从纳秒级同步到厘米级定位：基于 NVIDIA Aerial、SRS 与多 O-RU 的 5G/6G UL-TDOA 实现原理与工程实践

从纳秒级同步到厘米级定位：基于 NVIDIA Aerial、SRS 与多 O-RU 的 5G/6G UL-TDOA 实现原理与工程实践

深入解析 5G NR 上行定位、SRS 信道测量、GPU 加速到达时间估计、多站时延校准，以及 NVIDIA Aerial 与 OpenAirInterface 的端到端集成方案。

一、为什么 5G 定位已经成为 6G 研究的重要基础？

过去十年，移动通信网络主要围绕无线覆盖、频谱效率和数据吞吐能力进行演进。

从 4G LTE 到 5G NR，无线接入网的核心目标一直是更加高效地传输数据。

但在 5G-Advanced 和 6G 技术体系中，无线网络正逐步扩展至定位、感知和环境理解等领域。

未来的无线网络不仅需要知道终端是否成功接入，还希望了解终端位于什么位置、如何运动，以及周围无线传播环境正在发生怎样的变化。

这些能力可以应用于智能制造、仓储物流、工业机器人、自动化运输和室内定位。

其中，基于 5G NR 上行参考信号的 UL-TDOA（Uplink Time Difference of Arrival）是值得关注的定位技术之一。

UL-TDOA 通过多个接收站测量同一 UE 发射信号的到达时间差，实现终端位置估计。

相比单纯利用信号强度估算距离的方法，TDOA 可以使用具有明确物理意义的传播时延信息构建几何约束。

然而，真正实现高精度定位并不容易。

它不仅涉及无线信号处理，还需要解决多站同步、硬件时延标定、时钟偏差、射频链路非理想因素以及多径传播等问题。

本文以 NVIDIA Aerial、OpenAirInterface（OAI）、DGX Spark/GH200 和多台 O-RAN O-RU 为基础，讨论如何从一个普通的 5G SA 通信实验平台，逐步构建具备 UL-TDOA 能力的无线定位系统。

需要强调：厘米级定位是研究目标，而不是这些组件组合后就能达到的性能指标。

二、UL-TDOA 与 3GPP NR Positioning

在 3GPP 的 5G 定位体系中，TS 38.305 定义了多种基于 NR 无线信号的定位方法。

定位方式	主要测量信息	技术特点
DL-TDOA	下行 PRS 到达时间差	UE 测量多个发射点
UL-TDOA	上行 UL-RTOA	多个 TRP 测量 UE 信号
UL-AoA	上行到达角	利用天线阵列估计方向
DL-AoD	下行出发角	利用波束方向信息
Multi-RTT	多站往返传播时间	基于往返时间测距

UL-TDOA 的一个特点是，UE 不必自行完成复杂的多站时间差测量。

UE 按照网络配置发射 SRS，多个接收站则分别对该上行信号进行测量。

最终由网络侧结合不同 TRP 的测量结果估计 UE 位置。

2.1 UL-TDOA 的数学模型

假设 UE 位于未知坐标：

\\mathbf{p}=\[x,y,z\]\^T

第 (i) 个 TRP 的已知坐标为：

\\mathbf{p}_i=\[x_i,y_i,z_i\]\^T

UE 与该 TRP 之间的传播距离为：

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

对同一次 SRS 发射，设第 (i) 个 TRP 的接收时间测量为：

t_i=t_{\\mathrm{tx}}+\\frac{d_i}{c}+b_i+\\epsilon_i

其中：

• (t_{\mathrm{tx}})：UE 发射时刻；
• (c)：电磁波传播速度；
• (b_i)：接收站时间基准和硬件链路引入的偏差；
• (\epsilon_i)：测量噪声及剩余误差。

选择 TRP 1 作为参考站，则有：

t_i-t_1= \\frac{d_i-d_1}{c} +(b_i-b_1) +(\\epsilon_i-\\epsilon_1)

