CN114070676A - Ai网络模型支持能力上报、接收方法及装置、存储介质、用户设备、基站 - Google Patents
Ai网络模型支持能力上报、接收方法及装置、存储介质、用户设备、基站 Download PDFInfo
- Publication number
- CN114070676A CN114070676A CN202010780069.6A CN202010780069A CN114070676A CN 114070676 A CN114070676 A CN 114070676A CN 202010780069 A CN202010780069 A CN 202010780069A CN 114070676 A CN114070676 A CN 114070676A
- Authority
- CN
- China
- Prior art keywords
- network model
- capability
- supporting
- reporting
- user equipment
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000004590 computer program Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 10
- 230000000977 initiatory effect Effects 0.000 claims description 7
- 238000013468 resource allocation Methods 0.000 claims description 2
- 230000001960 triggered effect Effects 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 description 196
- 101100533725 Mus musculus Smr3a gene Proteins 0.000 description 9
- 230000011664 signaling Effects 0.000 description 9
- 101150096310 SIB1 gene Proteins 0.000 description 5
- 101100274486 Mus musculus Cited2 gene Proteins 0.000 description 4
- 101150096622 Smr2 gene Proteins 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access, e.g. scheduled or random access
- H04W74/08—Non-scheduled or contention based access, e.g. random access, ALOHA, CSMA [Carrier Sense Multiple Access]
- H04W74/0833—Non-scheduled or contention based access, e.g. random access, ALOHA, CSMA [Carrier Sense Multiple Access] using a random access procedure
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- 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
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access, e.g. scheduled or random access
- H04W74/002—Transmission of channel access control information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access, e.g. scheduled or random access
- H04W74/002—Transmission of channel access control information
- H04W74/004—Transmission of channel access control information in the uplink, i.e. towards network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access, e.g. scheduled or random access
- H04W74/002—Transmission of channel access control information
- H04W74/006—Transmission of channel access control information in the downlink, i.e. towards the terminal
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0224—Channel estimation using sounding signals
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种AI网络模型支持能力上报、接收方法及装置、存储介质、用户设备、基站,AI网络模型支持能力上报方法包括:确定支持AI网络模型的能力,所述支持AI网络模型的能力包括是否支持采用AI网络模型进行信道估计;在随机接入过程中使用上行资源上报所述支持AI网络模型的能力,或者在连接态触发上报所述支持AI网络模型的能力。本发明技术方案能够使得基站获知用户设备侧关于AI网络模型的相关参数。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种AI网络模型支持能力上报、接收方法及装置、存储介质、用户设备、基站。
背景技术
在信道估计中,应用人工智能(Artificial Intelligence,AI)算法的目的是把信道估计过程,即由导频估计出所有信道值的过程类比为传统的图像恢复/去噪过程,用图像恢复/去噪的深度学习算法来完成信道估计。
目前,基于AI网络模型进行信道估计是在用户设备侧完成的。用户设备能够获知其配置的各个AI网络模型的性能及输入输出的Size(大小)等。
但是,对于基站如何获知用户设备侧关于AI网络模型的相关参数是一个亟待解决的技术问题。
发明内容
本发明解决的技术问题是如何使得基站获知用户设备侧关于AI网络模型的相关参数。
为解决上述技术问题,本发明实施例提供一种AI网络模型支持能力上报方法,AI网络模型支持能力上报方法包括:确定支持AI网络模型的能力,所述支持AI网络模型的能力包括是否支持采用AI网络模型进行信道估计;在随机接入过程中使用上行资源上报所述支持AI网络模型的能力,或者在连接态触发上报所述支持AI网络模型的能力。
