is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator indicates a confidence level of the LOS or NLOS indicator; anddetermine a validity of the LOS or NLOS indicator based on the quality indicator.18.A second device comprising at least one processor configured to cause the second device to:receive, from a first device, angle information together with a quality indicator for the angle information, wherein the angle information is at least part of training data for training a positioning model or a model output of the positioning model, and wherein the quality indicator comprises an angle quality value and an angle quality resolution; anddetermine a validity of the angle information based on the quality indicator.19.The second device of claim 18, wherein the first device comprises one of a terminal device, a positioning reference unit (PRU) , or a network device, and wherein the second device comprises a location server.20.The second device of claim 18, wherein the first device comprises a location server, and wherein the second device comprises a terminal device or a network device.

Images