共查询到17条相似文献,搜索用时 250 毫秒
1.
3GPP制定的5G标准Release 15(Rel-15)版本仅支持紧急业务的位置服务需求,在Rel-16完成了5G位置服务网络架构、网元功能、端到端流程设计、定位参考信号、测量量、测量流程等的标准化后,成为了支持商业场景位置服务的完整版本。Rel-17则进一步缩短了定位服务时延、提升了定位精度到米级。3GPP在2022年开始Rel-18位置服务和定位研究项目,主要包含进一步提升定位性能指标(如更低时延、更高精度和更低能耗),以及进一步扩展定位功能(如支持Sidelink定位、用户面定位和卫星接入场景的终端位置验证等)。在介绍Rel-15/Rel-16/Rel-17位置服务研究进展的基础上,提出、分析了实现Rel-18定位的部分潜在关键技术,指出了6G网络的定位需求是更高的精度、支持更高速度场景的定位、支持更多的垂直行业和场景,人工智能、太赫兹通信将成为实现6G更高精度定位的潜在关键技术。 相似文献
2.
5G标准规范体系的演进将致力于解决不同应用场景中的多样化、差异化性能指标,适用频谱资源的缺乏要求5G新空口频段能够同时承载超高速率、超低时延业务。根据3GPP研究计划与进展,5G研究初期以eMBB为主,直到成熟期完善URLLC的标准化。本文主要从物理层设计的角度出发对eMBB与URLLC KPI及相关技术进行了讨论与研究。为了实现不同参数集配置的两种业务模型在同一频段上共存,本文分析了四种应用场景下eMBB与URLLC的两种基本复用方法,旨在减少资源浪费,提升系统的频谱效率。 相似文献
3.
4.
随着5G标准的发展,第一个3GPP 的5G NR标准版本Rel.15计划于2018年6月完成.5G商用场景众多,如增强移动宽带(eMBB)、低时延与高可靠通信(URLLC)、大连接物联网(mMTC)等,其中eMBB业务场景是最传统、运营商最关注、与用户关系最密切的.在众多5G技术中,对eMBB业务性能影响最大的是Massive MIMO.可以预见,未来的5G商用产品中,Massive MIMO是最有可能优先部署的5G标志性技术. 相似文献
5.
<正>目前5G的三大应用场景是增强移动带宽(eMBB)、高可靠低时延(URLLC)以及海量机器通信(mMTC),随着5G商用的发展,人们在实践中发现,部分场景对性能并不存在极致的要求,5G三大场景赋予的能力超出了实际应用需求,如图1所示。因此,为助力5G商用落地,更好地平衡性能与成本,业界便提出了“轻量级的5G”,即RedCap(Reduced Capability)。RedCap在3GPP Rel-17冻结标准中被定义为:通过削减终端空口能力、降低复杂度,达到降低成本、降低功耗等要求。 相似文献
6.
URLLC是5G三大应用场景之一,但5G现网全面支持URLLC业务仍存在一些问题。首先分析了URLLC R15版本支持低时延和高可靠的标准化关键技术,然后分析了R16版本支持TSN确定性需求技术方案和超高可靠性增强方案,为5G商用URLLC明确了需要引入的增强功能和面临的挑战。 相似文献
7.
通过对3GPP 5G标准演进的介绍,解读了R16版本的主要内容,并分析了其中一些关键功能和性能,重点聚焦eMBB增强与垂直行业能力提升两大方面. 相似文献
8.
9.
5G无线通信系统除了满足普通用户移动宽带互联网业务需求,还要向垂直行业、企业渗透,加快国家工业互联网发展和工业智能化进程。为了更好地实现这一目标,非公共网络技术(NPN)开始吸引人们的目光,3GPP已在5G Rel-16标准中加入NPN场景需求、功能的研究和标准化工作。介绍了NPN网络的基本概念,给出5G标准Rel-16版本中NPN的两种组网形态和典型组网方案,以及NPN网络与PLMN网络互操作方法。在此基础上,分析了NPN网络特性和不同的NPN部署方案对网络特性的影响,为运营商和垂直行业企业未来部署NPN网络提供参考。 相似文献
10.
11.
URLLC作为5G三大场景之一,其具有超低时延和超高可靠的特性,可广泛应用于多个行业中。在URLLC低时延高可靠的关键技术研究的基础上,对TDD/FDD NR下的eMBB与URLLC空口数据收发时序和环回时延进行了对比分析,提出了URLLC网络部署建议。 相似文献
12.
13.
14.
15.
Joint user pairing and power allocation approach is investigated to meet the rate requirement of enhanced mobile broadband (eMBB) slicing and delay constraint of ultra-reliable low-latency communication (URLLC) slicing simultaneously in downlink non-orthogonal multiple access ( NOMA) system. For maximizing the proportional fairness among mobile terminals, a two-step algorithm is proposed. For a given user sets, the optimal user pairing sets and the factor of the power allocation in a group were obtained to ensure the quality of service (QoS) and the isolation between different types of slicings. Simulation results show that the proposed joint algorithm can provide better throughput than orthogonal multiple access (OMA). 相似文献
16.
为了研究基于深度强化学习(Deep Reinforcement Learning, DRL)的5G异构网络模型的性能,同时在最小化系统能耗并满足不同类型终端用户的服务质量要求的基础上制定合理的资源分配方案,提出了一种基于DRL的近端策略优化算法,并结合一种基于优先级的分配策略,引入了海量机器类型通信、增强移动宽带和超可靠低延迟通信业务。所提算法相较于Greedy和DQN算法,网络延迟分别降低73.19%和47.05%,能耗分别降低9.55%和6.93%,而且可以保证能源消耗和用户延迟之间的良好权衡。 相似文献