CN114097190A

CN114097190A - 1比特量化系统中的发送/接收方法及其装置

Info

Publication number: CN114097190A
Application number: CN201980098161.XA
Authority: CN
Inventors: 李相林; 李镐宰; 全基俊
Original assignee: LG Electronics Inc
Current assignee: LG Electronics Inc
Priority date: 2019-07-03
Filing date: 2019-07-03
Publication date: 2022-02-25
Anticipated expiration: 2039-07-03
Also published as: US20220376954A1; WO2021002506A1; EP3996309A1; CN114097190B; US11929852B2; KR20220020345A; KR102599058B1; EP3996309A4

Abstract

根据本发明，公开了一种用于在无线通信系统中发送或接收信号的方法及其装置。具体地，根据本发明的实施方式，一种在无线通信系统中由接收系统发送或接收信号的方法可包括以下步骤：通过多个接收路线从发送装置接收基于差分相移键控(DPSK)方案调制的信号；基于所接收的信号来计算所述多个接收路线中的各个接收路线中的差分值；以及计算所接收的信号的可靠性，其中，所述可靠性与所述多个接收路线中的各个接收路线中的差分值的和值的实数值成比例。

Description

1比特量化系统中的发送/接收方法及其装置

技术领域

本公开涉及无线通信系统，更具体地，涉及一种在通信系统中基于1比特量化(quantization)的发送和接收方法以及支持其的设备。

背景技术

已开发出移动通信系统以在确保用户的活动性的同时提供语音服务。然而，除了语音服务之外，移动通信系统的覆盖已扩展至数据服务。如今，业务的爆炸性增加已导致资源短缺。由于用户想要相对高速的服务，所以需要一种高级移动通信系统。

对下一代移动通信系统的要求包括适应爆炸性数据业务、每用户数据速率的显著增加、适应连接装置数量的大大增加、非常低的端对端延迟以及高能效。为此，研究了各种技术，例如双连接、大规模多输入多输出(MIMO)、带内全双工、非正交多址(NOMA)、超宽带和装置联网。

发明内容

技术问题

本公开提出了一种考虑能量效率基于1比特量化来发送和接收信号的方法。

具体地，本公开提出了一种基于单载波使用1比特差分相移调制和解调技术的数据发送和接收方法和信道质量测量方法。

另外，本公开提出了一种使用所测量的信道质量的链路自适应发送/接收技术。

本公开要实现的技术任务不限于上述技术任务，本公开所属技术领域的普通技术人员将从下面的描述清楚地理解未提及的其它技术任务。

技术方案

根据在根据本公开的实施方式的无线通信系统中，提供了一种由接收设备发送和接收信号的方法，该方法包括以下步骤：通过多个接收路径从发送设备接收基于差分相移键控(DPSK)方法调制的信号；基于所接收的信号来计算所述多个接收路径中的各个接收路径中的差分值；以及计算所接收的信号的可靠性，其中，可靠性与所述多个接收路径中的各个接收路径中的差分值之和的实值成比例。

在根据本公开的实施方式的方法中，可靠性可与接收设备的所述多个接收路径的数量成比例。

在根据本公开的实施方式的方法中，可解释为所述多个接收路径中的各个接收路径中的差分值与1或-1中的任一个对应的情况越多，可靠性越高。

在根据本公开的实施方式的方法中，该方法还可包括计算信道质量，其中，信道质量可被计算为通过经由接收设备的所有接收路径接收两个连续参考信号并基于这两个连续参考信号对所有接收路径中的各个接收路径中的差分值求和而获得的值的实值。

在根据本公开的实施方式的方法中，信道质量可与接收设备的所有接收路径的数量有关。

在根据本公开的实施方式的方法中，信道质量的最大值对应于所有接收路径的数量的正值，信道质量的最小值对应于所有接收路径的数量的负值，并且信道质量的范围在最小值至最大值的范围内。

在根据本公开的实施方式的方法中，该方法还可包括以下步骤：从发送设备接收信道质量的范围内的最大值。

在根据本公开的实施方式的方法中，当所计算的信道质量的值大于信道质量的范围的最大值时，可报告信道质量的范围的最大值，并且当所计算的值小于信道质量的范围的最大值的负值时，可报告信道质量的范围的最大值的负值。

在根据本公开的实施方式的方法中，该方法还可包括以下步骤：当信道质量的范围的最大值大于所有接收路径的数量时，从发送设备接收关于发送用于测量信道质量的参考信号的次数的信息，其中，可通过测量与发送参考信号的次数的倍数对应的信道质量并且对所述信道质量进行求和来计算信道质量。

在根据本公开的实施方式的方法中，可通过物理层信号或高层信令来接收信息。

该方法还可包括以下步骤：接收关于信道质量的计算的重复次数的信息，其中，信道质量可被报告为通过基于关于重复次数的信息重复信道质量的计算而测量的信道质量值的平均值。

在根据本公开的实施方式的方法中，重复信道质量的计算的操作可由发送设备或接收设备之一触发。

在根据本公开的实施方式的方法中，该方法还可包括以下步骤：在初始连接时，向发送设备发送接收设备的所有接收路径的数量。

在根据本公开的另一实施方式的无线通信系统中，提供了一种在无线通信系统中发送和接收信号的设备，该设备包括：射频(RF)单元，其被配置为发送或接收无线电信号；以及处理器，其在操作上连接到RF单元，其中，处理器通过多个接收路径接收基于差分相移键控(DPSK)方法调制的信号，基于所接收的信号来计算所述多个接收路径中的各个接收路径中的差分值，并且计算所接收的信号的可靠性，并且可靠性与所述多个接收路径中的各个接收路径中的差分值之和的实值成比例。

在根据本公开的实施方式的设备中，所述多个接收路径可包括多个天线，并且可靠性可与所述多个天线的数量成比例。

在根据本公开的实施方式的设备中，所述多个接收路径中的各个接收路径可包括1比特模数转换器(ADC)。

有益效果

根据本公开的实施方式，可通过基于1比特量化的发送和接收方法来改进系统的功耗。

本公开中可获得的效果不限于上述效果，本公开所属领域的普通技术人员可从以下描述清楚地理解上面未描述的其它技术效果。

附图说明

附图被包括以提供本公开的进一步理解，并且被并入本说明书并构成本说明书的一部分，附图示出本公开的实施方式并且与说明书一起用于说明本公开的原理。

图1是示出本公开中所提出的方法可应用于的NR的总体系统结构的示例的图。

图2示出在本公开中所提出的方法可应用于的无线通信系统中上行链路帧与下行链路帧之间的关系。

图3示出NR系统中的帧结构的示例。

图4示出本公开中所提出的方法可应用于的无线通信系统所支持的资源网格的示例。

图5示出本公开中所提出的方法可应用于的各个天线端口的资源网格和参数集的示例。

图6是示出发送端和接收端的框图的示例的图。

图7示出包括64×64二维天线和连接到各个天线的1比特模数转换器(ADC)的接收设备的示例。

图8示出执行DBPSK调制的示例。

图9示出由接收设备接收的编码信号通过1比特ADC的结果的示例。

图10示出符号结构的示例。

图11示出本公开中提出的方法和实施方式可应用于的基于1比特量化来发送和接收信号的装置的操作流程图的示例。

图12示出本公开中提出的方法和实施方式可应用于的基于1比特量化来发送和接收信号的装置的操作流程图的另一示例。

图13示出本公开中提出的方法可应用于的无线通信装置的框图。

图14是本公开中提出的方法可应用于的无线通信装置的框图的另一示例。

图15示出根据本公开的实施方式的AI装置1500。

图16示出根据本公开的实施方式的AI服务器1600。

图17示出根据本公开的实施方式的AI系统1700。

具体实施方式

以下，下行链路(DL)意指从基站到终端的通信，上行链路(UL)意指从终端到基站的通信。在下行链路中，发送器可以是基站的一部分，接收器可以是终端的一部分。在上行链路中，发送器可以是终端的一部分，接收器可以是基站的一部分。基站可被表示为第一通信装置，终端可被表示为第二通信装置。基站(BS)可由包括固定站、节点B、演进节点B(eNB)、下一代节点B(gNB)、基本收发器系统(BTS)、接入点(AP)、网络(5G网络)、AI系统、路边单元(RSU)、车辆、机器人、无人驾驶飞行器(UAV)、增强现实(AR)装置、虚拟现实(VR)装置等的术语替换。此外，终端可以是固定的或移动的，并且可由包括用户设备(UE)、移动站(MS)、用户终端(UT)、移动订户站(MSS)、订户站(SS)、高级移动站(AMS)、无线终端(WT)、机器型通信(MTC)装置、机器对机器(M2M)装置和装置对装置(D2D)装置、车辆、机器人、AI模块、无人驾驶飞行器(UAV)、增强现实(AR)装置、虚拟现实(VR)装置等的术语代替。

以下技术可用在包括CDMA、FDMA、TDMA、OFDMA、SC-FDMA等的各种无线电接入系统中。CDMA可被实现为诸如通用地面无线电接入(UTRA)或CDMA2000的无线电技术。TDMA可被实现为诸如全球移动通信系统(GSM)/通用分组无线电服务(GPRS)/增强数据速率GSM演进(EDGE)的无线电技术。OFDMA可被实现为诸如电气和电子工程师协会(IEEE)802.11(Wi-Fi)、IEEE 802.16(WiMAX)、IEEE 802.20、演进UTRA(E-UTRA)等的无线电技术。UTRA是通用移动电信系统(UMTS)的一部分。第3代合作伙伴计划(3GPP)长期演进(LTE)是使用E-UTRA的演进UMTS(E-UMTS)的一部分，LTE-Advanced(A)/LTE-A pro是3GPP LTE的演进版本。3GPPNR(新无线电或新无线电接入技术)是3GPP LTE/LTE-A/LTE-A pro的演进版本。

为了描述清晰，本公开的技术精神基于3GPP通信系统(例如，LTE-A或NR)来描述，但是本公开的技术精神不限于此。LTE意指3GPP TS 36.xxx Release 8之后的技术。详细地，3GPP TS 36.xxx Release 10之后的LTE技术被称为LTE-A，3GPP TS 36.xxx Release13之后的LTE技术被称为LTE-A pro。3GPP NR意指TS 38.xxx Release 15之后的技术。LTE/NR可被称为3GPP系统。“xxx”意指详细标准文档编号。LTE/NR可被统称为3GPP系统。对于用于描述本公开的背景技术、术语、省略等，可参考在本公开之前公开的标准文档中所公开的事项。例如，可参考以下文档。

3GPP LTE

-36.211：物理信道和调制

-36.212：复用和信道编码

-36.213：物理层过程

-36.300：总体描述

-36.331：无线电资源控制(RRC)

3GPP NR

-38.211：物理信道和调制

-38.212：复用和信道编码

-38.213：用于控制的物理层过程

-38.214：用于数据的物理层过程

-38.300：NR和NG-RAN总体描述

-36.331：无线电资源控制(RRC)协议规范

随着越来越多的通信装置需要更大的通信容量，需要与现有无线电接入技术(RAT)相比改进的移动宽带通信。此外，通过连接许多装置和对象来随时随地提供各种服务的大规模机器型通信(MTC)是下一代通信中要考虑的主要问题之一。另外，正在讨论考虑对可靠性和延迟敏感的服务/UE的通信系统设计。讨论引入考虑增强移动宽带通信(eMBB)、大规模MTC(mMTC)、超可靠低延迟通信(URLLC)的下一代无线电接入技术，并且在本公开中，为了方便，该技术被称为新RAT。NR是表示5G无线电接入技术(RAT)的示例的表达。

5G的三个主要需求领域包括(1)增强移动宽带(eMBB)领域、(2)大规模机器型通信(mMTC)领域和(3)超可靠低延迟通信(URLLC)领域。

一些使用情况可能需要多个领域来优化，其它使用情况可仅聚焦于一个关键性能指标(KPI)。5G以灵活且可靠的方式支持这各种使用情况。

eMBB远超过基本移动互联网接入并且涵盖了丰富双向任务、云或增强现实中的媒体和娱乐应用。数据是5G的一个关键驱动力，在5G时代可能第一次看不到专用语音服务。在5G中，预期将使用通信系统简单提供的数据连接来将语音处理为应用程序。业务量增加的主要原因包括内容大小增加以及需要高数据传送速率的应用的数量增加。随着越来越多的装置连接到互联网，将越广泛地使用流服务(音频和视频)、对话型视频和移动互联网连接。这许多应用程序需要常开的连接，以便向用户推送实时信息和通知。在移动通信平台中云存储和应用突然增加，并且这可应用于商业和娱乐二者。此外，云存储是带动上行链路数据传送速率的增长的特殊使用情况。5G还用于远程云业务。当使用触觉接口时，需要更低的端对端延迟以维持优异的用户体验。娱乐(例如，云游戏和视频流)是增加对移动宽带能力的需求的其它关键要素。在包括诸如火车、车辆和飞机的高移动性环境的任何地方，在智能电话和平板计算机中娱乐是必不可少的。另一使用情况是用于娱乐的增强现实和信息搜索。在这种情况下，增强现实需要非常低的延迟和即时量的数据。

此外，最令人期待的5G使用情况之一涉及能够平滑地连接所有领域中的嵌入式传感器(即，mMTC)的功能。到2020年，预期潜在IoT装置将达到204亿。工业IoT是5G扮演主要角色从而实现智能城市、资产跟踪、智能公共设施、农业和安全基础设施的领域之一。

URLLC包括将通过主要基础设施的远程控制和具有超可靠性/低可用延迟的链路改变行业的新服务，例如自驾驶车辆。对于智能电网控制、工业自动化、机器人工程、无人机控制和调节，可靠性和延迟的级别至关重要。

更具体地描述多个使用情况。

5G可作为提供从每秒千兆比特到每秒几百兆比特评估的流的手段补充光纤到户(FTTH)和基于线缆的宽带(或DOCSIS)。除了虚拟现实和增强现实之外，需要这样快的速度来传送分辨率为4K或更高(6K、8K或更高)的TV。虚拟现实(VR)和增强现实(AR)应用包括沉浸式体育赛事。特定应用程序可能需要特殊网络配置。例如，在VR游戏的情况下，游戏公司为了使延迟最小化，核心服务器可能需要与网络运营商的边缘网络服务器集成。

伴随着用于汽车移动通信的许多使用情况，汽车预期是5G中的重要的新驱动力。例如，乘客的娱乐同时需要高容量和高移动性移动宽带。其原因在于，未来的用户不管其位置和速度如何持续期望高质量连接。汽车领域的另一使用示例是增强现实仪表板。增强现实仪表板将标识黑暗中的对象并向驾驶者通知对象的距离和移动的信息交叠并显示在驾驶者通过前窗看到的事物上方。在未来，无线模块实现汽车之间的通信、汽车与所支持的基础设施之间的信息交换以及汽车与其它连接的装置(例如，行人所携带的装置)之间的信息交换。安全系统指导替代行为路线以使得驾驶者可更安全地驾驶，从而降低事故的危险。下一步将是远程控制或自驾驶车辆。这需要不同的自驾驶车辆之间以及汽车与基础设施之间的非常可靠、非常快速的通信。在未来，自驾驶车辆可执行所有驾驶活动，并且驾驶者将关注汽车本身无法识别的交通以外的事物。自驾驶车辆的技术要求需要超低延迟和超高速可靠性，以使得交通安全性增加至人无法达到的水平。

作为智能社会提及的智能城市和智能家庭将作为高密度无线电传感器网络嵌入。智能传感器的分布式网络将标识城市或家庭的成本以及节能维护的条件。可为各个家庭执行类似配置。温度传感器、窗户和加热控制器、防盗警报器和家用电器全部无线连接。这些传感器中的许多通常为低数据传送速率、低能量和低成本。然而，例如，特定类型的监控用装置可能需要实时HD视频。

包括热或气的能量的消费和分配是高度分布的，因此需要分布式传感器网络的自动化控制。智能电网收集信息并使用数字信息和通信技术将这些传感器互连，以使得传感器基于该信息操作。该信息可包括供应商和消费者的行为，因此智能电网可按照高效、可靠、经济、生产可持续和自动化的方式改进诸如电力的燃料的分配。智能电网可被视为具有小延迟的另一传感器网络。

健康部分拥有受益于移动通信的许多应用程序。通信系统可支持在遥远的地方提供临床治疗的远程治疗。这有助于降低距离的阻碍，并且可改进在偏远农村无法连续使用的医疗服务的获取。此外，这用于在重要治疗和紧急状况下挽救生命。基于移动通信的无线电传感器网络可针对诸如心率和血压的参数提供远程监测和传感器。

无线电和移动通信在工业应用领域中变得越来越重要。布线需要高安装和维护成本。因此，在许多工业领域中，将用可重新配置的无线电链路代替线缆的可能性是有吸引力的机会。然而，实现这种可能性需要无线电连接以与线缆相似的延迟、可靠性和容量操作并且管理简化。低延迟和低错误概率是5G连接的新要求。

物流和货运跟踪是移动通信的重要使用情况，其允许使用基于位置的信息系统在任何地方跟踪库存和包裹。物流和货运跟踪使用情况通常需要较低的数据速度，但是较宽的区域和可靠的位置信息。

<人工智能(AI)>

人工智能意指研究人工智能或能够生成人工智能的方法的领域。机器学习意指定义人工智能领域中处理的各种问题和求解这些问题的方法的领域。机器学习也被定义为通过任务的连续体验来改进任务的性能的算法。

人工神经网络(ANN)是机器学习中使用的模型，并且配置有通过突触的组合形成网络的人工神经元(节点)，并且可意指具有问题求解能力的整个模型。人工神经网络可由不同层的神经元之间的连接图案、更新模型参数的学习过程以及生成输出值的激活函数定义。

人工神经网络可包括输入层、输出层以及可选地一个或更多个隐藏层。各个层包括一个或更多个神经元。人工神经网络可包括连接神经元的突触。在人工神经网络中，各个神经元可针对通过突触输入的输入信号、权重和偏置输出激活函数的函数值。

模型参数意指通过学习确定的参数，并且包括突触连接的权重和神经元的偏置。此外，超参数意指在机器学习算法中需要在学习之前配置的参数，并且包括学习速率、重复次数、最小部署大小和初始化函数。

人工神经网络的学习目的可被视为确定使损失函数最小化的模型参数。损失函数可用作在人工神经网络的学习过程中确定最优模型参数的指标。

基于学习方法，机器学习可被分类为监督学习、无监督学习和强化学习。

监督学习意指在已给出学习数据的标签的状态下训练人工神经网络的方法。标签可意指当学习数据被输入到人工神经网络时人工神经网络必须推断出的答案(或结果值)。无监督学习可意指在没有给出学习数据的标签的状态下训练人工神经网络的方法。强化学习可意指环境内定义的代理被训练以在各个状态下选择使累积补偿最大化的行为或行为序列的学习方法。

人工神经网络当中被实现为包括多个隐藏层的深度神经网络(DNN)的机器学习也被称为深度学习。深度学习是机器学习的一部分。以下，机器学习用作包括深度学习的含义。

<机器人>

机器人可意指自动地处理给定任务或基于自主拥有的能力来操作的机器。具体地，具有识别环境并自主地确定并执行操作的功能的机器人可被称为智能型机器人。

机器人可基于其使用目的或领域被分类为工业、医疗、家庭和军事领域。

机器人包括驱动单元(包括致动器或电机)，并且可执行诸如移动机器人关节的各种物理操作。此外，可移动机器人在驱动单元中包括轮子、制动器、推进器等，并且可通过驱动单元在地面上行驶或在空中飞行。

<自驾驶(自主驾驶)>

自驾驶意指自主驾驶的技术。自驾驶车辆意指在没有用户操纵的情况下或通过用户的最小操纵来行驶的车辆。

例如，自驾驶可包括所有维持行驶车道的技术、自动地控制速度的技术(例如，自适应巡航控制)、沿着预定路径自动驾驶的技术、当设定目的地时自动地配置路径并驾驶的技术。

车辆包括所有仅具有内燃发动机的车辆、包括内燃发动机和电动机二者的混合动力车辆以及仅具有电动机的电动车辆，并且除了车辆之外还可包括火车、摩托车等。

在这种情况下，自驾驶车辆可被视为具有自驾驶功能的机器人。

<扩展现实(XR)>

扩展现实统一地指虚拟现实(VR)、增强现实(AR)和混合现实(MR)。VR技术仅将真实世界的对象或背景作为CG图像提供。AR技术在实际事物图像上提供虚拟生成的CG图像。MR技术是用于将虚拟对象与真实世界混合并组合并提供它们的计算机图形技术。

MR技术与AR技术的相似之处在于它显示真实对象和虚拟对象。然而，在AR技术中，虚拟对象以补充真实对象的形式使用。相反，与AR技术不同，在MR技术中，虚拟对象和真实对象用作相同的角色。

XR技术可应用于头戴式显示器(HMD)、平视显示器(HUD)、移动电话、平板PC、膝上型计算机、台式计算机、TV和数字标牌。应用了XR技术的装置可被称为XR装置。

在包括NR的新RAT系统中使用OFDM传输方案或与之类似的传输方案。新RAT系统可遵循与LTE的OFDM参数不同的OFDM参数。另选地，新RAT系统可原样遵循传统LTE/LTE-A的参数集或者具有更大的系统带宽(例如，100MHz)。另选地，一个小区可支持多个参数集。换言之，以不同的参数集操作的UE可共存于一个小区中。

参数集对应于频域中的一个子载波间距。可通过将参考子载波间距缩放为整数N来定义不同的参数集。

术语的定义

eLTE eNB：eLTE eNB是支持与EPC和NGC的连接性的eNB的演进。

gNB：支持NR以及与NGC的连接性的节点。

新RAN：支持NR或E-UTRA或与NGC的接口的无线电接入网络。

网络切片：网络切片是由运营商定义的网络，其被定制以为要求具有端对端范围的特定要求的特定市场场景提供优化的解决方案。

网络功能：网络功能是网络基础设施内具有定义明确的外部接口和定义明确的功能行为的逻辑节点。

NG-C：新RAN和NGC之间的NG2参考点上使用的控制平面接口。

NG-U：新RAN和NGC之间的NG3参考点上使用的用户平面接口。

非独立NR：gNB需要LTE eNB作为与EPC的控制平面连接性的锚点或者需要eLTEeNB作为与NGC的控制平面连接性的锚点的部署配置。

非独立E-UTRA：eLTE eNB需要gNB作为与NGC的控制平面连接性的锚点的部署配置。

用户平面网关：NG-U接口的终接点。

系统总则

图1示出本说明书所提出的方法适用于的新无线电(NR)系统的总体结构的示例。

参照图1，NG-RAN由为用户设备(UE)提供NG-RA用户平面(新AS子层/PDCP/RLC/MAC/PHY)和控制平面(RRC)协议终接的gNB组成。

gNB通过Xn接口彼此互连。

gNB还通过NG接口连接到NGC。

更具体地，gNB通过N2接口连接到接入和移动性管理功能(AMF)并且通过N3接口连接到用户平面功能(UPF)。

新Rat(NR)参数集和帧结构

在NR系统中，可支持多个参数集。参数集可由子载波间距和循环前缀(CP)开销定义。可通过将基本子载波间距缩放为整数N(或μ)来推导多个子载波之间的间距。另外，尽管假设在非常高的子载波频率下不使用非常低的子载波间距，但是可独立于频带来选择要使用的参数集。

另外，在NR系统中，可支持根据多个参数集的各种帧结构。

以下，将描述NR系统中可考虑的正交频分复用(OFDM)参数集和帧结构。

NR系统中支持的多个OFDM参数集可如表1中定义。

[表1]

μ	Δf＝2<sup>μ</sup>·15[kHz]	循环前缀
			0	15	正常
1	30	正常
			2	60	正常，扩展
3	120	正常
			4	240	正常

关于NR系统中的帧结构，时域中的各种字段的大小被表示为时间单位T_s＝1/(Δf_max·N_f)的倍数，其中Δf_max＝480·10³，并且N_f＝4096。下行链路传输和上行链路传输被组织为持续时间为T_f＝(Δf_maxN_f/100)·T_s＝10ms的无线电帧。无线电帧由各自具有T_sf＝(Δf_maxN_f/1000)·T_s＝1ms区段的十个子帧组成。在这种情况下，可存在上行链路中的帧集合和下行链路中的帧集合。

图2示出本公开所提出的方法适用于的无线通信系统中的UL帧和DL帧之间的关系。

如图2所示，用于从用户设备(UE)的传输的UL帧号i应在对应UE处的对应下行链路帧开始之前T_TA＝N_TAT_s开始。

关于参数集μ，时隙在子帧内按

的升序编号，并且在无线电帧内按

的升序编号。一个时隙由

个连续OFDM符号组成，并且

根据所使用的参数集和时隙配置来确定。子帧中的时隙

的开始在时间上与同一子帧中的OFDM符号

的开始对齐。

并非所有UE均能够同时发送和接收，这意味着并非DL时隙或UL时隙中的所有OFDM符号均可使用。

表2表示正常CP中的每时隙的OFDM符号的数量

每无线电帧的时隙的数量

和每子帧的时隙的数量

表3表示扩展CP中的每时隙的OFDM符号的数量、每无线电帧的时隙的数量和每子帧的时隙的数量。

[表2]

[表3]

图3示出NR系统中的帧结构的示例。图3仅是为了说明方便，并不限制本公开的范围。

在表3中，在μ＝2的情况下，即，作为子载波间距(SCS)为60kHz的示例，一个子帧(或帧)可参考表2包括四个时隙，并且图3所示一个子帧＝{1,2,4}时隙，例如，一个子帧中可包括的时隙的数量可如表2中定义。

此外，迷你时隙可由2、4或7个符号组成，或者可由更多符号或更少符号组成。

关于NR系统中的物理资源，可考虑天线端口、资源网格、资源元素、资源块、载波部分等。

以下，将更详细地描述NR系统中可考虑的上述物理资源。

首先，关于天线端口，天线端口被定义为使得发送一个天线端口上的符号的信道可从发送相同天线端口上的符号的另一信道推断。当接收一个天线端口上的符号的信道的大规模性质可从发送另一天线端口上的符号的另一信道推断时，两个天线端口可处于QC/QCL(准协同定位或准同位)关系。本文中，大规模性质可包括延迟扩展、多普勒扩展、频移、平均接收功率和接收定时中的至少一个。

图4示出本公开中所提出的方法适用于的无线通信系统中所支持的资源网格的示例。

参照图4，资源网格由频域上的

个子载波组成，各个子帧由14·2^μ个OFDM符号组成，但本公开不限于此。

在NR系统中，所发送的信号由包括

个子载波和

个OFDM符号的一个或更多个资源网格描述，其中

表示最大传输带宽并且可不仅在参数集之间改变，而且在上行链路和下行链路之间改变。

在这种情况下，如图5所示，可每参数集μ和天线端口p配置一个资源网格。

图5示出本公开中所提出的方法适用于的每天线端口的资源网格和参数集的示例。

用于参数集μ和天线端口p的资源网格的各个元素被称为资源元素并且由索引对

唯一地标识，其中

是频域上的索引，

指子帧中的符号的位置。索引对(k,l)用于指时隙中的资源元素，其中

用于参数集μ和天线端口p的资源元素

对应于复值

当不存在混淆风险时或者当未指定特定天线端口或参数集时，索引p和μ可被丢弃，结果，复值可为

或

此外，物理资源块被定义为频域中的

个连续子载波。

点A用作资源块网格的公共参考点并且可如下获得。

-用于PCell下行链路的offsetToPointA表示点A与和UE用于初始小区选择的SS/PBCH块交叠的最低资源块的最低子载波之间的频率偏移并且以资源块为单位表示，对于FR1假设15kHz子载波间距，对于FR2假设60kHz子载波间距；

-absoluteFrequencyPointA表示以绝对射频信道号(ARFCN)表示的点A的频率位置；

对于子载波间距配置μ，公共资源块从0开始在频域中向上编号。

子载波间距配置μ的公共资源块0的子载波0的中心与“点A”重合。频域中的公共资源块号

和子载波间距配置μ的资源元素(k,l)可由下式1给出。

[式1]

这里，k可相对于点A定义，以使得k＝0对应于以点A为中心的子载波。物理资源块在带宽部分(BWP)内定义并且从0至

编号，其中i是BWP的编号。BWP i中的物理资源块n_PRB与公共资源块n_CRB之间的关系可由下式2给出。

[式2]

这里，

可以是公共资源块，其中BWP相对于公共资源块0开始。

此外，可在载波级别设定载波所支持的各个参数集的PRB网格、各个DL/UL载波中的BWP设置(支持至多4BWP)、码块组(CBG)设置、每小区组的传输功率控制(TPC)、HARQ进程、加扰/序列化相关参数等。可在BWP步骤设定控制资源集(每小区设定，但每BWP关联)、资源分配相关参数和DM-RS配置、CSI-RS相关参数、SRS资源集、HARQ-ACK和调度请求(SR)资源、设定UL许可等。

增强移动宽带通信(eMBB)

在NR系统的情况下，可考虑发送天线和接收天线大大增加的大规模MIMO环境。即，随着考虑大规模MIMO环境，发送/接收天线的数量可增加至数十或数百或更多。在大规模MIMO环境中，为了降低硬件实现复杂度，使用多个天线增加性能，方便资源分配的灵活性，并且方便对各个频率的波束控制，需要根据应用波束成形权重向量/预编码向量的位置组合模拟波束成形技术和数字波束成形技术的混合型波束成形技术。

图6是示出发送端和接收端的框图的示例的图。

如图6所示，当使用传输路径时，子阵列的各个元件可具有直接应用于RF域的相移，但是可对供应各个子阵列的信号应用基于复权重向量的数字波束成形技术。接收端可通过多个天线接收信号并且通过模数转换器(ADC)、解调器、解码器等输出最终信号。考虑到噪声和信号放大，最终信号可作为差分信号输出。

图7示出包括64×64二维天线和连接到各个天线的1比特模数转换器(ADC)的接收设备的示例。这里，ADC的前一级中的射频(RF)前端被省略。图7仅是为了描述方便，并不限制本公开的范围。

参照图7，例如，接收设备包括4096(例如，64×64)个天线，并且针对连接到各个天线的接收路径(RX路径)的I(同相)信号(实信号)和Q(正交)信号(例如，虚信号)可包括各个1比特ADC。

在包括现有高性能ADC的接收设备中，a+bj(例如，a和b分别是由8比特至10比特表示的数)形式的接收信号作为高性能ADC的输出被发送至基带。以下，现有高性能ADC的输出信号将被称为未量化版本。高性能ADC在输出信号的分辨率方面优异，但是缺点可能在于系统功耗。

此外，参照图7，通过1比特ADC发送至基带的信号类型可被限制为每接收路径四个类型。即，可针对各个接收路径接收1+j、1-j、-1+j和-1+j当中的一个信号。尽管由于诸如接收信号的大小的信息损失，包括1比特ADC的接收设备可能难以获得诸如信噪比(SNR)的信息，但是通过相位信息的信息传输可能容易并且系统的功耗远低于高性能ADC的功耗。

在本公开中，基于差分相移调制方法(例如，差分二进制相移键控(DBPSK)、差分正交相移键控(DQPSK)等)的调制技术和非相干检测方法的解调技术，提出了1比特量化系统中的发送和接收方法。1比特量化系统可使用1比特ADC，因此可由诸如1比特ADC系统的术语代替。以下，为了说明方便，将使用差分BPSK(DBPSK)方法作为基础。然而，这仅是为了描述方便，并非限制本公开的技术构思。因此，显而易见可同样应用DQPSK方法。

差分相移调制(差分相移键控DPSK)是基于连续符号之间的载波的相位差来传送数据的调制方法。例如，在差分BPSK(DBPSK)中，可通过将180°加到当前相位来发送“1”，通过将0°加到当前相位来发送“0”。在差分QPSK(DQPSK)中，相移可对应于与数据“00”、“01”、“11”和“10”对应的0°、90°、180°和-90°。在接收设备中，当仅相邻符号之间的相位差已知时可进行解调。

图8示出执行DBPSK调制的示例。为了在DBPSK调制中发送0，发送与先前符号中调制的符号相同的符号。为了发送1，通过应用与先前符号的π的相位差来发送符号。参照图8，发送设备可连续地发送1,1以发送0，并且可连续地发送1,0以发送1。在发送设备发送信号的同时，可假设相干时间相同，即，信道不改变，是相同的。以下，为了描述方便，假设当b＝0时，即，连续地发送1和1。然而，这仅是为了描述方便，并不限制本公开的技术构思。

图9示出使接收设备所接收的编码信号通过1比特ADC的结果的示例。可假设编码信号是通过DBPSK方法调制的信号。

参照图9，在接收路径1(RX1)的情况下，在第t符号中接收到-1+j，并且在第t+1符号中也接收到-1+j。因此，在两者之间信道相同的假设下，接收设备可通过解码确定已接收到0，并且此时的差分值可被输出为2。即，差分值可被表示为在第t符号中接收的值的共轭值与在t+1符号中接收的值的乘积。在接收路径2(RX2)的情况下，在类似地通过信道之后，在第t符号和t+1符号二者中接收到-1-j，并且可输出差分值2。因此，接收设备可假设发送设备发送了b＝0。

<方法1>

如上所述，与现有非量化版本不同，1比特ADC系统中的发送和接收方法可向基带发送四个值之一。随着信号通过1比特ADC，所有信号大小信息均丢失，并且在相位信息被量化为四个类型的同时，可能发生信息损失。然而，在从非相干检测的角度信道相同的假设下，仅使用两个连续符号的相位变化就可进行数据检测。因此，1比特ADC系统中的接收设备需要考虑新的接收技术。

通常，接收设备对已经历信道编码的编码比特执行解码。因此，有必要计算指示所接收的编码比特的可靠性的对数似然比(LLR)值。

式3表示当在时间索引k编码的比特x通过解码器被接收为y时的LLR。

[式3]

如式3所示，信噪比(SNR)信息对于LLR计算至关重要，但是由于在1比特ADC系统中难以获得SNR，所以也可能难以获得准确的LLR值。

因此，有必要考虑在1比特ADC系统中计算可靠性(例如，LLR)的方法。

在1比特ADC系统中，可使用通过多个接收路径(例如，所有接收路径)中的每一个接收的信号来计算所接收的编码比特的可靠性。例如，如上述图7的接收设备的示例中一样，可假设存在4096个接收路径。如上所述，在各个接收路径中接收的以DBPSK调制的两个连续符号的差分值可为{2,2j,-2,-2j}之一。可假设4096个接收路径的差分值如表4所示(可通过将各个差分值归一化为1/2值来表示)。

[表4]

参照表4，在具有差分值1的接收路径中，可确定编码比特为0，并且当差分值为-1时，可确定编码比特为1。此外，在具有差分值j或-j的接收路径的情况下，可以看出所接收的比特不具有可靠性，因为编码比特为0或1的概率为一半和一半。

因此，在1比特ADC系统环境中，LLR值可由式(4)表示。这里，Zk表示从第k接收路径输出的信号的差分值。

[式4]

参照式4，编码比特的LLR值可与从接收设备的多个接收路径(例如，所有接收路径)中的各个接收路径输出的信号的差分值的实值之和成比例。即，编码比特的LLR值可与从接收设备的多个接收路径(例如，所有接收路径)中的各个接收路径输出的信号之和的实值成比例。

当从各个接收路径输出的信号的差分值的数量大于1时，接收设备可确定接收到相同的信号，并且随着-1的数量更大，接收设备可确定接收到反转信号。当LLR为0时，可确定所接收的信号的可靠性较低，因为接收到1的情况和接收到-1的情况为一半和一半。因此，从数据检测的角度，当Zk值全部为1或全部为-1时，可以说所接收的比特具有最高可靠性。通过上述LLR计算方法，接收设备可执行数据解码。

另外，由于LLR值与从接收设备的多个接收路径(例如，所有接收路径)中的各个接收路径输出的各个信号的差分值的实值之和成比例，所以所接收的信号的可靠性可与接收设备的多个接收路径(例如，所有接收路径)的数量(例如，天线的数量)成比例。对于相同的信号，由于从各个天线接收相同信号的结果相同，所以可确定所接收的信号的可靠性较高。另外，可根据接收设备的接收路径的数量(例如，天线的数量)来调节LLR的权重。例如，接收设备的天线的数量越多，可应用的所计算的LLR值的权重越大。

<方法2>

如上所述，可确认通过DBPSK发送的数据的可靠性与接收路径的LLR值(即，Zk的值之间的相关)成比例。因此，通过经由连续参考信号(RS)识别这种相关的程度并将该程度报告给发送设备，发送设备和接收设备可调节数据传送以适应信道质量。

以下，将描述基于差分调制和解调在1比特ADC系统中针对自适应链路技术测量并报告信道质量的方法。

图10示出符号结构的示例。参照图10，可连续地发送已知参考信号。可考虑基于连续发送的参考信号计算信道质量的方法。

在本公开中，1比特ADC系统中的信道质量将被称为空间聚合信道质量(SACQ)(以下，SACQ)。

式5示出用于计算SACQ的式。SACQ可被定义为接收两个连续相同符号的参考信号并且已接收到它们的所有接收路径的差分信号值之和的实值。

[式5]

这里，Qk表示基于在各个接收路径中接收的连续参考信号的输出信号的差分值。

例如，当以1,1发送两个连续调制符号时，接收设备的各个接收路径的差分值可为{1,-1,j,-j}(归一化)之一。另外，当以1和-1发送两个连续调制符号时，可通过将最终值乘以-1来获得相同的差值。另外，总值的倍数也是可能的。

作为具体示例，当两个连续调制参考信号符号作为1和1发送时，接收设备可在差分值为1(归一化)时确定信道状态良好。此外，当差分值为-1(归一化)时，由于发送信号被反转并接收，所以可确定信道状态差或SNR差。

当在接收设备中连接到1比特ADC的接收路径的数量为N(例如，N是自然数)时，SACQ的最大值为N，最小值可对应于-N。SACQ值可取决于接收路径的数量N。即，信道质量(例如，SACQ)的最大值、最小值和范围可根据连接到1比特ADC的接收路径的数量而变化。例如，在SACQ值中具有4096(N＝4096)个接收路径的接收设备可具有最大值4096、最小值-4096以及-4096至4096的范围。在SACQ值中具有256(N＝256)个接收路径的接收设备可具有最大值256、最小值-256以及-256至256的范围。因此，从所接收的编码比特的可靠性的角度，可以说SACQ具有值4096的情况高于SACQ具有值256的情况。

为了在1比特ADC系统中针对自适应链路技术执行信道质量测量和报告时在系统中支持具有不同数量的接收路径(例如，N)的接收设备的SACQ值，发送设备和接收设备可发送/接收与SACQ有关的信息。

例如，接收设备可从发送设备接收设定的SACQ范围。发送设备可通过广播方法作为系统信息向接收设备告知SACQ的最大值(例如，SACQ_max或N_req等)。这里，SACQ的最大值(例如，SACQ_max或N_req等)指示包括被确定为具有最高频谱效率的1比特ADC的接收路径的数量。

另选地，接收设备可在初始连接时向发送设备发送其接收路径的数量。

另选地，通过组合上述情况，接收设备可从发送设备接收SACQ的最大值(例如，SACQ_max或N_req等)，并将其自己的接收路径的数量发送至发送设备。

另选地，接收设备将其接收路径的数量发送至发送设备，并且发送设备可基于所接收的接收设备的接收路径的数量来向接收设备设定SACQ的最大值和/或SACQ的范围。

发送设备向接收设备发送用于测量SACQ的两个符号的已知连续参考信号，并且接收参考信号的接收设备可报告各个SACQ值。当要报告的SACQ值大于发送设备所设定的SACQ的最大值(例如，SACQ_max或N_req等)时，可作为SACQ_max报告。当要报告的SACQ值小于-SACQ_max值时，可作为-SACQ_max报告。

作为具体示例，可假设发送设备所设定的SACQ_max值为64，一个接收器具有16个接收路径，另一接收器具有128个接收路径。在这种情况下，具有16个接收路径的接收器的SACQ值的范围可对应于-16至16。此外，在具有128个接收路径的接收器的情况下，接收器可具有-128至128范围内的SACQ值，并且当实际测量值小于-64时，可作为-64报告，当实际测量值大于64时，可作为64报告。

如上所述，所计算的SACQ值本身可被发送至发送设备。另选地，SACQ值可被映射至特定函数并作为反馈信息发送至发送设备。例如，其可按照f(SACQ,others)(这里，f表示函数)的形式映射和发送。

SACQ值的范围可取决于接收设备的接收路径的数量。当接收设备的接收路径的数量较小时，可能发生无法达到系统所设定的SACQ值的范围。例如，当系统所设定的SACQ值的最大值和最小值分别为64和-64时，具有16个接收路径的接收设备可能不满足系统所设定的最大频谱效率。因此，有必要考虑扩展SACQ值的范围的方法。

在一个示例中，发送设备可连续地发送用于SACQ测量的参考信号M+1次(M是自然数)，并且接收设备可接收发送M+1次的参考信号和SACQ值达接收路径的数量的M倍(M×接收路径的数量)。可通过将所测量的SACQ值相加来计算最终SACQ值。在这种情况下，M值可在发送设备和接收设备之间用信号通知，并且可通过接收设备的特定物理层信号或高层信令来设定。用于SACQ累加的信令可由发送设备或由接收设备触发。

作为具体示例，可假设接收设备具有16个接收路径，并且所设定的SACQ值的最大值为64。在这种情况下，由于接收设备无法满足系统所设定的SACQ值的范围，所以可根据上述方法扩展SACQ值。当M＝4时，发送设备可发送已知参考信号总共5次，接收设备可在时域中从差分信号计算SACQ值达4次。可通过将总共四个SACQ相加来获得-64至64范围内的SACQ值。

另选地，用于SACQ测量的参考信号的长度可与接收设备的接收路径的数量相联系。例如，当接收设备的接收路径的数量为N并且发送设备所设定的SACQ_max对应于接收路径的数量的M倍(N×M)时，发送设备可通过考虑M值调节用于SACQ测量的参考信号的长度来发送。当SACQ_max为N时，发送设备可发送与参考信号的长度的(M+1)倍对应的参考信号。作为具体示例，当SACQ_max值为128并且存在16个接收路径时，可设定M＝8，当SACQ_max值为16时，发送设备可发送长度与参考信号的9倍对应的参考信号，并且接收设备可接收总共9个已知参考信号，并且测量并报告参考信号。

SACQ值的可靠性可由已知参考信号的重复次数确定。然而，在两个已知参考信号是相邻符号的情况下，即使当SACQ测量被重复多次时，也可认为SACQ值本身的可靠性不大。因此，需要一种增加SACQ值本身的可靠性的方法。

作为示例，发送设备可连续地发送用于SACQ测量的参考信号达M+1次，并且接收设备可测量SACQ值达M次并获得所测量的SACQ值的平均值，从而增加SACQ值本身的可靠性。在这种情况下，M可在发送设备和接收设备之间通过接收设备的特定物理层信号或高层信令来设定。用于SACQ累加的信令可由发送设备或由接收设备触发。

作为具体示例，可假设接收设备具有64个接收路径并且SACQ_max值为64。由于接收设备的接收路径的数量满足SACQ_max范围，所以可通过执行SACQ测量一次来计算SACQ值。然而，为了增加SACQ值本身的可靠性，SACQ测量可被重复。例如，当M＝3时，发送设备可发送已知参考信号总共4次，并且接收设备可在时域中从输出信号的差分值测量SACQ达3次。通过计算测量三次的SACQ的平均值，与现有SACQ值相比可获得-64至64范围内的更可靠的SACQ值。

1比特ADC系统中的信号发送和接收可通过上述方法和实施方式进行，并且可通过使用已知连续参考信号测量并报告信道质量(例如，SACQ)在1比特ADC系统中基于差分调制和解调自适应地调节数据传送速率。

图11示出本公开中提出的方法和实施方式可应用于的基于1比特量化来发送和接收信号的装置的操作流程图的示例。图11仅是为了描述方便，并不限制本公开的范围。

参照图11，假设发送设备和/或接收设备基于上述方法1和方法2和/或实施方式来操作。

接收设备可通过多个接收路径从发送设备接收基于差分相移键控(DPSK)方法调制的信号(S1110)。例如，多个接收路径中的各个接收路径可包括1比特模数转换器(ADC)。通过1比特ADC发送到基带的信号的类型可被限制为每接收路径四种。即，可针对各个接收路径接收1+j、1-j、-1+j和-1+j当中的一个信号。

接收设备可基于所接收的信号来计算多个接收路径中的各个接收路径中的差分值(S1120)。例如，通过多个接收路径中的各个接收路径的1比特ADC接收的以DBPSK调制的两个连续符号的差分值可以是{2,2j,-2,-2j}中的一个值，并且可被归一化并表示为{1,j,-1,-j}之一。

可计算所接收的信号的可靠性(S1130)。可基于上述方法1来计算可靠性。具体地，可靠性可与多个接收路径中的各个接收路径中的差分值之和的实值成比例。可解释为，多个接收路径中的各个接收路径中的差分值与1或-1中的任一个对应的情况越多，可靠性越高。另外，由于可靠性与多个接收路径中的各个接收路径中的差分值之和的实值成比例，所以可靠性可与接收设备的多个接收路径的数量(例如，天线的数量)成比例。另外，可根据接收设备的多个接收路径的数量(例如，天线的数量)来调节LLR的权重。接收设备可基于可靠性来执行数据解码。

图12示出本公开中提出的方法和实施方式可应用于的基于1比特量化来发送和接收信号的装置的操作流程图的另一示例。图12仅是为了描述方便，并不限制本公开的范围。

参照图12，假设发送设备和/或接收设备基于上述方法1和方法2和/或实施方式来操作。

接收设备可发送或接收与空间聚合信道质量(SACQ)有关的信息(S1210)。

作为示例，接收设备可从发送设备接收设定的SACQ范围。接收设备可接收指示包括被确定为具有最高频谱效率的1比特ADC的接收路径的数量的SACQ的最大值(例如，SACQ_max或N_req等)。另选地，接收设备可在初始连接时向发送设备发送接收设备的接收路径的数量。另选地，接收设备可向发送设备发送接收设备的接收路径的数量，并且发送设备可基于所接收的接收设备的接收路径的数量来为接收设备设定SACQ的最大值和/或SACQ的范围。

作为另一示例，发送设备可接收与发送设备连续地发送用于SACQ测量的参考信号多少次有关的信息。作为具体示例，当接收设备的接收路径的数量小于设定的SACQ范围(例如，接收路径的数量的M倍)时，发送设备可连续地发送用于SACQ测量的参考信号M+1次(M是自然数)，以测量与设定的SACQ范围对应的信道质量。M值可在发送设备和接收设备之间预设。

作为另一示例，可接收与用于SACQ测量的参考信号的长度有关的信息。作为具体示例，当接收设备的接收路径的数量为N，并且发送设备设定的SACQ_max对应于接收路径的数量的M倍(N×M)时，发送设备考虑M值，SACQ_max，当为N时，可发送与参考信号的长度的(M+1)倍对应的参考信号。M值可在发送设备和接收设备之间预设。

作为另一示例，可接收关于为改进SACQ值的可靠性而重复发送已知参考信号的次数的信息。作为具体示例，发送设备可重复地发送用于SACQ测量的参考信号M+1次，接收设备测量M次SACQ值并获得所测量的SACQ值的平均值以增加SACQ值本身的可靠性。M值可在发送设备和接收设备之间预设。

接收设备可通过接收设备的所有接收路径从发送设备接收两个连续参考信号(参考信号)(S1220)。这两个连续参考信号可按照DPSK方案调制。

接收设备可通过基于参考信号计算各个接收路径中的差分值来计算空间聚合信道质量(SACQ)作为求和值的实值(S1230)。信道质量可与接收设备的所有接收路径的数量有关。信道质量的最大值可对应于所有接收路径的数量的正值，信道质量的最小值可对应于所有接收路径的数量的负值。另外，信道质量的范围可对应于最小值至最大值的范围。

可基于在步骤S1210中设定的信息来测量信道质量(SACQ)。作为具体示例，当发送设备接收到用于SACQ测量的参考信号被连续发送M+1次(M是自然数)的信息时，接收设备可根据通过测量信道质量M次并对所测量的值求和而获得的值来计算信道质量。另选地，当接收到发送设备重复地发送参考信号M+1次的信息以改进SACQ的可靠性时，接收设备重复信道质量测量M次并利用平均值来计算信道质量。

接收设备可将所测量的信道质量(SACQ)报告给发送设备(S1240)。基于信道质量(SACQ)，发送设备和接收设备可调节数据速率以适应信道质量。

接收设备可从发送设备接收数据信号(S1250)。数据信号可以是通过DPSK调制的信号。数据信号可以是基于信道质量(SACQ)调节了码率的数据信号。此外，步骤S1250可对应于图11的步骤S1110。后续操作可对应于图11的步骤S1110至S1130，因此将省略重复描述。

本公开可应用于的一般装置

参照图13，无线通信系统可包括第一装置1310和第二装置1320。

第一装置1310可以是与基站有关的装置、网络节点、发送终端、接收终端、发送设备、接收设备、无线电装置、无线通信装置、车辆、安装有自驾驶功能的车辆、连接的汽车、无人机(无人驾驶飞行器(UAV))、人工智能(AI)模块、机器人、增强现实(AR)装置、虚拟现实(VR)装置、混合现实(MR)装置、全息装置、公共安全装置、MTC装置、IoT装置、医疗装置、FinTech装置(或金融装置)、安全装置、气候/环境装置、与5G服务有关的装置或者除了这些装置之外与第四次工业革命领域有关的装置。

第二装置1320可以是与基站有关的装置、网络节点、发送终端、接收终端、发送设备、接收设备、无线电装置、无线通信装置、车辆、安装有自驾驶功能的车辆、连接的汽车、无人机(无人驾驶飞行器(UAV))、人工智能(AI)模块、机器人、增强现实(AR)装置、虚拟现实(VR)装置、混合现实(MR)装置、全息装置、公共安全装置、MTC装置、IoT装置、医疗装置、FinTech装置(或金融装置)、安全装置、气候/环境装置、与5G服务有关的装置或者除了这些装置之外与第四次工业革命领域有关的装置。

例如，UE可包括便携式电话、智能电话、膝上型计算机、用于数字广播的终端、个人数字助理(PDA)、便携式多媒体播放器(PMP)、导航仪、石板PC、平板PC、超级本、可穿戴装置(例如，手表型终端(智能手表)、眼镜型终端(智能眼镜)、头戴式显示器(HMD))等。例如，HMD可以是穿戴在头上的形式的显示装置。例如，HMD可用于实现VR、AR或MR。

例如，无人机可以是通过无线控制信号来飞行的飞行器，而没有人在飞行载具上。例如，VR装置可包括实现虚拟世界的对象或背景的装置。例如，AR装置可包括通过将其连接到真实世界的对象或背景来实现虚拟世界的对象或背景的装置。例如，MR装置可包括通过将其与真实世界的对象或背景合并来实现虚拟世界的对象或背景的装置。例如，全息装置可包括通过利用当称为全息术的两个激光相遇时生成的光束的干涉现象记录和回放立体信息来实现360度立体图像的装置。例如，公共安全装置可包括能够穿戴在用户身上的视频中继装置或成像装置。例如，MTC装置和IoT装置可以是不需要人的直接干预或操纵的装置。例如，MTC装置和IoT装置可包括智能仪表、自动售货机、温度计、智能灯泡、门锁或各种传感器。例如，医疗装置可以是用于诊断、治疗、减少、处理或预防疾病的装置。例如，医疗装置可以是用于诊断、治疗、减轻或校正损伤或障碍的装置。例如，医疗装置可以是用于测试、置换或修改结构或功能的装置。例如，医疗装置可以是用于控制妊娠的装置。例如，医疗装置可包括用于治疗的装置、用于手术的装置、用于(外部)诊断的装置、助听器或用于外科手术的装置。例如，安全装置可以是被安装以防止可能的危险并维持安全的装置。例如，安全装置可以是相机、CCTV、记录仪或黑匣子。例如，FinTech装置可以是能够提供诸如移动支付的金融服务的装置。例如，FinTech装置可包括支付装置或销售点(POS)。例如，气候/环境装置可包括用于监测或预测气候/环境的装置。

第一装置1310可包括诸如处理器1311的至少一个处理器、诸如存储器1312的至少一个存储器和诸如收发器1313的至少一个收发器。处理器1311可执行上述功能、过程和/或方法。处理器1311可执行一个或更多个协议。例如，处理器1311可执行无线电接口协议的一个或更多个层。存储器1312连接到处理器1311并且可存储各种形式的信息和/或指令。收发器1313连接到处理器1311并且可被控制以发送和接收无线电信号。

作为具体示例，处理器1311可控制收发器1313向第二装置1320发送通过差分相移键控(DPSK)方法调制的信号(S1110和S1220)。另外，处理器1311可控制收发器1313向第二装置1320发送/接收与空间聚合信道质量(SACQ)有关的信息(S1210)。另外，处理器1311可控制收发器1313从第二装置1320接收空间聚合信道质量(SACQ)报告(S1240)。

第二装置1320可包括诸如处理器1321的至少一个处理器、诸如存储器1322的至少一个存储器装置和诸如收发器1323的至少一个收发器。处理器1321可执行上述功能、过程和/或方法。处理器1321可实现一个或更多个协议。例如，处理器1321可实现空中接口协议的一个或更多个层。存储器1322连接到处理器1321并且可存储各种类型的信息和/或命令。收发器1323可连接到处理器1321并且可被控制为发送/接收无线信号。

作为具体示例，处理器1321可控制收发器1323通过1比特ADC从第一装置1310接收以DPSK方法调制的信号(S1110)，并且可发送/接收与SACQ有关的信息(S1210)。

另外，处理器1321可基于所接收的信号来计算差分值(differential value)(S1120)，并且可计算所接收的信号的可靠性(reliability)(S1130)。可靠性可基于上述方法1来计算，并且可与从各个接收路径输出的差分值的实值之和成比例。另选地，可通过基于参考信号计算各个接收路径中的差分值来计算空间聚合信道质量(SACQ)作为求和值的实值(S1230)。

另外，处理器1321可控制收发器1323向第一装置1310报告空间聚合信道质量(SACQ)(S1240)。

参照图14，无线通信系统包括基站1410以及设置在基站区域内的多个UE 1420。基站可被表示为发送装置，UE可被表示为接收装置，反之亦然。基站和UE分别包括处理器1411和1421、存储器1414和1424、一个或更多个Tx/Rx射频(RF)模块1415和1425、Tx处理器1412和1422、Rx处理器1413和1423以及天线1416和1426。处理器实现上述功能、处理和/或方法。更具体地，在DL(从基站到UE的通信)中，来自核心网络的高层分组被提供给处理器1411。处理器实现L2层的功能。在DL中，处理器向UE 1420提供逻辑信道与传输信道之间的复用以及无线电资源分配，并且负责朝着UE的信令。TX处理器1412实现用于L1层(即，物理层)的各种信号处理功能。信号处理功能方便UE中的前向纠错(FEC)，并且包括编码和交织。编码和调制的符号被分割成并行流。各个流被映射至OFDM子载波并且在时域和/或频域中与参考信号(RS)复用。使用快速傅里叶逆变换(IFFT)将流组合以生成承载时域OFDMA符号流的物理信道。OFDM流被空间预编码，以便生成多个空间流。各个空间流可通过单独的Tx/Rx模块(或发送器和接收器1415)提供给不同的天线1416。各个Tx/Rx模块可将RF载波调制到各个空间流中以便于传输。在UE中，各个Tx/Rx模块(或发送器和接收器1425)通过各个Tx/Rx模块的各个天线1426来接收信号。各个Tx/Rx模块恢复RF载波中调制的信息并将其提供给RX处理器1423。RX处理器实现层1的各种信号处理功能。RX处理器可对信息执行空间处理以便恢复朝着UE的给定空间流。如果多个空间流指向UE，则它们可由多个RX处理器组合成单个OFDMA符号流。RX处理器使用快速傅里叶变换(FFT)将OFDMA符号流从时域转换到频域。频域信号包括用于OFDM信号的各个子载波的单独OFDMA符号流。各个子载波上的符号和参考信号通过确定基站所发送的具有最佳概率的信号部署点来恢复和解调。这些软决策可基于信道估计值。软决策被解码和解交织以便恢复基站在物理信道上最初发送的数据和控制信号。对应数据和控制信号被提供给处理器1421。

UL(从UE到基站的通信)由基站1410以与关于UE 1420中的接收器功能描述的方式类似的方式处理。各个Tx/Rx模块1425通过各个天线1426接收信号。各个Tx/Rx模块将RF载波和信息提供给RX处理器1423。处理器1421可与存储程序代码和数据的存储器1424有关。存储器可被称为计算机可读介质。

图15示出根据本公开的实施方式的AI装置1500。

AI装置1500可被实现为固定装置或移动装置，例如TV、投影仪、移动电话、智能电话、台式计算机、笔记本、用于数字广播的终端、个人数字助理(PDA)、便携式多媒体播放器(PMP)、导航仪、平板PC、可穿戴装置、机顶盒(STB)、DMB接收机、收音机、洗衣机、冰箱、台式计算机、数字标牌、机器人和车辆。

参照图15，AI装置1500可包括通信单元1510、输入单元1520、学习处理器1530、感测单元1540、输出单元1550、存储器1570和处理器1580。

通信单元1510可使用有线和无线通信技术向外部装置(例如，其它AI装置1700a至1700e或AI服务器1600)发送以及从其接收数据。例如，通信单元1510可向外部装置发送以及从其接收传感器信息、用户输入、学习模型和控制信号。

通信单元1510所使用的通信技术的示例包括全球移动通信系统(GSM)、码分多址(CDMA)、长期演进(LTE)、5G、无线LAN(WLAN)、无线保真(Wi-Fi)、Bluetooth^TM、射频标识(RFID)、红外数据关联(IrDA)、ZigBee、近场通信(NFC)等。

输入单元1520可获得各种类型的数据。

输入单元1520可包括用于图像信号输入的相机、用于接收音频信号的麦克风、用于从用户接收信息的用户输入单元等。本文中，相机或麦克风被当作传感器，并且从相机或麦克风获得的信号可被称为感测数据或传感器信息。

输入单元1520可获得用于模型学习的学习数据以及当使用学习模型获得输出时要使用的输入数据。输入单元1520可获得未处理的输入数据。在这种情况下，处理器1580或学习处理器1530可通过对输入数据执行预处理来提取输入特征。

学习处理器1530可使用学习数据通过由人工神经网络构成的模型来训练。在这种情况下，训练的人工神经网络可被称为学习模型。学习模型可用于推断新输入数据而非学习数据的结果值，并且所推断的值可用作执行给定操作的基础。

学习处理器1530可连同AI服务器1600的学习处理器1640一起执行AI处理。

学习处理器1530可包括集成或实现在AI装置1500中的存储器。另选地，学习处理器1530可使用存储器1570、直接联接到AI装置1500的外部存储器或者维持在外部装置中的存储器来实现。

感测单元1540可使用各种传感器来获得AI装置1500的内部信息、AI装置1500的周围环境信息或用户信息中的至少一个。

包括在感测单元1540中的传感器的示例包括接近传感器、照度传感器、加速度传感器、磁传感器、陀螺仪传感器、惯性传感器、RGB传感器、IR传感器、指纹识别传感器、超声波传感器、光学传感器、麦克风、激光雷达和雷达等。

输出单元1550可生成与视觉、听觉或触觉有关的输出。

输出单元1550可包括用于输出视觉信息的显示器、用于输出听觉信息的扬声器以及用于输出触觉信息的触觉模块。

存储器1570可存储支持AI装置1500的各种功能的数据。例如，存储器1570可存储由输入单元1520获得的输入数据、学习数据、学习模型、学习历史等。

处理器1580可基于使用数据分析算法或机器学习算法确定或生成的信息来确定AI装置1500的至少一个可执行操作。此外，处理器1580可通过控制AI装置1500的组件来执行所确定的操作。

为此，处理器1580可请求、搜索、接收或利用学习处理器1530或存储器1570的数据，并且可控制AI装置1500的组件执行预测的操作或者至少一个可执行操作当中确定为优选的操作。

在这种情况下，如果执行所确定的操作需要与外部装置的关联，则处理器1580可生成用于控制对应外部装置的控制信号并将所生成的控制信号发送到对应外部装置。

处理器1580可获得用户输入的意图信息并基于所获得的意图信息来发送用户要求。

处理器1580可使用用于将语音输入转换为文本串的语音到文本(STT)引擎或者用于获得自然语言的意图信息的自然语言处理(NLP)引擎中的至少一个来获得与用户输入对应的意图信息。

在这种情况下，STT引擎或NLP引擎中的至少一个可由其至少一部分根据机器学习算法训练的人工神经网络构成。此外，STT引擎或NLP引擎中的至少一个可能已通过学习处理器1530训练，可能已通过AI服务器1600的学习处理器1640训练，或者可能已通过其分布式处理训练。

处理器1580可收集包括AI装置1500的操作或用户对操作内容的反馈等的历史信息，并且可将历史信息存储在存储器1570或学习处理器1530中，或者可将历史信息发送到诸如AI服务器1600的外部装置。所收集的历史信息可用于更新学习模型。

处理器1580可控制AI装置1500的至少一些组件，以便运行存储在存储器1570中的应用程序。此外，处理器1580可将包括在AI装置1500中的两个或更多个组件组合并操作，以便运行应用程序。

图16示出根据本公开的实施方式的AI服务器1600。

参照图16，AI服务器1600可指通过人工神经网络使用机器学习算法训练的装置或使用训练的人工神经网络的装置。本文中，AI服务器1600由多个服务器组成并且可执行分布式处理，并且可被定义为5G网络。此外，AI服务器1600可作为AI装置1500的部分配置而被包括，并且可执行至少一部分AI处理。

AI服务器1600可包括通信单元1610、存储器1630、学习处理器1640和处理器1660。

通信单元1610可向诸如AI装置1500的外部装置发送数据以及从其接收数据。

存储器1630可包括模型存储单元1631。模型存储单元1631可存储通过学习处理器1640训练或已训练的模型(或人工神经网络1631a)。

学习处理器1640可使用学习数据来训练人工神经网络1631a。学习模型可在已被安装在人工神经网络的AI服务器1600上的状态下被使用，或者可被安装在诸如AI装置1500的外部装置上并被使用。

学习模型可被实现为硬件、软件或者硬件和软件的组合。如果一部分或整个学习模型被实现为软件，则构成学习模型的一个或更多个指令可被存储在存储器1630中。

处理器1660可使用学习模型来推断新输入数据的结果值，并且基于推断的结果值来生成响应或控制命令。

图17示出根据本公开的实施方式的AI系统1700。

参照图17，在AI系统1700中，AI服务器1600、机器人1700a、自驾驶车辆1700b、XR装置1700c、智能电话1700d或家用电器1700e中的至少一个连接到云网络1710。应用了AI技术的机器人1700a、自驾驶车辆1700b、XR装置1700c、智能电话1700d或家用电器1700e可被称为AI装置1700a至1700e。

云网络1710可构成云计算基础设施的一部分，或者可意指存在于云计算基础设施内的网络。云网络1710可使用3G网络、4G或长期演进(LTE)网络或5G网络来配置。

即，构成AI系统1700的装置1700a至1700e和200可经由云网络1710互连。具体地，装置1700a至1700e和200可通过基站彼此通信，或者可在没有基站介入的情况下彼此直接通信。

AI服务器1600可包括用于执行AI处理的服务器和用于对大数据执行计算的服务器。

AI服务器1600经由云网络1710连接到作为构成AI系统1700的AI装置的机器人1700a、自驾驶车辆1700b、XR装置1700c、智能电话1700d或家用电器1700e中的至少一个，并且可帮助连接的AI装置1700a至1700e的至少一部分AI处理。

AI服务器1600可代替AI装置1700a至1700e基于机器学习算法训练人工神经网络，并且可直接存储学习模型或者将学习模型发送到AI装置1700a至1700e。

AI服务器1600可从AI装置1700a至1700e接收输入数据，使用学习模型来推断所接收的输入数据的结果值，基于所推断的结果值来生成响应或控制命令，并且将响应或控制命令发送到AI装置1700a至1700e。

另选地，AI装置1700a至1700e可使用学习模型来直接推断输入数据的结果值，并且可基于所推断的结果值来生成响应或控制命令。

下面描述应用了上述技术的AI装置1700a至1700e的各种实现方式。本文中，图17所示的AI装置1700a至1700e可被视为图15所示的AI装置1500的详细实现。

<AI+机器人>

AI技术被应用于机器人1700a，机器人1700a可被实现为引导机器人、运输机器人、清洁机器人、可穿戴机器人、娱乐机器人、宠物机器人、无人驾驶空中机器人等。

机器人1700a可包括用于控制操作的机器人控制模块。机器人控制模块可意指软件模块或使用硬件实现软件模块的芯片。

机器人1700a可获得机器人1700a的状态信息，检测(识别)周围环境和对象，生成地图数据，确定移动路径和行驶计划，确定对用户交互的响应，或者使用从各种类型的传感器获得的传感器信息来确定操作。

机器人1700a可使用由LIDAR、雷达和相机中的至少一个传感器获得的传感器信息以便确定移动路径和行驶计划。

机器人1700a可使用由至少一个人工神经网络组成的学习模型来执行上述操作。例如，机器人1700a可使用学习模型来识别周围环境和对象，并且使用所识别的周围环境信息或对象信息来确定操作。本文中，学习模型可能已直接在机器人1700a中训练，或者可能已在外部装置(例如，AI服务器1600)中训练。

机器人1700a可使用学习模型直接生成结果并执行操作，但是可通过向外部装置(例如，AI服务器1600)发送传感器信息并接收响应于此生成的结果来执行操作。

机器人1700a可使用地图数据、从传感器信息检测的对象信息或从外部装置获得的对象信息中的至少一个来确定移动路径和行驶计划。机器人1700a可通过控制驱动器沿着确定的移动路径和行驶计划行驶。

地图数据可包括设置在机器人1700a移动的空间中的各种对象的对象标识信息。例如，地图数据可包括固定对象(例如，墙壁和门)和可移动对象(例如，流口和桌子)的对象标识信息。此外，对象标识信息可包括名称、类型、距离、位置等。

此外，机器人1700a可通过基于用户的控制/交互控制驱动器来执行操作或运行。在这种情况下，机器人1700a可根据用户的行为或语音话语获得交互的意图信息，可基于所获得的意图信息来确定响应，并且可执行操作。

<AI+自驾驶>

AI技术被应用于自驾驶车辆1700b，自驾驶车辆1700b可被实现为移动机器人、车辆、无人驾驶飞行器等。

自驾驶车辆1700b可包括用于控制自驾驶功能的自驾驶控制模块。自驾驶控制模块可意指软件模块或使用硬件实现软件模块的芯片。自驾驶控制模块可作为自驾驶车辆1700b的组件被包括在自驾驶车辆1700b中，但是可被配置成自驾驶车辆1700b外部的单独硬件并且连接到自驾驶车辆1700b。

使用从各种类型的传感器获得的传感器信息，自驾驶车辆1700b可获得自驾驶车辆1700b的状态信息，检测(识别)周围环境和对象，生成地图数据，确定移动路径和行驶计划，或者确定操作。

为了确定移动路径和行驶计划，以与机器人1700a相同的方式，自驾驶车辆1700b可使用从激光雷达、雷达和相机当中的至少一个传感器获得的传感器信息。

具体地，自驾驶车辆1700b可通过从外部装置接收传感器信息来识别视线被阻挡的区域或者预定距离或更远的区域中的环境或对象，或者可接收直接从外部装置识别的信息。

自驾驶车辆1700b可使用由至少一个人工神经网络组成的学习模型来执行上述操作。例如，自驾驶车辆1700b可使用学习模型来识别周围环境和对象，并且使用所识别的周围环境信息或对象信息来确定行驶路径。本文中，学习模型可能已直接在自驾驶车辆1700b中训练，或者可能已在诸如AI服务器1600的外部装置中训练。

在这种情况下，自驾驶车辆1700b可使用学习模型来直接生成结果以执行操作，但是可通过向诸如AI服务器1600的外部装置发送传感器信息并且接收响应于此生成的结果来执行操作。

自驾驶车辆1700b可使用地图数据、从传感器信息检测的对象信息或者从外部装置获得的对象信息中的至少一个来确定移动路径和行驶计划。自驾驶车辆1700b可通过控制驱动器基于所确定的移动路径和行驶计划来行驶。

地图数据可包括设置在自驾驶车辆1700b所行驶的空间(例如，道路)中的各种对象的对象标识信息。例如，地图数据可包括固定对象(例如，路灯、岩石和建筑物等)和移动对象(例如，车辆和行人)的对象标识信息。此外，对象标识信息可包括名称、类型、距离、位置等。

此外，通过基于用户的控制/交互控制驱动器，自驾驶车辆1700b可执行操作或行驶。在这种情况下，自驾驶车辆1700b可根据用户的行为或语音说话来获得交互的意图信息，可基于所获得的意图信息来确定响应，并且可执行操作。

<AI+XR>

AI技术被应用于XR装置1700c，XR装置1700c可被实现为头戴式显示器(HMD)、设置在车辆中的平视显示器(HUD)、电视、移动电话、智能电话、计算机、可穿戴装置、家用电器、数字标牌、车辆、固定机器人或移动机器人。

XR装置1700c可通过分析通过各种传感器或从外部装置获得的三维(3D)点云数据或图像数据来生成3D点的位置数据和属性数据，可基于所生成的位置数据和属性数据来获得关于周围空间或真实对象的信息，并且可通过渲染XR对象来输出XR对象。例如，XR装置1700c可通过使XR对象与对应识别的对象对应来输出包括所识别的对象的附加信息的XR对象。

XR装置1700c可使用由至少一个人工神经网络组成的学习模型来执行上述操作。例如，XR装置1700c可使用学习模型来识别3D点云数据或图像数据中的真实对象，并且可提供与所识别的真实对象对应的信息。在这种情况下，学习模型可能已直接在XR装置1700c中训练，或者可能已在诸如AI服务器1600的外部装置中训练。

在这种情况下，XR装置1700c可使用学习模型来直接生成结果并执行操作，但是可通过向诸如AI服务器1600的外部装置发送传感器信息并且接收响应于此生成的结果来执行操作。

<AI+机器人+自驾驶>

AI技术和自驾驶技术被应用于机器人1700a，机器人1700a可被实现为引导机器人、运输机器人、清洁机器人、可穿戴机器人、娱乐机器人、宠物机器人、无人驾驶空中机器人等。

应用了AI技术和自驾驶技术的机器人1700a可意指具有自驾驶功能的机器人本身，或者可意指与自驾驶车辆1700b交互的机器人1700a。

具有自驾驶功能的机器人1700a可共同指在没有用户控制的情况下沿着给定路径自己移动或者自己确定移动路径并移动的装置。

具有自驾驶功能的机器人1700a和自驾驶车辆1700b可使用常见感测方法以确定移动路径或行驶计划中的一个或更多个。例如，具有自驾驶功能的机器人1700a和自驾驶车辆1700b可使用通过激光雷达、雷达、相机等感测的信息来确定移动路径或行驶计划中的一个或更多个。

与自驾驶车辆1700b交互的机器人1700a与自驾驶车辆1700b分开存在，并且可执行与自驾驶车辆1700b内部或外部的自驾驶功能关联的操作或者与进入自驾驶车辆1700b的用户关联的操作。

在这种情况下，与自驾驶车辆1700b交互的机器人1700a可通过代替自驾驶车辆1700b获得传感器信息并将传感器信息提供给自驾驶车辆1700b，或者通过获得传感器信息，生成周围环境信息或对象信息，并且将周围环境信息或对象信息提供给自驾驶车辆1700b，来控制或辅助自驾驶车辆1700b的自驾驶功能。

另选地，与自驾驶车辆1700b交互的机器人1700a可通过监测进入自驾驶车辆1700b的用户或者通过与用户的交互来控制自驾驶车辆1700b的功能。例如，如果确定驾驶者处于困倦状态，则机器人1700a可启用自驾驶车辆1700b的自驾驶功能或者辅助自驾驶车辆1700b的驱动单元的控制。本文中，除了简单的自驾驶功能之外，由机器人1700a控制的自驾驶车辆1700b的功能可包括由设置在自驾驶车辆1700b内的导航系统或音频系统提供的功能。

另选地，与自驾驶车辆1700b交互的机器人1700a可向自驾驶车辆1700b提供信息或者可辅助自驾驶车辆1700b之外的功能。例如，机器人1700a可向自驾驶车辆1700b提供包括信号信息等的交通信息(如智能交通灯中)，并且可通过与自驾驶车辆1700b的交互将充电器自动地连接到填充口(如电动车辆的自动充电器中)。

<AI+机器人+XR>

AI技术和XR技术被应用于机器人1700a，机器人1700a可被实现为引导机器人、运输机器人、清洁机器人、可穿戴机器人、娱乐机器人、宠物机器人、无人驾驶空中机器人、无人机等。

应用了XR技术的机器人1700a可意指作为XR图像内的控制/交互目标的机器人。在这种情况下，机器人1700a不同于XR装置1700c，并且它们可彼此结合操作。

如果作为XR图像内的控制/交互目标的机器人1700a从包括相机的传感器获得传感器信息，则机器人1700a或XR装置1700c可基于传感器信息来生成XR图像，并且XR装置1700c可输出所生成的XR图像。此外，机器人1700a可基于通过XR装置1700c接收的控制信号或用户的交互来操作。

例如，用户可在机器人1700a通过外部装置(例如，XR装置1700c)结合远程操作时标识对应XR图像，可通过交互来调节机器人1700a的自驾驶路径，可控制操作或驾驶，或者可标识周围对象的信息。

<AI+自驾驶+XR>

AI技术和XR技术被应用于自驾驶车辆1700b，自驾驶车辆1700b可被实现为移动机器人、车辆、无人驾驶飞行器等。

应用了XR技术的自驾驶车辆1700b可意指设置有用于提供XR图像的装置的自驾驶车辆或作为XR图像内的控制/交互目标的自驾驶车辆。具体地，作为XR图像内的控制/交互目标的自驾驶车辆1700b不同于XR装置1700c，并且它们可彼此结合操作。

设置有用于提供XR图像的装置的自驾驶车辆1700b可从包括相机的传感器获得传感器信息，并且可输出基于所获得的传感器信息生成的XR图像。例如，自驾驶车辆1700b包括HUD，并且可通过输出XR图像来向乘客提供与真实对象或画面内的对象对应的XR对象。

在这种情况下，当XR对象被输出到HUD时，XR对象的至少一部分可被输出为与乘客的视野所指向的真实对象交叠。另一方面，当XR对象被输出到包括在自驾驶车辆1700b内的显示器时，XR对象的至少一部分可被输出为与画面内的对象交叠。例如，自驾驶车辆1700b可输出与诸如行车道、其它车辆、交通灯、路标、两轮车、行人和建筑物的对象对应的XR对象。

如果作为XR图像内的控制/交互目标的自驾驶车辆1700b从包括相机的传感器获得传感器信息，则自驾驶车辆1700b或XR装置1700c可基于传感器信息来创建XR图像，并且XR装置1700c可输出所创建的XR图像。此外，自驾驶车辆1700b可基于通过诸如XR装置1700c的外部装置接收的控制信号或者用户的交互来操作。

上述实施方式通过本公开的组件和特征以预定形式的组合来实现。除非单独地指明，否则应该选择性地考虑各个组件或特征。各个组件或特征可在不与另一组件或特征组合的情况下实现。此外，一些组件和/或特征彼此组合并且可实现本公开的实施方式。本公开的实施方式中所描述的操作次序可改变。一个实施方式的一些组件或特征可包括在另一实施方式中，或者可由另一实施方式的对应组件或特征代替。显而易见，引用特定权利要求的一些权利要求可与引用特定权利要求以外的权利要求的另外的权利要求组合以构成实施方式，或者在提交申请之后通过修改添加新的权利要求。

本公开的实施方式可通过例如硬件、固件、软件或其组合的各种手段实现。当实施方式通过硬件实现时，本公开的一个实施方式可由一个或更多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器等实现。

当实施方式通过固件或软件实现时，本公开的一个实施方式可由执行上述功能或操作的模块、过程、函数等实现。软件代码可被存储在存储器中并且可由处理器驱动。存储器设置在处理器内部或外部并且可通过各种熟知手段与处理器交换数据。

对于本领域技术人员而言显而易见的是，在不脱离本公开的基本特征的情况下，本公开可按照其它特定形式具体实现。因此，上述详细描述在所有方面均不应被解释为限制，而应该被视为例示性的。本公开的范围应该由所附权利要求的合理解释来确定，在本公开的等同范围内的所有修改被包括在本公开的范围内。

工业实用性

尽管作为应用于3GPP LTE/LTE-A系统和5G系统(新RAT系统)的示例主要描述了本公开的在无线通信系统中发送和接收信号的方法，但是可将其应用于各种无线通信系统。

Claims

1.一种用于在无线通信系统中由接收设备发送和接收信号的方法，该方法包括以下步骤：

通过多个接收路径从发送设备接收基于差分相移键控DPSK方法调制的信号；

基于所接收的信号来计算所述多个接收路径中的各个接收路径中的差分值；以及

计算所接收的信号的可靠性，

其中，所述可靠性与所述多个接收路径中的各个接收路径中的所述差分值之和的实值成比例。

2.根据权利要求1所述的方法，其中，所述可靠性与所述接收设备的所述多个接收路径的数量成比例。

3.根据权利要求1所述的方法，其中，解释为所述多个接收路径中的各个接收路径中的所述差分值与1或-1中的任一个对应的情况越多，所述可靠性越高。

4.根据权利要求1所述的方法，该方法还包括以下步骤：计算信道质量，

其中，所述信道质量被计算为通过经由所述接收设备的所有所述接收路径接收两个连续参考信号并基于所述两个连续参考信号对所有所述接收路径中的各个接收路径中的差分值求和而获得的值的实值。

5.根据权利要求4所述的方法，其中，所述信道质量与所述接收设备的所有所述接收路径的数量有关。

6.根据权利要求5所述的方法，其中，所述信道质量的最大值对应于所有所述接收路径的数量的正值，所述信道质量的最小值对应于所有所述接收路径的数量的负值，并且所述信道质量的范围在所述最小值至所述最大值的范围内。

7.根据权利要求4所述的方法，该方法还包括以下步骤：从所述发送设备接收所述信道质量的范围内的最大值。

8.根据权利要求7所述的方法，其中，当所计算的所述信道质量的值大于所述信道质量的范围的所述最大值时，报告所述信道质量的范围的所述最大值，并且当所计算的值小于所述信道质量的范围的所述最大值的负值时，报告所述信道质量的范围的所述最大值的所述负值。

9.根据权利要求7所述的方法，该方法还包括以下步骤：当所述信道质量的范围的所述最大值大于所有所述接收路径的数量时，从所述发送设备接收关于发送用于测量所述信道质量的参考信号的次数的信息，

其中，通过测量与发送所述参考信号的次数的倍数对应的信道质量并对所述信道质量进行求和来计算所述信道质量。

10.根据权利要求9所述的方法，其中，通过物理层信号或高层信令来接收所述信息。

11.根据权利要求4所述的方法，该方法还包括以下步骤：接收关于所述信道质量的计算的重复次数的信息，

其中，所述信道质量被报告为通过基于关于所述重复次数的所述信息重复所述信道质量的计算而测量的信道质量值的平均值。

12.根据权利要求11所述的方法，其中，重复所述信道质量的计算的操作由所述发送设备或所述接收设备之一触发。

13.根据权利要求4所述的方法，该方法还包括以下步骤：在初始连接时，向所述发送设备发送所述接收设备的所有所述接收路径的数量。

14.一种用于在无线通信系统中发送和接收信号的设备，该设备包括：

射频RF单元，该RF单元被配置为发送或接收无线电信号；以及

处理器，该处理器在操作上连接到所述RF单元，

其中，所述处理器通过多个接收路径接收基于差分相移键控DPSK方法调制的信号，基于所接收的信号来计算所述多个接收路径中的各个接收路径中的差分值，并且计算所接收的信号的可靠性，并且

所述可靠性与所述多个接收路径中的各个接收路径中的所述差分值之和的实值成比例。

15.根据权利要求14所述的设备，其中，所述多个接收路径包括多个天线，并且

所述可靠性与所述多个天线的数量成比例。

16.根据权利要求14所述的设备，其中，所述多个接收路径中的各个接收路径包括1比特模数转换器ADC。