CN113994598A - 无线网络的波束预测 - Google Patents

无线网络的波束预测 Download PDF

Info

Publication number
CN113994598A
CN113994598A CN201980097290.7A CN201980097290A CN113994598A CN 113994598 A CN113994598 A CN 113994598A CN 201980097290 A CN201980097290 A CN 201980097290A CN 113994598 A CN113994598 A CN 113994598A
Authority
CN
China
Prior art keywords
user equipment
base station
sequence
beams
past
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
Application number
CN201980097290.7A
Other languages
English (en)
Inventor
A·O·卡亚
H·维斯瓦纳坦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nokia Technologies Oy
Original Assignee
Nokia Technologies Oy
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nokia Technologies Oy filed Critical Nokia Technologies Oy
Publication of CN113994598A publication Critical patent/CN113994598A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B7/00Radio transmission systems, i.e. using radiation field
    • H04B7/02Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0408Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas using two or more beams, i.e. beam diversity
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B7/00Radio transmission systems, i.e. using radiation field
    • H04B7/02Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0686Hybrid systems, i.e. switching and simultaneous transmission
    • H04B7/0695Hybrid systems, i.e. switching and simultaneous transmission using beam selection
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W36/00Hand-off or reselection arrangements
    • H04W36/08Reselecting an access point
    • H04W36/085Reselecting an access point involving beams of access points

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

根据示例实施例,一种方法可以包括由基站确定用于用户设备(UE)的过去波束序列,由基站基于用于用户设备的过去波束序列和波束序列模型来确定用于用户设备的预测的未来波束序列,其中预测的未来波束序列指示用于用户设备与基站之间的通信的随时间的波束的预测序列,以及由基站基于用于用户设备的预测的未来波束序列执行波束相关动作。

