CN112714486A - Pdcch的检测方法、drx配置方法、终端、基站 - Google Patents
Pdcch的检测方法、drx配置方法、终端、基站 Download PDFInfo
- Publication number
- CN112714486A CN112714486A CN201911025285.3A CN201911025285A CN112714486A CN 112714486 A CN112714486 A CN 112714486A CN 201911025285 A CN201911025285 A CN 201911025285A CN 112714486 A CN112714486 A CN 112714486A
- Authority
- CN
- China
- Prior art keywords
- terminal
- pdcch
- detection
- related information
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0036—Systems modifying transmission characteristics according to link quality, e.g. power backoff arrangements specific to the receiver
- H04L1/0038—Blind format detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
- H04W52/0212—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/0091—Signaling for the administration of the divided path
- H04L5/0094—Indication of how sub-channels of the path are allocated
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
- H04W52/0225—Power saving arrangements in terminal devices using monitoring of external events, e.g. the presence of a signal
- H04W52/0229—Power saving arrangements in terminal devices using monitoring of external events, e.g. the presence of a signal where the received signal is a wanted signal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/20—Control channels or signalling for resource management
- H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W76/00—Connection management
- H04W76/20—Manipulation of established connections
- H04W76/27—Transitions between radio resource control [RRC] states
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
- H04W52/0212—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave
- H04W52/0216—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave using a pre-established activity schedule, e.g. traffic indication frame
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W76/00—Connection management
- H04W76/20—Manipulation of established connections
- H04W76/28—Discontinuous transmission [DTX]; Discontinuous reception [DRX]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
- H04W8/24—Transfer of terminal data
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
提供了一种PDCCH的检测方法、DRX配置方法、终端、基站,其中,检测方法可包括:获取预测聚合等级(Aggregation Level,AL)相关信息所需的输入数据;基于获取的输入数据,使用AL预测模型预测AL相关信息;基于预测的AL相关信息来进行物理下行控制信道(Physical Downlink Control Channel,PDCCH)检测。根据本公开,可减少或避免PDCCH的盲检测,减少终端的耗电量。
Description
技术领域
本公开涉及无线通信技术,更具体而言,涉及一种PDCCH的检测方法、DRX配置方法、终端、基站。
背景技术
在长期演进(Long Term Evolution,LTE)或新空口(New Radio,NR)系统中,物理下行控制信道(Physical Downlink Control Channel,PDCCH)承载控制信息,控制信息可包括但不限于:传输格式、资源分配信息、上行调度许可、功率控制信息以及上行重传信息。根据链路方向,PDCCH承载的信息可包括上行控制信息和下行控制信息(Downlink controlinformation,DCI);根据作用域(例如,定义了盲检测的开始位置和信道搜索方式的搜索空间),PDCCH承载的信息可包括公共控制信息和专用控制信息。
在通信过程中,需要进行PDCCH检测,但是,现有技术中存在PDCCH检测次数多,导致PDCCH检测耗时长和终端耗电量大的技术问题。
发明内容
本公开基于预测模型来预测PDCCH的聚合等级(Aggregation Level,AL)相关信息,基于预测的AL相关信息进行PDCCH的检测以取代PDCCH盲检测,从而可减少PDCCH检测的次数以减少终端的耗电量并且减少时延。
根据本公开的示例性实施例,提供了一种PDCCH的检测方法,其中,所述检测方法包括:获取预测聚合等级AL相关信息所需的输入数据;基于获取的输入数据,使用AL预测模型预测AL相关信息;基于预测的AL相关信息来进行PDCCH检测。
可选的,预测AL相关信息所需的输入数据包括:链路信息;和/或,所述AL相关信息包括以下项中的至少一项:针对多个AL的检测顺序、多个AL中的每个AL的概率、以及多个AL中的概率最大的AL。
可选的,所述链路信息包括以下项中的至少一项:参考信号接收能量RSRP、链路质量指示CQI、信噪比SNR、下行控制信息DCI有效载荷、以及PDCCH时隙索引。
可选的,若所述AL相关信息包括多个AL中的概率最大的AL,则基于预测的AL相关信息来进行PDCCH检测,包括:基于预测出的概率最大的AL进行PDCCH检测;若检测失败,则基于其他AL进行PDCCH盲检测。
可选的,基于预测的AL相关信息来进行PDCCH检测,包括:基于预测的AL相关信息来确定PDCCH检测顺序;基于确定的PDCCH检测顺序来进行PDCCH检测。
可选的,使用AL预测模型预测AL相关信息,包括:根据终端所附着的小区的小区标识符、以及AL预测模型与小区标识符之间的对应关系,查找与终端所附着的小区对应的AL预测模型;基于获取的输入数据,使用查找到的AL预测模型预测AL相关信息。
可选的,所述小区标识符包括新空口小区全球标识符NCGI,NCGI包括以下项中的至少一项:移动国家码MCC、移动网络码MNC、以及下一代节点gNB标识。
可选的,在使用查找到的AL预测模型预测AL相关信息之前,还包括:基于查找到的AL预测模型的预测准确率,确定查找到的AL预测模型有效。
可选的,查找与终端所附着的小区对应的AL预测模型,包括:从终端本地或从服务器中查找与终端所附着的小区对应的AL预测模型。
可选的,所述检测方法还包括:根据以下项中的至少一项来确定是否将至少两个AL预测模型合并:指示进行AL预测模型合并的消息、所述至少两个AL预测模型的输出之间的相似度、小区标识符列表的重合度、以及所述至少两个AL预测模型的输入之间的相似度;修改小区标识符与AL预测模型的对应关系,使得与被合并的AL预测模型对应的各小区标识符对应于同一AL预测模型。
可选的,所述检测方法还包括:从终端本地或服务器获取构建的AL预测模型;基于所述终端的历史数据对获取的AL预测模型进行训练;其中,所述终端的历史数据包括:终端上报给基站的所述输入数据以及终端已检测到的PDCCH的AL信息。
可选的,所述检测方法还包括:向基站上报PDCCH检测能力信息,其中,所述PDCCH检测能力信息能够表征终端是否能够基于预测的AL相关信息进行PDCCH检测。
可选的,所述检测方法还包括:获取基站配置的非连续接收DRX周期,所述DRX周期是基站根据终端上报的PDCCH检测能力信息进行配置的,其中,所述基站为能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期短于为不能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期;基于预测的AL相关信息来进行PDCCH检测,包括:基于预测的AL相关信息以及获取的DRX周期进行PDCCH检测。
可选的,向基站上报能力信息的步骤包括:通过无线资源控制(RRC)信令中的信息单元(IE)上报能力信息。
可选的,使用AL预测模型预测AL相关信息,包括:判断当前获取的预测AL相关信息所需的输入数据与历史输入数据相比是否发生变化;当判断出发生变化时,使用AL预测模型预测AL相关信息;所述检测方法还包括:当判断出未发生变化时,使用基于历史输入数据预测出的AL相关信息进行PDCCH检测。
根据本公开的另一示例性实施例,提供了一种AL预测模型的训练方法,其中,所述训练方法包括:接收终端上报的物理下行控制信道PDCCH检测的相关数据;基于终端上报的PDCCH检测的相关数据来训练AL预测模型;向终端发送训练的AL预测模型。
可选的,终端上报的PDCCH检测的相关数据包括终端与基站之间的链路信息以及终端已检测到的PDCCH的AL信息,其中,训练AL预测模型的步骤包括:基于上报的与同一类型的多个基站对应的PDCCH检测的相关数据来训练一个AL预测模型。
根据本公开的另一示例性实施例,提供了一种非连续接收DRX配置方法,其中,所述配置方法包括:从终端接收物理下行控制信道PDCCH检测能力信息;根据接收到的能力信息配置DRX周期,其中,所述PDCCH检测能力信息能够表征终端是否能够基于预测的AL相关信息进行PDCCH检测。
