CN115428347A - 用于波束故障管理的方法和系统 - Google Patents

Abstract

描述了一种用于用户设备(UE)(104)的波束故障管理的方法和装置(100)。确定波束故障实例计数器(BFI_counter)，其指示在一时刻在UE(104)处发生的连续波束故障实例的数目。确定UE(104)在该时刻的位置。至少基于UE(104)在该时刻的位置和BFI_counter来确定波束故障概率因子。波束故障概率因子指示在多个另外的时刻之后UE(104)在该位置处发生波束故障的概率。此外，将波束故障概率因子与波束故障阈值概率(beamFailureThresholdProb)进行比较。此后，如果波束故障概率因子高于beamFailureThresholdProb，则声明波束故障。

Description

用于波束故障管理的方法和系统

技术领域

各种示例实施例涉及用于波束故障管理的方法和系统。

背景技术

在5G网络中，为了有效通信，到位于相对于网络设备不同方向的不同终端设备的下行链路传输在时间上是分开的。为此，在5G网络中使用波束管理，以建立和保留合适的波束对，即，发射器侧波束方向和相应的接收器侧波束方向，这两个波束方向共同提供网络设备与终端设备之间的良好连接。波束管理包括初始波束建立过程、波束调整过程和波束恢复过程。初始波束建立过程包括一组过程和功能，通过这些过程和功能，例如在建立连接时，波束对得以在下行链路和上行链路传输方向上初始建立。波束调整过程用于补偿终端设备的移动和旋转以及环境的逐渐改变。波束恢复过程用于在当前波束对由于环境的快速变化而中断时恢复波束连接。

通常，在波束建立的初始阶段之后，终端设备的移动和环境的变化会导致当前建立的波束对没有足够的时间进行常规波束调整来适应而被阻塞。因此，当前建立的波束对的这种阻塞导致波束故障事件。此外，当物理下行链路控制信道(PDCCH)的错误概率超过特定值时，终端设备声明波束故障事件。应当注意的是，波束故障的概念类似于无线电链路故障(RLF)的概念，后者已经为当前的无线电接入技术(如LTE)定义。类似RLF，终端设备基于对一些参考信号质量的测量来声明波束故障。这经常表示为测量假设的错误率。此外，终端设备基于周期性信道状态信息参考信号(CSI-RS)或同步信号(SS)块的层1(L1)参考信号接收功率(RSRP)，即，L1-RSRP，的测量来声明波束故障。

对于每个时刻，低于配置值的测量L1-RSRP被定义为波束故障实例。在一种情况下，如果连续波束故障实例的数目超过配置值，则终端设备声明波束故障并启动波束恢复过程。但是，在衰减严重的区域和易受阻塞的区域，终端设备会等待N个连续的波束故障实例，并因此导致在声明波束故障时出现不必要的延迟。此外，在要求严格延迟的关键事件中，例如超可靠低延迟通信(URLLC)，在声明波束故障中的不必要延迟会导致中断延迟预算。

此外，在窄波束的情况下，与RLF相比，预计波束故障(即，由于已建立的波束对的快速退化而导致的连接丢失)发生得更频繁，这通常对应于终端设备移动出当前服务小区的覆盖范围。通常，RLF意味着失去当前服务小区的覆盖范围，在这种情况下，必须重新建立与新小区的连接。

目前，采用一种或多种方法来克服上述波束故障事件。在一种情况下，在波束故障后，经常使用当前小区内的新波束对来重新建立连接。因此，从波束故障中恢复得以使用较低层的功能来实现，这与用于从RLF恢复的较高层机制相比恢复地更快。

在另一种情况下，新无线电(NR)规范包括处理此类波束故障事件的特定过程，也称为波束故障恢复。波束故障恢复过程包括波束故障声明、候选波束识别、恢复请求传输和网络响应的步骤。在波束故障声明中，终端设备被配置为声明已经发生波束故障。在候选波束识别中，终端设备被配置为识别新的波束对以恢复连通性。在恢复请求传输中，终端设备被配置为向网络发送波束恢复请求，然后接收网络对波束恢复请求的响应。此外，RLF恢复过程用于从波束故障事件中恢复。

然而，上述声明波束故障的技术会导致不必要的延迟。因此，需要一种改进的方法和设备来管理5G网络中的波束故障，以最小化启动波束故障恢复过程中的延迟。

发明内容

根据示例实施例，可以公开一种用于用户设备(UE)的波束故障管理的方法。该方法可以包括确定波束故障实例计数器(BFI_counter)，其指示在一时刻在UE处的连续波束故障实例的数目，确定UE在该时刻的位置，以及至少基于该UE的位置和BFI_counter来确定波束故障概率因子，其中波束故障概率因子指示在多个另外的时刻之后在该UE的该位置处发生波束故障的概率。

在一示例实施例中，确定UE在该时刻的位置可以包括：从网络设备接收UE的位置，或者使用射频(RF)指纹识别来确定UE的位置。在另一示例实施例中，使用RF指纹识别，如参考信号接收功率(RSRP)之类的UE无线电测量可以与UE的位置相关。这提供了如下优点，即，消除了UE位置信息从网络设备到UE的传输。

该方法还可以包括：将波束故障概率因子与波束故障阈值概率beamFailureThresholdProb进行比较，并且如果波束故障概率因子高于beamFailureThresholdProb，则声明波束故障。声明波束故障可以包括启动波束恢复过程，特别是用于波束故障恢复的随机接入过程。应当注意，波束故障概率因子可以通过可训练的机器学习(ML)模型确定。UE的这种波束故障声明有助于最小化在启动用于波束故障恢复的波束恢复过程中的延迟。

根据另一示例实施例，该方法可以在UE处执行。该方法可以包括如下步骤：从网络设备接收激活基于ML的功能的请求，从网络设备接收beamFailureThresholdProb和可训练的ML模型，其中确定UE在该时刻的位置的步骤还可以包括：如果BFI_counter>0，则从网络设备请求和接收UE在该时刻的位置。BFI_counter是通过对UE指示的波束故障实例进行计数来确定的。在一示例实施例中，BFI_counter可以通过对由UE的一个或多个层指示的波束故障实例进行计数来确定。该一个或多个层可以与向网络设备和UE提供无线电资源管理(RRM)服务的媒体访问控制(MAC)层相关联。此外，该一个或多个层可以是但不限于诸如物理层的较低层、较高层或MAC层。

根据又一示例实施例，可以在网络设备处执行该方法并且可以从UE接收BFI_counter。

根据又一示例实施例，可以公开一种用于在网络设备处训练机器学习(ML)模型的方法。该方法可以包括：从至少一个用户设备(UE)接收多个UE位置和一个阈值beamFailureInstanceMaxCount，该阈值指示连续的波束故障实例的最大数目，通过利用波束故障概率因子标记包括UE位置和波束故障实例计数器BFI_counter的对，来确定训练集，其中BFI_counter取1和该阈值beamFailureInstanceMaxCount之间的值，并且使用标记的训练集来训练ML模型。

应当理解，对于每个UE位置和每个波束故障实例计数器BFI_counter，可以至少基于BFI_counter和UE位置来定义波束故障概率因子，特别地波束故障概率因子定义为：

其中beamFailureProb为波束故障概率因子，BFI_COUNTER为波束故障实例计数器，并且位置(X,Y)为UE位置。在一个示例实施例中，UE位置可以对应于位置(X，Y)周围的区域。

此外，可以训练ML模型以最小化定义波束故障概率因子与波束故障概率之间的关系的损失函数，波束故障概率指示：在针对BFI_counter的给定值的beamFailureInstanceMaxCount个时刻之后在该UE位置发生波束故障的概率。

根据又一示例实施例，可以公开一种用于波束故障管理的装置。该装置可以包括部件以用于执行：确定波束故障实例计数器(BFI_counter)，其指示在一时刻在用户设备(UE)处发生的连续波束故障实例的数目，确定UE在该时刻的位置，以及至少基于UE的位置和BFI_counter确定波束故障概率因子，其中波束故障概率因子指示在多个另外的时刻之后在UE的该位置处发生波束故障的概率。

在一个示例实施例中，确定UE在该时刻的位置可以包括：从网络设备接收UE的位置，或者使用射频(RF)指纹识别来确定UE的位置。在另一示例实施例中，使用RF指纹识别，如参考信号接收功率(RSRP)之类的UE无线电测量可以与UE的位置相关。这提供了如下优点，即，消除了UE位置信息从网络设备到UE的传输。

该装置还可以包括部件以用于执行：将波束故障概率因子与波束故障阈值概率beamFailureThresholdProb进行比较，以及如果波束故障概率因子高于beamFailureThresholdProb，则声明波束故障。声明波束故障可以包括部件以用于执行：启动波束恢复过程，特别是用于波束故障恢复的随机接入过程。应当注意，波束故障概率因子可以通过可训练的机器学习(ML)模型确定。针对UE的波束故障的这种声明有助于最小化在启动波束故障恢复的波束恢复过程中的延迟。

根据又一示例实施例，该装置可以是UE并且可以被配置为：从网络设备接收用于激活基于ML的功能的请求，从网络设备接收beamFailureThresholdProb和可训练的ML模型，其中确定UE在该时刻的位置的步骤还可以包括：如果BFI_counter>0，则从网络设备请求和接收UE在该时刻的位置。BFI_counter是通过对UE指示的波束故障实例进行计数来确定的。在一个示例实施例中，BFI_counter可以通过对由UE的一个或多个层指示的波束故障实例进行计数来确定。一个或多个层可以与向网络设备和UE提供无线电资源管理(RRM)服务的媒体访问控制(MAC)层相关联。此外，一个或多个层可以是但不限于诸如物理层的较低层、较高层或MAC层。

根据又一示例实施例，该装置可以是网络设备并且还可以被配置为从UE接收BFI_counter。

根据又一示例实施例，可以公开一种用于训练机器学习(ML)模型的装置。该装置可以包括部件以用于执行：从至少一个用户设备(UE)接收多个UE位置和阈值beamFailureInstanceMaxCount，该阈值指示连续波束故障实例的最大数目，通过利用波束故障概率因子标记包括UE位置和波束故障实例计数器(BFI_counter)的对来确定训练集，其中BFI_counter取1到阈值之间的值，以及使用标记的训练集来训练ML模型。

应当理解，对于每个UE位置和每个波束故障实例计数器BFI_counter，可以至少基于BFI_counter和UE位置来定义波束故障概率因子，特别是波束故障概率因子定义为：

其中beamFailureProb为波束故障概率因子，BFI_COUNTER为波束故障实例计数器，位置(X,Y)为UE位置。在一个示例实施例中，UE位置可以对应于位置(X，Y)周围的区域。

此外，可以训练ML模型以最小化定义波束故障概率因子和波束故障概率之间的关系的损失函数，波束故障概率指示：在针对BFI_counter的给定值的beamFailureInstanceMaxCount个时刻后在UE位置处发生波束故障的概率。

根据又一示例实施例，可以公开一种非瞬态计算机可读介质。该非瞬态计算机可读介质可以包括用于使处理器执行功能的指令，包括确定指示在某个时刻在用户设备(UE)处发生的连续波束故障实例的数目的波束故障实例计数器(BFI_counter)，确定UE在该时刻的位置，以及至少基于UE的位置和BFI_counter确定波束故障概率因子，其中波束故障概率因子指示UE在多个另外的时刻之后在该位置处发生波束故障的概率。

在一个示例实施例中，确定UE在该时刻的位置可以包括：从网络设备接收UE的位置或者使用射频(RF)指纹识别来确定UE的位置。在另一示例实施例中，使用RF指纹识别，例如参考信号接收功率(RSRP)的UE无线电测量可以与UE的位置相关。这提供了如下优点，即，消除了从网络设备到UE的UE位置信息的传输。

此外，非瞬态计算机可读介质包括用于使处理器执行功能的指令，这些功能包括将波束故障概率因子与波束故障阈值概率beamFailureThresholdProb进行比较，并且如果波束故障概率因子高于beamFailureThresholdProb，则声明波束故障。声明波束故障可以包括启动波束恢复过程，特别是用于波束故障恢复的随机接入过程。应当理解，波束故障概率因子可以由可训练的机器学习(ML)模型确定。UE的波束故障的这种声明有助于最小化启动波束故障恢复的波束恢复过程的延迟。

根据另一示例实施例，非瞬态计算机可读介质包括用于使处理器在UE处执行功能的指令。非瞬态计算机可读介质包括用于使处理器执行功能的指令，这些功能包括从网络设备接收用于激活基于ML的功能的请求，从网络设备接收beamFailureThresholdProb和可训练ML模型，其中确定UE在该时刻的位置的步骤还可以包括：如果BFI_counter>0，则从网络设备请求和接收UE在该时刻的位置。BFI_counter是通过对UE指示的波束故障实例计数来确定的。在一个示例实施例中，BFI_counter可以通过对由UE的一个或多个层指示的波束故障实例进行计数来确定。一个或多个层可以与向网络设备和UE提供无线电资源管理(RRM)服务的媒体访问控制(MAC)层相关联。此外，一个或多个层可以是但不限于诸如物理层的较低层、较高层或MAC层。

根据又一示例实施例，非瞬态计算机可读介质包括如下指令，该指令用于使处理器在网络设备处执行功能并且包括从UE接收BFI_counter。

根据又一示例实施例，非瞬态计算机可读介质包括用于使处理器执行功能的指令，这些功能包括：从至少一个用户设备(UE)接收多个UE位置和阈值beamFailureInstanceMaxCount，该阈值指示连续波束故障实例的最大数目；通过用波束故障概率因子标记包括UE位置和波束故障实例计数器(BFI_counter)的对来确定训练集，其中BFI_counter取1和阈值beamFailureInstanceMaxCount之间的值；以及使用标记的训练集来训练ML模型。

应当注意，对于每个UE位置和每个波束故障实例计数器BFI_counter，可以至少基于BFI_counter和UE位置来定义波束故障概率因子，特别地，波束故障概率因子定义为：

其中beamFailureProb为波束故障概率因子，BFI_COUNTER为波束故障实例计数器，位置(X,Y)为UE位置。在一个示例实施例中，UE位置可以对应于位置(X，Y)周围的区域。

此外，可以训练ML模型以最小化定义波束故障概率因子和波束故障概率之间的关系的损失函数，波束故障概率指示：在针对BFI_counter的给定值的beamFailureInstanceMaxCount个时刻后在UE位置处发生波束故障的概率。

总之，根据本文描述的示例性实施例的装置和算法允许主动触发在3GPP TS38.321中规定的随机接入过程。当波束故障迫在眉睫时，将触发具有ML能力的UE(即支持可训练ML模型的UE)的随机接入过程，而不是等待BFI_counter达到预定义的beamFailureInstanceMaxCount。尽管存储ML模型需要大量内存并且运行它们需要额外的计算能力，但这种具有ML能力的UE可以在智能环境中工作。优选地，为了主动声明波束故障，所公开的方法引入了波束故障概率因子，该波束故障概率因子指示波束故障发生在特定UE位置的概率。这样在5G网络中至少基于UE位置历史使用机器学习(ML)或人工智能(AI)模型可以有助于改进波束故障管理。作为ML模型输入的UE位置历史可以有助于确定UE的移动性和轨迹方面。此外，这样的方法和装置在具有深度衰减或易阻塞区域的区域中提供了如下优点，即，使声明波束故障的任何不必要的延迟最小化。此外，UE不等待预定义的连续波束故障。此外，所公开的方法提高了现有方法在UE经常遭受波束故障的位置的性能。如果不使用波束故障概率因子，则UE应等待预定义的beamFailureInstanceMaxCount，这将导致在声明波束故障中的不必要时间延迟。

为了实现前述和相关目的，一个或多个方面包括在下文中充分描述并且在权利要求中特别指出的特征。以下描述和附图详细概述了某些说明性方面，并且仅指示了可以采用这些方面的原理的各种方式中的一些方式。当结合附图考虑时，从以下详细描述中其他优点和新颖特征将变得显而易见，并且所公开的方面旨在包括这些方面及其等价物。

附图说明

本示例实施例的进一步的实施例、细节、优点和修改将从下面结合附图对实施例的详细描述中变得显而易见，其中

图1图示了根据本文描述的主题的示例实施例的用于用户设备(UE)的波束故障管理的装置的网络图。

图2图示了示出根据本文描述的主题的示例实施例的用于UE的波束故障管理的方法的流程图。

图3图示了示出根据本文描述的主题的示例实施例的用于启动波束恢复过程的、用于在用户设备(UE)处进行波束故障管理的方法的高层操作的框图。

图4A和图4B示出了根据本文描述的主题的示例实施例的、用于使用机器学习(ML)模型在用户设备(UE)处进行波束故障管理的方法的流程图。

图4C图示了示出根据本文描述的主题的示例实施例的ML模型推断的框图。

图5图示了示出根据本文描述的主题的示例实施例的用于在网络设备处训练机器学习(ML)模型的方法的流程图。

图6图示了示出根据本文描述的主题的示例实施例的用于在网络设备处训练ML模型并使用训练的ML模型进行推断的方法的框图。

图7图示了根据本文描述的主题的示例实施例的用于实现ML模型的训练的信令图。

图8图示了根据本文描述的主题的示例实施例的示出用于波束故障管理的方法的信令图，其中在用户设备(UE)处执行ML模型推断。

图9图示了根据本文描述的主题的示例实施例的示出用于波束故障管理的方法的信令图，其中在网络设备处执行ML模型推断。

图10图示了根据本文描述的主题的替代实施例的示出用于波束故障管理的方法的信令图，其中在用户设备(UE)处执行基于无线电测量的ML模型推断。

图11图示了根据本文描述的主题的一个示例实施例的图，该图示出了波束故障概率因子根据波束故障实例计数器(BFI_counter)变化的场景。

图12图示了根据本文描述的主题的另一示例实施例的图，该图示出了主动预测波束故障的场景。

图13图示了根据本文描述的主题的另一示例实施例的图，该图示出了用于波束故障管理的方法提供即时增益的场景。

具体实施方式

现在将详细讨论说明其特征的本公开的一些实施例。词语“包括”、“具有”、“包含”和“包括”以及其他形式的词语在含义上是等同的，并且是开放式的，因为这些词语中的任何一个之后的一个或多个项目都不是旨在详尽列出此类项目或项目，或仅限于列出的项目。

还应注意，如本文和所附权利要求中使用的，单数形式“一”、“一个”和“该”包括复数引用，除非上下文另有说明。尽管与本文描述的那些相似或等效的任何装置和方法可以用于本公开的实施例的实践或测试，但是现在描述这些装置和方法。

下文将参考附图更全面地描述本公开的实施例，在附图中相同的数字在多幅图中表示相同的元件，并且在附图中示出了示例性实施例。然而，权利要求的实施例可以以许多不同的形式来体现，并且不应被解释为限于在此阐述的实施例。在此阐述的示例是非限制性示例并且仅仅是其他可能示例中的示例。

通过参考附图的图1至图13来理解本公开的示例实施例及其潜在优点，相同的标号用于各个附图的相同和对应部分。

图1图示了示出根据示例实施例的用于波束故障管理的装置100的网络图。装置100包括经由通信网络(未示出)连接到终端设备104的网络设备102。可以使用选自但不限于以下的至少一种通信技术来实现通信网络：可见光通信(VLC)、全球微波接入互操作性(WiMAX)、长期演进(LTE)、无线局域网(WLAN)、红外(IR)通信、公共交换电话网络(PSTN)、无线电波和任何其他有线和/或无线通信技术。

网络设备102可以是但不限于无线保真(Wi-Fi)接入点、基站、gNb、eNodeB(eNB)或无线电台。网络设备102可以向终端设备104发送信息。在一个示例实施例中，该信息可以与终端设备104的位置有关。此外，网络设备102可以托管模型的训练和学习，这些模型例如但不限于机器学习(ML)模型和深度学习模型。此外，网络设备102可以包括多个天线，网络设备102可以使用放置在不同的方向上的这些天线为终端设备104生成不同的波束。在一个示例实施例中，网络设备102可以是支持5G新无线电(NR)的第三代合作伙伴计划(3GPP)5G下一代基站(gNB或gNodeB)，如图1所示。

此外，网络设备102可以包括处理器(未示出)和存储器(未示出)。处理器包括适当的逻辑、电路和/或接口，它们可用于执行存储在存储器中的指令以执行各种功能。处理器可以执行存储在存储器中的用于波束故障管理的算法。处理器还可以被配置为解码和执行从一个或多个其他电子设备或服务器接收到的任何指令。处理器可以包括一个或多个通用处理器(例如，

或Advanced Micro

(AMD)微处理器)和/或一个或多个专用处理器(例如，数字信号处理器或

片上系统(SOC))现场可编程门阵列(FPGA)处理器)。处理器还可以被配置为执行一个或多个计算机可读程序指令，例如执行描述中描述的任何功能的程序指令。

存储器存储一组指令和数据。此外，存储器包括可由处理器执行以执行特定操作的一个或多个指令。一些常见的已知存储器实现包括但不限于固定(硬盘)驱动器、磁带、软盘、光盘、压缩盘只读存储器(CD-ROM)和磁光盘、半导体存储器，诸如ROM、随机存取存储器(RAM)、可编程只读存储器(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、闪存、磁卡或光卡、云计算平台(例如Microsoft Azure和Amazon Web Services，AWS)或其他类型的适合存储电子指令的媒体/机器可读介质。

终端设备104可以是终端用户直接用于通信的用户设备(UE)。在下文中，终端设备104可以被称为UE 104。在示例实施例中，UE 104对应于智能手机，如图1所示。UE 104可以是但不限于计算机、电话、台式机、个人数字助理(PDA)或膝上型电脑。此外，UE 104可以包括输入或输出接口，例如显示屏、触摸屏、天线和/或麦克风。在一个示例实施例中，触摸屏可以对应于电阻式触摸屏、电容式触摸屏或热式触摸屏中的至少一种。

此外，UE 104可以包括处理器106和存储器108。处理器106包括适当的逻辑、电路和/或接口，其可操作以执行存储在存储器108中的指令以执行各种功能。处理器106可以执行存储在存储器108中的用于波束故障管理的算法。处理器106还可以被配置为解码和执行从一个或多个其他电子设备或服务器接收到的任何指令。处理器106可以包括一个或多个通用处理器(例如，

或Advanced Micro

(AMD)微处理器)和/或一个或多个专用处理器(例如，数字信号处理器或

片上系统(SOC)现场可编程门阵列(FPGA)处理器)。处理器106还可以被配置为执行一个或多个计算机可读程序指令，例如执行描述中描述的任何功能的程序指令。

存储器108存储一组指令和数据。此外，存储器108包括可由处理器106执行以执行特定操作的一个或多个指令。一些常见的已知存储器实现包括但不限于固定(硬盘)驱动器、磁带、软盘、光盘、光盘只读存储器(CD-ROM)和磁光盘、半导体存储器ROM、随机存取存储器(RAM)、可编程只读存储器(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、闪存、磁卡或光卡、云计算平台(例如Microsoft Azure和Amazon Web Services，AWS)或其他类型的适合存储电子指令的媒体/机器可读介质。

对于本领域技术人员明显的是，提供网络设备102和UE 104的上述组件是为了说明目的，而不偏离本公开的范围。

参考图1，网络设备102和UE 104可以使用波束对来彼此通信。波束对可以包括发射器侧波束方向110和对应的接收器侧波束方向112，这共同提供网络设备102和UE 104之间的良好连接性。应当注意，这种通信可以发生在5G网络中，而不脱离本公开的范围。可以在下行链路和上行链路传输方向上建立波束对，例如，当建立连接时，使用由波束管理执行的一组过程和功能。在波束对建立之后，UE 104的移动和旋转以及通信网络中的逐渐变化，可能导致对已建立的波束对的阻挡。因此，对波束对的这种阻挡可能导致波束故障。

图2图示了流程图200，其示出了根据示例实施例的用于UE 104的波束故障管理的方法的高层操作。结合图1来描述图2。

首先，在步骤202，可以确定波束故障实例计数器(BFI_counter)。BFI_counter可以指示在一个时刻UE 104处的连续波束故障实例的数目。随后，在步骤204，可以确定UE104在该时刻的位置。在一示例实施例中，可以从网络设备102接收UE 104的位置。在另一示例实施例中，UE的位置104可以使用射频(RF)指纹来确定。在另一示例实施例中，可以使用RF指纹将如参考信号接收功率(RSRP)之类的UE无线电测量与UE 104的位置相关。UE无线电测量可以是来自服务小区的最佳波束的层1(L1)参考信号接收功率(RSRP)，即，L1-RSRP，或者来自服务小区和相邻小区的L1-RSRP。UE无线电测量的这种使用可以消除从网络设备102接收UE 104的位置的需要。该实施例的另一优点是消除了将UE 104的位置从网络设备102向UE 104的传输。此外，5G NR中的UE无线电测量可由UE 104本地执行。应注意，此类无线电测量可提供无线电测量与UE 104的位置之间的紧密映射。

随后，在步骤206，可以至少基于UE 104的位置和BFI_counter来确定波束故障概率因子。在一个示例实施例中，可以通过可训练的机器学习ML模型来确定波束故障概率因子。此外，波束故障概率因子可以指示在多个另外的时刻之后在UE 104的位置处发生波束故障的概率。随后，在步骤208，可以将波束故障概率因子与波束故障阈值概率beamFailureThresholdProb进行比较。至少基于该比较，如果波束故障概率因子高于beamFailureThresholdProb，则可以在步骤210声明波束故障。在一个示例实施例中，可以将beamFailureThresholdProb设置为非常高的值(即，0.9-1)，以确保仅当ML模型置信度非常高时主动波束恢复过程才开始。此后，可以在步骤212启动波束恢复过程。具体而言，可以启动随机接入过程以用于波束故障恢复。

图3示出了框图300，其示出了根据示例实施例的用于在UE 104处进行波束故障管理的方法的高层操作。图3结合图1而进行描述。根据进一步实施例的用于在UE 104处进行波束故障管理的方法的优选步骤在图4A、图4B和图4C中示出。

首先，在框302，在某一时刻从网络设备102接收UE 104的位置信息。在一个示例实施例中，处理器106可以从网络设备102接收UE 104的位置信息。位置信息可以包括UE 104的位置坐标。此外，在框304，在UE 104处确定BFI_counter。在一个示例实施例中，处理器106可以在UE 104处确定BFI_counter。BFI_counter可以指示在UE 104的位置处的连续波束故障实例的数目。随后，至少基于UE 104在该时刻的位置信息和BFI_counter，可以在框306处确定波束故障概率因子(beamFailureProb)。在一个示例实施例中，可以通过可训练的机器学习(ML)模型来确定beamFailureProb。此外，可以将beamFailureProb与波束故障阈值概率(beamFailureThresholdProb)进行比较。至少基于该比较，如果波束故障概率因子高于beamFailureThresholdProb，则可以声明波束故障。此后，可以在框308启动波束恢复过程。波束恢复过程可以包括用于波束故障恢复的随机接入过程。应当理解，波束恢复过程可以用于在当前波束对中断时恢复网络设备102和UE 104之间的波束连接。

图4A和4B示出了流程图400，其示出了根据示例实施例的使用机器学习(ML)模型在UE 104处进行波束故障管理的方法。结合图4C来对图4A和图4B进行描述。

首先，处理器106可以在步骤402确定是否已经在UE 104接收到波束故障实例指示。在一个示例实施例中，可以从层接收波束故障实例指示(如图4C中的426所示)。这些层(根据IEEE标准)可以描述或控制信息如何在两个实体(在这种情况下是网络设备102和UE104)之间移动。此外，这些层可以与对网络设备102和UE 104提供无线电资源管理(RRM)服务的媒体访问控制(MAC)层相关联。此外，这些层可以是但不限于诸如物理层的较低层，应用层、MAC层、或者较高层。随后，处理器106可以在步骤404确定波束故障实例计数器(BFI_counter)是否等于0。在一种情况下，如果BFI_counter等于0，则处理器106可以在步骤406开始或重新开始beamFailureDetectionTimer。beamFailureDetectionTimer可以指示波束故障检测定时。接着，在步骤408，BFI_counter增加1。在一个示例实施例中，处理器106可以将BFI_counter增加1。

在另一种情况下，如果BFI_counter不等于0，则处理器106可以在步骤408将BFI_counter增加1。接着，在步骤410执行ML模型推断以确定波束故障概率因子(beamFailureProb)。在一个示例实施例中，处理器106可以执行ML模型推断(在图4C中显示为430)以确定beamFailureProb(在图4C中示出为432)。在另一示例实施例中，可以在UE104处执行ML模型推断，以用于声明波束故障。在一示例实施例中，可以至少基于UE 104的位置和BFI_counter来确定beamFailureProb。可以从网络设备102接收UE 104的位置。在另一示例实施例中，可以至少基于UE位置历史和BFI_counter(如图4C中的428所示)来确定beamFailureProb。UE位置历史可以包括在时间t的位置(X，Y)，在时间t-1的位置(X，Y)，在时间t-2的位置(X，Y)，等等。

在又一示例实施例中，对于每组位置(X(t)，Y(t)和X(t-1)，Y(t-1))，可以对应于每个可能的BFI_counter＝[1,2,3,...beamFailureInstanceMaxCount]确定beamFailureProb的向量。beamFailureInstanceMaxCount可以指示连续的束故障实例的最大数目。应当理解，对于相同的位置变量，较高的BFI_counter值可能会得到较大的beamFailureProb。在一个示例实施例中，可以使用诸如监督学习模型的ML模型，其中针对每个位置收集数据并且可以在连续的时刻观察UE 104以确定是否发生UE波束故障。此外，ML模型会利用每个新的波束故障实例来预测beamFailureProb。此外，可以确定UE 104经受波束故障的实例的数目，以计算概率。beamFailureProb可以定义为：

beamFailureProb

＝Pr(在beamFailureInstanceMaxCount个实例后发生波束故障|

假设在位置(X,Y)处BFI_counter＝n)

在ML模型的帮助下，beamFailureProb可以根据UE当前位置和BFI_counter来评估在beamFailureInstanceMaxCount之后发生波束故障的机会。接着，处理器106可以在步骤412确定beamFailureProb是否大于或等于波束故障阈值概率(beamFailureThresholdProb)或者BFI_counter是否大于或等于束故障实例最大计数(beamFailureInstanceMaxCount)。在一种情况下，可以将beamFailureThresholdProb设置为非常高的值(即，0.9-1)，以确保仅当ML模型置信度非常高时主动波束恢复过程才开始。在另一种情况下，可以将beamFailureInstanceMaxCount定义为连续波束故障实例的最大数目的阈值。在一个示例实施例中，可以主动执行这样的条件。以下条件可以定义为：

BFI_COUNTER>＝beamFailureInstanceMaxCount

或者

beamFailureProb>＝beamFailureThresholdProb

在一示例实施例中，在位置(X，Y)，如果由BFI_counter表示的波束故障的连续数目小于beamFailureInstanceMaxCount，则可以确定具有高概率的预测波束故障。此外，(beamFailureInstanceMaxCount-BFI_counter)实例可以预先知道在beamFailureInstanceMaxCount个波束故障实例之后将发生波束故障。

接着，如果满足上述条件，则在步骤414启动随机接入过程。在一个示例实施例中，处理器106可以启动用于波束故障恢复的随机接入过程。应当注意的是，在beamFailureInstanceMaxCount个连续的波束故障之后，可以启动波束恢复过程，即，随机访问过程。beamFailureInstanceMaxCount的这种使用可以确保启动波束恢复过程并防止超出beamFailureInstanceMaxCount的任何延迟。随后，处理器106可在步骤416确定随机接入过程是否成功完成。至少基于该确定，处理器106可在步骤418将BFI_counter设置为零并停止beamFailureRecoveryTimer。此后，在步骤420，波束故障恢复过程成功完成。在一个示例实施例中，可以向UE 104通知波束故障恢复过程的完成。

在另一种情况下，如果不满足上述条件，则在步骤412，处理器106可在步骤422确定beamFailureDetectionTimer是否到期。在一种情况下，如果beamFailureDetectionTimer到期，则处理器106可以在步骤424重置BFI_counter。此后，在步骤402，处理器106可以再次确定是否已经从UE 104的层接收到波束故障实例指示。在另一种情况下，如果波束故障检测定时器没有期满，则处理器106可以直接遵循步骤402。

因此，当前方法的性能以3GPP中的现有解决方案为下限。beamFailureProb的这种使用消除了等待BFI_counter以达到beamFailureInstanceMaxCount的需要。

图5图示了根据示例实施例的流程图500，该流程图500示出了用于在网络设备102处训练机器学习(ML)模型的方法。首先，在步骤502接收多个UE位置和阈值(beamFailureInstanceMaxCount)。可以从至少一个用户设备(UE)104接收多个UE位置和阈值。阈值可以指示连续波束故障实例的最大数目。随后，在步骤504，可以通过利用波束故障概率因子标记包括UE位置和波束故障实例计数器BFI_counter的对来确定训练集。BFI_counter可以取1和阈值之间的值。在一个示例中，在位置(X,Y)处将阈值(beamFailureInstanceMaxCount)设置为10，并且将BFI_counter设置为6，然后通过观察在超过4个时刻之后发生波束故障的次数来确定波束故障概率因子。此外，如果发生波束故障，则波束故障概率因子在该BFI_counter值和位置(X,Y)处增加。需要注意的是，这样的方法可以针对每个采样点位置(X，Y)以及UE位置和BFI_counter的不同值重复，以确定用于训练ML模型的标记训练集。在一个替代实施例中，对于特定位置，可以使用多个UE的波束故障概率因子来训练ML模型。

在一个示例实施例中，ML模型的训练可以使用表1中列出的一个或多个参数来执行。一个或多个参数可以包括但不限于位置X(t)、位置Y(t)、位置X(t-1)、位置Y(t-1)、BFI_counter和标记的输出beamFailureProb。

表1

如表1所示，在训练期间，对于每对当前和过去的位置，即UE位置历史，确定beamFailureProb的beamFailureInstanceMaxCount值。随后，对于相同的当前位置，选择不同的过去位置，然后确定beamFailureProb的beamFailureInstanceMaxCount值。在一个示例实施例中，对于每个UE位置和每个BFI_counter，可以至少基于BFI_counter和UE 104的位置(X，Y)来确定波束故障概率因子。波束故障概率因子可以定义为：

其中，beamFailureProb为波束故障概率因子，BFI_counter为波束故障实例计数器，位置(X,Y)为UE位置。

在一个示例实施例中，UE位置可以对应于UE 104的位置(X，Y)周围的区域。应当注意，标记的训练集可以填充有更多的过去样本，例如X(t-2)，Y(t-2)、X(t-3)、Y(t-3)等，以提高ML模型的准确性，但代价是复杂度很大。此后，在步骤506，可以使用标记的训练集来训练ML模型。应当注意，上述波束故障概率因子的定义仅出于说明目的而提供，并未脱离本公开的范围。

图6示出了根据示例实施例的框图600，其示出了用于训练ML模型和使用训练的ML模型进行推断的方法。结合图3、图4A、图4B、图4C和图5来描述图6。根据进一步的实施例的、用于在UE 104处声明波束故障的方法的优选步骤在图6中示出。

该方法可以在两个阶段执行，即，离线训练阶段和ML模型推断阶段。首先，可以在网络设备102处执行离线训练阶段，其中信息包括：ML模型输入，例如但不限于UE位置历史(示出为602)和BFI_counter(示出为604)，以及ML模型输出，诸如beamFailureProb(示出为606)。该信息可以作为ML模型训练(示出为608示)的输入提供。作为ML模型输入的UE位置历史(示出为602)可能有助于确定UE 104的移动性和轨迹方面。随后，可以如上所述，通过利用波束故障概率因子标记包括UE位置和波束故障实例计数器BFI_counter的对来确定训练集1。BFI_counter可以取1和阈值之间的值。此后，可以至少基于ML模型输入和ML模型输出来训练ML模型，以获得经过训练的ML模型。

随后，经过训练的ML模型可用于推断(示出为610)以及ML模型输入，例如UE位置历史(示出为602)和BFI_counter(示出为604)。至少基于UE位置历史(示出为602)、BFI_counter(示为604)和训练的ML模型，可以确定波束故障概率因子(beamFailureProb)(示出为612)。此后，beamFailureProb(示出为612)可用于波束故障管理。应当注意，beamFailureProb(示出为612)可用于训练ML模型(示出为608)，并且可能有助于优化波束故障管理。因此，可以训练这种ML模型以使得建议的决策与实际的波束故障事件和在等待beamFailureInstanceMaxCount个连续波束故障之前做出的波束故障声明之间的误差最小化。

在一个示例实施例中，可以训练ML模型以最小化定义波束故障概率因子和波束故障概率之间的关系的损失函数。波束故障概率可以指示在针对BFI_counter的给定值的beamFailureInstanceMaxCount个时刻之后在UE位置处发生波束故障的概率。此后，训练的ML模型可用于推断，其中beamFailureProb可根据UE位置历史和BFI_counter进行推断。损失函数可以包括但不限于最小均方误差(MSE)或熵。特别地，MSE函数可以定义为：

其中y是beamFailureProb，y^p是在一观测点t在某个位置(X,Y)发生波束故障的概率。

随后，可以将beamFailureProb与波束故障阈值概率(beamFailureThresholdProb)进行比较。可以在UE 104处配置beamFailureThresholdProb。此外，可以在训练阶段优化beamFailureThresholdProb的值。在一个示例实施例中，非常高的beamFailureThresholdProb的值可以最小化所公开方法的增益，并且非常低的值可以增加错误的波束故障指示。随后，如果波束故障概率因子高于波束故障阈值概率beamFailureThresholdProb，则可以声明波束故障并且可以启动波束恢复过程，而不管BFI_counter值如何。应当注意的是，这种与BFI计数器的独立性可以在波束故障对大多数UE发生过于频繁的区域提供主动波束故障声明，并且等待beamFailureInstanceMaxCount会导致启动波束恢复过程的延迟。因此，使用基于ML的方法提供主动波束故障声明并触发波束恢复过程，以便识别和建立用于网络设备102和UE 104之间通信的新的波束对。

在一示例实施例中，用于在UE 104处的ML辅助波束故障管理的伪代码如下给出：

如果从较低层接收到波束故障实例指示：

如果BFI_counter＝0

开始beamFailureDetectionTimer；

BFI_counter＝BFI_counter+1；

beamFailureProb＝ML(UE位置，BFI_counter)

如果beamFailureProb>＝beamFailureThresholdProb或BFI_counter>＝beamFailureInstanceMaxCount；

启动随机访问过程。

应当注意的是，上面提到的UE位置历史和BFI_counter作为ML辅助波束故障声明的输入，仅用于说明目的。在另一示例实施例中，如果诸如但不限于无线电传播相关参数之类的其他信息提高了波束故障声明的概率，则可以将其他信息添加到输入特征，而不背离本公开的范围。此外，在经过训练的ML模型推断出beamFailureProb并且beamFailureProb大于beamFailureThresholdProb之后，将声明一个波束故障，而不是等待beamFailureInstanceMaxCount个波束故障实例。

图7图示了根据示例实施例的用于实现ML模型的训练的信令图700。首先，当BFI_counter大于零时，UE 104可以在步骤702将BFI_counter的值发送到网络设备102，即，gNB102。应当注意，ML模型的训练可以在gNB 102处执行。此外，可以将UE位置信息，即，UE 104的位置数据和BFI_counter，组合为特征向量。UE 104的位置数据可以是在gNB 102处可获得的。在一个示例实施例中，UE位置信息可以是从最小化路测(MDT)跟踪可获得的。此外，为了标记位置数据，如果BFI_counter正在增加，则可能需要针对多个实例观察UE 104，然后在步骤704由UE 104启动波束恢复过程。在一个示例实施例中，如果BFI_counter在达到beamFailureInstanceMaxCount之前被重置，则与UE 104相关联的位置数据可以被标记为零以对beamFailureProb进行计数。需要注意的是，当BFI_counter大于零时，可以将BFI_counter连续发送给gNB 102。

图8图示了根据示例实施例的示出用于波束故障管理的方法的信令图800，其中ML模型推断在UE 104处执行并且在UE 104处托管。首先，UE 104可以向无线电接入网络(RAN)和核心网络公开基于ML的辅助能力和功能。随后，UE 104可以在步骤802从gNB 104接收用于激活基于ML的功能的请求。随后，在步骤804，UE 104可以至少基于UE-ML处理资源可用性或无线电测量/条件检测来对该请求做出响应，指示所请求的基于ML的功能是否可以被使用。应当注意，UE 104的基于ML的辅助能力和功能以及对应的推断报告可以由网络设备102(即，进行服务的gNB 102)激活。接着，在步骤806，gNB 102可以将训练的ML模型传送到UE104并且可以配置UE 104中的beamFailureThresholdProb。接着，可以将训练的ML模型存储在UE 104中。

随后，在步骤808，当BFI_counter>0时，UE 104可以从gNB 102请求UE位置，并且可以执行推断。接着，在步骤810，当BFI_counter>0时，UE 104可以从gNB 102请求UE位置。接着，在步骤812，UE 104可以在该时刻接收UE当前位置(X，Y)。接着，UE 104可以至少基于UE当前位置(X，Y)和BFI_counter来执行ML模型推断。随后，UE 104可以检查是否满足条件。条件可以是beamFailureProb是否高于波束故障阈值概率(beamFailureThresholdProb)或者BFI_counter是否大于或等于波束故障实例最大计数(beamFailureInstanceMaxCount)。该条件被定义为：

如果BFI_COUNTER>＝beamFailureInstanceMaxCount

或者

beamFailureProb>＝beamFailureThresholdProb

此后，如果条件得到满足，UE 104可以在步骤814启动波束故障恢复。

图9图示了根据示例实施例的示出用于波束故障管理的方法的信令图900，其中ML模型推断在网络设备即gNB 102处执行。首先，在步骤902，gNB 102可以从UE 104接收BFI_counter。应当注意，每当BFI_counter递增时，UE 104可以向gNB 102发送与BFI_counter相关的信息。接着，gNB 102可以在步骤904至少基于UE位置信息和BFI_counter来执行ML模型推断。此后，gNB 102可以在步骤906触发波束恢复过程。应当注意，UE 104不做出明示的请求。在网络设备102(即，网络侧，gNB)处执行ML模型推断的这种实现提供了诸多优点，这些优点例如但不限于UE 104不需要具有基于ML的辅助能力，gNB 102不需要向UE 104发送位置信息，并且网络执行ML模型推断并在需要时立即开始波束恢复，而无需等待来自UE 104的波束恢复请求。

对于本领域的技术人员来说，深度学习ML模型可以用于训练和推断目的是明显的，但是这种用于波束故障管理的方法可以不限于使用任何特定的ML模型和输入特征。在一个示例中，强化学习可以被用作有效的ML算法。类似地，可以使用其他UE输入特征来更好地预测波束故障的概率。当概率函数可以快速预测在几个初始波束故障实例之后，波束故障的概率不会发生太大变化时，这种是对于概率函数使用“软”连续信息，而不是在beamFailureInstanceMaxCount波束故障实例之后做出硬决策。

图10图示了根据示例实施例的示出用于波束故障管理的方法的信令图1000，其中在UE 104处执行基于无线电测量的ML模型推断。首先，在步骤1002，UE 104可以从gNB 102接收激活基于ML的功能的请求。随后，在步骤1004，UE 104可以至少基于UE-ML处理资源的可用性或无线电测量/条件检测来对该请求做出响应，指示所请求的基于ML的功能是否可以被使用。接着，在步骤1006，gNB 102可以将训练的ML模型传输到UE 104并且可以在UE104中配置beamFailureThresholdProb。

随后，在步骤1008，当BFI_counter>0时，UE 104可以使用本地无线电测量(即，UE无线电测量)来执行ML模型推断。UE无线电测量可以是来自服务小区的最佳波束的层1(L1)参考信号接收功率(RSRP)，即，L1-RSRP，或来自服务和相邻小区的L1-RSRP。在一个示例实施例中，可以使用基于射频(RF)指纹的方法，其中与UE位置相关的无线电测量用于确定UE104的位置。此外，5G NR中的无线电测量可以由UE 104本地执行。应当注意，这些无线电测量可以提供无线电测量与UE 104的位置之间的紧密映射。随后，UE无线电测量可以被用于确定波束故障概率因子。随后，UE 104可以检查条件是否满足。条件可以是beamFailureProb是否高于波束故障阈值概率(beamFailureThresholdProb)或者BFI_counter是否大于或等于波束故障实例最大计数(beamFailureInstanceMaxCount)。该条件被定义为：

如果BFI_COUNTER>＝beamFailureInstanceMaxCount

或者

beamFailureProb>＝beamFailureThresholdProb

此后，如果条件满足，UE 104可以在步骤814启动波束故障恢复。UE无线电测量的这种使用消除了从gNB 102接收UE位置信息的需要。该实施例的另一优点是gNB 102不再需要向UE 104发送位置信息以确定波束故障概率因子。

图11图示了根据示例实施例的示出如下场景的曲线图1100，在该场景中波束故障概率因子根据波束故障实例计数器(BFI_counter)而变化。在图1100中，一条线(由1102所示)表示3GPP中的线性概率增加，一条线(由1104所示)表示可能的概率函数，一条线(由1106所示)表示beamFailureThresholdProb。首先，beamFailureInstanceMaxCount配置为10，而beamFailureThresholdProb配置为95％。图1100进一步示出了根据BFI_counter的、假设的beamFailureThresholdProb，其中UE 104缓慢移动并且在每个波束故障实例之后连续执行推断。应当注意的是，随着BFI_counter的每次递增，波束故障检测的概率会线性增加1/beamFailureInstanceMaxCount。对于特定情况，beamFailureProb可以单调增加但不会迅速增加，如图1100所示。在这种情况下，beamFailureProb仅在第10个连续的波束故障实例中大于beamFailureThresholdProb，因此，基于ML的检测没有改善波束故障声明。这种场景可能是用于训练ML模型的信息较少的地理区域的示例，或者环境相当稳定且波束故障不是很常见。

图12图示了根据示例实施例的示出了主动预测波束故障的场景的图1200。在图1200中，一条线(由1202所示)代表3GPP中的线性概率增加，一条线(由1204所示)代表可能的概率函数，一条线(由1206所示)代表beamFailureThresholdProb。起初，在连续两次失效后，根据位置(X1,Y1)和等于4的BFI_counter，ML模型预测波束故障概率因子接近40％。此外，在下一次故障之后，根据新位置(X2,Y2)和等于5的BFI_counter，ML模型预测beamFailureProb为75％。应当注意的是，在第6次实例之后，beamFailureProb达到98％。由于第6个实例的beamFailureProb值具有较高值，因此在连续10个波束故障实例后将发生波束故障，即无需等待10个故障实例。此后，波束恢复过程提前4个实例启动。这样的实现可以是具有广泛阻塞的地理区域的示例，其中大多数UE遭受波束故障并且其他UE的过去经验可以有助于预测波束故障。

图13示出了曲线图1300，其示出了根据示例实施例的用于波束故障管理的方法提供即时收益的场景。在图表1300中，一条线(由1302所示)代表3GPP中的线性概率增加，一条线(由1304所示)代表可能的概率函数，一条线(由1306所示)代表beamFailureThresholdProb。首先，在位置(X1,Y1)，如果BFI_counter很小，则beamFailureProb不会增加太多。此外，如果BFI_counter很大，则beamFailureProb会迅速增加。如果某个位置的阻塞不是很大，就会发生这种情况。在一种情况下，如果BFI_counter很小，则预计UE 104将很快克服该阻塞并且不需要波束恢复。在另一种情况下，当BFI_counter在位置(X1，Y1)处较大时，则来自ML模型的非常高的概率预测UE 104将无法在beamFailureInstanceMaxCount之前克服阻塞。此后，启动波束恢复过程。需要注意的是，beamFailureInstanceMaxCount和BFI_counter可能不是很大，但其可以有助于减少波束恢复过程中的延迟。

应当注意，所公开的方法可以在5G新无线电(NR)中提供主动波束故障检测。所公开的方法不是等待beamFailureInstanceMaxCount个实例，而是预测在beamFailureInstanceMaxCount个实例之后将发生波束故障的概率。beamFailureInstanceMaxCount在UE 104中被配置为固定值并且UE波束故障检测。此外，使用根据其他UE的历史和环境的基于ML的智能预测，可以实现延迟增益。此外，所公开的方法促进了针对在具有大量可预测阻塞的区域中运行延迟受限服务的UE 104的及时数据传送。此外，主动波束故障检测有助于时间敏感的服务开始UE波束恢复，而无需等待N个连续的波束故障事件，因此有助于维持UE 104的连接性。

本公开的实施例可以作为计算机程序产品提供，该计算机程序产品可以包括其上有形地体现指令的计算机可读介质，该指令可以用于对计算机(或其他电子设备)进行编程以执行过程。计算机可读介质可以包括但不限于固定(硬盘)驱动器、磁带、软盘、光盘、光盘只读存储器(CD-ROM)和磁光盘、半导体存储器、例如ROM、随机存取存储器(RAM)、可编程只读存储器(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、闪存、磁卡或光卡或其他类型的介质/机器可读适合存储电子指令的介质(例如，计算机编程代码，如软件或固件)。此外，本公开的实施例还可以作为一个或多个计算机程序产品下载，其中程序可以通过包含在载波或其他传播介质中的数据信号经由通信链路(例如，调制解调器或网络连接)从远程计算机传输到请求计算机。

本申请的具体实施方式部分应当说明方法步骤的顺序并不重要。这样的引用稍后将支持方法声明中的步骤顺序不是关键或固定的论点。关于一个实施例描述和/或图示的特征可以以相同方式或以类似方式用于一个或多个其他实施例中和/或与其他实施例的特征组合或代替其他实施例的特征。

尽管已经说明和描述了上述实施例，但如上所述，在不脱离示例实施例的精神和范围的情况下可以做出许多改变。例如，本文公开的主题的方面可以在替代操作系统上采用。因此，示例实施例的范围不受实施例的公开限制。相反，示例实施例应当完全通过参考所附权利要求来确定。

Claims (17)

1.一种用于用户设备UE(104)的波束故障管理的方法，所述方法包括：

确定波束故障实例计数器BFI_counter，其指示在一时刻在用户设备UE(104)处发生的连续波束故障实例的数目；

确定所述用户设备UE(104)在所述时刻的位置；以及

至少基于所述用户设备UE(104)的所述位置和所述波束故障实例计数器BFI_counter来确定波束故障概率因子，其中所述波束故障概率因子指示在多个另外的时刻之后在所述用户设备UE(104)的所述位置处发生波束故障的概率。

2.根据权利要求1所述的方法，其中确定所述用户设备UE(104)在所述时刻的所述位置包括：从网络设备(102)接收所述用户设备UE(104)的所述位置，或者使用射频RF指纹来确定用户设备UE(104)的所述位置。

3.根据权利要求1或2所述的方法，还包括：将所述波束故障概率因子与波束故障阈值概率beamFailureThresholdProb进行比较，以及如果所述波束故障概率因子高于所述波束故障阈值概率beamFailureThresholdProb，声明波束故障。

4.根据前述权利要求中任一项所述的方法，其中所述声明所述波束故障包括：启动波束恢复过程，特别是用于波束故障恢复的随机接入过程。

5.根据前述权利要求中任一项所述的方法，其中所述波束故障概率因子通过可训练的机器学习ML模型确定。

6.根据权利要求5所述的方法，其中所述方法在用户设备UE(104)处执行，并且还包括步骤：

从所述网络设备(102)接收用于激活基于ML的功能的请求；以及

从所述网络设备(102)接收所述波束故障阈值概率beamFailureThresholdProb和所述可训练的ML模型，

其中确定所述用户设备UE(104)在所述时刻的所述位置的所述步骤包括：如果所述波束故障实例计数器BFI_counter>0，从所述网络设备(102)请求和接收所述用户设备UE(104)在所述时刻的所述位置。

7.根据权利要求6所述的方法，其中所述波束故障实例计数器BFI_counter是通过对由所述用户设备UE(104)指示的波束故障实例进行计数来确定的。

8.根据权利要求5所述的方法，其中所述方法在所述网络设备(102)处执行，并且所述波束故障实例计数器BFI_counter是从所述用户设备UE(104)接收的。

9.一种用于在网络设备(102)处训练机器学习ML模型的方法，所述方法包括：

从至少一个用户设备UE(104)接收多个UE位置和阈值beamFailureInstanceMaxCount，所述阈值指示连续波束故障实例的最大数目；

通过利用波束故障概率因子标记包括UE位置和波束故障实例计数器BFI_counter的对，来确定训练集，其中所述波束故障实例计数器BFI_counter取1与所述阈值beamFailureInstanceMaxCount之间的值；以及

使用标记的所述训练集来训练所述ML模型。

10.根据权利要求9所述的方法，其中对于每个UE位置和每个波束故障实例计数器BFI_counter，至少基于所述波束故障实例计数器BFI_counter和所述UE位置来定义所述波束故障概率因子，特别地，所述波束故障概率因子定义为：

其中beamFailureProb为波束故障概率因子，BFI_counter为波束故障实例计数器，并且位置(X,Y)为所述UE位置。

11.根据权利要求9和10中任一项所述的方法，其中所述机器学习ML模型被训练以最小化损失函数，所述损失函数定义所述波束故障概率因子和波束故障概率之间的关系，所述波束故障概率指示对于所述波束故障实例计数器BFI_counter的给定值而言在beamFailureInstanceMaxCount个时刻之后在所述UE位置发生波束故障的概率。

12.一种装置，包括部件以用于执行：

确定波束故障实例计数器BFI_counter，其指示在一时刻在用户设备UE(104)处发生的连续波束故障实例的数目；

确定所述用户设备UE(104)在所述时刻的位置；以及

至少基于所述用户设备UE(104)的所述位置和所述波束故障实例计数器BFI_counter来确定波束故障概率因子，其中所述波束故障概率因子指示在多个另外的时刻之后在所述用户设备UE(104)的所述位置处发生波束故障的概率。

13.根据权利要求12所述的装置，其中确定所述用户设备UE(104)在所述时刻的所述位置包括：从网络设备(102)接收所述用户设备UE(104)的所述位置，或者使用射频(RF)指纹确定所述用户设备UE(104)的所述位置。

14.根据权利要求12所述的装置，其中所述装置是所述用户设备UE(104)，并且还被配置为：

从所述网络设备(102)接收用于激活基于机器学习ML的功能的请求；以及

从所述网络设备(102)接收波束故障阈值概率和可训练的机器学习ML模型，

其中确定所述用户设备UE(104)在所述时刻的所述位置的所述步骤包括：如果所述波束故障实例计数器BFI_counter>0，从所述网络设备(102)请求和接收所述用户设备UE(104)在所述时刻的所述位置。

15.根据权利要求12所述的装置，其中所述装置是所述网络设备(102)，并且还被配置为从所述用户设备UE(104)接收所述波束故障实例计数器BFI_counter。

16.一种用于训练机器学习ML模型的装置，包括部件以用于执行：

从至少一个用户设备UE(104)接收多个UE位置和阈值beamFailureInstanceMaxCount，所述阈值指示连续波束故障实例的最大数目；

通过利用波束故障概率因子标记包括UE位置和波束故障实例计数器BFI_counter的对，来确定训练集，其中所述波束故障实例计数器BFI_counter取1与所述阈值之间的值；以及

使用标记的所述训练集来训练所述ML模型。

17.根据权利要求16所述的装置，还被配置为：执行权利要求10和权利要求11中任一项所述的步骤。

Images