中国移动研究院、中兴通讯和高通技术公司今日宣布,基于立足长远、利于行业的原则,三方将分阶段地合作开展基于已完成的3GPP 5G NR Rel-16标准规范的定位技术以及基于未来3GPP Rel-17增强定位技术规范的性能验证。本次合作旨在加速5G定位技术的标准发展和落地应用,丰富5G定位技术在新兴垂直行业的应用场景。三方计划在2021年及未来进行上述5G定位技术的演示。
基于3GPP Rel-15开展的5G第一阶段部署专注于为智能手机和其它终端提供全新增强的移动宽带体验,而在接下来的阶段(3GPP Rel-16、17及未来版本)5G将赋能更多应用和行业,例如工业物联网、汽车、增强现实等。精准的终端定位是实现包括增强现实和室内导航在内的诸多应用的重要特性。基于蜂窝技术的定位可与现有的全球导航卫星系统(GNSS)互补,满足户外和室内定位的需求。
4G时代,中国移动已经商用了基于UTDOA技术的室内定位解决方案。5G具有更大的系统带宽,同时支持大规模MIMO天线阵列,能够支持更高精度的定位。3GPP Rel-16规范引入了新的基于RTT(往返时间)的定位技术,该技术不需要严格的网络同步即可提供可靠的定位性能,同时还引入了新的3D到达角/出发角(AoA / AoD)测量来进一步提高定位的精度。利用5G大带宽提供的高时间分辨率和大规模MIMO提供的多波束角度信息,5G可以实现室外小于10米、室内小于3米的单次定位精度,如果利用额外的滤波以及多种传感器的融合定位技术,定位精度还可以进一步提高。而目前正在制定中的3GPP Rel-17规范则会在3GPP NR Rel-16定位技术的基础上继续演进,以实现亚米级精度为目标,满足单次定位0.3米以内的绝对精度要求。
此次三方合作开展的3GPP Rel-16定位技术性能验证,主要包括在不同定位技术(如RTT和AoA/AoD)、不同标准化定位参考信号配置下可以达到的定位精度验证,以及室内、室外、静止和移动场景下的定位性能评估。未来基于3GPP Rel-17增强定位技术的测试则将主要集中在对基于亚米级定位精度的全新5G应用场景的评估。
中国移动研究院副院长黄宇红表示:“‘5G+定位’是中国移动融合创新能力体系构建的重要组成部分,可以拓展室内和室外垂直行业应用。目前中国移动已经建成覆盖全国的‘5G+北斗’高精定位网络,可以提供室外厘米级定位能力。为了构建室内外一体化定位网络,中国移动正在积极推动更多5G定位技术商用测试和标准预研,将其应用于室内场景和室外遮挡区域。”
中兴通讯5G产品总经理柏燕民表示:“随着5G网络的大规模部署,发展和利用5G网络的定位能力,为产业应用提供支撑,驱动定位业务发展,赋能千行百业是中兴通讯追求的目标之一。此次三方合作是我们探索和推进定位技术发展的一次阶段性成果,相信在产业伙伴的共同努力下,推动和催化定位产业的进一步发展,让5G网络更好的赋能千行百业。”
高通技术公司工程技术副总裁庄思民表示:“我们很高兴能与中国移动研究院、中兴通讯合作加速5G定位技术的演进,并推动这一技术更好地满足更多应用及垂直行业的需求。此次与全球通信行业领先企业的合作,是高通技术公司不断深化生态系统合作以推动5G在全球持续扩展及演进的又一例证。我们期待此次合作的技术成果能够支持众多行业开创全新5G机遇,为智能互联的未来带来更多可能。”
关于中国移动研究院
中国移动研究院以做“公司技术创新引擎”为愿景,深入开展技术产业引领、现网运营支撑、新型产品和重大平台研发工作,通过技术创新助力公司构建核心竞争力及转型健康发展。在C-V2X技术与产业推进上, 研究院从顶层设计、核心研发、标准制定、技术试验、产业推进等五个方面完善中国移动下一代车联网总体策略、技术方案、产品体系,加快产业生态构建,提升中国移动的总体核心竞争力。
关于中兴通讯
中兴通讯是全球领先的综合通信信息解决方案提供商。拥有通信业界完整的、端到端的产品线和融合解决方案,通过全系列的无线、有线、业务、终端产品和专业通信服务,灵活满足全球不同运营商和政企客户的差异化需求以及快速创新的追求。公司成立于1985年,是在香港和深圳两地上市的大型通信设备公司。公司通过为全球160多个国家和地区的电信运营商和政企客户提供创新技术与产品解决方案,让全世界用户享有语音、数据、多媒体、无线宽带等全方位沟通。
关于高通公司
高通公司是全球领先的无线科技创新者,也是5G研发、商用与实现规模化的推动力量。把手机连接到互联网,我们的发明开启了移动互联时代。今天,我们基础科技赋能了整个移动生态系统,每一台3G、4G和5G智能手机中都有我们的发明。我们将移动技术的优势带到汽车、物联网、计算等全新行业,开创人与万物能够顺畅沟通和互动的全新世界。高通公司包括技术许可业务(QTL)和我们绝大部分的专利组合。
高通技术公司(QTI)是高通公司的全资子公司,与其子公司一起运营我们所有的工程、研发活动以及所有产品和服务业务,其中包括半导体业务QCT。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。