可选的,所述能力信息通过无线资源控制RRC信令上的信息单元IE承载,和/或,根据接收到的能力信息配置DRX周期,包括:为能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期短于为不能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期。
根据本公开的另一示例性实施例,提供了一种终端,其中,所述终端包括:数据获取单元,被配置为获取预测聚合等级AL相关信息所需的输入数据;预测单元,被配置为基于获取的输入数据,使用AL预测模型预测AL相关信息;检测单元,被配置为基于预测的AL相关信息来进行物理下行控制信道PDCCH检测。
可选的,预测AL相关信息所需的输入数据包括:链路信息;和/或,所述AL相关信息包括以下项中的至少一项:针对多个AL的检测顺序、多个AL中的每个AL的概率、以及多个AL中的概率最大的AL。
可选的,所述链路信息包括以下项中的至少一项:参考信号接收能量RSRP、链路质量指示CQI、信噪比SNR、下行控制信息DCI有效载荷、以及PDCCH时隙索引。
可选的,检测单元被配置为:若所述AL相关信息包括多个AL中的概率最大的AL,则基于预测出的概率最大的AL进行PDCCH检测;若检测失败,则基于其他AL进行PDCCH盲检测。
可选的,检测单元被配置为:基于预测的AL相关信息来确定PDCCH检测顺序;基于确定的PDCCH检测顺序来进行PDCCH检测。
可选的,预测单元被配置为:根据终端所附着的小区的小区标识符、以及AL预测模型与小区标识符之间的对应关系,查找与终端所附着的小区对应的AL预测模型;基于获取的输入数据,使用查找到的AL预测模型预测AL相关信息。
可选的,所述小区标识符包括新空口小区全球标识符NCGI,NCGI包括以下项中的至少一项:移动国家码MCC、移动网络码MNC、以及下一代节点gNB标识。
可选的,所述终端还包括判断单元,被配置为在使用查找到的AL预测模型预测AL相关信息之前,基于查找到的AL预测模型的预测准确率,确定查找到的AL预测模型有效。
可选的,预测单元被配置为:从终端本地或从服务器中查找与终端所附着的小区对应的AL预测模型。
可选的,所述终端还包括合并单元,被配置为根据以下项中的至少一项来确定是否将至少两个AL预测模型合并:指示进行AL预测模型合并的消息、所述至少两个AL预测模型的输出之间的相似度、小区标识符列表的重合度、以及所述至少两个AL预测模型的输入之间的相似度;修改小区标识符与AL预测模型的对应关系,使得与被合并的AL预测模型对应的各小区标识符对应于同一AL预测模型。
可选的,所述终端还包括训练单元和模型获取单元,模型获取单元被配置为从终端本地或服务器获取构建的AL预测模型;训练单元被配置为基于所述终端的历史数据对获取的AL预测模型进行训练;其中,所述终端的历史数据包括:终端上报给基站的所述输入数据以及终端已检测到的PDCCH的AL信息。
可选的,所述终端还包括上报单元,被配置为向基站上报PDCCH检测能力信息,其中,所述PDCCH检测能力信息能够表征终端是否能够基于预测的AL相关信息进行PDCCH检测。
可选的,所述终端还包括接收单元,被配置为获取基站配置的非连续接收DRX周期,所述DRX周期是基站根据终端上报的PDCCH检测能力信息进行配置的,其中,所述基站为能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期短于为不能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期;检测单元被配置为基于预测的AL相关信息以及获取的DRX周期进行PDCCH检测。
可选的,所述上报单元,被配置为通过RRC信令中的信息单元IE上报能力信息。
可选的,所述预测单元被配置为:判断当前获取的预测AL相关信息所需的输入数据与历史输入数据相比是否发生变化;当判断出发生变化时,使用AL预测模型预测AL相关信息;所述检测单元被配置为:当判断出未发生变化时,使用基于历史输入数据预测出的AL相关信息进行PDCCH检测。
根据本公开的另一示例性实施例,提供了一种终端,其中,所述终端包括:处理器;以及存储器,配置用于存储机器可读指令,所述指令在由所述处理器执行时,使得所述处理器执行上述物理下行控制信道PDCCH的检测方法。
根据本公开的另一示例性实施例,提供了一种基站,其中,所述基站包括:通信单元,被配置为从终端接收物理下行控制信道PDCCH检测能力信息;配置单元,被配置为根据接收到的能力信息配置DRX周期,其中,所述PDCCH检测能力信息能够表征终端是否能够基于预测的AL相关信息进行PDCCH检测。
可选的,所述能力信息通过RRC信令中的信息单元IE承载,和/或,所述配置单元被配置为:为能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期短于为不能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期。
根据本公开的另一示例性实施例,提供了一种基站,其中,所述基站包括:处理器;以及存储器,配置用于存储机器可读指令,所述指令在由所述处理器执行时,使得所述处理器执行上述非连续接收DRX配置方法。
根据本公开的另一示例性实施例,提供了一种服务器,其中,所述服务器包括:接收单元,被配置为接收终端上报的物理下行控制信道PDCCH检测的相关数据;训练单元,被配置为基于终端上报的PDCCH检测的相关数据来训练AL预测模型;发送单元,被配置为向终端发送训练的AL预测模型。
可选的,终端上报的PDCCH检测的相关数据包括终端与基站之间的链路信息以及已检测到的PDCCH的AL信息,其中,训练单元被配置为:基于上报的与同一类型的多个基站对应的PDCCH检测的相关数据来训练一个AL预测模型。
根据本公开的另一示例性实施例,提供了一种存储指令的计算机可读存储介质,其中,当所述指令被至少一个计算装置运行时,促使所述至少一个计算装置执行上述方法。
本公开能有效利用先验信息,减少PDCCH检测过程中的PDCCH的检测次数,以达到节省终端耗电的目标。
另外,如果终端能以较少的电能消耗完成PDCCH检测,可为终端设置更短的DRX时段(周期)。终端可基于预测的信息进行检测以比PDCCH盲检测更短的时间完成PDCCH检测,从而不会消耗更多的终端电能,并且长的非DRX周期可使终端的被调度机会增加,以提高传输效率(例如,提高Massive MIMO的接收和发送的数据量)。
将在接下来的描述中部分阐述本公开总体构思另外的方面和/或优点,还有一部分通过描述将是清楚的,或者可以经过本公开总体构思的实施而得知。
附图说明
通过下面结合示例性地示出实施例的附图进行的描述,本公开示例性实施例的上述和其他目的和特点将会变得更加清楚,其中:
图1示出了根据本公开的示例性实施例的基站确定AL的算法的原理图;
图2示出根据本公开的示例性实施例的基于AL预测模型预测PDCCH的AL相关信息的算法的原理图;
图3示出根据本公开的示例性实施例的PDCCH检测方法的流程图;
图4示出根据本公开的另一示例性实施例的PDCCH检测方法的流程图;
图5示出根据本公开的示例性实施例的网络侧的结构示意图;
图6示出根据本公开的另一示例性实施例的PDCCH检测方法的流程图;
图7示出根据本公开的示例性实施例AI检测的流程图;
图8示出根据本公开的示例性实施例的查找AI模型的流程图
图9示出根据本公开的示例性实施例的AI检测的流程图;
图10示出根据本公开的示例性实施例的终端与AI服务器之间的交互;
图11示出根据本公开的示例性实施例的单NCGI训练和多NCGI训练;
图12示出根据本公开的示例性实施例的AI检测的流程图;
图13示出根据本公开的示例性实施例的基站与AI服务器联合训练的流程图。
具体实施方式
现将详细参照本公开的实施例,所述实施例的示例在附图中示出,其中,相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例,以便解释本公开。
DCI包括物理上行共享信道(Physical Uplink Shared Channel,PUSCH)DCI和物理下行共享信道(Physical Downlink Shared Channel,PDSCH)DCI。可利用无线网络临时标识(Radio Network Temporary Identity,RNTI)来标识或检测PDCCH,例如,可通过RNTI对DCI的循环冗余校验(Cyclic Redundancy Check,CRC)进行加扰,以标识DCI。
通常,在一个传输时间间隔(Transmission Time Interval,TTI)内,可存在多个PDCCH。用户设备(User Equipment,UE)需要解调PDCCH中的DCI,随后解调属于UE的PDSCH,PDSCH包括但不限于:广播消息、寻呼、以及UE数据。
在PDCCH传输带宽内可同时传输多个PDCCH。为了更有效地配置PDCCH以及除了PDCCH之外的其他时频资源,长期演进(Long Term Evolution,LTE)和新空口(New Radio,NR)协议定义了控制信道单元(Control Channel Element,CCE)。UE所在的下行信道环境影响PDCCH占用的CCE的数量,基站可为在较好下行信道环境下的UE分配更少的CCE(例如,一个CCE),并且为在较差下行信道环境下的UE分配更多的CCE(例如,16个CCE)。PDCCH包含或占用的CCE的数量可被称为聚合等级(Aggregation Level,AL)。为了简化PDCCH检测的复杂度,LTE和NR协议还规定与PDCCH的起始位置对应的CCE号是AL的整数倍。
在LTE和NR网络中,基站可向UE发送PDCCH,但是基站不向UE通知PDCCH的AL以及与PDCCH的起始位置对应的CCE号。UE需要针对多个AL进行PDCCH检测,这样的检测可被称为盲检测。当通过盲检测确定AL时,可确定传输PDCCH的CCE。
根据第三代合作伙伴计划(Third Generation Partnerships Project,3GPP)标准化研究和终端研发结果,PDCCH检测的增加将使终端耗电量增加。
在一方面,在一个TTI内,UE根据配置的非连续接收(Discontinuous Reception,DRX)周期来检测PDCCH,直到达到以下两种结果之一:在一种结果下,UE检测到PDCCH,接收PDCCH承载的DCI,并且停止PDCCH检测;在另外一种结果下,直到达到定义的针对搜索空间的PDCCH最大检测次数为止,UE未检测到PDCCH,并且结束PDCCH检测。
在进行PDCCH检测的过程中,需要针对与多个AL中的每个AL对应的候选PDCCH进行信道解码。由于完成信道解码过程消耗操作数,并且信道解码次数的增加可导致消耗的操作数的增加,因此随着检测所针对的AL的数量的增加,信道解码的次数会增加,消耗的操作数也会增加,从而引起耗电量的增大。
在传统的PDCCH检测过程中,可按照固定的AL顺序进行盲检测,例如,将大小为1的AL作为起始AL并开始检测,随后逐渐增大AL以试图检测到与特定AL对应的PDCCH,直到检测到PDCCH或达到最大的AL为止;或者可按照有限的先验信息进行盲检测,例如,将上一次盲检测结束时的AL作为开始当前盲检测的起始AL,随后增大AL以试图检测到与特定AL对应的PDCCH。
