从 5G 通信到厘米级感知：基于 NVIDIA Aerial、SRS 与 UL-TDOA 构建 6G 无线定位实验平台

从 5G 通信到厘米级感知：基于 NVIDIA Aerial、SRS 与 UL-TDOA 构建 6G 无线定位实验平台

探索 3GPP NR Positioning、O-RAN 多站协同、GPU 加速信道处理，以及 AI/ML 高精度定位技术。

一、从无线通信到无线定位：5G/6G 的新研究方向

传统移动通信网络主要解决数据传输问题，包括网络覆盖、频谱效率、吞吐量、时延和连接可靠性。

然而，随着 5G-Advanced 和 6G 技术的发展，无线网络正在探索更加多样化的能力。

其中，定位与感知是重要研究方向之一。

未来的无线网络除了提供数据连接，还可能通过无线信号测量实现设备定位、运动状态分析和环境感知。

例如：

• 智能工厂中的设备与机器人定位；
• 仓储物流中的资产追踪；
• 室内人员与终端定位；
• 自动化设备协同；
• 无线环境感知；
• 6G 通信感知一体化（ISAC）研究。

在 3GPP NR 定位技术中，已经定义了多种定位方法，包括 DL-TDOA、UL-TDOA、UL-AoA、DL-AoD、Multi-RTT 等。

其中，基于上行 SRS 的 UL-TDOA（Uplink Time Difference of Arrival）具有较高的研究价值。

它可以利用多个接收站测量同一个 UE 发射的上行信号，通过到达时间差估计终端位置。

对于具备 NVIDIA Aerial、OAI 和 O-RAN O-RU 的通信实验室，这为现有 5G 网络平台扩展定位研究功能提供了一个方向。

二、UL-TDOA：如何利用多个基站定位手机？

UL-TDOA 的基本原理并不复杂。

假设一个 UE 向多个接收站（TRP，Transmission Reception Point）发送同一组上行参考信号。

由于 UE 与不同 TRP 之间的传播距离不同，各 TRP 接收到该信号的时间也存在差异。

通过测量不同接收站之间的信号到达时间差，可以建立终端位置与接收站位置之间的几何约束。

假设 UE 的位置为：

\\mathbf{p}=(x,y)

两个接收站的位置分别为：

\\mathbf{p}_1=(x_1,y_1),\\quad \\mathbf{p}_2=(x_2,y_2)

UE 到接收站的距离为：

d_i=\|\\mathbf{p}-\\mathbf{p}_i\|

则在理想同步并消除接收链路固定时延后，两站之间的到达时间差满足：

\\Delta t_{21}=\\frac{d_2-d_1}{c}

其中，(c) 为电磁波传播速度。

由此得到：

d_2-d_1=c\\Delta t_{21}

该方程描述一条双曲线。

通过多个 TRP 的测量，可以建立多组双曲线约束，进而求解 UE 的位置。

在二维定位中，三个几何位置合适、已校准的 TRP 可以提供两个独立的 TDOA 约束；实际系统通常需要更多冗余测量提高鲁棒性。

在三维定位中，通常至少需要四个位置合适的 TRP 才能构造三个独立的时间差约束。

三、1 纳秒的误差意味着什么？

无线定位对时间测量非常敏感。

电磁波在真空中传播 1 纳秒，对应的距离约为 0.3 米。

时间误差	等效传播距离差
100 ns	约 30 m
10 ns	约 3 m
1 ns	约 30 cm
100 ps	约 3 cm
10 ps	约 3 mm

这里表示时间差误差对应的传播距离差，不等于最终定位误差。

最终定位精度还受到接收站几何分布、无线多径、NLOS 传播、信号带宽和测量算法的影响。

例如，当多个 TRP 几乎位于同一条直线上时，即使到达时间差测量较准确，定位误差也可能因几何条件较差而被放大。

此外，PTP Offset 较小并不意味着无线射频链路的实际到达时间测量具有同样精度。

射频前端、滤波器、ADC、数字基带处理和接收时间戳机制都可能引入额外时延或测量偏差。

因此，高精度无线定位需要同时考虑时钟同步与端到端测量校准。

四、为什么 SRS 适合用于上行定位？

SRS（Sounding Reference Signal）是 5G NR 上行参考信号。

在传统无线通信系统中，SRS 主要用于上行信道测量，并支持链路自适应、频率选择性调度、波束管理等功能。

对于定位研究，SRS 还有一个重要用途：

接收站可以利用已知的 SRS 序列估计无线信号到达时间。

根据 3GPP TS 38.305，UL-TDOA 可以利用多个 TRP 对上行 SRS 的 UL-RTOA 测量估计终端位置。

UL-RTOA 指上行信号的相对到达时间测量，它与 TRP 的参考时序相关，并不是简单读取一个 CPU 接收时间戳。

利用 SRS 数据，研究人员可以构建时间到达估计算法。

例如：

1. 获取接收的 SRS 频域样本；
2. 根据已知参考序列估计信道响应；
3. 将频域信道响应转换为时域信道冲激响应；
4. 估计首径或其他具有定位意义的到达时间；
5. 对不同 TRP 的测量进行时间基准和硬件时延校准；
6. 计算到达时间差；
7. 使用定位算法估计 UE 坐标。

需要强调，信道冲激响应的最大峰值不一定对应最早到达的传播路径。

在复杂室内环境中，最强径可能来自反射信号。只有正确处理首径检测与多径问题，才能提高定位可靠性。

五、系统架构：NVIDIA Aerial + OAI + 多 O-RU

对于 AI-RAN 实验室，可以设计一套基于 NVIDIA GPU 平台的 UL-TDOA 研究系统。

              5G Android UE
                    |
                 UL SRS
                    |
          +---------+---------+
          |         |         |
          v         v         v
        O-RU 1    O-RU 2    O-RU 3
          |         |         |
          +---------+---------+
                    |
           O-RAN Fronthaul
                    |
            PTP / SyncE
                    |
                    v
       +------------------------+
       | NVIDIA GPU Platform    |
       |                        |
       | Aerial cuPHY           |
       | OAI L2 / L3            |
       | SRS Data Acquisition   |
       +------------------------+
                    |
                    v
           SRS Measurement
                    |
                    v
          UL-RTOA Estimation
                    |
                    v
         TDOA Position Solver
                    |
                    v
            UE Coordinates

在这个架构中，不同组件承担不同职责。

O-RU 负责接收 UE 发射的无线信号。

NVIDIA Aerial cuPHY 负责 GPU 加速物理层处理。

OAI 提供无线接入网协议栈及相关控制流程。

SRS 数据采集模块负责提取用于定位的信号或测量数据。

定位算法根据多个 TRP 的测量结果计算 UE 位置。

但是，这套架构属于面向研究的系统设计，不能直接等同于 NVIDIA Aerial Testbed 已经支持完整的多 TRP UL-TDOA。

实际部署还需要确认多个 O-RU 能否接收并处理同一个 UE 的 SRS、是否能够导出独立 TRP 的到达时间测量，以及 Aerial 与 OAI 的定位控制接口能否正确协同。

六、OAI 的 NRPPa 和 LMF 为什么重要？

对于符合 3GPP 定位架构的系统，仅有 SRS 物理层数据还不够。

还需要在控制面实现定位测量配置、测量请求、结果报告和位置计算。

这涉及两个重要组件：

NRPPa（NR Positioning Protocol A）

用于支持 LMF 与 NG-RAN 节点之间的定位相关信息交换，包括定位测量配置和测量结果报告。

LMF（Location Management Function）

5G 核心网中的定位管理功能，负责协调定位流程，并根据收到的测量信息估计 UE 位置。

按照 3GPP TS 38.305 的 UL-TDOA 流程，典型操作包括：

1. LMF 获取参与定位的 TRP 信息。
2. LMF 请求 UE 的定位能力信息。
3. LMF 与服务 gNB 协商用于定位的 UL-SRS 资源。
4. 服务 gNB 为 UE 配置相关 SRS。
5. LMF 向参与测量的 gNB/TRP 发出测量请求。
6. 多个 TRP 测量 UE 的上行 SRS。
7. gNB 通过 NRPPa 报告测量结果。
8. LMF 根据测量信息估计 UE 位置。

这一流程表明，定位不仅是物理层算法问题，还涉及 gNB、5GC 和定位协议栈的协同。

近年来，OAI 社区也开展了基于开源 gNB、5GC、LMF 和 O-RU 的 UL-TDOA 定位研究。

2025 年发表于 ACM WiNTECH 的论文《Experimental Insights From OpenAirInterface 5G Positioning Testbeds: Challenges and Solutions》介绍了三个定位实验平台，并报告了在其测试条件下，90% 的定位结果可达到约 1--2 米误差范围。

这一结果说明开源 5G 定位系统具有实际可行性，但不能直接视为所有 OAI 或 NVIDIA Aerial 组合都能够达到的性能。

七、从 NVIDIA Aerial 提取 SRS 数据

对于采用 NVIDIA Aerial 的平台，SRS 数据提取是实现定位研究的重要步骤。

NVIDIA Aerial Sample Apps 的公开数据结构文档描述了三类 SRS 相关数据流：

• SRS IQ Samples；
• SRS Channel Estimates；
• SRS Per-RB SNR。

其中，SRS IQ 为 FFT 后的频域复数样本，而不是未经处理的射频时域 IQ。

这些数据可以为离线信道分析提供基础。

例如，将不同接收天线的 SRS 信道估计组织成：

H\[k,m,t

]

其中：

• (k) 表示频率资源；
• (m) 表示接收天线；
• (t) 表示测量时刻。

研究人员可以从频域信道响应估计时域信道特征，再进一步研究 ToA 检测。

但需要特别注意：

SRS IQ、信道估计和 SNR 并不自动等于 3GPP 所要求的 UL-RTOA 测量。

若要从 Aerial 数据构造符合定位要求的测量，还必须处理信号采样参考点、资源映射、接收时序、不同 TRP 的采样时钟关系和硬件链路校准。

对于真正的端到端定位，还要进一步检查定位结果能否通过 NRPPa 接入 LMF。

八、AI/ML 能否提高 UL-TDOA 定位性能？

除了传统的匹配滤波、时域首径检测和最小二乘定位，AI/ML 也可以用于改进无线定位。

例如，在复杂室内环境中，NLOS 信号可能产生较大的到达时间偏差。

传统算法可能将反射路径误判为直接传播路径，导致定位结果出现系统性误差。

利用真实的 SRS 测量数据，可以探索训练 AI 模型识别 NLOS 场景，或者估计时间测量误差。

主要研究方向包括：

AI 辅助 ToA 估计

通过神经网络分析接收信号或信道冲激响应，改善复杂多径环境中的首径检测能力。

NLOS 识别与偏差校正

使用信道特征判断无线传播是否存在遮挡，并估计可能的测量偏差。

多 TRP 测量融合

结合多个接收站的 SNR、到达时间和信道特征，进行更加鲁棒的位置估计。

基于 AI 的直接位置估计

利用多站点信道测量直接预测 UE 位置，探索端到端数据驱动定位方法。

在相关研究中，还可以将传统算法与 AI 模型结合。

例如，先由传统物理层算法产生 ToA 测量，再由 AI 模型预测 NLOS 偏差，最后使用加权最小二乘或其他定位算法估计坐标。

这种混合架构通常更容易解释，也便于与传统定位算法进行公平比较。

九、实验室如何分阶段实现？

对于希望在现有 5G 网络基础上扩展定位能力的实验室，建议按四个阶段逐步实施。

第一阶段：单 O-RU SRS 数据采集

首先验证 UE 能够稳定发送 SRS，并成功提取 IQ、信道估计或相关测量数据。

这一阶段重点不在定位，而在于确保数据采集链路可靠。

需要记录 SRS 配置、带宽、天线端口、测量时间以及数据格式。

第二阶段：单站 ToA 算法验证

利用已知距离、受控线缆时延或经过校准的射频实验环境，对 ToA 估计算法进行测试。

建议先研究时间估计误差，再进入多站定位。

第三阶段：多 O-RU 同步测量

增加多个 O-RU，验证它们能否对同一 UE 的 SRS 建立可关联的独立测量结果。

重点解决：

• TRP 间时间同步；
• 射频链路固定时延；
• 多站 SRS 资源关联；
• 数据时间戳一致性；
• 多站测量数据采集。

这是从普通 5G 上行数据分析迈向 UL-TDOA 的关键阶段。

第四阶段：LMF 和完整定位流程

最后再集成 NRPPa、LMF 和定位结果报告流程。

此时可以将自定义定位算法与 3GPP 控制面相结合，构建更接近标准系统的端到端定位实验平台。

如果研究重点只是物理层算法，也可以先采用离线定位求解器，而不必在初期就实现全部核心网定位流程。

十、从 5G 定位走向 6G 通感一体化

UL-TDOA 只是无线定位的其中一种方式。

面向 6G，定位研究可能进一步结合：

• Massive MIMO 阵列；
• 宽带信道估计；
• UL-AoA 和 UL-TDOA 联合定位；
• AI/ML 信道特征识别；
• 无线环境数字孪生；
• 多站协同感知。

例如，UL-TDOA 可以提供基于时间差的几何约束，而 UL-AoA 可以提供基于到达角的方向约束。

结合多种测量结果，有机会提高复杂传播环境中的定位鲁棒性。

此外，NVIDIA Sionna RT 等无线传播仿真工具，可以用于生成具有不同场景、天线和传播条件的训练数据，并辅助分析真实测量结果。

但通信定位与无线感知虽然存在共同的信号处理技术，并不意味着实现了 UL-TDOA 就已经实现完整的 ISAC 功能。

两者在目标定义、测量模型、信号设计和算法要求上仍存在差异。

十一、总结

从传统 5G 数据传输到高精度无线定位，是 5G-Advanced 和 6G 值得关注的研究方向。

基于上行 SRS 的 UL-TDOA 技术，能够利用多个接收站的到达时间差，对 UE 位置进行估计。

NVIDIA Aerial、OAI、O-RAN O-RU 和 GPU 计算平台，为研究人员探索真实无线数据采集、信道测量与定位算法提供了可组合的技术基础。

不过，完整定位系统不仅需要获得 SRS 数据，还需要解决多 TRP 同步、到达时间估计、射频链路校准、NRPPa 协议及 LMF 集成等问题。

对于通信实验室而言，最合理的技术路线是先建立可靠的 SRS 采集与测量能力，再逐步发展为多站 TDOA 定位系统。

从能够连接手机的 5G 网络，到能够感知终端位置的无线实验平台，是未来 5G/6G 研究中值得深入探索的一步。

---

参考资料

1. 3GPP TS 38.305：NG-RAN UE Positioning
2. 3GPP TS 38.455：NRPPa
3. NVIDIA Aerial Sample Apps：SRS Data Representation
4. Experimental Insights From OpenAirInterface 5G Positioning Testbeds --- ACM WiNTECH 2025
5. NVIDIA Sionna RT
6. OpenAirInterface

本文为 5G/6G 定位技术分析与实验平台设计。厘米级定位属于研究目标，不代表所述硬件或开源系统已经实现该精度；实际精度需要通过同步、校准、传播环境和算法测试确定。