Description

无线网络的波束预测
技术领域
本描述涉及无线通信。
背景技术
通信系统可以是能够在两个或更多个节点或设备(诸如固定或移动通信设备)之间进行通信的设施。信号可以通过有线或无线载体承载。
蜂窝通信系统的示例是由第三代合作伙伴计划(3GPP)标准化的架构。该领域的最新发展通常被称为通用移动电信系统(UMTS)无线电接入技术的长期演进(LTE)。E UTRA(演进的UMTS地面无线电接入)是移动网络的3GPP长期演进(LTE)升级路径的空中接口。在LTE中,称为增强型节点AP(eNB)的基站或接入点(AP)在覆盖区域或小区内提供无线接入。在LTE中,移动设备或移动站被称为用户设备(UE)。LTE包括了许多改进或发展。LTE的方面也在继续改进。
5G新无线电(NR)发展是持续移动宽带演进过程的一部分,以满足5G的要求,类似于3G和4G无线网络的早期演进。此外,5G还针对移动宽带以外的新兴用例。5G的一个目标是显着提高无线性能,其中可能包括数据速率、时延、可靠性和安全性的新水平。5G NR还可以扩展以有效连接大规模物联网(IoT),并可以提供新型的关键任务服务。例如,超可靠和低时延通信(URLLC)设备可能需要高可靠性和极低时延。
发明内容
根据一个示例实施例,一种方法可以包括:由基站确定用于用户设备(UE)的过去波束序列;由基站基于用于用户设备的过去波束序列和波束序列模型确定用于用户设备的预测的未来波束序列,其中预测的未来波束序列指示用于用户设备与基站之间的通信的随时间的波束的预测序列;以及由基站基于用于用户设备的预测的未来波束序列执行波束相关动作。
根据示例实施例,一种装置可以包括:用于由基站确定用于用户设备(UE)的过去波束序列的部件;用于由基站基于用于用户设备的过去波束序列和波束序列模型确定用于用户设备的预测的未来波束序列的部件,其中预测的未来波束序列指示用于用户设备与基站之间的通信的随时间的波束的预测序列;以及用于由基站基于用于用户设备的预测的未来波束序列执行波束相关动作的部件。
根据示例实施例,一种装置可以包括: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被配置为与至少一个处理器一起使该装置至少:由基站确定用于用户设备(UE)的过去波束序列;由基站基于用于用户设备的过去波束序列和波束序列模型确定用于用户设备的预测的未来波束序列,其中预测的未来波束序列指示用于用户设备与基站之间的通信的随时间的波束的预测序列;以及由基站基于用于用户设备的预测的未来波束序列执行波束相关动作。
根据示例实施例,一种包括非瞬时性计算机可读存储介质,包括存储在其上的指令,该指令在由至少一个处理器执行时被配置为使计算系统执行以下方法:由基站确定用于用户设备(UE)的过去波束序列;由基站基于用于用户设备的过去波束序列和波束序列模型确定用于用户设备的预测的未来波束序列,其中预测的未来波束序列指示用于用户设备与基站之间的通信的随时间的波束的预测序列;以及由基站基于用于用户设备的预测的未来波束序列执行波束相关动作。
在附图和以下描述中阐述了实施例的一个或多个示例的细节。从描述和附图以及从权利要求中,其他特征将是很清楚的。
附图说明
图1是根据示例实施例的无线网络的框图。
图2是示出根据示例实施例的用于多个波束中的每个波束的不同资源和相关联的波束的图。
图3是示出根据示例实施例的由多个UE/用户行进通过交叉路口的路径的图。
图4是示出根据示例实施例的系统的操作的流程图。
图5是示出根据示例实施例的测量和报告收集的图。
图6是示出根据示例实施例的波束序列生成(或选择)的图。
图7是示出根据示例实施例的训练数据创建或生成的图。
图8是示出根据示例实施例的用于预测的波束序列模型的训练的图。
图9是示出根据示例实施例的基于过去波束序列和波束序列模型确定预测的未来波束序列的图。
图10是示出根据示例实施例的一些示例波束相关动作的流程图。
图11是示出根据示例实施例的系统的操作的流程图。
图12是根据示例实施例的无线站(例如,AP、BS、RAN节点、UE或用户设备、或其他网络节点)的框图。
具体实施方式
图1是根据示例实施例的无线网络130的框图。在图1的无线网络130中,也可以称为移动站(MS)或用户设备(UE)的用户设备(user device)131、132、133和135可以与也可以称为接入点(AP)、增强型Node B(eNB)、gNB或网络节点的基站(BS)134连接(并且通信)。BS还可以包括或可以被称为RAN(无线电接入网络)节点,并且可以包括BS的一部分或RAN节点的一部分,诸如(例如,诸如集中式单元(CU)和/或在拆分BS或拆分gNB的情况下的分布式单元(DU))。BS(例如,接入点(AP)、基站(BS)或(e)Node B(eNB)、gNB、RAN节点)的至少部分功能也可以由可以可操作地耦合到收发器的任何节点、服务器或主机来执行,诸如远程无线电头。BS(或AP)134在小区136内提供无线覆盖,包括对用户设备131、132、133和135的无线覆盖。尽管仅示出四个用户设备连接或附接到BS 134,但可以提供任何数目的用户设备。BS134还经由S1接口151连接到核心网络150。这仅仅是无线网络的一个简单示例,并且可以使用其他示例。
基站(例如,诸如BS 134)是无线电网络内的无线电接入网络(RAN)节点的示例。BS(或RAN节点)可以是或可以包括(或可以备选地称为)例如接入点(AP)、gNB、eNB或其一部分(诸如集中单元(CU)和/或在拆分BS或拆分gNB的情况下的分布式单元(DU)),或其他网络节点。
根据说明性示例,BS节点(例如,BS、eNB、gNB、CU/DU、……)或无线电接入网络(RAN)可以是移动电信系统的一部分。RAN(无线电接入网络)可以包括一个或多个BS或RAN节点,其实现无线电接入技术,例如以允许一个或多个UE具有对网络或核心网络的接入。因此,例如,RAN(RAN节点,诸如BS或gNB)可以驻留在一个或多个用户设备或UE与核心网络之间。根据示例实施例,每个RAN节点(例如,BS、eNB、gNB、CU/DU、……)可以经由RAN节点为一个或多个UE或用户设备提供一个或多个无线通信服务,例如以允许UE具有对网络的接入。每个RAN节点可以执行或提供无线通信服务,例如,诸如允许UE或用户设备建立到RAN节点的无线连接,以及向一个或多个UE发送数据和/或从一个或多个UE接收数据。例如,在与UE建立连接后,RAN节点(例如,BS、eNB、gNB、CU/DU、……)可以将从网络或核心网络接收的数据转发给UE,和/或将从UE接收的数据转发到网络或核心网络。RAN节点(例如,BS、eNB、gNB、CU/DU……)可以执行多种其他无线功能或服务,例如,诸如向UE广播控制信息(例如,诸如系统信息)、当有数据要传送给UE时寻呼UE、协助UE在小区之间切换、调度来自(多个)UE的上行链路数据传输和到(多个)UE的下行链路数据传输的资源、发送控制信息以配置一个或多个UE等。这些是RAN节点可以执行的一个或多个功能的几个示例。
用户设备(user device)(用户终端、用户设备(UE)、移动终端、手持无线设备等)可以指包括利用或不利用订户标识模块(SIM)操作的无线移动通信设备的便携式计算设备,包括但不限于以下类型的设备:移动站(MS)、移动电话、手机(a cell phone)、智能手机、个人数字助理(PDA)、手机(a handset)、使用无线调制解调器的设备(警报或测量设备等)、手提式电脑和/或触摸屏计算机、平板电脑、平板手机、游戏机、笔记本电脑、车辆、传感器和多媒体设备,例如,或任何其他无线设备。应当理解,用户设备还可以是(或可以包括)几乎独占的仅上行链路设备,其示例是将图像或视频剪辑加载到网络的相机或摄像机。
在LTE(作为说明性示例)中,核心网络150可以称为演进分组核心(EPC),其可以包括移动性管理实体(MME)、一个或多个网关以及其他控制功能或块,移动性管理实体可以处理或协助用户设备在BS之间的移动性/切换,一个或多个网关可以在BS和分组数据网络或互联网之间转发数据和控制信号。其他类型的无线网络,诸如5G(NR)也可能包括核心网络。
此外,作为说明性示例,本文中描述的各种示例实施例或技术可以应用于各种类型的用户设备或数据服务类型,或者可以应用于其上运行多个应用的用户设备,这些应用可以是不同的数据服务类型。新无线电(5G)开发可能支持多种不同的应用或多种不同的数据服务类型,诸如例如:机器类型通信(MTC)、增强型机器类型通信(eMTC)、物联网(IoT)和/或窄带物联网用户设备、增强型移动宽带(eMBB)和超可靠低时延通信(URLLC)。许多这些新的5G(NR)相关应用可能通常需要比以前的无线网络更高的性能。
IoT可以指不断增长的一组对象,这些对象可以具有互联网或网络连接性,从而这些对象可以向其他网络设备发送信息和从其他网络设备接收信息。例如,许多传感器类型的应用或设备可以监测物理条件或状态,并且,例如当事件发生时,可以向服务器或其他网络设备发送报告。机器类型通信(MTC,或机器对机器通信)的特征可以是,例如,在有或没有人干预的情况下,智能机器之间全自动数据生成、交换、处理和驱动。增强型移动宽带(eMBB)可以支持比目前LTE中可用的数据速率高得多的数据速率。
超可靠和低时延通信(URLLC)是一种新的数据服务类型或新的使用场景,其可以被新无线电(5G)系统支持。这使能新兴的新应用和服务,诸如工业自动化、自动驾驶、车辆安全、电子健康服务等。作为示例,3GPP的目标是提供具有对应于10-5块错误率(BLER)和达到1ms U平面(用户/数据平面)时延的可靠性的连接性。因此,例如,URLLC用户设备/UE可能需要比其他类型的用户设备/UE显着更低的块错误率以及低时延(需要或不需要同时高可靠性)。因此,例如,与eMBB UE(或在UE上运行的eMBB应用)相比,URLLC UE(或UE上的URLLC应用)可能需要更短的时延。
各种示例实施例可以应用于多种无线技术或无线网络,诸如LTE、LTE-A、5G(新无线电(NR))、厘米波(cmWave)和/或毫米波(mmWave)频带网络、IoT、MTC、eMTC、eMBB、URLLC等,或任何其他无线网络或无线技术。这些示例网络、技术或数据服务类型仅作为说明性示例提供。
作为示例,各种示例实现可以根据说明性示例实现涉及例如5G无线电接入系统(或其他系统),该5G无线电接入系统例如支持大规模MIMO(多输入、多输出),并针对在高载波频率(诸如厘米波频率(例如,从3GHz起)或毫米波频率)下操作进行了优化。那些说明性系统的典型特征是需要高天线增益来补偿增加的路径损耗,以及需要高容量和高频谱效率来响应不断增加的无线流量。根据示例实现,在较高载波频率处增加的衰减可以例如通过在基站(BS)(也称为eNB或gNB)和/或UE/用户设备处引入大量(多元件)天线阵列和对应地经由波束成形的天线增益来补偿。频谱效率通常可以随着系统可以支持的空间流的数目并因此随着BS处的天线端口的数目而提高。根据示例实现,空间复用可以包括MIMO无线通信中的传输技术以从多个传输天线中的每个传输天线传输独立且分开编码的数据信号,所谓的流。
例如,对于大规模多输入多输出(M-MIMO)系统,通常可以在传输和/或接收器处(例如,在基站/接入点或其他网络节点处)使用大量天线元件。M-MIMO通常可以具有更多空间链路/层并提供更多空间自由度。在说明性示例中,通过精心设计的天线权重,MIMO或M-MIMO传输器可以生成具有良好空间分开的相对窄的波束。因此,这样的传输器可以实现更大的波束成形增益,减小空间干扰范围,并且获得更大的多用户空间复用增益。与其他系统相比,MIMO或M-MIMO系统通常在数据速率和链路可靠性方面具有更好的性能。
波束成形或空间滤波是一种信号处理技术,可用于定向信号传输或接收的天线或天线阵列。波束成形可用于传输端和接收端两者,以实现空间选择性。例如,波束权重集合(例如,每个波束权重包括增益和/或相位)可以在信号的传输或接收期间应用于天线系统以相应地经由特定波束传输或接收信号。
根据示例实施例,为了能够对大量波束进行波束管理,NR/5G可以支持分级波束细化。在第一水平是基本波束集合或宽波束集合,诸如同步信号块和物理广播信道(SSB/PBCH)波束(例如,其可被称为SSB波束),例如,其可以包括一个小区内多达64个SSB波束;以及在第二(更精细)水平,精细波束集合,例如诸如CSI-RS(信道状态信息-参考信号)波束集合。例如,CSI-RS波束可以是更窄的细化波束,而SSB波束可以是更宽的或根(或基本)波束。例如,当UE移动或传播环境改变时,可以基于UE测量、报告和波束恢复过程来更新服务波束。例如,可以在初始接入或随机接入过程期间选择和使用基本波束(例如,SSB波束)。然后,在UE已经与BS(例如,gNB)建立连接之后,还可以选择细化波束(例如,CSI-RS波束),并且可以不时地更新。
根据说明性示例实施例,对于初始波束建立,BS可以经由多个SSB波束中的每个SSB波束来传输SSB(或SSB/PBCH)参考信号。例如,可以使用不同的SSB资源(例如,每个SSB信号的不同时频资源)来传输每个SSB波束的SSB信号。因此,每个SSB资源都与SSB波束相关联。UE可以对一个或多个接收的SSB波束/SSB资源执行信号测量(例如,测量参考信号接收功率(RSRP)或其他信号测量),然后可以确定或选择最佳或最高功率的SSB波束(或最佳的N个波束的集合)和相关联的SSB资源。可能存在与每个SSB资源/SSB波束相关联的不同随机接入前导。UE然后可以向BS传输与选择的SSB资源相关联的随机接入前导,作为随机接入过程的一部分,以便标识最佳(或UE选择的)SSB波束。因此,UE可以基于向BS传输的随机接入前导向BS指示最佳SSB波束(包括最佳BS传输波束)。UE还可以确定该最佳SSB传输波束的最佳UE接收波束。因此,初始波束对可以由BS和UE使用来执行随机接入过程,以便在UE和BS之间建立连接。
因此,在初始接入时,UE可以选择波束,例如与用于物理随机接入(PRACH)前导选择的最佳(例如,最强RSRP)SSB资源相关联的波束。因此,UE可以传输与选择的(例如,最佳的)SSB波束(与最佳SSB资源/SSB波束相关联的)相关联的随机接入前导。例如,选择的随机接入(RACH)前导向BS指示BS应该使用SSB/PBCH块波束(或简称SSB波束)中的哪个用于与UE的随机接入过程的Msg2、Msg3和Msg4。例如,BS/gNB可以将所指示的SSB波束用于信号传输和接收。该过程可以为初始接入确定足够或足够好的波束对。可以使用CSI-RS资源在连接状态中实现进一步的波束细化。
一旦在UE和BS之间建立了初始波束对,就可以基于来自BS的多个CSI-RS(信道状态信息-参考信号)信号的传输来执行另外的波束调整或波束细化,其中每个不同的CSI-RS信号经由不同的或相关联的CSI-RS波束传输。因此,每个CSI-RS资源与细化(例如,CSI-RS)波束相关联。例如,BS可以基于从UE接收的测量报告(例如,CSI-RS波束测量报告)来选择关于UE的不同的细化CSI-RS波束。
图2是示出根据示例实施例的用于多个波束中的每个波束的不同资源和相关联的波束的图。在该说明性示例中,CSI-RS(信道状态信息-参考信号)信号经由不同的CSI-RS时间-频率资源并且经由相关联的CSI-RS波束被传输。因此,每个CSI-RS波束与不同的CSI-RS资源相关联。例如,波束212与CSI-RS1资源相关联;波束214与CSI-RS2资源相关联;波束216与CSI-RS3资源相关联;波束218与CSI-R41资源相关联,……并且波束220与CSI-RSn资源相关联。这仅仅是说明性示例,并且可以提供任何数目的波束。类似地,不同的时频资源可以与每个SSB波束相关联。因此,UE可以测量在多个这些资源中的每个资源上接收的参考信号的信号参数(例如,RSRP或其他信号参数),其中每个资源与不同的波束相关联。因此,通过报告(例如,在测量报告中)一个或多个资源的RSRP(或其他信号参数)和波束标识符或资源标识符,这可以向BS标识测量的RSRP(或其他信号参数)和相关联的波束(例如,对于最好或最强的2个波束,或最强的4个波束,作为示例)。
BS可以配置要由UE向BS提供的波束测量报告的一个或多个参数。例如,BS可以发送测量报告配置,或者简单地报告配置(其可以由BS向UE提供作为控制信息),该配置指示或更新要由UE向BS提供的波束测量报告的一个或多个参数或方面。例如,报告配置可以指示或更新各种参数,诸如要测量的资源集合(例如,CSI-RS资源集合,或SSB资源集合),要报告的资源/波束的数目(例如,将UE配置为报告最佳(最强)两个波束/资源或最佳4个波束/资源的RSRP)、测量报告的频率或定时以及其他参数。基于此报告配置,UE可以测量资源集合(例如,SSB或CSI-RS资源集合,每个资源与波束相关联),并向BS报告一个或多个资源/波束(例如,报告两个或四个最强资源/波束的RSRP)的信号测量(例如,RSRP或其他信号测量)。例如,UE可以每10ms测量和报告具有最高测量RSRP的两个(或四个,或其他数目的)细化波束(例如,CSI-RS波束)的RSRP。然后,BS可以例如基于该测量报告中指示的信息切换其接收波束(以从UE接收信息或信号)和/或其传输波束(以向UE传输信息或信号)(例如,BS可以切换到具有最高RSRP的CSI-RS波束)。
为了波束细化和跟踪的目的,BS(或gNB、eNB)可以配置(例如,通过向UE发送报告配置或其他配置信息)CSI-RS资源集合(要由UE测量的CSI-RS资源集合或相关联的CSI-RS波束集合)。基于该报告配置(例如,其可以指示要由UE测量和/或报告的CSI-RS资源集合或CSI-RS波束集合),UE可以测量资源/波束集合的信号参数(例如,RSRP),然后向BS发送测量报告,指示一个或多个资源/波束的信号测量(例如,RSRP)。如上所述,BS可以接收相关的测量报告,并且可以基于这些测量报告关于UE调整或改变其传输波束和/或接收波束。例如,BS可以选择最佳细化波束,例如具有最高RSRP的CSI-RS波束,用于与UE进行通信。
根据示例实施例,CSI(信道状态信息)可以包括信道质量指示符(CQI)、预编码矩阵指示符(PMI)、CSI-RS资源指示符(CRI)、SS/PBCH块资源指示符(SSBRI)、层指示符(LI)、秩指示符(RI)和/或L1-RSRP(参考信号接收功率)。例如,CSI-RS资源可以是周期性的、半持久的或非周期性的。CSI-RS的报告配置可以是非周期性的(例如,使用物理上行链路共享信道(PUSCH))、周期性的(例如,使用物理上行链路控制信道(PUCCH))或半持久性的(使用PUCCH和DCI(下行链路控制信息)激活PUSCH)。
然而,作为该过程的一部分,诸如作为波束(例如,CSI-RS资源或SSB资源)测量、报告和/或使用(BS对这些测量的使用)过程的一部分,可能出现许多挑战或问题。首先,例如,可能希望提高由BS的波束切换决策的性能,例如,允许BS在连接或性能下降之前更一致地选择合适的(或甚至最好的)波束。第二,例如,至少在某些情况下,与发送报告配置、执行波束测量和/或发送测量报告相关的处理开销和/或信令开销可能变得繁重(如由BS和/或UE所经历的),例如,特别是随着要测量的波束数目和/或测量报告的频率增加。
例如,BS需要为UE测量配置的CSI-RS资源的数目,以及由UE发送的测量报告的频率可能与BS需要来自UE的测量报告的细化(例如,CSI-RS)波束的数目直接相关。在具有多个传输接收点(TRP)和快速变化的环境的典型实现中,诸如在汽车和/或人员移动的城市中,可能需要基于测量和报告的相对大量波束的频繁报告以允许BS克服阻塞(例如,基于当前波束对的UE和BS之间的信号路径变得被阻塞的信号阻塞情况,因此BS可能需要快速改变到更好的波束以保持性能或与UE的连接)。TRP可以包括BS(例如,eNB、gNB)、分布式单元(DU)(例如,在BS可以被拆分为控制单元(CU)和一个或多个分布式单元(DU)的拆分BS的情况下)或其他可以向UE传输或接收信号的网络设备。根据示例实施例,单个基站(BS)可以连接到多个TRP,并且这些TRP可以共享相同的DU。