如上所述,传统的PDCCH检测过程不利用先验信息或者利用有限的先验信息,终端需要通过尝试来确定PDCCH的AL,因此传统的PDCCH检测被称为盲检测。盲检测通常不能直接针对实际AL(当前PDCCH的AL)进行PDCCH检测,在找出实际AL之前的尝试将消耗终端的电能。
第三代(Third Generation,3G)、第四代(Fourth Generation,4G)和第五代(Fifth Generation,5G)系统需要考虑终端耗电问题。5G协议将能量效率作为一个关键的性能指标,因此在设计过程中更需要考虑UE的耗电情况。
在另一方面,为了减少终端耗电,5G标准对DRX等进行改变,例如,通过增加DRX周期来减少UE检测PDCCH的机会(例如,在其中进行PDCCH检测的TTI的数量),即减少PDCCH检测次数。PDCCH的检测机会的减少将导致UE被调度的机会的减少,使得UE的时延增加。另外,PDCCH的检测往往需要经过多轮检测,在PDCCH的检测过程中,辅助调度和测量的信号(例如,探测参考信号(Sounding Reference Signal,SRS))也无法被发送。5G核心技术包括大规模多输入多输出天线(Massive Multi-Input Multi-Output,Massive MIMO)技术。Massive MIMO技术需要利用SRS进行信道测量,因此SRS在PDCCH的检测过程中的不发送可影响Massive MIMO的性能。
本公开的基本思想包括:终端基于AL预测模型的进行PDCCH检测,其中,可利用AL预测模型体现的先验信息来预测AL相关信息(例如,PDCCH检测所针对的AL的顺序),根据预测的AL相关信息进行PDCCH检测。基站可根据链路信息计算出PDCCH的AL(例如,将基站与终端之间的链路质量信息或信道质量信息等应用于PDCCH AL自适应算法以计算出PDCCH的AL),终端可利用历史数据(可被称为训练数据)来学习基站计算AL的方式以形成AL预测模型,历史数据包括基站执行PDCCH AL自适应算法时使用的数据(可称为PDCCH AL自适应算法参数)和终端已检测到的PDCCH的AL。可根据AL预测模型预测出的信息确定检测所针对的AL的顺序,并根据这样的顺序进行PDCCH检测而非盲目地进行检测。在这种情况下,可减少PDCCH检测过程中的检测次数,以减少电能消耗,还可为SRS等信息的传输提供更多机会,以提高终端的响应速度等性能。在另一方面,基站可根据终端是否可基于AL预测模型进行PDCCH检测而配置DRX等参数以保证SRS等信号的传输并且基于PDCCH的调度可被执行,使得吞吐量被提升并且时延被减少。
在本公开的示例性实施例中,终端(可称为UE)、基站、服务器可分别支持3G协议、4G协议和5G协议中的至少一种,当然,这并不用于限制,例如,不排除支持新一代协议或旧协议的可能性。
图1示出了根据本公开的示例性实施例的基站确定AL的算法的原理图。
如图1所示,终端可将作为PDCCH AL自适应算法的输入数据(例如,下一代节点(gNB)和终端之间链路信息,链路信息可以是链路质量信息、信道质量信息等)上报给基站。在网络侧,基站根据用户上报的参数确定PDCCH的信道质量,并且确定PDCCH的AL。终端上报的链路信息(PDCCH AL自适应算法的输入)是终端的已知信息,并且通过PDCCH检测,终端可获知PDCCH的AL(即根据PDCCH AL自适应算法计算出并且配置的AL),例如,上行链路(Uplink,UL)的AL和下行链路(Downlink,DL)的AL。也就是说,终端能够获知基站侧的PDCCHAL自适应算法的输入和输出,从而UE可以学习基站侧的PDCCH AL自适应算法,达到避免盲检测的目的,这样,为终端或除了终端之外的设备(例如,服务器)学习基站的PDCCH AL自适应算法提供了可能性。
图2示出根据本公开的示例性实施例的基于AL预测模型预测PDCCH的AL相关信息的算法的原理图。
如图2中所示,输入数据被输入到AL预测模型(可以是人工智能(ArtificialIntelligence,AI)模型或非AI模型),AL预测模型基于输入数据来预测输出。作为图1中的PDCCH AL自适应算法的输入数据或图2中的AL预测模型的输入数据的链路信息可包括以下项中的至少一项:终端的下行链路条件指示器(包括以下项中的至少一项:参考信号接收能量(Reference Signal Receiving Power,RSRP)、链路质量指示(Channel QualityIndicator,CQI),信噪比(Signal-to-Noise Ratio,SNR)、下行控制信息(DownlinkControl Information,DCI)有效载荷(即,DCI的字节大小)、PDCCH时隙索引、以及传输方向(包括下行(Downlink,DL)和上行(Uplink,UL)中的至少一项)。图1中的PDCCH AL自适应算法的输出或图2中的AL预测模型的输出包括DL的AL相关信息和UL的AL相关信息中的至少一个。
作为示例,输入数据可由演进节点(eNB)、下一代节点(gNB)等的终端参照PDCCHAL自适应算法需要的输入数据来收集,收集的输入数据被输入到AL预测模型以预测AL相关信息(如当前检测时刻的AL相关信息),根据AL预测模型预测的AL相关信息,终端可确定PDCCH检测顺序(例如,确定PDCCH检测所针对的AL的顺序),并且根据确定的检测顺序而非默认的检测顺序来进行PDCCH检测。由于基于AL预测模型的算法利用了先验信息(例如,准确的AL使得与盲目的针对AL进行检测相比,PDCCH更早地被检测到),因此可减少检测(例如,盲检测)次数,加快PDCCH的检测时间,从而减少检测带来的电能消耗,实现终端省电的目的。
图3示出根据本公开的示例性实施例的PDCCH检测方法的流程图。
如图3所示,根据本公开的示例性实施例的PDCCH检测方法可包括步骤101至步骤103。在步骤101,获取预测AL相关信息所需的输入数据;在步骤102,基于获取的输入数据,使用AL预测模型预测AL相关信息;在步骤103,基于预测的AL相关信息来进行PDCCH检测。例如,图3所示检测方法可由终端执行,预测的AL相关信息可以是AL的顺序。由于PDCCH的起始位置与AL相关(例如,起始位置是AL的整数倍),因此在确定了AL的情况下,PDCCH的起始位置也被一定程度地确定。在通过RNTI进行了加扰的情况下,可从起始位置开始,利用RNTI确定PDCCH是否存在。当预测的AL相关信息包括AL的顺序的情况下,可基于预测的顺序进行PDCCH检测。
作为示例,预测AL相关信息所需的输入数据包括:链路信息;和/或,所述AL相关信息包括以下项中的至少一项:针对多个AL的检测顺序、多个AL中的每个AL的概率、以及多个AL中的概率最大的AL。
作为示例,所述链路信息包括以下项中的至少一项:RSRP、CQI、SNR、DCI有效载荷、以及PDCCH时隙索引。
作为示例,若所述AL相关信息包括多个AL中的概率最大的AL,则基于预测的AL相关信息来进行PDCCH检测,包括:基于预测出的概率最大的AL进行PDCCH检测;若检测失败,则基于其他AL进行PDCCH盲检测。
作为示例,基于预测的AL相关信息来进行PDCCH检测,包括:基于预测的AL相关信息来确定PDCCH检测顺序;基于确定的PDCCH检测顺序来进行PDCCH检测。
作为示例,使用AL预测模型预测AL相关信息,包括:根据终端所附着的小区的小区标识符、以及AL预测模型与小区标识符之间的对应关系,查找与终端所附着的小区对应的AL预测模型;基于获取的输入数据,使用查找到的AL预测模型预测AL相关信息。
作为示例,所述小区标识符包括新空口小区全球标识符(New Radio Cell GlobalIdentification,NCGI),NCGI包括以下项中的至少一项:移动国家码(Mobile CountryCode,MCC)、移动网络码(Mobile Network Code,MNC)、以及下一代节点(next generationNode B,gNB)标识。
作为示例,在使用查找到的AL预测模型预测AL相关信息之前,还包括:基于查找到的AL预测模型的预测准确率,确定查找到的AL预测模型有效。
作为示例,查找与终端所附着的小区对应的AL预测模型,包括:从终端本地或从服务器中查找与终端所附着的小区对应的AL预测模型。
可选的,所述检测方法还包括:根据以下项中的至少一项来确定是否将至少两个AL预测模型合并:指示进行AL预测模型合并的消息、所述至少两个AL预测模型的输出之间的相似度、小区标识符列表的重合度、以及所述至少两个AL预测模型的输入之间的相似度;修改小区标识符与AL预测模型的对应关系,使得与被合并的AL预测模型对应的各小区标识符对应于同一AL预测模型。
可选的,所述检测方法还包括:从终端本地或服务器获取构建的AL预测模型;基于所述终端的历史数据对获取的AL预测模型进行训练;其中,所述终端的历史数据包括:终端上报给基站的所述输入数据以及终端已检测到的PDCCH的AL信息。
可选的,所述检测方法还包括:向基站上报PDCCH检测能力信息,其中,所述PDCCH检测能力信息能够表征终端是否能够基于预测的AL相关信息进行PDCCH检测。
可选的,所述检测方法还包括:获取基站配置的非连续接收DRX周期,所述DRX周期是基站根据终端上报的PDCCH检测能力信息进行配置的,其中,所述基站为能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期短于为不能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期;基于预测的AL相关信息来进行PDCCH检测,包括:基于预测的AL相关信息以及获取的DRX周期进行PDCCH检测。
可选的,向基站上报能力信息的步骤包括:通过信息单元IE上报能力信息。
可选的,使用AL预测模型预测AL相关信息,包括:判断当前获取的预测AL相关信息所需的输入数据与历史输入数据相比是否发生变化;当判断出发生变化时,使用AL预测模型预测AL相关信息;所述检测方法还包括:当判断出未发生变化时,使用基于历史输入数据预测出的AL相关信息进行PDCCH检测。
图4示出根据本公开的另一示例性实施例的PDCCH检测方法的流程图。
如图4中所示,在PDCCH检测开始的情况下,如果满足AI检测条件(例如,终端能够基于AI模型预测AL相关信息并能够基于AL相关信息进行PDCCH检测),则可进行AI检测,如果不满足AI检测条件,则进行PDCCH的盲检测。
在本公开的示例性实施例中,使用AI模型预测AL相关信息的过程,也可以称为AI检测。AI检测和基于AI模型的预测仅仅是示例性的,不用于限制本公开的保护范围。AI检测可替换为非AI检测,或者替换为包括AI检测和非AI检测的AL预测,AI模型也可替换为非AI模型或者替换为包括AI模型和非AI模型的AL预测模型。AI模型可以但不限于深度学习模型、深度神经网络模型、深度网络模型、传统的三层神经网络模型等等。
步骤211和步骤212涉及盲检测。在步骤211,基于固定的(默认的)AL顺序确定候选PDCCH。例如,多个AL具有默认的顺序,每个AL可对应一个候选PDCCH。又如,大小分别为1、2、4、8的AL的默认的顺序可以是1->2->4->8。在步骤212,由于候选PDCCH的顺序与AL的顺序一致,因此可基于AL的顺序对候选PDCCH进行检测。
步骤221至步骤224涉及AI检测。在步骤221,可基于AI模型预测PDCCH的AL相关信息(在图4中简化称为AL)。在步骤222,可基于预测的AL相关信息来确定检测顺序。在步骤223,基于确定的检测顺序,可确定候选PDCCH。例如,可确定AL的顺序为2->4->1->8。在步骤224,针对候选PDCCH进行检测,并且记录检测到PDCCH的情况下的数据(也可以称为终端数据,包括预测AL相关信息所需的输入数据(如链路信息)和检测到的AL信息),以用于后续处理(例如,检测AI模型的准确性和/或训练AI模型)。
作为示例,该实施例的PDCCH检测方法适用于gNB网络,终端可以是5G终端。AI模型可模拟gNB网络的PDCCH AL自适应算法,以预测PDCCH的AL相关信息。然而,这仅仅是为了描述而提供的实施例,并不用于限制本公开的保护范围,本公开的方法也适用于3G或4G的终端、基站、服务器或网络。
与检测方法对应,可实现如下所述的训练方法和DRX配置方法。
根据本公开的另一示例性实施例,提供了一种AL预测模型的训练方法,其中,所述训练方法包括:接收终端上报的PDCCH检测的相关数据;基于终端上报的PDCCH检测的相关数据来训练AL预测模型;向终端发送训练的AL预测模型。
作为示例,终端上报的PDCCH检测的相关数据包括终端与基站之间的链路信息以及终端通过已检测(盲检测或AI检测)到的PDCCH的AL信息,其中,训练AL预测模型的步骤包括:基于上报的与同一类型的多个基站对应的PDCCH检测的相关数据来训练一个AL预测模型,和/或,针对各基站分别进行AL预测模型的训练(基于上报的与每个基站对应的PDCCH检测的相关数据来训练一个AL预测模型),和/或,针对所有基站训练一个AL预测模型(基于上报的所有PDCCH检测的相关数据来训练一个AL预测模型)。
根据本公开的另一示例性实施例,提供了一种DRX配置方法,其中,所述配置方法包括:从终端接收物理下行控制信道PDCCH检测能力信息;根据接收到的能力信息配置DRX周期,其中,所述PDCCH检测能力信息能够表征终端是否能够基于预测的AL相关信息进行PDCCH检测。
作为示例,所述能力信息通过信息单元IE承载,和/或,根据接收到的能力信息配置DRX周期,包括:为能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期短于为不能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期。
根据本公开的示例性实施例的训练方法和DRX配置方法可在网络侧实现,其中,训练方法可由服务器实现,DRX配置方法可由基站实现。另外,训练方法也可在终端实现。
图5示出根据本公开的示例性实施例的网络侧的结构示意图。
根据本公开的示例性实施例的网络侧可包括基站或者包括基站和服务器。基站可用于接收终端报告的PDCCH检测能力信息,并且为具备AL检测能力(例如,能够基于预测的AL相关信息进行PDCCH检测)的终端配置短DRX周期,具备AL检测能力的终端也可以称为具备AL智能检测能力的终端,还可以称为支持AI检测的终端,基站为不具备AL检测的终端配置长DRX周期。
根据本公开的示例性实施例,基站包括:通信单元,被配置为从终端接收物理下行控制信道PDCCH检测能力信息;配置单元,被配置为根据接收到的能力信息配置DRX周期,其中,所述PDCCH检测能力信息能够表征终端是否能够基于预测的AL相关信息进行PDCCH检测。
作为示例,所述能力信息通过信息单元IE承载,和/或,所述配置单元被配置为:为能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期短于为不能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期。
根据本公开的另一示例性实施例,基站包括:处理器;以及存储器,配置用于存储机器可读指令,所述指令在由所述处理器执行时,使得所述处理器执行上述非连续接收DRX配置方法。
根据本公开的另一示例性实施例,服务器包括:接收单元,被配置为接收终端上报的物理下行控制信道PDCCH检测的相关数据;训练单元,被配置为基于终端上报的PDCCH检测的相关数据来训练AL预测模型;发送单元,被配置为向终端发送训练的AL预测模型。
作为示例,终端上报的PDCCH检测的相关数据包括终端与基站之间的链路信息以及终端已检测到的PDCCH的AL信息,其中,训练单元被配置为:基于上报的与同一类型的多个基站对应的PDCCH检测的相关数据来训练一个AL预测模型,和/或,针对各基站分别进行AL预测模型的训练,和/或,针对所有基站训练一个AL预测模型。
作为示例,具备AL检测能力(例如,支持AI检测)和不具备AL检测能力的终端可被部署在基站的覆盖范围内。基站可为这些终端发送PDCCH而不管终端是否具备AL检测能力。具备AL检测能力的终端可具有智能节电功能,与不具备AL检测能力比,可能更快速的检测到PDCCH,从而减少了PDCCH检测所消耗的电能,因此具备AL检测能力的终端比不具备AL检测能力的终端消耗的电量少。
作为示例,网络侧(例如基站或AI服务器)与终端之间可配置接口,以传输能力信息。这个接口可被实现为标准化的接口,例如,可在无线资源控制(Radio ResourceControl,RRC)信令上增加一个的新的信息单元(Information Element,IE)。该IE可用于传输能力信息(例如,终端向基站上报能力信息,能力信息能够表征终端是否能够基于预测的AL相关信息进行PDCCH检测),还可用于传输AL预测模型(例如,终端从服务器接收或下载由服务器训练的模型,终端向服务器提交终端数据)。
作为示例,能力信息和/或上报终端数据可以是实时上报或非实时上报。在非实时上报的情况下,终端上报能力信息和/或上报终端数据的触发条件包括但不限于以下项中的至少一项:数据量达到预定数量,时间达到上报时间(达到上报周期规定的时间,上报时间可通过协商或协议约定,以天、周或月等为单位),终端的存储器的存储量达到预定存储量(例如,存储器满),现有AL预测模型的预测精度低于预定精度。
由于终端的存储器的容量有限,因此,可在收集的终端数据的数据量达到预定数值的情况下上报,并且在上报之后可删除存储的数据以便存储新的数据,数据量可通过字节来衡量,例如,当数据量占用的字节达到预定字节数的时候进行上报。终端的存储器存储上述终端数据,存储量也可通过字节等单位来衡量。基于数据量的触发条件和基于存储量的触发条件所针对的对象分别是数据和存储器。当终端使用旧有AI模型的AL预测精度不能达到门限,以至认为基站更新了PDCCH聚合等级自适应算法,需要更新AI模型的输入和输出信息,因此终端可以上传终端数据。
作为示例,服务器可与终端或基站分离,也可包括在基站或终端中。服务器可基于终端提交的终端数据来训练AL预测模型。在终端包括服务器的情况下,服务器可作为终端的单元,使得终端可本地训练AL预测模型。
作为示例,基站可为具备AL检测能力的终端配置较短的DRX周期,短DRX周期意味着短休眠期和长调度时间,在DRX周期之外的时间内,终端可能进行PDCCH检测(例如,基于AL预测模型的PDCCH检测,当AL预测模型是AI模型时,PDCCH检测可被称为PDCCH智能检测),但是由于PDCCH智能检测可更快速(花费更少的检测次数)完成,因此不会增加终端电能消耗,相反,可增加终端被调度的机会,提高终端响应速度和吞吐量(例如,增加支持MassiveMIMO的终端的性能),提高数据传输效率,并且减少时延,可满足标准所要求的能量效率目标。基站可为不具备AL检测能力的终端配置较长的DRX周期,从而保证这样的终端不因PDCCH盲检测而消耗过多电能,但是这样的终端的响应速度慢、时延长且吞吐量低。
图6示出根据本公开的另一示例性实施例的PDCCH检测的流程图。
本示例性实施例的PDCCH检测方法可在终端实现,该检测方法可包括:附着于小区的终端确定小区的NCGI;根据NCGI查找有效的AL预测模型(例如,AI模型);如果查找到有效的AI模型,则进行AI检测,如果未查找到有效的AI模型,则进行盲检测或从服务器更新AI模型。
具体而言,终端可附着于小区(例如,5G基站的小区),并且获得小区的NCGI,其中,NCGI可用于在全球范围内唯一地标识小区,并且可包括MCC、MNC、gNB的标识(ID)、小区的ID。终端可根据NCGI查找有效的AI模型(例如,本地查找或远程查找),如果查找到有效的AI模型,则进行AI检测,否则,进行盲检测或尝试从服务器获取AI模型;在PDCCH的AI检测或盲检测之后,可确定是否发生小区切换,如果发生小区切换,则终端获取新的NCGI并执行查找有效的AI模型以及随后的步骤。
在获得(例如,查找到)AI模型之后,可通过预测准确率判断有效的AI模型,也可执行AI检测的步骤。在AI检测过程中,可将终端数据(例如,上文描述的AI模型的输入数据)输入到AI模型,以获得AI模型的输出。AI模型的输出可包括AL顺序(例如,AL顺序为2->4->1->8),每个AL可对应一个候选PDCCH。可基于AL顺序对各个候选PDCCH进行检测,以确定基站为终端配置的PDCCH。在确定基站为终端配置的PDCCH之后,还可记录终端数据以及检测到的PDCCH的AL。在盲检测的过程中,基于固定AL顺序(例如,AL顺序为1->2->4->8)进行检测,每个AL可对应一个候选PDCCH,基于固定AL顺序从各个候选PDCCH中找出基站为终端配置的PDCCH。
作为示例,这里的NCGI可适用于5G小区,并且可被替换为适用于3G或4G小区的小区标识符。这样,查找AI模型的步骤可包括:根据AI模型与终端所附着的小区的小区标识符之间的对应关系查找与小区对应的AI模型,并且判断AI模型的预测准确率是否满足要求,当预测准确率满足要求时,确定AI模型有效,其中,预测AL相关信息的步骤可包括:基于有效的AI模型来预测AL相关信息。
在AI检测或盲检测之后,可判断是否发生小区切换,如果发生小区切换,则执行确定小区的NCGI的步骤以及随后步骤。
根据本公开的示例性实施例的终端可包括:数据获取单元,被配置为获取预测AL相关信息所需的输入数据;预测单元,被配置为基于获取的输入数据,使用AL预测模型预测AL相关信息;检测单元,被配置为基于预测的AL相关信息来进行PDCCH检测。
作为示例,预测AL相关信息所需的输入数据包括:链路信息;和/或,所述AL相关信息包括以下项中的至少一项:针对多个AL的检测顺序、多个AL中的每个AL的概率、以及多个AL中的概率最大的AL。
作为示例,所述链路信息包括以下项中的至少一项:RSRP、CQI、SNR、DCI有效载荷、以及PDCCH时隙索引。
作为示例,检测单元被配置为:若所述AL相关信息包括多个AL中的概率最大的AL,则基于预测出的概率最大的AL进行PDCCH检测;若检测失败,则基于其他AL进行PDCCH盲检测。
作为示例,检测单元被配置为:基于预测的AL相关信息来确定PDCCH检测顺序;基于确定的PDCCH检测顺序来进行PDCCH检测。
作为示例,预测单元被配置为:根据终端所附着的小区的小区标识符、以及AL预测模型与小区标识符之间的对应关系,查找与终端所附着的小区对应的AL预测模型;基于获取的输入数据,使用查找到的AL预测模型预测AL相关信息。
作为示例,所述小区标识符包括新空口小区全球标识符NCGI,NCGI包括以下项中的至少一项:移动国家码MCC、移动网络码MNC、以及下一代节点gNB标识。
作为示例,所述终端还包括判断单元,被配置为在使用查找到的AL预测模型预测AL相关信息之前,基于查找到的AL预测模型的预测准确率,确定查找到的AL预测模型有效。
作为示例,预测单元被配置为:从终端本地或从服务器中查找与终端所附着的小区对应的AL预测模型。