经过站间时延偏差校准后，便可以构造 TDOA 定位方程。

这个模型揭示了一个非常关键的问题：

UL-TDOA 不只是计算两个时间戳之差。真正的难点在于，如何保证不同 TRP 的时间测量具有共同、稳定且可校准的参考基准。

三、厘米级定位究竟需要多高的时间精度？

时间误差与无线传播距离之间存在直接关系：

\\Delta d=c\\Delta t

以电磁波传播速度约 (3\times10^8) m/s 计算：

时间误差	等效距离差误差
10 ns	3 m
1 ns	30 cm
333 ps	约 10 cm
100 ps	3 cm
33 ps	约 1 cm

这些只是距离差误差的等效值，并不直接等于最终位置误差。

实际定位还需要考虑 TRP 的几何分布、误差相关性、多径以及优化算法。

3.1 PTP Offset 为 3ns，是否意味着 90cm 定位精度？

不能直接得出这个结论。

假设网络使用 G.8275.1 PTP Profile，两个接收站的时钟偏差都很小。

这只能说明时钟同步系统达到了某种性能水平，不能说明射频信号从天线进入 O-RU，到达物理层时间测量点的整体延迟已经校准。

接收路径还可能包含：

• 天线与馈线传播时延；
• 射频滤波器和模拟前端群时延；
• ADC 与数字下变频处理延迟；
• 数字滤波和 FFT 窗口定时；
• O-RU 基带处理延迟；
• 时间测量算法的偏差。

对于不同 O-RU，即使它们使用相同型号、相同固件，也不能假定这些延迟完全一致。

此外，PTP 状态日志中的 Offset 或 RMS 反映的是特定测量点和估计机制，不一定涵盖从时钟输入到无线采样参考点的完整误差链。

因此，定位系统必须单独进行端到端时延标定。

3.2 定位误差预算

可以将系统误差划分为若干主要部分：

误差来源	主要影响	建议处理方式
站间时钟误差	到达时间差偏移	PTP/SyncE 与时间基准验证
射频链路群时延	固定或温漂偏差	有线标定、温度复测
SRS 估计噪声	ToA 随机波动	多次测量、滤波
多径与 NLOS	系统性测距偏差	首径检测、NLOS 识别
TRP 坐标误差	定位几何偏差	精确测量站点位置
几何精度因子	误差放大	优化 TRP 布局

上述误差并非都可以直接按照均方根方式相加，因为它们可能包含相关误差和系统偏差。

对于真正以厘米级为目标的研究，必须分别测量和控制这些误差来源。

四、从 SRS 频域信道估计到 ToA

SRS 是 5G NR 上行信道测量的重要参考信号。

对于已知发射序列的 SRS，接收站可以根据接收信号估计无线信道频率响应。

在简化的频域模型中：

Y\[k\]=H\[k\]X\[k\]+N\[k

]

其中：

• (Xk)：已知 SRS 发射符号；
• (Yk)：接收频域信号；
• (Hk)：无线信道频率响应；
• (Nk)：噪声及干扰。

当参考符号非零时，可以利用最小二乘方法估计：

\\hat H\[k\]=\\frac{Y\[k\]}{X\[k\]}

再对有效的频域信道响应进行处理，获得时域信道冲激响应（CIR）：

\\hat h\[n\]=\\operatorname{IFFT}{\\hat H\[k\]}

需要注意，真实 NR SRS 并不一定占满全部连续子载波，还可能具有梳状映射、频域偏移和跳频配置。

因此，实际处理时不能简单地对原始数据数组直接执行 IFFT。

必须先恢复正确的子载波映射，并根据采样间隔、有效带宽和频域资源结构建立正确的时延轴。

4.1 ToA 估计为什么不能只取最大峰值？

假设 CIR 中出现多个路径：

接收幅度
  |
  |             /\
  |            /  \      最强反射径
  |    /\     /    \
  |   /  \   /      \
  |__/____\_/________\____________ 时间
      ^
      最早可检测路径