在一些示例情况下,诸如对于5G/新无线电(NR),UE可能需要监测相当数量甚至大量的CSI-RS资源(大量的CSI-RS波束),这些资源可能是与单个波束和小区相关联。许多资源可能是UE特定的,并且可能存在用于控制和数据信道的不同资源。所需资源的数目可能随着波束的数目、用户/UE和/或信道的配置的增加而增加。此外,这些资源的传送(例如,经由发送报告配置或其他控制信息)可能会消耗或使用重要的UE特定资源(例如,诸如无线电资源控制(RRC)和/或媒体访问控制(MAC)信令资源,或其他资源)。基于从BS接收的报告配置(指示CSI-RS资源或要监测和/或报告的CSI资源的数目),UE监测特定资源并向BS发送测量报告。资源监测所需资源的数目和从UE发送测量报告所需的资源量,至少在某些情况下,可能需要大量资源,因此,可能对某些情况和/或技术造成开销问题,尤其是随着要测量或报告的波束的数目和/或小区内UE的数目的增加。如果UE没有频繁地向BS发送足够数目的测量报告,阻塞事件可能会中断由BS向UE提供的服务(或中断或降低BS和UE之间的连接的性能),因为例如,BS可能不知道在发生或检测到阻塞条件时切换到哪个TRP(或BS)的哪个波束。
因此,根据示例实施例,BS(例如,gNB、TRP或无线电接入网络(RAN)节点)或其他网络节点可以使用或采用人工智能(AI)神经网络(其可以是称为神经网络、神经网络模型、AI神经网络模型、AI模型、机器学习模型或算法,或其他术语)来实现波束序列模型。可以例如基于用于一个或多个UE的过去波束序列来训练波束序列模型,例如其可以实现为神经网络或其他模型。
根据示例实施例,BS可以基于波束序列模型和用于该UE的过去波束序列来确定该UE的预测的未来波束序列。例如,波束序列模型(例如,实现为神经网络)可以基于包括UE的过去波束序列的输入来输出UE的预测的未来波束序列。根据说明性示例,用于UE的过去波束序列可以包括实际用于在BS和UE之间进行通信的一个或多个波束,和/或在(多个)测量报告中报告的另外一个最佳波束,例如,每个波束测量间隔的最佳波束。在一些情况下,BS可能并不总是实际使用最高RSRP波束(例如,最佳波束)来与UE进行通信,例如,在不满足切换信号阈值并阻止切换到当时的目标BS(即与最好的光束相关联的)的情况下。
BS可以基于用于UE的预测未来波束序列来执行各种波束相关动作。例如,对于多个波束采样间隔中的每个波束采样间隔(例如,对于未来的每10ms间隔),用于UE的预测未来波束序列可以指示预测波束(例如,用特定波束索引标识)和概率。例如,可能存在许多(或很大百分比的)用户/UE经常在其上行进的公共路径,例如,基于道路、人行道、建筑物布局等。此外,例如,许多(或大量)在通过这样的公共路径行进时成功保持连接的UE可以在一段时间内使用一系列波束,这些波束可能相同或非常相似,或者至少具有UE随时间(例如,每个波束采样间隔)使用的多个公共波束。因此可以输入用于各种UE的这些过去波束序列以训练波束序列模型(例如,其可以被实现为神经网络)。然后,例如,基于用于UE的过去波束序列,BS可以使用波束序列模型来确定用于UE的预测的未来波束序列。
作为关于UE的示例波束相关动作,BS可以将其关于UE的接收波束和/或传输波束改变为在用于UE的预测的未来波束序列上指示或列出的波束。例如,BS可以抢占地切换到用于UE的预测的未来波束序列的波束索引列表中的下一个波束,例如,恰好在相关联的未来波束采样间隔之前。或者,例如,如果在预测的未来波束序列中指示的未来波束索引列出与目标BS或TRP相关联(或由其提供)的波束,则BS可以执行到目标TRP(或目标BS)的切换,目标BS或TRP与当前服务的BS或TRP不同。
此外,作为关于UE的另一个示例波束相关动作,BS可以减少与波束的测量和/或报告相关联的开销。例如,BS,例如基于用于UE的预测的未来波束序列,可以向UE发送更新的报告配置以调整一个或多个测量相关参数,诸如减少要测量或报告的波束的数目(或相关联的波束资源),或指示要测量和/或向BS报告的特定波束列表(例如,仅测量指示的N个波束的下一个预测序列,而不是测量更多数目的波束),和/或调整要向BS发送的波束测量报告的频率。例如,在某些情况下,基于由用于UE的预测的未来波束序列提供的改进的准确度,可以减少需要测量和/或报告的波束的数目和/或波束测量报告的频率。因此,可以要求UE测量较小的波束集合(例如,测量在预测的未来波束序列中指示的接下来的7个波束/资源,而不是更大的波束/资源集合),和/或报告在预测的未来波束序列中指示的较小的波束集合(例如,报告最好的2个波束的RSRP,而不是报告最好的4个波束)。此外,至少在某些情况下,可以例如基于例如在用于UE的预测的未来波束序列中指示的波束的改进的准确度来降低波束测量报告的频率。
这些是一些示例,并且可以执行其他与波束相关的动作。以此方式,本文描述的一种或多种技术可提供技术优势或性能改进,诸如例如,与波束的选择和/或使用相关的改进,和/或与波束测量或测量报告相关的处理开销或资源开销的减少。
根据示例实施例,一种方法或技术可以包括由BS确定用户设备(UE)的过去波束序列;由BS基于用于UE的过去波束序列和波束序列模型确定用于UE的预测的未来波束序列,其中预测的未来波束序列指示用于UE和BS之间的通信的随时间的波束的预测序列;以及由BS基于用于UE的预测的未来波束序列执行波束相关动作。
根据示例实施例,执行波束相关动作可以包括由BS执行以下一项或多项:由BS基于用于UE的预测的未来波束序列,改变由BS用于向UE的下行链路传输的传输波束;由BS基于用于UE的预测的未来波束序列,改变由BS用于来自UE的上行链路接收的接收波束;由BS基于用于UE的预测的未来波束序列,改变要由UE向BS提供的波束测量报告的一个或多个方面;由BS向UE发送更新的报告配置,以调整要由UE在波束测量报告内测量和报告的波束的数目或相关联的参考信号资源的数目;由BS向UE发送更新的报告配置,以调整要由UE在波束测量报告内测量和报告的一个或多个特定波束的列表或调整要由UE在波束测量报告内测量和报告的一个或多个特定参考信号资源的列表;由所述基站BS向UE发送更新的报告配置,以调整要由UE在波束测量报告内测量和报告的波束或参考信号资源的数目;由BS向UE发送更新的报告配置,以调整要由UE向BS发送的波束测量报告的频率;由BS使UE的切换从BS到目标BS被执行;由BS基于与目标BS相关联的波束使UE从BS到目标BS的切换被执行,该与目标BS相关联的波束在用于UE的预测的未来波束序列中被指示;或者由BS向UE发送针对波束测量报告的请求。
在示例实施例中,波束序列模型可以包括神经网络,该方法还包括:基于用于一个或多个用户设备(UE)的过去波束序列,训练波束序列模型。
在一个示例实施例中,波束序列模型可以包括神经网络,该方法还包括:由基站针对用于一个或多个用户设备(UE)的一个或多个过去的波束序列执行以下项:确定用于第一用户设备(UE)的过去波束序列;确定第一UE的过去波束序列的第一部分作为训练期间对波束序列模型的输入;确定用于第一用户设备的过去波束序列的、在时间上在第一部分之后的第二部分作为训练期间波束序列模型的正确输出;基于作为对波束序列模型的输入的过去波束序列的第一部分,确定训练期间从波束序列模型输出的预测的未来波束序列;基于训练期间波束序列模型的正确输出与训练期间由波束序列模型输出的预测的未来序列输出之间的比较,确定波束序列模型的误差;以及调整波束序列模型的一个或多个权重以减少误差。
根据示例实施例,用于UE的预测的未来波束序列包括波束索引的序列和与每个波束索引相关联的概率,其中每个波束索引标识波束。
根据示例实施例,用于UE的过去波束序列包括多个波束,其中过去波束序列的每个波束从以下一项或多项被确定:针对一个或多个波束采样间隔,由BS用于向UE传输信号或从UE接收信号、并且不引起BS和UE之间的连接的丢失的波束;针对一个或多个波束采样间隔,由UE用于向BS传输信号或从BS接收信号、并且不引起BS和UE之间的连接的丢失的波束;由BS从UE接收的波束测量报告,波束测量报告指示由UE关于BS测量的、具有最高信号测量的一个或多个波束;或者针对一个或多个波束采样间隔,由BS基于从UE接收的一组参考信号确定的具有最高信号测量的波束或一组波束。
根据示例实施例,执行波束相关动作可以包括:由BS基于用于UE的预测的未来波束序列,改变要由UE向BS提供的波束测量报告的一个或多个方面,包括以下至少一项:要由UE在波束测量报告内测量和报告的波束的数目或相关联的参考信号资源的数目;要由UE在波束测量报告内测量和报告的一个或多个特定波束的列表或者一个或多个特定参考信号资源的列表;或者要由UE向BS发送的波束测量报告的频率。
根据示例实施例,波束序列模型可以被提供或实现为人工智能(AI)神经网络(其可以被称为神经网络、神经网络模型、AI神经网络模型、AI模型、机器学习模型或算法,或其他术语)。根据示例实施例,神经网络可以是或可以包括在机器学习中使用的由按层组织的节点组成的计算模型。节点也称为人工神经元,或简称为神经元,并且对提供的输入执行函数以产生一些输出值。神经网络通常需要一个训练时段来学习用于将输入映射到所需输出的参数,即权重。映射经由函数发生。因此,权重是神经网络映射函数的权重。每个AI模型或神经网络都可以针对特定任务进行训练。
为了在给定输入的情况下提供输出,必须训练神经网络,这可能涉及学习映射函数的大量参数的适当值。这些参数通常也称为权重,因为它们用于对映射函数中的项目进行加权。这种训练可能是迭代过程,在数千轮训练中调整权重值,直到达到最佳或最准确的值。在神经网络的上下文中,参数可以被初始化,通常利用随机值,并且训练优化器迭代地更新网络的参数(也称为权重)以最小化映射函数中的误差。换句话说,在迭代训练的每一轮或每一步中,网络都会更新参数值,以便参数值最终收敛到最优值。
根据示例实施例,可以以监督或无监督的方式训练神经网络。在监督学习中,训练样本被提供给神经网络或其他机器学习算法。训练示例包括输入和期望的或先前观察到的输出。训练示例也称为标记数据,因为输入被标记为期望或观察到的输出。在神经网络的情况下,网络学习映射函数中使用的权重值,当给定训练输入时,这些值通常会产生所需的输出。在无监督训练中,机器学习模型学习标识提供的输入中的结构或模式。换句话说,模型标识数据中的隐含关系。无监督学习用于许多机器学习问题,通常需要较大的未标记的数据集合。
根据示例实施例,神经网络模型的学习或训练可分为(或可包括)两大类(监督和无监督),这取决于是否存在学习“信号”或“反馈”可用于模型。因此,例如,在机器学习领域内,模型的学习或训练可能有两种主要类型:监督的和无监督的。这两种类型之间的主要区别在于,监督学习是使用特定数据样本的输出值应该是什么的已知或先验知识来完成的。因此,监督学习的目标可能是学习一个函数,在给定数据样本和期望输出的情况下,该函数最接近数据中可观察到的输入和输出之间的关系。另一方面,无监督学习没有标记的输出,因此其目标是推断数据点集合中存在的自然结构。
监督学习:向计算机呈现示例输入及其期望的输出,并且目标可以是学习将输入映射到输出的一般规则。例如,监督学习可以在分类的上下文中执行,其中计算机或学习算法尝试将输入映射到输出标签,或者在回归中执行,其中计算机或算法可以将(多个)输入映射到(多个)连续输出。监督学习中的常见算法可能包括例如逻辑回归、朴素贝叶斯、支持向量机、人工神经网络和随机森林。在回归和分类两者中,目标可能包括在输入数据中找到特定的关系或结构,允许我们有效地产生正确的输出数据。作为特殊情况,输入信号只能部分可用,或仅限于特殊反馈:半监督学习:计算机只被给出一个不完整的训练信号:一个训练集,其中一些(通常很多)目标输出丢失。主动学习:计算机只能获得有限实例集的训练标签(基于预算),并且还必须优化其选择的对象以获取标签。当交互地使用时,这些可以呈现给用户以进行标记。强化学习:训练数据(以奖励和惩罚的形式)仅作为对动态环境中程序的动作的反馈,例如使用实时数据。
无监督学习:没有向学习算法给出标签,让它自己在输入中寻找结构。无监督学习中的一些示例任务可能包括聚类、表示学习和密度估计。在这些情况下,计算机或学习算法试图在不使用显式提供的标签的情况下学习数据的固有结构。一些常见的算法包括k-均值聚类、主成分分析和自动编码器。由于没有提供标签,因此在大多数无监督学习方法中没有特定的方法来比较模型的性能。
神经网络可以是多种类型,例如,诸如前馈、循环、卷积、Q-学习网络、LSTM等。每个小区(以及每个小区内的每个UE)具有广泛不同的特性,例如,诸如到相邻小区的距离、传播特性(延迟扩展、散射/反射、路径损耗指数等)、SINR(信号与干扰加噪声比)测量或变化、天线信道权重、小区负载条件等。随着时间的推移,这些可能从用户到用户(从UE到UE),从小区到小区,以及在小区(或小区组)内而不同。
将简要描述进一步的说明性示例和示例实施例。
根据示例实施例,NR(新无线电/5G)天线面板具有形成多个波束集合以覆盖给定扇区的能力。在现场部署时,考虑到流量分布,特定的波束子集可能包括在“波束集合”中。波束集合通常包括宽SSB波束和窄细化(例如CSI-RS)波束。SSB波束可以周期性地扫描(波束扫描),并将支持初始接入,随后CSI-RS传输可以用于波束细化。由这些波束集合服务的区域通常具有独特的地理和使用特性,并且移动通过小区的许多用户/UE可能随时间穿过相同的波束转换序列。结果,许多用户/UE在它们行进或穿过公共路径(例如,人行道或道路)时可能使用和/或报告相同(或非常相似)的(多个)最佳(例如,最强信号或最高RSRP)波束序列。因此,例如,波束预测的一个示例基础可以是用户/UE可能行进一个或多个共同路径,例如,基于人行道、道路或其他经常行进的路径等,并且通常可能遇到相同的阻塞对象,诸如建筑物或其他固定对象。
因此,人们或用户可能经常停留在道路和人行道上并且在某个方向上行走或驾驶一段时间。道路的特定位置的固定堵塞将对(例如,所有或大多数)在道路上行进的用户具有类似的影响。代替在较大的波束集合上向UE做出波束细化测量请求,示例实施例可以允许通过预测在一段时间内(例如,在接下来的几百毫秒内)最有可能最好地服务于用户/UE的波束集合来配置用于波束细化和测量报告的CSI-RS资源。准确的预测实现将需要测量报告的波束集合的减少。因此,例如,一旦波束序列模型学习了许多UE的过去波束序列,训练的波束序列模型可用于基于UE的过去波束序列来确定预测的未来波束序列。
例如,可以使用在BS或gNB上运行的人工智能(AI)算法来执行这些预测。这些算法从时间和空间两者上的过去使用的经验中提取特征,并将学习应用于正在服务的当前用户/UE,以在波束选择方面提高BS性能和/或减少波束跟踪开销。基于提取的特征,用户可以按照某些“波束轨迹”进行分类,从中可以准确地跟踪用户的波束使用模式。特别是,在阻塞的情况下,BS可以经由波束序列模型,基于到那时为止服务用户的波束序列来预测用户/UE应该连接到哪个波束,并显着减少测量所需的资源数目。用户/UE也可以主动转换到预测波束以避免阻塞。
图3是示出了根据示例实施例的由多个UE/用户行进通过交叉路口的路径的图。如图3的说明性示例中所示,交叉路口308被示为道路A和道路B的交叉路口。附加的道路C在不同位置与道路A相交。障碍物310被示出,并且可以是建筑物或其他对象。传输接收点(TRP)A和TRP B可以向一个或多个小区内的UE提供无线覆盖。TRP A和/或TRP B可以每个是BS或DU,或其他网络节点。作为一个非常简单的说明性示例,在道路B上行进的UE(图3上从左到右)最初可能位于位置312,其中最佳BS波束(与UE通信)可以是来自TRP A的波束1(未示出)。然后UE可以到达位置313,其中对于UE的最佳BS波束可以是由TRP A提供的波束2(未示出)。然后UE可以到达交叉点路口308内的位置314。然而,障碍物310可能引起位置314处的UE和TRP A之间的阻塞状况。因此,在位置314处,对于UE的最佳(例如,最高RSRP)波束可能不是由TRP A提供的波束,而是可能是由TRP B提供的波束。因此,当UE在位置14时,由于障碍物310,对于UE的最佳波束可以是由TRP B提供的波束10(未示出)。因此,虽然对于在道路B上从左到右行进的UE可能发生变化,许多UE可以提供指示波束1、波束2(两者均由TRP A提供)的波束序列(例如,对于UE的最佳波束)、然后波束10(由TRP B提供)的测量报告。或者,TRP A可以调整(例如,减少)测量的CSI-RS资源。
基于用于许多UE的过去波束序列,可以训练TRP A(和/或TRP B)处的波束序列模型来学习波束序列的这种公共模式。例如,TRP A的波束序列模型可以学习到,为了成功地为UE保持连接,波束1、然后波束2的波束序列,通常(例如,75%的时间)是(或应该是)随后切换到TRP B和波束10,例如,以避免UE的阻塞状况和断开连接。因此,在从UE接收到指示波束1、并且随后波束2作为最佳(例如,最高RSRP波束)的(多个)测量报告之后,TRP A可以(从波束序列模型)获得用于UE的预测的未来波束序列,该用于UE的预测的未来波束序列指示(例如,以75%的概率)该UE的下一个波束应该是由TRP B提供的波束10。因此,根据该说明性示例,在从UE接收到指示波束1、然后波束2作为过去波束序列的波束测量报告之后,TRPB可以抢占地执行从TRP A到TRP B的切换或改变。这是一个非常简单的示例,仅说明了如何使用过去波束序列来训练波束序列模型,然后用于确定或提供预测的未来波束序列。
此外,例如,用于训练波束序列模型的输入波束序列可以被过滤以移除引起低性能连接或其他不期望结果的任何“坏”(不期望的)波束序列,诸如UE和BS之间的连接丢失。因此,“坏”波束序列可以从波束序列模型的训练输入中省略,从而波束序列模型可以仅用引起期望或特定结果或行为的波束序列(例如,不会引起断开连接的波束序列,或保持连接性能高于阈值的波束序列)进行训练。因此,例如,BS可以省略(作为用于训练的波束序列模型的输入)在X个未来波束采样间隔内(例如,在20ms内)引起UE的断开连接的波束序列。因此,例如,可以仅使用波束序列的一部分(来自UE的报告的最佳波束序列),而省略引起在阈值时间段内(例如,在30毫秒内)断开连接的这种波束序列的部分。这仅仅是一个说明性的示例。
图4是示出了根据示例实施例的系统的操作的流程图。在410,步骤1可以包括数据收集。例如,在初始部署之后,BS可以在训练阶段使用CSI-RS反馈(例如,测量报告)以采集数据。因此,该数据的源可以包括用于估计用于UE/(多个)用户的不同波束的质量的测量报告(和/或由BS实际为UE使用的波束的列表)。当第一次部署BS时,它们可以在训练模式下操作,其中波束细化过程利用广泛的CSI-报告配置实现。在此时间期间,每个UE可能被请求报告大量测量报告,用于在UE获得服务或连接到BS/gNB时估计不同波束的质量(例如,基于RSRP或其他信号测量)。该阶段为波束序列模型(例如,其可以实现为神经网络,诸如深度神经网络)提供大量训练数据。
在420,步骤2可以包括训练用于预测的波束序列模型。该步骤可以包括在BS/TRP处利用(或基于)从多个UE收集的或关于多个UE的数据训练波束序列模型(例如,神经网络),例如,以允许波束序列模型提供或输出一个或多个UE的预测的未来波束序列。例如,训练可以在几秒钟的时间段内每隔10ms利用先前使用的波束索引(或利用指示UE的(多个)最佳波束的测量报告)来预测例如由用户/UE在接下来的几百毫秒内可能使用(或应该用于提高性能)的未来波束索引。
在430,步骤3可以包括用于预测的推理模式。例如,在该步骤中,可以将用于UE的过去波束序列输入到波束序列模型中,例如,以确定用于UE的预测的未来波束序列(例如,预测最佳k细化波束,和/或预测TRP/BS,以在接下来的几百ms内最好地服务UE/用户)。
在440处,步骤4可以包括执行波束相关动作:例如,诸如:1)基于用于UE的预测的未来波束序列选择波束(例如,主动将由BS使用的波束切换到预测的未来波束序列中列出的波束);2)请求用于UE的预测的未来波束序列中列出的一个或多个波束的测量报告;3)如果要使用的下一个波束(例如,在未来预测波束序列中指示的)由不同的小区或不同的TRP/BS提供,则主动发起小区切换或UE切换到小区或TRP/BS;4)配置CSI-RS资源和测量报告以减少开销;5)调整测量报告的频率或数目,或调整要测量和/或报告的波束(或特定波束集合)的数目。这些只是一些示例。例如,基于用于UE的预测的未来波束序列,减少要测量的资源/波束的数目,或减少每个测量报告中要报告的资源/波束的数目,或减少测量报告的数目或频率;和/或其他与波束相关动作(这些只是一些示例)。根据各种示例实施例,在下面的图5至10中提供了另外的说明性示例和/或细节。图4的步骤1可以包括多个子步骤,包括例如步骤1a(图5中所示的说明性示例)、步骤1b(图6中所示的说明性示例)和步骤1c(图7中所示的说明性示例)。
图5是示出了根据示例实施例的测量和报告收集的图。如图5所示,在510,BS 508可以向UE1发送对波束1-N的测量报告的请求。在512,BS 508可以接收一个或多个测量报告。在514,BS 508可以将来自从UE1接收的测量报告的数据存储到其存储器506。BS508的存储器506可以包括(例如,表格),其包括针对一个或多个UE的波束测量数据,包括来自UE1、UE2等。关于从UE1接收的测量数据,测量报告522的数据指示该数据是针对UE1的,标识10ms的时间戳,并将各种波束的RSRP指示为:波束1=-68dBm;波束2=-64dBm;……波束n=-107dBm。因此,对于测量报告522,UE1的最佳或最强波束是波束2(具有-64dBm的RSRP)。BS508还可以在存储器506中存储测量报告524(20ms的时间戳)、526(52ms的时间戳)和528(时间戳55ms)的数据。由测量报告524、526和528指示的最佳或最强波束相应地是波束1(RSRP=-44dBm)、波束N(RSRP=-85dBm)和波束2(RSRP=-48dBm)。因此,在该说明性示例中,如果使用最佳波束来确定过去波束序列,则基于测量报告522-528,用于UE1的过去波束序列将是:2、1、N、2。备选地,由BS使用或由UE使用的服务波束可用于确定用于UE的过去波束序列。服务波束(由UE或BS用于通信的波束)通常可以与最佳报告(例如,最高RSRP)波束相同,但不是必须的。例如,在尚未满足切换阈值以执行到相邻BS/TRP的切换(因此,UE尚未切换到目标BS)的一些情况下,针对一个或多个波束采样间隔可能不使用最佳波束。
如图5所示,BS 508可以向其他UE请求并获得测量报告,诸如从UE2、UE3等。例如,在516,UE3可以向BS 508发送周期性测量报告。与在步骤518和520相同,BS 508可以请求然后相应地从UEN接收针对波束k和l或者两个最佳或最强波束的测量报告。
图6是示出了根据示例实施例的波束序列生成(或选择)的图。如图6所示,在610,BS 508可以从存储器中提取UE k的条目。在612,BS 508可以为UE k生成波束序列,这可以包括使用一个或多个波束序列生成或选择标准,诸如例如:用于波束选择的采样间隔,例如选择具有每10ms间隔具有最高测量RSRP的波束索引;切换功率阈值(例如,3dB),例如,如果更好的波束RSRP或SINR(信号与噪声比)比当前波束RSRP或SINR好不到3dB,则不要切换波束;驻留时间(例如,如果阻塞小于5ms,则不要切换波束);和/或过滤或移除随后(例如,在20ms内)引起UE断开连接或其他不期望的性能的一个或多个波束。
图7是示出了根据示例实施例的训练数据创建或生成的图。在如图6(步骤1b)中所描述的那样生成数据(例如,UE k的波束序列)以针对UE选择具有最高RSRP(或其他信号参数)的波束序列之后,基于来自UE的测量报告,并且可能应用其他波束选择标准(如关于图6所描述的),可以在步骤1c(图7)处执行进一步处理以创建或生成要在步骤2中使用的训练数据(参见图8)来训练光束序列模型。例如,如图7所示,提供了用于UE k的波束序列710(例如,来自步骤1b的输出)。在712,BS(或其他网络实体)可以经由采样从波束序列710中提取样本,例如,每10ms对波束序列进行采样。如果波束序列710不包括每10ms采样间隔的波束索引,则先前的波束可能会重复,例如,因为这可能意味着相同波束使用了超过多个10ms间隔的一段时间——因此具有大于10ms间隔的波束驻留时间(相同波束被使用或者是UE的最佳波束的连续时间段)。
根据示例实施例,在712,在步骤1c(图7),可以通过将波束序列的子集分开或划分为过去样本或波束索引的第一部分和未来样本或波束索引的第二部分(其具有在时间上在过去样本的第一部分的样本/波束之后的时间戳)来执行从波束序列710提取样本,以获得波束序列模型的训练数据。例如,对于波束序列710的每个子集(例如,由窗口标识),过去样本或波束索引的第一部分可以被输入用于训练波束序列模型,并且可以将未来样本或波束索引的第二部分(其在时间上在过去样本/索引的第一部分之后发生或具有时间上在过去样本/索引的第一部分之后的时间戳)用作波束序列模型的正确输出以进行训练。因此,对于每个输入或迭代,可以训练波束序列模型的输出(例如,调整神经网络的权重)以减少1)正确(或期望)输出(这是未来样本/波束索引的第二部分)与波束训练模型的实际输出之间的误差。可以调整波束序列的窗口,该窗口可以标识波束序列的过去和未来样本的样本/波束索引(例如,向前滑动1或2个时隙或样本)并且可以重复该过程。
根据示例实施例,从波束序列中提取样本可以基于(一个或多个)训练数据生成标准,诸如例如:1)过去样本的数目P(波束序列的波束索引),例如,600ms,这可能是60个样本或波束索引以覆盖600ms;2)多个未来样本F(或未来波束索引,在波束序列内、发生在过去样本P之后的时间),例如诸如40ms或四个10ms时隙或样本;和3)滑动窗口的步幅,用于改变将过去样本P与未来样本F分开的点,对于波束序列的每个子集。
根据示例实施例,用于UE k(和多个UE)的每个波束序列,诸如波束序列710,可以划分为P个过去样本(P个波束索引)的第一部分和F个未来样本(或波束索引)的第二部分(在时间上在样本的第一部分之后)。例如,对于波束序列710的每个子集,P个过去样本或波束索引的第一部分被输入到波束序列模型,并且F个未来样本的第二部分可以用作正确或期望的输出,以便训练波束序列模型。例如,波束序列710可以具有不同的子集,包括子集1、子集2、子集3。子集1可以包括P个过去样本(波束索引21111……2)的第一部分714和F个未来样本(波束索引2243)的第二部分716。例如,可以在说明性示例中使用P=60和F=4。子集2可以通过将波束序列710的窗口向前滑动2个样本来获得。并且,可以通过再将窗口向前滑动2个样本来获得子集3,如图7所示。因此,子集2可以包括P个样本(波束索引111……222)的第一部分(724)和F个未来样本(波束索引4333)的第二部分(726)。子集3可以包括P个样本(波束索引1……222……3)的第一部分(734)和F个未来样本(波束索引3352)的第二部分(736)。因此,每个子集可以具有稍微不同的样本的第一部分和第二部分(例如,基于窗口的位置),但是所有部分来自相同的波束序列710。应该注意的是,在用于UE的波束序列710中的波束索引或样本已经发生或已经在先前发送到BS的测量报告中指示(例如,基于从UE接收的测量报告,和/或基于实际用于与UE通信的波束)。然而,与P个过去样本的第一部分中的样本或波束索引相比,波束序列的F个样本(或波束索引)的第二部分具有较晚或随后的时间戳。因此,出于训练目的,这些较晚的样本(F个未来样本)被称为未来样本,而较早的样本(P个过去样本)被称为过去样本。
参考图7,在720,针对UE的各种子集提取的样本被累积,并且可以被提供给波束序列模型用于训练。在722,生成用于另一个UE(UE k+1)的波束序列(步骤1b),然后为UE k+1提取样本(步骤1c)。因此,可以处理波束序列以提取用于多个UE的训练波束序列(步骤1c),并且这些可以用于训练波束序列模型。
图8是示出了根据示例实施例的用于预测的波束序列模型的训练(步骤2)的图。根据说明性示例实施例,提供波束序列模型816并且可以基于从步骤1c输出或提供的样本或波束索引序列来训练波束序列模型816。因此,在810,接收用于UE的波束序列子集的过去样本812(其是P个过去的样本或波束索引的第一部分)和相关联的未来样本(波束索引)814(其是F个未来样本或波束索引的第二部分)。过去样本812(包括波束索引:21111……2)被输入到波束序列模型816。波束序列模型816基于输入输出预测的未来样本818(波束索引)集合及其相关联的概率。在该说明性示例中,预测的未来样本818集合包括以下四个波束索引:(2244)。该预测的未来样本818集合被与正确的未来样本814相比较(在820),以计算误差。在这个例子中,正确的未来样本包括波束索引(2243),而预测的未来样本包括波束索引(2244)。因此,在该说明性示例中,指示波束索引4的预测的未来样本818的最后波束索引或样本(819)是不正确的,因为它应该是波束索引3。因此,基于该误差,在822,波束序列模型816的一个或多个参数(诸如神经网络权重)被调谐或调整以减少或最小化误差。这种基于训练样本(过去和未来)集合调整波束序列模型的过程可以针对许多(例如,数百个甚至数千个)训练集和/或许多UE重复,以便训练波束序列模型816(例如,提高其的预测性能)以提供准确的(或更准确的)预测。
图9是示出了根据示例实施例的基于过去波束序列和波束序列模型确定预测的未来波束序列的图。因此,如图9所示,在步骤2,BS的存储器908可以包括来自从一个或多个UE接收的测量报告的数据。存储器908中的测量数据可以指示针对一个或多个测量波束的UE、时间戳和信号参数(例如,RSRP)。在910,可以从存储器中读取或提取最近的(例如,过去6秒内过去600个样本的最佳波束索引)。可以应用波束序列选择或生成标准914来选择所有或至少一些这些波束索引或样本。示例波束序列选择或生成标准可以包括例如采样间隔(例如,每10ms间隔确定一个样本/波束索引);切换功率阈值;驻留时间等。在912,生成用于UE的过去波束序列(例如,基于从存储器908接收的波束索引/样本,并且基于选择或生成标准914),并且被输入到波束序列模型816。类似于图8的框812、816和818中所示的,波束序列模型816(例如,已被训练)基于输入到波束序列模型816的过去波束序列输出或确定预测的未来波束序列。例如,如上所述,一个或多个波束相关动作然后可以基于UE的预测的未来波束序列来执行。
根据示例实施例,可以向波束序列模型馈送(作为输入)服务UE的波束和/或在测量报告中被指示为具有最高或最佳信号参数(例如,在UE测量报告中指示的针对该UE具有最高RSRP的波束序列)的波束的波束索引。
根据示例实施例,新部署的BS最初可以在训练模式下操作。在训练模式中,BS可以指派CSI-RS资源用于报告来自大的波束集合的波束测量报告。这些报告直接用于确定在训练阶段期间服务用户的最佳波束。在此过程期间,由UE使用的波束序列(和/或由UE报告为最佳波束)被捕获并存储在存储器中。因为在这个训练阶段期间没有预测,可能会有一些非最佳的波束序列,例如,最好的TRP/BS可能在切换到那个TRP/BS后不久就被阻塞,并且可能发生无线电链路失败。因此,可以通过使用具有良好测量报告的波束索引序列并抑制具有非常差的信号强度和短驻留时间(即,驻留时间低于特定阈值)的中间波束索引来构建训练数据。驻留时间可以指UE使用或报告特定波束作为最佳或最高RSRP波束的时间段。对于用于UE的过去波束序列,例如,为了训练,系统或BS可以选择在给定时段内服务UE/用户而没有任何中断的实际波束序列,或者根据测量报告构建训练波束序列,忽略增益小于X dB阈值触发的波束切换(例如,省略提供小于阈值增益的波束)或在N ms内后跟另一个切换(例如,省略驻留时间小于N ms的波束)的切换。
根据示例实施例,可以从以下方式观察到的这些波束索引序列构建训练数据(训练序列或训练样本):假设已经使用上述过程采集了跨不同用户的不同长度的M个波束训练序列,并且系统的目标或目的可能是从P个过去波束索引样本中预测任何给定UE的未来F个波束索引。因此,例如,M个波束序列中的每个可以被分割成具有长度为P+F的滑动窗口(例如,参见图7)的重叠段(或子集,诸如子集或段1、2、3)。滑动窗口沿序列滑动X个波束索引以创建新的P+F长度训练段。重叠段或子集增加了可用于训练的段或子集的总数,并还捕获了序列内的相关性。对于训练具有固定输入长度的卷积神经网络(CNN)神经网络模型,如果波束序列的长度小于P+F,则可能会从训练数据中移除序列。当使用递归神经网络(RNN)神经网络模型时,可能会向神经网络输入不同长度的段,因此不应消除小于P+F的序列。所创建的每个段或子集的一部分被保留用于测试预测的准确性。例如,如参考图8所指出的,为了每个波束序列段或子集的训练目的,P个过去波束索引或样本的第一部分812可以用作神经网络或波束序列模型816的输入,并且每个段或子集的F个未来样本或波束索引的对应的第二部分814可以用作F个正确的未来样本或波束索引集合。然后可以将F个预测的未来波束序列818集合与正确的F个未来样本814相比较,以便计算误差。可以调整波束序列模型或神经网络的权重或其他参数以减少误差(例如,参见图8)。
例如,波束序列模型例如,其可以被提供为神经网络(诸如深度神经网络))的一个目标(可以包括,例如,用长度P的输入序列预测长度F的未来序列f。标准反向传播训练可以使用损失函数来执行,该损失函数测量实际未来序列f与预测的序列f^之间的差异。F^最小平方误差(MSE)或交叉熵可以用作例如损失函数。以此方式,训练波束序列模型或神经网络,例如,在调谐神经网络(例如,深度神经网络)的参数或权重的同时最小化损失或误差。BS或系统还可以跟踪损失函数验证集(不用于训练或测试的波束序列段的子集)以避免过度拟合。根据示例实施例,可以使用留出的并且不包括在训练中的测试段来测试预测准确度。例如,准确度可以作为正确波束索引与预测总长度之比给出。
在该领域的推断(或预测模式)中,可以使用过去服务UE的波束索引或经由UE测量报告标识的波束索引针对UE生成波束序列(过去波束序列),其然后输入到波束序列模型或神经网络以预测下一个波束索引。这些波束索引可以在L1-RSRP监测中被优先化(例如,输入到波束序列模型的波束索引可以使用被报告为对于多个采样间隔(例如,每10ms)中的每个具有最高RSRP的波束)。如果预测波束索引属于不同的BS/gNB,则可以在信号或连接失败之前主动开始或发起UE的切换过程,例如,如果预测的未来波束序列中的下一个(或随后)预测波束索引包括或标识由不同(目标)BS/TRP提供的波束。
如上所述,BS/TRP可以例如基于从波束序列模型输出的预测未来波束序列来执行一个或多个波束相关动作。图10是示出了根据示例实施例的一些示例波束相关动作的流程图。这些动作可以包括打开、关闭或调整测量报告的频率或数目。
可能有各种触发条件用于收集最佳波束的测量报告或UE测量数据,例如,其然后可用于预测下一波束或下一波束序列。如前所述,可能存在针对新部署的BS或TRP的训练阶段,并且在该训练阶段期间,TRP或BS可以收集或接收波束RSRP测量报告。一旦波束序列模型被训练,处于操作(或预测)模式的TRP或BS可以连续运行预测模型以预测每个活动UE/用户和BS/TRP的下一个最佳波束(或下一个F波束),例如,为了提高UE和BS之间的整体性能(通过改进用于通信的波束的选择),和/或减少与波束相关的开销(例如,减少波束测量的数目,和/或减少由UE向BS/TRP请求和/或提供的波束测量报告的数目或频率)。
例如,在1010,当资源未被使用并且可用于发送额外的测量报告时,可以触发(1016)测量报告以在低网络利用率期间(1010)重新训练波束序列模型。在1012,当存在一致或足够的网络利用率并且较少资源可用于测量报告(例如,以减少波束测量开销)时,BS可以关闭(1012)广泛的测量报告(例如,降低测量报告的频率或数目)。
在操作(或预测)模式中,可以出于各种原因触发测量,例如:UE刚刚变为活动(1014)并且因此没有足够的历史来运行预测模型。因此在UE从空闲到活动之后的一段时间内,可以触发测量报告(1016)以建立历史。尽管未在图10中示出,来自块1016的输出可以反馈到块1014,因为这可以是连续过程或重复的。同样,块1020、1024和1028的输出可以各自反馈到块1018中,因为这也可以是连续或重复的过程。
在1020,BS可以为每个UE设置不频繁的周期性波束报告(具有比没有预测时所需的频率低得多的频率)以确保预测正确工作。
在1022,BS可以确定UE的切换是否必要。如果是,则BS/TRP可以请求(1024)新的测量报告以准备切换(例如,选择或确认BS将向其执行切换的最佳波束)。具体地,在1024,BS可以请求特定(候选)波束集合的测量报告,以准备切换。
在1026,BS可以确定新波束候选的(多个)概率是否低于阈值(例如,小于50%,或者预测未来波束序列中的接下来两个波束的概率非常接近(因此,没有明确的最佳波束)。因此,在这种情况下,BS可以请求具有最可能的候选波束的新测量报告,例如,因为预测的未来波束序列不提供明确的最佳波束。神经网络(波束序列模型)可以输出或提供最可能波束的索引,而不是以贪婪的方式选择最可能的波束,并且BS可以触发具有概率高于阈值的波束的测量报告,即,当没有具有高概率的单个预测波束索引时(1028)。
BS可能还需要触发额外的测量报告以提高波束预测精度。
示例1.图11是示出了根据示例实施例的系统(例如,BS或TRP)的操作的流程图。操作1110包括由基站确定用于用户设备(UE)的过去波束序列。操作1120包括由基站基于用于用户设备的过去波束序列和波束序列模型确定用户设备的预测的未来波束序列,其中预测未来波束序列指示用于用户设备与基站之间的通信的随时间的波束的预测序列。并且,操作1130包括由基站基于用于用户设备的预测的未来波束序列执行波束相关动作。
示例2.根据示例1所述的方法,其中执行波束相关动作包括由基站执行以下一项或多项:由基站基于用于用户设备的预测的未来波束序列,改变由基站用于向用户设备的下行链路传输的传输波束;由基站基于用于用户设备的预测的未来波束序列,改变由基站用于来自用户设备的上行链路接收的接收波束;由基站基于用于用户设备的预测的未来波束序列,改变要由用户设备向基站提供的波束测量报告的一个或多个方面;由基站向用户设备发送更新的报告配置,以调整要由用户设备在波束测量报告内测量和报告的波束的数目或相关联的参考信号资源的数目;由基站向用户设备发送更新的报告配置,以调整要由用户设备在波束测量报告内测量和报告的一个或多个特定波束的列表或调整要由用户设备在波束测量报告内测量和报告的一个或多个特定参考信号资源的列表;由基站向用户设备发送更新的报告配置,以调整要由用户设备在波束测量报告内测量和报告的波束或参考信号资源的数目;由基站向用户设备发送更新的报告配置,以调整要由用户设备向基站发送的波束测量报告的频率;由基站使用户设备从基站到目标基站的切换被执行;由基站基于与目标基站相关联的波束使用户设备从基站到目标基站的切换被执行,与目标基站相关联的波束在与目标基站相关联的用户设备的预测的未来波束序列中被指示;或者由基站向用户设备发送针对波束测量报告的请求。
示例3.根据示例1至2中任一项的方法,其中波束序列模型包括神经网络。
示例4.根据示例1至3中任一项所述的方法,其中波束序列模型包括神经网络,方法还包括:基于用于一个或多个用户设备(UE)的过去波束序列,训练波束序列模型。
示例5.根据示例1至4中任一项的方法,其中波束序列模型包括神经网络,方法还包括:由基站针对用于一个或多个用户设备(UE)的一个或多个过去波束序列执行以下项:确定用于第一用户设备(UE)的过去波束序列;确定用于所述第一用户设备的过去波束序列的第一部分作为训练期间对波束序列模型的输入;确定用于第一用户设备的过去波束序列的、在时间上在第一部分之后的第二部分作为训练期间波束序列模型的正确输出;基于作为对波束序列模型的输入的过去波束序列的第一部分,确定训练期间从波束序列模型输出的预测的未来波束序列;基于训练期间波束序列模型的正确输出与训练期间由波束序列模型输出的预测的未来序列之间的比较,确定波束序列模型的误差;以及调整波束序列模型的一个或多个权重以减少误差。
示例6.根据示例1至5中任一项所述的方法,其中用于用户设备的预测的未来波束序列包括波束索引的序列和与每个波束索引相关联的概率,其中每个波束索引标识波束。
示例7.根据示例1至6中任一项所述的方法,其中用于用户设备的过去波束序列包括多个波束,其中过去波束序列的每个波束从以下一项或多项被确定:针对一个或多个波束采样间隔,由基站用于向用户设备传输信号或从用户设备接收信号、并且不引起基站和用户设备之间的连接的丢失的波束;针对一个或多个波束采样间隔,由用户设备用于向基站传输信号或从基站接收信号、并且不引起基站和用户设备之间的连接的丢失的波束;由基站从用户设备接收的波束测量报告,波束测量报告指示由用户设备关于基站测量的、具有最高信号测量的一个或多个波束;或者针对一个或多个波束采样间隔,由基站基于从用户设备接收的一组参考信号确定的具有最高信号测量的波束或一组波束。
示例8.根据示例1至7中任一项所述的方法,其中执行波束相关动作包括:由基站基于用于用户设备的预测的未来波束序列,改变要由用户设备向基站提供的波束测量报告的一个或多个方面,包括以下至少一项:要由用户设备在波束测量报告内测量和报告的波束的数目或相关联的参考信号资源的数目;要由用户设备在波束测量报告内测量和报告的一个或多个特定波束的列表或者一个或多个特定参考信号资源的列表;或者要由用户设备向基站发送的波束测量报告的频率。
示例9.根据示例1至8中任一项所述的方法,其中基站包括第一基站,方法还包括:确定在用于用户设备的预测的未来波束序列中列出的特定波束与不同于第一基站的第二基站相关联或由不同于第一基站的第二基站提供;以及其中执行波束相关动作包括由基站执行:由基站基于在用于用户设备的预测的未来波束序列中列出的特定波束,引起用户设备从第一基站到第二基站的切换。
示例10.根据示例1至9中任一项所述的方法,其中基站连接到与第一小区相关联的第一传输接收点和与第二小区相关联的第二传输接收点两者,方法还包括:确定在用于用户设备的预测的未来波束序列中列出的第一波束与第一传输接收点相关联;确定在预测的波束序列中列出的、在时间上在第一波束之后的第二波束与第二传输接收点相关联;其中执行波束相关动作包括:由基站基于在预测的未来波束序列中列出的、与第一传输接收点相关联的第一波束,使无线通信在用户设备与第一传输接收点之间被执行;以及由基站基于在预测的未来波束序列中列出的第二波束,引起用于UE的无线通信从第一传输接收点到第二传输接收点的改变或切换。
示例11.根据示例4至10中任一项所述的方法,其中训练波束序列模型包括基于以下至少一项训练波束序列模型:使用监督学习来训练波束序列模型;使用强化学习来训练波束序列模型;或者使用无监督学习来训练波束序列模型。
示例12.根据示例1至11中任一项所述的方法,其中用于用户设备的过去波束序列包括多个波束,其中过去波束序列的每个波束基于由基站从用户设备接收的波束测量报告来确定,波束测量报告指示由用户设备关于基站测量的、具有最高信号测量的一个或多个波束。
示例13.根据示例1至12中任一项所述的方法,其中用于用户设备的过去波束序列包括多个波束,其中针对一个或多个波束采样间隔,过去波束序列的每个波束基于具有最高信号测量的波束或一组波束来确定,波束或一组波束由基站基于从用户设备接收的一组参考信号来确定。
示例14.根据示例1至13中任一项所述的方法,其中用于用户设备的过去波束序列包括多个波束,其中针对一个或多个波束采样间隔,过去波束序列的每个序列基于由基站或用户设备用于基站和用户设备之间通信、并且不引起基站和用户设备之间的连接的丢失的波束来确定。
示例15.根据示例1至14中任一项所述的方法,其中预测的未来波束序列指示由基站用于执行向用户设备的下行链路传输的随时间的传输波束的预测序列。
示例16.根据示例1至15中任一项所述的方法,其中预测的未来波束序列指示由基站用于执行来自用户设备的上行链路接收的随时间的接收波束的预测序列。
示例17.一种装置,包括用于执行示例1至16中任一项的方法的部件。
示例18.一种非瞬时性计算机可读存储介质,包括存储在其上的指令,该指令在由至少一个处理器执行时被配置为使计算系统执行示例1至16中任一项的方法。
示例19.一种装置,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;至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使装置至少执行示例1至16中任一项的方法。
示例20.一种装置,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;至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使装置至少:由基站确定用于用户设备(UE)的过去波束序列;由基站基于用于用户设备的过去波束序列和波束序列模型确定用于用户设备的预测的未来波束序列,其中预测的未来波束序列指示用于向用户设备的下行链路传输的随时间的波束的预测序列;以及由基站基于用于用户设备的预测的未来波束序列执行波束相关动作。
示例21.根据示例20所述的装置,其中使装置执行波束相关动作包括使装置由基站执行以下一项或多项:由基站基于用于用户设备的预测的未来波束序列,改变由基站用于向用户设备的下行链路传输的传输波束;由基站基于用于用户设备的预测的未来波束序列,改变由基站用于来自用户设备的上行链路接收的接收波束;由基站基于用于用户设备的预测的未来波束序列,改变要由用户设备向基站提供的波束测量报告的一个或多个方面;由基站向用户设备发送更新的报告配置,以调整要由用户设备在波束测量报告内测量和报告的波束的数目或相关联的参考信号资源的数目;由基站向用户设备发送更新的报告配置,以调整要由用户设备在波束测量报告内测量和报告的一个或多个特定波束的列表或调整要由用户设备在波束测量报告内测量和报告的一个或多个特定参考信号资源的列表;由基站向用户设备发送更新的报告配置,以调整要由用户设备在波束测量报告内测量和报告的波束或参考信号资源的数目;由基站向用户设备发送更新的报告配置,以调整要由用户设备向基站发送的波束测量报告的频率;由基站使用户设备从基站到目标基站的切换被执行;由基站基于与目标基站相关联的波束使用户设备从基站到目标基站的切换被执行,与目标基站相关联的波束在用于用户设备的预测的未来波束序列中被指示;或者由基站向用户设备发送针对波束测量报告的请求。
示例22.根据示例20至21中任一项所述的装置,其中波束序列模型包括神经网络。
示例23.根据示例20至22中任一项所述的装置,其中波束序列模型包括神经网络,还使装置:基于用于一个或多个用户设备(UE)的过去波束序列,训练波束序列模型。
示例24.根据示例20至23中任一项所述的装置,其中波束序列模型包括神经网络,还使装置由基站针对用于一个或多个用户设备(UE)的一个或多个过去波束序列执行以下项:确定用于第一用户设备(UE)的过去波束序列;确定用于第一用户设备的过去波束序列的第一部分作为训练期间对波束序列模型的输入;确定用于第一用户设备的过去波束序列的、在时间上在第一部分之后的第二部分作为训练期间波束序列模型的正确输出;基于作为对波束序列模型的输入的过去波束序列的第一部分,确定训练期间从波束序列模型输出的预测的未来波束序列;基于训练期间波束序列模型的正确输出与训练期间由波束序列模型输出的预测未来序列之间的比较,确定波束序列模型的误差;以及调整波束序列模型的一个或多个权重以减少误差。
示例25.根据示例20至24中任一项所述的装置,其中用于用户设备的预测的未来波束序列包括波束索引序列和与每个波束索引相关联的概率,其中每个波束索引标识波束。
示例26.根据示例20至25中任一项所述的装置,其中用于用户设备的过去波束序列包括多个波束,其中过去波束序列的每个波束从以下一项或多项被确定:针对一个或多个波束采样间隔,由基站用于向用户设备传输信号或从用户设备接收信号、并且不引起基站和用户设备之间的连接的丢失的波束;针对一个或多个波束采样间隔,由用户设备用于向基站传输信号或从基站接收信号、并且不引起基站和用户设备之间的连接的丢失的波束;由基站从用户设备接收的波束测量报告,所述波束测量报告指示由所述用户设备关于基站测量的、具有最高信号测量的一个或多个波束;或者针对一个或多个波束采样间隔,由基站基于从用户设备接收的一组参考信号确定的具有最高信号测量的波束或一组波束。
示例27.根据示例20至26中任一项所述的装置,其中使该装置执行波束相关动作包括使该装置:由基站基于用于用户设备的预测的未来波束序列,改变要由用户设备向基站提供的波束测量报告的一个或多个方面,包括以下至少一项:要由用户设备在波束测量报告内测量和报告的波束的数目或相关联的参考信号资源的数目;要由用户设备在波束测量报告内测量和报告的一个或多个特定波束的列表或者一个或多个特定参考信号资源的列表;或者要由用户设备向基站发送的波束测量报告的频率。
示例28.根据示例20至27中任一项所述的装置,其中基站包括第一基站,还使装置:确定在用于用户设备的预测的未来波束序列中列出的特定波束与不同于第一基站的第二基站相关联或由不同于第一基站的第二基站提供;以及其中使装置执行波束相关动作包括使装置:由基站基于在用于用户设备的预测的未来波束序列中列出的特定波束,引起用户设备从第一基站到第二基站的切换。
示例29.根据示例20至28中任一项所述的装置,其中基站连接到与第一小区相关联的第一传输接收点和与第二小区相关联的第二传输接收点两者,还使装置:确定在用于用户设备的预测的未来波束序列中列出的第一波束与第一传输接收点相关联;确定在预测的波束序列中列出的、在时间上在第一波束之后的第二波束与第二传输接收点相关联;以及其中使装置执行波束相关动作包括使装置执行:由基站基于在预测的未来波束序列中列出的、与第一传输接收点相关联的第一波束,使无线通信在用户设备与第一传输接收点之间被执行;以及由基站基于在预测的未来波束序列中列出的所述第二波束,引起用于UE的无线通信从第一传输接收点到第二传输接收点的改变或切换。
示例30.根据示例23至29中任一项所述的装置,使装置训练所述波束序列模型包括以下至少一项:使装置使用监督学习来训练波束序列模型;使装置使用强化学习来训练波束序列模型;或者使装置使用无监督学习来训练波束序列模型。
示例31.根据示例20至30中任一项所述的装置,其中用于用户设备的过去波束序列包括多个波束,其中过去波束序列的每个波束基于由基站从用户设备接收的波束测量报告来确定,波束测量报告指示由用户设备关于基站测量的、具有最高信号测量的一个或多个波束。
示例32.根据示例20至31中任一项所述的装置,其中用于用户设备的过去波束序列包括多个波束,其中针对一个或多个波束采样间隔,过去波束序列的每个波束基于具有最高信号测量的波束或一组波束来确定,波束或一组波束由基站基于从用户设备接收的一组参考信号来确定。
示例33.根据示例20至32中任一项所述的装置,其中用于用户设备的过去波束序列包括多个波束,其中针对一个或多个波束采样间隔,过去波束序列的每个序列基于由基站或用户设备用于基站和用户设备之间通信、并且不引起基站和用户设备之间的连接的丢失的波束来确定。
示例34.根据示例20至33中的任一项所述的装置,其中预测的未来波束序列指示由基站用于执行向用户设备的下行链路传输的随时间的传输波束的预测序列。
示例35.根据示例20至34中任一项所述的装置,其中预测的未来波束序列指示由基站执行来自用户设备的上行链路接收的随时间的接收波束的预测序列。
图12是根据示例实施例的无线站(例如,AP、BS或用户设备、或其他网络节点)1200的框图。无线站1200可以包括例如一个或两个RF(射频)或无线收发器1202A、1202B,其中每个无线收发器包括传输信号的传输器和接收信号的接收器。无线站还包括处理器或控制单元/实体(控制器)1204以执行指令或软件并控制信号的传输和接收,以及存储器1206以存储数据和/或指令。
处理器1204还可以做出决定或确定,生成用于传输的帧、分组或消息,解码接收到的帧或消息用于进一步处理,以及在本文中描述的其他任务或功能。处理器1204,例如,可以是基带处理器,可以生成消息、分组、帧或其他信号以用于经由无线收发器1202(1202A或1202B)传输。处理器1204可以控制通过无线网络的信号或消息的传输,并且可以控制经由无线网络的信号或消息的接收等(例如,在被无线收发器1202下变频之后)。处理器1204可以是可编程的并且能够执行存储在存储器或其他计算机介质上的软件或其他指令,以执行上述各种任务和功能,诸如上述任务或方法中的一项或多项。处理器1204可以是(或可以包括)例如硬件、可编程逻辑、执行软件或固件的可编程处理器和/或这些的任何组合。例如,使用其他术语,处理器1204和收发器1202可以一起被认为是无线传输器/接收器系统。
另外,参考图12,控制器(或处理器)1208可以执行软件和指令,并且可以为站1200提供总体控制,并且可以为图12中未示出的其他系统提供控制,诸如控制输入/输出设备(例如,显示器、键盘),和/或可以执行用于可以在无线站1200上提供的一个或多个应用的软件,诸如电子邮件程序、音频/视频应用、文字处理器、IP语音应用或其他应用或软件。
另外,可以提供包括存储指令的存储介质,这些指令在由控制器或处理器执行时可以引起处理器1204或其他控制器或处理器执行上述功能或任务中的一项或多项。
根据另一个示例实施例,RF或无线收发器1202A/1202B可以接收信号或数据和/或传输或发送信号或数据。处理器1204(以及可能的收发器1202A/1202B)可以控制RF或无线收发器1202A或1202B来接收、发送、广播或传输信号或数据。
然而,实施例不限于作为示例给出的系统,本领域技术人员可以将该解决方案应用于其他通信系统。另一个合适的通信系统示例是5G概念。假设5G中的网络架构将与高级LTE的网络架构非常相似。5G很可能使用多输入多输出(MIMO)天线,比LTE多得多的基站或节点(所谓的小小区概念),包括与较小基站合作操作的宏站点,并且可能还采用各种无线电技术,以实现更好的覆盖和更高的数据速率。
应当理解,未来的网络将最有可能利用网络功能虚拟化(NFV),其是一种网络架构概念,其提议将网络节点功能虚拟化为“构建块”或实体,这些“构建块”或实体可以在操作上连接或链接在一起以提供服务。虚拟化网络功能(VNF)可以包括使用标准或通用类型服务器而不是定制硬件运行计算机程序代码的一个或多个虚拟机。也可以利用云计算或数据存储。在无线电通信中,这可能意味着节点操作可以至少部分地在可操作地耦合到远程无线电头的服务器、主机或节点中执行。节点操作也可能分布在多个服务器、节点或主机之间。还应该理解,核心网络操作和基站操作之间的劳动力分配可能与LTE不同,或者甚至不存在。
本文中描述的各种技术的实施例可以在数字电子电路系统中或者在计算机硬件、固件、软件中或者它们的组合中实现。实施例可以实现为计算机程序产品,即,有形地体现在信息载体中的计算机程序,例如,在机器可读存储设备中或在传播的信号中,用于由数据处理装置(例如,可编程处理器、计算机或多台计算机)执行或控制其操作。还可以在计算机可读介质或计算机可读存储介质上提供实施例,所述计算机可读介质或计算机可读存储介质可以是非瞬时性介质。各种技术的实施例还可以包括经由瞬时信号或介质提供的实施例,和/或程序和/或软件实施例,它们可经由因特网或其他网络(有线网络和/或无线网络)下载。此外,实施例可以经由机器类型通信(MTC)提供,也可以经由物联网(IOT)提供。
计算机程序可以是源代码形式、目标代码形式或一些中间形式,并且它可以存储在某种载体、分发介质或计算机可读介质中,其可以是任何能够携带程序的实体或设备。例如,这样的载体包括记录介质、计算机存储器、只读存储器、光电和/或电载体信号、电信信号和软件分发包。取决于所需的处理能力,计算机程序可以在单个电子数字计算机中执行,也可以分布在多个计算机中。
此外,本文描述的各种技术的实施例可以使用信息物理系统(CPS)(协作计算元件控制物理实体的系统)。CPS可以实现和利用嵌入在不同位置的物理对象中的大量互连ICT设备(传感器、执行器、处理器微控制器……)。移动网络物理系统(其中所讨论的物理系统具有固有的移动性)是网络物理系统的一个子类别。移动物理系统的示例包括由人类或动物运输的移动机器人和电子设备。智能手机的普及增加了人们对移动网络物理系统领域的兴趣。因此,可以经由这些技术中的一种或多种来提供本文描述的技术的各种实施例。
计算机程序(诸如上述(多个)计算机程序)可以以任何形式的编程语言编写,包括编译或解释语言,并且可以以任何形式部署,包括作为独立程序或作为适合在计算环境中使用的模块、组件、子程序或其他单元或其中的一部分。计算机程序可以部署在一台计算机上或在一个站点的多台计算机上执行,或者分布在多个站点并通过通信网络互连。
方法步骤可由一个或多个可编程处理器执行,该处理器执行计算机程序或计算机程序部分以通过对输入数据进行操作并生成输出来执行功能。方法步骤也可以由专用逻辑电路系统来执行,并且装置可以实现为专用逻辑电路系统,例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。
适合于执行计算机程序的处理器包括例如通用和专用微处理器两者,以及任何种类的数字计算机、芯片或芯片组的任何一个或多个处理器。通常,处理器将从只读存储器或随机存取存储器或两者接收指令和数据。计算机的元件可以包括用于执行指令的至少一个处理器和用于存储指令和数据的一个或多个存储器设备。通常,计算机还可以包括、或可操作地耦合到用于存储数据的一个或多个大容量存储设备(例如,磁光盘、磁光盘或光盘),以从一个或多个大容量存储设备接收数据、或将数据传送到一个或多个大容量存储设备、或两者。适用于包含计算机程序指令和数据的信息载体包括所有形式的非易失性存储器,举例来说,包括半导体存储器设备(例如EPROM、EEPROM和闪存设备);磁盘(例如内置硬盘或可移动磁盘);磁光盘;和CD ROM和DVD-ROM磁盘。处理器和存储器可以由专用逻辑电路系统补充或合并到专用逻辑电路系统中。
为了提供与用户的交互,可以在具有用于向用户显示信息的显示设备例如阴极射线管(CRT)或液晶显示器(LCD)监测器和通过其用户可以向计算机提供输入的用户接口(诸如键盘)和定点设备(例如鼠标或轨迹球)的计算机上实现。也可以使用其他类型的设备来提供与用户的交互;例如,向用户提供的反馈可以是任何形式的感官反馈,例如视觉反馈、听觉反馈或触觉反馈;并且可以以任何形式接收来自用户的输入,包括声学、语音或触觉输入。
实施例可以在计算系统中实现,该计算系统包括后端组件,例如作为数据服务器,或者包括中间件组件,例如应用服务器,或者包括前端组件,例如具有图形用户接口或网络浏览器的客户端计算机,用户可通过其与实施例交互,或这样的后端、中间件或前端组件的任何组合进行交互。组件可以通过任何形式或介质的数字数据通信互连,例如通信网络。通信网络的示例包括局域网(LAN)和广域网(WAN),例如互联网。
虽然已如本文所述说明了所描述实施例的某些特征,但本领域技术人员现在将想到许多修改、替换、变化和等效物。因此,应当理解,所附权利要求旨在覆盖落入各种实施例的真实精神内的所有此类修改和变化。

Claims (35)

1.一种装置,包括:
至少一个处理器;和
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被配置为与所述至少一个处理器一起使所述装置至少:
由基站确定用于用户设备(UE)的过去波束序列;
由所述基站基于用于所述用户设备的所述过去波束序列和波束序列模型确定用于所述用户设备的预测的未来波束序列,其中所述预测的未来波束序列指示用于向所述用户设备的下行链路传输的随时间的波束的预测序列;以及
由所述基站基于用于所述用户设备的所述预测的未来波束序列执行波束相关动作。
2.根据权利要求1所述的装置,其中使所述装置执行所述波束相关动作包括使所述装置由所述基站执行以下一项或多项:
由所述基站基于用于所述用户设备的所述预测的未来波束序列,改变由所述基站用于向所述用户设备的下行链路传输的传输波束;
由所述基站基于用于所述用户设备的所述预测的未来波束序列,改变由所述基站用于来自所述用户设备的上行链路接收的接收波束;
由所述基站基于用于所述用户设备的所述预测的未来波束序列,改变要由所述用户设备向所述基站提供的波束测量报告的一个或多个方面;
由所述基站向所述用户设备发送更新的报告配置,以调整要由所述用户设备在波束测量报告内测量和报告的波束的数目或相关联的参考信号资源的数目;
由所述基站向所述用户设备发送更新的报告配置,以调整要由所述用户设备在波束测量报告内测量和报告的一个或多个特定波束的列表或调整要由所述用户设备在所述波束测量报告内测量和报告的一个或多个特定参考信号资源的列表;
由所述基站向所述用户设备发送更新的报告配置,以调整要由所述用户设备在波束测量报告内测量和报告的波束或参考信号资源的数目;
由所述基站向所述用户设备发送更新的报告配置,以调整要由所述用户设备向所述基站发送的波束测量报告的频率;
由所述基站使所述用户设备从所述基站到目标基站的切换被执行;
由所述基站基于与目标基站相关联的波束使所述用户设备从所述基站到所述目标基站的切换被执行,所述与目标基站相关联的波束在用于所述用户设备的所述预测的未来波束序列中被指示;或者
由所述基站向所述用户设备发送针对波束测量报告的请求。
3.根据权利要求1至2中任一项所述的装置,其中所述波束序列模型包括神经网络。
4.根据权利要求1至3中任一项所述的装置,其中所述波束序列模型包括神经网络,还使所述装置:
基于用于一个或多个用户设备(UE)的过去波束序列,训练所述波束序列模型。
5.根据权利要求1至4中任一项所述的装置,其中所述波束序列模型包括神经网络,还使所述装置由所述基站针对用于一个或多个用户设备(UE)的一个或多个过去波束序列执行以下项:
确定用于第一用户设备(UE)的过去波束序列;
确定用于所述第一用户设备的所述过去波束序列的第一部分作为训练期间对所述波束序列模型的输入;
确定用于所述第一用户设备的所述过去波束序列的、在时间上在所述第一部分之后的第二部分作为训练期间所述波束序列模型的正确输出;
基于作为对所述波束序列模型的输入的所述过去波束序列的所述第一部分,确定训练期间从所述波束序列模型输出的预测的未来波束序列;
基于训练期间所述波束序列模型的所述正确输出与训练期间由所述波束序列模型输出的所述预测的未来序列之间的比较,确定所述波束序列模型的误差;以及
调整所述波束序列模型的一个或多个权重以减少所述误差。
6.根据权利要求1至5中任一项所述的装置,其中用于所述用户设备的所述预测的未来波束序列包括波束索引的序列和与每个波束索引相关联的概率,其中每个波束索引标识波束。
7.根据权利要求1至6中任一项所述的装置,其中用于所述用户设备的所述过去波束序列包括多个波束,其中所述过去波束序列的每个波束从以下一项或多项被确定:
针对一个或多个波束采样间隔,由所述基站用于向所述用户设备传输信号或从所述用户设备接收信号、并且不引起所述基站和所述用户设备之间的连接的丢失的波束;
针对一个或多个波束采样间隔,由所述用户设备用于向所述基站传输信号或从所述基站接收信号、并且不引起所述基站和所述用户设备之间的连接的丢失的波束;
由所述基站从所述用户设备接收的波束测量报告,所述波束测量报告指示由所述用户设备关于所述基站测量的、具有最高信号测量的一个或多个波束;或者
针对一个或多个波束采样间隔,由所述基站基于从所述用户设备接收的一组参考信号确定的具有最高信号测量的波束或一组波束。
8.根据权利要求1至7中任一项所述的装置,其中使所述装置执行所述波束相关动作包括使所述装置:
由所述基站基于用于所述用户设备的所述预测的未来波束序列,改变要由所述用户设备向所述基站提供的波束测量报告的一个或多个方面,包括以下至少一项:
要由所述用户设备在波束测量报告内测量和报告的波束的数目或相关联的参考信号资源的数目;
要由所述用户设备在波束测量报告内测量和报告的一个或多个特定波束的列表或者一个或多个特定参考信号资源的列表;或者
要由所述用户设备向所述基站发送的波束测量报告的频率。
9.根据权利要求1至8中任一项所述的装置,其中所述基站包括第一基站,还使所述装置:
确定在用于所述用户设备的所述预测的未来波束序列中列出的特定波束与不同于所述第一基站的第二基站相关联或由不同于所述第一基站的第二基站提供;以及
其中使所述装置执行所述波束相关动作包括使所述装置:
由所述基站基于在用于所述用户设备的所述预测的未来波束序列中列出的所述特定波束,引起所述用户设备从所述第一基站到所述第二基站的切换。
10.根据权利要求1至9中任一项所述的装置,其中所述基站连接到与第一小区相关联的第一传输接收点和与第二小区相关联的第二传输接收点两者,还使所述装置:
确定在用于所述用户设备的所述预测的未来波束序列中列出的第一波束与所述第一传输接收点相关联;
确定在所述预测的波束序列中列出的、在时间上在所述第一波束之后的第二波束与所述第二传输接收点相关联;以及
其中使所述装置执行所述波束相关动作包括使所述装置执行:
由所述基站基于在所述预测的未来波束序列中列出的、与所述第一传输接收点相关联的所述第一波束,使无线通信在所述用户设备与所述第一传输接收点之间被执行;以及
由所述基站基于在所述预测的未来波束序列中列出的所述第二波束,引起用于所述UE的无线通信从所述第一传输接收点到所述第二传输接收点的改变或切换。
11.根据权利要求4至10中任一项所述的装置,其中使所述装置训练所述波束序列模型包括以下至少一项:
使所述装置使用监督学习来训练所述波束序列模型;
使所述装置使用强化学习来训练所述波束序列模型;或者
使所述装置使用无监督学习来训练所述波束序列模型。
12.根据权利要求1至11中任一项所述的装置,其中用于所述用户设备的所述过去波束序列包括多个波束,其中所述过去波束序列的每个波束基于由所述基站从所述用户设备接收的波束测量报告来确定,所述波束测量报告指示由所述用户设备关于所述基站测量的、具有最高信号测量的一个或多个波束。
13.根据权利要求1至12中任一项所述的装置,其中用于所述用户设备的所述过去波束序列包括多个波束,其中针对一个或多个波束采样间隔,所述过去波束序列的每个波束基于具有最高信号测量的波束或一组波束来确定,所述波束或一组波束由所述基站基于从所述用户设备接收的一组参考信号来确定。
14.根据权利要求1至13中任一项所述的装置,其中用于所述用户设备的所述过去波束序列包括多个波束,其中针对一个或多个波束采样间隔,所述过去波束序列的每个序列基于由所述基站或所述用户设备用于所述基站和所述用户设备之间通信的、并且不引起所述基站和所述用户设备之间的连接的丢失的波束来确定。
15.根据权利要求1至14中任一项所述的装置,其中所述预测的未来波束序列指示由所述基站用于执行向所述用户设备的下行链路传输的随时间的传输波束的预测序列。
16.根据权利要求1至15中任一项所述的装置,其中所述预测的未来波束序列指示由所述基站用于执行来自所述用户设备的上行链路接收的随时间的接收波束的预测序列。
17.一种方法,包括:
由基站确定用于用户设备(UE)的过去波束序列;
由所述基站基于用于所述用户设备的所述过去波束序列和波束序列模型确定用于所述用户设备的预测的未来波束序列,其中所述预测的未来波束序列指示用于所述用户设备和所述基站之间的通信的随时间的波束的预测序列;以及
由所述基站基于用于所述用户设备的所述预测的未来波束序列执行波束相关动作。
18.根据权利要求17所述的方法,其中执行所述波束相关动作包括由所述基站执行以下一项或多项:
由所述基站基于用于所述用户设备的所述预测的未来波束序列,改变由所述基站用于向所述用户设备的下行链路传输的传输波束;
由所述基站基于用于所述用户设备的所述预测的未来波束序列,改变由所述基站用于来自所述用户设备的上行链路接收的接收波束;
由所述基站基于用于所述用户设备的所述预测的未来波束序列,改变要由所述用户设备向所述基站提供的波束测量报告的一个或多个方面;
由所述基站向所述用户设备发送更新的报告配置,以调整要由所述用户设备在波束测量报告内测量和报告的波束的数目或相关联的参考信号资源的数目;
由所述基站向所述用户设备发送更新的报告配置,以调整要由所述用户设备在波束测量报告内测量和报告的一个或多个特定波束的列表或调整要由所述用户设备在所述波束测量报告内测量和报告的一个或多个特定参考信号资源的列表;
由所述基站向所述用户设备发送更新的报告配置,以调整要由所述用户设备在波束测量报告内测量和报告的波束或参考信号资源的数目;
由所述基站向所述用户设备发送更新的报告配置,以调整要由所述用户设备向所述基站发送的波束测量报告的频率;
由所述基站使所述用户设备从所述基站到目标基站的切换被执行;
由所述基站基于与目标基站相关联的波束使所述用户设备从所述基站到所述目标基站的切换被执行,所述与目标基站相关联的波束在用于所述用户设备的所述预测的未来波束序列中被指示;或者
由所述基站向所述用户设备发送针对波束测量报告的请求。
19.根据权利要求17至18中任一项所述的方法,其中所述波束序列模型包括神经网络。
20.根据权利要求17至19中任一项所述的方法,其中所述波束序列模型包括神经网络,所述方法还包括:
基于用于一个或多个用户设备(UE)的过去波束序列训练所述波束序列模型。
21.根据权利要求17至20中任一项所述的方法,其中所述波束序列模型包括神经网络,所述方法还包括由所述基站针对用于一个或多个用户设备(UE)的一个或多个过去波束序列执行以下项:
确定用于第一用户设备(UE)的过去波束序列;
确定用于所述第一用户设备的所述过去波束序列的第一部分作为训练期间对所述波束序列模型的输入;
确定用于所述第一用户设备的所述过去波束序列的、在时间上在所述第一部分之后的第二部分作为训练期间所述波束序列模型的正确输出;
基于作为对所述波束序列模型的输入的所述过去波束序列的所述第一部分,确定训练期间从所述波束序列模型输出的预测的未来波束序列;
基于训练期间所述波束序列模型的所述正确输出与训练期间由所述波束序列模型输出的所述预测的未来序列之间的比较,确定所述波束序列模型的误差;以及
调整所述波束序列模型的一个或多个权重以减少所述误差。
22.根据权利要求17至21中任一项所述的方法,其中用于所述用户设备的所述预测的未来波束序列包括波束索引的序列和与每个波束索引相关联的概率,其中每个波束索引标识波束。
23.根据权利要求17至22中任一项所述的方法,其中用于所述用户设备的所述过去波束序列包括多个波束,其中所述过去波束序列的每个波束从以下一项或多项被确定:
针对一个或多个波束采样间隔,由所述基站用于向所述用户设备传输信号或从所述用户设备接收信号、并且不引起所述基站和所述用户设备之间的连接的丢失的波束;
针对一个或多个波束采样间隔,由所述用户设备用于向所述基站传输信号或从所述基站接收信号、并且不引起所述基站和所述用户设备之间的连接的丢失的波束;
由所述基站从所述用户设备接收的波束测量报告,所述波束测量报告指示由所述用户设备关于所述基站测量的、具有最高信号测量的一个或多个波束;或者
针对一个或多个波束采样间隔,由所述基站基于从所述用户设备接收的一组参考信号确定的具有最高信号测量的波束或一组波束。
24.根据权利要求17至23中任一项所述的方法,其中执行所述波束相关动作包括:
由所述基站基于用于所述用户设备的所述预测的未来波束序列,改变要由所述用户设备向所述基站提供的波束测量报告的一个或多个方面,包括以下至少一项:
要由所述用户设备在波束测量报告内测量和报告的波束的数目或相关联的参考信号资源的数目;
要由所述用户设备在波束测量报告内测量和报告的一个或多个特定波束的列表或者一个或多个特定参考信号资源的列表;或者
要由所述用户设备向所述基站发送的波束测量报告的频率。
25.根据权利要求17至24中任一项所述的方法,其中所述基站包括第一基站,所述方法还包括:
确定在用于所述用户设备的所述预测的未来波束序列中列出的特定波束与不同于所述第一基站的第二基站相关联或由不同于所述第一基站的第二基站提供;以及
其中执行所述波束相关动作包括由所述基站执行:
由所述基站基于在用于所述用户设备的所述预测的未来波束序列中列出的所述特定波束,引起所述用户设备从所述第一基站到所述第二基站的切换。
26.根据权利要求17至25中任一项所述的方法,其中所述基站连接到与第一小区相关联的第一传输接收点和与第二小区相关联的第二传输接收点两者,所述方法还包括:
确定在用于所述用户设备的所述预测的未来波束序列中列出的第一波束与所述第一传输接收点相关联;
确定在所述预测的波束序列中列出的、在时间上在所述第一波束之后的第二波束与所述第二传输接收点相关联;以及
其中执行所述波束相关动作包括由所述基站执行:
由所述基站基于在所述预测的未来波束序列中列出的、与所述第一传输接收点相关联的所述第一波束,使无线通信在所述用户设备与所述第一传输接收点之间被执行;以及
由所述基站基于在所述预测的未来波束序列中列出的所述第二波束,引起用于所述UE的无线通信从所述第一传输接收点到所述第二传输接收点的改变或切换。
27.根据权利要求20所述的方法,其中训练所述波束序列模型包括基于以下至少一项训练所述波束序列模型:
使用监督学习来训练所述波束序列模型;
使用强化学习来训练所述波束序列模型;或者
使用无监督学习来训练所述波束序列模型。
28.根据权利要求17至27中任一项所述的方法,其中用于所述用户设备的所述过去波束序列包括多个波束,其中所述过去波束序列的每个波束基于由所述基站从所述用户设备接收的波束测量报告来确定,所述波束测量报告指示由所述用户设备关于所述基站测量的、具有最高信号测量的一个或多个波束。
29.根据权利要求17至28中任一项所述的方法,其中用于所述用户设备的所述过去波束序列包括多个波束,其中针对一个或多个波束采样间隔,所述过去波束序列的每个波束基于具有最高信号测量的波束或一组波束来确定,所述波束或一组波束由所述基站基于从所述用户设备接收的一组参考信号来确定。
30.根据权利要求17至29中任一项所述的方法,其中用于所述用户设备的所述过去波束序列包括多个波束,其中针对一个或多个波束采样间隔,所述过去波束序列的每个序列基于由所述基站或所述用户设备用于所述基站和所述用户设备之间通信的、并且不引起所述基站和所述用户设备之间的连接的丢失的波束来确定。
31.根据权利要求17至30中任一项所述的方法,其中所述预测的未来波束序列指示由所述基站用于执行向所述用户设备的下行链路传输的随时间的传输波束的预测序列。
32.根据权利要求17至31中任一项所述的方法,其中所述预测的未来波束序列指示由所述基站用于执行来自所述用户设备的上行链路接收的随时间的接收波束的预测序列。
33.一种装置,包括用于执行根据权利要求17至32中任一项所述的方法的部件。
34.一种非瞬时性计算机可读存储介质,包括存储在其上的指令,所述指令在由至少一个处理器执行时被配置为使计算系统执行根据权利要求17至32中任一项所述的方法。
35.一种装置,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;
所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使所述装置至少执行根据权利要求17至32中任一项所述的方法。
CN201980097290.7A 2019-04-17 2019-04-17 无线网络的波束预测 Pending CN113994598A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2019/027998 WO2020214168A1 (en) 2019-04-17 2019-04-17 Beam prediction for wireless networks

Publications (1)

Publication Number Publication Date
CN113994598A true CN113994598A (zh) 2022-01-28

Family

ID=66440144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980097290.7A Pending CN113994598A (zh) 2019-04-17 2019-04-17 无线网络的波束预测

Country Status (4)

Country Link
US (1) US20220190883A1 (zh)
EP (1) EP3956992A1 (zh)
CN (1) CN113994598A (zh)
WO (1) WO2020214168A1 (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023179651A1 (zh) * 2022-03-23 2023-09-28 维沃移动通信有限公司 波束处理方法、装置及设备
WO2023198093A1 (zh) * 2022-04-13 2023-10-19 维沃移动通信有限公司 模型有效性的确定方法、装置及通信设备
WO2023197326A1 (en) * 2022-04-15 2023-10-19 Nec Corporation Methods, devices, and computer readable medium for communication
WO2023206163A1 (zh) * 2022-04-27 2023-11-02 Oppo广东移动通信有限公司 无线通信的方法、网络设备和终端设备
WO2023212890A1 (en) * 2022-05-06 2023-11-09 Qualcomm Incorporated Techniques for beam characteristic prediction using federated learning processes
WO2024031535A1 (zh) * 2022-08-11 2024-02-15 Oppo广东移动通信有限公司 无线通信方法、终端设备和网络设备
WO2024046206A1 (zh) * 2022-08-30 2024-03-07 维沃移动通信有限公司 接收方法、设备及可读存储介质
WO2024066620A1 (zh) * 2022-09-30 2024-04-04 大唐移动通信设备有限公司 波束指示方法、装置及存储介质
WO2024067248A1 (zh) * 2022-09-30 2024-04-04 华为技术有限公司 一种获取训练数据集的方法和装置
WO2024065251A1 (en) * 2022-09-28 2024-04-04 Qualcomm Incorporated Channel characteristic predictions based at least in part on subset of downlink reference signal resources
WO2024066774A1 (zh) * 2022-09-30 2024-04-04 中兴通讯股份有限公司 波束上报方法、通信设备、存储介质及程序产品
WO2024093140A1 (en) * 2022-11-02 2024-05-10 Qualcomm Incorporated Techniques for identifying time domain occasions for beam prediction
WO2024099091A1 (zh) * 2022-11-10 2024-05-16 维沃移动通信有限公司 波束预测方法、装置、终端、网络侧设备及存储介质
WO2024099094A1 (zh) * 2022-11-10 2024-05-16 维沃移动通信有限公司 波束测量方法、装置、终端、网络侧设备及存储介质
WO2024103197A1 (en) * 2022-11-14 2024-05-23 Qualcomm Incorporated Overhead reduction for feedback on beam prediction results
WO2024113198A1 (en) * 2022-11-30 2024-06-06 Qualcomm Incorporated Techniques for beam management using model adaptation
WO2024119492A1 (zh) * 2022-12-09 2024-06-13 Oppo广东移动通信有限公司 无线通信的方法及设备
WO2024164969A1 (zh) * 2023-02-09 2024-08-15 索尼集团公司 电子设备、用于无线通信的方法以及计算机可读存储介质
WO2024178525A1 (en) * 2023-02-27 2024-09-06 Qualcomm Incorporated User equipment features for beam prediction

Families Citing this family (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113812192A (zh) * 2019-05-10 2021-12-17 瑞典爱立信有限公司 用于无线电波束确定的方法和设备
EP3987841A1 (en) * 2019-06-19 2022-04-27 Telefonaktiebolaget LM Ericsson (publ) Machine learning for handover
WO2021028115A1 (en) * 2019-08-15 2021-02-18 Sony Corporation Methods for capability signalling, wireless devices and network nodes
US20220053433A1 (en) * 2020-08-14 2022-02-17 Qualcomm Incorporated Information for wireless communication repeater device
US11563611B1 (en) 2020-09-21 2023-01-24 Sprint Spectrum Lp Adjusting reference signal reporting based on uplink channel conditions
US11664857B2 (en) 2020-10-28 2023-05-30 Qualcomm Incorporated Techniques for blockage sensor assisted beam management
US11764856B2 (en) * 2020-12-09 2023-09-19 Qualcomm Incorporated Enhanced frequency range 2 (FR2) sidelink re-discovery
US20220225385A1 (en) * 2021-01-14 2022-07-14 Qualcomm Incorporated Techniques for common beam update rules for scheduled communications
CN116897515A (zh) * 2021-02-19 2023-10-17 联想(新加坡)私人有限公司 无线通信的波束序列的报告
EP4111739A1 (en) * 2021-03-22 2023-01-04 Huawei Technologies Co., Ltd. Network device and method for training of mobile station movement prediction
US11659408B2 (en) 2021-04-19 2023-05-23 Qualcomm Incorporated Indicating beam pattern information corresponding to a comparison between synchronization signal block beams
US20240195475A1 (en) * 2021-04-23 2024-06-13 Telefonaktiebolaget Lm Ericsson (Publ) Coverage anomaly detection and optimization in beam management using machine learning
US20220369141A1 (en) * 2021-05-11 2022-11-17 Qualcomm Incorporated Beam inference for multiple transmit receive point communications
US20220368399A1 (en) * 2021-05-14 2022-11-17 Qualcomm Incorporated Techniques for selecting a beam pair using single layer measurements
US11627541B2 (en) 2021-06-22 2023-04-11 Qualcomm Incorporated Predictive methods for SSB beam measurements
WO2023280380A1 (en) * 2021-07-05 2023-01-12 Telefonaktiebolaget Lm Ericsson (Publ) Methods and apparatus for beam management
US12016006B2 (en) 2021-09-20 2024-06-18 Qualcomm Incorporated Beam report triggers autonomous beam hopping
CN116055012A (zh) * 2021-10-21 2023-05-02 华为技术有限公司 一种通信方法及装置
CN115833891A (zh) * 2021-11-12 2023-03-21 中兴通讯股份有限公司 人工智能预测波束的检测方法、节点和存储介质
US11569893B1 (en) 2021-12-08 2023-01-31 Nec Corporation User equipment trajectory based beam selection
CN118661464A (zh) * 2022-01-18 2024-09-17 Oppo广东移动通信有限公司 基于机器学习的由ue发起的波束切换的方法和装置
WO2023147875A1 (en) * 2022-02-04 2023-08-10 Telefonaktiebolaget Lm Ericsson (Publ) Selective beam sweeping using machine learning
WO2023211350A1 (en) * 2022-04-29 2023-11-02 Telefonaktiebolaget Lm Ericsson (Publ) User equipment assistance information for improved network beam predictions
US20230353264A1 (en) * 2022-04-29 2023-11-02 Qualcomm Incorporated Machine learning for beam predictions with confidence indications
WO2023212916A1 (en) * 2022-05-06 2023-11-09 Qualcomm Incorporated Machine learning for beam prediction
WO2023218362A1 (en) * 2022-05-09 2023-11-16 Lenovo (Singapore) Pte. Ltd. Techniques for channel state information measurement and reporting
WO2023224132A1 (ko) * 2022-05-16 2023-11-23 엘지전자 주식회사 무선통신 시스템에서 이동 노드의 빔 트랙킹 방법 및 상기 방법을 이용하는 장치
WO2023236098A1 (en) * 2022-06-08 2023-12-14 Apple Inc. Method and procedure for ai based csi feedback with csi prediction
WO2023249604A1 (en) 2022-06-20 2023-12-28 Nokia Technologies Oy Confidence-based advanced trajectory prediction
WO2024005454A1 (ko) * 2022-06-28 2024-01-04 주식회사 케이티 인공지능 및 머신러닝을 이용한 빔 관리 방법 및 장치
WO2024000385A1 (en) * 2022-06-30 2024-01-04 Qualcomm Incorporated Blockage prediction report
WO2024010381A1 (ko) * 2022-07-07 2024-01-11 엘지전자 주식회사 무선 통신 시스템에서 지속적 빔 예측 보고를 송신하는 방법 및 이를 위한 장치
WO2024013433A1 (en) * 2022-07-13 2024-01-18 Nokia Technologies Oy Method, apparatus and computer program
WO2024020787A1 (en) * 2022-07-26 2024-02-01 Nec Corporation Method, device and computer readable medium for communication
WO2024031323A1 (en) * 2022-08-09 2024-02-15 Qualcomm Incorporated Qos specific beam prediction
WO2024035324A1 (en) * 2022-08-11 2024-02-15 Telefonaktiebolaget Lm Ericsson (Publ) Method for data collection for spatial domain beam predictions
WO2024033889A1 (en) * 2022-08-12 2024-02-15 Telefonaktiebolaget Lm Ericsson (Publ) Systems and methods for data collection for beamformed systems
WO2024031664A1 (zh) * 2022-08-12 2024-02-15 北京小米移动软件有限公司 性能指示发送、接收方法、装置、设备及存储介质
WO2024035323A1 (en) * 2022-08-12 2024-02-15 Telefonaktiebolaget Lm Ericsson (Publ) Methods for improving ue beam prediction procedures based on beam identifiers
CN117639852A (zh) * 2022-08-19 2024-03-01 中兴通讯股份有限公司 波束参数信息的反馈、接收方法,通信节点及存储介质
CN117693021A (zh) * 2022-09-08 2024-03-12 华为技术有限公司 一种波束管理方法
WO2024055227A1 (en) * 2022-09-15 2024-03-21 Qualcomm Incorporated Beam management procedures using predicted beam measurements
WO2024060108A1 (en) * 2022-09-22 2024-03-28 Qualcomm Incorporated Predictive beam management
WO2024060107A1 (en) * 2022-09-22 2024-03-28 Qualcomm Incorporated Panel information report based on ue beam prediction
WO2024065239A1 (en) * 2022-09-28 2024-04-04 Qualcomm Incorporated Hierarchical channel measurement resource beam shape indication for ue based predictive beam measurement
CN117997458A (zh) * 2022-11-01 2024-05-07 索尼集团公司 电子设备、用于无线通信的方法以及计算机可读存储介质
WO2024092498A1 (zh) * 2022-11-01 2024-05-10 Oppo广东移动通信有限公司 无线通信的方法及设备
WO2024092786A1 (zh) * 2022-11-04 2024-05-10 北京小米移动软件有限公司 一种通信方法、装置、设备及存储介质
CN118509904A (zh) * 2023-02-16 2024-08-16 华为技术有限公司 通信方法及装置
WO2024170213A1 (en) * 2023-02-16 2024-08-22 Nokia Technologies Oy Beam determination in deployments with network controlled repeaters
WO2024168791A1 (en) * 2023-02-17 2024-08-22 Qualcomm Incorporated Indication of beam identifier in beam prediction reporting
WO2024183971A1 (en) * 2023-03-08 2024-09-12 Nokia Technologies Oy Systems and methods for beam prediction using neural network at network node side and user equipment side
WO2024197743A1 (en) * 2023-03-30 2024-10-03 Nec Corporation Devices and methods for communication

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019004885A1 (en) * 2017-06-29 2019-01-03 Telefonaktiebolaget Lm Ericsson (Publ) FIRST RADIO NODE AND ASSOCIATED METHODS FOR ADJUSTING A BEAM SET FOR COMMUNICATION IN A WIRELESS COMMUNICATION NETWORK
WO2019029802A1 (en) * 2017-08-09 2019-02-14 Telefonaktiebolaget Lm Ericsson (Publ) SYSTEM AND METHOD FOR SELECTING ANTENNA BEAM
WO2019045606A1 (en) * 2017-08-30 2019-03-07 Telefonaktiebolaget Lm Ericsson (Publ) WIRELESS DEVICE FOR DETERMINING THE BEST ANTENNA BEAM AND ASSOCIATED METHOD
CN109617584A (zh) * 2019-01-08 2019-04-12 南京邮电大学 一种基于深度学习的mimo系统波束成形矩阵设计方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10075852B2 (en) * 2015-05-28 2018-09-11 Samsung Electronics Co., Ltd. Apparatus and method for scheduling beam scheduling in wireless communications network
US10230447B2 (en) * 2016-10-03 2019-03-12 Qualcomm Incorporated Fast beam recovery using beam information in the measurement report

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019004885A1 (en) * 2017-06-29 2019-01-03 Telefonaktiebolaget Lm Ericsson (Publ) FIRST RADIO NODE AND ASSOCIATED METHODS FOR ADJUSTING A BEAM SET FOR COMMUNICATION IN A WIRELESS COMMUNICATION NETWORK
WO2019029802A1 (en) * 2017-08-09 2019-02-14 Telefonaktiebolaget Lm Ericsson (Publ) SYSTEM AND METHOD FOR SELECTING ANTENNA BEAM
WO2019045606A1 (en) * 2017-08-30 2019-03-07 Telefonaktiebolaget Lm Ericsson (Publ) WIRELESS DEVICE FOR DETERMINING THE BEST ANTENNA BEAM AND ASSOCIATED METHOD
CN109617584A (zh) * 2019-01-08 2019-04-12 南京邮电大学 一种基于深度学习的mimo系统波束成形矩阵设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
唐亚平;徐大专;朱秋明;任佳敏;鲍军委;: "基于三维高斯波束的传播损耗快速预测算法", 微波学报, no. 01, 15 February 2014 (2014-02-15) *
徐生瑜;: "Fourier神经网络预测模型研究", 信息通信, no. 03, 15 June 2012 (2012-06-15) *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023179651A1 (zh) * 2022-03-23 2023-09-28 维沃移动通信有限公司 波束处理方法、装置及设备
WO2023198093A1 (zh) * 2022-04-13 2023-10-19 维沃移动通信有限公司 模型有效性的确定方法、装置及通信设备
WO2023197326A1 (en) * 2022-04-15 2023-10-19 Nec Corporation Methods, devices, and computer readable medium for communication
WO2023206163A1 (zh) * 2022-04-27 2023-11-02 Oppo广东移动通信有限公司 无线通信的方法、网络设备和终端设备
WO2023212890A1 (en) * 2022-05-06 2023-11-09 Qualcomm Incorporated Techniques for beam characteristic prediction using federated learning processes
WO2024031535A1 (zh) * 2022-08-11 2024-02-15 Oppo广东移动通信有限公司 无线通信方法、终端设备和网络设备
WO2024046206A1 (zh) * 2022-08-30 2024-03-07 维沃移动通信有限公司 接收方法、设备及可读存储介质
WO2024065251A1 (en) * 2022-09-28 2024-04-04 Qualcomm Incorporated Channel characteristic predictions based at least in part on subset of downlink reference signal resources
WO2024066774A1 (zh) * 2022-09-30 2024-04-04 中兴通讯股份有限公司 波束上报方法、通信设备、存储介质及程序产品
WO2024067248A1 (zh) * 2022-09-30 2024-04-04 华为技术有限公司 一种获取训练数据集的方法和装置
WO2024066620A1 (zh) * 2022-09-30 2024-04-04 大唐移动通信设备有限公司 波束指示方法、装置及存储介质
WO2024093140A1 (en) * 2022-11-02 2024-05-10 Qualcomm Incorporated Techniques for identifying time domain occasions for beam prediction
WO2024092541A1 (en) * 2022-11-02 2024-05-10 Qualcomm Incorporated Techniques for identifying time domain occasions for beam prediction
WO2024099091A1 (zh) * 2022-11-10 2024-05-16 维沃移动通信有限公司 波束预测方法、装置、终端、网络侧设备及存储介质
WO2024099094A1 (zh) * 2022-11-10 2024-05-16 维沃移动通信有限公司 波束测量方法、装置、终端、网络侧设备及存储介质
WO2024103197A1 (en) * 2022-11-14 2024-05-23 Qualcomm Incorporated Overhead reduction for feedback on beam prediction results
WO2024113198A1 (en) * 2022-11-30 2024-06-06 Qualcomm Incorporated Techniques for beam management using model adaptation
WO2024119492A1 (zh) * 2022-12-09 2024-06-13 Oppo广东移动通信有限公司 无线通信的方法及设备
WO2024164969A1 (zh) * 2023-02-09 2024-08-15 索尼集团公司 电子设备、用于无线通信的方法以及计算机可读存储介质
WO2024178525A1 (en) * 2023-02-27 2024-09-06 Qualcomm Incorporated User equipment features for beam prediction

Also Published As

Publication number Publication date
US20220190883A1 (en) 2022-06-16
WO2020214168A1 (en) 2020-10-22
EP3956992A1 (en) 2022-02-23

Similar Documents

Publication Publication Date Title
CN113994598A (zh) 无线网络的波束预测
CN113661727B (zh) 用于无线网络的无线电接入网(ran)节点的神经网络的配置
US11283489B2 (en) Dynamic thresholds for antenna switching diversity
CN113475157B (zh) 用于无线网络的连接行为标识
WO2021211703A1 (en) Machine learning model selection in beamformed communications
US20220294666A1 (en) Method for support of artificial intelligence or machine learning techniques for channel estimation and mobility enhancements
Mismar et al. Partially blind handovers for mmWave new radio aided by sub-6 GHz LTE signaling
US20230269606A1 (en) Measurement configuration for local area machine learning radio resource management
US20240137783A1 (en) Signalling support for split ml-assistance between next generation random access networks and user equipment
Gannapathy et al. A Smart Handover Strategy for 5G mmWave Dual Connectivity Networks
KR20240116893A (ko) 무선 통신 시스템에서 통신을 수행하는 방법 및 장치
WO2022216388A1 (en) Sensor-based determination of a provisioned route beam list
CN116017493A (zh) 模型请求方法、模型请求处理方法及相关设备
US20240107347A1 (en) Machine learning model selection for beam prediction for wireless networks
US20240306026A1 (en) Correlation-based measurement reporting reduction
US20240121773A1 (en) User equipment and base station operating based on communication model, and operating method thereof
WO2023168589A1 (en) Machine learning models for predictive resource management
US20240340942A1 (en) Sidelink signal sensing of passively reflected signal to predict decrease in radio network performance of a user node-network node radio link
WO2023205928A1 (en) Predictive beam management mode switching
WO2024208463A1 (en) Ue stationary condition prediction to adjust ue configuration for wireless networks
CN117955538A (zh) 基于用户上下文感知ml的csi测量放宽
WO2024027911A1 (en) Task specific models for wireless networks
CN118556371A (zh) 利用机器学习的用户设备(ue)波束预测
WO2023208363A1 (en) Beam alignment for wireless networks based on pre-trained machine learning model and angle of arrival
WO2023198275A1 (en) User equipment machine learning action decision and evaluation

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