CN114788319A - 个性化定制空口 - Google Patents
个性化定制空口 Download PDFInfo
- Publication number
- CN114788319A CN114788319A CN202080081324.6A CN202080081324A CN114788319A CN 114788319 A CN114788319 A CN 114788319A CN 202080081324 A CN202080081324 A CN 202080081324A CN 114788319 A CN114788319 A CN 114788319A
- Authority
- CN
- China
- Prior art keywords
- training
- information
- air interface
- receiving
- updated
- 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
- 238000012549 training Methods 0.000 claims abstract description 544
- 238000010801 machine learning Methods 0.000 claims abstract description 471
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 443
- 238000000034 method Methods 0.000 claims abstract description 191
- 238000004891 communication Methods 0.000 claims abstract description 54
- 230000004044 response Effects 0.000 claims description 108
- 238000005457 optimization Methods 0.000 claims description 86
- 238000012545 processing Methods 0.000 claims description 65
- 230000005540 biological transmission Effects 0.000 claims description 56
- 230000008569 process Effects 0.000 claims description 50
- 230000011664 signaling Effects 0.000 claims description 40
- 238000005259 measurement Methods 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 16
- 238000010276 construction Methods 0.000 description 13
- 210000004027 cell Anatomy 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 230000001960 triggered effect Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000007727 signaling mechanism Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- ABDDQTDRAHXHOC-QMMMGPOBSA-N 1-[(7s)-5,7-dihydro-4h-thieno[2,3-c]pyran-7-yl]-n-methylmethanamine Chemical compound CNC[C@@H]1OCCC2=C1SC=C2 ABDDQTDRAHXHOC-QMMMGPOBSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
- H04L41/0816—Configuration setting characterised by the conditions triggering a change of settings the condition being an adaptation, e.g. in response to network events
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0205—Traffic management, e.g. flow control or congestion control at the air interface
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/18—Negotiating wireless communication parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/26—Resource reservation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/20—Control channels or signalling for resource management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W76/00—Connection management
- H04W76/10—Connection setup
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W76/00—Connection management
- H04W76/20—Manipulation of established connections
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W92/00—Interfaces specially adapted for wireless communication networks
- H04W92/04—Interfaces between hierarchically different network devices
- H04W92/10—Interfaces between hierarchically different network devices between terminal device and access point, i.e. wireless air interface
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/02—Processing of mobility data, e.g. registration information at HLR [Home Location Register] or VLR [Visitor Location Register]; Transfer of mobility data, e.g. between HLR, VLR or external networks
- H04W8/04—Registration at HLR or HSS [Home Subscriber Server]
Abstract
本发明提供了利用人工智能(artificial intelligence,AI)或机器学习(machine learning,ML)在无线通信网络中自定义设备特定空口配置的方法和设备。空中下载信息交换有助于训练一个或多个AI/ML模块并涉及AI/ML能力信息的交换,所述信息标识设备是否支持AI/ML来优化空口。
Description
相关申请案交叉申请
本申请案要求于2020年4月21日提交的申请号为16854329、发明名称为“个性化定制空口(PERSONALIZED TAILORED AIR INTERFACE)”的美国非临时申请案的权益,该非临时申请案要求于2019年11月22日提交的申请号为62/939,284、发明名称为“个性化定制空口(PERSONALIZED TAILORED AIR INTERFACE)”的美国临时申请案的权益,这两个申请案的全部内容通过引用结合在本申请中。
技术领域
本发明大体上涉及无线通信,并且在特定实施例中,涉及用于空口自定义的方法和装置。
背景技术
空口是两个或两个以上通信设备之间的无线通信链路。这些通信设备包括演进型基站(通常也称为NodeB、基站、NR基站、发射点、远程射频头、通信控制器、控制器等)和用户设备(user equipment,UE)(也通常称为移动台、订户、用户、终端、电话等)。通常,两个通信设备都需要知道空口,以便成功地发送和接收传输。
在许多无线通信系统中,空口定义是一个一刀切的概念。一旦定义了空口,空口内的组件就不能更改或调整。在一些实现方式中,只能配置空口的有限参数或模式,例如循环前缀(cyclic prefix,CP)长度或多输入多输出(multiple input multiple output,MIMO)模式。在一些现代无线系统中,采用了可配置空口概念,为更灵活的空口提供了框架。它的目的是提供空口内不同组件的适配,并满足未来应用的潜在要求。一些现代无线系统,例如第五代(fifth generation,5G)或新空口(new radio,NR)网络系统,支持网络切片,这是一种网络架构,可以在同一物理网络基础设施上复用虚拟化和独立的逻辑网络。在这些系统中,每个网络切片都是一个隔离的端到端网络,为满足特定业务或应用请求的不同需求而定制。已经为NR网络提出了一种可配置空口,允许基于业务或切片的空口优化,以允许基于会由空口或将提供业务或应用的网络切片支持的业务或应用来配置空中接口。
发明内容
不同的通信设备对(即,传输发送设备和传输接收设备)可以具有不同的传输能力和/或传输要求。不同的传输能力和/或传输要求通常不能通过单个空口或空口配置最佳地满足。
为NR网络提出的可配置空口可以基于从预定的参数或技术子集中选择用于预定的空口组件子集的基于业务或切片的优化。如果提供服务的业务和/或网络切片改变,则通信设备的发射链和接收链中的组件的配置可以改变,以匹配与新业务或网络切片相对应的新的预定业务或切片特定空口。
然而,对于每个业务,每个设备的传输条件、能力和要求仍然可以大不相同,这意味着,例如,空口配置对于将业务传送到一个设备(例如,一个UE)可能是最佳的,而对于将相同的业务传递给另一个UE可能不一定是最佳的。
本发明提供了可用于实现根据设备定制或个性化的用于无线通信的新空口的方法和装置,例如使用人工智能和/或机器学习来提供设备特定的空口优化。例如,本发明的实施例包括网络切片/业务特定空口到包括个性化业务类型和个性化空口设置的个性化定制空口范围外的新空口。因此,使用人工智能和/或机器学习来优化设备特定的空口,可以实现新的空口配置,以满足每个UE的需求。
本发明的一个广泛方面提供了一种用于无线通信网络中的方法,其中,第一设备通过所述第一设备和第二设备之间的空口向所述第二设备发送关于所述第一设备的人工智能或机器学习(artificial intelligence/machine learning,AI/ML)能力的信息。例如,所述关于所述第一设备的AI/ML能力的信息可以标识所述第一设备是否支持AI/ML来优化所述空口的至少一个空口组件。因此,两个通信设备之间的AI/ML能力的交换用于优化一个或多个空口组件,以实现设备特定的空口优化。
本发明的另一个广泛方面提供了一种用于无线通信网络中的方法,其中,第二设备通过第一设备和所述第二设备之间的空口接收关于所述第一设备的人工智能或机器学习(artificial intelligence/machine learning,AI/ML)能力的信息。例如,所述关于所述第一设备的AI/ML能力的信息可以标识所述第一设备是否支持AI/ML来优化所述空口的至少一个空口组件。在一些实施例中,所述第二设备可以至少部分地根据关于所述第一设备的所述AI/ML能力的信息,向所述第一设备发送AI/ML训练请求。因此,两个通信设备之间的AI/ML能力的交换用于优化一个或多个空口组件,以实现设备特定的空口优化。
本发明的又一个广泛方面提供了一种装置,包括至少一个处理器和可操作地耦合到至少一个处理器的计算机可读存储介质。所述计算机可读存储介质存储由所述至少一个处理器执行的程序。所述程序包括通过所述装置和网络设备之间的空口从所述装置向所述网络设备发送关于所述装置的人工智能或机器学习(artificial intelligence/machinelearning,AI/ML)能力的信息的指令。例如,所述关于所述装置的AI/ML能力的信息可以标识所述装置是否支持AI/ML来优化所述空口的至少一个空口组件。
本发明的再一个广泛方面提供了一种网络装置,包括至少一个处理器和可操作地耦合到至少一个处理器的计算机可读存储介质。所述计算机可读存储介质存储由所述至少一个处理器执行的程序。所述程序包括所述网络装置通过第一设备和所述网络装置之间的空口接收关于所述第一设备的人工智能或机器学习(artificial intelligence/machinelearning,AI/ML)能力的信息的指令。例如,所述关于所述第一设备的AI/ML能力的信息可以标识所述第一设备是否支持AI/ML来优化所述空口的至少一个空口组件。在一些实施例中,所述程序还包括至少部分地根据所述关于所述第一设备的AI/ML能力的信息,向所述第一设备发送AI/ML训练请求。
附图说明
现在将通过示例参考示出本申请示例性实施例的附图,其中:
图1为适用于实现本文所述示例的示例性通信系统的示意图;
图2和图3为可以实现本发明提供的方法和指导的示例性设备的框图;
图4为可以实现本发明提供的方法和指导的示例性计算系统的框图;
图5示出了示例性空口及其组件;
图6为用于空口通信的网络设备的发射链和用户设备的接收链的框图;
图7A为本发明第一实施例提供的网络设备的发射链和用户设备的接收链的第一示例的框图,所述发射链和接收链包括能够实现空口的设备特定定制/自定义的机器学习组件;
图7B为本发明第一实施例提供的网络设备的发射链和用户设备的接收链的第二示例的框图,所述发射链和接收链包括能够实现空口的设备特定定制/自定义的机器学习组件;
图8A为本发明第二实施例提供的网络设备的发射链和用户设备的接收链的第一示例的框图,所述发射链和接收链包括能够实现空口的设备特定定制/自定义的机器学习组件;
图8B为本发明第二实施例提供的网络设备的发射链和用户设备的接收链的第二示例的框图,所述发射链和接收链包括能够实现空口的设备特定定制/自定义的机器学习组件;
图9为本发明第三实施例提供的网络设备的发射链和用户设备的接收链的示例的框图,所述发射链和接收链包括能够实现空口的设备特定定制/自定义的机器学习组件;
图10为本发明第四实施例提供的网络设备的发射链和用户设备的接收链的示例的框图,所述发射链和接收链包括能够实现空口的设备特定定制/自定义的机器学习组件;
图11为本发明第五实施例提供的网络设备的发射链和用户设备的接收链的示例的框图,所述发射链和接收链包括能够实现空口的设备特定定制/自定义的机器学习组件;
图12示出了本发明实施例提供的用于机器学习组件的训练阶段的空中下载信息交换过程的示例,所述机器学习组件能够实现空口的设备特定定制/自定义;
图13示出了本发明实施例提供的用于机器学习组件的训练阶段的空中下载信息交换过程的另一个示例,所述机器学习组件能够实现空口的设备特定定制/自定义;
图14示出了本发明实施例提供的用于机器学习组件的普通操作阶段的空中下载信息交换过程的示例,所述机器学习组件能够实现空口的设备特定定制/自定义;
图15示出了本发明实施例提供的用于机器学习组件的重新训练阶段的空中下载信息交换过程的示例,所述机器学习组件能够实现空口的设备特定定制/自定义。
不同的附图中使用了相似的附图标记来表示相似的组件。
具体实施方式
为了帮助理解本发明,下面描述了示例性无线通信系统。
图1示出了本发明实施例可以在其中实现的示例性无线通信系统100(也称为无线系统100)。通常,无线系统100使多个无线或有线元件能够传输数据和其它内容。无线系统100可以使内容(例如,语音、数据、视频、文本等)能够在系统100的实体之间(例如,通过广播、窄播、用户设备到用户设备等)传输。无线系统100可以通过共享带宽等资源进行工作。无线系统100可以适合于使用5G技术和/或下一代无线技术(例如,6G或以上版本)的无线通信。在一些示例中,无线系统100还可以兼容一些传统无线技术(例如,3G或4G无线技术)。
在所示示例中,无线系统100包括电子设备(electronic device,ED)110a至110c(一般称为ED 110)、无线接入网(radio access network,RAN)120a和120b(一般称为RAN120)、核心网130、公共交换电话网(public switched telephone network,PSTN)140、互联网150和其它网络160。在一些示例中,一个或多个网络可以被省略或替换为不同类型的网络。无线系统100中可以包括其它网络。虽然图1示出了一定数量的这些组件或元件,但无线系统100中可以包括任意合适数量的这些组件或元件。
ED 110用于在无线系统100中进行工作和/或通信。例如,ED 110可以用于通过无线或有线通信信道进行发送和/或接收。每个ED 110代表用于无线操作的任何合适的终端用户设备,可以包括(或者可以称为)用户设备(equipment/device)(user equipment,UE)、无线发射/接收单元(wireless transmit/receive unit,WTRU)、移动站、固定或移动用户单元、蜂窝电话、站点(station,STA)、机器类通信(machine type communication,MTC)设备、个人数字助理(personal digital assistant,PDA)、智能手机、笔记本电脑、计算机、平板电脑、无线传感器或消费型电子设备等等。下一代ED 110可以使用其它术语来指代。
在图1中,RAN 120分别包括基站(base station,BS)170a和170b(一般称为BS170)。每个BS 170用于与ED 110中的一个或多个ED进行无线连接,以便能够接入任何其它BS 170、核心网130、PSTN 140、互联网150和/或其它网络160。例如,BS 170可以包括(或是)若干众所周知的设备中的一个或多个,例如基站收发台(base transceiver station,BTS)、无线基站、Node-B(NodeB)、演进型NodeB(evolved NodeB,eNodeB)、家庭eNodeB、gNodeB(有时称为下一代NodeB)、传输点(transmission point,TP)、发射和接收点(transmit and receive point,TRP)、站点控制器、接入点(access point,AP)或无线路由器等等。下一代BS 170可以使用其它术语来指代。任何ED 110可以可选地或另外用于与任何其它BS 170、互联网150、核心网130、PSTN 140、其它网络160或上述任意组合进行连接、接入或通信。无线系统100可以包括RAN,例如RAN 120b,其中,对应的BS 170b通过互联网150接入核心网130,如图所示。
ED 110和BS 170是通信设备的示例,可以用于实现本文所述的一些或全部功能和/或实施例。在图1所示的实施例中,BS 170a形成RAN 120a的一部分,RAN 120a可以包括其它BS、一个或多个基站控制器(base station controller,BSC)、一个或多个无线网络控制器(radio network controller,RNC)、中继节点、元件和/或设备。任何BS 170可以是如图所示的单个元件或分布在对应的RAN中的多个元件,等等。此外,BS 170b形成RAN 120b的一部分,RAN 120b可以包括其它BS、元件和/或设备。每个BS 170在特定地理区或区域(有时称为“小区”或“覆盖区域”)内发送和/或接收无线信号。小区可以进一步划分为小区扇区,例如,BS 170可以使用多个收发器向多个扇区提供服务。在一些实施例中,可以存在已建立的微微或毫微微小区,无线接入技术支持这些小区。宏小区可以包括一个或多个较小的小区。在一些实施例中,多个收发器可以使用多输入多输出(multiple-input multiple-output,MIMO)技术等用于每个小区。所示的RAN 120的数量仅是示例性的。设计无线系统100时可以考虑任意数量的RAN。
BS 170使用无线通信链路(例如射频(radio frequency,RF)、微波、红外(infrared,IR)等)通过一个或多个空口190a与一个或多个ED 110通信。ED 110还可以通过一个或多个侧行链路空口190b直接相互通信。接口190a和190b通常可以称为空口190。通过接口190a进行的BS-ED通信和通过接口190b进行的ED-ED通信可以使用类似的通信技术。空口190可以使用任何合适的无线接入技术。例如,无线系统100可以在空口190中实现一种或多种信道接入方法,例如码分多址(code division multiple access,CDMA)、时分多址(time division multiple access,TDMA)、频分多址(frequency division multipleaccess,FDMA)、正交FDMA(orthogonal FDMA,OFDMA)或单载波FDMA(single-carrier FDMA,SC-FDMA)。空口190可以利用其它高维信号空间,这些高维信号空间可以涉及正交维度和/或非正交维度的组合。
RAN 120与核心网130通信,以向ED 110提供各种服务,例如语音、数据和其它服务。RAN 120和/或核心网130可以与一个或多个其它RAN(未示出)直接或间接通信,所述一个或多个其它RAN可以,也可以不直接由核心网130服务,并且可以,也可以不采用与RAN120a和/或RAN 120b相同的无线接入技术。核心网130还可以用作(i)RAN 120之间和/或ED 110之间以及(ii)其它网络(例如,PSTN 140、互联网150和其它网络160)之间的网关接入。此外,一些或全部ED 110可以包括使用不同无线技术和/或协议通过不同无线链路与不同无线网络通信的功能。ED 110可通过有线通信信道与服务提供商或交换机(未示出)以及互联网150进行通信,而不是进行无线通信(或还进行无线通信)。PSTN 140可以包括用于提供传统电话业务(plain old telephone service,POTS)的电路交换电话网络。互联网150可以包括计算机和/或子网(内网)的网络,并结合互联网协议(Internet Protocol,IP)、传输控制协议(transmission control protocol,TCP)、用户数据报协议(user datagramprotocol,UDP)等协议。ED 110可以是能够根据多种无线接入技术操作的多模设备,并结合支持这类技术所需的多个收发器。
图2和图3示出了可以实现本发明提供的方法和指导的示例性设备。特别地,图2示出了示例性ED 110,图3示出了示例性基站170。这些组件可以用于通信系统100或任何其它合适的系统中。
如图2所示,ED 110包括至少一个处理单元200。处理单元200实现ED 110的各种处理操作。例如,处理单元200可以执行信号编码、数据处理、功率控制、输入/输出处理或任何其它使ED 110能够在系统100中操作的功能。处理单元200还可以用于实现本文其它地方详述的部分或全部功能和/或实施例。每个处理单元200包括用于执行一个或多个操作的任何合适的处理或计算设备。例如,每个处理单元200可以包括微处理器、微控制器、数字信号处理器、现场可编程门阵列或专用集成电路。
ED 110还包括至少一个收发器202。收发器202用于对数据或其它内容进行调制,其中,数据或其它内容用于通过至少一个天线或网络接口控制器(Network InterfaceController,NIC)204进行传输。收发器202还用于解调通过至少一个天线204接收到的数据或其它内容。每个收发器202包括任何合适的用于生成进行无线或有线传输的信号和/或用于处理通过无线或有线方式接收的信号的结构。每个天线204包括任何合适的用于发送和/或接收无线或有线信号的结构。一个或多个收发器202可以用于ED 110中。一个或多个天线204可以用于ED 110中。尽管收发器202以单个功能单元示出,但还可以使用至少一个发送器和至少一个单独的接收器来实现。
ED 110还包括一个或多个输入/输出设备206或接口(例如,连接到图1中的互联网150的有线接口)。输入/输出设备206可以与网络中的用户或其它设备进行交互。每个输入/输出设备206包括用于向用户提供信息或从用户接收信息的任何合适的结构,例如扬声器、麦克风、小键盘、键盘、显示器或触摸屏,包括网络接口通信。
此外,ED 110包括至少一个存储器208。存储器208存储ED 110使用、生成或收集的指令和数据。例如,存储器208可以存储用于实现本文所述的部分或全部功能和/或实施例并由一个或多个处理单元200执行的软件指令或模块。每个存储器208包括任何合适的一个或多个易失性和/或非易失性存储与检索设备。可以使用任何合适类型的存储器,例如,随机存取存储器(random access memory,RAM)、只读存储器(read only memory,ROM)、硬盘、光盘、用户识别模块(subscriber identity module,SIM)卡、记忆棒、安全数码(securedigital,SD)存储卡。
如图3所示,基站170包括至少一个处理单元1350、至少一个发送器252、至少一个接收器254、一个或多个天线256、至少一个存储器258以及一个或多个输入/输出设备或接口266。可以使用未示出的收发器代替发送器252和接收器254。调度器253可以与处理单元250耦合。调度器253可以包括在基站170内,也可以与基站170分开操作。处理单元250实现基站170的各种处理操作,例如,信号编码、数据处理、功率控制、输入/输出处理或任何其它功能。处理单元250还可以用于实现本文详述的部分或全部功能和/或实施例。每个处理单元250包括用于执行一个或多个操作的任何合适的处理或计算设备。每个处理单元250可以包括微处理器、微控制器、数字信号处理器、现场可编程门阵列或专用集成电路,等等。
每个发送器252包括任何合适的用于生成与一个或多个ED或其它设备进行无线或有线传输的信号的结构。每个接收器254包括任何合适的用于处理从一个或多个ED或其它设备通过无线或有线方式接收的信号的结构。虽然以单独的组件示出,但至少一个发送器252和至少一个接收器254可以组合成收发器。每个天线256包括任何合适的用于发送和/或接收无线信号或有线信号的结构。虽然共用天线256在这里示为耦合到发送器252和接收器254,但一个或多个天线256可以耦合到一个或多个发送器252,一个或多个单独的天线256可以耦合到一个或多个接收器254。每个存储器258包括任何合适的易失性和/或非易失性存储和检索设备,例如上文结合图2中的ED 110描述的那些设备。存储器258存储由基站170使用、生成或收集的指令和数据。例如,存储器258可以存储用于实现本文描述的部分或全部功能和/或实施例并由处理单元250执行的软件指令或模块。
每个输入/输出设备266可以与网络中的用户或其它设备进行交互。每个输入/输出设备266包括用于向用户提供信息或从用户接收/提供信息的任何合适的结构,包括网络接口通信。
应当理解,本文提供的实施例方法的一个或多个步骤可以由基于图4的对应的单元或模块执行。例如,信号可以由发射单元或发射模块进行发送。信号可以由接收单元或接收模块进行接收。信号可以由处理单元或处理模块进行处理。其它步骤可以由人工智能(artificial intelligence,AI)或机器学习(machine learning,ML)模块执行。相应的单元/模块可以使用硬件、执行软件的一个或多个组件或设备或其组合来实现。例如,一个或多个单元/模块可以是集成电路,例如,现场可编程门阵列(field programmable gatearray,FPGA)或专用集成电路(application-specific integrated circuit,ASIC)。应当理解的是,如果上述模块使用供处理器等执行的软件实现,则这些模块可以由处理器根据需要全部或部分检索,单独或集体检索用于处理,根据需要在一个或多个实例中检索,并且这些模块本身可以包括用于进一步部署和实例化的指令。
关于ED 110等ED和基站170等基站的其它详细内容是本领域技术人员已知的。因此,这里省略了这些详细内容。
回到图1,不同的通信设备对(即,传输发送设备和传输接收设备),例如与BS 170a通信的ED 110a或与BS 170a通信的ED 110b,可以具有不同的传输能力和/或传输要求。不同的传输能力和/或传输要求通常不能通过单个空口或空口配置最佳地满足。
如上所述,已经提出了一个可配置空口来解决这个问题。图5示出了可配置空口300的示例的图。空口300包括多个构建模块,这些构建模块共同指定如何进行和/或接收传输。空口300的构建模块可以包括波形构建模块305、帧结构构建模块310、多址方案构建模块315、协议构建模块320、编码调制构建模块325和天线阵列处理构建模块330。
帧结构构建模块310可以指定帧或帧组的配置。帧结构选项的非限制性示例包括可配置多级传输时间间隔(transmission time interval,TTI)、固定TTI、可配置单级TTI、共存配置或可配置时隙、迷你时隙或可配置符号持续期块(symbol duration block,SDB)等。也可以指定TTI、时隙、迷你时隙或SDB的长度。帧结构构建模块310可以另外或替代地指定DL和/或UL传输的定时参数,例如,DL和/或UL的传输周期,和/或DL和UL传输之间的时间切换间隙。帧结构可以用于各种双工方案,例如,时域双工(time domain duplexing,TDD)、频分双工(frequency division duplexing,FDD)和全双工操作。
多址方案构建模块315可以指定如何为一个或多个用户调度或配置信道接入。多址技术选项的非限制性示例包括调度接入、免授权接入、专用信道资源(多个用户之间不共享)、基于竞争的共享信道资源、基于非竞争的共享信道资源、基于感知无线电的接入等。
协议构建模块320可以指定如何进行传输和/或重传。传输和/或重传机制选项的非限制性示例包括指定调度数据管道大小的机制、用于传输和/或重传的信令机制、重传机制等。
编码调制构建模块325可以指定被发送的信息如何进行编码(解码)和调制(解调)以进行发送(接收)。编码和/或调制技术选项的非限制性示例包括低密度奇偶校验(lowdensity parity check,LDPC)码、极化码、涡轮格码、涡轮积码、喷泉码、无速率码、网络码、二进制相移键控(binary phase shift keying,BPSK)、π/2-BPSK、正交相移键控(quadrature phase shift keying,QPSK)、正交幅度调制(quadrature amplitudemodulation,QAM)(例如,16QAM、64QAM、256QAM)、分层调制、低PAPR调制、非线性调制、基于非QAM的调制等等。
波形构建模块305可以指定发送的信号的形状和形式。波形选项的非限制性示例包括基于正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)的波形,例如,滤波后OFDM(f-OFDM)、小波包调制(Wavelet Packet Modulation,WPM)、超奈奎斯特(Faster Than Nyquist,FTN)波形、低峰均比波形(低PAPR WF,如DFT扩展OFDM波形)、滤波器组多载波(Filter Bank Multicarrier,FBMC)波形、单载波频分多址(Single CarrierFrequency Division Multiple Access,SC-FDMA)等。对于基于OFDM的波形,波形构建模块305可以指定关联的波形参数,例如子载波间隔和循环前缀(cyclic prefix,CP)开销。
天线阵列处理构建模块330可以指定用于信道获取和预编码/波束成形生成的天线阵列信号处理的参数。在一些实施例中,波形构建模块305和天线阵列处理构建模块330的功能可以组合为多天线波形生成器模块。
由于空口300包括多个构建模块,并且每个构建模块可以具有多个候选技术,因此可以配置大量不同的空口配置文件,其中每个空口配置文件定义各自的空口配置选项。
例如,为新无线(new radio,NR)网络提出的可配置空口实现基于业务或切片的优化,这可以是有利的,因为空口技术的潜在应用要求可能是复杂和多样化的。与图3所示的空口300类似,为5G网络提出的可配置空口支持自适应波形、自适应协议、自适应帧结构、自适应编码调制族以及自适应多址方案。有了这种机制,空口可能可以容纳各种各样的用户业务、频谱频段和业务等级。
图6示出了基站170的发射链400中的组件和UE 110的接收链450中的组件的示例,这些组件可以被配置为可配置空口的一部分,以允许基站170和UE 110通信。
基站170的发射链400中的组件包括源编码器402、信道编码器404和调制器406。源编码器402、信道编码器404和调制器406可以各自实现为特定硬件块,或者可以部分实现为在处理器中执行的软件模块,例如微处理器、数字信号处理器、自定义专用集成电路,或现场可编程逻辑阵列的自定义编译逻辑阵列。
UE 110的接收链450中的组件包括解调器452和信道解码器454。解调器452和信道解码器454可以各自实现为特定硬件块,或者可以部分实现为在处理器中执行的软件模块,例如微处理器、数字信号处理器、自定义专用集成电路,或现场可编程逻辑阵列的自定义编译逻辑阵列。
在操作中,源编码器402对未压缩的原始数据进行编码以产生压缩信息比特,压缩信息比特又由信道编码器编码以产生信道编码信息位,然后由调制器406调制以产生调制信号。在本示例中,由调制器406执行的调制包括正交幅度调制(quadrature amplitudemodulation,QAM)映射和波形生成。由调制器406产生的调制信号通过一个或多个无线信道从基站170发送到UE 110。基站可以具有多个发射天线,在这种情况下,可以为每个天线生成波形。在这种情况下,生成的波形可以包括多个发射天线中的每一个的不同内容,例如,在MIMO模式传输中。在UE 110侧,从基站170接收的信号由解调器452解调以产生解调信号。UE可以具有多个接收天线,在这种情况下,解调器452可以用于处理从多个接收天线接收的波形,作为波形恢复过程的一部分。由解调器452产生的解调信号由信道解码器454解码,以产生恢复的压缩信息比特。信源解码器456解码恢复的压缩信息比特,以生成恢复的未压缩原始数据。
在图4的实施例中或以下实施例中,波形可以指定正在传输的信号的形状和形式。波形选项的非限制性示例包括基于正交频分复用(Orthogonal Frequency DivisionMultiplexing,OFDM)的波形,例如,滤波后OFDM(f-OFDM)、小波包调制(Wavelet PacketModulation,WPM)、超奈奎斯特(Faster Than Nyquist,FTN)波形、低峰均比波形(低PAPRWF,如DFT扩展OFDM波形)、滤波器组多载波(Filter Bank Multicarrier,FBMC)波形、单载波频分多址(Single Carrier Frequency Division Multiple Access,SC-FDMA)等。对于基于OFDM的波形,波形可以指定关联的波形参数,例如子载波间隔和循环前缀(cyclicprefix,CP)开销。
由发射链400中的组件执行的编码调制以及由接收链450中的组件执行的对应解调解码可以根据对应于业务或切片特定空口的调制编码方案(modulation and codingscheme,MCS)配置,以便支持根据所选择的编码方案和调制方案向UE 110提供服务或应用。如果提供服务的业务和/或网络切片改变,则基站170和UE110的发射链和接收链中的组件的配置可以改变,以匹配与新业务或网络切片相对应的新的预定业务或切片特定空口。如上所述,例如,根据从预定的参数或技术子集中选择用于预定的空口组件子集的业务或切片特定空口可能可以适应各种各样的用户业务、频谱频带和业务等级。
然而,对于每个业务,每个UE/设备的传输条件和要求仍然可以大不相同,这意味着,例如,空口配置对于将业务传送到一个UE/设备可能是最佳的,而对于将相同的业务传递给另一个UE可能不一定是最佳的。因此,希望进一步优化UE/设备特定空口配置。
机器学习(machine learning,ML)和人工智能(artificial intelligence,AI)方法已被用于解决许多困难和复杂的问题。为了帮助理解本发明,对ML和AI进行了一些背景论述。由于计算机体系结构领域(特别是通用图形处理单元(general purpose graphicsprocessing unit,GP-GPU))的进步,AI成为一个新兴且快速发展的领域。神经网络是ML的一种形式,可以被认为是一种拟合函数。深度学习是神经网络的一种实现方式,神经网络包括多层相互连接的人工神经元。为了训练深度神经网络以拟合函数(例如,使用大量输入样本和输出样本进行训练),每个神经元的权重和阈值被迭代更新,以便使整体损失函数最小化或整体奖励函数最大化。迭代可以通过训练样本上的梯度下降或上升反向传播算法来实现,这可能要求深度神经网络架构和损失或奖励函数在数学上是可微的。
可训练性通常需要:一个函数集(神经网络架构),它定义了一个探索空间边界,梯度下降算法可以在该边界内遍历;以及一个或多个损失(或奖励)函数相对于神经网络架构上的每个神经元系数(用于梯度上升或下降训练)可微。
深度神经网络通常用于执行特征捕获和执行预测。特征捕获用于从许多复杂数据中提取有用的信息,这可以被视为降维的一种形式。预测包括内插或外插,以从样本数据中生成新的数据(通常称为预测数据或估计数据)。这两个任务都可以假设输入数据具有内在的自回归特性。例如,图像的像素通常与其相邻像素有某种关系。可以开发卷积神经网络(convolutional neural network,CNN)来使用这种关系来降低数据的维度。
本发明描述了可用于实现根据设备定制或个性化的用于无线通信的新空口的示例,使用AI/ML来提供设备特定的空口优化。例如,本发明的实施例包括网络切片/业务特定空口到包括个性化业务类型和个性化空口设置的个性化定制空口范围外的新空口。这种个性化空口设置的示例可以包括以下中的一个或多个:自定义编码方案和调制方案;自定义传输方案,如MIMO波束成形(BF),包括信道获取/重建和预编码;自定义波形类型和相关参数,如自定义脉冲形状和参数,如RRC脉冲的滚降系数;自定义帧结构;自定义传输/重传方案和相关参数,如基于产品码或码本间或TB间2D联合编码的重传和参数(例如增量奇偶校验位大小和使用的交织器);基于UE协作的重传和/或自定义传输接收点(transmit-receive point,TRP)层/类型。
在一些实施例中,个性化定制的空口参数可以通过AI/ML根据设备移动的物理速度、设备的链路预算、设备的信道条件、一个或多个设备能力和/或待支持业务类型来确定。在一些实施例中,业务类型本身可以用UE特定的服务参数自定义,例如服务质量(qualityof service,QoS)要求、业务模式等。
在一些实施例中,个性化定制的空口参数可以以最小的信令开销实时优化。例如,对于5G网络实现方式,参数可以从预定义的候选参数集合中配置。对于下一代网络实现方式,例如,对于第六代(sixth generation,6G)网络,参数可以以更灵活的方式进行实时或接近实时优化。
如稍后论述,设备可用的空口优化级别或类型可能取决于设备的AI/ML能力。如果用户设备具有一定的AI/ML能力,则UE可以与网络设备一起优化其空口(即空口的两侧都应用AI/ML来优化空口)。不具有AI/ML能力的UE仍然可以通过向网络设备提供某些类型的测量结果以用于训练网络设备的AI/ML组件来帮助网络设备在训练阶段和/或正常操作阶段优化空口。例如,支持AI/ML的高端设备可以受益于空口的每个组件的全量程自优化(例如,编码、调制和波形生成的优化、MIMO操作优化)。支持AI/ML的低端设备可能只能受益于空口的部分组件的部分自优化。在一些情况下,设备可能依赖于集中学习/训练(例如,所有学习都在网络中(在基站中)集中完成)。在其它情况下,学习/训练可以基于联合学习,这是一种机器学习技术,它可以在多个分散的边缘设备或保存本地数据样本的服务器上训练算法,而不交换其数据样本。在另一些情况下,学习/培训可以另外或替代地涉及设备协作学习。
如上所述,空口通常包括许多组件和相关参数,这些组件和相关参数共同指定如何通过两个或两个以上通信设备之间的无线通信链路进行和/或接收传输。例如,空口可以包括定义用于在无线通信链路上传输数据的波形、帧结构、多址方案、协议、编码方案和/或调制方案的一个或多个组件。本文公开的方法和设备提供了一种支持不同级别的基于每个UE/设备的优化的AI/ML启用/辅助空口个性化优化机制。所公开的示例还提供了空中下载信令机制,以支持基于每个UE/设备的空口功能优化。
图7A示出了本发明实施例提供的基站170的发射链500和UE 110的接收链550的第一示例,发射链和接收链各自包括可训练的AI/ML模块502、552,以便在基站170和UE 110之间提供定制的个性化空口。本文提及的AI/ML组件充当基于ML机制实现的模块或块。ML实现的一个示例是在硬件、执行软件的一个或多个组件或其组合中实现的神经网络。
基站170的AI/ML模块502包括信源信道联合编码组件504、调制组件506和波形生成组件508。
UE 110的AI/ML模块552包括联合波形恢复、解调器以及信源信道解码组件554。
AI/ML模块502提供所有基本基带信号处理功能的基于AI/ML的自主优化,包括通过编码组件504进行信道编码(或信源编码加信道编码)、通过调制组件506进行调制和通过波形生成器508进行波形生成。基站170可以具有多个发射天线,并且在这些实施例中,波形生成器508可以用于为每个发射天线生成波形。UE 110侧的AI/ML模块552提供互易的频带处理功能,以便根据从基站170接收的信号中恢复信息比特/原始数据。UE 110可以具有多个接收天线,在这些实施例中,AI/ML模块552可以用于作为波形恢复过程的一部分,处理从多个接收天线接收的波形。
编码、调制和波形生成可以单独优化,也可以联合优化两个或两个以上。
对于AI/ML模块502、552的各种组件的单独优化,有几个选项是可能的。下面描述了这些选项的一些非限制性示例。
例如,对于没有预定义编码方案和参数的信道编码的单独优化,可以使用自学习/训练和优化来确定最佳编码方案和参数。例如,在一些实施例中,前向纠错(forward errorcorrection,FEC)方案不是预定义的,并且AI/ML用于确定UE特定的自定义FEC方案。在这些实施例中,基于自动编码器的ML可以用作训练阶段中的迭代训练过程的一部分,以便训练发送设备侧的编码组件和接收设备侧的解码组件。例如,在这样的训练过程中,基站的编码器和UE的解码器可以通过交换训练序列/更新后训练序列来迭代训练。一般来说,经过训练的案例/场景越多,性能就越好。在完成训练之后,发送设备侧的训练编码组件和接收设备侧的训练解码组件可以根据改变的信道条件一起工作,以提供可能优于基于非AI/ML的FEC方案生成的结果的经编码数据。在一些实施例中,用于自学/训练和优化的AI/ML算法可以由UE从网络/服务器/其它设备下载。
对于具有预定义编码方案的信道编码的单独优化,如低密度奇偶校验(lowdensity parity check,LDPC)码、里德-穆勒(Reed–Muller,RM)码、极化码或其它编码方案,可以优化编码方案的参数。
用于信道编码的参数可以不时(周期性或事件触发)通过无线资源控制(radioresource control,RRC)信令或动态通过动态下行控制信道中的下行控制信息(downlinkcontrol information,DCI)或RRC信令和DCI的组合或组DCI或其它新的物理层信令指示给UE。训练可以全部在网络侧完成,也可以通过UE侧训练或网络侧与UE侧的相互训练来辅助。
在图7A所示的示例中,AI/ML模块502的输入是未压缩的原始数据,并且信源编码和信道编码由AI/ML组件504联合完成。图7B中示出了替代示例,其中,信源编码由信源编码器501单独完成,以生成压缩信息比特,然后由AI/ML模块502接收这些压缩信息比特,由AI/ML组件504在AI/ML模块502中对这些压缩信息比特进行信道编码。类似地,在图7B所示的示例中,UE 110中的AI/ML模块552的输出是恢复的压缩信息比特,然后由信源解码器555解码以生成恢复的原始数据,而图7A中的AI/ML模块552输出恢复的原始数据。
对于没有预定义星座的调制的单独优化,调制可以由AI/ML模块完成,其优化目标和/或算法(例如,AI/ML组件506)被发送器和接收器(例如,分别为图7A所示的示例场景中的基站170和UE 110)。例如,AI/ML算法可以用于最大化星座点之间的欧几里德或非欧几里德距离。
对于使用预定义非线性调制器对调制的单独优化,调制的参数可以通过自优化来完成。
对于没有预定义波形类型、没有预定义脉冲形状和没有预定义波形参数的波形生成的单独优化,可以使用自学/训练和优化来确定最佳波形类型、脉冲形状和波形参数。在一些实施例中,用于自学/训练和优化的AI/ML算法可以由UE从网络/服务器/其它设备下载。
在一些实施例中,可以存在预定义波形类型的有限集合,并且可以通过自优化从有限集合中选择预定义波形类型以及确定脉冲形状和其它波形参数。
对于AI/ML模块502、552的两个或两个以上组件的联合优化,几个选项也是可能的。下面描述了这些选项的一些非限制性示例。
例如,在一些实施例中,通过组件504的编码(信道编码或信源信道联合编码)和通过组件506实现的调制可以使用AI/ML联合优化,而通过组件508的波形生成可以单独优化。在概念上类似于网格编码调制的多维调制是可在本发明的一些实施例中使用的组合编码调制方案的一个示例。例如,在一些实施例中,AI/ML可用于为一对通信设备(例如基站和UE)创建自定义的多维调制方案。
在其它实施例中,通过组件504的调制和通过组件508的波形生成可以与AI/ML联合优化,而通过组件504的编码可以单独优化。在其它实施例中,编码、调制和波形生成都可以与AI/ML联合优化。
图8A和图8B示出了本发明实施例提供的基站170的发射链600和UE 110的接收链650的示例,发射链和接收链各自包括可训练的AI/ML模块602、652,以便实现UE特定优化和/或在基站170和UE 110之间提供定制或个性化的空口。在图8A所示的示例中,基站170的发射链600包括AI/ML模块602和波形生成器605。基站170的AI/ML模块602包括信源信道联合编码器和调制组件604。类似地,在本示例中,UE 110的接收链650包括波形处理器651和AI/ML模块652,AI/ML模块652包括解调器和信源信道联合解码组件654。
在图7A和图7B中所示的示例中,AI/ML模块502、552提供所有基本基带信号处理功能的基于AI/ML的自主优化,包括编码/解码、调制/解调和波形生成/处理,与此不同,在图8A中所示的示例中,AI/ML模块602提供通过组件604的编码和调制的基于AI/ML的自主优化,并且基于非AI/ML的波形生成通过波形生成器605独立管理。基站170可以具有多个发射天线,并且在这些实施例中,波形生成器605可以用于为每个发射天线生成波形。UE 110侧的AI/ML模块652对由波形处理器651恢复的调制信号提供相互优化的基带处理功能。UE110可以具有多个接收天线,在这些实施例中,波形处理器651可以用于作为波形恢复过程的一部分,处理从多个接收天线接收的波形。
在图8A所示的示例中,AI/ML模块602的输入是未压缩的原始数据,并且信源信道联合编码和调制由AI/ML组件604完成。图8B中所示的示例与图8A中所示的示例不同,在图8A中,信源编码由信源编码器601单独完成,以生成信息比特,然后由AI/ML模块602接收这些信息比特,由AI/ML组件604在AI/ML模块602中对这些信息比特进行联合信道编码和调制。类似地,在图8B所示的示例中,UE 110侧的AI/ML模块652的输出是恢复的压缩信息比特,然后由信源解码器655解码以生成恢复的原始数据,而图8A中的AI/ML模块652输出恢复的原始数据。
在图8A和图8B中所示的示例中,AI/ML模块602和652的训练可以通过自学/训练优化来完成。编码和调制可以通过AI/ML单独或联合优化,如上所述。
如上所述,在图8A和图8B中所示的示例中,通过基站170侧的波形生成器605产生波形,以及通过UE 110侧的波形处理器651进行波形处理,可以在没有AI/ML的情况下进行管理。例如,波形类型和波形参数可以是预定义的,并且可以根据传输要求从预定义的候选波形集合中选择波形,例如,峰均功率比(peak to average power ratio,PAPR)、频带、频率局域化等。或者,波形类型和波形参数可以通过例如下行控制信息(downlink controlinformation,DCI)或无线资源控制(radio resource control,RRC)信令动态地指示给UE。在一些实施例中,预定义的候选波形集可以包括单载波波形和多载波波形。此外,预定义的候选波形集可以包括一个或多个参数不同的多个候选波形。例如,可以有多个预定义的候选单载波波形,例如单载波偏移QAM(offset QAM,OQAM)波形,具有根升余弦脉冲和预定义的滚降系数。
图9示出了本发明第三实施例提供的基站170的发射链700和UE 110的接收链750的示例,发射链和接收链各自包括可训练的AI/ML模块702、752,以便在基站170和UE 110之间提供定制的个性化空口。
在图9所示的示例中,基站170的发射链700包括信源编码器701、信道编码器703和包括调制组件704和波形生成组件706的AI/ML模块702。在本示例中,UE 110的接收链750包括AI/ML模块752。AI/ML模块752包括波形处理组件756和解调组件754、信道解码器755和信源解码器757。
与图7A、图7B、图8A和图8B中所示的示例不同,图9中所示的示例利用基于非AI/ML的信源信道编码/解码以及基于AI/ML的调制/解调和波形生成/处理。在UE 110侧,AI/ML模块652的波形处理组件756和解调组件754提供相互优化的调制信号恢复和解调功能,以恢复调制信息比特。恢复的调制信息比特由信道解码器755解码以产生恢复的压缩信息比特,这些信息比特又由信源解码器757解码以产生恢复的原始数据。
在图9中所示的示例中,AI/ML模块602和652的训练可以通过自学/训练优化来完成。调制和波形生成可以通过AI/ML单独或联合优化,如上所述。如上所述,在图9所示的示例中,通过基站170侧的信源编码器701和信道编码器703进行信源信道编码,通过UE 110侧的信道解码器755和信源解码器757进行信道和信源解码,可以在没有AI/ML的情况下进行管理。例如,可以预定义编码方案和相关参数,并且可以根据传输需求从预定义的编码方案集合中选择编码方案。或者,编码方案和相关参数可以通过例如下行控制信息(downlinkcontrol information,DCI)或无线资源控制(radio resource control,RRC)信令动态地指示给UE。
图10示出了本发明第三实施例提供的基站170的发射链800和UE 110的接收链850的示例,发射链和接收链各自包括可训练的AI/ML模块802、852,以便在基站170和UE 110之间提供定制的个性化空口。
在图10所示的示例中,基站170的发射链800包括信源编码器801、信道编码器803和包括调制组件804和波形生成组件805的AI/ML模块802。在本示例中,UE 110的接收链850包括波形处理器851、AI/ML模块852、信道解码器855和信源解码器857。AI/ML模块852包括解调组件854。
与之前的示例不同,图10中所示的示例利用基于非AI/ML的信道编码/解码和波形生成/处理以及基于AI/ML的调制/解调。在UE 110侧,波形处理器851、信道解码器855和信源解码器857分别提供基于非AI/ML的信号恢复、信道解码和信源解码,并且AI/ML模块852的解调组件854提供优化的解调功能,该功能是由基站170侧的调制组件804执行的调制功能的逆功能。
为了优化没有预定义星座的调制,由调制组件804实现的AI/ML算法可以用于最大化星座点之间的欧几里德或非欧几里德距离。
对于使用预定义非线性调制器对调制的优化,调制的参数可以通过自优化来完成,例如,优化调制符号的距离。在一些场景中,可以另外或替代地使用基于非AI/ML的调制优化。如上所述,在图10所示的示例中,通过基站170侧的信源编码器801和信道编码器803进行信源信道编码,通过波形生成器805进行波形生成,通过UE 110侧的波形处理器851进行波形处理,通过信道解码器855和信源解码器857进行信道和信源解码,可以在没有AI/ML的情况下进行管理。例如,波形类型和相关参数以及编码方案和相关参数可以是预定义的,并且波形类型和编码方案可以根据传输要求从预定义的集合中选择,如上所述。或者,编码方案和相关参数和/或波形类型和波形参数可以通过例如下行控制信息(downlinkcontrol information,DCI)或无线资源控制(radio resource control,RRC)信令动态地指示给UE。
图11示出了本发明第五实施例提供的基站170的发射链900和UE 110的接收链950的示例,发射链和接收链各自包括可训练的AI/ML模块902、952,以便在基站170和UE 110之间提供定制的个性化空口。
在图11所示的示例中,基站170的发射链900包括信源编码器901、信道编码器903、QAM映射组件905和包括波形生成组件904的AI/ML模块902。在本示例中,UE 110的接收链950包括AI/ML模块952、QAM解映射组件953、信道解码器955和信源解码器957。AI/ML模块952包括波形处理组件954。
与之前的示例不同,图11中所示的示例利用基于非AI/ML的信源信道编码/解码和调制/解调以及基于AI/ML或AI/ML辅助的波形生成。基于AI/ML或AI/ML辅助的波形生成可以实现基于每个UE的一个或多个波形参数的优化。例如,这些参数包括脉冲形状、脉冲宽度、子载波间隔(subcarrier spacing,SCS)、循环前缀、脉冲分离、采样速率、PAPR等。
对于没有预定义波形类型、没有预定义脉冲形状和没有预定义波形参数的波形生成的优化,可以使用自学/训练和优化来确定最佳波形类型、脉冲形状和波形参数。在一些实施例中,用于自学/训练和优化的AI/ML算法可以由UE从网络/服务器/其它设备下载。在一些实施例中,可以存在预定义波形类型的有限集合,并且可以通过自优化从有限集合中选择预定义波形类型以及确定脉冲形状和其它波形参数。在一些场景中,可以另外或替代地使用基于非AI/ML的波形生成优化。
如上所述,在图11所示的示例中,通过基站170侧的信源编码器901和信道编码器903进行信源信道编码,通过QAM映射组件905进行调制,通过UE 110侧的QAM解映射组件953进行解调,通过信道解码器955和信源解码器957进行信道和信源解码,可以在没有AI/ML的情况下进行管理。例如,调制编码方案和相关参数可以根据传输要求从一组预定义的调制编码方案中选择,如上所述。或者,调制编码方案和相关参数可以通过例如下行控制信息(downlink control information,DCI)或无线资源控制(radio resource control,RRC)信令动态地指示给UE。
现在将参考图描述12至图14描述可以促进训练通信设备的ML组件的空中下载信息交换过程的示例,例如图7至图11中所示示例的基站170和UE 110的各种ML组件。
图12为本发明实施例提供的用于机器学习组件的训练阶段的空中下载信息交换过程的示例的信号流图1000,所述机器学习组件能够实现对空口的设备特定定制/自定义。
在信号流图1000中,UE和BS或其它网络设备参与AI/ML训练阶段1150的信息交换。虽然图12中仅示出了一个UE和一个BS以避免图中出现中拥塞,但在训练的数据收集或信息共享以及通信网络的类似操作,预计会涉及多个UE和多个BS。例如,在一些实施例中,多个网络设备和多个UE可以共同完成训练,并且可以在每个UE的基础上完成空口优化。
信息交换过程开始于:在1010中,UE向BS发送表示UE的AI/ML能力的信息。表示UE的AI/ML能力的信息可以表示UE是否支持AI/ML进行空口优化。如果UE能够支持AI/ML优化,则该信息可以另外或替代地表示UE能够支持AI/ML的类型和/或复杂程度,例如,可以支持哪种功能/操作AI/ML,可以支持什么样的AI/ML算法(例如,自动编码器、强化学习、神经网络(neural network,NN)、深度神经网络(deep neural network,DNN)、可以支持多少层NN等)。在一些实施例中,表示UE的AI/ML能力的信息可以另外或替代地包括表示UE是否可以协助训练的信息。
在一些实施例中,在1010中发送的信息可以包括表示UE的AI/ML能力类型的信息。AI/ML能力类型可以标识UE是否支持设备空口的一个或多个组件的AI/ML优化。例如,AI/ML能力类型可以是多种AI/ML能力类型中的一种,其中,每种AI/ML能力类型对应于对不同级别的AI/ML能力的支持。例如,多种AI/ML能力类型可以包括表示UE支持深度学习的AI/ML能力类型。又如,多种AI/ML能力类型可以包括表示AI/ML可优化的空口组件的不同组合的不同类型。例如,多种AI/ML能力类型可以包括以下类型中的一种或多种:
·对应于支持所有基带信号处理组件的基于AI/ML的优化的类型,例如编码(信道编码或信源信道联合编码)、调制和波形生成(例如,类似于图7A和7B中所示的示例);
·对应于支持基于AI/ML的编码和调制优化,但不支持波形生成(例如,类似于图8A和8B中所示的示例)的类型;
·对应于支持基于AI/ML的调制和波形生成优化,但不支持编码(例如,类似于图9中所示的示例)的类型;
·对应于支持基于AI/ML的调制优化,但不支持编码和波形生成(例如,类似于图10中所示的示例)的类型;
·对应于支持基于AI/ML的波形生成优化,但不支持编码和调制(例如,类似于图11中所示的示例)的类型。
在一些实施例中,UE在1010中向BS发送的信息可以由UE作为接入网络的初始接入过程的一部分发送给BS。在其它实施例中,该信息可以另外或替代地由UE发送,以响应来自BS(未示出)的能力查询。
在从UE接收到表示UE支持AI/ML并可以协助训练的AI/ML能力信息后,BS在1012中向UE发送训练请求,以触发训练阶段1050。在一些实施例中,训练请求可以在下行控制信道或数据信道上通过DCI(动态信令)发送给UE。例如,在一些实施例中,训练请求可以作为UE特定的或UE公共DCI发送到UE。例如,UE公共DCI可以用于向所有UE或一组UE发送训练请求。
UE可以向BS发送训练请求的响应,如1014所示。该响应可以确认UE已进入训练模式。然而,这样的响应可以是可选的,并且在一些实施例中可以不是由UE发送的。在1016中,BS通过向UE发送包括训练序列或训练数据的训练信号来开始训练阶段1050。在一些实施例中,BS可以在1012中发送训练请求之后的某个预定义时间间隔之后向UE发送训练序列/训练数据。在其它实施例中,BS可以在1012发送训练请求之后立即向UE发送训练序列/训练数据。在又一些实施例中,BS可以等到它已经从UE接收到对训练请求的响应,然后再向UE发送训练序列/训练数据。
BS可用于向UE发送训练序列/训练数据的信道的非限制性示例包括:
动态控制信道:当发送训练序列/训练数据所需的比特数小于一定阈值时,可以使用动态控制信道发送训练序列/训练数据。在一些实施例中,可以定义比特长度的几个级别。不同的比特长度可以对应不同的DCI格式或不同的DCI载荷。相同的DCI可以用于携带不同AI/ML模块的训练序列/数据。在一些实施例中,DCI字段可以包括表示训练序列/训练数据将用于训练的AI/ML模块的信息。
数据信道:在一些实施例中,数据信道可以用于携带训练序列/训练数据。在这些实施例中,数据信道的载荷取决于训练序列长度或待发送的训练数据量。用于调度这种数据信道的DCI可以携带解码数据信道所需的信息和AI/ML模块指示符,以表示训练序列/数据是针对哪个AI/ML模块的。
RRC信道:在一些实施例中,训练序列/训练数据可以通过RRC信令发送到UE。
就其而言,UE在1014中发送回对训练请求的响应之后或在1012中接收到具有或不具有预定义时间间隙的训练请求之后,开始搜索由网络发送的训练信号(例如,训练序列或训练数据)。训练信号的信道资源和传输参数,例如MCS和解调参考信号(demodulationreference signal,DMRS),可以预定义或预配置(例如通过RRC信令),或者通过动态控制信令(类似于对调度数据信道的DCI的检测)。在一些实施例中,训练序列/训练数据可以直接携带在动态控制信道中(例如,动态控制信道中的某些比特可以保留用于携带训练序列/训练数据)。
在1018中,UE向BS发送训练响应消息,该消息包括基于接收到的训练信号的处理的反馈信息。在一些实施例中,训练响应消息可以包括反馈信息,表示迭代训练过程(例如,对于基于自动编码器的ML)的更新训练序列或特定类型的测量结果,以帮助发送器/接收器进一步训练或细化对NN的训练,例如,用于执行学习。在一些实施例中,例如,这些测量可以包括UE在从BS接收训练序列/数据时获得的误差范围。例如,测量结果可以包括表示误差的均方和/或误差方向(例如,误差增加或减少)的信息。在一些实施例中,训练响应消息可以另外或替代地包括其它反馈信息,例如调整步长和方向(例如,增加或减少X量,其中X是调整步长)。在一些情况下,测量结果或反馈可以隐式提供。例如,波束成形的调整可以由反馈信号的波束方向指示。在一些实施例中,训练响应消息可以由UE通过上行(uplink,UL)控制信道发送。在其它实施例中,训练响应消息可以部分或全部通过UL数据信道发送。
根据从UE接收到的训练响应消息,在神经网络等网络中训练包括一个或多个AI/ML组件的AI/ML模块。在图12中,该训练在1019中表示。例如,AI/ML模块的参数,如神经网络权重,可以根据UE返回的测量结果更新/修改。在一些实施例中,该训练可以至少部分地在BS中执行,而在其它实施例中,该训练可以部分或全部由另一网络设备执行,例如集中式AI/ML服务器(未示出)。在1020中,BS向UE发送信息,以更新AI/ML参数,例如神经网络权重,以便优化UE和BS之间的空口的一个或多个方面。在一些实施例中,如1040所示,该训练过程是迭代地完成的,由此BS重复发送训练序列/数据,并根据来自UE的训练响应消息迭代地细化AI/ML参数。在一些实施例中,该迭代过程可以继续,直到满足一个或多个目标标准,或者直到发生预定义次数的迭代。需要说明的是,并非所有实施例都涉及UE处的AI/ML功能,因此在所有实施例中,AI/ML参数不一定需要指示给UE。在1022中,BS通过向UE发送表示训练阶段结束的终止信号来终止训练过程,响应该信号,UE切换到正常操作阶段1060。在一些实施例中,训练终止信号可以通过动态信令发送给UE。在正常操作阶段1060中,UE和BS然后可以通过更新后的空口通信。
在一些实施例中,图12所示的信息交换过程至少部分地发生在无线资源控制(Radio Resource Control,RRC)层中。
在一些实施例中,图12所示的信息交换过程至少部分地发生在媒体接入控制(Medium Access Control,MAC)层中。例如,信息交换信令可以由MAC控制元素(MACcontrol element,MAC CE)携带,MAC CE在MAC报头的逻辑信道ID(logical channel ID,LCID)字段中实现为特殊比特串。
在图12中所示的示例性实施例中,在网络中执行AI/ML训练,并将训练的结果发送到UE,这可以称为面向网络的训练。在其它实施例中,训练可以在UE和网络中联合进行。
图13为本发明实施例提供的用于机器学习组件的训练阶段的空中下载信息交换过程的示例的信号流图1100,所述机器学习组件能够实现对空口的设备特定定制/自定义,其中,训练在UE和BS中联合发生。
在信号流图1100中,UE和BS或其它网络设备参与AI/ML训练阶段1150的信息交换。信息交换过程从UE在1110向BS发送表示UE的AI/ML能力的信息开始。表示UE的AI/ML能力的信息可以包括与上述结合图12所示的示例性实施例描述的相同或相似的信息。但在本示例中,信息还表示UE能够与网络进行联合AI/ML训练。
在一些实施例中,UE在1110向BS发送的信息可以作为初始接入过程的一部分发送,以接入网络。在其它实施例中,该信息可以另外或替代地由UE发送,以响应来自BS(未示出)的能力查询。
在从UE接收到表示UE支持网络和UE联合AI/ML训练的AI/ML能力信息后,BS在1112向UE发送训练请求,以触发训练阶段1150。在一些实施例中,训练请求可以在下行控制信道或数据信道上通过DCI(动态信令)发送给UE。例如,在一些实施例中,训练请求可以作为UE特定的或UE公共DCI发送到UE。例如,UE公共DCI可以用于向所有UE或一组UE发送训练请求。在一些实施例中,训练请求可以通过RRC信令发送给UE。在一些实施例中,训练请求可以包括初始训练设置/参数,例如,初始NN权重。
在一些实施例中,BS还可以向UE发送AI/ML相关信息,以促进联合训练,例如:
在有多个可训练的AI/ML模块的情况下,表示要训练哪个AI/ML模块的信息;
AI/ML算法和初始设置/参数的信息。
AI/ML相关信息可以作为在1112发送的训练请求的一部分发送,或者可以与训练请求分开发送。发送到UE的AI/ML相关信息,例如表示AI/ML算法和设置/参数的信息,可以至少部分地由BS或其它网络设备根据从UE接收的AI/ML能力信息选择。在一些实施例中,AI/ML相关信息可以包括用于UE下载初始AI/ML算法和/或设置/参数的指令,响应于该指令,UE然后可以根据指令下载初始AI/ML算法和/或设置/参数。
在一些实施例中,在UE从网络接收到训练请求和初始训练信息之后,UE可以向BS发送对训练请求的响应,如图13中的1114所示。该响应可以确认UE已进入训练模式。然而,这样的响应可以是可选的,并且在一些实施例中可以不是由UE发送的。
在1116中,BS通过向UE发送包括训练序列或训练数据的训练信号来开始训练阶段1150。在一些实施例中,BS可以在1112中发送训练请求之后的某个预定义时间间隔之后向UE发送训练序列/训练数据。在其它实施例中,BS可以在1112发送训练请求之后立即向UE发送训练序列/训练数据。在又一些实施例中,BS可以等到它已经从UE接收到对训练请求的响应,然后再向UE发送训练序列/训练数据。如上所述,在一些实施例中,BS通过在训练请求中包括标识一个或多个AI/ML模块/组件的信息或通过在单独的通信中将这样的信息发送到UE的方式来通知UE哪个/哪些AI/ML模块/组件需要训练。通过上述操作,BS在1116中根据BS发送的训练信号通知UE哪个/哪些AI/ML模块/组件需要训练。BS可用于向UE发送训练序列或训练数据的信道的非限制性示例包括上面参考图12讨论的那些信道,即动态控制信道、数据信道和/或RRC信道。
与图12中所示的示例性实施例中的UE相似,UE在1114中发送回对训练请求的响应之后或在1112中接收到具有或不具有预定义时间间隙的训练请求之后,图13中所示的示例性实施例中的UE可以开始搜索由网络发送的训练信号(例如,训练序列或训练数据)。训练信号的信道资源和传输参数,例如MCS和DMRS,可以预定义或预配置(例如,通过RRC信令),或者通过动态控制信令发送。在一些实施例中,训练序列/训练数据可以直接携带在动态控制信道中(例如,动态控制信道中的某些比特可以保留用于携带训练序列/训练数据)。
在1118中,UE向BS发送训练响应消息。在一些实施例中,训练响应消息可以包括反馈信息,表示迭代训练过程(例如,对于基于自动编码器的ML)的更新训练序列或特定类型的测量结果,以帮助进一步训练或细化对NN的训练,例如,用于执行学习。在一些实施例中,例如,这些测量可以包括UE在从BS接收训练序列/数据时获得的误差范围。例如,测量结果可以包括表示误差的均方和/或误差方向(例如,误差增加或减少)的信息。在一些实施例中,训练响应消息可以另外或替代地包括其它反馈信息,例如调整步长和方向(例如,增加或减少X量,其中X是调整步长)。在一些情况下,测量结果或反馈可以隐式提供。例如,波束成形的调整可以由反馈信号的波束方向指示。在一些实施例中,训练响应消息可以由UE通过上行(uplink,UL)控制信道发送。在其它实施例中,训练响应消息可以部分或全部通过UL数据信道发送。
在本实施例中,对包括一个或多个AI/ML组件的AI/ML模块的训练在网络中和UE中联合进行,如图13中的1119所示。例如,AI/ML模块的参数,如神经网络权重,可以根据UE返回的对BS发送的训练序列/数据的测量结果更新/修改。
在一些实施例中,UE和BS交换对训练设置和参数(如神经网络权重)的更新,以便优化UE和BS之间的空口的一个或多个方面,如图13中的1120所示。在其它实施例中,UE和/或BS可以能够在1119中根据它们自己的训练过程自主地更新训练设置和参数,而不需要在1120中进一步进行信息交换。
在一些实施例中,如1140中所示,该训练过程是迭代完成的,由此BS重复发送训练序列/数据,并根据来自UE的训练响应消息迭代地细化AI/ML参数。在一些实施例中,该迭代过程可以继续,直到满足一个或多个目标标准,或者直到发生预定义次数的迭代。在一些实施例中,训练序列/数据可以在迭代训练过程期间被更新。
在1122中,BS通过向UE发送表示训练阶段结束的终止信号来终止训练过程,响应该信号,UE转换到正常操作阶段1160。在一些实施例中,UE可以通过向BS发送终止推荐信号来启动训练阶段的终止。在正常操作阶段1160中,UE和BS然后可以通过更新后的空口通信。
在一些实施例中,AI/ML算法和/或参数可以已通过UE预先下载。在一些实施例中,UE在1110发送的AI/ML能力信息可以包括表示预下载的AI/ML算法和参数的信息。在这些实施例中,如果从UE接收的AI/ML能力信息表示所选择的AI/ML算法或参数尚未由UE预先下载,则BS可以向UE发送下载指令,以指示UE下载所选择的AI/ML算法或参数。
在一些实施例中,图13所示的信息交换过程至少部分地发生在RRC层中。
在一些实施例中,图13所示的信息交换过程至少部分地发生在MAC层中。例如,信息交换信令可以由MAC CE携带,MAC CE在MAC报头的LCID字段中实现为特殊比特串。
应理解,本发明实施例中可以使用的特定AI/ML组件架构可以根据特定应用设计。例如,当AI/ML组件用深度神经网络(deep neural network,DNN)实现时,应用于给定应用的特定DNN架构(例如,联合编码和调制优化或单个波形生成优化)可以标准化(例如,在商定的行业标准中)。例如,标准化可以包括要使用的神经网络类型的标准定义,以及神经网络的某些参数(例如,层数、每层中的神经元数量等)。标准化可能是应用特定的。例如,表格可用于列出用于特定应用的标准定义的神经网络类型和参数。在图1的无线系统100的上下文中,标准化定义可以存储在BS 170的存储器中,以使BS 170能够选择适当的DNN架构和要为特定无线通信场景训练的参数。
如上文关于图12和图13所讨论的,对DNN(例如,实现编码、调制和/或波形生成的单个DNN,或者每个单独的DNN)或其它AI/ML组件的训练可以在BS侧执行,也可以在BS和UE之间联合执行,并且可以在BS和UE之间初始建立和关联时执行。在一些示例中,BS和/或UE在建立时训练AI/ML组件(例如,DNN)可能就足够了。此外,训练或重新训练也可以在运行中执行,例如响应于UE或BS和/或环境中的显著变化(例如,新UE的添加,UE的解关联、UE移动性的显著变化、UE状态的变化或信道的显著变化等可能性)。
在一些示例中,例如,使用BS或UE收集的数据,可以离线执行BS和/或UE侧的AI/ML组件(例如,DNN)训练。收集的数据可以代表不同的无线通信场景,例如一天中的不同时间、一周中的不同日期、不同的流量水平等。可以针对特定场景进行训练,以针对不同场景生成不同的DNN权重集。不同的权重集可以与不同的特定场景(例如,在查找表中)相关联地存储,例如在BS或UE的存储器中。然后,BS或UE可以根据特定场景选择和使用DNN的特定权重集。例如,BS或UE可以确定它正在处理周末晚上的通信(例如,使用来自内部时钟和/或日历的信息),并使用对应的权重集来实现DNN进行编码、调制和/或波形生成。这将导致BS 170的发送器执行适合周末晚上的编码、调制和/或波形生成。
在一些实施例中,离线和运行训练可以联合应用。例如,可以执行运行重新训练以更新之前离线执行的训练。例如,BS和/或UE还可以响应于环境和/或UE或BS中的动态变化,在运行中重新训练AI/ML组件(例如,DNN),如上所述。因此,BS或UE可以动态更新权重表。在一些示例中,权重表可以包括标准化的权重集(例如,在非常常见场景的标准中定义),并且还可以包括为某些场景离线和/或动态生成的权重集。
BS可以向UE提供权重和关联场景的索引表。BS可以指示UE使用选定的权重集,例如通过指示选定的权重集的对应索引。BS和/或UE可以重新训练它们的AI/ML组件并更新它们的权重表(例如,响应于新的场景),并例如在周期性或非周期性的基础上相互传送更新后的表。
图14为本发明实施例提供的用于机器学习组件的正常操作阶段1260的空中下载信息交换过程的示例的信号流图1200,所述机器学习组件能够实现对空口的运行设备特定定制/自定义。在本实施例中,AI/ML参数的运行更新可以由网络在正常操作阶段1260期间触发,如1210所示。网络可以通过发送更新后AI/ML参数(例如,DNN权重)来触发运行更新。在本实施例中,运行更新也可以或代替地由UE在正常操作阶段1260期间触发,如1212所示。如果UE能够自训练,UE可以通过向BS发送更新后AI/ML参数(例如,DNN权重)来触发运行更新。否则,UE在1212向BS发送的触发程序可以仅包括来自BS的更新请求。除了或代替由BS和/或UE触发,正常操作阶段1260期间的运行更新可以周期性或非周期性地发生,并且可以涉及相互信息更新交换,如1214所示。
图15为本发明实施例提供的用于机器学习组件的重新训练阶段的空中下载信息交换过程的示例的信号流图1300,所述机器学习组件能够实现对空口的设备特定定制/自定义。
在信号流图1300中,UE和BS或其它网络设备参与AI/ML重新训练阶段1350的信息交换。在本实施例中,重新训练阶段可以由网络触发,如1310所示。在一些实施例中,例如,BS可以通过上文参考图12和图13论述的DCI、RRC信令或MAC信令向UE发送训练请求来触发重新训练。在本实施例中,重新训练阶段可以或代替地由UE触发,如1312所示。在任一种情况下,在重新训练阶段1350期间,UE和BS交换如1314所示的重新训练信令,以便促进网络中和/或UE侧的AI/ML组件的重新训练。例如,在一些实施例中,重新训练信令可以包括信息交换和信令,例如图12中的1016、1018和1020或图13中的1116、1118和1120所示的信息交换和信令。在一些实施例中,对包括一个或多个AI/ML组件的AI/ML模块的重新训练在网络中或在网络和UE中联合进行,如图15中的1319所示。
在一些实施例中,如1340中所示,所述重新训练过程是迭代完成的,由此BS重复发送训练序列/数据,并根据来自UE的重新训练响应消息迭代地细化AI/ML参数。在一些实施例中,该迭代过程可以继续,直到满足一个或多个目标标准,或者直到发生预定义次数的迭代。在一些实施例中,重新训练序列/数据可以在迭代训练过程期间被更新。
在1316中,BS通过向UE发送表示重新训练阶段结束的终止信号来终止训练过程,响应该信号,UE转换到正常操作阶段1360。在一些实施例中,UE可以通过向BS发送终止推荐信号来启动重新训练阶段的终止,如1318所示。在正常操作阶段1360中,UE和BS然后可以通过重新训练得到的更新后的空口通信。
上述讨论是指由BS执行网络侧训练的示例。在其它示例中,AI/ML组件训练可以不由BS执行。例如,再次参考图1,训练可以由核心网130或无线系统100中其它侧(例如,使用云计算)执行。BS 170可以仅收集相关数据并将数据转发到适当的网络实体(例如,核心网130)以执行必要的训练。然后,训练后的AI/ML分量参数,例如训练后的DNN的权重,可以被提供给BS 170和ED 110。
虽然上面的讨论是在BS 170充当发送器和ED 110充当接收器的上下文中进行的,但应该理解,发送器和接收器可以互换(例如,对于上行链路通信)。此外,应当理解,发送器和接收器可以在两个或两个以上ED 110a、110b、110c中(例如,用于侧行链路通信)。BS 170(或核心网130或其它网络实体)可以执行DNN训练,并可以将训练的权重提供给ED 110,以便ED 110实现DNN与BS 170进行通信。
示例性实施例
以下提供了本发明的附加示例性实施例的非限制性列表:
示例性实施例1.一种用于无线通信网络中的方法,其中,所述方法包括:
第一设备通过所述第一设备和第二设备之间的单个空口向所述第二设备发送关于所述第一设备的人工智能或机器学习(artificial intelligence/machine learning,AI/ML)能力的信息,其中,所述关于所述第一设备的AI/ML能力的信息标识所述第一设备是否支持AI/ML来优化所述单个空口的至少一个空口配置。
示例性实施例2.根据示例性实施例1所述的方法,其中,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备能够支持AI/ML的类型和/或复杂程度的信息。
示例性实施例3.根据示例性实施例1或2所述的方法,其中,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备是否协助AI/ML训练过程来优化所述至少一个空口配置的信息。
示例性实施例4.根据示例性实施例1至3中任一项所述的方法,其中,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备支持AI/ML优化的所述至少一个空口配置中的至少一个组件的信息。
示例性实施例5.根据示例性实施例4所述的方法,其中,所述至少一个空口配置的所述至少一个组件包括编码组件、调制组件和波形组件中的至少一个。
示例性实施例6.根据示例性实施例4或5所述的方法,其中,所述表示所述第一设备支持AI/ML优化的所述至少一个空口配置中的至少一个组件的信息还包括表示所述第一设备是否支持所述至少一个空口配置中的两个或两个以上组件的联合优化的信息。
示例性实施例7.根据示例性实施例1至6中任一项所述的方法,其中,发送所述关于所述第一设备的AI/ML能力的信息包括以下中的至少一个:
在接收到查询之后发送所述信息;
作为初始网络接入过程的一部分发送所述信息。
示例性实施例8.根据示例性实施例1至7中任一项所述的方法,其中,还包括:
从所述第二设备接收AI/ML训练请求;
在接收到所述AI/ML训练请求之后,切换到AI/ML训练模式。
示例性实施例9.根据示例性实施例8所述的方法,其中,接收所述AI/ML训练请求包括通过下行控制信道上的下行控制信息(downlink control information,DCI)或RRC信令或所述DCI和所述RRC信令的组合接收所述AI/ML训练请求。
示例性实施例10.根据示例性实施例8或9所述的方法,其中,还包括:向所述第二设备发送训练请求响应,所述训练请求响应确认所述第一设备已切换到所述AI/ML训练模式。
示例性实施例11.根据示例性实施例1至10中任一项所述的方法,其中,还包括从所述第二设备接收训练信号,所述训练信号包括用于训练负责所述至少一个空口配置的一个或多个组件的至少一个AI/ML模块的训练序列或训练数据。
示例性实施例12.根据示例性实施例11所述的方法,其中,接收所述训练信号包括在动态控制信道上接收所述训练信号。
示例性实施例13.根据示例性实施例12所述的方法,其中,所述动态控制信道包括动态控制信息(dynamic control information,DCI)字段,所述DCI字段包括表示待训练AI/ML模块的信息。
示例性实施例14.根据示例性实施例11所述的方法,其中,接收所述训练信号包括在调度数据信道上接收所述训练信号,所述方法还包括在动态控制信道上接收所述数据信道的调度信息,所述动态控制信道包括DCI字段,所述DCI字段包括表示待训练AI/ML模块的信息。
示例性实施例15.根据示例性实施例11至14中任一项所述的方法,其中,还包括在接收到所述训练信号之后,向所述第二设备发送训练响应消息,其中,所述训练响应消息包括基于在所述第一设备侧对所述接收到的训练信号进行处理的反馈信息。
示例性实施例16.根据示例性实施例15所述的方法,其中,所述训练响应消息中包括的所述反馈信息包括用于迭代训练过程的更新后训练序列。
示例性实施例17.根据示例性实施例15或16所述的方法,其中,所述训练响应消息中包括的所述反馈信息包括基于所述接收到的训练信号的测量结果。
示例性实施例18.根据示例性实施例17所述的方法,其中,所述测量结果包括所述第一设备在从所述第二设备接收所述训练信号时获得的误差范围。
示例性实施例19.根据示例性实施例15至18中任一项所述的方法,其中,还包括:在发送所述训练响应消息之后,从所述第二设备接收AI/ML更新信息,其中,所述AI/ML更新信息包括表示AI/ML模块的更新后AI/ML参数的信息,所述更新后AI/ML参数基于所述第一设备提供的所述反馈信息。
示例性实施例20.根据示例性实施例19所述的方法,其中,还包括:根据所述更新后AI/ML参数更新所述AI/ML模块,以便更新用于从所述第二设备接收传输的所述至少一个空口配置。
示例性实施例21.根据示例性实施例15至18中任一项所述的方法,其中,还包括:
根据从所述第二设备接收的所述训练信号,在所述第一设备侧训练一个或多个AI/ML模块;
向所述第二设备发送AI/ML更新信息,其中,所述AI/ML更新信息包括表示所述一个或多个AI/ML模块中的至少一个的更新后AI/ML参数的信息,所述更新后AI/ML参数基于所述第一设备执行的训练。
示例性实施例22.根据示例性实施例21所述的方法,其中,还包括从所述第二设备接收AI/ML更新信息,其中,来自所述第二设备的所述AI/ML更新信息包括表示所述一个或多个AI/ML模块中的至少一个的更新后AI/ML参数的信息,所述更新后AI/ML参数基于所述第二设备侧的一个或多个AI/ML模块根据所述训练响应消息中提供的反馈信息进行的训练。
示例性实施例23.根据示例性实施例22所述的方法,其中,还包括:通过根据基于所述第一设备执行的所述训练的所述更新后AI/ML参数以及从所述第二设备接收的所述更新后AI/ML参数来更新所述一个或多个AI/ML模块,更新用于从所述第二设备接收传输的所述至少一个空口配置。
示例性实施例24.根据示例性实施例1至23中任一项所述的方法,其中,还包括:
从所述第二设备接收训练终止信号;
在接收到所述训练终止信号之后,将所述第一设备从所述训练模式切换到正常操作模式。
示例性实施例25.根据示例性实施例1至24中任一项所述的方法,其中,所述第一设备为用户设备,所述第二设备为网络设备。
示例性实施例26.一种用于无线通信网络中的方法,其中,所述方法包括:
第二设备通过第一设备和所述第二设备之间的单个空口接收关于所述第一设备的人工智能或机器学习(artificial intelligence/machine learning,AI/ML)能力的信息,其中,所述关于所述第一设备的AI/ML能力的信息标识所述第一设备是否支持AI/ML来优化所述单个空口的至少一个空口配置;
至少部分地根据关于所述第一设备的所述AI/ML能力的信息,向所述第一设备发送AI/ML训练请求。
示例性实施例27.根据示例性实施例26所述的方法,其中,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备能够支持AI/ML的类型和/或复杂程度的信息。
示例性实施例28.根据示例性实施例26或27所述的方法,其中,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备是否协助AI/ML训练过程来优化所述至少一个空口配置的信息。
示例性实施例29.根据示例性实施例26至28中任一项所述的方法,其中,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备支持AI/ML优化的所述至少一个空口配置中的至少一个组件的信息。
示例性实施例30.根据示例性实施例29所述的方法,其中,所述至少一个空口配置的所述至少一个组件包括编码组件、调制组件和波形组件中的至少一个。
示例性实施例31.根据示例性实施例29或30所述的方法,其中,所述表示所述第一设备支持AI/ML优化的所述至少一个空口配置中的至少一个组件的信息还包括表示所述第一设备是否支持所述至少一个空口配置中的两个或两个以上组件的联合优化的信息。
示例性实施例32.根据示例性实施例26至31中任一项所述的方法,其中,接收所述关于所述第一设备的AI/ML能力的信息包括作为所述第一设备的初始网络接入过程的一部分接收所述信息。
示例性实施例33.根据示例性实施例26至32中任一项所述的方法,其中,发送所述AI/ML训练请求包括通过下行控制信道上的下行控制信息(downlink controlinformation,DCI)或RRC信令或所述DCI和所述RRC信令的组合发送所述AI/ML训练请求。
示例性实施例34.根据示例性实施例33所述的方法,其中,还包括:从所述设备接收训练请求响应,其中,所述训练请求响应确认所述设备已切换到AI/ML训练模式。
示例性实施例35.根据示例性实施例26至34中任一项所述的方法,其中,还包括向所述第一设备发送训练信号,所述训练信号包括用于训练负责所述至少一个空口配置的一个或多个组件的至少一个AI/ML模块的训练序列或训练数据。
示例性实施例36.根据示例性实施例35所述的方法,其中,发送所述训练信号包括在动态控制信道上发送所述训练信号。
示例性实施例37.根据示例性实施例36所述的方法,其中,所述动态控制信道包括动态控制信息(dynamic control information,DCI)字段,所述DCI字段包括表示待训练AI/ML模块的信息。
示例性实施例38.根据示例性实施例35所述的方法,其中,发送所述训练信号包括在调度数据信道上发送所述训练信号。
示例性实施例39.根据示例性实施例38所述的方法,其中,还包括在动态控制信道上发送所述数据信道的调度信息,所述动态控制信道包括DCI字段,所述DCI字段包括表示待训练AI/ML模块的信息。
示例性实施例40.根据示例性实施例35至39中任一项所述的方法,其中,还包括从所述第一设备接收训练响应消息,所述训练响应消息包括基于在所述第一设备侧对所述接收到的训练信号进行处理的反馈信息。
示例性实施例41.根据示例性实施例40所述的方法,其中,所述训练响应消息中包括的所述反馈信息包括用于迭代训练过程的更新后训练序列。
示例性实施例42.根据示例性实施例40或41所述的方法,其中,所述训练响应消息中包括的所述反馈信息包括基于所述接收到的训练信号的测量结果。
示例性实施例43.根据示例性实施例42所述的方法,其中,所述测量结果包括所述第一设备在接收所述训练信号时获得的误差范围。
示例性实施例44.根据示例性实施例40至43中任一项所述的方法,其中,还包括:
根据来自所述第一设备的所述训练响应消息中提供的所述反馈信息,训练一个或多个AI/ML模块。
示例性实施例45.根据示例性实施例44所述的方法,其中,还包括:
向所述第一设备发送AI/ML更新信息,其中,所述AI/ML更新信息包括表示基于所述训练的所述一个或多个AI/ML模块中的至少一个的更新后AI/ML参数的信息。
示例性实施例46.根据示例性实施例40至45中任一项所述的方法,其中,还包括:
从所述第一设备接收AI/ML更新信息,其中,来自所述第一设备的所述AI/ML更新信息包括表示所述一个或多个AI/ML模块中的至少一个的更新后AI/ML参数的信息,所述更新后AI/ML参数基于所述第一设备侧的一个或多个AI/ML模块根据所述训练信号进行的训练。
示例性实施例47.根据示例性实施例46所述的方法,其中,还包括:通过根据发送到所述第一设备的所述更新后AI/ML参数和从所述第一设备接收的所述更新后AI/ML参数来更新所述一个或多个AI/ML模块,更新用于发送到所述第一设备的所述至少一个空口配置。
示例性实施例48.根据示例性实施例26至47中任一项所述的方法,其中,还包括:
向所述第一设备发送训练终止信号,表示训练阶段已经结束。
示例性实施例49.根据示例性实施例26至48中任一项所述的方法,其中,所述第一设备为用户设备,所述第二设备为网络设备。
示例性实施例50.一种装置,其中,包括:
无线接口;
可操作地耦合到所述无线接口的处理器;
可操作地耦合到所述处理器的计算机可读存储介质,其中,所述计算机可读存储介质存储供所述处理器执行的程序,所述程序包括进行以下操作的指令:
通过第一设备和第二设备之间的单个空口,通过所述无线接口从所述第一设备向所述第二设备发送关于所述第一设备的人工智能或机器学习(artificial intelligence/machine learning,AI/ML)能力的信息,其中,所述关于所述第一设备的AI/ML能力的信息标识所述第一设备是否支持AI/ML来优化所述单个空口的至少一个空口配置。
示例性实施例51.根据示例性实施例50所述的装置,其中,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备能够支持AI/ML的类型和/或复杂程度的信息。
示例性实施例52.根据示例性实施例50或51所述的装置,其中,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备是否协助AI/ML训练过程来优化所述至少一个空口配置的信息。
示例性实施例53.根据示例性实施例50至52中任一项所述的装置,其中,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备支持AI/ML优化的所述至少一个空口配置中的至少一个组件的信息。
示例性实施例54.根据示例性实施例53所述的装置,其中,所述至少一个空口配置的所述至少一个组件包括编码组件、调制组件和波形组件中的至少一个。
示例性实施例55.根据示例性实施例53或54所述的装置,其中,所述表示所述第一设备支持AI/ML优化的所述至少一个空口配置中的至少一个组件的信息还包括表示所述第一设备是否支持所述至少一个空口配置中的两个或多个组件的联合优化的信息。
示例性实施例56.根据示例性实施例50至55中任一项所述的装置,其中,所述发送所述关于所述第一设备的AI/ML能力的信息的指令包括以下中的至少一个:
在接收到查询之后发送所述信息的指令;
作为初始网络接入过程的一部分发送所述信息的指令。
示例性实施例57.根据示例性实施例50至56中任一项所述的装置,其中,所述程序还包括进行以下操作的指令:
从所述第二设备接收AI/ML训练请求;
在接收到所述AI/ML训练请求之后,切换到AI/ML训练模式。
示例性实施例58.根据示例性实施例57所述的装置,其中,所述接收所述AI/ML训练请求的指令包括通过下行控制信道上的下行控制信息(downlink controlinformation,DCI)或RRC信令或所述DCI和所述RRC信令的组合接收所述AI/ML训练请求的指令。
示例性实施例59.根据示例性实施例57或58所述的装置,其中,所述程序还包括进行以下操作的指令:向所述第二设备发送训练请求响应,所述训练请求响应确认所述第一设备已切换到所述AI/ML训练模式。
示例性实施例60.根据示例性实施例50至59中任一项所述的装置,其中,所述程序还包括从所述第二设备接收训练信号的指令,所述训练信号包括用于训练负责所述至少一个空口配置的一个或多个组件的至少一个AI/ML模块的训练序列或训练数据。
示例性实施例61.根据示例性实施例60所述的装置,其中,所述接收所述训练信号的指令包括在动态控制信道上接收所述训练信号的指令。
示例性实施例62.根据示例性实施例61所述的装置,其中,所述动态控制信道包括动态控制信息(dynamic control information,DCI)字段,所述DCI字段包括表示待训练AI/ML模块的信息。
示例性实施例63.根据示例性实施例60所述的装置,其中,所述接收所述训练信号的指令包括在调度数据信道上接收所述训练信号的指令,所述程序还包括在动态控制信道上接收所述数据信道的调度信息的指令,所述动态控制信道包括DCI字段,所述DCI字段包括表示待训练AI/ML模块的信息。
示例性实施例64.根据示例性实施例60至63中任一项所述的装置,其中,所述程序还包括指令以进行以下操作:
在接收到所述训练信号之后,向所述第二设备发送训练响应消息,其中,所述训练响应消息包括基于在所述第一设备侧对所述接收到的训练信号进行处理的反馈信息。
示例性实施例65.根据示例性实施例64所述的装置,其中,所述训练响应消息中包括的所述反馈信息包括用于迭代训练过程的更新后训练序列。
示例性实施例66.根据示例性实施例64或65所述的装置,其中,所述训练响应消息中包括的所述反馈信息包括基于所述接收到的训练信号的测量结果。
示例性实施例67.根据示例性实施例66所述的装置,其中,所述测量结果包括所述第一设备在从所述第二设备接收所述训练信号时获得的误差范围。
示例性实施例68.根据示例性实施例64至67中任一项所述的装置,其中,所述程序还包括指令以进行以下操作:
在发送所述训练响应消息之后,从所述第二设备接收AI/ML更新信息,其中,所述AI/ML更新信息包括表示AI/ML模块的更新后AI/ML参数的信息,所述更新后AI/ML参数基于所述第一设备提供的所述反馈信息。
示例性实施例69.根据示例性实施例68所述的装置,其中,所述程序还包括:根据所述更新后AI/ML参数更新所述AI/ML模块的指令,以便更新用于从所述第二设备接收传输的所述至少一个空口配置。
示例性实施例70.根据示例性实施例64至67中任一项所述的装置,其中,所述程序还包括指令以进行以下操作:
根据从所述第二设备接收的所述训练信号,在所述第一设备侧训练一个或多个AI/ML模块;
向所述第二设备发送AI/ML更新信息,其中,所述AI/ML更新信息包括表示所述一个或多个AI/ML模块中的至少一个的更新后AI/ML参数的信息,所述更新后AI/ML参数基于所述第一设备执行的训练。
示例性实施例71.根据示例性实施例70所述的装置,其中,所述程序还包括从所述第二设备接收AI/ML更新信息的指令,其中,来自所述第二设备的所述AI/ML更新信息包括表示所述一个或多个AI/ML模块中的至少一个的更新后AI/ML参数的信息,所述更新后AI/ML参数基于所述第二设备侧的一个或多个AI/ML模块根据所述训练响应消息中提供的反馈信息进行的训练。
示例性实施例72.根据示例性实施例71所述的装置,其中,所述程序还包括:通过根据基于所述第一设备执行的所述训练的所述更新后AI/ML参数以及从所述第二设备接收的所述更新后AI/ML参数来更新所述一个或多个AI/ML模块,更新用于从所述第二设备接收传输的所述至少一个空口配置。
示例性实施例73.根据示例性实施例50至72中任一项所述的装置,其中,所述程序还包括指令以进行以下操作:
从所述第二设备接收训练终止信号;
在接收到所述训练终止信号之后,将所述第一设备从所述训练模式切换到正常操作模式。
示例性实施例74.根据示例性实施例50至73中任一项所述的装置,其中,所述第一设备为用户设备,所述第二设备为网络设备。
示例性实施例75.一种装置,其中,包括:
无线接口;
可操作地耦合到所述无线接口的处理器;
可操作地耦合到所述处理器的计算机可读存储介质,其中,所述计算机可读存储介质存储供所述处理器执行的程序,所述程序包括进行以下操作的指令:
第二设备通过第一设备和所述第二设备之间的单个空口,通过所述无线接口接收关于所述第一设备的人工智能或机器学习(artificial intelligence/machinelearning,AI/ML)能力的信息,其中,所述关于所述第一设备的AI/ML能力的信息标识所述第一设备是否支持AI/ML来优化所述单个空口的至少一个空口配置;
至少部分地根据关于所述第一设备的所述AI/ML能力的信息,向所述第一设备发送AI/ML训练请求。
示例性实施例76.根据示例性实施例75所述的装置,其中,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备能够支持AI/ML的类型和/或复杂程度的信息。
示例性实施例77.根据示例性实施例75或76所述的装置,其中,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备是否协助AI/ML训练过程来优化所述至少一个空口配置的信息。
示例性实施例78.根据示例性实施例75至77中任一项所述的装置,其中,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备支持AI/ML优化的所述至少一个空口配置中的至少一个组件的信息。
示例性实施例79.根据示例性实施例78所述的装置,其中,所述至少一个空口配置的所述至少一个组件包括编码组件、调制组件和波形组件中的至少一个。
示例性实施例80.根据示例性实施例78或79所述的装置,其中,所述表示所述第一设备支持AI/ML优化的所述至少一个空口配置中的至少一个组件的信息还包括表示所述第一设备是否支持所述至少一个空口配置中的两个或多个组件的联合优化的信息。
示例性实施例81.根据示例性实施例75至80中任一项所述的装置,其中,所述接收关于所述第一设备的AI/ML能力的信息包括作为所述第一设备的初始网络接入过程的一部分接收所述信息。
示例性实施例82.根据示例性实施例75至81中任一项所述的装置,其中,发送所述AI/ML训练请求包括通过下行控制信道上的下行控制信息(downlink controlinformation,DCI)或RRC信令或所述DCI和所述RRC信令的组合发送所述AI/ML训练请求。
示例性实施例83.根据示例性实施例82所述的装置,其中,所述程序还包括进行以下操作的指令:从所述设备接收训练请求响应,所述训练请求响应确认所述设备已切换到所述AI/ML训练模式。
示例性实施例84.根据示例性实施例75至83中任一项所述的装置,其中,所述程序包括向所述第一设备发送训练信号的指令,所述训练信号包括用于训练负责所述至少一个空口配置的一个或多个组件的至少一个AI/ML模块的训练序列或训练数据。
示例性实施例85.根据示例性实施例84所述的装置,其中,发送所述训练信号包括在动态控制信道上发送所述训练信号。
示例性实施例86.根据示例性实施例85所述的装置,其中,所述动态控制信道包括动态控制信息(dynamic control information,DCI)字段,所述DCI字段包括表示待训练AI/ML模块的信息。
示例性实施例87.根据示例性实施例84所述的装置,其中,发送所述训练信号包括在调度数据信道上发送所述训练信号。
示例性实施例88.根据示例性实施例87所述的装置,其中,所述程序还包括在动态控制信道上发送所述数据信道的调度信息的指令,所述动态控制信道包括DCI字段,所述DCI字段包括表示待训练AI/ML模块的信息。
示例性实施例89.根据示例性实施例84至88中任一项所述的装置,其中,所述程序还包括从所述第一设备接收训练响应消息的指令,所述训练响应消息包括基于在所述第一设备侧对所述接收到的训练信号进行处理的反馈信息。
示例性实施例90.根据示例性实施例89所述的装置,其中,所述训练响应消息中包括的所述反馈信息包括用于迭代训练过程的更新后训练序列。
示例性实施例91.根据示例性实施例89或90所述的装置,其中,所述训练响应消息中包括的所述反馈信息包括基于所述接收到的训练信号的测量结果。
示例性实施例92.根据示例性实施例91所述的装置,其中,所述测量结果包括所述第一设备在接收所述训练信号时获得的误差范围。
示例性实施例93.根据示例性实施例89至92中任一项所述的装置,其中,所述程序还包括指令以进行以下操作:
根据来自所述第一设备的所述训练响应消息中提供的所述反馈信息,训练一个或多个AI/ML模块。
示例性实施例94.根据示例性实施例93所述的装置,其中,所述程序还包括指令以进行以下操作:
向所述第一设备发送AI/ML更新信息,其中,所述AI/ML更新信息包括表示基于所述训练的所述一个或多个AI/ML模块中的至少一个的更新后AI/ML参数的信息。
示例性实施例95.根据示例性实施例89至94中任一项所述的装置,其中,所述程序还包括指令以进行以下操作:
从所述第一设备接收AI/ML更新信息,其中,来自所述第一设备的所述AI/ML更新信息包括表示所述一个或多个AI/ML模块中的至少一个的更新后AI/ML参数的信息,所述更新后AI/ML参数基于所述第一设备侧的一个或多个AI/ML模块根据所述训练信号进行的训练。
示例性实施例96.根据示例性实施例95所述的装置,其中,所述程序还包括:通过根据发送到所述第一设备的所述更新后AI/ML参数和从所述第一设备接收的所述更新后AI/ML参数来更新所述一个或多个AI/ML模块的指令,更新用于发送到所述第一设备的所述至少一个空口配置。
示例性实施例97.根据示例性实施例75至96中任一项所述的装置,其中,所述程序还包括指令以进行以下操作:
向所述第一设备发送训练终止信号,表示训练阶段已经结束。
示例性实施例98.根据示例性实施例75至97中任一项所述的装置,其中,所述第一设备为用户设备,所述第二设备为网络设备。
示例性实施例99.一种装置,其中,包括:
发送模块,用于通过第一设备和第二设备之间的空口从所述第一设备向所述第二设备发送关于所述第一设备的人工智能或机器学习(artificial intelligence/machinelearning,AI/ML)能力的信息,其中,所述关于所述第一设备的AI/ML能力的信息标识所述第一设备是否支持AI/ML用于优化所述空口的至少一个空口组件。
示例性实施例100.根据示例性实施例99所述的装置,其中,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备能够支持AI/ML的类型和/或复杂程度的信息。
示例性实施例101.根据示例性实施例99或100所述的装置,其中,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备是否协助AI/ML训练过程来优化所述至少一个空口组件的信息。
示例性实施例102.根据示例性实施例99至101中任一项所述的装置,其中,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备支持AI/ML优化的所述至少一个空口组件中的至少一个组件的信息。
示例性实施例103.根据示例性实施例102所述的装置,其中,所述至少一个空口组件包括编码组件、调制组件和波形组件中的至少一个。
示例性实施例104.根据示例性实施例102或103所述的装置,其中,所述表示所述第一设备支持AI/ML优化的所述至少一个空口组件中的至少一个组件的信息还包括表示所述第一设备是否支持所述至少一个空口组件中的两个或多个组件的联合优化的信息。
示例性实施例105.根据示例性实施例99至104中任一项所述的装置,其中,所述发送模块用于响应于接收到询问或作为初始网络接入流程的一部分,发送所述关于所述第一设备的AI/ML能力的信息。
示例性实施例106.根据示例性实施例99至105中任一项所述的装置,其中,还包括:
接收模块,用于从所述第二设备接收AI/ML训练请求;
处理模块,用于在接收到所述AI/ML训练请求之后切换到AI/ML训练模式。
示例性实施例107.根据示例性实施例106所述的装置,其中,所述接收模块用于通过下行控制信道上的下行控制信息(downlink control information,DCI)或RRC信令或所述DCI和所述RRC信令的组合接收所述AI/ML训练请求。
示例性实施例108.根据示例性实施例106或107所述的装置,其中,所述发送模块用于向所述第二设备发送训练请求响应,所述训练请求响应确认所述第一设备已切换到所述AI/ML训练模式。
示例性实施例109.根据示例性实施例99至108中任一项所述的装置,其中,所述接收模块用于从所述第二设备接收训练信号,所述训练信号包括用于训练负责所述至少一个空口组件的一个或多个组件的至少一个AI/ML模块的训练序列或训练数据。
示例性实施例110.根据示例性实施例109所述的装置,其中,所述接收模块用于在动态控制信道上接收所述训练信号。
示例性实施例111.根据示例性实施例110所述的装置,其中,所述动态控制信道包括动态控制信息(dynamic control information,DCI)字段,所述DCI字段包括表示待训练AI/ML模块的信息。
示例性实施例112.根据示例性实施例109所述的装置,其中,所述接收模块用于:
在调度数据信道上接收所述训练信号;
在动态控制信道上接收所述数据信道的调度信息,所述动态控制信道包括DCI字段,所述DCI字段包括表示待训练AI/ML模块的信息。
示例性实施例113.根据示例性实施例109至112中任一项所述的装置,其中,所述发送模块用于:
在接收到所述训练信号之后,向所述第二设备发送训练响应消息,其中,所述训练响应消息包括基于在所述第一设备侧对所述接收到的训练信号进行处理的反馈信息。
示例性实施例114.根据示例性实施例113所述的装置,其中,所述训练响应消息中包括的所述反馈信息包括用于迭代训练过程的更新后训练序列。
示例性实施例115.根据示例性实施例113或114所述的装置,其中,所述训练响应消息中包括的所述反馈信息包括基于所述接收到的训练信号的测量结果。
示例性实施例116.根据示例性实施例115所述的装置,其中,所述测量结果包括所述第一设备在从所述第二设备接收所述训练信号时获得的误差范围。
示例性实施例117.根据示例性实施例113至116中任一项所述的装置,其中,所述接收模块用于:
在发送所述训练响应消息之后,从所述第二设备接收AI/ML更新信息,其中,所述AI/ML更新信息包括表示AI/ML模块的更新后AI/ML参数的信息,所述更新后AI/ML参数基于所述第一设备提供的所述反馈信息。
示例性实施例118.根据示例性实施例117所述的装置,其中,还包括处理模块,用于根据所述更新后AI/ML参数更新所述AI/ML模块,以便更新用于从所述第二设备接收传输的所述至少一个空口组件。
示例性实施例119.根据示例性实施例113至116中任一项所述的装置,其中,还包括处理模块,用于根据从所述第二设备接收的所述训练信号,训练所述第一设备侧的一个或多个AI/ML模块,所述发送模块用于向所述第二设备发送AI/ML更新信息,所述AI/ML更新信息包括表示所述一个或多个AL/ML模块中的至少一个的更新后AL/ML参数的信息,所述更新后AL/ML参数基于所述第一设备进行的训练。
示例性实施例120.根据示例性实施例119所述的装置,其中,所述接收模块用于从所述第二设备接收AI/ML更新信息,其中,来自所述第二设备的所述AI/ML更新信息包括表示所述一个或多个AI/ML模块中的至少一个的更新后AI/ML参数的信息,所述更新后AI/ML参数基于所述第二设备侧的一个或多个AI/ML模块根据所述训练响应消息中提供的反馈信息进行的训练。
示例性实施例121.根据示例性实施例120所述的装置,其中,所述处理模块用于通过根据基于所述第一设备执行的所述训练的所述更新后AI/ML参数以及从所述第二设备接收的所述更新后AI/ML参数来更新所述一个或多个AI/ML模块,更新用于从所述第二设备接收传输的所述至少一个空口组件。
示例性实施例122.根据示例性实施例99至121中任一项所述的装置,其中,所述接收模块用于从所述第二设备接收训练终止信号,所述处理模块用于在接收到所述训练终止信号之后,将所述第一设备从所述训练模式切换到正常操作模式。
示例性实施例123.根据示例性实施例99至122中任一项所述的装置,其中,所述第一设备为用户设备,所述第二设备为网络设备。
示例性实施例124.一种装置,其中,包括:
接收模块,用于由第二设备通过第一设备和所述第二设备之间的空口接收关于所述第一设备的人工智能或机器学习(artificial intelligence/machine learning,AI/ML)能力的信息,其中,所述关于所述第一设备的AI/ML能力的信息标识所述第一设备是否支持AI/ML用于优化所述空口的至少一个空口组件;
发送模块,用于至少部分地根据关于所述第一设备的所述AI/ML能力的信息,向所述第一设备发送AI/ML训练请求。
示例性实施例125.根据示例性实施例124所述的装置,其中,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备能够支持AI/ML的类型和/或复杂程度的信息。
示例性实施例126.根据示例性实施例124或125所述的装置,其中,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备是否协助AI/ML训练过程来优化所述至少一个空口组件的信息。
示例性实施例127.根据示例性实施例124至126中任一项所述的装置,其中,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备支持AI/ML优化的所述至少一个空口组件中的至少一个组件的信息。
示例性实施例128.根据示例性实施例127所述的装置,其中,所述至少一个空口组件的所述至少一个组件包括编码组件、调制组件和波形组件中的至少一个。
示例性实施例129.根据示例性实施例127或128所述的装置,其中,所述表示所述第一设备支持AI/ML优化的所述至少一个空口组件中的至少一个组件的信息还包括表示所述第一设备是否支持所述至少一个空口组件中的两个或多个组件的联合优化的信息。
示例性实施例130.根据示例性实施例124至129中任一项所述的装置,其中,所述接收关于所述第一设备的AI/ML能力的信息包括作为所述第一设备的初始网络接入过程的一部分接收所述信息。
示例性实施例131.根据示例性实施例124至130中任一项所述的装置,其中,发送所述AI/ML训练请求包括通过下行控制信道上的下行控制信息(downlink controlinformation,DCI)或RRC信令或所述DCI和所述RRC信令的组合发送所述AI/ML训练请求。
示例性实施例132.根据示例性实施例131所述的装置,其中,所述接收模块用于从所述设备接收训练请求响应,所述训练请求响应确认所述设备已切换到所述AI/ML训练模式。
示例性实施例133.根据示例性实施例124至132中任一项所述的装置,其中,所述发送模块用于向所述第一设备发送训练信号,所述训练信号包括用于训练负责所述至少一个空口组件的一个或多个组件的至少一个AI/ML模块的训练序列或训练数据。
示例性实施例134.根据示例性实施例133所述的装置,其中,发送所述训练信号包括在动态控制信道上发送所述训练信号。
示例性实施例135.根据示例性实施例134所述的装置,其中,所述动态控制信道包括动态控制信息(dynamic control information,DCI)字段,所述DCI字段包括表示待训练AI/ML模块的信息。
示例性实施例136.根据示例性实施例133所述的装置,其中,发送所述训练信号包括在调度数据信道上发送所述训练信号。
示例性实施例137.根据示例性实施例136所述的装置,其中,所述发送模块用于在动态控制信道上发送所述数据信道的调度信息,所述动态控制信道包括DCI字段,所述DCI字段包括表示待训练AI/ML模块的信息。
示例性实施例138.根据示例性实施例133至137中任一项所述的装置,其中,所述接收模块用于从所述第一设备接收训练响应消息,所述训练响应消息包括基于在所述第一设备侧对所述接收到的训练信号进行处理的反馈信息。
示例性实施例139.根据示例性实施例138所述的装置,其中,所述训练响应消息中包括的所述反馈信息包括用于迭代训练过程的更新后训练序列。
示例性实施例140.根据示例性实施例138或139所述的装置,其中,所述训练响应消息中包括的所述反馈信息包括基于所述接收到的训练信号的测量结果。
示例性实施例141.根据示例性实施例140所述的装置,其中,所述测量结果包括所述第一设备在接收所述训练信号时获得的误差范围。
示例性实施例142.根据示例性实施例138至141中任一项所述的装置,还包括处理模块,用于根据来自所述第一设备的所述训练响应消息中提供的所述反馈信息训练一个或多个AI/ML模块。
示例性实施例143.根据示例性实施例142所述的装置,其中,所述发送模块用于:
向所述第一设备发送AI/ML更新信息,其中,所述AI/ML更新信息包括表示基于所述训练的所述一个或多个AI/ML模块中的至少一个的更新后AI/ML参数的信息。
示例性实施例144.根据示例性实施例133至143中任一项所述的装置,其中,所述接收模块用于:
从所述第一设备接收AI/ML更新信息,其中,来自所述第一设备的所述AI/ML更新信息包括表示所述一个或多个AI/ML模块中的至少一个的更新后AI/ML参数的信息,所述更新后AI/ML参数基于所述第一设备侧的一个或多个AI/ML模块根据所述训练信号进行的训练。
示例性实施例145.根据示例性实施例144所述的装置,其中,还包括处理模块,用于通过根据发送到所述第一设备的所述更新后AI/ML参数和从所述第一设备接收的所述更新后AI/ML参数来更新所述一个或多个AI/ML模块,更新用于发送到所述第一设备的所述至少一个空口组件。
示例性实施例146.根据示例性实施例124至145中任一项所述的装置,其中,所述发送模块用于向所述第一设备发送训练终止信号,表示训练阶段已结束。
示例性实施例147.根据示例性实施例124至146中任一项所述的装置,其中,所述第一设备为用户设备,所述第二设备为网络设备。
尽管本发明以特定的顺序描述了方法和流程,但可以视情况省略或更改方法和流程的一个或多个步骤。一个或多个步骤可以按顺序执行,但不是按描述的顺序执行(视情况而定)。
尽管描述了本发明,但至少部分地,就方法而言,本领域普通技术人员将理解,本发明还涉及各种组件,用于通过硬件组件、软件或两者的任意组合执行所描述的方法的至少一些方面和特征。相应地,本发明的技术方案可通过软件产品的形式体现。合适的软件产品可以存储在预先记录的存储设备或其它类似的非易失性或非瞬时性计算机可读介质中,例如,DVD、CD-ROM、USB闪存盘、可移动硬盘或其它存储介质等。软件产品包括其上存储的指令,这些指令使处理设备(例如个人计算机、服务器或网络设备)能够执行本文所公开的方法的示例。机器可执行指令可以是代码序列、配置信息或其它数据的形式,当执行指令时,这些数据导致机器(例如,处理器或其它处理设备)执行根据本发明的示例的方法中的步骤。
本发明可以其它特定形式体现,而不脱离权利要求的主题。所描述的示例实施例在各方面都仅仅是示意性的,而不是限制性的。可以将上述一个或多个实施例中的选定特征组合以创建未明确描述的替代性实施例,理解适合此类组合的特征在本发明的范围内。
还公开了公开范围内的所有值和子范围。此外,虽然本文所公开和显示的系统、器件和流程可包括特定数量的元素/组件,但可以修改所述系统、器件和组合件,以包括此类元素/组件中的更多或更少的元素/组件。例如,尽管所公开的任何元素/组件可引用为单数,但可以修改本文所公开的实施例以包括多个此类元素/组件。本文所描述的主题旨在覆盖和涵盖所有适当的技术变更。
Claims (98)
1.一种用于无线通信网络中的方法,其特征在于,所述方法包括:
第一设备通过所述第一设备和第二设备之间的单个空口向所述第二设备发送关于所述第一设备的人工智能或机器学习(artificial intelligence/machine learning,AI/ML)能力的信息,其中,所述关于所述第一设备的AI/ML能力的信息标识所述第一设备是否支持AI/ML来优化所述单个空口的至少一个空口配置。
2.根据权利要求1所述的方法,其特征在于,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备能够支持AI/ML的类型和/或复杂程度的信息。
3.根据权利要求1或2所述的方法,其特征在于,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备是否协助AI/ML训练过程来优化所述至少一个空口配置的信息。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备支持AI/ML优化的所述至少一个空口配置中的至少一个组件的信息。
5.根据权利要求4所述的方法,其特征在于,所述至少一个空口配置中的所述至少一个组件包括编码组件、调制组件和波形组件中的至少一个。
6.根据权利要求4或5所述的方法,其特征在于,所述表示所述第一设备支持AI/ML优化的所述至少一个空口配置中的至少一个组件的信息还包括表示所述第一设备是否支持所述至少一个空口配置中的两个或两个以上组件的联合优化的信息。
7.根据权利要求1至6中任一项所述的方法,其特征在于,发送所述关于所述第一设备的AI/ML能力的信息包括以下中的至少一个:
在接收到查询之后发送所述信息;
作为初始网络接入过程的一部分发送所述信息。
8.根据权利要求1至7中任一项所述的方法,其特征在于,还包括:
从所述第二设备接收AI/ML训练请求;
在接收到所述AI/ML训练请求之后,切换到AI/ML训练模式。
9.根据权利要求8所述的方法,其特征在于,接收所述AI/ML训练请求包括通过下行控制信道上的下行控制信息(downlink control information,DCI)或RRC信令或所述DCI和所述RRC信令的组合接收所述AI/ML训练请求。
10.根据权利要求8或9所述的方法,其特征在于,还包括:向所述第二设备发送训练请求响应,所述训练请求响应确认所述第一设备已切换到所述AI/ML训练模式。
11.根据权利要求1至10中任一项所述的方法,其特征在于,还包括:从所述第二设备接收训练信号,其中,所述训练信号包括用于训练负责所述至少一个空口配置中的一个或多个组件的至少一个AI/ML模块的训练序列或训练数据。
12.根据权利要求11所述的方法,其特征在于,接收所述训练信号包括在动态控制信道上接收所述训练信号。
13.根据权利要求12所述的方法,其特征在于,所述动态控制信道包括动态控制信息(dynamic control information,DCI)字段,所述DCI字段包括表示待训练AI/ML模块的信息。
14.根据权利要求11所述的方法,其特征在于,接收所述训练信号包括在调度数据信道上接收所述训练信号;所述方法还包括:在动态控制信道上接收所述数据信道的调度信息,其中,所述动态控制信道包括DCI字段,所述DCI字段包括表示待训练AI/ML模块的信息。
15.根据权利要求11至14中任一项所述的方法,其特征在于,还包括:在接收到所述训练信号之后,向所述第二设备发送训练响应消息,其中,所述训练响应消息包括基于在所述第一设备侧对所述接收到的训练信号进行处理的反馈信息。
16.根据权利要求15所述的方法,其特征在于,所述训练响应消息中包括的所述反馈信息包括用于迭代训练过程的更新后训练序列。
17.根据权利要求15或16所述的方法,其特征在于,所述训练响应消息中包括的所述反馈信息包括基于所述接收到的训练信号的测量结果。
18.根据权利要求17所述的方法,其特征在于,所述测量结果包括所述第一设备在从所述第二设备接收所述训练信号时获得的误差范围。
19.根据权利要求15至18中任一项所述的方法,其特征在于,还包括:在发送所述训练响应消息之后,从所述第二设备接收AI/ML更新信息,其中,所述AI/ML更新信息包括表示AI/ML模块的更新后AI/ML参数的信息,所述更新后AI/ML参数基于所述第一设备提供的所述反馈信息。
20.根据权利要求19所述的方法,其特征在于,还包括:根据所述更新后AI/ML参数更新所述AI/ML模块,以便更新用于从所述第二设备接收传输的所述至少一个空口配置。
21.根据权利要求15至18中任一项所述的方法,其特征在于,还包括:
根据从所述第二设备接收的所述训练信号,在所述第一设备侧训练一个或多个AI/ML模块;
向所述第二设备发送AI/ML更新信息,其中,所述AI/ML更新信息包括表示所述一个或多个AI/ML模块中的至少一个的更新后AI/ML参数的信息,所述更新后AI/ML参数基于所述第一设备执行的训练。
22.根据权利要求21所述的方法,其特征在于,还包括:从所述第二设备接收AI/ML更新信息,其中,来自所述第二设备的所述AI/ML更新信息包括表示所述一个或多个AI/ML模块中的至少一个的更新后AI/ML参数的信息,所述更新后AI/ML参数基于所述第二设备侧的一个或多个AI/ML模块根据所述训练响应消息中提供的反馈信息进行的训练。
23.根据权利要求22所述的方法,其特征在于,还包括:通过根据基于所述第一设备执行的所述训练的所述更新后AI/ML参数以及从所述第二设备接收的所述更新后AI/ML参数来更新所述一个或多个AI/ML模块,更新用于从所述第二设备接收传输的所述至少一个空口配置。
24.根据权利要求1至23中任一项所述的方法,其特征在于,还包括:
从所述第二设备接收训练终止信号;
在接收到所述训练终止信号之后,将所述第一设备从所述训练模式切换到正常操作模式。
25.根据权利要求1至24中任一项所述的方法,其特征在于,所述第一设备为用户设备,所述第二设备为网络设备。
26.一种用于无线通信网络中的方法,其特征在于,所述方法包括:
第二设备通过第一设备和所述第二设备之间的单个空口接收关于所述第一设备的人工智能或机器学习(artificial intelligence/machine learning,AI/ML)能力的信息,其中,所述关于所述第一设备的AI/ML能力的信息标识所述第一设备是否支持AI/ML来优化所述单个空口的至少一个空口配置;
至少部分地根据关于所述第一设备的所述AI/ML能力的信息,向所述第一设备发送AI/ML训练请求。
27.根据权利要求26所述的方法,其特征在于,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备能够支持AI/ML的类型和/或复杂程度的信息。
28.根据权利要求26或27所述的方法,其特征在于,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备是否协助AI/ML训练过程来优化所述至少一个空口配置的信息。
29.根据权利要求26至28中任一项所述的方法,其特征在于,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备支持AI/ML优化的所述至少一个空口配置中的至少一个组件的信息。
30.根据权利要求29所述的方法,其特征在于,所述至少一个空口配置中的所述至少一个组件包括编码组件、调制组件和波形组件中的至少一个。
31.根据权利要求29或30所述的方法,其特征在于,所述表示所述第一设备支持AI/ML优化的所述至少一个空口配置中的至少一个组件的信息还包括表示所述第一设备是否支持所述至少一个空口配置中的两个或两个以上组件的联合优化的信息。
32.根据权利要求26至31中任一项所述的方法,其特征在于,接收所述关于所述第一设备的AI/ML能力的信息包括作为所述第一设备的初始网络接入过程的一部分接收所述信息。
33.根据权利要求26至32中任一项所述的方法,其特征在于,发送所述AI/ML训练请求包括通过下行控制信道上的下行控制信息(downlink control information,DCI)或RRC信令或所述DCI和所述RRC信令的组合发送所述AI/ML训练请求。
34.根据权利要求33所述的方法,其特征在于,还包括:从所述设备接收训练请求响应,其中,所述训练请求响应确认所述设备已切换到AI/ML训练模式。
35.根据权利要求26至34中任一项所述的方法,其特征在于,还包括:向所述第一设备发送训练信号,其中,所述训练信号包括用于训练负责所述至少一个空口配置中的一个或多个组件的至少一个AI/ML模块的训练序列或训练数据。
36.根据权利要求35所述的方法,其特征在于,发送所述训练信号包括在动态控制信道上发送所述训练信号。
37.根据权利要求36所述的方法,其特征在于,所述动态控制信道包括动态控制信息(dynamic control information,DCI)字段,所述DCI字段包括表示待训练AI/ML模块的信息。
38.根据权利要求35所述的方法,其特征在于,发送所述训练信号包括在调度数据信道上发送所述训练信号。
39.根据权利要求38所述的方法,其特征在于,还包括:在动态控制信道上发送所述数据信道的调度信息,其中,所述动态控制信道包括DCI字段,所述DCI字段包括表示待训练AI/ML模块的信息。
40.根据权利要求35至39中任一项所述的方法,其特征在于,还包括:从所述第一设备接收训练响应消息,其中,所述训练响应消息包括基于在所述第一设备侧对所述接收到的训练信号进行处理的反馈信息。
41.根据权利要求40所述的方法,其特征在于,所述训练响应消息中包括的所述反馈信息包括用于迭代训练过程的更新后训练序列。
42.根据权利要求40或41所述的方法,其特征在于,所述训练响应消息中包括的所述反馈信息包括基于所述接收到的训练信号的测量结果。
43.根据权利要求42所述的方法,其特征在于,所述测量结果包括所述第一设备在接收所述训练信号时获得的误差范围。
44.根据权利要求40至43中任一项所述的方法,其特征在于,还包括:
根据来自所述第一设备的所述训练响应消息中提供的所述反馈信息,训练一个或多个AI/ML模块。
45.根据权利要求44所述的方法,其特征在于,还包括:
向所述第一设备发送AI/ML更新信息,其中,所述AI/ML更新信息包括表示基于所述训练的所述一个或多个AI/ML模块中的至少一个的更新后AI/ML参数的信息。
46.根据权利要求40至45中任一项所述的方法,其特征在于,还包括:
从所述第一设备接收AI/ML更新信息,其中,来自所述第一设备的所述AI/ML更新信息包括表示所述一个或多个AI/ML模块中的至少一个的更新后AI/ML参数的信息,所述更新后AI/ML参数基于所述第一设备侧的一个或多个AI/ML模块根据所述训练信号进行的训练。
47.根据权利要求46所述的方法,其特征在于,还包括:通过根据发送到所述第一设备的所述更新后AI/ML参数和从所述第一设备接收的所述更新后AI/ML参数来更新所述一个或多个AI/ML模块,更新用于发送到所述第一设备的所述至少一个空口配置。
48.根据权利要求26至47中任一项所述的方法,其特征在于,还包括:
向所述第一设备发送训练终止信号,表示训练阶段已经结束。
49.根据权利要求26至48中任一项所述的方法,其特征在于,所述第一设备为用户设备,所述第二设备为网络设备。
50.一种装置,其特征在于,包括:
无线接口;
可操作地耦合到所述无线接口的处理器;
可操作地耦合到所述处理器的计算机可读存储介质,其中,所述计算机可读存储介质存储供所述处理器执行的程序,所述程序包括进行以下操作的指令:
通过第一设备和第二设备之间的单个空口,通过所述无线接口从所述第一设备向所述第二设备发送关于所述第一设备的人工智能或机器学习(artificial intelligence/machine learning,AI/ML)能力的信息,其中,所述关于所述第一设备的AI/ML能力的信息标识所述第一设备是否支持AI/ML来优化所述单个空口的至少一个空口配置。
51.根据权利要求50所述的装置,其特征在于,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备能够支持AI/ML的类型和/或复杂程度的信息。
52.根据权利要求50或51所述的装置,其特征在于,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备是否协助AI/ML训练过程来优化所述至少一个空口配置的信息。
53.根据权利要求50至52中任一项所述的装置,其特征在于,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备支持AI/ML优化的所述至少一个空口配置中的至少一个组件的信息。
54.根据权利要求53所述的装置,其特征在于,所述至少一个空口配置中的所述至少一个组件包括编码组件、调制组件和波形组件中的至少一个。
55.根据权利要求53或54所述的装置,其特征在于,所述表示所述第一设备支持AI/ML优化的所述至少一个空口配置中的至少一个组件的信息还包括表示所述第一设备是否支持所述至少一个空口配置中的两个或两个以上组件的联合优化的信息。
56.根据权利要求50至55中任一项所述的装置,其特征在于,所述发送所述关于所述第一设备的AI/ML能力的信息的指令包括以下中的至少一个:
在接收到查询之后发送所述信息的指令;
作为初始网络接入过程的一部分发送所述信息的指令。
57.根据权利要求50至56中任一项所述的装置,其特征在于,所述程序还包括进行以下操作的指令:
从所述第二设备接收AI/ML训练请求;
在接收到所述AI/ML训练请求之后,切换到AI/ML训练模式。
58.根据权利要求57所述的装置,其特征在于,所述接收所述AI/ML训练请求的指令包括通过下行控制信道上的下行控制信息(downlink control information,DCI)或RRC信令或所述DCI和所述RRC信令的组合接收所述AI/ML训练请求的指令。
59.根据权利要求57或58所述的装置,其特征在于,所述程序还包括进行以下操作的指令:向所述第二设备发送训练请求响应,所述训练请求响应确认所述第一设备已切换到所述AI/ML训练模式。
60.根据权利要求50至59中任一项所述的装置,其特征在于,所述程序还包括进行以下操作的指令:从所述第二设备接收训练信号,其中,所述训练信号包括用于训练负责所述至少一个空口配置的中一个或多个组件的至少一个AI/ML模块的训练序列或训练数据。
61.根据权利要求60所述的装置,其特征在于,所述接收所述训练信号的指令包括在动态控制信道上接收所述训练信号的指令。
62.根据权利要求61所述的装置,其特征在于,所述动态控制信道包括动态控制信息(dynamic control information,DCI)字段,所述DCI字段包括表示待训练AI/ML模块的信息。
63.根据权利要求60所述的装置,其特征在于,所述接收所述训练信号的指令包括在调度数据信道上接收所述训练信号的指令,所述程序还包括进行以下操作的指令:在动态控制信道上接收所述数据信道的调度信息,其中,所述动态控制信道包括DCI字段,所述DCI字段包括表示待训练AI/ML模块的信息。
64.根据权利要求60至63中任一项所述的装置,其特征在于,所述程序还包括进行以下操作的指令:
在接收到所述训练信号之后,向所述第二设备发送训练响应消息,其中,所述训练响应消息包括基于在所述第一设备侧对所述接收到的训练信号进行处理的反馈信息。
65.根据权利要求64所述的装置,其特征在于,所述训练响应消息中包括的所述反馈信息包括用于迭代训练过程的更新后训练序列。
66.根据权利要求64或65所述的装置,其特征在于,所述训练响应消息中包括的所述反馈信息包括基于所述接收到的训练信号的测量结果。
67.根据权利要求66所述的装置,其特征在于,所述测量结果包括所述第一设备在从所述第二设备接收所述训练信号时获得的误差范围。
68.根据权利要求64至67中任一项所述的装置,其特征在于,所述程序还包括进行以下操作的指令:
在发送所述训练响应消息之后,从所述第二设备接收AI/ML更新信息,其中,所述AI/ML更新信息包括表示AI/ML模块的更新后AI/ML参数的信息,所述更新后AI/ML参数基于所述第一设备提供的所述反馈信息。
69.根据权利要求68所述的装置,其特征在于,所述程序还包括进行以下操作的指令:根据所述更新后AI/ML参数更新所述AI/ML模块的指令,以便更新用于从所述第二设备接收传输的所述至少一个空口配置。
70.根据权利要求64至67中任一项所述的装置,其特征在于,所述程序还包括进行以下操作的指令:
根据从所述第二设备接收的所述训练信号,在所述第一设备侧训练一个或多个AI/ML模块;
向所述第二设备发送AI/ML更新信息,其中,所述AI/ML更新信息包括表示所述一个或多个AI/ML模块中的至少一个的更新后AI/ML参数的信息,所述更新后AI/ML参数基于所述第一设备执行的训练。
71.根据权利要求70所述的装置,其特征在于,所述程序还包括进行以下操作的指令:从所述第二设备接收AI/ML更新信息,其中,来自所述第二设备的所述AI/ML更新信息包括表示所述一个或多个AI/ML模块中的至少一个的更新后AI/ML参数的信息,所述更新后AI/ML参数基于所述第二设备侧的一个或多个AI/ML模块根据所述训练响应消息中提供的反馈信息进行的训练。
72.根据权利要求71所述的装置,其特征在于,所述程序还包括进行以下操作的指令:通过根据基于所述第一设备执行的所述训练的所述更新后AI/ML参数以及从所述第二设备接收的所述更新后AI/ML参数来更新所述一个或多个AI/ML模块,更新用于从所述第二设备接收传输的所述至少一个空口配置。
73.根据权利要求50至72中任一项所述的装置,其特征在于,所述程序还包括进行以下操作的指令:
从所述第二设备接收训练终止信号;
在接收到所述训练终止信号之后,将所述第一设备从所述训练模式切换到正常操作模式。
74.根据权利要求50至73中任一项所述的装置,其特征在于,所述第一设备为用户设备,所述第二设备为网络设备。
75.一种装置,其特征在于,包括:
无线接口;
可操作地耦合到所述无线接口的处理器;
可操作地耦合到所述处理器的计算机可读存储介质,其中,所述计算机可读存储介质存储供所述处理器执行的程序,所述程序包括进行以下操作的指令:
第二设备通过第一设备和所述第二设备之间的单个空口,通过所述无线接口接收关于所述第一设备的人工智能或机器学习(artificial intelligence/machine learning,AI/ML)能力的信息,其中,所述关于所述第一设备的AI/ML能力的信息标识所述第一设备是否支持AI/ML来优化所述单个空口的至少一个空口配置;
至少部分地根据关于所述第一设备的所述AI/ML能力的信息,向所述第一设备发送AI/ML训练请求。
76.根据权利要求75所述的装置,其特征在于,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备能够支持AI/ML的类型和/或复杂程度的信息。
77.根据权利要求75或76所述的装置,其特征在于,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备是否协助AI/ML训练过程来优化所述至少一个空口配置的信息。
78.根据权利要求75至77中任一项所述的装置,其特征在于,所述关于所述第一设备的AI/ML能力的信息包括表示所述第一设备支持AI/ML优化的所述至少一个空口配置中的至少一个组件的信息。
79.根据权利要求78所述的装置,其特征在于,所述至少一个空口配置中的所述至少一个组件包括编码组件、调制组件和波形组件中的至少一个。
80.根据权利要求78或79所述的装置,其特征在于,所述表示所述第一设备支持AI/ML优化的所述至少一个空口配置中的至少一个组件的信息还包括表示所述第一设备是否支持所述至少一个空口配置中的两个或两个以上组件的联合优化的信息。
81.根据权利要求75至80中任一项所述的装置,其特征在于,接收所述关于所述第一设备的AI/ML能力的信息包括作为所述第一设备的初始网络接入过程的一部分接收所述信息。
82.根据权利要求75至81中任一项所述的装置,其特征在于,发送所述AI/ML训练请求包括通过下行控制信道上的下行控制信息(downlink control information,DCI)或RRC信令或所述DCI和所述RRC信令的组合发送所述AI/ML训练请求。
83.根据权利要求82所述的装置,其特征在于,所述程序还包括进行以下操作的指令:从所述设备接收训练请求响应,其中,所述训练请求响应确认所述设备已切换到所述AI/ML训练模式。
84.根据权利要求75至83中任一项所述的装置,其特征在于,所述程序还包括进行以下操作的指令:向所述第一设备发送训练信号,其中,所述训练信号包括用于训练负责所述至少一个空口配置中的一个或多个组件的至少一个AI/ML模块的训练序列或训练数据。
85.根据权利要求84所述的装置,其特征在于,发送所述训练信号包括在动态控制信道上发送所述训练信号。
86.根据权利要求85所述的装置,其特征在于,所述动态控制信道包括动态控制信息(dynamic control information,DCI)字段,所述DCI字段包括表示待训练AI/ML模块的信息。
87.根据权利要求84所述的装置,其特征在于,发送所述训练信号包括在调度数据信道上发送所述训练信号。
88.根据权利要求87所述的装置,其特征在于,所述程序还包括进行以下操作的指令:在动态控制信道上发送所述数据信道的调度信息,其中,所述动态控制信道包括DCI字段,所述DCI字段包括表示待训练AI/ML模块的信息。
89.根据权利要求84至88中任一项所述的装置,其特征在于,所述程序还包括进行以下操作的指令:从所述第一设备接收训练响应消息,其中,所述训练响应消息包括基于在所述第一设备侧对所述接收到的训练信号进行处理的反馈信息。
90.根据权利要求89所述的装置,其特征在于,所述训练响应消息中包括的所述反馈信息包括用于迭代训练过程的更新后训练序列。
91.根据权利要求89或90所述的装置,其特征在于,所述训练响应消息中包括的所述反馈信息包括基于所述接收到的训练信号的测量结果。
92.根据权利要求91所述的装置,其特征在于,所述测量结果包括所述第一设备在接收所述训练信号时获得的误差范围。
93.根据权利要求89至92中任一项所述的装置,其特征在于,所述程序还包括进行以下操作的指令:
根据来自所述第一设备的所述训练响应消息中提供的所述反馈信息,训练一个或多个AI/ML模块。
94.根据权利要求93所述的装置,其特征在于,所述程序还包括进行以下操作的指令:
向所述第一设备发送AI/ML更新信息,其中,所述AI/ML更新信息包括表示基于所述训练的所述一个或多个AI/ML模块中的至少一个的更新后AI/ML参数的信息。
95.根据权利要求89至94中任一项所述的装置,其特征在于,所述程序还包括进行以下操作的指令:
从所述第一设备接收AI/ML更新信息,其中,来自所述第一设备的所述AI/ML更新信息包括表示所述一个或多个AI/ML模块中的至少一个的更新后AI/ML参数的信息,所述更新后AI/ML参数基于所述第一设备侧的一个或多个AI/ML模块根据所述训练信号进行的训练。
96.根据权利要求95所述的装置,其特征在于,所述程序还包括进行以下操作的指令:通过根据发送到所述第一设备的所述更新后AI/ML参数和从所述第一设备接收的所述更新后AI/ML参数来更新所述一个或多个AI/ML模块,更新用于发送到所述第一设备的所述至少一个空口配置。
97.根据权利要求75至96中任一项所述的装置,其特征在于,所述程序还包括进行以下操作的指令:
向所述第一设备发送训练终止信号,表示训练阶段已经结束。
98.根据权利要求75至97中任一项所述的装置,其特征在于,所述第一设备为用户设备,所述第二设备为网络设备。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962939284P | 2019-11-22 | 2019-11-22 | |
US62/939,284 | 2019-11-22 | ||
US16/854,329 US11431583B2 (en) | 2019-11-22 | 2020-04-21 | Personalized tailored air interface |
US16/854,329 | 2020-04-21 | ||
PCT/CN2020/088939 WO2021098159A1 (en) | 2019-11-22 | 2020-05-07 | Personalized tailored air interface |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114788319A true CN114788319A (zh) | 2022-07-22 |
Family
ID=75974660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080081324.6A Pending CN114788319A (zh) | 2019-11-22 | 2020-05-07 | 个性化定制空口 |
Country Status (6)
Country | Link |
---|---|
US (3) | US11431583B2 (zh) |
EP (1) | EP4052496A4 (zh) |
JP (1) | JP7305892B2 (zh) |
CN (1) | CN114788319A (zh) |
BR (1) | BR112022009858A2 (zh) |
WO (1) | WO2021098159A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024035086A1 (en) * | 2022-08-10 | 2024-02-15 | Samsung Electronics Co., Ltd. | Ue measurement capability indication for ai/ml dataset construction |
Families Citing this family (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11570030B2 (en) * | 2019-10-11 | 2023-01-31 | University Of South Carolina | Method for non-linear distortion immune end-to-end learning with autoencoder—OFDM |
US11595847B2 (en) * | 2019-12-19 | 2023-02-28 | Qualcomm Incorporated | Configuration of artificial intelligence (AI) modules and compression ratios for user-equipment (UE) feedback |
US11621768B2 (en) | 2019-12-24 | 2023-04-04 | Huawei Technologies Co., Ltd. | Terrestrial and non-terrestrial communication systems, apparatuses, and methods |
US11646838B2 (en) * | 2020-02-21 | 2023-05-09 | Qualcomm Incorporated | Broadcasting known data to train artificial neural networks |
KR20210117611A (ko) * | 2020-03-19 | 2021-09-29 | 엘지전자 주식회사 | Ai를 이용한 이동통신 방법 |
US20230188394A1 (en) * | 2020-05-22 | 2023-06-15 | Nokia Technologies Oy | Communication system |
US20230246887A1 (en) * | 2020-06-29 | 2023-08-03 | Nokia Technologies Oy | Training in Communication Systems |
US11663472B2 (en) * | 2020-06-29 | 2023-05-30 | Google Llc | Deep neural network processing for a user equipment-coordination set |
CN114070676B (zh) * | 2020-08-05 | 2023-03-14 | 展讯半导体(南京)有限公司 | Ai网络模型支持能力上报、接收方法及装置、存储介质 |
US11502915B2 (en) * | 2020-09-11 | 2022-11-15 | Qualcomm Incorporated | Transmission of known data for cooperative training of artificial neural networks |
US11871250B2 (en) * | 2020-09-25 | 2024-01-09 | Qualcomm Incorporated | Machine learning component management in federated learning |
US20220116764A1 (en) * | 2020-10-09 | 2022-04-14 | Qualcomm Incorporated | User equipment (ue) capability report for machine learning applications |
US20220124518A1 (en) * | 2020-10-15 | 2022-04-21 | Qualcomm Incorporated | Update resolution signaling in federated learning |
US20220190990A1 (en) * | 2020-12-16 | 2022-06-16 | Qualcomm Incorporated | Network-configured training procedure |
US11818806B2 (en) * | 2021-05-18 | 2023-11-14 | Qualcomm Incorporated | ML model training procedure |
US11844145B2 (en) * | 2021-06-09 | 2023-12-12 | Qualcomm Incorporated | User equipment signaling and capabilities to enable federated learning and switching between machine learning and non-machine learning related tasks |
US20220400373A1 (en) * | 2021-06-15 | 2022-12-15 | Qualcomm Incorporated | Machine learning model configuration in wireless networks |
US20230006913A1 (en) * | 2021-06-28 | 2023-01-05 | Samsung Electronics Co., Ltd. | Method and apparatus for channel environment classification |
US11658708B2 (en) * | 2021-07-02 | 2023-05-23 | Qualcomm Incorporated | Codebook embedding generation and processing |
WO2023015431A1 (en) * | 2021-08-10 | 2023-02-16 | Qualcomm Incorporated | Dci-based indication to trigger the combined ml model |
CN117813789A (zh) * | 2021-08-16 | 2024-04-02 | 高通股份有限公司 | 用于指示机器学习(ml)模型组切换的物理下行链路控制信道(pdcch) |
WO2023038557A1 (en) * | 2021-09-08 | 2023-03-16 | Telefonaktiebolaget Lm Ericsson (Publ) | First network node, second network node, wireless device and methods performed thereby for handling doppler shift pre-compensation |
US20230164817A1 (en) * | 2021-11-24 | 2023-05-25 | Lenovo (Singapore) Pte. Ltd. | Artificial Intelligence Capability Reporting for Wireless Communication |
WO2023115567A1 (en) * | 2021-12-24 | 2023-06-29 | Nec Corporation | Methods, devices, and computer readable medium for communication |
CN116456355A (zh) * | 2022-01-10 | 2023-07-18 | 华为技术有限公司 | 一种通信方法、装置及计算机可读存储介质 |
WO2023131568A1 (en) * | 2022-01-10 | 2023-07-13 | Nokia Technologies Oy | Method, apparatus and computer program |
US20230232361A1 (en) * | 2022-01-18 | 2023-07-20 | Qualcomm Incorporated | User equipment (ue)-based sidelink-aware radio frequency fingerprinting (rffp) positioning |
WO2023158363A1 (en) * | 2022-02-18 | 2023-08-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Evaluation of performance of an ae-encoder |
WO2023168717A1 (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 |
WO2023173296A1 (en) * | 2022-03-15 | 2023-09-21 | Huawei Technologies Co.,Ltd. | Apparatus and methods for machine learning with low training delay and communication overhead |
CN116827481A (zh) * | 2022-03-21 | 2023-09-29 | 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 |
US20230308349A1 (en) * | 2022-03-23 | 2023-09-28 | Samsung Electronics Co., Ltd. | Method and apparatus for reference symbol pattern adaptation |
JP2023157267A (ja) * | 2022-04-14 | 2023-10-26 | ソニーグループ株式会社 | 送信装置、受信装置、送信方法および受信方法 |
WO2023206437A1 (zh) * | 2022-04-29 | 2023-11-02 | 富士通株式会社 | 信息传输方法与装置 |
CN117546496A (zh) * | 2022-06-08 | 2024-02-09 | 北京小米移动软件有限公司 | 一种人工智能ai模型训练方法/装置/设备及存储介质 |
CN115349279A (zh) * | 2022-06-23 | 2022-11-15 | 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 |
GB202209921D0 (en) * | 2022-07-06 | 2022-08-17 | Samsung Electronics Co Ltd | Artificial intelligence and machine learning capability indication |
WO2024019092A1 (ja) * | 2022-07-20 | 2024-01-25 | 京セラ株式会社 | 通信方法 |
US20240064574A1 (en) * | 2022-08-22 | 2024-02-22 | Qualcomm Incorporated | Machine learning component management |
EP4346262A1 (en) * | 2022-09-27 | 2024-04-03 | INTEL Corporation | Methods and devices to detect an imbalance associated with an artificial intelligence/machine learning model |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170127435A1 (en) * | 2015-11-04 | 2017-05-04 | Huawei Technologies Co., Ltd. | Systems and Methods for Configuring Air Interfaces with Low Overhead |
US20170208455A1 (en) * | 2016-01-19 | 2017-07-20 | Huawei Technologies Co., Ltd. | System and method of air interface capability exchange |
CN107294586A (zh) * | 2016-04-05 | 2017-10-24 | 中兴通讯股份有限公司 | 一种波束训练阶段自动增益控制的方法及装置 |
CN109194378A (zh) * | 2018-08-06 | 2019-01-11 | 重庆邮电大学 | 基于线性神经网络的物理层安全波束赋形方法 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10616827B2 (en) * | 2012-07-10 | 2020-04-07 | Huawei Technologies Co., Ltd. | System and method for dynamically configurable air interfaces |
CN107155199B (zh) * | 2016-03-04 | 2023-09-26 | 华为技术有限公司 | 一种空口技术的配置方法、装置及无线通信系统 |
CN107733505B (zh) * | 2016-08-12 | 2020-02-28 | 电信科学技术研究院 | 一种波束赋形训练方法、终端和基站 |
CN108023623B (zh) * | 2016-11-04 | 2022-05-27 | 维沃移动通信有限公司 | 一种终端信息上报、获取方法、终端及基站 |
US10332001B2 (en) * | 2016-12-15 | 2019-06-25 | WaveOne Inc. | Enhanced coding efficiency with progressive representation |
US10314051B1 (en) | 2017-06-06 | 2019-06-04 | Sprint Spectrum L.P. | Control of UE voice call communication mode based on air interface load in view of TDD frame configuration |
CN109391935B (zh) | 2017-08-11 | 2021-01-08 | 维沃移动通信有限公司 | 一种带宽部分的配置方法、网络设备及终端 |
US20190273524A1 (en) * | 2018-03-05 | 2019-09-05 | Maxlinear, Inc. | Methods and systems for utilizing ultra-efficiency low noise configurations for phased array antennas |
US11477060B2 (en) * | 2019-04-16 | 2022-10-18 | Motorola Solutions, Inc. | Systems and methods for modulation classification of baseband signals using attention-based learned filters |
CN111954206B (zh) * | 2019-05-17 | 2024-04-09 | 株式会社Ntt都科摩 | 终端和基站 |
KR102280692B1 (ko) * | 2019-08-12 | 2021-07-22 | 엘지전자 주식회사 | 지능적 음성 인식 방법, 음성 인식 장치 및 지능형 컴퓨팅 디바이스 |
EP4038913A1 (en) * | 2019-10-02 | 2022-08-10 | Nokia Technologies Oy | Providing producer node machine learning based assistance |
CN112714486A (zh) * | 2019-10-25 | 2021-04-27 | 北京三星通信技术研究有限公司 | Pdcch的检测方法、drx配置方法、终端、基站 |
US11582322B2 (en) * | 2019-10-31 | 2023-02-14 | Avago Technologies International Sales Pte. Limited | Machine-learning application proxy for IoT devices including large-scale data collection using dynamic servlets with access control |
US11822913B2 (en) * | 2019-12-20 | 2023-11-21 | UiPath, Inc. | Dynamic artificial intelligence / machine learning model update, or retrain and update, in digital processes at runtime |
US20210390434A1 (en) * | 2020-06-12 | 2021-12-16 | Qualcomm Incorporated | Machine learning error reporting |
US20200396531A1 (en) * | 2020-08-28 | 2020-12-17 | Abhivarman Paranirupasingam | System and method based in artificial intelligence to detect user interface control command of true wireless sound earbuds system on chip,and thereof |
US11558090B2 (en) * | 2020-10-20 | 2023-01-17 | Dell Products, Lp | Systems and methods to utilize contextual awareness and machine learning to optimize antenna selection |
US20220400373A1 (en) * | 2021-06-15 | 2022-12-15 | Qualcomm Incorporated | Machine learning model configuration in wireless networks |
US11800398B2 (en) * | 2021-10-27 | 2023-10-24 | T-Mobile Usa, Inc. | Predicting an attribute of an immature wireless telecommunication network, such as a 5G network |
US20230164817A1 (en) * | 2021-11-24 | 2023-05-25 | Lenovo (Singapore) Pte. Ltd. | Artificial Intelligence Capability Reporting for Wireless Communication |
US20230188233A1 (en) * | 2021-12-14 | 2023-06-15 | Intel Corporation | System energy efficiency in a wireless network |
US20230252353A1 (en) * | 2022-02-08 | 2023-08-10 | Samsung Electronics Co., Ltd. | On-device training method to train an artificial intelligent model and a system therefor |
-
2020
- 2020-04-21 US US16/854,329 patent/US11431583B2/en active Active
- 2020-05-07 EP EP20889173.9A patent/EP4052496A4/en active Pending
- 2020-05-07 WO PCT/CN2020/088939 patent/WO2021098159A1/en unknown
- 2020-05-07 JP JP2022529686A patent/JP7305892B2/ja active Active
- 2020-05-07 BR BR112022009858A patent/BR112022009858A2/pt unknown
- 2020-05-07 CN CN202080081324.6A patent/CN114788319A/zh active Pending
-
2022
- 2022-07-19 US US17/867,730 patent/US11863400B2/en active Active
-
2023
- 2023-11-10 US US18/506,618 patent/US20240080247A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170127435A1 (en) * | 2015-11-04 | 2017-05-04 | Huawei Technologies Co., Ltd. | Systems and Methods for Configuring Air Interfaces with Low Overhead |
US20170208455A1 (en) * | 2016-01-19 | 2017-07-20 | Huawei Technologies Co., Ltd. | System and method of air interface capability exchange |
CN107294586A (zh) * | 2016-04-05 | 2017-10-24 | 中兴通讯股份有限公司 | 一种波束训练阶段自动增益控制的方法及装置 |
CN109194378A (zh) * | 2018-08-06 | 2019-01-11 | 重庆邮电大学 | 基于线性神经网络的物理层安全波束赋形方法 |
Non-Patent Citations (1)
Title |
---|
ZTE, SANECHIPS: "RP-191077 "Draft new SID on AI and its applications in NR"", 3GPP TSG_RAN\\TSG_RAN, no. 84, 27 May 2019 (2019-05-27) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024035086A1 (en) * | 2022-08-10 | 2024-02-15 | Samsung Electronics Co., Ltd. | Ue measurement capability indication for ai/ml dataset construction |
Also Published As
Publication number | Publication date |
---|---|
EP4052496A1 (en) | 2022-09-07 |
JP7305892B2 (ja) | 2023-07-10 |
US11431583B2 (en) | 2022-08-30 |
US20220353155A1 (en) | 2022-11-03 |
US11863400B2 (en) | 2024-01-02 |
US20240080247A1 (en) | 2024-03-07 |
BR112022009858A2 (pt) | 2022-08-02 |
JP2023503111A (ja) | 2023-01-26 |
EP4052496A4 (en) | 2023-01-04 |
WO2021098159A1 (en) | 2021-05-27 |
US20210160149A1 (en) | 2021-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11863400B2 (en) | Personalized tailored air interface | |
JP2024026155A (ja) | 物理アップリンクデータチャンネルで制御情報多重化 | |
KR102033020B1 (ko) | 무선 통신 시스템에서 업링크 제어 신호를 위한 시스템 및 방법 | |
CN110024344B (zh) | 蜂窝通信系统中的上行链路传输方法和装置 | |
JP2019154046A (ja) | 分極を使う適応チャネルコーディング | |
EP3520264A1 (en) | Control information mcs offset determination for uci on pusch with shortened tti | |
CN110266452B (zh) | 一种被用于无线通信的用户设备、基站中的方法和装置 | |
JP2022518719A (ja) | 無線通信システムにおける分割csi報告を可能にする方法及びその装置 | |
US11374684B2 (en) | Technique for radio transmission under varying channel conditions | |
US20240032041A1 (en) | Multi-level time-domain scalable uplink channel resources | |
EP4285559A1 (en) | Index modulation for low-power analog-to-digital converters | |
EP4014374A1 (en) | Flexible implicit modulation and coding scheme indication | |
US20220140946A1 (en) | Rate-splitting construction of polar coded hybrid automatic repeat request (harq) scheme | |
US20240080226A1 (en) | Methods and apparatus for channel estimation for low resolution analog to digital converter | |
US20230388845A1 (en) | Reporting power efficiency for communications | |
WO2022104587A1 (en) | Constellation shaping configuration and feedback | |
US20220399952A1 (en) | Channel feedback for updating modulation and coding scheme | |
CN110769450B (zh) | 一种被用于无线通信的用户设备、基站中的方法和装置 | |
WO2022250881A1 (en) | Channel reporting for energy harvesting at a device | |
WO2022015980A1 (en) | Feedback design for network coding termination in broadcasting | |
WO2022235367A1 (en) | Modulating reference signals for conveying feedback information | |
EP4162628A1 (en) | Broadcasting packets using network coding with feedback |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |