TA

Timing Advance

TA通过RAR和TA的MAC CE通知到终端。下图可知RAR中的TA的应用和MAC CE的TA的应用不同,因为RAR中的TA是绝对值,MAC CE的TA是相对值。


在5G中,N_TA的单位变为,计算得到是0.509ns,


不同的子载波间隔下的采样频率也不同。

计算公式改为N_TA = (TA* 16 * 64 /2^u) * Tc。

当u=1时,1 TA = (16 * 64 /2) * Tc = 0.26us = 512 * 0.509ns。


SC = 30KHz,u=1,FFT_Size = 4096,1 Ts = 16 Tc,1 TA = 32 Ts,1 TA = 32 * 16 Tc

与LTE的16 Ts 不同, NR TA的颗粒度随着子载波间隔和系统带宽变化。


n-TimingAdvanceOffset为25600Tc,或者是39936Tc,假设FFT大小为2048,子载波间隔是15KHz时,则此时的Ts对应为64Tc = 32.6us,则分别对应于400Ts和624Ts

配置来自SIB1消息中n-TimingAdvanceOffset字段

RAR中的TA是一个绝对值

MAC CE中的TA是一个相对值 

6 bits代表64 steps范围是 -32 to 32

终端收到TA后,会在6个slot之后进行TA调整。


TA估计算法

1) PRACH 信道

在初始接入过程中,Gnb通过测量RACH信号PDP能量的峰值所在的位置来确定TA值。

2)PUSCH/PUCCH/SRS等

时域检测:在接收端将估计的参考信号的信道通过IFFT变换变到时域,然后寻找主径所在的位置,与原本位置的差值便是TA的数值。这种方法的原理很直观,画一下信道的冲激响应图就可以很明显的看到TA的影响。

频域检测:时域上的时间变化在频域上对应着相位旋转。因此,在全频带上,对相邻的参考信号估计出相位差,两两估计出一个,然后再对所有的相位差取平均,得到TA值。频域的方法不需要进行IFFT变换,复杂度更小一些。但是性能很大程度上依赖信道估计的结果。信道初步估计时,通常会采用LS的方法,这种方法在低信噪比时性能较差,因此频域检测的方法,如下图所示,在低信噪比时的TA估计结果误差会比较大。

提升精度的方法,是采用更大的带宽,这样计算出来的用于平均的相位差会更多,即样本点多,平均的结果也会更加准确。

TA值对应的距离是参照1Ts来计算的。含义就是距离=传播速度(光速)*1Ts/2 (上下行路径和)。假设子载波间隔15 kHz, FFT 大小为2048,1 Ts对应的时间提前量距离等于:

(3*10^8 * 1 / (15000*2048))/2=4.89m。

在LTE的随机接入过程中:TA值上报的范围在0~1282之间,根据RAR中的TA值,UE调整上行发射时间N_TA = TA*16Ts,值恒为正。例如:TA = 1,那么N_TA = 1*16Ts,表征的距离为16*4.89 m = 78.12 m,同时可以计算得到在初始接入阶段,UE与网络的最大接入距离 = 1282*78.12 m  = 100.156 km。 

通常,如果进行TA估计的算法固定,TA估计的误差随着SNR的增大而自然的减少。误差在不同带宽的情况下也有变化。带宽大时,可以进行平均的样本点变多,估计的自然更加准确一些。

但进行上报时,需要对TA进行处理,从上边表格也可以看出,case 1 比case 2 的颗粒度小,如果估计误差同为10Ts, 进行量化处理时,case 1 的误差会更大( 10/8 > 10/16 )。所以,在NR中,对于小PRB的情况,TA估计的误差会比较大。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 217,277评论 6 503
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,689评论 3 393
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 163,624评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,356评论 1 293
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,402评论 6 392
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,292评论 1 301
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,135评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,992评论 0 275
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,429评论 1 314
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,636评论 3 334
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,785评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,492评论 5 345
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,092评论 3 328
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,723评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,858评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,891评论 2 370
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,713评论 2 354

推荐阅读更多精彩内容

  • 续上:HTML的讲解: 第十三节:HTML5介绍 13.1发展历史图 1超文本标记语言(第一版)——在1993年6...
    袁小胜阅读 348评论 0 0
  • 出门去上班,什么东西不能忘了带?当然是手机呀,你会这样答。是的,是的,不过,那是从前。 很久以前,大约是几年前吧,...
    宝贝_e997阅读 236评论 0 0
  • 只有一个走过岁月的人,才会说,不要轻易许诺,不要轻易说爱,否则有一天,你终会为自己的曾经懊悔。 同样有许多人,把所...
    安城烟柳旧人殇阅读 205评论 0 0
  • 控制自己的情绪,不够冷静,伤害的不仅是自己,还有他人;说出的话,不仅不严谨,还会给自己枷锁;所做出的决定,不仅冒失...
    乐者生活阅读 165评论 0 0
  • 雨下得再大,风吼得再凶,太阳终归会是出来的。和自然一样,我们起了万丈波澜的生活也平静了下来,像那一池碧水。即使偶尔...
    路边岸阅读 315评论 0 3