对于定位而言，最早的直达路径通常更有价值。

但在复杂室内环境中，最强的接收路径可能来自墙面反射。

如果直接以最大峰值作为 ToA，就可能将反射传播产生的额外距离错误地计入定位。

因此，研究人员需要考虑：

• 首径检测；
• 自适应门限；
• 多径峰值分离；
• 超分辨率时延估计；
• NLOS 场景识别；
• 联合多天线估计。

4.2 信号带宽与时间分辨率

时域信道分辨能力与有效信号带宽存在密切关系。

使用简化的量级关系：

\\Delta \\tau \\sim \\frac{1}{B}

当有效带宽为 100MHz 时，对应的时间尺度约为：

\\Delta\\tau \\sim 10\\text{ ns}

这相当于约 3 米的传播距离。

这里并不是说 100MHz 信号的定位精度只能达到 3 米。

通过高 SNR、已知参考序列、相位信息利用、参数估计和多次观测，有可能获得低于传统距离分辨尺度的估计误差。

但超分辨估计不等于能够无条件实现厘米级精度。

一旦出现严重多径、NLOS、同步误差或硬件偏差，实际精度仍可能明显下降。

因此，厘米级研究通常需要联合高质量时间同步、宽带信号、稳定标定和高精度估计算法。

五、NVIDIA Aerial 提供了哪些 SRS 数据？

NVIDIA Aerial CUDA-Accelerated RAN 提供物理层数据采集能力。

其中，Data Lake 可以将 SRS IQ、SRS 信道估计及部分测量信息写入数据库。

相关数据表包括：

数据表	内容	定位研究价值
srs_iq	SRS 频域 IQ 样本	开发自定义时间估计算法
srs_hest	SRS 信道估计	分析无线信道特征
srs	SRS 测量指标及资源信息	分析 ToA、SNR 等测量
fh	上行前传 IQ	对比接收信号处理路径
fapi	上行处理元数据	关联 UE 与无线资源

NVIDIA 官方 Data Lake 文档明确列出了 SRS Time of Arrival、Wideband SNR 等测量信息。

此外，Aerial Sample Apps 的 E3 Shared Memory 数据结构提供了 SRS IQ、SRS H Estimates 和 SRS Per-RB SNR 的访问方法。

在相关实现中，SRS IQ 数据采用 FFT 后频域样本，SRS 信道估计则使用按 UE 组织的复数数据结构。

这为在 Aerial 基础上开展 SRS 分析提供了技术入口。

但有一个重要区别：

能够导出 SRS ToA，并不代表该测量已经满足 3GPP UL-RTOA 的全部定义与校准要求。

要构建标准化的多站定位系统，还需要确认：

1. ToA 的时间参考点；
2. 测量单位与量化方式；
3. 不同 TRP 之间的时间基准；
4. 射频接收链路时延；
5. 测量数据对应的 UE 和 SRS 资源；
6. ToA 能否正确转换为 NRPPa 所需的定位测量。

这些问题应通过源码、数据结构和实测共同确认。

六、SRS 数据提取：ClickHouse 与 E3 dApp 两条路径

对于研究平台，可以采用两种不同的数据访问方式。

路线 A：Aerial Data Lake + ClickHouse

这条路线主要适合离线算法研究。

数据流程：

O-RU
  |
  v
Aerial cuPHY
  |
  v
Data Collection App
  |
  v
ClickHouse
  |
  v
Python / NumPy / PyTorch
  |
  v
ToA 算法研究

在 ClickHouse 中，可以首先检查数据表：

SHOW TABLES;

随后查看 SRS 数据表的具体字段：

DESCRIBE TABLE srs;
DESCRIBE TABLE srs_hest;
DESCRIBE TABLE srs_iq;

查看记录数量：

SELECT count() FROM srs;
SELECT count() FROM srs_hest;
SELECT count() FROM srs_iq;

这里不直接给出假定的 ToA 字段 SQL，是因为具体字段名称、数据类型和编码应以已部署 Aerial 版本的表结构为准。

当确认字段结构后，可以将指定 UE、CellId、SFN 和 Slot 对应的 SRS 测量记录导出至 Python。

推荐优先验证三个结果：

• 是否能够持续采集 SRS；
• 是否能够正确还原信道估计矩阵；
• 是否能够稳定获得可解释的 ToA 测量。

路线 B：Aerial E3 dApp

对于低时延研究，可以使用 E3 接口访问数据。

NVIDIA Aerial Sample Apps 通过共享内存向 dApp 提供较大的 IQ 和信道估计数据，并在 E3 Indication 中提供相关元数据。

与离线数据库方式相比，E3 可以减少数据访问链路，但仍需考虑数据缓冲区覆盖、消费者处理速度和实际通知时延。

对于定位研究，E3 dApp 可以用于探索实时 SRS 测量处理。

不过，E3 中提供的数据是否足以支持多 TRP 定位，仍取决于具体软件版本、数据所属小区和 TRP 标识，以及测量参考时间的定义。

七、多 O-RU 定位的真正难点：从多天线到多 TRP

在普通 4T4R 通信系统中，一台 O-RU 可能提供四条接收天线通道。

这些天线可以用于 MIMO 接收、信道估计和波束处理。

但不能简单地将四根天线当作四个已经具备独立定位测量能力的 TRP。

一个定位 TRP 不仅需要有明确的物理坐标，还需要提供相应的测量参考点、同步关系和校准机制。

如果研究人员将多个 O-RU 分别放置于实验室不同位置，还需要确定它们在 Aerial/OAI 系统中究竟如何组织。

可能的架构包括：

• 不同 O-RU 分别对应不同小区或接收节点；
• 多个接收点归属于同一个 DU；
• 单 DU 管理分布式天线系统；
• 多个 gNB 独立处理上行定位测量。

这些架构对于 SRS 配置、测量关联和控制面定位消息的实现方式都有影响。

不能仅仅通过交换机将多台 O-RU 接入同一前传网络，就认定已经构建了多 TRP 定位系统。

7.1 多 TRP 需要统一什么？

首先是时间基准。

多个 O-RU 必须具备能够比较的接收测量时间。

其次是测量对象。

不同 TRP 必须识别同一 UE 的同一次或可正确关联的 SRS 发射。

最后是硬件延迟。

不同 TRP 的接收路径偏差需要经过标定。

如果没有这些条件，即使能够在数据库中看到多个小区的 SRS 数据，也不一定可以直接计算 UL-TDOA。

八、如何开展多 O-RU 硬件时延校准？

这里建议将校准分成三个层次。

第一层：时钟与时间戳基准验证

使用共同的高精度时钟源为多个接收节点提供同步。

检查 PTP、频率同步和时间戳参考点。

需要记录：

• PTP Domain；
• Grandmaster 状态；
• 各接收节点的时间偏差；
• 时钟切换或 Holdover 事件；
• 时间同步日志和持续稳定性。

对于使用边界时钟交换机的系统，还要确认各端口的时钟角色与同步路径正确。

第二层：固定时延标定

在实验室可控条件下，使用经过测量的射频分路、线缆和适当衰减器，将相同的参考信号引入不同接收链路。

通过比较各链路的到达时间估计值，可以测量接收系统之间的相对固定偏差。

但这一过程必须保证射频输入功率符合设备要求，并避免不合规地连接发射输出端与接收端。

如果采用 OTA 方式，也可以在已知位置部署参考发射源，并根据几何传播距离估计相对偏差。

这种方式更接近实际环境，但容易受到多径影响。

第三层：温漂与长期稳定性

固定时延并不一定始终不变。

设备温度、射频模块状态、时钟恢复和重新启动都可能引入变化。

因此，建议研究：

• 冷启动后校准偏差；
• 连续运行期间的漂移；
• 不同温度条件下的变化；
• 重新同步后的偏差；
• 不同 O-RU 之间的差异。

对于追求高精度定位的系统，校准不是一次性工作，而应成为实验流程的一部分。

九、从 ToA 到 TDOA：定位解算算法

获得多个 TRP 的校准后测量，可以构建 TDOA 解算器。

假设参考站为 TRP 1，其他站的测量值为：

\\hat{\\Delta t}_{i1}

则预测的时间差为：

[

f_i(\mathbf{p})=
\frac{
|\mathbf{p}-\mathbf{p}_i|

|\mathbf{p}-\mathbf{p}_1|

}{c}

]

可以采用加权最小二乘方法：

[

\hat{\mathbf{p}}

\arg\min_{\mathbf{p}}

\sum_{i=2}^{N}
w_i
\left[
\hat{\Delta t}_{i1}

f_i(\mathbf{p})

\right]^2

]

其中，(w_i) 是测量权重。

如果某个 TRP 的测量噪声较高或可能处于 NLOS 环境，可以赋予较小的权重。

但权重应基于测量方差、信号质量或可靠性指标确定，而不是随意设置。

对于复杂室内环境，还可以研究：

• Gauss-Newton；
• Levenberg-Marquardt；
• 粒子群优化（PSO）；
• RANSAC；
• 鲁棒 M-Estimator；
• 扩展卡尔曼滤波；
• AI 辅助 NLOS 偏差校正。

9.1 TRP 几何布局为什么重要？

即使各 TRP 的时间测量都很准确，如果站点几何分布不合理，定位误差仍可能被明显放大。

例如，将多个 TRP 沿同一条走廊直线放置，可能导致某些方向上的位置约束较弱。

相比之下，在二维空间中分散布设 TRP，通常更容易获得较好的几何条件。

对于三维定位，还需要考虑不同接收站的高度分布。

因此，实验平台设计不应只关注 TRP 数量，还应关注几何布局和观测区域。

十、OAI、NRPPa 与 LMF：从算法 Demo 到标准化定位系统

如果研究目标只是验证 ToA 和 TDOA 算法，研究人员可以直接从数据库导出测量，并在 Python 中计算 UE 坐标。

但如果希望构建更完整的 3GPP 定位系统，就需要进一步集成 NRPPa 和 LMF。

在标准定位架构中：

• UE 发射用于定位的上行 SRS；
• gNB/TRP 执行定位测量；
• NRPPa 承载定位相关的控制与测量信息；
• LMF 负责协调定位流程和计算 UE 位置。

OAI 开源项目已经包含与 UL-TDOA 定位相关的开发内容。

例如，OAI 的功能列表中列出了 TRP 信息交互、定位信息交换、测量请求与响应，以及 UL-RTOA 相关能力。

但这些功能在 OAI 自身 PHY 测试路径中的实现，并不代表可以直接接入 NVIDIA Aerial cuPHY。

10.1 Aerial + OAI 的集成边界

对于 Aerial 与 OAI 组合，需要重点打通以下链路：

UE
 |
 | UL SRS
 v
O-RAN O-RU
 |
 v
NVIDIA Aerial cuPHY
 |
 | SRS Measurement
 v
FAPI / 定位测量适配
 |
 v
OAI MAC / RRC / NGAP
 |
 | NRPPa
 v
LMF
 |
 v
UL-TDOA Solver
 |
 v
UE Location

其中最重要的接口问题是：

如何将 Aerial 产生的 SRS 测量转换为 OAI 定位协议栈能够识别、并具有正确 TRP 和时间参考语义的测量数据。

这可能涉及 FAPI SRS Indication、扩展测量字段、TRP 标识关联，以及 NRPPa Measurement Response 的数据映射。

还需要确定 OAI 当前定位实现对多个 TRP 的组织方式，以及 Aerial 是否能够提供所需的独立测量。

因此，现阶段更适合采用逐层验证策略，而不是直接假设完整端到端定位功能已经具备。

十一、如何设计一个可以发表科研论文的实验？

对于高校和科研机构，可以将定位研究设计为四组实验。

实验 A：时间同步误差测量

目标是评估多 O-RU 系统的时间基准稳定性。

记录 PTP Offset、时间偏差分布，以及设备重启、网络负载变化后同步性能的变化。

同时对比时间同步指标与实际 SRS 相对到达时间测量的差异。

实验 B：SRS ToA 测量精度

使用已知距离或受控时延，评估不同 ToA 算法的误差。

改变 SNR、SRS 带宽和多径条件，测试算法鲁棒性。

建议记录误差均值、标准差、RMSE 与 90/95 百分位误差。

实验 C：多 TRP UL-TDOA 定位

布置多个已知坐标的 TRP，并选择若干已知 UE 测试位置。

通过测量建立 TDOA 方程，计算 UE 坐标。

比较不同几何布局、测量数量和校准策略对定位结果的影响。

实验 D：AI 辅助定位

在传统定位算法基础上加入 AI 模型。

例如，采用神经网络识别 NLOS 场景，或估计 ToA 系统偏差。

对比：

• 未校准 TDOA；
• 硬件校准后的 TDOA；
• 鲁棒 TDOA 求解；
• AI 辅助 TDOA。

评价时不能仅报告平均误差，建议同时提供 CDF、P90/P95、NLOS 分组结果和定位失败率。

还应使用不同位置、不同时间甚至不同环境的数据进行训练与测试，避免数据泄漏导致过度乐观的结果。

十二、现实案例：OAI 已经证明了什么？

2025 年，OpenAirInterface 相关研究团队公开了论文：

Experimental Insights from OpenAirInterface 5G Positioning Testbeds: Challenges and Solutions

研究人员基于 OAI gNB、5G Core 和 LMF 构建了多个真实 UL-TDOA 定位测试平台，并分析了同步、多径和部署几何对定位结果的影响。

论文报告，在其测试环境中，90% 的定位结果能够达到约 1--2 米的误差范围。

该研究还探索了 ToA/TDOA 滤波、粒子群优化，以及利用 CIR 进行数据驱动定位的方法。

这具有重要参考意义。

它说明开源 5G 网络实现标准化定位是可行的，但同时也表明，在真实多径环境中获得高精度结果仍然具有明显的工程挑战。

对于希望将定位精度从米级进一步推向分米级甚至厘米级的团队，仍然需要在信道测量、时间同步、硬件标定和算法设计方面持续投入。

十三、推荐的工程实现路线图

对于已经拥有 NVIDIA Aerial、OAI 和 O-RAN O-RU 的实验室，可以按照以下步骤推进：

阶段	开发内容	验收目标
1	单 O-RU SRS 采集	成功保存 SRS IQ/信道估计
2	ToA 数据验证	明确时间参考点和单位
3	单链路时延校准	获得可复测的时延偏差
4	多 O-RU 同步	建立共同时间基准
5	多 TRP SRS 关联	获取同一 UE 的多站测量
6	TDOA 解算	输出已知坐标系中的 UE 位置
7	OAI NRPPa/LMF	验证标准定位控制流程
8	AI/ML 定位优化	提高复杂环境中的鲁棒性

其中，阶段 1--3 最适合先在单台 DGX Spark 上进行。

当需要同时处理多个 O-RU、多接收点和较高的数据吞吐量时，可以再根据 Aerial 的实际多小区支持能力、网卡吞吐、GPU 性能和同步拓扑，评估是否迁移至 GH200 等平台。

十四、总结：从通信网络走向可测量、可定位的无线系统

UL-TDOA 将传统无线通信中的上行参考信号转化为定位观测信息。

它的价值不仅在于提供一种新的终端定位方法，还为 5G-Advanced、6G 和 AI-Native RAN 研究建立了新的实验能力。

NVIDIA Aerial 能够提供 GPU 加速物理层处理以及部分 SRS 数据采集能力；OAI 则为研究人员探索 NRPPa、LMF 和定位控制流程提供开源基础。

将两者结合，有机会构建从真实无线信号接收、信道测量、时间估计到多站定位求解的完整研究平台。

但真正的挑战并不在于简单连接几台 O-RU，而在于建立可验证的时间测量体系，解决硬件链路偏差，并打通物理层测量与定位协议之间的数据链路。

厘米级定位的起点，不是一个更复杂的定位算法，而是一套能够可靠测量和校准时间的无线系统。

对于 5G/6G 实验室来说，从稳定的 5G OTA 通信，到 SRS 数据采集，再到多 TRP UL-TDOA，是一条具有明确技术阶段、可量化实验结果和科研价值的演进路线。

---

参考资料

1. 3GPP TS 38.305 Release 18 --- UE Positioning
2. NVIDIA Aerial CUDA-Accelerated RAN
3. NVIDIA Aerial Data Lake
4. NVIDIA Aerial E3 Shared Memory Data Representation
5. OpenAirInterface 5G Feature Set
6. Experimental Insights from OpenAirInterface 5G Positioning Testbeds

本文是一篇技术原理与工程集成设计文章，未宣称 NVIDIA Aerial + 多 O-RU 已经完成厘米级定位实测。实际系统能力取决于版本、接口实现、同步质量、校准与传播环境。