Thèse Année : 2025

User equipment positioning in 5G nr and beyond

Localisation de l'utilisateur dans la 5G NR et au-delà

Mohsen Ahadi

Résumé

Precise positioning of User Equipment is (UE) a cornerstone for emerging Internet of Things (IoT) applications and intelligent industries, including smart factories, autonomous vehicles, robotics, and smart cities. To address these demands, 5G introduces substantial enhancements in bandwidth, latency, architecture, and dedicated signaling that enable advanced localization services. Despite this potential, accurate positioning in real-world deployments remains challenging. Conventional methods rely on signal's arrival time or angle measurements, which are severely affected by practical impairments such as multi-path propagation, Non-Line-of-Sight (NLoS) links between the user and Transmission Reception Points (TRPs), and synchronization errors arising from hardware imperfections. Moreover, much of the state-of-the-art in the literature relies on simulations or synthetic data, which overlook these real-world limitations and fail to capture the complexity of operational environments, particularly indoors or in dense urban scenarios. In this dissertation, we adopt an experimental perspective to close this gap. We design and implement a complete 5G positioning system that follows the 3rd Generation Partnership Project (3GPP) specifications, leveraging standard positioning signals, protocols, and architecture. Specifically, we present the first experimental evaluation of the uplink Time Difference of Arrival (TDoA) method integrated within the OpenAirInterface (OAI) platform, including the New Radio Positioning Protocol A (NRPPa) and the Location Management Function (LMF). Furthermore, we deploy this system in diverse indoor and outdoor testbeds using commercial Open RAN (O-RAN) Radio Units (RUs), enabling an unprecedented validation of standard-compliant 5G positioning in practice. Our results demonstrate both the effectiveness and the limitations of TDoA-based methods in real deployments. Motivated by these findings, we further explore advanced solutions based on data-driven and learning-based approaches. Leveraging the large-scale datasets collected from our experimental testbeds, we design supervised and unsupervised models with sensor fusion that can outperform conventional TDoA in scenarios with insufficient measurement quality. Finally, we benchmark these learning-based solutions against both TDoA and commercial high-accuracy alternatives such as Real-Time Kinematic (RTK) positioning, highlighting their potential to overcome constraints of standard methods. These proposed open-source frameworks, spanning both 5G and beyond-5G standards, together with the publicly shared datasets from our testbeds, constitute a unique contribution to the positioning research community.

La localisation précise des équipements utilisateurs (UE) constitue un élément fondamental pour les applications émergentes de l'Internet des objets (IoT) et des industries intelligentes, telles que les usines connectées, les véhicules autonomes, la robotique et les villes intelligentes. Pour répondre à ces besoins, la 5G introduit des améliorations substantielles en termes de bande passante, de latence, d'architecture et de signalisations dédiées, permettant ainsi la mise en œuvre de services avancés de localisation. Malgré ce potentiel, une localisation précise dans des déploiements réels demeure un défi. Les méthodes conventionnelles reposent sur les mesures de temps ou d'angle d'arrivée du signal, fortement affectées par des limitations pratiques telles que la propagation en trajets multiples (multipath), les liens Non-Line-of-Sight (NLoS) entre l'utilisateur et les points de transmission/réception (TRP), ainsi que les erreurs de synchronisation dues aux imperfections matérielles. De plus, une grande partie de l'état de l'art s'appuie encore sur des simulations ou des données synthétiques, qui ne tiennent pas compte de ces contraintes réelles et ne reflètent pas la complexité des environnements opérationnels, en particulier en intérieur ou dans des zones urbaines denses. Dans cette thèse, nous adoptons une approche expérimentale afin de combler cette lacune. Nous concevons et mettons en œuvre un système complet de localisation 5G conforme aux spécifications du 3rd Generation Partnership Project (3GPP), en exploitant les signaux, protocoles et architectures normalisés. Plus précisément, nous présentons la première évaluation expérimentale de la méthode uplink Time Difference of Arrival (TDoA) intégrée à la plateforme OpenAirInterface (OAI), incluant le protocole New Radio Positioning Protocol A (NRPPa) et la fonction Location Management Function (LMF). En outre, nous déployons ce système sur plusieurs bancs d'essais, en environnements intérieurs et extérieurs, en utilisant des unités radio commerciales Open RAN (O-RAN RUs), permettant une validation sans précédent de la localisation 5G conforme aux standards. Nos résultats mettent en évidence à la fois l'efficacité et les limites des méthodes basées sur le TDoA dans des déploiements réels. Motivés par ces constats, nous explorons ensuite des solutions avancées basées sur l'apprentissage automatique et l'exploitation des données. En nous appuyant sur les jeux de données de grande ampleur collectés sur nos bancs d'essais, nous concevons des modèles supervisés et non supervisés intégrant de la fusion de capteurs, capables de surpasser le TDoA conventionnel dans des scénarios où la qualité des mesures est insuffisante. Enfin, nous comparons ces approches apprenantes au TDoA ainsi qu'à des solutions commerciales de haute précision telles que la localisation en cinématique temps réel (RTK), en soulignant leur potentiel pour dépasser les limitations des méthodes standard. Ces cadres logiciels open-source, couvrant la 5G et les évolutions au-delà de la 5G, ainsi que les jeux de données issus de nos bancs d'essais et rendus publics, constituent une contribution unique à la communauté scientifique travaillant sur la localisation.

Fichier principal
Vignette du fichier
155606_AHADI_2025_archivage.pdf (11.29 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)
Licence

Dates et versions

tel-05569585 , version 1 (27-03-2026)

Licence

Identifiants

  • HAL Id : tel-05569585 , version 1

Citer

Mohsen Ahadi. User equipment positioning in 5G nr and beyond. Networking and Internet Architecture [cs.NI]. Sorbonne Université, 2025. English. ⟨NNT : 2025SORUS650⟩. ⟨tel-05569585⟩
121 Consultations
68 Téléchargements

Partager

  • More