User Positioning in mmW 5G Networks using Beam-RSRP Measurements and\n Kalman Filtering
Notice bibliographique
Résumé
In this paper, we exploit the 3D-beamforming features of multiantenna\nequipment employed in fifth generation (5G) networks, operating in the\nmillimeter wave (mmW) band, for accurate positioning and tracking of users. We\nconsider sequential estimation of users' positions, and propose a two-stage\nextended Kalman filter (EKF) that is based on reference signal received power\n(RSRP) measurements. In particular, beamformed downlink (DL) reference signals\n(RS) are transmitted by multiple base stations (BSs) and measured by user\nequipmentn(UE) employing receive beamforming. The so-obtained BRSRP\nmeasurements are fed back to the BS where the corresponding\ndirection-of-departure are sequentially estimated by a novel EKF. Such angle\nestimates from multiple BSs are subsequently fused on a central entity into 3D\nposition estimates of UE by means of an angle-based EKF. The proposed\npositioning scheme is scalable since the computational burden is shared among\ndifferent network entities, namely transmission/reception points (TRPs) and\n5G-NR Node B (gNB), and may be accomplished with the signalling currently\nspecified for 5G. We assess the performance of the proposed algorithm on a\nrealistic outdoor 5G deployment with a detailed ray tracing propagation model\nbased on the METIS Madrid map. Numerical results with a system operating at 39\nGHz show that sub-meter 3D positioning accuracy is achievable in future mmW 5G\nnetworks.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».