作为示例,所述终端还包括合并单元,被配置为根据以下项中的至少一项来确定是否将至少两个AL预测模型合并:指示进行AL预测模型合并的消息、所述至少两个AL预测模型的输出之间的相似度、小区标识符列表的重合度、以及所述至少两个AL预测模型的输入之间的相似度;修改小区标识符与AL预测模型的对应关系,使得与被合并的AL预测模型对应的各小区标识符对应于同一AL预测模型。
作为示例,所述终端还包括训练单元和模型获取单元,模型获取单元被配置为从终端本地或服务器获取构建的AL预测模型;训练单元被配置为基于所述终端的历史数据对获取的AL预测模型进行训练;其中,所述终端的历史数据包括:终端上报给基站的所述输入数据以及终端已检测到的PDCCH的AL相关信息。
作为示例,所述终端还包括上报单元,被配置为向基站上报PDCCH检测能力信息,其中,所述PDCCH检测能力信息能够表征终端是否能够基于预测的AL相关信息进行PDCCH检测。
作为示例,所述终端还包括接收单元,被配置为获取基站配置的非连续接收DRX周期,所述DRX周期是基站根据终端上报的PDCCH检测能力信息进行配置的,其中,所述基站为能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期短于为不能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期;检测单元被配置为基于预测的AL相关信息以及获取的DRX周期进行PDCCH检测。
作为示例,所述上报单元,被配置为通过信息单元IE上报能力信息。
作为示例,所述预测单元被配置为:判断当前获取的预测AL相关信息所需的输入数据与历史输入数据相比是否发生变化;当判断出发生变化时,使用AL预测模型预测AL相关信息;所述检测单元被配置为:当判断出未发生变化时,使用基于历史输入数据预测出的AL相关信息进行PDCCH检测。
根据本公开的另一示例性实施例的UE或终端可包括:处理器;以及存储器,配置用于存储机器可读指令,所述指令在由所述处理器执行时,使得所述处理器执行上述检测方法。
图7示出根据本公开的示例性实施例AI检测的流程图。PDCCH的AI检测与PDCCH的盲检测之间的区别包括:AI检测可基于预测的AL顺序进行PDCCH检测与提取,盲检测基于固定的(例如,默认的)AL顺序进行PDCCH检测与提取。可利用AI模型进行预测,AI模型的输入数据可由终端收集,输入数据可以是gNB网络的PDCCH AL自适应算法的相关参数,包括以下项中的至少一项:参考信号接收能量(Reference Signal Receiving Power,RSRP)、接收信息强度指示(Received Signal Strength Indication,RSSI)、链路质量指示(ChannelQuality Indicator,CQI)、信噪比(Signal-to-Noise Ratio,SNR)、下行控制信息(Downlink Control Information,DCI)的字节大小、以及PDCCH的时隙索引。AI模型的输出可包括上行链路(UL)和下行链路(DL)的各个AL的概率,例如,DL的各个AL的概率和/或UL的各个AL的概率。
在本公开的示例性实施例中,根据DL的AL与UL的AL之间的相关性,可使用同一AL模型来预测UL的AL相关信息和DL的AL相关信息。当然,并不排除使用两个AL模型来分别预测UL的AL相关信息和DL的AL相关信息。
在本公开的示例性实施例中,特定基站的与PDCCH检测相关的输入数据和输出数据可被终端收集到,输入数据和输出数据之间的关联关系可体现所述特定基站的PDCCH AL自适应算法,可以是该算法在特定场景下的表现形式。因此,可通过对收集到的数据的学习来获得AI模型,并基于获得的AI模型来预测与新的输入数据对应的AL相关信息(例如,AL的概率等)。
作为示例,根据预测结果,大小为1的AL的概率为6%,大小为2的AL的概率为85%,大小为4的AL的概率为7%,大小为8的AL的概率为2%,可根据这样的预测结果确定AL顺序。按照概率从大到小的顺序排列,可确定AL顺序为2->4->1->8。终端可先在与AL=2对应的起始位置处确定长度为2个CCE的PDCCH,随后在与AL=4对应的起始位置处确定长度为4个CCE的PDCCH,以此类推,直到找到PDCCH或达到预定检测次数(轮数)为止,其中,每个AL可对应一次检测。假设实际AL=2,如果盲检测从AL=1开始,则需要检测两次才能找到PDCCH,而从AL=2开始的AI检测仅需一次检测即可找到PDCCH,从而AI检测可减少检测的轮数。与盲检测相比,由于减少了PDCCH检测的次数,因此减少了PDCCH检测的电能消耗,实现终端(尤其是5G终端)省电的目的。
另外,当应用于基于NR协议的网络时,AL可能为16。例如,当AL=16的概率为0时,AL=16的顺序排在AL=8之后。
图8示出根据本公开的示例性实施例的查找AI模型的流程图。参照图8,查找AI模型的过程可包括如下步骤:基于NCGI查找AI模型;判断AI模型的准确率是否满足要求;如果满足要求,则表示找到有效的AI模型,如果不在满足要求,则表示没有找到有效的AI模型,并且可删除查找到的AI模型。
具体而言,当终端附着于小区并注册了网络服务时,可获得小区的NCGI。可存在NCGI与AI模型之间的对应关系,因此,可基于NCGI查找AI模型。可在检测次数达到预定次数或检测时间达到预定时间的情况下,统计预测成功的概率(即预测准确率,或检测准确率),当预测准确率达到预定值时,确定AI模型有效。
作为示例,预测准确率可以是各轮的检测成功的概率的总和。基于计算量和统计效果(统计结果的准确性)的折中,可通过判断前N(例如,N=2)轮中的每轮的检测成功的概率是否达到预定值,如果达到,则确定AI模型有效。基于统计效果,可将多轮的检测成功的概率与预定阈值进行比较(例如,前三轮的概率之和与预定阈值比较,将前四轮的概率之和与预定阈值比较),如果大于或大于等于预定阈值,则确定AI模型有效。
可将AI模型是否有效(是否查找到有效的AI模型)通知给终端。当获取的AI模型不是有效的AI模型时,终端删除获取的AI模型或删除小区标识符(例如,NCGI)与获取的AI模型之间的对应关系。
为了在终端快速基于NCGI查找到AI模型,可建立和维护映射表格,以表示NCGI与AI模型之间的对应关系。初始的映射表格可基于国别、位置等信息从服务器获取(下载)。映射表格可记载NCGI和与NCGI对应的AI模型(模型的名称、ID等信息)。表1示出根据本公开的示例性实施例的映射表。
表1
AI模型列表 | NCGI列表 |
AI模型1 | NCGI 001、NCGI 003、NCGI 005、…… |
AI模型2 | NCGI 002、NCGI 028、NCGI 008、…… |
…… | …… |
AI模型N | NCGI 015、…… |
如表1中所示,每个AI模型可对应一个或更多个NCGI,N为自然数,NCGI列表中的每一行NCGI可对应一系列采用相同PDCCH AL自适应算法的基站。
作为示例,终端可管理AI模型与NCGI之间的关系(例如,以上映射表),管理操作可包括:基于NCGI查找对应的AI模型;在映射表上增加一项,用于记录AI模型和对应的NCGI列表;当发现2个或更多个AI模型可合并时,进行合并(例如,根据类别合并)。
作为示例,合并的触发条件包括以下项中的至少一项:AI服务器会推送消息给终端,消息指示可以进行合并的AI模型;使用特定测试数据对AI模型进行评估,多个AI模型的输出之间相似度超过特定阈值;NCGI(NCGI包括的各个项的值)的重合度(例如,属于不同NCGI的多个项的值相同表示所述多个项重合)超过预定阈值;AI模型的输入数据的相似度超过预定阈值。
作为示例,合并的方式可包括删除特定AI模型并且被删除的AI模型的NCGI添加到与另一AI模型对应的NCGI列表中。
作为示例,当AI模型不适用于当前网络,例如,当发现基站不再适用于某个AI模型时,可将与该AI模型对应的NCGI从NCGI列表中删除。AI模型不适用于当前网络的情况包括:该AI模型的预测结果和新收集的数据有冲突(例如,预测AL或AL的概率与实际检测获得的AL或AL的概率不同)。所述冲突可能意味着发现(或连接到)新的基站或基站的配置改变。
作为示例,新收集到的终端数据与历史终端数据冲突,这意味着可能基站的PDCCHAL自适应算法的进行升级或改动,或者基站对PDCCH AL自适应算法进行了切换。在这情况下,AI模型不适用于当前网络,也可删除对应的AI模型。
作为示例,上述删除和合并操作可分别由终端或UE的删除单元和合并单元实现。
在本公开的示例性实施例中,每个AI模型可学习gNB网络中基站的PDCCH AL自适应算法,PDCCH AL自适应算法可与基站设备的类型和具体的软件版本绑定。在真实的网络环境中,当某个运营商在某个区域的基站采用相同的基站设备和相同的软件版本时,与这些基站对应的AI模型是相同的或者是可合并的。考虑到每个基站可通过NCGI进行统一标识,所以采用NCGI列表中的一行表示这一系列的基站,这一系列基站与一个AI模型对应,即这一系列基站采用相同的PDCCH AL自适应算法。
图9示出根据本公开的示例性实施例的AI检测的流程图。AI模型可被称为完备的AI模型,完备的AI模型可预测每个AL的概率等信息。在查找到一个有效的且完备的AI模型后,终端基于查找到的AI模型进行AI检测,避免PDCCH盲检测,达到省电的目的。AI检测的过程可包括:预测AL的概率,基于预测的概率确定检测过程中使用的AL顺序,根据确定的AL顺序进行PDCCH检测。以上实施例已经描述的AI检测,在这里不再被重复。本示例性实施例对AI检测进行改进以避免重复操作和进一步节约电能。
作为示例,终端已完通过NCGI查找并获得适用于终端当前注册的网络的完备的且有效的AI模型。AI检测的过程可包括:检测AI模型的输入数据(如以上实施例中描述的输入数据,这些输入数据可由终端获得)是否发生变化,如果输入数据发生变化,则AI模型基于新的输入数据(变化后的输入数据)预测Al的概率等AL相关信息,根据预测的AL相关信息确定使用的AL顺序,如果输入数据未发生变化,则使用先前使用的AL顺序进行PDCCH检测而不需要执行预测操作,从而避免重复预测。
作为示例,输入数据发生变化的情况包括并不局限于:a)当发生基站切换时,基站的唯一标识(例如,NCGI)将发生变化,并且与NCGI关联的输入数据发生变化;b)当终端发生变化或终端与基站之间的网络环境发生变化时,虽然NCGI不发生变化,但输入数据中的一个或多个发生变化,例如,RSRP、RSSI、CQI、SNR、DIC字节大小、PDCCH时隙索引中的至少一个发生变化。
作为示例,终端可通过存储单元存储AL的值或概率或者存储AL顺序,并向AI服务器上传存储的内容,以用于AI模型训练和/或AI模型的预测准确率的判断。随后,可判断是否进入下一轮检测,如果是(预测准确率足够高,例如,高于预定数值),则执行判断输入数据是否发生变化的步骤。
图10示出根据本公开的示例性实施例的终端与AI服务器之间的交互。本公开的实施例以AI服务器为例进行说明,但是AI服务器也可替换为任何服务器,例如,非AI服务器。本公开的示例性实施例对于以NCGI作为小区标识符的示例进行了说明,并非用于限制,例如,其他CGI也可用于标识小区。