可选的,所述在随机接入过程中使用上行资源上报所述支持AI网络模型的能力包括:使用发送前导码的时频资源上报所述支持AI网络模型的能力。
可选的,所述使用发送前导码的时频资源上报所述支持AI网络模型的能力包括:确定RO的子集及其类型,所述RO的子集的类型包括用于供支持AI网络模型的用户设备发起随机接入以及用于供不支持AI网络模型的用户设备发起随机接入;根据所述支持AI网络模型的能力以及所述RO的子集的类型确定实际使用的RO的子集,并使用所述实际使用的RO的子集中任一RO发起随机接入。
可选的,所述确定RO的子集及其类型之前还包括:接收来自基站配置的RO的子集及其类型。
可选的,所述使用发送前导码的时频资源上报所述支持AI网络模型的能力包括:确定前导码子集及其类型,所述前导码子集的类型包括用于供支持AI网络模型的用户设备发起随机接入以及用于供不支持AI网络模型的用户设备发起随机接入;根据所述支持AI网络模型的能力以及所述前导码子集的类型确定实际使用的前导码子集,并选取所述实际使用的前导码子集中的前导码进行发送。
可选的,所述在随机接入过程中使用上行资源上报所述支持AI网络模型的能力包括:使用消息3上报所述支持AI网络模型的能力。
可选的,所述在连接态触发上报所述支持AI网络模型的能力包括:接收来自基站的支持能力上报触发指令,所述支持能力上报触发指令用于指示上报所述支持AI网络模型的能力;响应于所述支持能力上报触发指令使用PDCCH调度的PDSCH上报所述支持AI网络模型的能力。
可选的,所述在连接态触发上报所述支持AI网络模型的能力包括:检测支持能力上报触发事件,所述支持能力上报触发事件包括部分带宽切换事件;如果检测到所述支持能力上报触发事件,则在切换后的部分带宽上使用PDCCH调度的PDSCH上报所述支持AI网络模型的能力。
可选的,如果所述支持AI网络模型的能力表示支持采用AI网络模型进行信道估计,则接收来自基站的AI模型尺寸上报指令触发指令,所述支持能力上报触发指令用于指示上报所有AI网络模型的输入尺寸;响应于所述AI模型尺寸上报触发指令使用PDCCH调度的PDSCH上报所有AI网络模型的输入尺寸。
可选的,所述在随机接入过程中使用上行资源上报所述支持AI网络模型的能力之后还包括:如果所述支持AI网络模型的能力表示支持采用AI网络模型进行信道估计,则触发上报所有AI网络模型的输入尺寸。
为解决上述技术问题,本发明实施例还公开了一种AI网络模型支持能力接收方法,AI网络模型支持能力接收方法包括:在随机接入过程中接收用户设备使用上行资源上报的支持AI网络模型的能力,所述支持AI网络模型的能力包括是否支持采用AI网络模型进行信道估计;根据所述支持AI网络模型的能力为所述用户设备配置解调参考信号。
可选的,所述根据所述支持AI网络模型的能力为所述用户设备配置解调参考信号包括:对支持采用AI网络模型的用户设备和不支持采用AI网络模型的用户设备配置不同密度的解调参考信号,其中,为所述支持采用AI网络模型的用户设备配置的解调参考信号的密度低于为所述不支持采用AI网络模型的用户设备配置的解调参考信号的密度。
可选的,所述在随机接入过程中接收用户设备使用上行资源上报的支持AI网络模型的能力之前还包括:向所述用户设备发送RO的子集及其类型配置信息,所述RO的子集的类型包括用于供支持AI网络模型的用户设备发起随机接入以及用于供不支持AI网络模型的用户设备发起随机接入。
可选的,所述在随机接入过程中接收用户设备使用上行资源上报的支持AI网络模型的能力之前还包括:向所述用户设备发送前导码子集及其类型配置信息,所述前导码子集的类型包括用于供支持AI网络模型的用户设备发起随机接入以及用于供不支持AI网络模型的用户设备发起随机接入。
可选的,所述在随机接入过程中接收用户设备使用上行资源上报的支持AI网络模型的能力之前还包括:向所述用户设备发送支持能力上报触发指令,所述支持能力上报触发指令用于指示所述用户设备上报所述支持AI网络模型的能力。
为解决上述技术问题,本发明实施例还公开了一种AI网络模型支持能力上报装置,AI网络模型支持能力上报装置包括:能力确定模块,用于确定支持AI网络模型的能力,所述支持AI网络模型的能力包括是否支持采用AI网络模型进行信道估计;能力上报模块,用于在随机接入过程中使用上行资源上报所述支持AI网络模型的能力。
为解决上述技术问题,本发明实施例还公开了一种AI网络模型支持能力接收装置,AI网络模型支持能力接收装置包括:能力接收模块,用于在随机接入过程中接收用户设备使用上行资源上报的支持AI网络模型的能力,所述支持AI网络模型的能力包括是否支持采用AI网络模型进行信道估计;配置模块,用于根据所述支持AI网络模型的能力为所述用户设备配置解调参考信号。
本发明实施例还公开了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器运行时执行所述AI网络模型支持能力上报方法的步骤,或者执行所述AI网络模型支持能力接收方法的步骤。
本发明实施例还公开了一种用户设备,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行所述AI网络模型支持能力上报方法的步骤。
本发明实施例还公开了一种基站,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行所述AI网络模型支持能力接收方法的步骤。
与现有技术相比,本发明实施例的技术方案具有以下有益效果:
本发明技术方案确定支持AI网络模型的能力,所述支持AI网络模型的能力包括是否支持采用AI网络模型进行信道估计;在随机接入过程中使用上行资源上报所述支持AI网络模型的能力。本发明技术方案中用户设备能够在随机接入过程中上报支持AI网络模型的能力,从而使得基站能够根据用户设备支持AI网络模型的能力为其配置解调参考信号,实现资源的优化配置。
进一步地,确定RO的子集及其类型,所述RO的子集的类型包括用于供支持AI网络模型的用户设备发起随机接入以及用于供不支持AI网络模型的用户设备发起随机接入;根据所述支持AI网络模型的能力以及所述RO的子集的类型确定实际使用的RO的子集,并使用所述实际使用的RO的子集发起随机接入。本发明技术方案中,用户设备能够根据其发起随机接入所使用的RO的子集的类型间接地指示其支持AI网络模型的能力,无需占用额外的资源或信令来上报所述支持AI网络模型的能力,节省资源和信令开销。
进一步地,使用消息3上报所述支持AI网络模型的能力。本发明技术方案中,用户设备通过消息3来上报其支持AI网络模型的能力,通过复用消息3,可以在发起随机接入请求的同时完成AI网络模型的能力的上报,节省资源和信令开销。
附图说明
图1是本发明实施例一种AI网络模型支持能力上报方法的流程图;
图2本发明实施例一种具体应用场景的示意图;
图3本发明实施例另一种具体应用场景的示意图;
图4是本发明实施例一种AI网络模型支持能力接收方法的流程图;
图5是本发明实施例一种AI网络模型支持能力上报装置的结构示意图;
图6是本发明实施例一种AI网络模型支持能力接收装置的结构示意图。
具体实施方式
如背景技术中所述,对于基站如何获知用户设备侧关于AI网络模型的相关参数是一个亟待解决的技术问题。
本申请发明人对现有技术进行研究发现,如果用户设备(User Equipment,UE)支持基于AI的信道估计,则对解调参考信号密度的需求不是很大,也即相对于使用传统信道估计的UE,网络侧可以为支持基于AI信道估计的UE配置较低密度的解调参考信号(Demodulation Reference Signal,DMRS)。
本发明技术方案中用户设备能够在随机接入过程中上报支持AI网络模型的能力,从而使得基站能够根据用户设备支持AI网络模型的能力为其配置解调参考信号,实现资源的优化配置。
进一步地,本发明技术方案中,用户设备能够根据其发起随机接入所使用的RO的子集的类型间接地指示其支持AI网络模型的能力,无需占用额外的资源或信令来上报所述支持AI网络模型的能力,节省资源和信令开销。
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例一种AI网络模型支持能力上报方法的流程图。
图1所示AI网络模型支持能力上报方法可以用于用户设备侧。所述AI网络模型支持能力上报方法具体可以包括以下步骤:
步骤S101:确定支持AI网络模型的能力,所述支持AI网络模型的能力包括是否支持采用AI网络模型进行信道估计;
步骤S102:在随机接入过程中使用上行资源上报所述支持AI网络模型的能力,或者在连接态触发上报所述支持AI网络模型的能力。
需要指出的是,本实施例中各个步骤的序号并不代表对各个步骤的执行顺序的限定。
本实施例中,AI网络模型用于根据输入的信道估计矩阵进行信道估计,其可以采用任何适当的AI网络模型来实现,例如可以是基于历史数据进行训练的得到的模型。
在步骤S101的具体实施中,如果用户设备配置AI网络模型,则表示用户设备具备支持AI网络模型的能力,也即用户设备支持采用AI网络模型进行信道估计。反之,如果用户设备未配置AI网络模型,则表示用户设备不具备支持AI网络模型的能力。
为了使基站能够获知用户设备支持AI网络模型的能力,在步骤S102的具体实施中,用户设备可以在随机接入过程中使用上行资源上报所述支持AI网络模型的能力,也可以在连接态触发上报所述支持AI网络模型的能力。也就是说,基站在随机接入过程中是主动上报,在连接态则是需要触发再上报,触发方式具体可以是信令指示或者事件触发等。
具体实施中,用户设备在随机接入过程中会通过基站配置的上行资源,如消息1(Msg1)、消息3(Msg3)等来发送消息至网络侧(Network)。那么,用户设备可以复用该上行资源来上报支持AI网络模型的能力,以在完成随机接入的同时完成AI网络模型的能力的上报。
一并参照图2,在随机接入过程中,网络侧发送系统信息块1(System InformationBlock,SIB),SIB1中指示发送前导码(Msg1)的资源。UE通过读取SIB1,确定用于向网络侧发送前导码的资源以指示其访问网络的意图。如果网络侧正确地接收到了Msg1,则向UE发送用随机无线网络临时标识(Random Radio Network Temporary Identity,RA-RNTI)加扰的随机接入响应消息(Msg2)。在发送Msg1之后,UE可以使用RA-RNTI来监视来自网络的Msg2以对该消息进行解扰。Msg2可以包含UE发送Mgs3的资源指示。然后,UE通过Msg2中的上行调度指示将其身份和初始接入建立请求(Msg3)发送到网络侧。最后,网络侧可以通过Msg4向UE通知初始接入过程完成。
也就是说,UE可以通过Msg1或Mgs3上报支持AI网络模型的能力。
本发明实施例中用户设备能够在随机接入过程中上报支持AI网络模型的能力,从而使得基站能够根据用户设备支持AI网络模型的能力为其配置解调参考信号,实现资源的优化配置。
本发明一个非限制性的实施例中,图1所示步骤S102具体可以包括以下步骤:使用发送前导码的时频资源上报所述支持AI网络模型的能力。
如前所述,UE可以通过基站配置的发送前导码的资源发送前导码,还可以一并上报所述支持AI网络模型的能力,使得基站在接收到前导码的同时获知UE的支持AI网络模型的能力。
继续参照图2,UE在接收来自网络侧的SIB1后,获知发送Msg1的资源,并在发送Msg1的资源位置一并发送Msg1以及上报其支持AI网络模型的能力。
进一步而言,上述步骤具体可以包括以下步骤:
确定RO的子集及其类型,所述RO的子集的类型包括用于供支持AI网络模型的用户设备发起随机接入以及用于供不支持AI网络模型的用户设备发起随机接入;根据所述支持AI网络模型的能力以及所述RO的子集的类型确定实际使用的RO的子集,并使用所述实际使用的RO的子集发起随机接入。
具体实施中,UE通过SIB1消息,可以获取物理随机接入信道时机(PhysicalRandom Access Channel Occasion,RO)的相关配置。相关配置具体包括RO的周期大小,每个PRACH周期内时域上RO的数目,频率上复用的RO个数等。RO是指用于发送preamble的时频域资源。
本实施例中,UE通过SIB1消息还可以确定RO的子集及其类型。RO的子集及其类型可以是基站预先配置的。不同的RO的子集占用不同的频域和/或时域资源。
具体实施中,UE可以接收来自基站配置的RO的子集及其类型。基站可以将其配置的RO的子集及其类型携带在SIB1中。
本实施例中用户设备能够根据其发起随机接入所使用的RO的子集的类型间接地指示其支持AI网络模型的能力,无需占用额外的资源或信令来上报所述支持AI网络模型的能力,节省资源和信令开销。
一并参照图3,网络侧在频率上将RO均匀的划分为2个RO子集(即RO子集1和RO子集2)。并配置RO子集2是用于支持AI信道估计的UE发起随机接入的,RO子集1则是用于不支持AI信道估计的UE发起随机接入的。如果UE选择RO子集2中的RO发起随机接入,也即选择RO子集2中的RO发送Msg1,则网络侧认为该UE是支持AI信道估计的;反之,如果UE选择RO子集1中的RO发起随机接入,则网络侧认为该UE不支持AI信道估计。
在一个可选实施例中,UE也可以使用特定的前导码(preamble)上报所述支持AI网络模型的能力。
UE发送Msg1时,可以从64个不同的前导码中选择一个前导码发送。本实施例中基站可以预先将前导码分成不同类型的前导码子集,例如两个类型的前导码子集。其中一个类型的前导码子集供支持AI估计的UE使用,另外一个类型前导码子集供不支持AI估计的UE使用。换言之,UE通过使用不同类型的前导码子集能够间接地通知基站其是否支持AI网络模型。
可以理解的是,所述前导码子集中前导码的数量可以自定义设置,本发明实施例对此不作限制。
进一步而言,所述前导码子集及其类型可以是基站预先配置好并发送给UE的。
本发明另一个非限制性的实施例中,图1所示步骤S102具体可以包括以下步骤:使用消息3上报所述支持AI网络模型的能力。
与前述实施例不同的是,本发明实施例中,UE在接收来自网络侧的Msg2后,获知发送Msg3的资源,并在发送Msg3的资源位置一并发送Msg3以及上报其支持AI网络模型的能力。
本发明实施例中,用户设备通过消息3来上报其支持AI网络模型的能力,通过复用消息3,可以在发起随机接入请求的同时完成AI网络模型的能力的上报,节省资源和信令开销。
在一个非限制性的实施例中,图1所示步骤S102可以包括以下步骤:接收来自基站的支持能力上报触发指令,所述支持能力上报触发指令用于指示上报所述支持AI网络模型的能力;响应于所述支持能力上报触发指令使用PDCCH调度的PDSCH上报所述支持AI网络模型的能力。
与前述实施例中UE主动上报其支持AI网络模型的能力不同的是,本实施例中,基站向UE下发支持能力上报触发指令,响应于该持能力上报指令,UE通过使用物理下行控制信道(Physical Downlink Control Channel,PDCCH)调度的物理下行共享信道(PhysicalDownlink Shared Channel,PDSCH)上报其支持AI网络模型的能力。也就是说,本实施例中的UE是响应于基站的指令才上报其支持AI网络模型的能力的。
具体实施中,基站通过触发指令指示UE上报可以是指,通过媒体接入控制(MediaAccess Control,MAC)控制元素(Control Element,CE)承载触发指令指示UE上报。
在一个可选实施例中,上述步骤具体可以包括以下步骤:检测支持能力上报触发事件,所述支持能力上报触发事件包括部分带宽切换事件;如果检测到所述支持能力上报触发事件,则使用切换后的部分带宽上报所述支持AI网络模型的能力。
与前述实施例中UE响应于基站的触发指令才上报其支持AI网络模型的能力不同的是,本实施例中UE是通过事件触发来上报其支持AI网络模型的能力的。具体而言,UE可以检测部分带宽(BandWidth Part,BWP)切换事件,如果检测到所述支持能力上报触发事件,如由BWP1切换至BWP2,则UE使用切换后的部分带宽上报所述支持AI网络模型的能力。否则,UE不上报其支持AI网络模型的能力。
在一个具体例子中,网络侧通过下行控制信息(Downlink Control Information,DCI)指示UE切换BWP,也即DCI携带特定的比特(bit)来指示UE切换BWP。UE收到BWP切换指示后,UE切换BWP,并在新的BWP上通过PDCCH调度的PDSCH资源上报支持AI网络模型的能力。
通过触发指令指示上报或事件触发上报的方式,可以使得UE在不具备支持AI网络模型的能力时无需进行上报,节省资源开销。
本发明又一个非限制性的实施例中,图1所示步骤S102之后可以包括以下步骤:如果所述支持AI网络模型的能力表示支持采用AI网络模型进行信道估计,则触发上报所有AI网络模型的输入尺寸。
本实施例中,在UE向基站上报具备支持AI网络模型的能力后,基站可以通过触发指令指示UE上报AI网络模型的输入尺寸,同时为UE分配上报AI网络模型的输入尺寸的上行资源。那么UE可以在基站配置的上行资源上上报所有AI网络模型的输入尺寸(size)。换言之,由于不同的AI网络模型具有不同的输入/输出尺寸,因此UE可以将所有AI网络模型的输入/输出尺寸通知网络侧。
也就是说,UE可以通过Msg1或Msg3上报AI模型输入/输出尺寸给网络侧。也即UE可以通过PDCCH调度的PDSCH上报自身所有AI网络模型的输入/输出尺寸给网络侧。
请参照图4,本发明实施例还公开了一种AI网络模型支持能力接收方法,AI网络模型支持能力接收方法可以用于网络侧,例如基站,也即可以由网络侧执行所述方法的各个步骤。
所述AI网络模型支持能力接收方法具体可以包括以下步骤:
步骤S401:在随机接入过程中接收用户设备使用上行资源上报的支持AI网络模型的能力,所述支持AI网络模型的能力包括是否支持采用AI网络模型进行信道估计;
步骤S402:根据所述支持AI网络模型的能力为所述用户设备配置解调参考信号。
本实施例中,基站可以在随机接入过程中获取各个用户设备的支持AI网络模型的能力,从而可以根据各个用户设备的支持AI网络模型的能力为其配置解调参考信号(Demodulation Reference Signal,DMRS)。
进一步而言,图4所示步骤S402可以包括以下步骤:对支持采用AI网络模型的用户设备和不支持采用AI网络模型的用户设备配置不同密度的解调参考信号,其中,为所述支持采用AI网络模型的用户设备配置的解调参考信号的密度低于为所述不支持采用AI网络模型的用户设备配置的解调参考信号的密度。
简言之,支持采用AI网络模型的UE可以配置较低密度的DMRS,从而节省网络侧的资源开销。
在一个具体实施例中,图2所示步骤S201之前还可以包括以下步骤:向所述用户设备发送RO的子集及其类型配置信息,所述RO的子集的类型包括用于供支持AI网络模型的用户设备发起随机接入以及用于供不支持AI网络模型的用户设备发起随机接入。
本实施例中,基站可以在SIB1中向UE发送RO的子集及其类型,不同类型的RO的子集的作用不同。UE可以通过采用不同类型的RO的子集发送前导码而间接地向基站指示其支持AI网络模型的能力,相应地,基站可以根据接收到的前导码所使用的RO的子集的类型确定发送该前导码的UE支持AI网络模型的能力。
在另一个具体实施例中,图2所示步骤S201之前还可以包括以下步骤:向所述用户设备发送支持能力上报触发指令,所述支持能力上报触发指令用于指示所述用户设备上报所述支持AI网络模型的能力。
与前述实施例中基站根据接收到的前导码所使用的RO的子集的类型确定发送该前导码的UE支持AI网络模型的能力不同的是,本实施例中UE是响应于支持能力上报触发指令上报其支持AI网络模型的能力的,故而基站可以直接获得UE支持AI网络模型的能力。例如,直接通过Msg3中的比特值获得UE支持AI网络模型的能力
请参照图5,AI网络模型支持能力上报装置50可以包括能力确定模块501和能力上报模块502。
其中,能力确定模块501用于确定支持AI网络模型的能力,所述支持AI网络模型的能力包括是否支持采用AI网络模型进行信道估计;能力上报模块502用于在随机接入过程中使用上行资源上报所述支持AI网络模型的能力。
请参照图6,AI网络模型支持能力接收装置60可以包括能力接收模块601和配置模块602。
其中,能力接收模块601用于在随机接入过程中接收用户设备使用上行资源上报的支持AI网络模型的能力,所述支持AI网络模型的能力包括是否支持采用AI网络模型进行信道估计;配置模块602用于根据所述支持AI网络模型的能力为所述用户设备配置解调参考信号。
本发明实施例中用户设备能够在随机接入过程中上报支持AI网络模型的能力,从而使得基站能够根据用户设备支持AI网络模型的能力为其配置解调参考信号,实现资源的优化配置。
关于所述AI网络模型支持能力上报装置50以及AI网络模型支持能力接收装置60的工作原理、工作方式的更多内容,可以参照图1至图4中的相关描述,这里不再赘述。
本发明实施例还公开了一种存储介质,所述存储介质为计算机可读存储介质,其上存储有计算机程序,所述计算机程序运行时可以执行图1或图4中所示方法的步骤。所述存储介质可以包括ROM、RAM、磁盘或光盘等。所述存储介质还可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器等。
本发明实施例还公开了一种用户设备,所述用户设备可以包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序。所述处理器运行所述计算机程序时可以执行图1中所示方法的步骤。所述用户设备包括但不限于手机、计算机、平板电脑等终端设备。
本发明实施例还公开了一种基站,所述基站可以包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序。所述处理器运行所述计算机程序时可以执行图4中所示方法的步骤。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (20)
1.一种AI网络模型支持能力上报方法,其特征在于,包括:
确定支持AI网络模型的能力,所述支持AI网络模型的能力包括是否支持采用AI网络模型进行信道估计;
在随机接入过程中使用上行资源上报所述支持AI网络模型的能力,或者在连接态触发上报所述支持AI网络模型的能力。
2.根据权利要求1所述的AI网络模型支持能力上报方法,其特征在于,所述在随机接入过程中使用上行资源上报所述支持AI网络模型的能力包括:使用发送前导码的时频资源上报所述支持AI网络模型的能力。
3.根据权利要求2所述的AI网络模型支持能力上报方法,其特征在于,所述使用发送前导码的时频资源上报所述支持AI网络模型的能力包括:
确定RO的子集及其类型,所述RO的子集的类型包括用于供支持AI网络模型的用户设备发起随机接入以及用于供不支持AI网络模型的用户设备发起随机接入;
根据所述支持AI网络模型的能力以及所述RO的子集的类型确定实际使用的RO的子集,并使用所述实际使用的RO的子集中任一RO发起随机接入。
4.根据权利要求3所述的AI网络模型支持能力上报方法,其特征在于,所述确定RO的子集及其类型之前还包括:
接收来自基站配置的RO的子集及其类型。
5.根据权利要求2所述的AI网络模型支持能力上报方法,其特征在于,所述使用发送前导码的时频资源上报所述支持AI网络模型的能力包括:
确定前导码子集及其类型,所述前导码子集的类型包括用于供支持AI网络模型的用户设备发起随机接入以及用于供不支持AI网络模型的用户设备发起随机接入;
根据所述支持AI网络模型的能力以及所述前导码子集的类型确定实际使用的前导码子集,并选取所述实际使用的前导码子集中的前导码进行发送。
6.根据权利要求1所述的AI网络模型支持能力上报方法,其特征在于,所述在随机接入过程中使用上行资源上报所述支持AI网络模型的能力包括:使用消息3上报所述支持AI网络模型的能力。
7.根据权利要求1所述的AI网络模型支持能力上报方法,其特征在于,所述在连接态触发上报所述支持AI网络模型的能力包括:
接收来自基站的支持能力上报触发指令,所述支持能力上报触发指令用于指示上报所述支持AI网络模型的能力;
响应于所述支持能力上报触发指令使用PDCCH调度的PDSCH上报所述支持AI网络模型的能力。
8.根据权利要求1所述的AI网络模型支持能力上报方法,其特征在于,所述在连接态触发上报所述支持AI网络模型的能力包括:
检测支持能力上报触发事件,所述支持能力上报触发事件包括部分带宽切换事件;
如果检测到所述支持能力上报触发事件,则在切换后的部分带宽上使用PDCCH调度的PDSCH报所述支持AI网络模型的能力。
9.根据权利要求7或8所述的AI网络模型支持能力上报方法,其特征在于,还包括:
如果所述支持AI网络模型的能力表示支持采用AI网络模型进行信道估计,则一并上报所述支持AI网络模型的能力以及所有AI网络模型的输入尺寸。
10.根据权利要求1所述的AI网络模型支持能力上报方法,其特征在于,所述在随机接入过程中使用上行资源上报所述支持AI网络模型的能力之后还包括:
如果所述支持AI网络模型的能力表示支持采用AI网络模型进行信道估计,则接收来自基站的AI模型尺寸上报触发指令,所述支持能力上报触发指令用于指示上报所有AI网络模型的输入尺寸;
响应于所述AI模型尺寸上报触发指令使用PDCCH调度的PDSCH上报所有AI网络模型的输入尺寸。
11.一种AI网络模型支持能力接收方法,其特征在于,包括:
在随机接入过程中接收用户设备使用上行资源上报的支持AI网络模型的能力,所述支持AI网络模型的能力包括是否支持采用AI网络模型进行信道估计;
根据所述支持AI网络模型的能力为所述用户设备配置解调参考信号。
12.根据权利要求11所述的AI网络模型支持能力接收方法,其特征在于,所述根据所述支持AI网络模型的能力为所述用户设备配置解调参考信号包括:
对支持采用AI网络模型的用户设备和不支持采用AI网络模型的用户设备配置不同密度的解调参考信号,其中,为所述支持采用AI网络模型的用户设备配置的解调参考信号的密度低于为所述不支持采用AI网络模型的用户设备配置的解调参考信号的密度。
13.根据权利要求11所述的AI网络模型支持能力接收方法,其特征在于,所述在随机接入过程中接收用户设备使用上行资源上报的支持AI网络模型的能力之前还包括:
向所述用户设备发送RO的子集及其类型配置信息,所述RO的子集的类型包括用于供支持AI网络模型的用户设备发起随机接入以及用于供不支持AI网络模型的用户设备发起随机接入。
14.根据权利要求11所述的AI网络模型支持能力接收方法,其特征在于,所述在随机接入过程中接收用户设备使用上行资源上报的支持AI网络模型的能力之前还包括:
向所述用户设备发送前导码子集及其类型配置信息,所述前导码子集的类型包括用于供支持AI网络模型的用户设备发起随机接入以及用于供不支持AI网络模型的用户设备发起随机接入。
15.根据权利要求11所述的AI网络模型支持能力接收方法,其特征在于,所述在随机接入过程中接收用户设备使用上行资源上报的支持AI网络模型的能力之前还包括:
向所述用户设备发送支持能力上报触发指令,所述支持能力上报触发指令用于指示所述用户设备上报所述支持AI网络模型的能力。
16.一种AI网络模型支持能力上报装置,其特征在于,包括:
能力确定模块,用于确定支持AI网络模型的能力,所述支持AI网络模型的能力包括是否支持采用AI网络模型进行信道估计;
能力上报模块,用于在随机接入过程中使用上行资源上报所述支持AI网络模型的能力。
17.一种AI网络模型支持能力接收装置,其特征在于,包括:
能力接收模块,用于在随机接入过程中接收用户设备使用上行资源上报的支持AI网络模型的能力,所述支持AI网络模型的能力包括是否支持采用AI网络模型进行信道估计;
配置模块,用于根据所述支持AI网络模型的能力为所述用户设备配置解调参考信号。
18.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行权利要求1至10中任一项所述AI网络模型支持能力上报方法的步骤,或者执行权利要求11至15中任一项所述AI网络模型支持能力接收方法的步骤。
19.一种用户设备,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时执行权利要求1至10中任一项所述AI网络模型支持能力上报方法的步骤。
20.一种基站,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时执行权利要求11至15中任一项所述AI网络模型支持能力接收方法的步骤。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010780069.6A CN114070676B (zh) | 2020-08-05 | 2020-08-05 | Ai网络模型支持能力上报、接收方法及装置、存储介质 |
EP21852647.3A EP4195600A4 (en) | 2020-08-05 | 2021-08-04 | METHOD AND APPARATUS FOR REPORTING AI NETWORK MODEL SUPPORT CAPABILITY, METHOD AND APPARATUS FOR RECEIVING AI NETWORK MODEL SUPPORT CAPABILITY, AND STORAGE MEDIUM, USER EQUIPMENT AND BASE STATION |
US18/019,537 US20230292369A1 (en) | 2020-08-05 | 2021-08-04 | Method and apparatus for reporting ai network model support capability, method and apparatus for receiving ai network model support capability, and storage medium, user equipment and base station |
PCT/CN2021/110478 WO2022028450A1 (zh) | 2020-08-05 | 2021-08-04 | Ai网络模型支持能力上报、接收方法及装置、存储介质、用户设备、基站 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010780069.6A CN114070676B (zh) | 2020-08-05 | 2020-08-05 | Ai网络模型支持能力上报、接收方法及装置、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114070676A true CN114070676A (zh) | 2022-02-18 |
CN114070676B CN114070676B (zh) | 2023-03-14 |
Family
ID=80116992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010780069.6A Active CN114070676B (zh) | 2020-08-05 | 2020-08-05 | Ai网络模型支持能力上报、接收方法及装置、存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230292369A1 (zh) |
EP (1) | EP4195600A4 (zh) |
CN (1) | CN114070676B (zh) |
WO (1) | WO2022028450A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023168718A1 (zh) * | 2022-03-11 | 2023-09-14 | 北京小米移动软件有限公司 | 一种模型训练部署方法/装置/设备及存储介质 |
WO2023173433A1 (zh) * | 2022-03-18 | 2023-09-21 | 北京小米移动软件有限公司 | 一种信道估计方法/装置/设备及存储介质 |
WO2023179476A1 (zh) * | 2022-03-21 | 2023-09-28 | 维沃移动通信有限公司 | 信道特征信息上报及恢复方法、终端和网络侧设备 |
WO2023179473A1 (zh) * | 2022-03-21 | 2023-09-28 | 维沃移动通信有限公司 | 信道特征信息上报及恢复方法、终端和网络侧设备 |
WO2024021130A1 (zh) * | 2022-07-29 | 2024-02-01 | 北京小米移动软件有限公司 | 一种信道估计方法及其装置 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114128164A (zh) * | 2019-07-26 | 2022-03-01 | Oppo广东移动通信有限公司 | 一种信息处理方法、网络设备、用户设备 |
CN116963093A (zh) * | 2022-04-15 | 2023-10-27 | 维沃移动通信有限公司 | 模型调整方法、信息传输方法、装置及相关设备 |
WO2023236143A1 (zh) * | 2022-06-09 | 2023-12-14 | 富士通株式会社 | 信息收发方法与装置 |
WO2023245576A1 (zh) * | 2022-06-23 | 2023-12-28 | 北京小米移动软件有限公司 | Ai模型确定方法、装置、通信设备及存储介质 |
CN117395679A (zh) * | 2022-07-05 | 2024-01-12 | 维沃移动通信有限公司 | 信息上报方法、装置、终端及接入网设备 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101300755A (zh) * | 2005-11-04 | 2008-11-05 | Lg电子株式会社 | 用于频分复用接入系统的随机接入信道跳跃 |
WO2011143586A1 (en) * | 2010-05-14 | 2011-11-17 | Qualcomm Incorporated | Methods and apparatuses for downlink channel resource assignment |
CN104754702A (zh) * | 2013-12-26 | 2015-07-01 | 华为技术有限公司 | 一种随机接入的干扰控制方法、设备及系统 |
CN106559872A (zh) * | 2015-09-30 | 2017-04-05 | 华为技术有限公司 | 一种资源分配方法、装置及无线接入系统 |
WO2017204783A1 (en) * | 2016-05-24 | 2017-11-30 | Intel Corporation | Load aware dynamic random access channel (rach) design |
CN108111275A (zh) * | 2017-08-11 | 2018-06-01 | 中兴通讯股份有限公司 | 参考信号信息的配置方法及装置 |
CN108111199A (zh) * | 2017-05-05 | 2018-06-01 | 中兴通讯股份有限公司 | 信道状态信息的反馈、接收方法及装置、设备、存储介质 |
CN109151870A (zh) * | 2017-06-16 | 2019-01-04 | 华为技术有限公司 | 信息处理方法以及相关装置 |
CN110335058A (zh) * | 2019-04-30 | 2019-10-15 | 中国联合网络通信集团有限公司 | 一种用户满意度预测模型的样本生成方法及装置 |
US20190327069A1 (en) * | 2018-04-20 | 2019-10-24 | At&T Intellectual Property I, L.P. | Supplementary uplink with lte coexistence adjacent to frequency division duplex spectrum for radio networks |
WO2019232726A1 (en) * | 2018-06-06 | 2019-12-12 | Nokia Shanghai Bell Co., Ltd. | Methods, device and computer-readable medium for determining timing advance |
WO2020032643A1 (ko) * | 2018-08-09 | 2020-02-13 | 엘지전자 주식회사 | 무선 통신 시스템에서 신호를 송수신하는 방법 및 이를 위한 장치 |
WO2020040723A1 (en) * | 2018-08-20 | 2020-02-27 | Nokia Solutions And Networks Oy | Method, apparatus and computer program |
CN111062466A (zh) * | 2019-12-11 | 2020-04-24 | 南京华苏科技有限公司 | 基于参数和神经网络预测天线调整后小区场强分布的方法 |
CN111212445A (zh) * | 2019-12-26 | 2020-05-29 | 数海信息技术有限公司 | 一种基于神经网络的安全态信息处理方法及系统 |
CN114128164A (zh) * | 2019-07-26 | 2022-03-01 | Oppo广东移动通信有限公司 | 一种信息处理方法、网络设备、用户设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110022523B (zh) * | 2018-01-05 | 2022-04-12 | 华为技术有限公司 | 用于终端设备定位的方法、装置及系统 |
US11799692B2 (en) * | 2018-08-10 | 2023-10-24 | Lg Electronics Inc. | Method for performing channel estimation in wireless communication system and apparatus therefor |
CN111954206B (zh) * | 2019-05-17 | 2024-04-09 | 株式会社Ntt都科摩 | 终端和基站 |
US11431583B2 (en) * | 2019-11-22 | 2022-08-30 | Huawei Technologies Co., Ltd. | Personalized tailored air interface |
US11696119B2 (en) * | 2019-12-16 | 2023-07-04 | Qualcomm Incorporated | Neural network configuration for wireless communication system assistance |
CN111819872B (zh) * | 2020-06-03 | 2023-08-22 | 北京小米移动软件有限公司 | 信息传输方法、装置、通信设备及存储介质 |
-
2020
- 2020-08-05 CN CN202010780069.6A patent/CN114070676B/zh active Active
-
2021
- 2021-08-04 WO PCT/CN2021/110478 patent/WO2022028450A1/zh unknown
- 2021-08-04 EP EP21852647.3A patent/EP4195600A4/en active Pending
- 2021-08-04 US US18/019,537 patent/US20230292369A1/en active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101300755A (zh) * | 2005-11-04 | 2008-11-05 | Lg电子株式会社 | 用于频分复用接入系统的随机接入信道跳跃 |
WO2011143586A1 (en) * | 2010-05-14 | 2011-11-17 | Qualcomm Incorporated | Methods and apparatuses for downlink channel resource assignment |
CN104754702A (zh) * | 2013-12-26 | 2015-07-01 | 华为技术有限公司 | 一种随机接入的干扰控制方法、设备及系统 |
CN106559872A (zh) * | 2015-09-30 | 2017-04-05 | 华为技术有限公司 | 一种资源分配方法、装置及无线接入系统 |
WO2017204783A1 (en) * | 2016-05-24 | 2017-11-30 | Intel Corporation | Load aware dynamic random access channel (rach) design |
CN108111199A (zh) * | 2017-05-05 | 2018-06-01 | 中兴通讯股份有限公司 | 信道状态信息的反馈、接收方法及装置、设备、存储介质 |
CN109151870A (zh) * | 2017-06-16 | 2019-01-04 | 华为技术有限公司 | 信息处理方法以及相关装置 |
CN108111275A (zh) * | 2017-08-11 | 2018-06-01 | 中兴通讯股份有限公司 | 参考信号信息的配置方法及装置 |
US20190327069A1 (en) * | 2018-04-20 | 2019-10-24 | At&T Intellectual Property I, L.P. | Supplementary uplink with lte coexistence adjacent to frequency division duplex spectrum for radio networks |
WO2019232726A1 (en) * | 2018-06-06 | 2019-12-12 | Nokia Shanghai Bell Co., Ltd. | Methods, device and computer-readable medium for determining timing advance |
WO2020032643A1 (ko) * | 2018-08-09 | 2020-02-13 | 엘지전자 주식회사 | 무선 통신 시스템에서 신호를 송수신하는 방법 및 이를 위한 장치 |
WO2020040723A1 (en) * | 2018-08-20 | 2020-02-27 | Nokia Solutions And Networks Oy | Method, apparatus and computer program |
CN110335058A (zh) * | 2019-04-30 | 2019-10-15 | 中国联合网络通信集团有限公司 | 一种用户满意度预测模型的样本生成方法及装置 |
CN114128164A (zh) * | 2019-07-26 | 2022-03-01 | Oppo广东移动通信有限公司 | 一种信息处理方法、网络设备、用户设备 |
CN111062466A (zh) * | 2019-12-11 | 2020-04-24 | 南京华苏科技有限公司 | 基于参数和神经网络预测天线调整后小区场强分布的方法 |
CN111212445A (zh) * | 2019-12-26 | 2020-05-29 | 数海信息技术有限公司 | 一种基于神经网络的安全态信息处理方法及系统 |
Non-Patent Citations (5)
Title |
---|
HUAWEI等: "R1-1903254 "Feature lead summary of Support for transmission in preconfigured UL resources"", 《3GPP TSG_RAN\WG1_RL1》 * |
INTEL CORPORATION: "R4-167247 "Discussion on MuST Case 3 CRS-TM parameter estimation"", 《3GPP TSG_RAN\WG4_RADIO》 * |
ZIQI CHEN等: ""Heterogeneous Machine-Type Communications in Cellular Networks: Random Access Optimization by Deep Reinforcement Learning"", 《2018 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS (ICC)》 * |
ZTE等: "RP-192579 "Summary of email discussion on AI-based network"", 《3GPP TSG_RAN\TSG_RAN》 * |
楚佩佳: ""基于LTE系统的UE随机接入过程研究"", 《万方》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023168718A1 (zh) * | 2022-03-11 | 2023-09-14 | 北京小米移动软件有限公司 | 一种模型训练部署方法/装置/设备及存储介质 |
WO2023173433A1 (zh) * | 2022-03-18 | 2023-09-21 | 北京小米移动软件有限公司 | 一种信道估计方法/装置/设备及存储介质 |
WO2023179476A1 (zh) * | 2022-03-21 | 2023-09-28 | 维沃移动通信有限公司 | 信道特征信息上报及恢复方法、终端和网络侧设备 |
WO2023179473A1 (zh) * | 2022-03-21 | 2023-09-28 | 维沃移动通信有限公司 | 信道特征信息上报及恢复方法、终端和网络侧设备 |
WO2024021130A1 (zh) * | 2022-07-29 | 2024-02-01 | 北京小米移动软件有限公司 | 一种信道估计方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
EP4195600A4 (en) | 2024-04-24 |
US20230292369A1 (en) | 2023-09-14 |
CN114070676B (zh) | 2023-03-14 |
EP4195600A1 (en) | 2023-06-14 |
WO2022028450A1 (zh) | 2022-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114070676B (zh) | Ai网络模型支持能力上报、接收方法及装置、存储介质 | |
EP3337247B1 (en) | Random access response transmission method and device | |
CN110022607B (zh) | 一种波束失败恢复方法、装置及设备 | |
US10863534B2 (en) | Control channel transmission method and apparatus, and communications node | |
CN109587769B (zh) | 一种数据传输方法及装置、搜索空间优化方法及装置 | |
JP5872022B2 (ja) | セルラ通信システムにおいて2次セルを初期設定するための方法、ユーザ機器、および基地局 | |
EP3567969A1 (en) | Access method and access device | |
EP3934346A1 (en) | User equipment operation during an inactive state | |
CN113260077A (zh) | 随机接入的方法、用户设备及网络设备 | |
KR20220130763A (ko) | 측정 방법, 장치, 노드 및 저장 매체 | |
CN113678566A (zh) | 通信网络中的带宽部分切换 | |
CN111294802B (zh) | 小区切换方法及装置、存储介质、终端、基站 | |
CN113490285B (zh) | 一种传输方法及装置、计算机可读存储介质 | |
CN110149702B (zh) | 带宽部分的参数配置方法及装置、存储介质、基站、用户设备 | |
CN109561472B (zh) | 用户设备及其去激活bwp的方法、计算机可读介质 | |
CN108401293B (zh) | 同步信号块的剩余资源的调度方法、使用方法和装置 | |
CN108605315B (zh) | 信号传输方法、信号传输控制方法、用户设备及基站 | |
CN110636578B (zh) | 一种请求系统消息的方法、装置、存储介质及终端 | |
CN110972270B (zh) | 资源信息的确定方法及装置、存储介质、用户设备 | |
CN111132354B (zh) | Tci的自动修改方法及装置、存储介质、终端 | |
CN111050411B (zh) | 一种随机接入方法及装置、存储介质、终端 | |
CN110933718A (zh) | Prach资源的确定方法及装置、存储介质、终端 | |
US11985663B2 (en) | Control channel transmission method and apparatus, and communications node | |
CN107623952B (zh) | 基站、用户设备及其随机接入方法 | |
WO2020088606A1 (zh) | 消息发送、消息配置方法及装置、存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |