CN114745712A - 基于终端能力的处理方法、装置、终端及网络设备 - Google Patents
基于终端能力的处理方法、装置、终端及网络设备 Download PDFInfo
- Publication number
- CN114745712A CN114745712A CN202110019663.8A CN202110019663A CN114745712A CN 114745712 A CN114745712 A CN 114745712A CN 202110019663 A CN202110019663 A CN 202110019663A CN 114745712 A CN114745712 A CN 114745712A
- Authority
- CN
- China
- Prior art keywords
- terminal
- capability
- information
- model
- indicating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 59
- 230000006870 function Effects 0.000 claims description 303
- 238000012549 training Methods 0.000 claims description 121
- 238000012545 processing Methods 0.000 claims description 54
- 230000015654 memory Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 abstract description 6
- 238000004891 communication Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 description 620
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 230000006835 compression Effects 0.000 description 6
- 238000007906 compression Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000009849 deactivation Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基于终端能力的处理方法、装置、终端及网络设备，涉及通信技术领域。应用于网络设备侧的方法包括：接收终端发送的终端能力信息；其中，所述终端能力信息包括AI能力相关的信息；根据所述终端能力信息，发送无线功能或网络功能的配置信息至所述终端。本发明的方案，实现了终端和网络设备之间AI能力的交互，使得网络设备侧可以了解到终端支持的AI能力，进而能够使能在终端上执行AI的无线功能或网络功能。
Description
技术领域
本发明涉及通信技术领域，特别是指一种基于终端能力的处理方法、装置、终端及网络设备。
背景技术
随着终端能力越来越强，中央处理器(Central Processing Unit，CPU)处理能力、内存、存储能力的大幅增强，终端实现了从功能机到智能机的演变，随着人工智能的引入，终端实现到智慧机的逐步演进，比如终端上开始支持图形处理单元(Graphics ProcessingUnit，GPU)，甚至支持神经元处理单元(Neural-network Processing Unit，NPU)。在无线通信从第五代移动通信技术(5th generation mobile networks，5G)向第六代移动通信技术(6th generation mobile networks，6G)的演进过程中，越来越多的模块和功能开始使用人工智能来替代传统的数学建模。
比如：以接收端信道估计(channel estimation)为例，基于图像高分辨率的算法，如超分辨率-卷积神经网络(Super Resolution convolutional neural networks，SR-CNN)和超分辨率增强深度残差网络(enhanced deep residual networks for SR，EDSR)，基于长期记忆的残差网络(Long-Short term memory based Residual Network，LSRN)等被学术界进行了广泛和深入的研究，用于实现信道估计，被证明可以有效降低导频开销，提升信道估计的精度，从而提升频谱效率。但是，在现有机制下网络缺乏对终端的人工智能(Artificial Intelligence，AI)能力的获取，使得人工智能在终端的应用受到了很大的局限。
发明内容
本发明的目的是提供一种基于终端能力的处理方法、装置、终端及网络设备，以解决在现有机制下网络缺乏对终端的人工智能能力的获取，使得人工智能在终端的应用受到了很大的局限的问题。
为达到上述目的，本发明的实施例提供一种基于终端能力的处理方法，应用于网络设备，所述方法包括：
接收终端发送的终端能力信息；其中，所述终端能力信息包括AI能力相关的信息；
根据所述终端能力信息，发送无线功能或网络功能的配置信息至所述终端。
可选地，接收终端发送的终端能力信息，包括：
发送终端能力查询信息至所述终端；
接收所述终端根据所述终端能力信息发送的所述终端能力信息。
可选地，所述AI能力相关的信息，包括以下至少一项：
用于指示终端支持AI运行相关能力的信息；
用于指示终端支持AI模型处理相关能力的信息；
用于指示终端支持AI的无线相关能力的信息；
用于指示终端支持AI的网络相关能力的信息。
可选地，所述用于指示终端支持AI运行相关能力的信息，包括：用于指示终端支持的AI框架能力的信息、用于指示终端支持的AI算子能力的信息、用于指示终端支持的AI模型的信息中的至少一项；
所述用于指示终端支持AI模型处理相关能力的信息，包括：用于指示终端支持AI模型推理能力的信息、用于指示终端支持AI模型训练能力的信息中的至少一项。
可选地，所述用于指示终端支持AI的无线相关能力的信息，包括：用于指示终端支持AI的信道估计能力的信息、用于指示终端支持AI的信道反馈能力的信息、用于指示终端支持AI的信道预测能力的信息、用于指示终端支持AI的信道编解码能力的信息、用于指示终端支持AI的MIMO检测能力的信息、用于指示终端支持AI的干扰消除能力的信息中的至少一项；
所述用于指示终端支持AI的网络相关能力的信息，包括：用于指示终端支持AI的业务类型识别能力的信息、用于指示终端支持AI的业务特征识别能力的信息、用于指示终端支持AI的移动性轨迹预测能力的信息中的至少一项。
可选地，所述无线功能或网络功能的配置信息包括以下至少一项：
用于指示使用AI的无线功能相关信息；
用于指示使用AI的网络功能相关信息；
用于指示对AI模型执行推理的信息；
用于指示对AI模型执行训练的信息。
可选地，根据所述终端能力信息，发送无线功能或网络功能的配置信息至所述终端，包括：
根据所述终端能力信息携带的用于指示终端支持的AI模型的信息，以及用于指示终端支持AI模型推理能力的信息，发送携带有对所述AI模型执行推理的配置信息至所述终端。
可选地，根据所述终端能力信息，发送无线功能或网络功能的配置信息至所述终端，包括：
根据所述终端能力信息携带的用于指示终端支持的AI框架能力或AI算子能力的信息、用于指示终端支持AI模型推理能力的信息，发送携带有AI模型相关以及对所述AI模型执行推理的配置信息至所述终端。
可选地，发送携带有对所述AI模型执行推理的配置信息至所述终端之后，还包括：
接收所述终端对所述AI模型执行推理后得到的无线功能或网络功能的推理结果。
可选地，根据所述终端能力信息，发送无线功能或网络功能的配置信息至所述终端，包括：
根据所述终端能力信息携带的用于指示终端支持的AI模型的信息，以及用于指示终端支持AI模型训练能力的信息，发送携带有对所述AI模型执行训练的配置信息至所述终端。
可选地，根据所述终端能力信息，发送无线功能或网络功能的配置信息至所述终端，包括：
根据所述终端能力信息携带的用于指示终端支持的AI框架能力或AI算子能力的信息、用于指示终端支持AI模型训练能力的信息，发送携带有AI模型相关以及对所述AI模型执行训练的配置信息至所述终端。
可选地，发送携带有对所述AI模型执行训练的配置信息至所述终端之后，还包括：
接收所述终端对所述AI模型执行训练后得到的无线功能或网络功能相关的AI训练模型。
为达到上述目的，本发明的实施例提供一种基于终端能力的处理装置，应用于网络设备，所述装置包括：
第一接收模块，用于接收终端发送的终端能力信息；其中，所述终端能力信息包括AI能力相关的信息；
第一发送模块，用于根据所述终端能力信息，发送无线功能或网络功能的配置信息至所述终端。
可选地，所述装置包括：
第二发送模块，用于发送终端能力查询信息至所述终端；
所述第一接收模块包括：
接收单元，用于接收所述终端根据所述终端能力信息发送的所述终端能力信息。
可选地，所述AI能力相关的信息，包括以下至少一项：
用于指示终端支持AI运行相关能力的信息；
用于指示终端支持AI模型处理相关能力的信息；
用于指示终端支持AI的无线相关能力的信息；
用于指示终端支持AI的网络相关能力的信息。
可选地，所述用于指示终端支持AI运行相关能力的信息，包括：用于指示终端支持的AI框架能力的信息、用于指示终端支持的AI算子能力的信息、用于指示终端支持的AI模型的信息中的至少一项；
所述用于指示终端支持AI模型处理相关能力的信息，包括：用于指示终端支持AI模型推理能力的信息、用于指示终端支持AI模型训练能力的信息中的至少一项。
可选地，所述用于指示终端支持AI的无线相关能力的信息，包括：用于指示终端支持AI的信道估计能力的信息、用于指示终端支持AI的信道反馈能力的信息、用于指示终端支持AI的信道预测能力的信息、用于指示终端支持AI的信道编解码能力的信息、用于指示终端支持AI的MIMO检测能力的信息、用于指示终端支持AI的干扰消除能力的信息中的至少一项；
所述用于指示终端支持AI的网络相关能力的信息，包括：用于指示终端支持AI的业务类型识别能力的信息、用于指示终端支持AI的业务特征识别能力的信息、用于指示终端支持AI的移动性轨迹预测能力的信息中的至少一项。
可选地，所述无线功能或网络功能的配置信息包括以下至少一项：
用于指示使用AI的无线功能相关信息；
用于指示使用AI的网络功能相关信息；
用于指示对AI模型执行推理的信息；
用于指示对AI模型执行训练的信息。
可选地，所述第一发送模块包括：
第一发送单元，用于根据所述终端能力信息携带的用于指示终端支持的AI模型的信息，以及用于指示终端支持AI模型推理能力的信息，发送携带有对所述AI模型执行推理的配置信息至所述终端。
可选地，所述第一发送模块包括：
第二发送单元，用于根据所述终端能力信息携带的用于指示终端支持的AI框架能力或AI算子能力的信息、用于指示终端支持AI模型推理能力的信息，发送携带有AI模型相关以及对所述AI模型执行推理的配置信息至所述终端。
可选地，所述装置还包括：
第二接收模块，用于接收所述终端对所述AI模型执行推理后得到的无线功能或网络功能的推理结果。
可选地，所述第一发送模块包括：
第三发送单元，用于根据所述终端能力信息携带的用于指示终端支持的AI模型的信息，以及用于指示终端支持AI模型训练能力的信息，发送携带有对所述AI模型执行训练的配置信息至所述终端。
可选地，所述第一发送模块包括：
第四发送单元，用于根据所述终端能力信息携带的用于指示终端支持的AI框架能力或AI算子能力的信息、用于指示终端支持AI模型训练能力的信息，发送携带有AI模型相关以及对所述AI模型执行训练的配置信息至所述终端。
可选地，所述装置还包括：
第三接收模块，用于接收所述终端对所述AI模型执行训练后得到的无线功能或网络功能相关的AI训练模型。
为达到上述目的，本发明的实施例提供一种网络设备，包括：收发器、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令；所述处理器执行所述程序或指令时实现如上所述的基于终端能力的处理方法中的步骤。
为达到上述目的，本发明的实施例提供一种可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时实现如上所述的基于终端能力的处理方法中的步骤。
为达到上述目的，本发明的实施例提供一种基于终端能力的处理方法，应用于终端，所述方法包括：
发送终端能力信息至网络设备；其中，所述终端能力信息包括AI能力相关的信息；
接收所述网络设备根据所述终端能力信息发送的无线功能或网络功能的配置信息；
根据所述配置信息，执行相应的无线功能或网络功能。
可选地，所述发送终端能力信息至网络设备，包括：
在接收到所述网络设备发送的终端能力查询信息的情况下，发送所述终端能力信息至所述网络设备。
可选地，所述AI能力相关的信息，包括以下至少一项：
用于指示终端支持AI运行相关能力的信息；
用于指示终端支持AI模型处理相关能力的信息；
用于指示终端支持AI的无线相关能力的信息；
用于指示终端支持AI的网络相关能力的信息。
可选地，所述用于指示终端支持AI运行相关能力的信息，包括：用于指示终端支持的AI框架能力的信息、用于指示终端支持的AI算子能力的信息、用于指示终端支持的AI模型的信息中的至少一项；
所述用于指示终端支持AI模型处理相关能力的信息，包括：用于指示终端支持AI模型推理能力的信息、用于指示终端支持AI模型训练能力的信息中的至少一项。
可选地，所述用于指示终端支持AI的无线相关能力的信息，包括：用于指示终端支持AI的信道估计能力的信息、用于指示终端支持AI的信道反馈能力的信息、用于指示终端支持AI的信道预测能力的信息、用于指示终端支持AI的信道编解码能力的信息、用于指示终端支持AI的MIMO检测能力的信息、用于指示终端支持AI的干扰消除能力的信息中的至少一项；
所述用于指示终端支持AI的网络相关能力的信息，包括：用于指示终端支持AI的业务类型识别能力的信息、用于指示终端支持AI的业务特征识别能力的信息、用于指示终端支持AI的移动性轨迹预测能力的信息中的至少一项。
可选地，所述无线功能或网络功能的配置信息包括以下至少一项：
用于指示使用AI的无线功能相关信息；
用于指示使用AI的网络功能相关信息；
用于指示对AI模型执行推理的信息；
用于指示对AI模型执行训练的信息。
可选地，根据所述配置信息，执行相应的无线功能或网络功能，包括：
在所述终端存在AI模型的情况下，根据携带有对所述AI模型执行推理的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型推理。
可选地，根据所述配置信息，执行相应的无线功能或网络功能，包括：
根据携带有AI模型相关以及对所述AI模型执行推理的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型推理。
可选地，基于所述AI模型执行无线功能或网络功能相关的AI模型推理之后，还包括：
将基于所述AI模型执行推理后得到的无线功能或网络功能的推理结果反馈至所述网络设备。
可选地，根据所述配置信息，执行相应的无线功能或网络功能，包括：
在所述终端存在AI模型的情况下，根据携带有对所述AI模型执行训练的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型训练。
可选地，根据所述配置信息，执行相应的无线功能或网络功能，包括：
根据携带有AI模型相关以及对所述AI模型执行训练的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型训练。
可选地，基于所述AI模型执行无线功能或网络功能相关的AI模型训练之后，还包括：
将基于所述AI模型执行训练后得到的无线功能或网络功能相关的AI训练模型反馈至所述网络设备。
为达到上述目的，本发明的实施例提供一种基于终端能力的处理装置，应用于终端，所述装置包括：
发送模块，用于发送终端能力信息至网络设备；其中，所述终端能力信息包括AI能力相关的信息；
接收模块，用于接收所述网络设备根据所述终端能力信息发送的无线功能或网络功能的配置信息；
处理模块，用于根据所述配置信息，执行相应的无线功能或网络功能。
可选地，所述发送模块包括：
发送单元，用于在接收到所述网络设备发送的终端能力查询信息的情况下，发送所述终端能力信息至所述网络设备。
可选地，所述AI能力相关的信息，包括以下至少一项：
用于指示终端支持AI运行相关能力的信息；
用于指示终端支持AI模型处理相关能力的信息；
用于指示终端支持AI的无线相关能力的信息；
用于指示终端支持AI的网络相关能力的信息。
可选地，所述用于指示终端支持AI运行相关能力的信息，包括：用于指示终端支持的AI框架能力的信息、用于指示终端支持的AI算子能力的信息、用于指示终端支持的AI模型的信息中的至少一项；
所述用于指示终端支持AI模型处理相关能力的信息，包括：用于指示终端支持AI模型推理能力的信息、用于指示终端支持AI模型训练能力的信息中的至少一项。
可选地，所述用于指示终端支持AI的无线相关能力的信息，包括：用于指示终端支持AI的信道估计能力的信息、用于指示终端支持AI的信道反馈能力的信息、用于指示终端支持AI的信道预测能力的信息、用于指示终端支持AI的信道编解码能力的信息、用于指示终端支持AI的MIMO检测能力的信息、用于指示终端支持AI的干扰消除能力的信息中的至少一项；
所述用于指示终端支持AI的网络相关能力的信息，包括：用于指示终端支持AI的业务类型识别能力的信息、用于指示终端支持AI的业务特征识别能力的信息、用于指示终端支持AI的移动性轨迹预测能力的信息中的至少一项。
可选地，所述无线功能或网络功能的配置信息包括以下至少一项：
用于指示使用AI的无线功能相关信息；
用于指示使用AI的网络功能相关信息；
用于指示对AI模型执行推理的信息；
用于指示对AI模型执行训练的信息。
可选地，所述处理模块包括：
第一处理单元，用于在所述终端存在AI模型的情况下，根据携带有对所述AI模型执行推理的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型推理。
可选地，所述处理模块包括：
第二处理单元，用于根据携带有AI模型相关以及对所述AI模型执行推理的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型推理。
可选地，所述装置还包括：
第一反馈模块，用于将基于所述AI模型执行推理后得到的无线功能或网络功能的推理结果反馈至所述网络设备。
可选地，所述处理模块包括：
第三处理单元，用于在所述终端存在AI模型的情况下，根据携带有对所述AI模型执行训练的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型训练。
可选地，所述处理模块包括：
第四处理单元，用于根据携带有AI模型相关以及对所述AI模型执行训练的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型训练。
可选地，所述装置还包括：
第二反馈模块，用于将基于所述AI模型执行训练后得到的无线功能或网络功能相关的AI训练模型反馈至所述网络设备。
为达上述目的，本发明实施例还提供一种终端，包括：收发器、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令；所述处理器执行所述程序或指令时实现如上所述的基于终端能力的处理方法中的步骤。
为达上述目的，本发明实施例还提供一种可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时实现如上所述的基于终端能力的处理方法中的步骤。
本发明的上述技术方案的有益效果如下：
本发明实施例的网络设备，通过接收携带有AI能力相关的信息的终端能力信息，并根据该终端能力信息，发送无线功能或网络功能的配置信息至所述终端，以使得终端可以根据该配置信息执行相应的无线功能或网络功能，从而实现了终端和网络设备之间AI能力的交互，使得网络设备侧可以了解到终端支持的AI能力，进而能够使能在终端上执行AI的无线功能或网络功能。
附图说明
图1为本发明实施例的网络设备侧基于终端能力的处理方法的流程图；
图2为本发明实施例的RAN协议栈功能的示意图；
图3为本发明实施例的终端和网络设备基于终端能力的处理方法的交互流程图；
图4为本发明实施例的网络设备侧基于终端能力的处理装置的框图；
图5为本发明实施例的网络设备的框图之一；
图6为本发明实施例的网络设备的框图之二。
图7为本发明实施例的终端侧基于终端能力的处理方法的流程图；
图8为本发明实施例的一个资源块的示意图；
图9为本发明实施例的基于AI的信道估计的示意图；
图10为本发明实施例的基于AI能力上报的信道估计的流程图；
图11为本发明实施例的基于AI的信道反馈的示意图；
图12为本发明实施例的基于AI能力上报的信道反馈的流程图；
图13为本发明实施例的终端侧基于终端能力的处理装置的框图；
图14为本发明实施例的终端的框图之一；
图15为本发明实施例的终端的框图之二。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
另外，本文中术语“系统”和“网络”在本文中常可互换使用。
在本发明所提供的实施例中，应理解，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。
可选地，终端(UE)能力主要包括：无线接入相关能力及核心网的相关能力，下面以无线接入相关能力为例，无线接入能力主要包括了无线射频支持能力和无线协议栈支持的功能，主要包括了以下内容：
服务数据适配协议(Service Data Adaptation Protocol，SDAP):UE支持接入层(Access Stratum，AS)、反射服务质量(Quality of Service，QoS)能力；
分组数据汇聚协议(Packet Data Convergence Protocol，PDCP):UE支持稳健头压缩(RObust Header Compression，ROHC)头压缩、冗余传输，排序能力等；
无线链路控制(Radio Link Control，RLC)：UE支持确认模式(AcknowledgedMode，AM)，非确认模式(Unacknowledged Mode，UM)，重传等的参数配置能力；
媒体接入控制(Medium Access Control，MAC)：UE支持半静态调度、非连续接收(Discontinuous Reception，DRX)等相关的配置能力；
端口物理层(Physical，PHY):UE射频能力，表示UE能够支持的频段和载波聚合等能力。
如图1所示，本发明实施例的一种基于终端能力的处理方法，应用于网络设备，所述方法包括：
步骤11：接收终端发送的终端能力信息；其中，所述终端能力信息包括AI能力相关的信息。
可选地，所述AI能力信息可以包括但不限于以下至少一项：用于指示终端支持AI运行相关能力的信息；用于指示终端支持AI模型处理相关能力的信息；用于指示终端支持AI的无线相关能力的信息；用于指示终端支持AI的网络相关能力的信息。
其中，用于指示终端支持AI运行相关能力的信息可以包括但不限于以下至少一项：
用于指示终端支持的AI框架能力的信息，如AI框架能力可以包括但不限于：张量流(tensorflow)，卷积神经网络框架(Convolutional Architecture for Fast FeatureEmbedding，caffe)，pytorch框架等；
用于指示终端支持的AI算子能力的信息，如AI算子能力可以包括但不限于：卷积，池化，去激活，全连接等；
用于指示终端支持的AI模型的信息，如AI模型可以包括但不限于：SR-CNN，长短期记忆人工神经网络(Long Short-Term Memory，LSTM)，自编码器(autoencoder)，生成式对抗网络(Generative Adversarial Networks，GAN)，典型模型n等。
其中，用于指示终端支持的AI模型处理相关能力的信息包括但不限于以下至少一项：
用于指示终端支持AI模型推理能力的信息，如AI模型推理能力可以包括但不限于：模型标识、性能指标(如模型推理所需的时间，终端功耗)等；
用于指示终端支持AI模型训练能力的信息，如AI模型训练能力可以包括但不限于：模型标识、模型训练可用的时间段、性能指标(如模型训练所需的时间，终端功耗)等。
其中，用于指示终端支持AI的无线相关能力的信息包括但不限于以下至少一项：
用于指示终端支持AI的信道估计能力的信息、用于指示终端支持AI的信道反馈能力的信息、用于指示终端支持AI的信道预测能力的信息、用于指示终端支持AI的信道编解码能力的信息、用于指示终端支持AI的多进多出(multiple-in multiple out，MIMO)检测能力的信息、用于指示终端支持AI的干扰消除能力的信息等。
以图2所示的无线接入网络(Radio Access Network，RAN)协议栈功能为例，RAN协议栈的以下功能可以由AI功能替代：
SDAP：如反射服务质量(Quality of Service，QoS)到数据无线承载(Data RadioBearer，DRB)的映射选择；
PDCP：如PDCP重复传输选择、头压缩开启选择等；
RLC：如自动重传请求(Automatic Repeat request，ARQ)重传窗口选择、分片和重组的选择；
MAC：如调度用户排序、调度资源选择、混合自动重传请求(Hybrid automaticrepeat request，HARQ)重传次数选择、半静态调度的激活和去激活；
PHY：如信道测量、MIMO检测、信道编码等。
其中，所述用于指示终端支持AI的网络相关能力的信息，包括但不限于以下至少一项：用于指示终端支持AI的业务类型识别能力的信息、用于指示终端支持AI的业务特征识别能力的信息、用于指示终端支持AI的移动性轨迹预测能力的信息等。
步骤12：根据所述终端能力信息，发送无线功能或网络功能的配置信息至所述终端。
可选地，所述无线功能或网络功能的配置信息包括但不限于以下至少一项：用于指示使用AI的无线功能相关信息；用于指示使用AI的网络功能相关信息；用于指示对AI模型执行推理的信息；用于指示对AI模型执行训练的信息等。
其中，用于指示使用AI的无线功能相关信息包括但不限于以下至少一项：用于指示使用AI的相关算法执行无线功能的信息，用于指示使用AI的相关模型执行无线功能的信息等(如AI的相关模型可以通过AI模型的相关信息来指示，如所述相关信息可以携带有AI模型的标识信息、AI模型的描述信息等，其中AI模型的描述信息可以至少包括模型的输入输出，模型的具体构成等)。
其中，用于指示使用AI的网络功能相关信息包括但不限于以下至少一项：用于指示使用AI的相关算法执行无线功能的信息，用于指示使用AI的相关模型执行无线功能的信息等(如AI的相关模型可以通过AI模型的相关信息来指示，如所述相关信息可以携带有AI模型的标识信息、AI模型的描述信息等，其中AI模型的描述信息可以至少包括模型的输入输出，模型的具体构成等)。
上述方案中，网络设备通过接收携带有AI能力相关的信息的终端能力信息，并根据该终端能力信息，发送无线功能或网络功能的配置信息至所述终端，以使得终端可以根据该配置信息执行相应的无线功能或网络功能，从而实现了终端和网络设备之间AI能力的交互，使得网络设备侧可以了解到终端支持的AI能力，进而能够使能在终端上执行AI的无线功能或网络功能。
可选地，接收终端发送的终端能力信息的步骤，可以具体包括：
发送终端能力查询信息至所述终端；
接收所述终端根据所述终端能力信息发送的所述终端能力信息。
可选地，终端和网络设备之间可以通过无线资源控制(Radio Resource Control，RRC)消息交互终端的相关能力，如网络设备可以通过RRC消息发送终端能力查询信息给终端，终端可以通过RRC消息反馈终端支持的AI能力信息至网络设备。
可选地，根据所述终端能力信息，发送无线功能或网络功能的配置信息至所述终端的步骤，可以包括：
根据所述终端能力信息携带的用于指示终端支持的AI模型的信息，以及用于指示终端支持AI模型推理能力的信息，发送携带有对所述AI模型执行推理的配置信息至所述终端。
例如：在终端上报终端能力信息给网络设备之后，网络设备确定终端存在相应的无线功能或网络功能的AI模型的情况下，网络设备可以发送携带有对所述AI模型执行推理的配置信息给终端，以使终端可以根据该配置信息，基于其已存在的AI模型执行推理。
可选地，根据所述终端能力信息，发送无线功能或网络功能的配置信息至所述终端的步骤，可以包括：
根据所述终端能力信息携带的用于指示终端支持的AI框架能力或AI算子能力的信息、用于指示终端支持AI模型推理能力的信息，发送携带有AI模型相关以及对所述AI模型执行推理的配置信息至所述终端。
例如：在终端上报终端能力信息给网络设备之后，网络设备确定终端不存在相应的无线功能或网络功能的AI模型的情况下，网络设备可以发送携带有AI模型相关以及对所述AI模型执行推理的配置信息给所述终端，以使终端可以根据该配置信息，部署AI模型并基于部署的AI模型执行推理。
可选地，在上述发送携带有对所述AI模型执行推理的配置信息至所述终端的步骤之后，所述方法还包括：接收所述终端对所述AI模型执行推理后得到的无线功能或网络功能的推理结果。
也就是说，终端在根据网络设备发送的配置信息，基于相应的AI模型执行推理后，可以将相应的推理结果反馈给网络设备。
可选地，根据所述终端能力信息，发送无线功能或网络功能的配置信息至所述终端的步骤，可以包括：
根据所述终端能力信息携带的用于指示终端支持的AI模型的信息，以及用于指示终端支持AI模型训练能力的信息，发送携带有对所述AI模型执行训练的配置信息至所述终端。
例如：在终端上报终端能力信息给网络设备之后，网络设备确定终端存在相应的无线功能或网络功能的AI模型的情况下，网络设备可以发送携带有对所述AI模型执行训练的配置信息给终端，以使终端可以根据该配置信息，基于其已存在的AI模型执行训练。
可选地，根据所述终端能力信息，发送无线功能或网络功能的配置信息至所述终端的步骤，可以包括：
根据所述终端能力信息携带的用于指示终端支持的AI框架能力或AI算子能力的信息、用于指示终端支持AI模型训练能力的信息，发送携带有AI模型相关以及对所述AI模型执行训练的配置信息至所述终端。
例如：在终端上报终端能力信息给网络设备之后，网络设备确定终端不存在相应的无线功能或网络功能的AI模型的情况下，网络设备可以发送携带有AI模型相关以及对所述AI模型执行训练的配置信息给所述终端，以使终端可以根据该配置信息，部署AI模型并基于部署的AI模型执行训练。
可选地，上述发送携带有对所述AI模型执行训练的配置信息至所述终端的步骤之后，还可以包括：接收所述终端对所述AI模型执行训练后得到的无线功能或网络功能相关的AI训练模型。
也就是说，终端在根据网络设备发送的配置信息，基于相应的AI模型执行训练后，可以将相应的训练结果(即训练后的AI模型)反馈给网络设备。
如图3所示，给出了一种基于终端能力的处理方法，具体包括：
步骤1：根据需要，网络设备通过RRC消息查询终端能力；例如：具体可以参见RRC38.331的具体描述。
步骤2：终端上报支持的AI能力；例如：终端可根据使用用途和AI运行能力两个维度分为以下几个等级进行上报。
其中，对于模型处理能力可以包括：AI模型推理能力、AI模型训练能力；
对于AI运行能力可以包括：AI框架能力、AI算子能力、AI模型能力等；
对于AI的无线相关能力可以包括：信道估计、信道反馈、信道预测、信道编解码、MIMO检测、干扰消除等；
对于AI的网络相关能力可以包括：业务类型识别、业务特征识别、移动性轨迹预测。
步骤3：网络设备侧收到终端上报的AI能力，发送相应的AI模型和对AI模型的处理的相关信息给终端。例如：AI模型可以是终端和网络设备都理解的模型的标识，也可以是模型的具体描述；其中，模型的具体描述至少可以包括模型的输入输出，模型的具体构成等。例如：对AI模型的处理可以至少包括两大类：训练和推理。
步骤4a：如果网络设备发送给终端的AI模型的后续操作是推理执行，那么终端执行相应的AI模块，并根据需要反馈推理运行后的结果。
步骤4b：如果网络设备发送给终端的AI模型的后续操作是训练，那么终端执行相应的AI模块的训练，并根据需要反馈训练好的AI模型。
如图4所示，本发明实施例还提供了一种基于终端能力的处理装置400，应用于网络设备，所述装置400包括：
第一接收模块410，用于接收终端发送的终端能力信息；其中，所述终端能力信息包括AI能力相关的信息；
第一发送模块420，用于根据所述终端能力信息，发送无线功能或网络功能的配置信息至所述终端。
可选地，所述装置400包括：
第二发送模块，用于发送终端能力查询信息至所述终端；
所述第一接收模块包括：
接收单元，用于接收所述终端根据所述终端能力信息发送的所述终端能力信息。
可选地，所述AI能力相关的信息，包括以下至少一项：
用于指示终端支持AI运行相关能力的信息；
用于指示终端支持AI模型处理相关能力的信息；
用于指示终端支持AI的无线相关能力的信息；
用于指示终端支持AI的网络相关能力的信息。
可选地，所述用于指示终端支持AI运行相关能力的信息，包括：用于指示终端支持的AI框架能力的信息、用于指示终端支持的AI算子能力的信息、用于指示终端支持的AI模型的信息中的至少一项；
所述用于指示终端支持AI模型处理相关能力的信息，包括：用于指示终端支持AI模型推理能力的信息、用于指示终端支持AI模型训练能力的信息中的至少一项。
可选地，所述用于指示终端支持AI的无线相关能力的信息，包括：用于指示终端支持AI的信道估计能力的信息、用于指示终端支持AI的信道反馈能力的信息、用于指示终端支持AI的信道预测能力的信息、用于指示终端支持AI的信道编解码能力的信息、用于指示终端支持AI的MIMO检测能力的信息、用于指示终端支持AI的干扰消除能力的信息中的至少一项；
所述用于指示终端支持AI的网络相关能力的信息，包括：用于指示终端支持AI的业务类型识别能力的信息、用于指示终端支持AI的业务特征识别能力的信息、用于指示终端支持AI的移动性轨迹预测能力的信息中的至少一项。
可选地，所述无线功能或网络功能的配置信息包括以下至少一项：
用于指示使用AI的无线功能相关信息；
用于指示使用AI的网络功能相关信息；
用于指示对AI模型执行推理的信息；
用于指示对AI模型执行训练的信息。
可选地，所述第一发送模块420包括：
第一发送单元，用于根据所述终端能力信息携带的用于指示终端支持的AI模型的信息，以及用于指示终端支持AI模型推理能力的信息，发送携带有对所述AI模型执行推理的配置信息至所述终端。
可选地，所述第一发送模块420包括：
第二发送单元，用于根据所述终端能力信息携带的用于指示终端支持的AI框架能力或AI算子能力的信息、用于指示终端支持AI模型推理能力的信息，发送携带有AI模型相关以及对所述AI模型执行推理的配置信息至所述终端。
可选地，所述装置400还包括：
第二接收模块，用于接收所述终端对所述AI模型执行推理后得到的无线功能或网络功能的推理结果。
可选地，所述第一发送模块420包括：
第三发送单元，用于根据所述终端能力信息携带的用于指示终端支持的AI模型的信息，以及用于指示终端支持AI模型训练能力的信息，发送携带有对所述AI模型执行训练的配置信息至所述终端。
可选地，所述第一发送模块420包括：
第四发送单元，用于根据所述终端能力信息携带的用于指示终端支持的AI框架能力或AI算子能力的信息、用于指示终端支持AI模型训练能力的信息，发送携带有AI模型相关以及对所述AI模型执行训练的配置信息至所述终端。
可选地，所述装置400还包括：
第三接收模块，用于接收所述终端对所述AI模型执行训练后得到的无线功能或网络功能相关的AI训练模型。
本发明实施例的装置400能够实现上述网络设备侧基于终端能力的处理方法的各个过程，并能达到相同的技术效果，为避免重复，这里不再赘述。
如图5所示，本发明实施例提供一种网络设备500，包括处理器510和收发器520，其中，
所述收发器520用于：接收终端发送的终端能力信息；其中，所述终端能力信息包括AI能力相关的信息；
所述处理器510用于：根据所述终端能力信息，通过所述收发器520发送无线功能或网络功能的配置信息至所述终端。
可选地，接收终端发送的终端能力信息，包括：
发送终端能力查询信息至所述终端；
接收所述终端根据所述终端能力信息发送的所述终端能力信息。
可选地，所述AI能力相关的信息，包括以下至少一项：
用于指示终端支持AI运行相关能力的信息；
用于指示终端支持AI模型处理相关能力的信息；
用于指示终端支持AI的无线相关能力的信息；
用于指示终端支持AI的网络相关能力的信息。
可选地，所述用于指示终端支持AI运行相关能力的信息，包括：用于指示终端支持的AI框架能力的信息、用于指示终端支持的AI算子能力的信息、用于指示终端支持的AI模型的信息中的至少一项；
所述用于指示终端支持AI模型处理相关能力的信息，包括：用于指示终端支持AI模型推理能力的信息、用于指示终端支持AI模型训练能力的信息中的至少一项。
可选地，所述用于指示终端支持AI的无线相关能力的信息，包括：用于指示终端支持AI的信道估计能力的信息、用于指示终端支持AI的信道反馈能力的信息、用于指示终端支持AI的信道预测能力的信息、用于指示终端支持AI的信道编解码能力的信息、用于指示终端支持AI的MIMO检测能力的信息、用于指示终端支持AI的干扰消除能力的信息中的至少一项；
所述用于指示终端支持AI的网络相关能力的信息，包括：用于指示终端支持AI的业务类型识别能力的信息、用于指示终端支持AI的业务特征识别能力的信息、用于指示终端支持AI的移动性轨迹预测能力的信息中的至少一项。
可选地，所述无线功能或网络功能的配置信息包括以下至少一项：
用于指示使用AI的无线功能相关信息；
用于指示使用AI的网络功能相关信息；
用于指示对AI模型执行推理的信息；
用于指示对AI模型执行训练的信息。
可选地，所述处理器510用于：根据所述终端能力信息携带的用于指示终端支持的AI模型的信息，以及用于指示终端支持AI模型推理能力的信息，通过所述收发器520发送携带有对所述AI模型执行推理的配置信息至所述终端。
可选地，所述处理器510用于：根据所述终端能力信息携带的用于指示终端支持的AI框架能力或AI算子能力的信息、用于指示终端支持AI模型推理能力的信息，通过所述收发器520发送携带有AI模型相关以及对所述AI模型执行推理的配置信息至所述终端。
可选地，所述收发器520用于，接收所述终端对所述AI模型执行推理后得到的无线功能或网络功能的推理结果。
可选地，所述处理器510用于：根据所述终端能力信息携带的用于指示终端支持的AI模型的信息，以及用于指示终端支持AI模型训练能力的信息，通过所述收发器520发送携带有对所述AI模型执行训练的配置信息至所述终端。
可选地，所述处理器510用于：根据所述终端能力信息携带的用于指示终端支持的AI框架能力或AI算子能力的信息、用于指示终端支持AI模型训练能力的信息，通过所述收发器520发送携带有AI模型相关以及对所述AI模型执行训练的配置信息至所述终端。
可选地，所述收发器520用于：接收所述终端对所述AI模型执行训练后得到的无线功能或网络功能相关的AI训练模型。
本发明实施例的网络设备500能够实现上述网络设备侧基于终端能力的处理方法的各个过程，并能达到相同的技术效果，为避免重复，这里不再赘述。
本发明另一实施例的网络设备，如图6所示，包括收发器610、处理器600、存储器620及存储在所述存储器620上并可在所述处理器600上运行的程序或指令；所述处理器600执行所述程序或指令时实现上述应用于网络设备侧的基于终端能力的处理方法中的步骤，并能达到相同的技术效果，为了避免重复，此处不再赘述。
所述收发器610，用于在处理器600的控制下接收和发送数据。
其中，在图6中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器600代表的一个或多个处理器和存储器620代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发器610可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。处理器600负责管理总线架构和通常的处理，存储器620可以存储处理器600在执行操作时所使用的数据。
本发明实施例的一种可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时实现如上所述应用于网络设备侧的基于终端能力的处理方法中的步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
如图7所示，本申请实施例提供了一种基于终端能力的处理方法，应用于终端，所述方法包括：
步骤71：发送终端能力信息至网络设备；其中，所述终端能力信息包括AI能力相关的信息。
可选地，所述AI能力相关的信息，可以包括但不限于以下至少一项：用于指示终端支持AI运行相关能力的信息；用于指示终端支持AI模型处理相关能力的信息；用于指示终端支持AI的无线相关能力的信息；用于指示终端支持AI的网络相关能力的信息。
其中，用于指示终端支持AI运行相关能力的信息可以包括但不限于以下至少一项：
用于指示终端支持的AI框架能力的信息，如AI框架能力可以包括但不限于：tensorflow，caffe，pytorch框架等；
用于指示终端支持的AI算子能力的信息，如AI算子能力可以包括但不限于：卷积，池化，去激活，全连接等；
用于指示终端支持的AI模型的信息，如AI模型可以包括但不限于：SR-CNN，LSTM，autoencoder，GAN，典型模型n等。
其中，用于指示终端支持的AI模型处理相关能力的信息包括但不限于以下至少一项：
用于指示终端支持AI模型推理能力的信息，如AI模型推理能力可以包括但不限于：模型标识、性能指标(如模型推理所需的时间，终端功耗)等；
用于指示终端支持AI模型训练能力的信息，如AI模型训练能力可以包括但不限于：模型标识、模型训练可用的时间段、性能指标(如模型训练所需的时间，终端功耗)等。
其中，用于指示终端支持AI的无线相关能力的信息包括但不限于以下至少一项：
用于指示终端支持AI的信道估计能力的信息、用于指示终端支持AI的信道反馈能力的信息、用于指示终端支持AI的信道预测能力的信息、用于指示终端支持AI的信道编解码能力的信息、用于指示终端支持AI的MIMO检测能力的信息、用于指示终端支持AI的干扰消除能力的信息等。
其中，所述用于指示终端支持AI的网络相关能力的信息，包括但不限于以下至少一项：用于指示终端支持AI的业务类型识别能力的信息、用于指示终端支持AI的业务特征识别能力的信息、用于指示终端支持AI的移动性轨迹预测能力的信息等。
步骤72：接收所述网络设备根据所述终端能力信息发送的无线功能或网络功能的配置信息。
可选地，所述无线功能或网络功能的配置信息包括但不限于以下至少一项：用于指示使用AI的无线功能相关信息；用于指示使用AI的网络功能相关信息；用于指示对AI模型执行推理的信息；用于指示对AI模型执行训练的信息等。
其中，用于指示使用AI的无线功能相关信息包括但不限于以下至少一项：用于指示使用AI的相关算法执行无线功能的信息，用于指示使用AI的相关模型执行无线功能的信息等(如AI的相关模型可以通过AI模型的相关信息来指示，如所述相关信息可以携带有AI模型的标识信息、AI模型的描述信息等，其中AI模型的描述信息可以至少包括模型的输入输出，模型的具体构成等)。
其中，用于指示使用AI的网络功能相关信息包括但不限于以下至少一项：用于指示使用AI的相关算法执行无线功能的信息，用于指示使用AI的相关模型执行无线功能的信息等(如AI的相关模型可以通过AI模型的相关信息来指示，如所述相关信息可以携带有AI模型的标识信息、AI模型的描述信息等，其中AI模型的描述信息可以至少包括模型的输入输出，模型的具体构成等)。
步骤73：根据所述配置信息，执行相应的无线功能或网络功能。
上述方案中，终端将携带有AI能力相关的信息的终端能力信息发送给网络设备，并根据接收到的网络设备根据该终端能力信息发送的无线功能或网络功能的配置信息，执行相应的无线功能或网络功能，从而实现了终端和网络设备之间AI能力的交互，使得网络设备侧可以了解到终端支持的AI能力，进而能够使能在终端上执行AI的无线功能或网络功能。
可选地，所述发送终端能力信息至网络设备的步骤，可以包括：
在接收到所述网络设备发送的终端能力查询信息的情况下，发送所述终端能力信息至所述网络设备。
可选地，终端和网络设备之间可以通过RRC消息交互终端的相关能力，如网络设备可以通过RRC消息发送终端能力查询信息给终端，终端可以通过RRC消息反馈终端支持的AI能力信息至网络设备。
可选地，根据所述配置信息，执行相应的无线功能或网络功能的步骤，可以包括：
在所述终端存在AI模型的情况下，根据携带有对所述AI模型执行推理的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型推理。
例如：在终端上报终端能力信息给网络设备之后，网络设备确定终端存在相应的无线功能或网络功能的AI模型的情况下，网络设备可以发送携带有对所述AI模型执行推理的配置信息给终端，这样终端可以根据该配置信息，基于其已存在的AI模型执行推理。
可选地，根据所述配置信息，执行相应的无线功能或网络功能的步骤，可以包括：
根据携带有AI模型相关以及对所述AI模型执行推理的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型推理。
例如：在终端上报终端能力信息给网络设备之后，网络设备确定终端不存在相应的无线功能或网络功能的AI模型的情况下，网络设备可以发送携带有AI模型相关以及对所述AI模型执行推理的配置信息给所述终端，这样终端可以根据该配置信息，部署AI模型并基于部署的AI模型执行推理。
可选地，基于所述AI模型执行无线功能或网络功能相关的AI模型推理的步骤之后，所述方法还包括：将基于所述AI模型执行推理后得到的无线功能或网络功能的推理结果反馈至所述网络设备。
也就是说，终端在根据网络设备发送的配置信息，基于相应的AI模型执行推理后，可以将相应的推理结果反馈给网络设备。
可选地，根据所述配置信息，执行相应的无线功能或网络功能的步骤，可以包括：
在所述终端存在AI模型的情况下，根据携带有对所述AI模型执行训练的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型训练。
例如：在终端上报终端能力信息给网络设备之后，网络设备确定终端存在相应的无线功能或网络功能的AI模型的情况下，网络设备可以发送携带有对所述AI模型执行训练的配置信息给终端，这样终端可以根据该配置信息，基于其已存在的AI模型执行训练。
可选地，根据所述配置信息，执行相应的无线功能或网络功能的步骤，可以包括：
根据携带有AI模型相关以及对所述AI模型执行训练的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型训练。
例如：在终端上报终端能力信息给网络设备之后，网络设备确定终端不存在相应的无线功能或网络功能的AI模型的情况下，网络设备可以发送携带有AI模型相关以及对所述AI模型执行训练的配置信息给所述终端，这样终端可以根据该配置信息，部署AI模型并基于部署的AI模型执行训练。
可选地，基于所述AI模型执行无线功能或网络功能相关的AI模型训练的步骤之后，所述方法还包括：将基于所述AI模型执行训练后得到的无线功能或网络功能相关的AI训练模型反馈至所述网络设备。
也就是说，终端在根据网络设备发送的配置信息，基于相应的AI模型执行训练后，可以将相应的训练结果(即训练后的AI模型)反馈给网络设备。
以下结合具体示例，对本发明基于终端能力的处理方法进行具体说明：
实施例一：以信道估计为例；
所述根据所述配置信息，执行相应的无线功能的步骤，可以包括：
基于是非线性插值AI模型，对第一导频图案进行非线性差值处理，得到第二导频图案；根据所述第二导频图案进行信道估计。
例如，在多天线MIMO系统中，接收端的信道估计的精确度非常重要，通常说来它依赖于下行导频的发送，但是导频本身不传送数据，如果导频的密度过高，开销过大，会影响到频谱效率，所以需要在减少导频发送密度的同时，提高信道估计准确度。例如可以基于线性插值(Linear Interpolation，LI)或者高斯插值(Gaussian Interpolation，(GI)的数学建模的方式来进行。
在信道估计场景下，终端引入AI能力后，可以在终端引入基于AI的非线性插值的模型来提升信道估计的精度，比如基于超高图像复原处理的SR-CNN,EDSR，GAN等。
以SR-CNN和EDSR为例，如图8所示，一个资源块(resource block，RB)包括了频域上Nsc个载波和时域上Ns个时隙，阴影位置代表导频的位置，白色位置的信道状态需要通过信道估计来得到。
如图9所示，通过引入超高图像复原处理的SR-CNN，EDSR等AI模型，将较为稀疏的导频(比如16*16，等效于低分辨率的图片)通过非线性AI插值的方式估计时域或者频率上的信道(比如64*64，等效于高分辨率的图片)；具体的基于AI能力上报的信道估计的流程图，如图10所示。
实施例二：以信道反馈为例；
所述根据所述配置信息，执行相应的无线功能的步骤，可以包括：
基于AI压缩模型，对信道状态信息(Channel State Information，CSI)进行压缩处理，将压缩后的CSI反馈给网络。
例如：在多天线MIMO系统中，信道资源的分配和调度的效率与链路自适应的精确度相关性很大，它依赖于终端对下行信道测量和估计的反馈。链路自适应依赖于终端的CSI反馈，比如信道质量指示(Channel Quality Indicator，CQI)，预编码矩阵指示(Precodingmatrix indicator，PMI)，秩指示(Rank indicator，RI)，这些信息都是量化过后的指示(Indicator)信息。如果要反馈完整的信道信息，对上行信道的开销很大。在终端引入AI能力以后，可以在终端引入基于AI的压缩模型，比如自编码器进行压缩。
如图11所示，在发送端通过自编码器编码端模型对高维的信道矩阵进行压缩，在接收端通过自编码器解码端模型进行解压；具体的基于AI能力上报的信道反馈的流程图，如图12所示。
本发明的实施例实现了网络设备与终端AI能力的交互，可以使得网络设备了解到终端支持的AI能力，从而能能够使能在终端上进行AI模型的部署，训练和推理。
如图13所示，本申请实施例提供了一种基于终端能力的处理装置1300，应用于终端，所述装置1300包括：
发送模块1310，用于发送终端能力信息至网络设备；其中，所述终端能力信息包括AI能力相关的信息；
接收模块1320，用于接收所述网络设备根据所述终端能力信息发送的无线功能或网络功能的配置信息；
处理模块1330，用于根据所述配置信息，执行相应的无线功能或网络功能。
可选地，所述发送模块1310包括：
发送单元，用于在接收到所述网络设备发送的终端能力查询信息的情况下，发送所述终端能力信息至所述网络设备。
可选地，所述AI能力相关的信息，包括以下至少一项：
用于指示终端支持AI运行相关能力的信息；
用于指示终端支持AI模型处理相关能力的信息；
用于指示终端支持AI的无线相关能力的信息；
用于指示终端支持AI的网络相关能力的信息。
可选地，所述用于指示终端支持AI运行相关能力的信息，包括：用于指示终端支持的AI框架能力的信息、用于指示终端支持的AI算子能力的信息、用于指示终端支持的AI模型的信息中的至少一项；
所述用于指示终端支持AI模型处理相关能力的信息，包括：用于指示终端支持AI模型推理能力的信息、用于指示终端支持AI模型训练能力的信息中的至少一项。
可选地，所述用于指示终端支持AI的无线相关能力的信息，包括：用于指示终端支持AI的信道估计能力的信息、用于指示终端支持AI的信道反馈能力的信息、用于指示终端支持AI的信道预测能力的信息、用于指示终端支持AI的信道编解码能力的信息、用于指示终端支持AI的MIMO检测能力的信息、用于指示终端支持AI的干扰消除能力的信息中的至少一项；
所述用于指示终端支持AI的网络相关能力的信息，包括：用于指示终端支持AI的业务类型识别能力的信息、用于指示终端支持AI的业务特征识别能力的信息、用于指示终端支持AI的移动性轨迹预测能力的信息中的至少一项。
可选地，所述无线功能或网络功能的配置信息包括以下至少一项：
用于指示使用AI的无线功能相关信息；
用于指示使用AI的网络功能相关信息；
用于指示对AI模型执行推理的信息；
用于指示对AI模型执行训练的信息。
可选地，所述处理模块1330包括：
第一处理单元，用于在所述终端存在AI模型的情况下，根据携带有对所述AI模型执行推理的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型推理。
可选地，所述处理模块1330包括：
第二处理单元，用于根据携带有AI模型相关以及对所述AI模型执行推理的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型推理。
可选地，所述装置1300还包括：
第一反馈模块，用于将基于所述AI模型执行推理后得到的无线功能或网络功能的推理结果反馈至所述网络设备。
可选地，所述处理模块1330包括：
第三处理单元，用于在所述终端存在AI模型的情况下，根据携带有对所述AI模型执行训练的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型训练。
可选地，所述处理模块1330包括：
第四处理单元，用于根据携带有AI模型相关以及对所述AI模型执行训练的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型训练。
可选地，所述装置1300还包括：
第二反馈模块，用于将基于所述AI模型执行训练后得到的无线功能或网络功能相关的AI训练模型反馈至所述网络设备。
本发明实施例的装置1300能够实现上述终端侧基于终端能力的处理方法的各个过程，并能达到相同的技术效果，为避免重复，这里不再赘述。
如图14所示，本发明实施例提供一种终端备1400，包括：收发器1420和处理器1410；其中，
所述收发器1420用于：发送终端能力信息至网络设备；其中，所述终端能力信息包括AI能力相关的信息；接收所述网络设备根据所述终端能力信息发送的无线功能或网络功能的配置信息；
所述处理器1410用于：根据所述配置信息，执行相应的无线功能或网络功能。
可选地，所述收发器1420还用于：在接收到所述网络设备发送的终端能力查询信息的情况下，发送所述终端能力信息至所述网络设备。
可选地，所述AI能力相关的信息，包括以下至少一项：
用于指示终端支持AI运行相关能力的信息；
用于指示终端支持AI模型处理相关能力的信息；
用于指示终端支持AI的无线相关能力的信息；
用于指示终端支持AI的网络相关能力的信息。
可选地，所述用于指示终端支持AI运行相关能力的信息，包括：用于指示终端支持的AI框架能力的信息、用于指示终端支持的AI算子能力的信息、用于指示终端支持的AI模型的信息中的至少一项；
所述用于指示终端支持AI模型处理相关能力的信息，包括：用于指示终端支持AI模型推理能力的信息、用于指示终端支持AI模型训练能力的信息中的至少一项。
可选地，所述用于指示终端支持AI的无线相关能力的信息，包括：用于指示终端支持AI的信道估计能力的信息、用于指示终端支持AI的信道反馈能力的信息、用于指示终端支持AI的信道预测能力的信息、用于指示终端支持AI的信道编解码能力的信息、用于指示终端支持AI的MIMO检测能力的信息、用于指示终端支持AI的干扰消除能力的信息中的至少一项；
所述用于指示终端支持AI的网络相关能力的信息，包括：用于指示终端支持AI的业务类型识别能力的信息、用于指示终端支持AI的业务特征识别能力的信息、用于指示终端支持AI的移动性轨迹预测能力的信息中的至少一项。
可选地，所述无线功能或网络功能的配置信息包括以下至少一项：
用于指示使用AI的无线功能相关信息；
用于指示使用AI的网络功能相关信息；
用于指示对AI模型执行推理的信息；
用于指示对AI模型执行训练的信息。
可选地，所述处理器1410用于：在所述终端存在AI模型的情况下，根据携带有对所述AI模型执行推理的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型推理。
可选地，所述处理器1410用于：根据携带有AI模型相关以及对所述AI模型执行推理的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型推理。
可选地，所述收发器1420还用于：将基于所述AI模型执行推理后得到的无线功能或网络功能的推理结果反馈至所述网络设备。
可选地，所述处理器1410用于：在所述终端存在AI模型的情况下，根据携带有对所述AI模型执行训练的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型训练。
可选地，所述处理器1410用于：根据携带有AI模型相关以及对所述AI模型执行训练的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型训练。
可选地，所述收发器1420还用于：将基于所述AI模型执行训练后得到的无线功能或网络功能相关的AI训练模型反馈至所述网络设备。
本发明实施例的终端1400能够实现上述终端侧基于终端能力的处理方法的各个过程，并能达到相同的技术效果，为避免重复，这里不再赘述。本发明另一实施例的一种终端，如图15所示，包括收发器1510、处理器1500、存储器1520及存储在所述存储器1520上并可在所述处理器1500上运行的程序或指令；所述处理器1500执行所述程序或指令时实现上述应用于终端侧的基于终端能力的处理方法中的步骤，并能达到相同的技术效果，为了避免重复，此处不再赘述。
所述收发器1510，用于在处理器1500的控制下接收和发送数据。
其中，在图15中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器1500代表的一个或多个处理器和存储器1520代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发器1510可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。针对不同的用户设备，用户接口1530还可以是能够外接内接需要设备的接口，连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器1500负责管理总线架构和通常的处理，存储器1520可以存储处理器1500在执行操作时所使用的数据。
本发明实施例的一种可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时实现应用于终端侧的基于终端能力的处理方法中的步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
进一步需要说明的是，此说明书中所描述的终端包括但不限于智能手机、平板电脑等，且所描述的许多功能部件都被称为模块，以便更加特别地强调其实现方式的独立性。
本发明实施例中，模块可以用软件实现，以便由各种类型的处理器执行。举例来说，一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块，举例来说，其可以被构建为对象、过程或函数。尽管如此，所标识模块的可执行代码无需物理地位于一起，而是可以包括存储在不同位里上的不同的指令，当这些指令逻辑上结合在一起时，其构成模块并且实现该模块的规定目的。
实际上，可执行代码模块可以是单条指令或者是许多条指令，并且甚至可以分布在多个不同的代码段上，分布在不同程序当中，以及跨越多个存储器设备分布。同样地，操作数据可以在模块内被识别，并且可以依照任何适当的形式实现并且被组织在任何适当类型的数据结构内。所述操作数据可以作为单个数据集被收集，或者可以分布在不同位置上(包括在不同存储设备上)，并且至少部分地可以仅作为电子信号存在于系统或网络上。
在模块可以利用软件实现时，考虑到现有硬件工艺的水平，所以可以以软件实现的模块，在不考虑成本的情况下，本领域技术人员都可以搭建对应的硬件电路来实现对应的功能，所述硬件电路包括常规的超大规模集成(VLSI)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备，诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。
上述范例性实施例是参考该些附图来描述的，许多不同的形式和实施例是可行而不偏离本发明精神及教示，因此，本发明不应被建构成为在此所提出范例性实施例的限制。更确切地说，这些范例性实施例被提供以使得本发明会是完善又完整，且会将本发明范围传达给那些熟知此项技术的人士。在该些图式中，组件尺寸及相对尺寸也许基于清晰起见而被夸大。在此所使用的术语只是基于描述特定范例性实施例目的，并无意成为限制用。如在此所使用地，除非该内文清楚地另有所指，否则该单数形式“一”、“一个”和“该”是意欲将该些多个形式也纳入。会进一步了解到该些术语“包含”及/或“包括”在使用于本说明书时，表示所述特征、整数、步骤、操作、构件及/或组件的存在，但不排除一或更多其它特征、整数、步骤、操作、构件、组件及/或其族群的存在或增加。除非另有所示，陈述时，一值范围包含该范围的上下限及其间的任何子范围。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (29)
1.一种基于终端能力的处理方法，其特征在于，应用于网络设备，所述方法包括：
接收终端发送的终端能力信息；其中，所述终端能力信息包括AI能力相关的信息；
根据所述终端能力信息，发送无线功能或网络功能的配置信息至所述终端。
2.根据权利要求1所述的方法，其特征在于，接收终端发送的终端能力信息，包括：
发送终端能力查询信息至所述终端；
接收所述终端根据所述终端能力信息发送的所述终端能力信息。
3.根据权利要求1所述的方法，其特征在于，所述AI能力相关的信息，包括以下至少一项：
用于指示终端支持AI运行相关能力的信息；
用于指示终端支持AI模型处理相关能力的信息；
用于指示终端支持AI的无线相关能力的信息；
用于指示终端支持AI的网络相关能力的信息。
4.根据权利要求3所述的方法，其特征在于，
所述用于指示终端支持AI运行相关能力的信息，包括：用于指示终端支持的AI框架能力的信息、用于指示终端支持的AI算子能力的信息、用于指示终端支持的AI模型的信息中的至少一项；
所述用于指示终端支持AI模型处理相关能力的信息，包括：用于指示终端支持AI模型推理能力的信息、用于指示终端支持AI模型训练能力的信息中的至少一项。
5.根据权利要求3所述的方法，其特征在于，
所述用于指示终端支持AI的无线相关能力的信息，包括：用于指示终端支持AI的信道估计能力的信息、用于指示终端支持AI的信道反馈能力的信息、用于指示终端支持AI的信道预测能力的信息、用于指示终端支持AI的信道编解码能力的信息、用于指示终端支持AI的MIMO检测能力的信息、用于指示终端支持AI的干扰消除能力的信息中的至少一项；
所述用于指示终端支持AI的网络相关能力的信息，包括：用于指示终端支持AI的业务类型识别能力的信息、用于指示终端支持AI的业务特征识别能力的信息、用于指示终端支持AI的移动性轨迹预测能力的信息中的至少一项。
6.根据权利要求1所述的方法，其特征在于，所述无线功能或网络功能的配置信息包括以下至少一项：
用于指示使用AI的无线功能相关信息；
用于指示使用AI的网络功能相关信息；
用于指示对AI模型执行推理的信息；
用于指示对AI模型执行训练的信息。
7.根据权利要求1所述的方法，其特征在于，根据所述终端能力信息，发送无线功能或网络功能的配置信息至所述终端，包括：
根据所述终端能力信息携带的用于指示终端支持的AI模型的信息，以及用于指示终端支持AI模型推理能力的信息，发送携带有对所述AI模型执行推理的配置信息至所述终端。
8.根据权利要求1所述的方法，其特征在于，根据所述终端能力信息，发送无线功能或网络功能的配置信息至所述终端，包括：
根据所述终端能力信息携带的用于指示终端支持的AI框架能力或AI算子能力的信息、用于指示终端支持AI模型推理能力的信息，发送携带有AI模型相关以及对所述AI模型执行推理的配置信息至所述终端。
9.根据权利要求7或8所述的方法，其特征在于，发送携带有对所述AI模型执行推理的配置信息至所述终端之后，还包括：
接收所述终端对所述AI模型执行推理后得到的无线功能或网络功能的推理结果。
10.根据权利要求1所述的方法，其特征在于，根据所述终端能力信息，发送无线功能或网络功能的配置信息至所述终端，包括：
根据所述终端能力信息携带的用于指示终端支持的AI模型的信息，以及用于指示终端支持AI模型训练能力的信息，发送携带有对所述AI模型执行训练的配置信息至所述终端。
11.根据权利要求1所述的方法，其特征在于，根据所述终端能力信息，发送无线功能或网络功能的配置信息至所述终端，包括：
根据所述终端能力信息携带的用于指示终端支持的AI框架能力或AI算子能力的信息、用于指示终端支持AI模型训练能力的信息，发送携带有AI模型相关以及对所述AI模型执行训练的配置信息至所述终端。
12.根据权利要求10或11所述的方法，其特征在于，发送携带有对所述AI模型执行训练的配置信息至所述终端之后，还包括：
接收所述终端对所述AI模型执行训练后得到的无线功能或网络功能相关的AI训练模型。
13.一种基于终端能力的处理方法，其特征在于，应用于终端，所述方法包括：
发送终端能力信息至网络设备；其中，所述终端能力信息包括AI能力相关的信息；
接收所述网络设备根据所述终端能力信息发送的无线功能或网络功能的配置信息；
根据所述配置信息，执行相应的无线功能或网络功能。
14.根据权利要求13所述的方法，其特征在于，所述发送终端能力信息至网络设备，包括：
在接收到所述网络设备发送的终端能力查询信息的情况下，发送所述终端能力信息至所述网络设备。
15.根据权利要求13所述的方法，其特征在于，所述AI能力相关的信息，包括以下至少一项：
用于指示终端支持AI运行相关能力的信息；
用于指示终端支持AI模型处理相关能力的信息；
用于指示终端支持AI的无线相关能力的信息；
用于指示终端支持AI的网络相关能力的信息。
16.根据权利要求15所述的方法，其特征在于，
所述用于指示终端支持AI运行相关能力的信息，包括：用于指示终端支持的AI框架能力的信息、用于指示终端支持的AI算子能力的信息、用于指示终端支持的AI模型的信息中的至少一项；
所述用于指示终端支持AI模型处理相关能力的信息，包括：用于指示终端支持AI模型推理能力的信息、用于指示终端支持AI模型训练能力的信息中的至少一项。
17.根据权利要求15所述的方法，其特征在于，
所述用于指示终端支持AI的无线相关能力的信息，包括：用于指示终端支持AI的信道估计能力的信息、用于指示终端支持AI的信道反馈能力的信息、用于指示终端支持AI的信道预测能力的信息、用于指示终端支持AI的信道编解码能力的信息、用于指示终端支持AI的MIMO检测能力的信息、用于指示终端支持AI的干扰消除能力的信息中的至少一项；
所述用于指示终端支持AI的网络相关能力的信息，包括：用于指示终端支持AI的业务类型识别能力的信息、用于指示终端支持AI的业务特征识别能力的信息、用于指示终端支持AI的移动性轨迹预测能力的信息中的至少一项。
18.根据权利要求13所述的方法，其特征在于，所述无线功能或网络功能的配置信息包括以下至少一项：
用于指示使用AI的无线功能相关信息；
用于指示使用AI的网络功能相关信息；
用于指示对AI模型执行推理的信息；
用于指示对AI模型执行训练的信息。
19.根据权利要求13所述的方法，其特征在于，根据所述配置信息，执行相应的无线功能或网络功能，包括：
在所述终端存在AI模型的情况下，根据携带有对所述AI模型执行推理的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型推理。
20.根据权利要求13所述的方法，其特征在于，根据所述配置信息，执行相应的无线功能或网络功能，包括：
根据携带有AI模型相关以及对所述AI模型执行推理的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型推理。
21.根据权利要求19或20所述的方法，其特征在于，基于所述AI模型执行无线功能或网络功能相关的AI模型推理之后，还包括：
将基于所述AI模型执行推理后得到的无线功能或网络功能的推理结果反馈至所述网络设备。
22.根据权利要求13所述的方法，其特征在于，根据所述配置信息，执行相应的无线功能或网络功能，包括：
在所述终端存在AI模型的情况下，根据携带有对所述AI模型执行训练的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型训练。
23.根据权利要求13所述的方法，其特征在于，根据所述配置信息，执行相应的无线功能或网络功能，包括：
根据携带有AI模型相关以及对所述AI模型执行训练的配置信息，基于所述AI模型执行无线功能或网络功能相关的AI模型训练。
24.根据权利要求22或23所述的方法，其特征在于，基于所述AI模型执行无线功能或网络功能相关的AI模型训练之后，还包括：
将基于所述AI模型执行训练后得到的无线功能或网络功能相关的AI训练模型反馈至所述网络设备。
25.一种基于终端能力的处理装置，其特征在于，应用于网络设备，所述装置包括：
第一接收模块，用于接收终端发送的终端能力信息；其中，所述终端能力信息包括AI能力相关的信息；
第一发送模块，用于根据所述终端能力信息，发送无线功能或网络功能的配置信息至所述终端。
26.一种网络设备，包括：收发器、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令；其特征在于，所述处理器执行所述程序或指令时实现如权利要求1至12中任一项所述的基于终端能力的处理方法中的步骤。
27.一种基于终端能力的处理装置，其特征在于，应用于终端，所述装置包括：
发送模块，用于发送终端能力信息至网络设备；其中，所述终端能力信息包括AI能力相关的信息；
接收模块，用于接收所述网络设备根据所述终端能力信息发送的无线功能或网络功能的配置信息；
处理模块，用于根据所述配置信息，执行相应的无线功能或网络功能。
28.一种终端，包括：收发器、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令；其特征在于，所述处理器执行所述程序或指令时实现如权利要求13至24中任一项所述的基于终端能力的处理方法中的步骤。
29.一种可读存储介质，其上存储有程序或指令，其特征在于，所述程序或指令被处理器执行时实现如权利要求1至24中任一项所述的基于终端能力的处理方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110019663.8A CN114745712A (zh) | 2021-01-07 | 2021-01-07 | 基于终端能力的处理方法、装置、终端及网络设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110019663.8A CN114745712A (zh) | 2021-01-07 | 2021-01-07 | 基于终端能力的处理方法、装置、终端及网络设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114745712A true CN114745712A (zh) | 2022-07-12 |
Family
ID=82273827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110019663.8A Pending CN114745712A (zh) | 2021-01-07 | 2021-01-07 | 基于终端能力的处理方法、装置、终端及网络设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114745712A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023040832A1 (zh) * | 2021-09-14 | 2023-03-23 | 中国移动通信有限公司研究院 | 一种信息传输方法、装置、设备及可读存储介质 |
| CN116193504A (zh) * | 2023-04-18 | 2023-05-30 | 南京云程半导体有限公司 | 一种信道状态信息的上报方法、电子设备及存储介质 |
| WO2023184427A1 (zh) * | 2022-03-31 | 2023-10-05 | 北京小米移动软件有限公司 | 基于ai的csi处理能力确定方法、装置、介质、产品及芯片 |
| WO2023245586A1 (zh) * | 2022-06-23 | 2023-12-28 | 北京小米移动软件有限公司 | 操作配置方法、装置 |
| WO2024016363A1 (zh) * | 2022-07-22 | 2024-01-25 | 北京小米移动软件有限公司 | 异构人工智能ai框架的模型交互方法、装置及系统 |
| WO2024021131A1 (zh) * | 2022-07-29 | 2024-02-01 | 北京小米移动软件有限公司 | Drx周期确定方法、装置 |
| CN117856947A (zh) * | 2024-02-21 | 2024-04-09 | 荣耀终端有限公司 | Csi压缩模型指示方法及通信装置 |
| WO2024087019A1 (zh) * | 2022-10-25 | 2024-05-02 | Oppo广东移动通信有限公司 | 无线通信的方法及设备 |
| WO2024093483A1 (zh) * | 2022-11-04 | 2024-05-10 | 大唐移动通信设备有限公司 | 管理模型的方法、装置及设备 |
| WO2024092635A1 (en) * | 2022-11-03 | 2024-05-10 | Apple Inc. | Artificial intelligence model coordination between network and user equipment |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020087292A1 (zh) * | 2018-10-30 | 2020-05-07 | 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 |
| WO2020171803A1 (en) * | 2019-02-19 | 2020-08-27 | Nokia Solutions And Networks Oy | Configuration of a neural network for a radio access network (ran) node of a wireless network |
| CN111837425A (zh) * | 2020-06-10 | 2020-10-27 | 北京小米移动软件有限公司 | 一种接入方法、接入装置及存储介质 |
| US20200343985A1 (en) * | 2019-04-23 | 2020-10-29 | DeepSig Inc. | Processing communications signals using a machine-learning network |
| WO2020223910A1 (zh) * | 2019-05-07 | 2020-11-12 | Oppo广东移动通信有限公司 | 一种终端设备的能力上报方法、设备及存储介质 |
| CN111954206A (zh) * | 2019-05-17 | 2020-11-17 | 株式会社Ntt都科摩 | 终端和基站 |
| US20200366326A1 (en) * | 2019-05-15 | 2020-11-19 | Huawei Technologies Co., Ltd. | Systems and methods for signaling for ai use by mobile stations in wireless networks |
-
2021
- 2021-01-07 CN CN202110019663.8A patent/CN114745712A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020087292A1 (zh) * | 2018-10-30 | 2020-05-07 | 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 |
| WO2020171803A1 (en) * | 2019-02-19 | 2020-08-27 | Nokia Solutions And Networks Oy | Configuration of a neural network for a radio access network (ran) node of a wireless network |
| US20200343985A1 (en) * | 2019-04-23 | 2020-10-29 | DeepSig Inc. | Processing communications signals using a machine-learning network |
| WO2020223910A1 (zh) * | 2019-05-07 | 2020-11-12 | Oppo广东移动通信有限公司 | 一种终端设备的能力上报方法、设备及存储介质 |
| US20200366326A1 (en) * | 2019-05-15 | 2020-11-19 | Huawei Technologies Co., Ltd. | Systems and methods for signaling for ai use by mobile stations in wireless networks |
| CN111954206A (zh) * | 2019-05-17 | 2020-11-17 | 株式会社Ntt都科摩 | 终端和基站 |
| CN111837425A (zh) * | 2020-06-10 | 2020-10-27 | 北京小米移动软件有限公司 | 一种接入方法、接入装置及存储介质 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023040832A1 (zh) * | 2021-09-14 | 2023-03-23 | 中国移动通信有限公司研究院 | 一种信息传输方法、装置、设备及可读存储介质 |
| WO2023184427A1 (zh) * | 2022-03-31 | 2023-10-05 | 北京小米移动软件有限公司 | 基于ai的csi处理能力确定方法、装置、介质、产品及芯片 |
| WO2023245586A1 (zh) * | 2022-06-23 | 2023-12-28 | 北京小米移动软件有限公司 | 操作配置方法、装置 |
| WO2024016363A1 (zh) * | 2022-07-22 | 2024-01-25 | 北京小米移动软件有限公司 | 异构人工智能ai框架的模型交互方法、装置及系统 |
| WO2024021131A1 (zh) * | 2022-07-29 | 2024-02-01 | 北京小米移动软件有限公司 | Drx周期确定方法、装置 |
| WO2024087019A1 (zh) * | 2022-10-25 | 2024-05-02 | Oppo广东移动通信有限公司 | 无线通信的方法及设备 |
| WO2024092635A1 (en) * | 2022-11-03 | 2024-05-10 | Apple Inc. | Artificial intelligence model coordination between network and user equipment |
| WO2024093483A1 (zh) * | 2022-11-04 | 2024-05-10 | 大唐移动通信设备有限公司 | 管理模型的方法、装置及设备 |
| CN116193504A (zh) * | 2023-04-18 | 2023-05-30 | 南京云程半导体有限公司 | 一种信道状态信息的上报方法、电子设备及存储介质 |
| CN117856947A (zh) * | 2024-02-21 | 2024-04-09 | 荣耀终端有限公司 | Csi压缩模型指示方法及通信装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114745712A (zh) | 基于终端能力的处理方法、装置、终端及网络设备 | |
| CN106464435B (zh) | 使用喷泉码通过授权和未授权频段联合传输的系统和方法 | |
| US20220247469A1 (en) | Method and device for transmitting channel state information | |
| US20230051456A1 (en) | Information transmission and receiving method and device, storage medium and electronic device | |
| US20230246695A1 (en) | Terminal and base station of wireless communication system, and methods executed by terminal and base station | |
| CA3057382A1 (en) | Method for transmitting data, terminal device, and network device | |
| WO2022148490A1 (zh) | Csi的上报方法及装置 | |
| WO2021027518A1 (zh) | 处理数据的方法和通信装置 | |
| CN116097591A (zh) | 用于信道状态信息的处理时间线考虑因素 | |
| CN111435864B (zh) | 发送信道状态信息的方法和装置 | |
| WO2021035492A1 (zh) | 一种信道状态信息处理方法、电子设备及存储介质 | |
| US20230239069A1 (en) | Modulation and coding scheme mcs selection method and communication apparatus | |
| WO2020200012A1 (zh) | 通信方法和通信装置 | |
| CN115276908B (zh) | 一种无线通信方法及设备、存储介质 | |
| WO2022254086A1 (en) | Apparatus for csi prediction control | |
| WO2024008065A1 (zh) | 一种被用于无线通信的节点中的方法和装置 | |
| WO2024001865A1 (zh) | 一种被用于无线通信的节点中的方法和装置 | |
| WO2023056853A1 (zh) | 用于无线通信的方法和装置 | |
| US20230089446A1 (en) | Beam state updating in wireless communication | |
| WO2023202378A1 (zh) | 一种被用于无线通信的节点中的方法和装置 | |
| WO2023061353A1 (zh) | 一种被用于无线通信的节点中的方法和装置 | |
| WO2023236851A1 (zh) | 一种被用于无线通信的节点中的方法和装置 | |
| WO2023231933A1 (zh) | 一种通信方法及装置 | |
| WO2024031456A1 (zh) | 通信方法、装置、设备、存储介质、芯片及程序产品 | |
| WO2020143748A1 (zh) | 发送信道状态信息的方法和装置 |
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 |