根据本公开的示例性实施例,当终端在本地找不到有效的AI模型时,或终端发现本地的AI模型不满足要求时(例如,预测准确率不满足要求),终端可尝试从AI服务器获得合适的AI模型,终端也可尝试收集与PDCCH检测有关的数据(与PDCCH AL自适应算法有关的数据)并上传至AI服务器(可位于网络侧或设置在终端)。在这种情况下,终端可在需要时更新AI模型,也可以让终端把收集到的数据(AI服务器可能未获得该数据)及时上传至AI服务器。
作为示例,终端已完通过NCGI查找AI模型,但是没有获得适用于终端当前注册的网络的有效的AI模型。终端未找到有效的AI模型时,可进行PDCCH盲检测。终端可尝试收集与PDCCH检测有关的数据(终端数据),周期性或数据数量到达一定阈值(如达到100条)后将收集的数据上传至AI服务器。终端还可基于终端当前注册的网络的NCGI从AI服务器下载并管理与NCGI对应的AI模型。
作为示例,AI服务器可被配置为:收集和存储各个终端提交的终端数据;基于收集到的终端数据训练AI模型;为各个终端提供已训练的AI模型。
作为示例,终端可通过以下项中的至少一项上传提交终端数据:a)周期性地进行终端数据提交;b)在收集的终端数据的数据量超过阈值时进行终端数据提交;c)按照与AI服务器协商的策略进行终端数据提交。
作为示例,终端数据包括输入X和输出Y两部分,其中,输入X包括但不限于RSRP、RSSI、CQI、SNR、DCI有效载荷、以及时隙索引中的至少一个;输出Y包括DL的AL相关信息和UL的AL相关信息。输入X和输出Y一一对应,可以使用(X,Y)表示一组终端数据,可通过小区标识符(例如,NCGI)标识这一组终端数据所对应的基站。因为小区标识符(例如,NCGI)可以唯一标识基站,所以AI服务器使用NCGI来区分属于不同基站的终端数据。另外,AI服务器可使用终端的唯一标识和时间信息标注终端数据的来源。基于此,可以使用(X1,Y1),(X2,Y2),…,XN,YN)表示属于特定基站的使用同一NCGI标注的一系列终端数据。因为训练AI模型时无需考虑终端数据的来源,所以在AI训练时使用同一NCGI标识终端数据(X1,Y1),(X2,Y2),…,XN,YN)。
当AI服务器收集到的终端数据的数据量达到一定阈值(如达到10000条)时,AI服务器将开始AI模型的训练。在AI服务器,可使用小区标识符(例如,NCGI)进行终端数据的标识。AI服务器可聚集属于特定NCGI的所有终端数据,基于聚集的数据训练由所述特定NCGI标识的基站的AI模型。这种基于单个NCGI的终端数据的训练可被称为单NCGI训练。
另外,由于多个基站可能采用相同网络设备和相同的软件版本,这就意味着一系列NCGI可以对应一个AI模型,所以AI服务器可以基于与所述一系列NCGI对应的终端数据进行AI模型的训练,使得所述多个基站共用一个AI模型。这种使用与所述一系列NCGI对应的终端数据的训练被称为多NCGI训练。
图11示出根据本公开的示例性实施例的单NCGI训练和多NCGI训练。
根据本公开的示例性实施例,当AI服务器收集的与特定基站对应的终端数据或与一系列基站对应的终端数据积累到一定程度时进行AI模型的训练。
作为示例,可使用(X1,Y1),(X2,Y2),…,XN,YN)表示与特定NCGI对应的终端数据。数字1、2、…、N表示终端数据的序号。因为AI服务器可以使用终端的标识和时间信息来标注终端数据的来源,所以数字1、2、…、N可与终端标识和时间信息相关联,当然,数字1、2、…、N也可能不表示以上相关联。
作为示例,(X1,Y1),(X2,Y2),…,XN,YN)可以是历史数据,可使用历史数据进行NCGI训练。由于历史数据与PDCCH AL自适应算法相关,因此可通过新的输入数据X来预测输出Y,例如,输出AL的概率,表示为概率函数Y=P(Y|X),概率函数模拟PDCCH AL自适应算法。作为示例,训练过程中可使用随机森林算法,但本公开不限于此,其他算法均是可行的。
作为示例,当训练的AI模型与已知AI模型之间的相似度达到预定程度时,将与训练的AI模型对应的NCGI添加到与已知AI模型对应的NCGI列表中
作为示例,AI模型的合并条件包括以下项中的至少一项:多个AI模型的输出的相似度超过阈值;NCGI列表的重合度(与多个AI模型分别对应的NCGI列表中的NGCI的重复程度)超过阈值;与NCGI对应的终端数据的相似度超过阈值。
根据本公开的示例实施例,多个基站可能采用相同网络设备和相同的软件版本,这就意味着与所述多个基站对应的一系列NCGI可以对应一个AI模型,即所述多个基站共用一个AI模型。
作为示例,多NCGI训练的过程包括:将与所述多个基站对应的终端数据用于AI模型的训练。AI模型仍可以表示为概率函数:Y=P(Y|X)。
作为示例,多NCGI训练的过程包括:利用与每个基站对应的终端数据训练与所述每个基站对应的AI模型,将各个AI模型进行集成。集成方法可以使用平均法(将各个AI模型的输出的平均值最终的输出),也可以采用投票法(相对多数投票法、绝对多数投票法、加权多数投票法)。
作为示例,当训练的AI模型与已知的AI模型不相同时,可将该AI模型和对应的NCGI添加到映射表中。
作为示例,当多个终端所属的基站用了相同PDCCH AL自适应算法时,所述多个终端可使用相同的AI模型,在训练时也可使用所述多个终端的数据一起进行训练,这样收集训练数据的速度更快,数据覆盖范围更广,训练出的AI模型的准确率也更高。
如果使用多NCGI训练出的AI模型,终端在运行着相同的算法的基站间进行网络切换时,终端只需要使用一个训练出的AI模型,无需切换。
图12示出根据本公开的示例性实施例的AI检测的流程图。
根据本公开的示例性实施例,终端已通过NCGI查找并获得终端当前注册的网络的AI模型。在进行AI检测的过程中,检测AI模型的输入数据与先前的输入数据相比是否发生变化,如果输入数据发生变化,使用AI模型预测具有最大可能性AL(概率最大的AL);如果输入数据未发生变化,延用先前预测的AL(例如,使用先前的检测顺序进行PDCCH检测)。在输入数据发生变化的情况下,基于预测的具有大可能性的AL进行PDCCH检测。随后,判断PDCCH检测是否成功,如果检测失败(未检测到PDCCH),则进行PDCCH盲检查,如果检测成功(检测到PDCCH),则判断是否进入下一轮检测,如果是,则进入新一轮的PDCCH检测。
作为示例,基于最大可能性的AL的PDCCH检测成功率约为80%,这意味着使用AI模型可减少80%甚至更多的PDCCH盲检测。同时,AI模型仅预测最大可能性的AL而不预测所有AL,这样的AI模型可被称为精简AI模型。这样的AI模型放弃了对除了最大可能性的AL之外的AL的概率预测,对计算能力和存储空间的要求更低,可以应用到智能手表、手环等计算能力较弱的物联网(IOT)设备上,普适性更高。
根据本公开的示例性实施例,可选择由终端和AI服务器联合起来进行AI模型的训练。当终端与AI服务器联合训练AI模型时,终端首先可以从AI服务器下载一个适用于当前特定基站的通用版或基础版AI模型,当终端在使用过程中不断积累相应的终端数据,积累的数据超过一定的阈值后,终端基于下载的AI模型和收集到的本地数据进行AI模型的重新训练,训练得到的新的AI模型可以被上传至AI服务器,AI服务器收到的来自终端的AI模型超过一定的阈值后,服务器基于收集到AI模型再次进行训练以获得最新的AI模型。
图13示出根据本公开的示例性实施例的基站与AI服务器联合训练过程的流程图。
根据本公开的示例性实施例,终端已完通过NCGI查找并获得终端当前注册的网络的AI模型。终端基于当前注册网络的NCGI从AI服务器下载通用版或基础版的AI模型。通用版或基础版的AI模型可被用户共享,可基于与一个或一系列小区(可通过NCGI等小区标识符来确定所述一系列小区)对应的PDCCH检测的历史数据来训练通用版或基础版的AI模型。因为数据或AI模型的覆盖范围的影响,通用版或基础版的AI模型可能无法很好的完成预测工作,因此需要进行重新训练。
作为示例,终端积累的终端数据超过一定的阈值(如大于1000条数据)后,终端基于下载的AI模型和收集到的数据进行AI模型的重新训练。
终端在已下载的通用版或基础版的AI模型的基础上,利用本地收集到的个性化终端数据对下载的AI模型进行重新训练。也就是训练被分为2部分,首先在AI服务器端进行训练获得AI模型的通用版或基础版,然后在终端使用本地采集的数据进行重新训练,这样可以得到更适合用户日常使用场景的AI模型。而传统的AI训练多为终端收集数据,上传数据到AI服务器,由AI服务器统一训练。
作为示例,终端可以选择将训练得到的AI模型上传至服务器。服务器收到的特定NCGI对应的AI模型超过一定的阈值(如大于50个)后,服务器基于收集到AI模型再次进行训练以获得最新的AI模型。
如果用户同意上传终端训练的AI模型到AI服务器,这样AI服务器可以收集到很多由用户驻留基站的个性化数据进行重新训练获得的AI模型。这些模型包含着用户驻留基站的个性化数据,如果服务器基于这些由所有终端训练的AI模型集进行AI模型的迭代训练,服务器端的AI模型也将能够获得这些个性化数据带来的好处。使服务端的AI模型的预测精度更高。
由于使用了联合训练,相应的输入由终端数据改为终端上传的AI模型。服务器基于终端训练的AI模型在网络侧进行AI模型的迭代训练,从而不断提高AI模型的预测精度。终端可以不把用户数据上传至服务器而进行本地训练并上传训练的模型,这样可以减少用户隐私的泄露和降低保护用户隐私的运营成本。因为本地数据训练出的AI模型暗含着用户的个性化数据,所以能更好地为用户提供个性化服务。另外只需上传AI模型而不是原始的用户数据,可以降低上传数据量从而减少资源和费用的消耗。终端与AI服务器的联合训练可以使用联盟学习来完成。
为了对本公开的示例性实施例的现实效果进行验证,基于随机森林算法获得AI模型。通过外场中的终端数据,对基于随机深林的AI模型进行训练,使用与另一外场中的终端数据对AI模型进行测试。测试结果表明,使用AI模型确定的结果的预测准确率超过80%。
对于AI模型,可进行一次训练和多次预测;另一方面,模型训练可以由服务器完成而非终端,终端的计算复杂度可以忽略不计。
使用PDCCH智能检测需要考虑增加的操作是使用AI模型的过程(基于AI模型的预测)。利用随机森林训练得到的AI模型的使用过程中的复杂度与K和P之积成正比,其中K表示树的个数,P表示树的深度。相比信道解码的复杂度,这个复杂度几乎可以忽略不计。
假设在PDCCH配置中,5种AL(AL=1,AL=2,AL=4,AL=8,AL=16)发生的概率均匀分布,而不同AL等级一个PDCCH候选检测需要的复杂度与PDCCH长度也即PDCCH AL等级成正比,那么PDCCH盲检测的复杂度大概是67.6单位。假设PDCCH AI模型可以准确找出PDCCH AL等级,则PDCCH检测的复杂度大概是11.6单位,PDCCH的检测复杂度大概可以减少83%。如果以PDCCH AI模型可以80%的概率准确找出PDCCH AL等级,则PDCCH检测的复杂度大概是22.8单位,PDCCH的检测复杂度大概可以减少66%。
可见,本公开中的方法可以显著减少PDCCH的检测复杂度,从而有效减少PDCCH检测过程中的电量消耗。
同时,基于基站和终端之间的接口信令,基站确认终端的能力信息,针对不同能力信息的终端,基站配置不同的DRX参数,可以进一步提升系统传输吞吐量,减少时延。
根据本公开的另一示例性实施例,提供了一种存储指令的计算机可读存储介质,其中,当所述指令被至少一个计算装置运行时,促使所述至少一个计算装置执行如上述的检测方法和/或配置方法。
以上描述了根据本公开构思的实施例,在不脱离本公开的保护范围的情况下,各个实施例中的特征可进行组合,这些组合也将落入本公开的保护范围之内。
计算机可读存储介质是可存储由计算机系统读出的数据的任意数据存储装置。计算机可读存储介质的示例包括:只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。
此外,应该理解,根据本公开示例性实施例的终端和基站的各个单元可被实现硬件组件和/或软件组件。本领域技术人员根据限定的各个单元所执行的处理,可以例如使用现场可编程门阵列(FPGA)或专用集成电路(ASIC)来实现各个单元。
此外,根据本公开示例性实施例的方法可以被实现为计算机可读存储介质中的计算机代码。本领域技术人员可以根据对上述方法的描述来实现所述计算机代码。当所述计算机代码在计算机中被执行时实现本公开的上述方法。
虽然已表示和描述了本公开的一些示例性实施例,但本领域技术人员应该理解,在不脱离由权利要求及其等同物限定其范围的本公开的原理和精神的情况下,可以对这些实施例进行修改。
Claims (20)
1.一种物理下行控制信道PDCCH的检测方法,其中,所述检测方法包括:
获取预测聚合等级AL相关信息所需的输入数据;
基于获取的输入数据,使用AL预测模型预测AL相关信息;
基于预测的AL相关信息来进行PDCCH检测。
2.根据权利要求1所述的检测方法,其中,预测AL相关信息所需的输入数据包括:链路信息;和/或
所述AL相关信息包括以下项中的至少一项:针对多个AL的检测顺序、多个AL中的每个AL的概率、以及多个AL中的概率最大的AL。
3.根据权利要求2所述的检测方法,其中,所述链路信息包括以下项中的至少一项:参考信号接收能量RSRP、链路质量指示CQI、信噪比SNR、下行控制信息DCI有效载荷、以及PDCCH时隙索引。
4.根据权利要求2或3所述的检测方法,其中,若所述AL相关信息包括多个AL中的概率最大的AL,则基于预测的AL相关信息来进行PDCCH检测,包括:
基于预测出的概率最大的AL进行PDCCH检测;
若检测失败,则基于其他AL进行PDCCH盲检测。
5.根据权利要求1至3中任一项所述的检测方法,其中,基于预测的AL相关信息来进行PDCCH检测,包括:
基于预测的AL相关信息来确定PDCCH检测顺序;
基于确定的PDCCH检测顺序来进行PDCCH检测。
6.根据权利要求1至3中任一项所述的检测方法,其中,使用AL预测模型预测AL相关信息,包括:
根据终端所附着的小区的小区标识符、以及AL预测模型与小区标识符之间的对应关系,查找与终端所附着的小区对应的AL预测模型;
基于获取的输入数据,使用查找到的AL预测模型预测AL相关信息。
7.根据权利要求6所述的检测方法,其中,所述小区标识符包括新空口小区全球标识符NCGI,NCGI包括以下项中的至少一项:移动国家码MCC、移动网络码MNC、以及下一代节点gNB标识。
8.根据权利要求6所述的检测方法,其中,在使用查找到的AL预测模型预测AL相关信息之前,还包括:
基于查找到的AL预测模型的预测准确率,确定查找到的AL预测模型有效。
9.根据权利要求6所述的检测方法,其中,所述检测方法还包括:
根据以下项中的至少一项来确定是否将至少两个AL预测模型合并:指示进行AL预测模型合并的消息、所述至少两个AL预测模型的输出之间的相似度、小区标识符列表的重合度、以及所述至少两个AL预测模型的输入之间的相似度;
修改小区标识符与AL预测模型的对应关系,使得与被合并的AL预测模型对应的各小区标识符对应于同一AL预测模型。
10.根据权利要求1至3中任一项所述的检测方法,其中,所述检测方法还包括:
从终端本地或服务器获取构建的AL预测模型;
基于所述终端的历史数据对获取的AL预测模型进行训练;
其中,所述终端的历史数据包括:终端上报给基站的所述输入数据以及终端已检测到的PDCCH的AL信息。
11.根据权利要求1至3中任一项所述的检测方法,其中,所述检测方法还包括:
向基站上报PDCCH检测能力信息,其中,所述PDCCH检测能力信息能够表征终端是否能够基于预测的AL相关信息进行PDCCH检测。
12.根据权利要求11所述的检测方法,其中,所述检测方法还包括:
获取基站配置的非连续接收DRX周期,所述DRX周期是基站根据终端上报的PDCCH检测能力信息进行配置的,其中,所述基站为能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期短于为不能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期;
基于预测的AL相关信息来进行PDCCH检测,包括:
基于预测的AL相关信息以及获取的DRX周期进行PDCCH检测。
13.根据权利要求1至3中任一项所述的检测方法,其中,使用AL预测模型预测AL相关信息,包括:
判断当前获取的预测AL相关信息所需的输入数据与历史输入数据相比是否发生变化;
当判断出发生变化时,使用AL预测模型预测AL相关信息;
所述检测方法还包括:
当判断出未发生变化时,使用基于历史输入数据预测出的AL相关信息进行PDCCH检测。
14.一种非连续接收DRX配置方法,其中,所述配置方法包括:
从终端接收物理下行控制信道PDCCH检测能力信息;
根据接收到的能力信息配置DRX周期,
其中,所述PDCCH检测能力信息能够表征终端是否能够基于预测的AL相关信息进行PDCCH检测。
15.根据权利要求14所述的配置方法,其中,
所述能力信息通过无线资源控制RRC信令上的信息单元IE承载,和/或,
根据接收到的能力信息配置DRX周期,包括:为能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期短于为不能够基于预测的AL相关信息进行PDCCH检测的终端配置的DRX周期。
16.一种终端,其中,所述终端包括:
数据获取单元,被配置为获取预测聚合等级AL相关信息所需的输入数据;
预测单元,被配置为基于获取的输入数据,使用AL预测模型预测AL相关信息;
检测单元,被配置为基于预测的AL相关信息来进行物理下行控制信道PDCCH检测。
17.一种终端,其中,所述终端包括:处理器;以及
存储器,配置用于存储机器可读指令,所述指令在由所述处理器执行时,使得所述处理器执行权利要求1-13中任一项所述的物理下行控制信道PDCCH的检测方法。
18.一种基站,其中,所述基站包括:
通信单元,被配置为从终端接收物理下行控制信道PDCCH检测能力信息;
配置单元,被配置为根据接收到的能力信息配置DRX周期,
其中,所述PDCCH检测能力信息能够表征终端是否能够基于预测的AL相关信息进行PDCCH检测。
19.一种基站,其中,所述基站包括:处理器;以及
存储器,配置用于存储机器可读指令,所述指令在由所述处理器执行时,使得所述处理器执行权利要求14或15所述的非连续接收DRX配置方法。
20.一种存储指令的计算机可读存储介质,其中,当所述指令被至少一个计算装置运行时,促使所述至少一个计算装置执行如权利要求1到15中的任一权利要求所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911025285.3A CN112714486A (zh) | 2019-10-25 | 2019-10-25 | Pdcch的检测方法、drx配置方法、终端、基站 |
EP20879489.1A EP4018728A4 (en) | 2019-10-25 | 2020-10-08 | METHOD AND APPARATUS FOR DETECTION OF PHYSICAL DOWN-CONTROL CHANNEL (PDCCH) BASED ON PREDICTED INFORMATION |
PCT/KR2020/013791 WO2021080222A1 (en) | 2019-10-25 | 2020-10-08 | Method and apparatus for detecting physical downlink control channel based on predicted information |
US17/078,506 US11569933B2 (en) | 2019-10-25 | 2020-10-23 | Method and apparatus for detecting physical downlink control channel based on predicted information |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911025285.3A CN112714486A (zh) | 2019-10-25 | 2019-10-25 | Pdcch的检测方法、drx配置方法、终端、基站 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112714486A true CN112714486A (zh) | 2021-04-27 |
Family
ID=75541536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911025285.3A Pending CN112714486A (zh) | 2019-10-25 | 2019-10-25 | Pdcch的检测方法、drx配置方法、终端、基站 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11569933B2 (zh) |
EP (1) | EP4018728A4 (zh) |
CN (1) | CN112714486A (zh) |
WO (1) | WO2021080222A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023280143A1 (zh) * | 2021-07-05 | 2023-01-12 | 中国移动通信有限公司研究院 | Ai任务的控制方法、终端、基站及存储介质 |
WO2023092249A1 (en) * | 2021-11-23 | 2023-06-01 | Zte Corporation | Systems and methods for model management |
WO2024000479A1 (zh) * | 2022-06-30 | 2024-01-04 | Oppo广东移动通信有限公司 | 无线通信的方法、终端设备和网络设备 |
WO2024021131A1 (zh) * | 2022-07-29 | 2024-02-01 | 北京小米移动软件有限公司 | Drx周期确定方法、装置 |
WO2024055197A1 (zh) * | 2022-09-14 | 2024-03-21 | Oppo广东移动通信有限公司 | 模型监测的方法及设备 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11431583B2 (en) * | 2019-11-22 | 2022-08-30 | Huawei Technologies Co., Ltd. | Personalized tailored air interface |
WO2021210943A1 (en) | 2020-04-16 | 2021-10-21 | Samsung Electronics Co., Ltd. | System and method to reduce pdcch blind decoding attempts using artificial intelligence and machine learning |
US11871250B2 (en) * | 2020-09-25 | 2024-01-09 | Qualcomm Incorporated | Machine learning component management in federated learning |
WO2023026413A1 (ja) * | 2021-08-25 | 2023-03-02 | 株式会社Nttドコモ | 端末、無線通信方法及び基地局 |
WO2023218543A1 (ja) * | 2022-05-10 | 2023-11-16 | 株式会社Nttドコモ | 端末、無線通信方法及び基地局 |
WO2024004219A1 (ja) * | 2022-07-01 | 2024-01-04 | 株式会社Nttドコモ | 端末、無線通信方法及び基地局 |
WO2024004220A1 (ja) * | 2022-07-01 | 2024-01-04 | 株式会社Nttドコモ | 端末、無線通信方法及び基地局 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011093072A1 (ja) * | 2010-01-27 | 2011-08-04 | 京セラ株式会社 | 移動局及び制御情報の復号方法 |
PT2564547T (pt) * | 2010-04-30 | 2018-10-10 | Guangdong Oppo Mobile Telecommunications Corp Ltd | Sistema e método para partilhar um canal de controlo para agregação de portadoras |
CN102932090B (zh) | 2011-08-08 | 2016-07-13 | 华为技术有限公司 | 检测、发送信息的方法及设备 |
US8923880B2 (en) * | 2012-09-28 | 2014-12-30 | Intel Corporation | Selective joinder of user equipment with wireless cell |
CN104717748A (zh) * | 2013-12-11 | 2015-06-17 | 北京三星通信技术研究有限公司 | 物理下行控制信道的资源分配方法和装置 |
CN108809572B (zh) * | 2017-05-04 | 2023-12-01 | 华为技术有限公司 | 通信方法和通信装置 |
US10856263B2 (en) * | 2017-09-08 | 2020-12-01 | Qualcomm Incorporated | Randomized search space for downlink control channel |
US10904871B2 (en) * | 2017-11-29 | 2021-01-26 | Qualcomm Incorporated | Aggregation level specific PDCCH modification |
WO2019125256A1 (en) * | 2017-12-21 | 2019-06-27 | Telefonaktiebolaget Lm Ericsson (Publ) | Outer-loop control of a physical downlink control channel, pdcch, link |
US10652826B2 (en) * | 2018-03-23 | 2020-05-12 | Samsung Electronics Co., Ltd. | Method and apparatus for power saving signal design in NR |
EP3589064B1 (en) * | 2018-06-21 | 2021-06-23 | Nokia Technologies Oy | Connection re-establishment, connection setup and cell selection in wireless networks |
EP3841811A1 (en) * | 2018-08-21 | 2021-06-30 | IDAC Holdings, Inc. | Methods and apparatus for wireless transmit/receive unit (wtru) power control |
CN110289936B (zh) * | 2019-07-01 | 2020-05-12 | 北京理工大学 | 一种基于权值排序的5g下行控制信道盲检测方法 |
CN113615108A (zh) * | 2019-08-28 | 2021-11-05 | Oppo广东移动通信有限公司 | 一种信息传输方法及装置、终端、网络设备 |
-
2019
- 2019-10-25 CN CN201911025285.3A patent/CN112714486A/zh active Pending
-
2020
- 2020-10-08 WO PCT/KR2020/013791 patent/WO2021080222A1/en unknown
- 2020-10-08 EP EP20879489.1A patent/EP4018728A4/en active Pending
- 2020-10-23 US US17/078,506 patent/US11569933B2/en active Active
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023280143A1 (zh) * | 2021-07-05 | 2023-01-12 | 中国移动通信有限公司研究院 | Ai任务的控制方法、终端、基站及存储介质 |
WO2023092249A1 (en) * | 2021-11-23 | 2023-06-01 | Zte Corporation | Systems and methods for model management |
WO2024000479A1 (zh) * | 2022-06-30 | 2024-01-04 | Oppo广东移动通信有限公司 | 无线通信的方法、终端设备和网络设备 |
WO2024021131A1 (zh) * | 2022-07-29 | 2024-02-01 | 北京小米移动软件有限公司 | Drx周期确定方法、装置 |
WO2024055197A1 (zh) * | 2022-09-14 | 2024-03-21 | Oppo广东移动通信有限公司 | 模型监测的方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
US20210126737A1 (en) | 2021-04-29 |
US11569933B2 (en) | 2023-01-31 |
EP4018728A4 (en) | 2022-11-09 |
EP4018728A1 (en) | 2022-06-29 |
WO2021080222A1 (en) | 2021-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112714486A (zh) | Pdcch的检测方法、drx配置方法、终端、基站 | |
CN111436096B (zh) | 分组唤醒信号的发送方法及装置 | |
WO2021032497A1 (en) | Methods, apparatus and machine-readable media relating to machine-learning in a communication network | |
CN107534990A (zh) | 用于mtc的系统信息的选择性分发 | |
WO2021212347A1 (zh) | 一种通信方法及相关设备 | |
EP3768004A1 (en) | Method and apparatus for transmitting and receiving information | |
CN102577172A (zh) | 在移动通信系统中发送和接收广播控制信道的方法和装置 | |
CN115669088A (zh) | 基于流量预测来调整电信网络中的功耗 | |
CN103493451A (zh) | 无线通信系统中的方法和装置 | |
CN107995595A (zh) | 一种实现NB-IoT多播覆盖增强的方法 | |
US11218894B2 (en) | Configuration of a connection | |
WO2024031469A1 (en) | Method of artificial intelligence-assisted configuration in wireless communication system | |
WO2019157616A1 (en) | Methods, apparatus and systems for transmitting a wake up signal in a wireless communication | |
WO2023092249A1 (en) | Systems and methods for model management | |
CN105379166A (zh) | 在共享无线电小区中的探测导频的传输 | |
CN117750511A (zh) | 资源重选方法、装置、设备及存储介质 | |
CN111835545A (zh) | 一种网络的自适应配置方法和装置 | |
CN1972170A (zh) | 无线通信信道检测方法 | |
CN113677028B (zh) | Pdcch监测方法、装置、设备及存储介质 | |
US11129118B2 (en) | Systems and methods for identifying and configuring a radiohead for a network simulation test platform | |
WO2024092755A1 (en) | Management of machine learning models in communication systems | |
CN110366249B (zh) | 下行控制信令的传输方法及装置 | |
CN116033456A (zh) | 压缩模型更新方法、装置、系统和存储介质 | |
WO2023202768A1 (en) | Methods, apparatus and machine-readable media relating to machine-learning in a communication network | |
KR20230104656A (ko) | 참조 시그널링 설계 및 구성을 위한 시스템 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |