CN113169777A - 波束对准 - Google Patents
波束对准 Download PDFInfo
- Publication number
- CN113169777A CN113169777A CN201880099811.8A CN201880099811A CN113169777A CN 113169777 A CN113169777 A CN 113169777A CN 201880099811 A CN201880099811 A CN 201880099811A CN 113169777 A CN113169777 A CN 113169777A
- Authority
- CN
- China
- Prior art keywords
- beam pair
- base station
- user equipment
- transmissions
- beams
- 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
- 230000005540 biological transmission Effects 0.000 claims abstract description 100
- 238000004891 communication Methods 0.000 claims abstract description 61
- 238000010801 machine learning Methods 0.000 claims abstract description 37
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 description 30
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0686—Hybrid systems, i.e. switching and simultaneous transmission
- H04B7/0695—Hybrid systems, i.e. switching and simultaneous transmission using beam selection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0868—Hybrid systems, i.e. switching and combining
- H04B7/088—Hybrid systems, i.e. switching and combining using beam selection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/046—Wireless resource allocation based on the type of the allocated resource the resource being in the space domain, e.g. beams
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
描述了一种方法、装置和计算机程序,包括:获取第一波束对准数据集,其中第一波束对准数据集包括针对第一多个波束对传输的测量数据,其中第一多个波束对传输中的每个波束对传输是在第一用户设备的多个通信波束中的一个通信波束与基站的多个通信波束中的一个通信波束之间,并且其中第一多个波束对传输是第一用户设备与基站之间所有可用波束对传输的子集;以及选择第一波束对组合,用于在第一用户设备与基站之间的通信,其中第一波束对组合包括第一用户设备的多个波束中的一个波束和基站的多个波束中的一个波束,其中用于选择第一波束对组合的部件包括利用第二波束对准数据集而被训练机器学习模型。
Description
技术领域
该说明书涉及波束对准,例如用于用户设备与基站之间的通信的波束对准。
背景技术
用户设备可以包括可用于与基站通信的多个波束。类似地,基站可以包括可用于与用户设备通信的多个波束。仍然存在与用于用户设备与基站之间的通信的波束对组合的选择有关的开发需求。
发明内容
在第一方面,本说明书描述了一种装置,包括:用于获取第一波束对准数据集的部件,其中第一波束对准数据集包括针对第一多个波束对传输的测量数据(诸如,接收信号强度),其中第一多个波束对传输中的每个波束对传输是在第一用户设备的多个通信波束中的一个通信波束与基站的多个通信波束中的一个通信波束之间,并且其中第一多个波束对传输是第一用户设备与基站之间所有的可用波束对传输的子集;以及用于选择第一波束对组合的部件,第一波束对组合用于在第一用户设备与基站之间的通信,其中第一波束对组合包括第一用户设备的多个波束中的一个波束和基站的多个波束中的一个波束,其中用于选择第一波束对组合的部件包括利用第二波束对准数据集而被训练的机器学习模型。许多机器学习模型可以用于实现本文中描述的概念。这些包括神经网络、支持向量机、k-最近邻算法、查找表等。机器学习模型可以在输入端接收第一波束对准数据集。机器学习模型可以在输出端提供第一波束对组合。
被选择用于第一用户设备与基站之间的通信的第一波束对组合可以是或可以不是第一波束对准数据集的波束对中的一个波束对。因此,第一多个波束对传输之外的波束对组合可以用于选择。
第一和/或第二波束对准数据集可以通过波束扫描来生成。
第一波束对组合可以是基于确定被认为是第一用户设备与基站之间最强的通信信道而被选择的。被认为是最强的通信信道可以基于度量,诸如接收信号强度。
第二波束对准数据集可以包括用于第二多个波束对传输的测量数据,其中第二多个波束对传输中的每个波束对传输是在第一用户设备的多个通信波束中的一个通信波束与基站的多个通信波束中的一个通信波束之间。
第一多个波束对传输可以是第二多个波束对传输的子集。第一多个波束对传输可以是第二多个波束对传输的预定义的子集。其他安排(除了预定义子集)也是可能的,诸如随机(或伪随机)子集。
第二多个波束对传输可以包括第一用户设备与基站之间的所有的可用波束对传输。因此,第二多个波束对传输可以是穷举的。
第一波束对准数据集可以包括宽对准数据集和窄对准数据集,并且用于选择第一波束对组合的部件包括用于选择宽波束对组合的部件和用于选择窄波束对组合的部件。宽对准数据集可以包括用于第一多个宽波束的测量数据,并且窄对准数据集可以包括用于第一多个窄波束的测量数据,该第一多个窄波束来自所选择的宽波束对组合内。宽对准数据集和窄对准数据集中的一项或两项可以是所有可用波束对传输的子集。
一些实施例可以包括用于确定第一多个波束对传输的部件(例如,使用通用/进化算法、强化学习、穷举搜索等)。备选地,或另外地,可行波束集可以通过算法被学习,从该可行波束集中第一多个波束对传输被选择。
用于选择第一波束对组合的部件可以至少部分地基于一个或多个先前的第一波束对准数据集(例如,通过对多个读数进行平均)来选择所述第一波束对组合。
一些实施例可以还包括:用于确定第一波束对组合的通信性能和/或机器学习模块的准确性的部件;以及用于在通信性能和/或准确性低于阈值性能的情况下用于重新训练机器学习模块的部件。
第一波束对准数据集可以通过以下被获取:第一用户设备向基站发送多个参考信号(例如,导频信号)和/或基站向第一用户设备发送多个参考信号(例如,导频信号)。第二波束对准数据集可以通过以下被获取:第一用户设备向基站发送多个参考信号(例如,导频信号)和/或基站向第一用户设备发送多个参考信号(例如,导频信号)。
该部件可以包括:至少一个处理器;以及至少一个存储器,包括计算机程序代码,至少一个存储器和计算机程序代码与至少一个处理器一起被配置为引起装置的执行。
在第二方面,本说明书描述了一种方法,该方法包括:获取第一波束对准数据集,其中第一波束对准数据集包括针对第一多个波束对传输的测量数据,其中第一多个波束对传输中的每个波束对传输是在第一用户设备的多个通信波束中的一个通信波束与基站的多个通信波束中的一个通信波束之间,并且其中第一多个波束对传输是第一用户设备与基站之间所有可用波束对传输的子集;以及选择第一波束对组合,用于在第一用户设备与基站之间的通信,其中第一波束对组合包括第一用户设备的多个波束中的一个波束和基站的多个波束中的一个波束,其中用于选择第一波束对组合的部件包括利用第二波束对准数据集被训练的机器学习模型。
被选择用于第一用户设备与基站之间的通信的第一波束对组合可以是或可以不是第一波束对准数据集的波束对中的一个波束对。因此,第一多个波束对传输之外的波束对组合可以用于选择。
第一波束对组合可以基于第一用户设备与基站之间的被认为是最强的通信信道的确定被选择。被认为是最强的通信信道可以基于度量,诸如接收信号强度。
第二波束对准数据集可以包括用于第二多个波束对传输的测量数据,其中第二多个波束对传输中的每个波束对传输是在第一用户设备的多个通信波束中的一个通信波束与基站的多个通信波束中的一个通信波束之间。
第一多个波束对传输可以是第二多个波束对传输的子集。第一多个波束对传输可以是第二多个波束对传输的预定义的子集。其他安排(除了预定义的子集)也是可能的,诸如随机(或伪随机)子集。
第二多个波束对传输可以包括第一用户设备与基站之间的所有可用波束对传输。因此,第二多个波束对传输可以是穷举的。
第一波束对准数据集可以包括宽对准数据集和窄对准数据集,并且用于选择第一波束对组合的部件包括用于选择宽波束对组合的部件和用于选择窄波束对组合的部件。宽对准数据集可以包括用于第一多个宽波束的测量数据,并且窄对准数据集可以包括用于第一多个窄波束的测量数据,该第一多个窄波束来自所选择的宽波束对组合内。宽对准数据集和窄对准数据集中的一者或两者可以是所有可用波束对传输的子集。
一些实施例可以包括用于确定第一多个波束对传输的部件(例如,使用通用/进化算法、强化学习、穷举搜索等)。备选地,或另外地,可行波束集可以通过算法来学习,从该可行波束集中第一多个波束对传输被选择。
第一波束对组合可以至少部分地基于一个或多个先前的第一波束对准数据集(例如,通过对多个读数进行平均)来选择。
在第一波束对组合的通信性能和/或机器学习模块的准确性低于阈值性能的情况下,机器学习模块可以被重新训练。
第一波束对准数据集可以通过以下被获取:第一用户设备向基站发送多个参考信号(例如,导频信号)和/或基站向第一用户设备发送多个参考信号(例如,导频信号)。第二波束对准数据集可以通过以下被获取:第一用户设备向基站发送多个参考信号(例如,导频信号)和/或基站向第一用户设备发送多个参考信号(例如,导频信号)。
在第三方面,本说明书描述了被配置为执行参考第二方面所描述的任何方法的任何装置。
在第四方面,本说明书描述了计算机可读指令,该计算机可读指令在由计算装置执行时使计算装置执行参考第二方面描述的任何方法。
在第五方面,本说明书描述了一种计算机程序,该计算机程序包括指令,该指令用于使装置至少执行以下:获取第一波束对准数据集,其中第一波束对准数据集包括针对第一多个波束对传输的测量数据,其中第一多个波束对传输中的每个波束对传输在第一用户设备的多个通信波束中的一个通信波束与基站的多个通信波束中的一个通信波束之间,并且其中第一多个波束对传输是第一用户设备与基站之间所有的可用波束对传输的子集;以及选择用于在第一用户设备与基站之间的通信的第一波束对组合,其中第一波束对组合包括第一用户设备的多个波束中的一个波束和基站的多个波束中的一个波束,其中用于选择第一波束对组合的部件包括利用第二波束对准数据集而被训练的机器学习模型。
在第六方面,本说明书描述了一种计算机可读介质(诸如非瞬态计算机可读介质),该计算机可读介质包括存储在其上的程序指令,该程序指令用于至少执行以下:获取第一波束对准数据集,其中第一波束对准数据集包括:针对第一多个波束对传输的测量数据,其中第一多个波束对传输中的每个波束对传输在第一用户设备的多个通信波束中的一个通信波束与基站的多个通信波束中的一个通信波束之间,并且其中第一多个波束对传输是第一用户设备与基站之间所有可用波束对传输的子集;以及选择第一波束对组合,用于在第一用户设备与基站之间的通信,其中第一波束对组合包括第一用户设备的多个波束中的一个波束和基站的多个波束中的一个波束,其中用于选择第一波束对组合的部件包括利用第二波束对准数据集而被训练的机器学习模型。
在第七方面,本说明书描述了一种装置,该装置包括:至少一个处理器;以及至少一个存储器,包括计算机程序代码,当该计算机程序代码由至少一个处理器执行时使该装置:获取第一波束对准数据集,其中第一波束对准数据集包括针对第一多个波束对传输的测量数据,其中第一多个波束对传输中的每个波束对传输是在第一用户设备的多个通信波束中的一个通信波束与基站的多个通信波束中的一个通信波束之间,并且其中第一多个波束对传输是第一用户设备与基站之间所有的可用波束对传输的子集;以及选择第一波束对组合,用于在第一用户设备和基站之间的通信,其中第一波束对组合包括第一用户设备的多个波束中的一个波束和基站的多个波束中的一个波束,其中用于选择第一波束对组合的部件包括利用第二波束对准数据集而被训练的机器学习模型。
在第八方面,本说明书描述了一种装置,该装置包括:用于获取第一波束对准数据集的第一输入,其中第一波束对准数据集包括针对第一多个波束对传输的测量数据,其中第一多个波束对传输中的每个波束对传输是在第一用户设备的多个通信波束中的一个通信波束与基站的多个通信波束中的一个通信波束之间,并且其中第一多个波束对传输是第一用户设备与基站之间所有的可用波束对传输的子集;以及第一模块(例如,机器学习模块),用于选择第一波束对组合,该第一波束对组合用于在第一用户设备与基站之间的通信,其中第一波束对组合包括第一用户设备的多个波束中的一个波束和基站的多个波束中的一个波束,其中用于选择第一波束对组合的部件包括利用第二波束对准数据集而被训练的机器学习模型。
附图说明
现在将参考以下示意图通过非限制性示例来描述示例实施例:
图1是根据示例实施例的系统的框图;
图2是根据示例实施例的系统的框图;
图3示出了根据示例实施例使用的机器学习模块;
图4是示出根据示例实施例的算法的流程图;
图5示出了根据示例实施例的被训练的机器学习模块;
图6是示出根据示例实施例的算法的流程图;
图7A和7B示出了根据示例实施例的系统的框图;
图8是示出根据示例实施例的算法的流程图;
图9是根据示例实施例的系统的框图;
图10是示出根据示例实施例的算法的流程图;
图11是根据示例实施例的系统的框图;以及
图12A和12B示出了有形介质,分别是存储计算机可读代码的可移动存储器单元和光盘(CD),它们在由计算机运行时执行根据示例实施例的操作。
具体实施方式
在说明书中,相同的附图标记始终表示相同的元素。
图1是根据示例实施例的,总体上由附图标记10指示的系统的框图。系统10包括基站12(或eNB、gNodeB、gNB)和用户设备14。
如图1所示,基站12和用户设备14各自配备有天线阵列,该天线阵列可以分别根据大小为M和L的波束码本来配置。基站和用户设备天线阵列分别具有NgNB和NUE辐射元件。
因此,基站12包括M个波束,并且用户设备14包括L个波束(其中一些波束在图1中示出)。因此,系统10可以用于在基站与一个或多个用户设备之间实现波束网格类型的通信。在一个示例实现中,基站12和用户设备14使用毫米波频带(30至300吉赫兹的量级)中的射频进行通信。但是也可以使用其他频率范围(例如,较低的频率)。
波束对准的目标是确定M×L个可能的波束组合中的哪一个使得通信信道最强(根据某些度量,诸如接收信号强度,尽管可以使用备选度量)。为此,可以使用波束扫描算法,其中用户设备14可以利用其波束中的一个波束来传输M个参考信号(例如,导频信号),而基站12扫过其M个波束(反之亦然)。然后可以针对所有其他用户设备波束重复该过程。在这些M×L次传输之后,基站(或用户设备)可以确定波束组合中的哪个引起使得信号最强(在图1中由m*,l*表示,如下文进一步讨论的),然后可以将其用于用户设备与基站之间的通信。
对应于第m个基站波束和第l个用户设备波束的观察值ym,l给出为:
其中:
x是由用户设备14传输的导频(或参考)信号;
nm,l是接收器噪声。
在已经收集了所有m,l的观察值ym,l之后,基站12根据以下计算最佳波束成形器:
(m*,l*)=arg maxm,l|ym,l|2 (2)
注意,其他度量可以用于计算(m*,l*)。
针对i=1,...,B,基站12记录并存储许多这样的观察值Y(i)和对应的最佳波束成形器可以将每个Y(i)视为对不同用户设备位置所做的观察,但是其他影响(诸如干扰或移动散射)也可能是相关的。这构成了下面的数据集,该数据集将用于训练机器学习模型(如下文进一步讨论):
图2是根据示例实施例总体上由附图标记20指示的系统的框图。系统20包括基站12和用户设备14。
如以上参考图1所讨论的,基站12和用户设备14每个配备有天线阵列,该天线阵列可以分别根据大小为M和L的波束码本来配置。如上所述,基站和用户设备天线阵列分别具有NgNB和NUE个辐射元件。
使用系统20的目标是根据观察值ym,l的子集中预测最佳波束成形器m*,l*。如下面进一步讨论的,本文中所述算法的一个好处是,如在系统20中所示,在波束对准期间需要测试的可能波束组合的数目可以从M×L减少到其中和是波束的简化集合。此外,如图2所示,在至少一些实施例中,最佳波束成形器m*,l*不必是观察值子集的一部分。
图3示出了根据示例实施例的、总体上由附图标记30指示的系统。在系统30中,机器学习模块32用于在输入端接收第一数据并在输出端提供波束对组合。可以使用许多不同的技术来实现机器学习模块32。这些包括神经网络、支持向量机、k-最近邻和查找表技术。
机器学习模块32的目标是由观察值ym,l的子集预测出最佳波束成形器m*,l*。为此,分别表示和并令为取由和索引的Y的行和列构成的矩阵。换言之,仅包含来自取自的基站波束成形器和取自的用户设备波束成形器的观察值。
图4是示出根据示例实施例的,总体上由附图标记40指示的算法的流程图。算法40示出了使用系统30的示例。在操作42处,接收第一对准数据(诸如以上参考图2讨论的对准数据)。接下来,在操作44,选择第一波束对组合(诸如以上参考图2讨论的组合m*,l*)。如上所述,在操作42中接收的第一对准数据是观察值ym,l的集合的子集。
图5示出了根据示例实施例的、总体上由附图标记50指示的系统。在系统50中,使用在输入端接收的第二数据来训练上述机器学习模块32。第二数据可以包括对准数据以及标签(例如,最佳波束索引)。
图6是示出根据示例实施例的、总体上由附图标记60指示的算法的流程图。算法60示出了使用系统50的示例。在操作62,接收第二对准数据(诸如以上参考图1讨论的对准数据)。接下来,在操作64,训练机器学习模型32。
如上所述,机器学习模块32的目标是由观察值ym,l的子集预测出最佳波束成形器m*,l*。为此,分别记为和并令为取由和索引的Y的行和列构成的矩阵。换言之,仅包含来自取自的基站波束成形器和取自的用户设备波束成形器的观察值。
由于机器学习模块实现分类任务,因此分类交叉熵是合适的损失函数。机器学习模型还可以用于预测其他度量(例如SINR或吞吐量),然后可以将其用作选择最优波束对的代理。
如果(多个)机器学习模型达到某个预测准确性,则可以调整波束训练过程,使得基站和用户设备分别仅使用从到的波束。为此,基站可以经由消息通知用户设备14关于要使用的传输波束(即,集合)以及应当经由每个波束传输多少导频(即)。该消息可以以不同的方式传达。备选地,用户设备14可以向基站12发送这样的消息。
图7A示出了根据示例实施例的、总体上由附图标记70指示的系统的框图。系统70包括具有四个用于通信的宽波束(标记为71至74)的基站(类似于上述基站12)。每个宽波束具有用于与用户设备进行通信的多个较窄的子波束。图7B示出了根据示例实施例的、总体上由附图标记75指示的系统的框图。系统75示出系统70的宽波束中的一个(在该示例中为波束71)的子波束76至79。
图8是示出根据示例实施例的,总体上由附图标记80指示的算法的流程图。
算法80在操作82处开始,在操作82处,接收第一对准数据。如上所述,第一对准数据包括针对多个波束对传输的测量数据,其中每个波束对传输在多个波束71至74中的一个波束和与基站正在通信的第一用户设备的多个波束中的一个波束之间。以与上述算法40类似的方式,多个波束对传输可以是所有可用波束对传输的子集(例如,并非多个波束71至74中的所有波束都需要被包括在波束对传输中)。
接下来,在操作84,选择宽波束对组合(例如,以便在基站与相应用户设备之间提供最强的通信信道)。如上所述,选择的波束对组合不必一定是操作82中使用的波束对组合中的一个。
在操作86,接收第二对准数据。第二对准数据包括针对所选择的宽波束对组合内的多个子波束对传输的测量数据。因此,在操作84中选择第一宽波束71的情况下,第二对准数据的每个波束对传输可以在图7B所示的多个子波束76至79中的一个波束与基站正在与之通信的相应用户设备的多个波束中的一个波束之间。以与上述操作82类似的方式,多个子波束对传输可以是所有可用波束对传输的子集(例如,并非多个波束76至79中的所有波束都需要被包括在波束对传输中)。
接下来,在操作88,选择窄波束对组合(例如,以便在基站与相应用户设备之间提供最强的通信信道)。如上所述,所选择的波束对组合不必一定是操作86中使用的波束对组合中的一个。
因此,算法80提供了包括至少两个阶段的分层波束搜索过程。在第一阶段,基站和用户设备使用只有几个宽波束的码本。一旦找到宽波束的良好组合,就执行波束细化的第二阶段。在此,根据在第一阶段中选择的波束,基站和用户设备搜索第二较窄波束集。上面描述的算法80在分层搜索过程的第一和第二阶段中都使用波束的子集。这并非对所有实施例都是必不可少的:可以在一个阶段而不是两个阶段中使用波束的子集。
算法80仅通过示例的方式示出了包括两个分层水平的分层波束搜索过程。根据本文描述的原理的分层过程可以包括两个、三个或更多个分层水平。再次,波束概念的子集可以在一个、两个或更多个(例如,全部)分级水平中使用。
上述实施例包括与单个用户设备通信的单个基站。本文描述的概念可以扩展到其中多个用户设备与基站进行通信的系统。这些概念也可以扩展到其中多个基站共同服务多个用户设备的系统。
图9是根据示例实施例的、总体上由附图标记90指示的系统的框图。该系统包括基站92、第一用户设备94、第二用户设备95和第三用户设备96。
在系统90中,可能需要修改上述算法以针对每个用户设备-基站对计算最佳波束成形器。
可能的实现如下。假设在空间复用场景(诸如系统90)中同时服务多个用户(例如,k1,k2)。度量(2)可以按以下方式应用:
其中值α可以被设置为适当地调整每个用户设备的服务器质量(QoS)水平。可以用各种方式估计值SINRk,诸如来自用户设备的反馈、预编码向量的标量积等。
图10是示出根据示例实施例的,总体上由附图标记100指示的算法的流程图。算法100从操作102开始,在等待状态中。
在操作104,第一波束对组合的通信性能和/或机器学习模块的准确性被确定。在操作106,(基于所确定的通信性能)确定机器学习模块的重新训练是否需要。如果需要,则在操作108,机器学习模块被重新训练。例如,如果(例如,第一波束对组合的)通信性能和/或准确性低于阈值性能,则重新训练可能发生。如果在操作106中确定重新训练不需要,则算法100返回到操作102。
在性能下降的情况下,算法100可用于重新训练机器学习模块。为此,可以不时地执行全波束搜索,并且将所获取的波束(基于穷举搜索)与预测相比较。
仅以示例的方式提供了上述实施例。可能有许多变体,下面将对其中一些进行描述。
上述实施例通常包括一个或多个用户设备传输和基站接收。这并非对所有实施例都是必不可少的。例如,基站可以在一个或多个用户设备接收的情况下进行传输。
相关性能度量(诸如等式(2)中的度量|ym,l|)可以在多个观察值上进行平均,以使度量(2)成为,例如:
与其仅根据当前的观察值预测一个时刻t处的最佳波束成形器,不如使预测以一系列观察值为基础。由于最佳波束随时间而相关(因为用户设备具有有限的速度),因此可以预期会有另外的增益,并且有可能进一步减少和中所需波束的数目。
为了完整起见,图11是先前描述的一个或多个示例实施例的组件的示意图,其在下文中被统称为处理系统300。处理系统300可以具有处理器302,存储器304,存储器304紧密地耦合到处理器并包括RAM 314和ROM 312,以及可选地,用户输入310和显示器318。处理系统300可以包括一个或多个网络/装置接口308以用于连接到网络/装置,例如可以是有线或无线的调制解调器。接口308还可以用作到其他装置(诸如不是网络侧装置的设备/装置)的连接。因此,在没有网络参与的情况下,设备/装置之间的直接连接是可能的。
处理器302连接到其他组件中的每个组件,以便控制其操作。
存储器304可以包括非易失性存储器,诸如硬盘驱动器(HDD)或固态驱动器(SSD)。存储器314的ROM 312除了别的以外还存储操作系统315,并且可以存储软件应用316。处理器302使用存储器304的RAM 314来临时存储数据。操作系统315可以包含代码,该代码在由处理器执行时实现上述算法40、60、80和100的各方面。注意,在小型设备/装置的情况下,存储器可能最适合于小尺寸使用,即不总是使用硬盘驱动器(HDD)或固态驱动器(SSD)。
处理器302可以采用任何合适的形式。例如,它可以是微控制器、多个微控制器、一个处理器或多个处理器。
处理系统300可以是独立计算机、服务器、控制台或其网络。f处理系统300和所需的结构部件可以全部在设备/装置内部(诸如IoT设备/装置,即以很小的尺寸嵌入)。
在一些示例实施例中,处理系统300还可以与外部软件应用相关联。这些可以是存储在远程服务器设备/装置上的应用,并且可以部分地或专门地在远程服务器设备/装置上运行。这些应用可以称为云托管应用。处理系统300可以与远程服务器设备/装置通信,以便利用存储在其中的软件应用。
图12A和12B示出存储计算机可读代码的有形介质,分别是可移动存储器单元365和光盘(CD)368,该计算机可读代码在由计算机运行时可以执行根据上述示例实施例的方法。可移动存储器单元365可以是存储器棒(例如USB存储器棒),其具有存储计算机可读代码的内部存储器366。存储器366可以由计算机系统经由连接器367接入。CD 368可以是CD-ROM或DVD或类似物。可以使用其他形式的有形存储介质。有形媒体可以是能够存储数据/信息的任何设备/装置,该数据/信息可以在设备/装置/网络之间交换。
本发明的实施例可以以软件、硬件、应用逻辑或软件、硬件和应用逻辑的组合来实现。软件、应用逻辑和/或硬件可以驻留在存储器或任何计算机介质上。在示例实施例中,应用逻辑、软件或指令集被保持在各种传统的计算机可读介质中的任何一种上。在本文档的上下文中,“存储器”或“计算机可读介质”可以是任何非瞬态介质或部件,其可以包含、存储、传送、传播或传递指令以供指令执行系统、装置或设备(诸如计算机)使用或与之结合使用。
在相关的情况下,对“计算机可读存储介质”、“计算机程序产品”、“有形体现的计算机程序”等或“处理器”或“处理电路系统”等的引用应理解为不仅包括涵盖具有不同架构(诸如单/多处理器架构和定序器/并行架构)的计算机,还涵盖专用电路,诸如现场可编程门阵列FPGA、应用指定电路ASIC、信号处理设备/装置和其他设备/装置。对计算机程序、指令、代码等的引用应理解为表示用于可编程处理器固件的软件,诸如硬件设备/装置的可编程内容,作为用于处理器的指令或用于固定功能设备/装置的配置或配置设置、门阵列、可编程逻辑设备/装置等
在本申请中,术语“电路系统”指的是以下所有内容:(a)纯硬件电路实现(诸如仅在模拟和/或数字电路系统中的实现),以及(b)电路和软件(和/或固件)的组合,诸如(如果适用):(i)(多个)处理器的组合或(ii)(多个)处理器/软件(包括(多个)数字信号处理器)的部分、软件和(多个)存储器,它们一起工作以使装置(诸如服务器)执行各种功能,以及(c)需要软件或固件才能操作的电路(诸如(多个)微处理器或(多个)微处理器的一部分),即使该软件或固件实际上不存在。
如果需要,可以以不同的顺序和/或彼此并发地执行本文讨论的不同功能。此外,如果需要,上述功能中的一个或多个可以是可选的或可以被组合。类似地,还将认识到,图4、6、8和10的流程图仅是示例,并且其中所描绘的各种操作可以被省略、重新排序和/或组合。
将理解的是,上述示例实施例仅是说明性的,并且不限制本发明的范围。在阅读本说明书之后,其他变化和修改对本领域技术人员将是很清楚的。
此外,应理解本申请的公开内容包括本文中显式或隐式公开的任何新颖特征或特征的新颖组合,或其任何概括,并且在本申请或由此衍生的任何申请的起诉期间,可以提出新的权利要求以覆盖任何这样的特征和/或这样的特征的组合。
尽管在独立权利要求中阐述了本发明的各个方面,但是本发明的其他方面包括来自所描述的示例实施例和/或具有独立权利要求的特征的从属权利要求的特征的其他组合,而不仅是权利要求中显式列出的组合。
在此还应注意,尽管以上描述了各种示例,但是这些描述不应以限制性的意义来理解。而是,在不脱离所附权利要求书所限定的本发明的范围的情况下,可以进行多种变型和修改。
Claims (14)
1.一种装置,包括:
用于获取第一波束对准数据集的部件,其中所述第一波束对准数据集包括针对第一多个波束对传输的测量数据,其中所述第一多个波束对传输中的每个波束对传输是在第一用户设备的多个通信波束中的一个通信波束与基站的多个通信波束中的一个通信波束之间,并且其中所述第一多个波束对传输是所述第一用户设备与所述基站之间所有的可用波束对传输的子集;以及
用于选择第一波束对组合的部件,所述第一波束对组合用于在所述第一用户设备与所述基站之间的通信,其中所述第一波束对组合包括所述第一用户设备的所述多个波束中的一个波束和所述基站的所述多个波束中的一个波束,其中用于选择所述第一波束对组合的所述部件包括利用第二波束对准数据集而被训练的机器学习模型。
2.根据权利要求1所述的装置,其中所述第一波束对组合是基于确定被认为是在所述第一用户设备与所述基站之间最强的通信信道而被选择的。
3.根据权利要求1或权利要求2所述的装置,其中所述第二波束对准数据集包括针对第二多个波束对传输的测量数据,其中所述第二多个波束对传输中的每个波束对传输是在所述第一用户设备的所述多个通信波束中的一个通信波束与所述基站的所述多个通信波束的一个通信波束之间。
4.根据前述权利要求中任一项所述的装置,其中所述第一多个波束对传输是所述第二多个波束对传输的子集。
5.根据权利要求4所述的装置,其中所述第一多个波束对传输是所述第二多个波束对传输的预定义的子集。
6.根据前述权利要求中任一项所述的装置,其中所述第二多个波束对传输包括在所述第一用户设备与所述基站之间所有的可用波束对传输。
7.根据前述权利要求中任一项所述的装置,其中:
所述第一波束对准数据集包括宽对准数据集和窄对准数据集;并且
用于选择第一波束对组合的所述部件包括用于选择宽波束对组合的部件和用于选择窄波束对组合的部件,
其中:
所述宽对准数据集包括针对第一多个宽波束的测量数据,并且所述窄对准数据集包括针对第一多个窄波束的测量数据,所述第一多个窄波束来自所选择的宽波束对组合内;并且
所述宽对准数据集和所述窄对准数据集中的一项或两项是所有的可用波束对传输的子集。
8.根据前述权利要求中任一项所述的装置,还包括:用于确定所述第一多个波束对传输的部件和/或用于确定可行波束集的部件,所述第一多个波束对传输能够从所述可行波束集中选择。
9.根据前述权利要求中任一项所述的装置,其中用于选择所述第一波束对组合的所述部件至少部分地基于一个或多个先前的第一波束对准数据集来选择所述第一波束对组合。
10.根据前述权利要求中任一项所述的装置,还包括:
用于确定所述第一波束对组合的通信性能和/或所述机器学习模块的准确性的部件;以及
用于在所述通信性能和/或所述准确性低于阈值性能的情况下重新训练所述机器学习模块的部件。
11.根据前述权利要求中任一项所述的装置,其中:
所述第一波束对准数据集通过以下被获取:所述第一用户设备向所述基站发送多个参考信号和/或所述基站向所述第一用户设备发送多个参考信号;并且
所述第二波束对准数据集通过以下被获取:所述第一用户设备向所述基站发送多个参考信号和/或所述基站向所述第一用户设备发送多个参考信号。
12.根据前述权利要求中任一项所述的装置,其中所述部件包括:
至少一个处理器;以及
至少一个存储器,包括计算机程序代码,所述至少一个存储器和所述计算机程序代码与所述至少一个处理器一起被配置为引起所述装置的所述执行。
13.一种方法,包括:
获取第一波束对准数据集,其中所述第一波束对准数据集包括针对第一多个波束对传输的测量数据,其中所述第一多个波束对传输中的每个波束对传输是在第一用户设备的多个通信波束中的一个通信波束与基站的多个通信波束中的一个通信波束之间,并且其中所述第一多个波束对传输是所述第一用户设备与所述基站之间所有的可用波束对传输的子集;以及
选择第一波束对组合,所述第一波束对组合用于在所述第一用户设备与所述基站之间的通信,其中所述第一波束对组合包括所述第一用户设备的所述多个波束中的一个波束和所述基站的所述多个波束中的一个波束,其中用于选择所述第一波束对组合的部件包括利用第二波束对准数据集而被训练的机器学习模型。
14.一种计算机程序,包括指令,所述指令用于使所述装置至少执行以下项:
获取第一波束对准数据集,其中所述第一波束对准数据集包括针对第一多个波束对传输的测量数据,其中所述第一多个波束对传输中的每个波束对传输是在第一用户设备的多个通信波束中的一个通信波束与基站的多个通信波束中的一个通信波束之间,并且其中所述第一多个波束对传输是所述第一用户设备与所述基站之间所有的可用波束对传输的子集;以及
选择第一波束对组合,所述第一波束对组合用于在所述第一用户设备与所述基站之间的通信,其中所述第一波束对组合包括所述第一用户设备的所述多个波束中的一个波束和所述基站的所述多个波束中的一个波束,其中用于选择所述第一波束对组合的部件包括利用第二波束对准数据集而被训练的机器学习模型。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2018/076448 WO2020064123A1 (en) | 2018-09-28 | 2018-09-28 | Beam alignment |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113169777A true CN113169777A (zh) | 2021-07-23 |
Family
ID=63722384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880099811.8A Pending CN113169777A (zh) | 2018-09-28 | 2018-09-28 | 波束对准 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11870530B2 (zh) |
EP (1) | EP3857723A1 (zh) |
CN (1) | CN113169777A (zh) |
WO (1) | WO2020064123A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024036465A1 (en) * | 2022-08-16 | 2024-02-22 | Qualcomm Incorporated | Beam pair prediction and indication |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113905393B (zh) * | 2020-06-22 | 2023-03-24 | 华为技术有限公司 | 一种确定波束对的方法及装置 |
US11856568B2 (en) * | 2020-11-18 | 2023-12-26 | Qualcomm Incorporated | Assisted beam management between frequency bands |
CN115473554A (zh) * | 2022-09-14 | 2022-12-13 | 杭州电子科技大学 | 基于位置信息推理的毫米波基站端波束对准方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130229309A1 (en) * | 2012-03-01 | 2013-09-05 | Nokia Siemens Networks Oy | Beam alignment method utilizing omni-directional sounding and use thereof |
US9253592B1 (en) * | 2014-06-19 | 2016-02-02 | Amazon Technologies, Inc. | Inter-device bearing estimation based on beamforming and motion data |
CN106537808A (zh) * | 2014-07-15 | 2017-03-22 | 高通股份有限公司 | 用于毫米波接入系统中的波束搜索和跟踪的方法和装置 |
CN106797625A (zh) * | 2016-09-26 | 2017-05-31 | 北京小米移动软件有限公司 | 数据传输同步方法及装置 |
CN106804043A (zh) * | 2015-11-26 | 2017-06-06 | 华为技术有限公司 | 一种上行接入的方法、用户设备和基站 |
CN107548158A (zh) * | 2016-06-24 | 2018-01-05 | 华硕电脑股份有限公司 | 无线通信的用户设备波束成形和波束扫掠的方法和设备 |
CN107635189A (zh) * | 2017-09-15 | 2018-01-26 | 中国联合网络通信集团有限公司 | 一种波束选择方法及装置 |
CN108292944A (zh) * | 2015-11-23 | 2018-07-17 | 高通股份有限公司 | 波束成形和用户装备编组 |
CN108306662A (zh) * | 2018-03-08 | 2018-07-20 | 电子科技大学 | 一种基于数据驱动的混合波束成形中的模拟波束选择方法 |
WO2018174769A1 (en) * | 2017-03-22 | 2018-09-27 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods, network node and wireless terminal for beam tracking when beamforming is employed |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9705579B2 (en) | 2014-06-06 | 2017-07-11 | Ntt Docomo, Inc. | Transceivers and methods for use in transmitting information in a massive MIMO system |
WO2017045713A1 (en) | 2015-09-16 | 2017-03-23 | Telefonaktiebolaget Lm Ericsson (Publ) | Precoding over a beam subset |
CN108668524B (zh) | 2016-01-27 | 2021-12-07 | 梁平 | 通过智能自组织无线分布式有源天线增强的蜂窝无线通信系统 |
KR20180080122A (ko) | 2017-01-02 | 2018-07-11 | 한국전자통신연구원 | 무선 전송 장치 |
US10608723B2 (en) * | 2018-02-15 | 2020-03-31 | Qualcomm Incorporated | Techniques for assisted beam refinement |
WO2019190368A1 (en) * | 2018-03-28 | 2019-10-03 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods, apparatus and computer programs for performing and enabling beam management in a communication network |
EP3721564A4 (en) * | 2018-04-05 | 2021-01-13 | Samsung Electronics Co., Ltd. | PROCESS AND SYSTEM FOR SENSOR-BASED BEAM MANAGEMENT BY USER EQUIPMENT |
WO2020005121A1 (en) * | 2018-06-25 | 2020-01-02 | Telefonaktiebolaget Lm Ericsson (Publ) | Handling beam pairs in a wireless network |
US11283508B2 (en) * | 2018-06-29 | 2022-03-22 | Intel Corporation | Millimeter wave beam tracking and beam sweeping |
WO2020036521A1 (en) * | 2018-08-15 | 2020-02-20 | Telefonaktiebolaget Lm Ericsson (Publ) | Apparatuses, devices and methods for performing beam management |
-
2018
- 2018-09-28 WO PCT/EP2018/076448 patent/WO2020064123A1/en unknown
- 2018-09-28 CN CN201880099811.8A patent/CN113169777A/zh active Pending
- 2018-09-28 US US17/279,361 patent/US11870530B2/en active Active
- 2018-09-28 EP EP18782019.6A patent/EP3857723A1/en active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130229309A1 (en) * | 2012-03-01 | 2013-09-05 | Nokia Siemens Networks Oy | Beam alignment method utilizing omni-directional sounding and use thereof |
US9253592B1 (en) * | 2014-06-19 | 2016-02-02 | Amazon Technologies, Inc. | Inter-device bearing estimation based on beamforming and motion data |
CN106537808A (zh) * | 2014-07-15 | 2017-03-22 | 高通股份有限公司 | 用于毫米波接入系统中的波束搜索和跟踪的方法和装置 |
CN108292944A (zh) * | 2015-11-23 | 2018-07-17 | 高通股份有限公司 | 波束成形和用户装备编组 |
CN106804043A (zh) * | 2015-11-26 | 2017-06-06 | 华为技术有限公司 | 一种上行接入的方法、用户设备和基站 |
CN107548158A (zh) * | 2016-06-24 | 2018-01-05 | 华硕电脑股份有限公司 | 无线通信的用户设备波束成形和波束扫掠的方法和设备 |
CN106797625A (zh) * | 2016-09-26 | 2017-05-31 | 北京小米移动软件有限公司 | 数据传输同步方法及装置 |
WO2018174769A1 (en) * | 2017-03-22 | 2018-09-27 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods, network node and wireless terminal for beam tracking when beamforming is employed |
CN107635189A (zh) * | 2017-09-15 | 2018-01-26 | 中国联合网络通信集团有限公司 | 一种波束选择方法及装置 |
CN108306662A (zh) * | 2018-03-08 | 2018-07-20 | 电子科技大学 | 一种基于数据驱动的混合波束成形中的模拟波束选择方法 |
Non-Patent Citations (5)
Title |
---|
BJORN EKMAN: "Machine Learning for Beam Based Mobility Optimization in NR", Retrieved from the Internet <URL:URL:http://www.diva-portal .org/smash/get/d iva2:1088857/FULLTEXTOI.pdf> * |
XIAO MING ET AL: "Millimeter Wave Communications for Future Mobile Networks", 《IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS》 * |
YU-JIA CHEN; WEI-YUAN CHENG; LI-CHUN WANG: "Learning-assisted beam search for indoor mmWave networks", 《2018 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE WORKSHOPS (WCNCW)》 * |
唐俊林;曾媛;岳光荣;李少谦;: "毫米波相阵多径信道中的迭代波束成形方法", 西安电子科技大学学报, no. 04, 22 January 2018 (2018-01-22) * |
张海生;于勇;师亚辉;: "基于改进遗传算法的子阵级数字波束形成方法", 遥测遥控, no. 04 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024036465A1 (en) * | 2022-08-16 | 2024-02-22 | Qualcomm Incorporated | Beam pair prediction and indication |
Also Published As
Publication number | Publication date |
---|---|
US20210391911A1 (en) | 2021-12-16 |
US11870530B2 (en) | 2024-01-09 |
WO2020064123A1 (en) | 2020-04-02 |
EP3857723A1 (en) | 2021-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110381516B (zh) | 单载波宽带波束赋形方法和设备 | |
US10014918B2 (en) | Systems and methods for beam selection for hybrid beamforming | |
CN113169777A (zh) | 波束对准 | |
CN113411110B (zh) | 一种基于深度强化学习的毫米波通信波束训练方法 | |
CN106209195B (zh) | 信道状态信息获取方法、信道状态信息反馈方法及装置 | |
CN112804695A (zh) | 可重构智能表面辅助的无线通信方法及装置 | |
CN105264788A (zh) | 渐进式信道状态信息 | |
WO2023018607A1 (en) | Channel prediction for mimo systems based on reciprocity | |
JP2018514994A (ja) | ビーム情報取得方法、装置及び通信システム | |
JP2024512358A (ja) | 情報報告方法、装置、第1機器及び第2機器 | |
CN114531355B (zh) | 通信方法、装置及通信设备 | |
JP2009200824A (ja) | 基地局、無線端末、無線通信方法および通信プログラム | |
TWI620423B (zh) | 用於多輸入多輸出操作的平衡拼圖天線波束搜尋方法 | |
TWI572092B (zh) | 無線通訊裝置與控制天線陣列的方法 | |
CN114501353B (zh) | 通信信息的发送、接收方法及通信设备 | |
EP4236428A1 (en) | Communication data processing method and apparatus, and communication device | |
EP3726739B1 (en) | Memory-assisted radio frequency beam training for mimo channels | |
KR101482925B1 (ko) | MISO 브로드캐스트 채널에서의 k-정규성을 기반으로 하는 제로포싱 빔포밍 장치 및 방법 | |
Ortega et al. | Supervised learning and graph signal processing strategies for beam tracking in highly directional mobile communications | |
CN117220729A (zh) | 网络优化中的码本生成方法、系统、电子设备及存储介质 | |
CN113644945B (zh) | 码本确定方法、装置、设备及存储介质 | |
WO2024088161A1 (zh) | 信息传输方法、信息处理方法、装置和通信设备 | |
WO2023173298A1 (en) | Methods and systems for distributed training a deep neural network | |
US20240129004A1 (en) | Method and apparatus for transmitting channel state information | |
WO2022271564A1 (en) | Wireless network employing neural networks for channel state feedback |
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 |