CN116325870A - 用于管理ml处理模型的方法和装置 - Google Patents
用于管理ml处理模型的方法和装置 Download PDFInfo
- Publication number
- CN116325870A CN116325870A CN202080105937.9A CN202080105937A CN116325870A CN 116325870 A CN116325870 A CN 116325870A CN 202080105937 A CN202080105937 A CN 202080105937A CN 116325870 A CN116325870 A CN 116325870A
- Authority
- CN
- China
- Prior art keywords
- processing model
- version
- machine learning
- model
- wireless network
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 203
- 238000000034 method Methods 0.000 title claims description 115
- 238000010801 machine learning Methods 0.000 claims abstract description 294
- 238000004891 communication Methods 0.000 claims description 71
- 230000008569 process Effects 0.000 claims description 37
- 238000005259 measurement Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 description 35
- 238000010586 diagram Methods 0.000 description 20
- 238000007726 management method Methods 0.000 description 19
- 230000001413 cellular effect Effects 0.000 description 17
- 230000005540 biological transmission Effects 0.000 description 16
- 230000005477 standard model Effects 0.000 description 12
- 230000011664 signaling Effects 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 7
- 239000000969 carrier Substances 0.000 description 7
- 230000006837 decompression Effects 0.000 description 6
- 238000007906 compression Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000003826 tablet Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
- H04W8/24—Transfer of terminal data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H04L41/0806—Configuration setting for initial configuration or provisioning, e.g. plug-and-play
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/07—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail characterised by the inclusion of specific contents
- H04L51/18—Commands or executable codes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/12—Arrangements for detecting or preventing errors in the information received by using return channel
- H04L1/16—Arrangements for detecting or preventing errors in the information received by using return channel in which the return channel carries supervisory signals, e.g. repetition request signals
- H04L1/18—Automatic repetition systems, e.g. Van Duuren systems
- H04L1/1812—Hybrid protocols; Hybrid automatic repeat request [HARQ]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/58—Message adaptation for wireless communication
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
UE可以向无线网络指示支持ML处理模型的一个或多个版本的能力,并且无线网络的无线网络实体可以将UE配置为应用由UE支持的ML处理模型的版本。来自UE的指示可以指示支持跨越多个无线网络是公共的ML处理模型的第一版本和ML处理模型的至少一个替代版本(诸如特定于网络的版本)中的一项或多项的能力。无线网络实体可以配置由UE支持的特定于网络的机器学习模型的特定于网络的算法结构或一个或多个权重中的至少一项。
Description
技术领域
概括而言,本公开内容涉及通信系统,并且更具体地,本公开内容涉及用于用户设备(UE)与基站之间的无线通信的方法和装置。
背景技术
无线通信系统被广泛地部署以提供诸如电话、视频、数据、消息传送和广播的各种电信服务。典型的无线通信系统可以采用能够通过共享可用的系统资源来支持与多个用户的通信的多址技术。这样的多址技术的示例包括码分多址(CDMA)系统、时分多址(TDMA)系统、频分多址(FDMA)系统、正交频分多址(OFDMA)系统、单载波频分多址(SC-FDMA)系统和时分同步码分多址(TD-SCDMA)系统。
已经在各种电信标准中采用这些多址技术,以提供使不同的无线设备能够在城市、国家、地区以及甚至全球级别进行通信的公共协议。示例电信标准是5G新无线电(NR)。5G NR是由第三代合作伙伴(3GPP)发布的连续移动宽带演进的一部分,以满足与延时、可靠性、安全性、可扩展性(例如,与物联网(IoT)一起)相关联的新要求以及其它要求。5G NR包括与增强型移动宽带(eMBB)、大规模机器类型通信(mMTC)和超可靠低时延通信(URLLC)相关联的服务。5G NR的一些方面可以是基于4G长期演进(LTE)标准的。存在对5G NR技术的进一步改进的需求。这些改进还可以适用于其它多址技术以及采用这些技术的电信标准。
发明内容
下文给出了对一个或多个方面的简要概述,以便提供对这样的方面的基本理解。该概述不是全部预期方面的广泛综述,以及既不旨在标识全部方面的关键或重要元素,也不旨在描绘任何或全部方面的范围。其唯一目的是以简化形式给出一个或多个方面的一些概念,作为稍后给出的更详细描述的前序。
在本公开内容的一个方面中,提供了一种无线通信的方法。用户设备(UE)处的无线通信的方法可以包括:向无线网络指示支持ML处理模型的一个或多个版本的能力;以及从所述无线网络接收配置以应用由所述UE支持的所述ML处理模型的版本。
在本公开内容的另一方面中,提供了一种无线通信的装置。用于UE处的无线通信的装置可以包括:用于向无线网络指示支持ML处理模型的一个或多个版本的能力的单元;以及用于从所述无线网络接收配置以应用由所述UE支持的所述ML处理模型的版本的单元。
在本公开内容的另一方面中,提供了一种无线通信的装置。用于UE处的无线通信的装置可以包括存储器和至少一个处理器,所述至少一个处理器耦合到所述存储器并且被配置为:向无线网络指示支持ML处理模型的一个或多个版本的能力;以及从所述无线网络接收配置以应用由所述UE支持的所述ML处理模型的版本。
在本公开内容的另一方面中,提供了一种存储用于UE处的无线通信的计算机可执行代码的计算机可读介质。所述计算机可读介质在UE处存储计算机可执行代码,所述代码在由处理器执行时可以使得所述处理器进行以下操作:向无线网络指示支持ML处理模型的一个或多个版本的能力;以及从所述无线网络接收配置以应用由所述UE支持的所述ML处理模型的版本。
在本公开内容的一个方面中,提供了一种无线通信的方法。无线网络实体处的无线通信的方法可以包括:从UE接收对支持ML处理模型的一个或多个版本的能力的指示;以及将所述UE配置为应用由所述UE支持的所述ML处理模型的版本。
在本公开内容的另一方面中,提供了一种无线通信的装置。用于无线网络实体处的无线通信的装置可以包括:用于从UE接收对支持ML处理模型的一个或多个版本的能力的指示的单元;以及用于将所述UE配置为应用由所述UE支持的所述ML处理模型的版本的单元。
在本公开内容的另一方面中,提供了一种无线通信的装置。用于无线网络实体处的无线通信的装置可以包括存储器和至少一个处理器,所述至少一个处理器耦合到所述存储器并且被配置为:从UE接收对支持ML处理模型的一个或多个版本的能力的指示;以及将所述UE配置为应用由所述UE支持的所述ML处理模型的版本。
在本公开内容的另一方面中,提供了一种存储用于无线网络实体处的无线通信的计算机可执行代码的计算机可读介质。所述计算机可读介质在无线网络实体处存储计算机可执行代码,所述代码在由处理器执行时可以使得所述处理器进行以下操作:从用户设备(UE)接收对支持ML处理模型的一个或多个版本的能力的指示;以及将所述UE配置为应用由所述UE支持的所述ML处理模型的版本。
为了实现前述目的和相关目的,一个或多个方面包括下文中充分地描述以及在权利要求中特别指出的特征。下文的描述和附图详细阐述了一个或多个方面的某些说明性的特征。然而,这些特征指示在其中可以采用各个方面的原理的各个方式中的仅一些方式,以及该描述旨在包括全部这样的方面以及其等效物。
附图说明
图1是示出无线通信系统和接入网络的示例的图。
图2A是示出根据本公开内容的各个方面的第一帧的示例的图。
图2B是示出根据本公开内容的各个方面的子帧内的DL信道的示例的图。
图2C是示出根据本公开内容的各个方面的第二帧的示例的图。
图2D是示出根据本公开内容的各个方面的子帧内的UL信道的示例的图。
图3是示出接入网络中的基站和用户设备(UE)的示例的图。
图4A和4B示出了包括ML处理模型的无线通信的示例。
图5示出了无线通信的示例。
图6A、6B和6C示出了ML处理模型的应用的示例。
图7是无线通信的呼叫流程图。
图8是无线通信的方法的流程图。
图9是示出用于示例装置的硬件实现的示例的图。
图10是无线通信的方法的流程图。
图11是示出用于示例装置的硬件实现的示例的图。
具体实施方式
下文结合附图阐述的具体实施方式旨在作为对各个配置的描述,而不旨在表示在其中可以实践本文所描述的概念的唯一配置。出于提供对各个概念的全面理解的目的,具体实施方式包括特定细节。然而,对于本领域技术人员来说将显而易见的是,可以在没有这些特定细节的情况下实践这些概念。在一些实例中,以框图的形式示出了公知的结构和组件,以便避免使这样的概念模糊。
现在将参考各种装置和方法来给出电信系统的若干方面。这些装置和方法将在下文的具体实施方式中进行描述,以及在附图中通过各个框、组件、电路、过程、算法等(被统称为“元素”)来示出。可以使用电子硬件、计算机软件或者其任何组合来实现这些元素。这样的元素是实现成硬件还是软件,取决于特定应用和施加到整个系统上的设计约束。
举例来说,元素、或元素的任何部分或元素的任何组合可以实现为包括一个或多个处理器的“处理系统”。处理器的示例包括微处理器、微控制器、图形处理单元(GPU)、中央处理单元(CPU)、应用处理器、数字信号处理器(DSP)、精简指令集计算(RISC)处理器、片上系统(SoC)、基带处理器、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、状态机、门控逻辑、分立硬件电路以及被配置为执行遍及本公开内容描述的各种功能的其它合适的硬件。处理系统中的一个或多个处理器可以执行软件。无论是被称为软件、固件、中间件、微代码、硬件描述语言或者其它名称,软件都应当被广泛地解释为意指指令、指令集、代码、代码段、程序代码、程序、子程序、软件组件、应用、软件应用、软件包、例程、子例程、对象、可执行文件、执行的线程、过程、函数等。
相应地,在一个或多个示例中,可以在硬件、软件或者其任何组合中实现所描述的功能。如果在软件中实现,则功能可以作为一个或多个指令或代码来在计算机可读介质上进行存储或者编码。计算机可读介质包括计算机存储介质。存储介质可以是可以由计算机存取的任何可用介质。通过举例而非限制的方式,这样的计算机可读介质可以包括随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程ROM(EEPROM)、光盘存储器、磁盘存储器、其它磁存储设备、上述类型的计算机可读介质的组合、或者能够用于以指令或数据结构的形式存储能够由计算机访问的计算机可执行代码的任何其它介质。
无线网络中的UE可以接收测量信息或者可以执行测量。例如,UE可以从一个或多个传感器接收数据。UE可以包括传感器和/或可以从远程传感器接收和处理数据。另外或替代地,UE可以执行各种无线通信测量(例如,信道质量测量、干扰测量、小区测量)。UE可以具有基于机器学习来处理传感器数据和/或测量数据以向无线网络提供指示或输出的能力。机器学习应用的一个示例可以用于特定区域或特定条件下(例如,在高速列车上)的切换测量。
由UE应用的机器学习可以是基于模型的,并且可以通过无线网络为UE配置该模型。该模型可以包括由网络为UE配置的算法结构和/或权重。在一些示例中,可以存在多个模型,其中任何模型可以由网络配置以供UE应用。可能存在对于多个网络而言是公共的第一模型,并且可能存在一个或多个替代模型。在一个示例中,第一模型对于多个网络运营商而言可以是公共的,并且替代模型可以是特定于特定网络运营商的。在一些示例中,公共模型可以是用于特定应用的更通用的模型,并且可以不是针对特定网络进行优化的。替代机器处理模型可以包括改进对于对应网络的处理的算法结构和/或参数。对于高速列车上的UE的切换应用的示例,公共模型可以提供可以应用于不同UE和不同网络的基线模型。相反,在一个示例中,特定于网络运营商的模型可以包括提高UE针对该特定网络的切换性能的算法结构和/或权重。
如本文所给出的,UE可以向网络提供能力信息,其指示UE是否支持公共模型和/或一个或替代模型。在一些示例中,替代模型可以是特定于网络的。本文给出的概念不限于特定于网络的机器学习模型或特定于运营商的机器学习模型,并且也可以应用于替代模型的其它场景。UE可以向网络指示所支持的模型、模型的版本和/或公共陆地移动网络(PLMN)标识(ID)。网络可以基于UE能力来将UE配置为应用机器学习模型。例如,如果UE支持公共模型但不支持替代模式,则网络可以将UE配置为应用公共机器学习模型。如果UE支持特定于网络的机器学习模型的一个或多个版本,则网络可以从所支持的版本中进行选择,以便将UE配置为应用特定于网络的机器学习模型。在一些示例中,替代机器学习模型可以是特定于特定网络运营商的。
图1是示出无线通信系统和接入网络100的示例的图。无线通信系统(还被称为无线广域网(WWAN))包括基站102、UE 104、演进分组核心(EPC)160、以及另一核心网络190(例如,5G核心(5GC))。基站102可以包括宏小区(高功率蜂窝基站)和/或小型小区(低功率蜂窝基站)。宏小区包括基站。小型小区包括毫微微小区、微微小区和微小区。
被配置用于4G LTE(被统称为演进的通用移动电信系统(UMTS)陆地无线接入网(E-UTRAN))的基站102可以通过第一回程链路132(例如,S1接口)来与EPC 160对接。被配置用于5G NR(被统称为下一代RAN(NG-RAN))的基站102可以通过第二回程链路184来与核心网190对接。除了其它功能之外,基站102还可以执行以下功能中的一个或多个功能:用户数据的传输、无线信道加密和解密、完整性保护、报头压缩、移动性控制功能(例如,切换、双连接)、小区间干扰协调、连接建立和释放、负载均衡、针对非接入层(NAS)消息的分发、NAS节点选择、同步、无线接入网络(RAN)共享、多媒体广播多播服务(MBMS)、用户和设备追踪、RAN信息管理(RIM)、寻呼、定位和对警告消息的传递。基站102可以在第三回程链路134(例如,X2接口)上彼此直接或间接地(例如,通过EPC 160或核心网190)通信。第一回程链路132、第二回程链路184和第三回程链路134可以是有线的或无线的。
基站102可以与UE 104进行无线通信。基站102中的每个基站102可以针对相应的地理覆盖区域110提供通信覆盖。可以存在重叠的地理覆盖区域110。例如,小型小区102'可以具有与一个或多个宏基站102的覆盖区域110重叠的覆盖区域110'。包括小型小区和宏小区两者的网络可以被称为异构网络。异构网络还可以包括家庭演进型节点B(eNB)(HeNB),HeNB可以向被称为封闭用户分组(CSG)的受限制组提供服务。在基站102与UE 104之间的通信链路120可以包括从UE 104到基站102的上行链路(UL)(还被称为反向链路)传输和/或从基站102到UE 104的下行链路(DL)(还被称为前向链路)传输。通信链路120可以使用多输入多输出(MIMO)天线技术,其包括空间复用、波束成形和/或发射分集。通信链路可以是通过一个或多个载波的。基站102/UE 104可以使用在用于每个方向上的传输的总共多达Yx MHz(x个分量载波)的载波聚合中分配的、每载波多达Y MHz(例如,5、10、15、20、100、400等MHz)带宽的频谱。载波可以彼此相邻或者可以彼此不相邻。对载波的分配可以是关于DL和UL不对称的(例如,比UL相比,针对DL可以分配更多或更少的载波)。分量载波可以包括主分量载波和一个或多个辅分量载波。主分量载波可以被称为主小区(PCell),以及辅分量载波可以被称为辅小区(SCell)。
某些UE 104可以使用设备到设备(D2D)通信链路158彼此通信。D2D通信链路158可以使用DL/UL WWAN频谱。D2D通信链路158可以使用一个或多个侧行链路信道,诸如物理侧行链路广播信道(PSBCH)、物理侧行链路发现信道(PSDCH)、物理侧行链路共享信道(PSSCH)以及物理侧行链路控制信道(PSCCH)。D2D通信可以通过各种各样的无线D2D通信系统,诸如例如,FlashLinQ、WiMedia、蓝牙、ZigBee、基于电气与电子工程师学会(IEEE)802.11标准的Wi-Fi、LTE或者NR。
无线通信系统还可以包括在例如5GHz免许可频谱等中经由通信链路154来与Wi-Fi站(STA)152相通信的Wi-Fi接入点(AP)150。当在免许可频谱中通信时,STA 152/AP 150可以在通信之前执行空闲信道评估(CCA)以便确定信道是否可用。
小型小区102'可以在经许可和/或免许可频谱中操作。当在免许可频谱中操作时,小型小区102'可以采用NR以及使用如由Wi-Fi AP 150所使用的相同的免许可频谱(例如,5GHz等)。在免许可频谱中采用NR的小型小区102'可以提升对接入网络的覆盖和/或增加接入网络的容量。
电磁频谱通常基于频率/波长而被细分为各种类别、频带、信道等。在5G NR中,两个初始操作频带已经被标识为频率范围名称FR1(410MHz-7.125GHz)和FR2(24.25GHz-52.6GHz。FR1和FR2之间的频率通常被称为中频带频率。尽管FR1的一部分大于6GHz,但是在各种文档和文章中,FR1通常(可互换地)被称为“低于6GHz”频带。关于FR2有时会出现类似的命名问题,尽管它与极高频(EHF)频带(30GHz-300GHz)不同,但是在文档和文章中通常(可互换地)被称为“毫米波”频带,EHF频带被国际电信联盟(ITU)标识为“毫米波”频带。
考虑到以上方面,除非另有具体说明,否则应当理解,如果在本文中使用术语“低于6GHz”等,则其可以广义地表示可以小于6GHz、可以在FR1内、或可以包括中频带频率的频率。此外,除非另有具体说明,否则应当理解,如果在本文中使用术语“毫米波”等,则其可以广义地表示可以包括中频带频率、可以在FR2内、或可以在EHF频带内的频率。
基站102(无论是小型小区102'还是大型小区(例如,宏基站))可以包括和/或被称为eNB、gNodeB(gNB)或另一类型的基站。一些基站(诸如gNB 180)可以在传统的低于6GHz频谱中、在毫米波频率和/或近毫米波频率中操作,以与UE 104相通信。当gNB 180在毫米波或者近毫米波频率中操作时,gNB 180可以被称为毫米波基站。毫米波基站180可以利用与UE104的波束成形182,以补偿极高的路径损耗和短距离。基站180和UE 104可以各自包括多个天线(诸如天线元件、天线面板和/或天线阵列)以促进波束成形。
基站180可以在一个或多个发送方向182'上向UE 104发送波束成形信号。UE 104可以在一个或多个接收方向182”上从基站180接收波束成形信号。UE 104还可以在一个或多个发送方向上向基站180发送波束成形信号。基站180可以在一个或多个接收方向上从UE104接收波束成形信号。基站180/UE 104可以执行波束训练以确定针对基站180/UE 104中的每一者的最佳接收和发送方向。用于基站180的发送方向和接收方向可以是相同的或者可以是不相同的。用于UE 104的发送方向和接收方向可以是相同的或者可以是不相同的。
EPC 160可以包括移动性管理实体(MME)162、其它MME 164、服务网关166、多媒体广播多播服务(MBMS)网关168、广播多播服务中心(BM-SC)170和分组数据网络(PDN)网关172。MME 162可以与归属用户服务器(HSS)174相通信。MME 162是处理UE 104与EPC 160之间的信令的控制节点。一般来讲,MME 162提供承载和连接管理。全部的用户互联网协议(IP)分组是通过服务网关166来传送的,所述服务网关本身连接到PDN网关172。PDN网关172向UE提供IP地址分配以及其它功能。PDN网关172和BM-SC 170连接到IP服务176。IP服务176可以包括互联网、内联网、IP多媒体子系统(IMS)、PS流服务和/或其它IP服务。BM-SC 170可以提供用于MBMS用户服务设定和传送的功能。BM-SC 170可以用作针对内容提供方MBMS传输的入口点,可以用以授权并发起公共陆地移动网络(PLMN)内的MBMS承载服务,以及可以用以调度MBMS传输。MBMS网关168可以用以向属于对特定服务进行广播的多播广播单频网络(MBSFN)区域的基站102分发MBMS业务,以及可以负责会话管理(开始/停止)和负责收集与eMBMS相关的计费信息。
核心网络190可以包括接入和移动性管理功能(AMF)192、其它AMF 193、会话管理功能(SMF)194和用户平面功能(UPF)195。AMF 192可以与统一数据管理单元(UDM)196进行通信。AMF 192是处理UE 104与核心网络190之间的信令的控制节点。通常,AMF 192提供QoS流和会话管理。全部的用户互联网协议(IP)分组通过UPF 195来传输。UPF 195提供UE IP地址分配以及其它功能。UPF 195连接到IP服务197。IP服务197可以包括互联网、内联网、IP多媒体子系统(IMS)、分组交换(PS)流服务和/或其它IP服务。
基站可以包括和/或被称为gNB、节点B、eNB、接入点、基站收发机站、无线基站、无线收发机、收发机功能、基本服务集(BSS)、扩展服务集(ESS)、发送接收点(TRP)、或者某种其它适当的术语。基站102针对UE 104提供去往EPC 160或核心网190的接入点。UE 104的示例包括蜂窝电话、智能电话、会话发起协议(SIP)电话、膝上型计算机、个人数字助理(PDA)、卫星无线单元、全球定位系统、多媒体设备、视频设备、数字音频播放器(例如,MP3播放器)、摄像机、游戏控制台、平板电脑、智能设备、可穿戴设备、运载工具、电表、气泵、大型或小型厨房电器、医疗保健设备、植入物、传感器/致动器、显示器、或者任何其它类似功能的设备。UE 104中的一些UE可以被称为IoT设备(例如,停车计费表、气泵、烤箱、运载工具、心脏监护仪等)。UE 104还可以称为站、移动站、用户站、移动单元、用户单元、无线单元、远程单元、移动设备、无线设备、无线通信设备、远程设备、移动用户站、接入终端、移动终端、无线终端、远程终端、手持设备、用户代理、移动客户端、客户端或者某种其它适当的术语。
再次参照图1和2,在某些方面中,UE 104可以包括ML处理模型管理组件198,其被配置为:向无线网络指示支持ML处理模型的一个或多个版本的能力;以及从无线网络接收配置以应用由UE支持的ML处理模型的版本。在某些方面中,基站180可以包括ML处理模型管理组件199,其被配置为:从UE接收对支持ML处理模型的一个或多个版本的能力的指示;以及将UE配置为应用由UE支持的ML处理模型的版本。尽管以下描述可能集中于5G NR,但是本文描述的概念可以适用于其它类似领域,诸如LTE、LTE-A、CDMA、GSM和其它无线技术。
图2A是示出在5G NR帧结构内的第一子帧的示例的示意图200。图2B是示出在5GNR子帧内的DL信道的示例的示意图230。图2C是示出在5G NR帧结构内的第二子帧的示例的示意图250。图2D是示出在5G NR子帧内的UL信道的示例的示意图280。5G NR帧结构可以是频分双工(FDD)(其中,针对特定的子载波集合(载波系统带宽),在子载波集合内的子帧专用于DL或UL),或者可以是时分双工(TDD)(其中,针对特定的子载波集合(载波系统带宽),在子载波集合内的子帧专用于DL和UL二者)。在通过图2A、2C所提供的示例中,5G NR帧结构被假设为TDD,其中子帧4被配置有时隙格式28(其中大多数为DL),其中D是DL,U是UL,并且F是可在DL/UL之间灵活使用的,并且子帧3被被配置有时隙格式1(其中全部为UL)。虽然子帧3、4分别被示为具有时隙格式1、28,但是任何特定子帧可以被配置有各种可用的时隙格式0-61中的任何时隙格式。时隙格式0、1分别是全DL、全UL。其它时隙格式2-61包括DL、UL和灵活符号的混合。UE通过所接收的时隙格式指示符(SFI)而被配置为具有时隙格式(通过DL控制信息(DCI)动态地配置,或者通过无线资源控制(RRC)信令半静态地/静态地配置)。要注意的是,以下描述也适用于作为TDD的5G NR帧结构。
其它无线通信技术可以具有不同的帧结构和/或不同的信道。帧(10ms)可以被划分为10个大小相等的子帧(1ms)。每个子帧可以包括一个或多个时隙。子帧还可以包括微时隙,微时隙可以包括7、4或2个符号。每个时隙可以包括7或14个符号,这取决于时隙配置。对于时隙配置0,每个时隙可以包括14个符号,以及对于时隙配置1,每个时隙可以包括7个符号。在DL上的符号可以是循环前缀(CP)正交频分复用(OFDM)(CP-OFDM)符号。在UL上的符号可以是CP-OFDM符号(用于高吞吐量场景)或者离散傅里叶变换(DFT)扩频OFDM(DFT-s-OFDM)符号(还被称为单载波频分多址(SC-FDMA)符号)(用于功率受限场景;限于单个流传输)。在子帧内的时隙数量可以是基于时隙配置和数字方案(numerology)的。对于时隙配置0,不同的数字方案μ0至4允许每子帧分别有1、2、4、8和16个时隙。对于时隙配置1,不同的数字方案0至2允许每子帧分别有2、4和8个时隙。相应地,对于时隙配置0和数字方案μ,存在14个符号/时隙和2μ个时隙/子帧。子载波间隔和符号长度/持续时间是数字方案的函数。子载波间隔可以等于2μ*15kHz,其中μ是数字方案0至4。因此,数字方案μ=0具有15kHz的子载波间隔,并且数字方案μ=4具有240kHz的子载波间隔。符号长度/持续时间是与子载波间隔逆相关的。图2A-2D提供时隙配置0(具有每时隙14个符号)以及数字方案μ=2(具有每子帧4个时隙)的示例。时隙持续时间是0.25ms,子载波间隔是60kHz,并且符号持续时间近似为16.67μs。在帧集合内,可以存在频分复用的一个或多个不同的带宽部分(BWP)(参见图2B)。每个BWP可以具有特定的数字方案。
资源网格可以用于表示帧结构。每个时隙包括资源块(RB)(还被称为物理RB(PRB)),PRB包括12个连续的子载波。资源网格被划分为多个资源元素(RE)。由每个RE携带的比特数量取决于调制方案。
如在图2A中所示出的,RE中的一些RE携带针对UE的参考(导频)信号(RS)。RS可以包括用于在UE处的信道估计的解调RS(DM-RS)(针对一种特定配置被指示成Rx,但是其它DM-RS配置是可能的)以及信道状态信息参考信号(CSI-RS)。RS还可以包括波束测量RS(BRS)、波束细化RS(BRRS)以及相位跟踪RS(PT-RS)。
图2B示出在帧的子帧内的各种DL信道的示例。物理下行链路控制信道(PDCCH)在一个或多个控制信道元素(CCE)(例如,1、2、4、8或16个CCE)内携带DCI,每个CCE包括六个RE组(REG),每个REG包括在一个OFDM符号中的四个连续的RE。在一个BWP内的PDCCH可以被称为控制资源集合(CORESET)。UE被配置为在CORESET上的PDCCH监测时机期间在PDCCH搜索空间(例如,公共搜索空间、UE特定搜索空间)中监测PDCCH候选,其中,PDCCH候选具有不同的DCI格式和不同的聚合水平。额外的BWP可以跨越信道带宽位于较大和/或较低的频率处。主同步信号(PSS)可以在帧的特定子帧的符号2内。PSS被UE 104用来确定子帧/符号定时和物理层标识。辅同步信号(SSS)可以在帧的特定子帧的符号4内。SSS被UE用来确定物理层小区标识组号和无线帧定时。基于物理层标识和物理层小区标识组号,UE可以确定物理小区标识符(PCI)。基于PCI,UE可以确定上述DM-RS的位置。携带主信息块(MIB)的物理广播信道(PBCH)可以在逻辑上与PSS和SSS分组在一起,以形成同步信号(SS)/PBCH块(还被称为SS块(SSB))。MIB提供在系统带宽中的RB的数量和系统帧号(SFN)。物理下行链路共享信道(PDSCH)携带用户数据、不是通过PBCH发送的广播系统信息(诸如系统信息块(SIB))以及寻呼消息。
如在图2C中所示出的,RE中的一些RE携带用于在基站处的信道估计的DM-RS(针对一种特定配置被指示成R,但是其它DM-RS配置是可能的)。UE可以发送针对物理上行链路控制信道(PUCCH)的DM-RS和针对物理上行链路共享信道(PUSCH)的DM-RS。可以在PUSCH的前一个或两个符号中发送PUSCH DM-RS。可以根据发送了短PUCCH还是长PUCCH并且根据所使用的特定PUCCH格式,来以不同的配置发送PUCCH DM-RS。UE可以发送探测参考信号(SRS)。SRS可以是在子帧的最后一个符号中发送的。SRS可以具有梳结构,并且UE可以在所述梳中的一个梳上发送SRS。SRS可以由基站用于信道质量估计,以实现在UL上的频率相关的调度。
图2D示出在帧的子帧内的各种UL信道的示例。可以如在一种配置中所指示地来定位PUCCH。PUCCH携带上行链路控制信息(UCI),诸如调度请求、信道质量指示符(CQI)、预编码矩阵指示符(PMI)、秩指示符(RI)和混合自动重传请求(HARQ)确认(ACK)(HARQ-ACK)信息(ACK/否定ACK(NACK))反馈。PUSCH携带数据,并且可以另外用于携带缓冲器状态报告(BSR)、功率余量报告(PHR)和/或UCI。
图3是在接入网络中基站310与UE 350相通信的框图。在DL中,可以将来自EPC 160的IP分组提供给控制器/处理器375。控制器/处理器375实现层3和层2功能。层3包括无线资源控制(RRC)层,以及层2包括服务数据适配协议(SDAP)层、分组数据汇聚协议(PDCP)层、无线链路控制(RLC)层和介质访问控制(MAC)层。控制器/处理器375提供:与以下各项相关联的RRC层功能:系统信息(例如,MIB、SIB)的广播、RRC连接控制(例如,RRC连接寻呼、RRC连接建立、RRC连接修改、以及RRC连接释放)、无线接入技术(RAT)间移动性、以及用于UE测量报告的测量配置;与以下各项相关联的PDCP层功能:报头压缩/解压缩、安全性(加密、解密、完整性保护、完整性验证)、以及切换支持功能;与以下各项相关联的RLC层功能:上层分组数据单元(PDU)的传输、通过ARQ的纠错、RLC服务数据单元(SDU)的串接、分段和重组、RLC数据PDU的重新分段、以及RLC数据PDU的重新排序;以及与以下各项相关联的MAC层功能:在逻辑信道与传输信道之间的映射、MAC SDU到传输块(TB)上的复用、MAC SDU从TB的解复用、调度信息报告、通过HARQ的纠错、优先级处置、以及逻辑信道优先化。
发送(TX)处理器316和接收(RX)处理器370实现与各种信号处理功能相关联的层1功能。包括物理(PHY)层的层1可以包括对传输信道的错误检测、对传输信道的前向纠错(FEC)编码/解码、交织、速率匹配、到物理信道上的映射、对物理信道的调制/解调、以及MIMO天线处理。TX处理器316基于各种调制方案(例如,二进制相移键控(BPSK)、正交相移键控(QPSK)、M相移相键控(M-PSK)、M阶正交幅度调制(M-QAM)),来处理到信号星座的映射。经编码和调制的符号然后可以被分成并行的流。每个流可以接着被映射到OFDM子载波、在时域和/或频域中与参考信号(例如,导频)进行复用,以及然后使用快速傅立叶逆变换(IFFT)组合在一起,以产生携带时域OFDM符号流的物理信道。OFDM流被空间预编码以产生多个空间流。来自信道估计器374的信道估计可以用于确定编码和调制方案以及用于空间处理。信道估计可以根据由UE 350发送的参考信号和/或信道状况反馈来推导。每个空间流可以接着经由单独的发射机318TX被提供给不同的天线320。每个发射机318TX可以利用相应的空间流来对RF载波进行调制以用于传输。
在UE 350处,每个接收机354RX通过其相应的天线352来接收信号。每个接收机354RX对调制到RF载波上的信息进行恢复并将信息提供给接收(RX)处理器356。TX处理器368和RX处理器356实现与各种信号处理功能相关联的层1功能。RX处理器356可以对信息执行空间处理以恢复以UE 350为目的地的任何空间流。如果多个空间流以UE 350为目的地,则其可以由RX处理器356组合成单个OFDM符号流。RX处理器356然后使用快速傅立叶变换(FFT)来将OFDM符号流从时域转换到频域。频域信号包括针对OFDM信号的每个子载波的单独的OFDM符号流。通过确定由基站310发送的最有可能的信号星座点,来对在每个子载波上的符号以及参考信号进行恢复和解调。这些软决策可以基于由信道估计器358计算出的信道估计。然后,对软决策进行解码和解交织来恢复由基站310最初在物理信道上发送的数据和控制信号。然后将数据和控制信号提供给控制器/处理器359,控制器/处理器359实现层3和层2功能。
控制器/处理器359可以与存储程序代码和数据的存储器360相关联。存储器360可以被称为计算机可读介质。在UL中,控制器/处理器359提供在传输信道与逻辑信道之间的解复用、分组重组、解密、报头解压缩和控制信号处理,以恢复来自EPC 160的IP分组。控制器/处理器359还负责使用ACK和/或NACK协议的错误检测以支持HARQ操作。
与结合由基站310进行的DL传输所描述的功能类似,控制器/处理器359提供:与以下各项相关联的RRC层功能:系统信息(例如,MIB、SIB)获取、RRC连接和测量报告;与以下各项相关联的PDCP层功能:报头压缩/解压缩和安全性(加密、解密、完整性保护、完整性验证);与以下各项相关联的RLC层功能:上层PDU的传送、通过ARQ的纠错、RLC SDU的串接、分段和重组、RLC数据PDU的重新分段和RLC数据PDU的重新排序;以及与以下各项相关联的MAC层功能:在逻辑信道与传输信道之间的映射、MAC SDU到TB上的复用、对MAC SDU从TB的解复用、调度信息报告、通过HARQ的纠错、优先级处理和逻辑信道优先化。
由信道估计器358根据由基站310发送的参考信号或反馈推导出的信道估计可以由TX处理器368用于选择适当的编码和调制方案,以及用于促进空间处理。可以经由单独的发射机354TX来将由TX处理器368生成的空间流提供给不同的天线352。每个发射机354TX可以利用相应的空间流来对RF载波进行调制以用于传输。
UL传输在基站310处是以与结合在UE 350处的接收机功能所描述的方式类似的方式来处理的。每个接收机318RX通过其相应的天线320来接收信号。每个接收机318RX对调制到RF载波上的信息进行恢复并且将信息提供给RX处理器370。
控制器/处理器375可以与存储程序代码和数据的存储器376相关联。存储器376可以被称为计算机可读介质。在UL中,控制器/处理器375提供在传输信道与逻辑信道之间的解复用、分组重组、解密、报头解压缩、控制信号处理,以恢复来自UE 350的IP分组。可以将来自控制器/处理器375的IP分组提供给EPC 160。控制器/处理器375还负责使用ACK和/或NACK协议的错误检测以支持HARQ操作。
TX处理器368、RX处理器356和控制器/处理器359中的至少一者可以被配置为执行与图1的ML处理模型管理组件198有关的各方面。TX处理器316、RX处理器370和控制器/处理器375中的至少一者可以被配置为执行与图1的ML处理模型管理组件199有关的各方面。
图4A示出了用于UE 402与基站404的无线通信和ML处理模型的示例。UE 402可以提供具有用于识别不同上下文场景的能力的设备上下文感知。图4A示出了一个非限制性示例,其中基站404可以指示上下文场景,诸如用于特定位置的机器学习应用。UE处的基于机器学习的处理的其它示例可以包括诸如高速列车上的切换应用。本文给出的概念不限于用于识别上下文场景或用于切换应用的机器学习处理,并且可以应用于其它UE处理。在图4A中,该位置被示为商业位置,诸如商场。UE 402可以使用ML处理模型来提供设备上下文感知。在一个示例中,上下文感知可以涉及特定商业位置,诸如商业位置(诸如商场)内的商店、餐馆或娱乐场所。图4B示出了UE 402可以采用的ML处理模型406的输入和输出的示例。例如,ML处理模型可以是融合模型。ML处理模型可以包括基于数据建立数学模型的算法和参数(例如,权重),以便进行预测、决策或提供其它输出。UE 402可以被配备有一个或多个传感器,或者可以从一个或多个传感器接收输入数据408。UE 402可以基于机器学习来处理数据和/或其它无线通信测量数据。UE 402可以包括可以用于多个应用的机器学习引擎,包括图4A中的设备上下文感知。
无线通信设备可以处理基于人工智能(AI)的数据/测量,以便提供输出。设备(例如,基站404或UE 402)可以被配置有多个传感器,并且还可以被配置有AI引擎(例如,机器学习)以实现基于机器学习的动作。UE可以从传感器接收输入数据,诸如具有位置信息的GPS数据、例如来自麦克风的声音数据、来自相机的视觉数据、来自加速度计的速度数据、来自陀螺仪的方位数据、来自磁力计的方向数据、来自生物传感器的生物数据(诸如生命体征数据)等。该设备可以包括ML模型406,ML模型406被配置为接收不同的传感器数据输入和测量输入。所接收的输入(例如,传感器数据、测量数据等)可以由ML模型406基于机器学习方案进行组合。例如,UE可以执行测量,诸如基于不同信道的信号强度指示符(RSSI)/参考信号接收功率(RSRP)/参考信号接收质量(RSRQ)、信道质量指示符(CQI)/预编码矩阵指示符(PMI)/秩指示符(RI)计算等中的至少一项。ML模型406可以从一个或多个传感器接收输入数据408和测量输入410(例如,无线通信测量),并且可以基于具有配置的算法结构和权重的机器学习模型来处理输入数据,以生成各种输出412。输出412可以是UE可以使用的或者可以向网络报告的预测、决策或其它信息。例如,由ML模型406生成的输出可以是场景指示。也就是说,ML模型406可以生成对UE 402的操作场景的指示。
例如,基站404可以位于(或靠近)商场,并且具有识别附接到基站404的UE 402的上下文场景的能力。所附接的UE 402可以被配备有各种传感器,并且UE 402可以向基站404报告其位置/速度/方向信息。基站404可以基于其分析(例如,深度学习)来识别UE 402可能正在进入商场。例如,UE(诸如智能手机、可穿戴设备等)可以连接到基站,并且智能手机可以从室外移动到室内(例如,咖啡店、商场或其它地点)。UE可以暗示对应的环境,并且这种暗示可以用于其它复杂应用。基站404可以向UE 402指示所识别的上下文场景。根据由基站404识别的上下文场景,商场可能具有高拥塞。基站404可以为UE 402配置与UE 402在商场中的上下文场景相对应的资源。在其它示例中,机器学习模型可以应用于在特定区域或特定条件下(例如,在高速列车上)提供切换信息。
图5示出了无线通信的示例,包括UE 502和无线网络504以及UE 502处的ML处理模型506。智能无线系统可以来源于各种传感器数据和环境数据。首先,UE 502可以使用各种传感器来启用,包括用于位置信息的全球定位系统(GPS)、用于记录速度变化的加速计、用于学习方位的陀螺仪等。UE 502可以基于各种测量被配置有许多环境数据。例如,信道的经网络配置环境可以包括基于不同信道的信号强度指示符(RSSI)/参考信号接收功率(RSRP)/参考信号接收质量(RSRQ)、信道质量指示符(CQI)/预编码矩阵指示符(PMI)/秩指示符(RI)计算等中的至少一项。
ML处理模型506还可以包括用于提升应用的AI引擎。例如,UE 502可以包括ML处理模型506,其可以包括可以用于在508处提取数据的特征的卷积层、可以跟踪时域变化并且预测未来动作的序列模型、和/或可以作为数据压缩的候选的自动编码器结构。
在507处,网络504可以为UE 502配置模型。在509处,UE 502可以基于模型来处理各种传感器数据和环境数据以提取特征,并且UE 502可以将输出反馈到网络504。网络504可以定义模型,并且该模型通常可以是基于机器学习的解决方案。输入可以是传感器数据或环境测量,并且输出可以是所提取的特征。所提取的特征可以是中间输出,其可以是不可解释的变量,或者所提取的特征可以是一些特定参数,其可以是可解释的。
图6A、6B和6C示出了ML处理模型的应用的示例。首先,图6A示出了用于中间提取的特征(例如,用于切换预测和/或确定)的ML处理模型的第一应用600,包括两个ML处理模型。这两个ML处理模型可以包括UE侧的第一模型(模型-1)602和网络侧的第二模型(模型-2)604。模型-1的输出是用于模型-2的提取的特征以做出切换决策。也就是说,第一模型602可以接收传感器数据作为输入,并且将基于所接收的传感器数据的提取的特征反馈给第二模型604。基于所提取的特征,第二模型可以基于中间提取的特征来确定该最终确定,诸如切换决策。第一模型602可以是基于网络配置的。也就是说,第一模型602可以由网络侧配置。
图6B示出了用于压缩/解压缩特征(例如,用于信道估计反馈)的ML处理模型的第二应用610,包括两个ML处理模型。这两个ML处理模型可以包括在UE侧用于压缩的第一模型(模型-1)612和在网络侧用于解压缩的第二模型(模型-2)614。也就是说,第一模型612可以接收传感器数据作为输入,并且将压缩的特征反馈给第二模型614。第一模型612可以将基于接收到的传感器数据的经压缩的特征提供给第二模型614。第二模型614可以从经压缩的特征恢复传感器数据。第一模型612的输出可以是提取的特征(表达的特征),并且第二模型614的输出可以对特征进行解压缩。
图6C示出了用于指定的最终参数(例如,用于上下文感知指示)的ML处理模型的第三应用620,包括UE侧的一个ML处理模型。也就是说,UE侧的第一模型(模型-1)622是基于网络配置来配置的。第一模型622可以接收传感器数据作为输入,并且模型的输出可以是用于指示当前场景的指定参数。例如,基于该模型,UE将识别其处于高移动性模式。第一模型622可以由网络来配置,或者仅是基于UE实现的。
在一些方面中,网络可以为AI应用配置UE的ML处理模型。支持配置的相关过程和信令可以包括两个部分,包括向网络指示相关UE能力的过程和配置ML处理模型的过程。此外,基于运营商的模型可以匹配不同的场景。不同的场景可以包括用于切换、数据压缩或来自UE侧的特定指示的过程。例如,对于切换应用,在一个特定区域中,不同运营商之间的网络部署可能不同,切换模式可能不同,或者接入不同运营商的UE可能在同一区域中采取不同的切换动作。因此,我们可以配置基于运营商的模型来支持不同的环境。
在一些方面中,可以为特定应用提供多种类型的模型。模型可以包括算法结构和对应的权重。模型可以包括标准模型(例如,对于多个运营商而言是公共的模型)和特定于运营商的模型(例如,特定于特定无线网络运营商或针对特定无线网络运营商优化的模型)。标准模型可以是被称为公共模型的模型,并且标准模型可以是由各种运营商支持的UE的默认选项,这些UE通过机器学习功能被启用。也就是说,标准模型可以是用于一个场景应用的一个基本模型,而没有针对特定无线网络运营商的特定优化。
特定于运营商的模型可以是基于运营商配置的。特定于运营商的模型的定义可以与运营商的实现有关。UE可以支持标准模型,并且还可以支持特定于运营商的模型。UE可以支持标准模式和特定于运营商的模型。在一些示例中,UE可能不支持特定于运营商的模型。
机器学习模型的一个非限制性示例是用于特定区域或特定条件下(例如,在高速列车中)的切换指示的模型。
在一个或多个示例中,可以为各种网络(例如,各种网络运营商)支持的场景中的UE配置至少一个标准机器学习模型。也就是说,标准模型可以提供基线机器学习模型,其可以由各种UE应用于各种网络(例如,应用于不同的网络运营商)。可以对替代模型进行优化以实现特定网络的更好性能。因此,可以为特定无线网络(例如,特定网络运营商)提供至少一个替代模型,以提供针对特定网络优化的模型。作为一个非限制性示例,可以为运营商1提供至少一个特定于运营商的模型,以匹配该区域中的高速列车,从而使UE能够在高速列车上行驶时向网络运营商提供切换指示。网络可以将UE配置为应用特定于运营商的模型。用于高速列车的切换应用的示例仅仅是说明UE的应用机器学习处理模型的概念的一个示例。本文给出的概念可以应用于各种不同的UE应用。
如本文描述的,UE可以向网络指示其能力,以便网络可以确定UE是否支持机器学习模型中的一个或多个机器学习模型。在一些示例中,UE可以在UE能力信令中指示其对一个或多个机器学习模型的支持。UE可以向UE提供能力信令。作为一个示例,UE可以在RRC信令中向网络提供能力信令。在其它示例中,UE可以在其它信令中向网络指示能力。UE可以向网络报告其能力,并且网络可以为UE配置模型。RRC信令可以包括多个信息元素(IE)。可以将IE组合在单个RRC消息中,或者作为单独的IE来提供。在一些示例中,可以在单个IE中提供信息,例如,该单个IE将关于对不同模型的支持的信息进行组合。
UE可以指示UE支持至少一个ML处理模型,并且可以指示支持哪个场景。例如,表1-A中所示的IE格式可以用于向网络指示UE是否支持ML处理模型以及UE可以支持哪个场景。
表1-A
如果UE支持ML处理模型,则UE可以向网络指示UE是否支持标准模型和/或模型的不同版本。例如,另一版本可以是特定于运营商的模型。例如,表1-B中所示的IE格式可以用于指示UE是否支持标准模型和/或针对特定运营商的模型。例如,UE可以指示对标准模型的支持,而不支持模型的其它版本,例如,不支持针对特定运营商的模型。UE可以指示对标准模型和一个或多个特定于运营商的模型的支持。UE可以指示对特定于运营商的模型的支持,而不支持标准模型。
表1-B
如果UE支持除公共模型之外的模型的一个或多个版本,则UE可以指示所支持的版本。例如,UE可以支持特定于运营商的模型的一个或多个版本,并且可以指示该版本和可以与模型的支持版本相关联的PLMN。例如,表1-C中所示的IE格式可以用于指示UE支持的模型的版本,并且指示可以与模型的支持版本相关联的PLMN。
表1-C
响应于来自UE的指示,网络可以将UE配置为应用由UE支持的ML处理模型的版本之一。也就是说,网络可以为UE配置ML处理模型,并且向UE指示哪个ML处理模型应当用于该应用。特定于运营商的字典可以与PLMN ID相关联。
网络可以将UE配置为应用ML处理模型的特定版本。网络可以将UE配置有标准ML处理模型或特定于运营商的ML处理模型(其中之一或两者)。网络可以将UE配置有机器学习模型的特定版本,例如,标准模型的特定版本或特定于运营商的ML模型的特定版本。网络可以配置模型的参数。例如,表2-A中所示的IE格式可以用于将UE配置有用于UE的ML处理模型的版本之一和该模型的参数。
表2-A
此外,网络可以配置模型内容,主要包括两部分,包括ML处理模型的结构和算法以及ML处理模型的对应的权重。例如,表2-B中所示的IE格式可以用于将UE配置有ML处理模型的结构和算法以及ML处理模型的对应权重。
表2-B
图7是包括UE 702和基站704的无线通信的呼叫流程图700。在706处,UE 702可以向无线网络(或基站)704指示支持ML处理模型的一个或多个版本的能力。来自UE的指示可以指示支持跨越无线网络运营商是公共的ML处理模型的第一版本和ML处理模型中的至少一个特定于运营商的版本中的一项或多项的能力、由UE支持的每个特定于运营商的机器学习模型的版本标识符、和/或与由UE支持的每个特定于运营商的机器学习模型相关联的PLMN ID。
在708处,无线网络的基站704可以将UE 702配置为应用由UE 702支持的ML处理模型的版本。来自无线网络的配置可以指示UE使用由UE支持的ML处理模型的第一版本或ML处理模型的特定于运营商的版本、为UE配置的ML处理模型的版本标识符、与为UE配置的特定于运营商的机器学习模型相关联的PLMN ID、和/或由UE支持的特定于运营商的机器学习模型的特定于网络的算法结构或一个或多个权重中的至少一项,例如在712处所示。
图8是无线通信的方法的流程图800。该方法可以由UE(例如,UE 104/402/502/602/612/622/702;装置802)执行。
在802处,UE可以向无线网络(或基站)指示支持ML处理模型的一个或多个版本的能力(例如,如在706处)。来自UE的指示可以指示支持跨越多个无线网络(例如,多个网络运营商)是公共的ML处理模型的第一版本和ML处理模型的至少一个替代版本中的一项或多项的能力。ML处理模型的替代版本可以是特定于网络的ML处理模型,例如,特定于运营商的ML处理模型。UE可以指示由UE支持的每个替代机器学习模型的版本标识符、和/或与由UE支持的每个替代机器学习模型相关联的PLMN ID。例如,802可以由ML处理模型管理组件940来执行。
在804处,UE可以从无线网络接收配置以应用由UE支持的ML处理模型的版本(例如,如在708处)。来自无线网络的配置可以指示UE使用由UE支持的ML处理模型的第一版本或ML处理模型的替代版本(例如,特定于网络或特定于运营商的ML处理模型)、为UE配置的ML处理模型的版本标识符、与为UE配置的替代机器学习模型相关联的PLMN ID、和/或由UE支持的替代机器学习模型的特定于网络的算法结构或一个或多个权重中的至少一项。例如,804可以由ML处理模型管理组件940来执行。
图9是示出用于装置902的硬件实现的示例的图900。在一些方面中,装置902是UE,并且包括耦合到蜂窝RF收发机922的蜂窝基带处理器904(也被称为调制解调器)以及一个或多个用户身份模块(SIM)卡920、耦合到安全数字(SD)卡908和屏幕910的应用处理器906、蓝牙模块912、无线局域网(WLAN)模块914、全球定位系统(GPS)模块916和电源918。蜂窝基带处理器904通过蜂窝RF收发机922与UE 104和/或BS 102/180进行通信。蜂窝基带处理器904可以包括计算机可读介质/存储器。计算机可读介质/存储器可以是非暂时性的。蜂窝基带处理器904负责一般处理,包括执行存储在计算机可读介质/存储器上的软件。软件在由蜂窝基带处理器904执行时,使得蜂窝基带处理器904执行上文描述的各种功能。计算机可读介质/存储器还可以用于存储在执行软件时由蜂窝基带处理器904操纵的数据。蜂窝基带处理器904还包括接收组件930、通信管理器932和发送组件934。通信管理器932包括所示的一个或多个组件。通信管理器932内的组件可以被存储在计算机可读介质/存储器中和/或被配置为蜂窝基带处理器904内的硬件。蜂窝基带处理器904可以是UE 350的组件,并且可以包括存储器360和/或TX处理器368、RX处理器356和控制器/处理器359中的至少一者。在一种配置中,装置902可以是调制解调器芯片并且仅包括基带处理器904,并且在另一配置中,装置902可以是整个UE(例如,参见图3的350)并且包括装置902的额外模块。
通信管理器932包括ML处理模型管理组件940,其被配置为:向无线网络(或基站)指示支持ML处理模型的一个或多个版本的能力;以及从无线网络接收配置以应用由UE支持的ML处理模型的版本,例如,如结合802和804描述的。
该装置可以包括执行图7和8的上述流程图中的算法的框中的每个框的额外的组件。因此,可以由组件执行图7和8的上述流程图中的每个框,并且该装置可以包括那些组件中的一个或多个组件。组件可以是专门被配置为执行所述过程/算法的一个或多个硬件组件,由被配置为执行所述过程/算法的处理器来实现,存储在计算机可读介质内用于由处理器来实现,或其某种组合。
在一种配置中,装置902(具体而言,为蜂窝基带处理器904)包括:用于向无线网络指示支持ML处理模型的一个或多个版本的能力的单元;以及用于从无线网络接收配置以应用由UE支持的ML处理模型的版本的单元(例如,接收组件930、ML处理模型管理组件940和/或发送组件934)。上述单元可以是装置902的上述组件中的被配置为执行由上述单元记载的功能的一个或多个组件。如上所述,装置902可以包括TX处理器368、RX处理器356和控制器/处理器359。因此,在一种配置中,上述单元可以是被配置为执行由上述单元所记载的功能的TX处理器368、RX处理器356和控制器/处理器359。
图10是无线通信的方法的流程图1000。该方法可以由基站(例如,基站102/180/404/504/604/614/624/704;装置1102)执行。
在1002处,基站可以从UE接收对支持机器学习处理模型的一个或多个版本的能力的指示(例如,如在706处)。来自UE的指示可以指示支持跨越多个无线网络是公共的ML处理模型的第一版本和ML处理模型的至少一个替代版本(诸如特定于网络的ML处理模型或特定于运营商的ML处理模型)中的一项或多项的能力。UE可以指示由UE支持的每个替代机器学习模型的版本标识符、和/或与由UE支持的每个替代机器学习模型相关联的PLMN ID。例如,1002可以由ML处理模型管理组件940来执行。
在1004处,基站可以将UE配置为应用由UE支持的机器学习处理模型的版本(例如,如在708处)。来自无线网络的配置可以指示UE使用由UE支持的ML处理模型的第一版本或ML处理模型的替代版本、为UE配置的ML处理模型的版本标识符、与为UE配置的替代机器学习模型相关联的PLMN ID、和/或由UE支持的替代机器学习模型的特定于网络的算法结构或一个或多个权重中的至少一项。例如,1004可以由ML处理模型管理组件940来执行。
图11是示出用于装置1102的硬件实现的示例的图1100。装置1102是BS并且包括基带单元1104。基带单元1104可以通过蜂窝RF收发机与UE 114进行通信。基带单元1104可以包括计算机可读介质/存储器。基带单元1104负责一般处理,包括执行存储在计算机可读介质/存储器上的软件。软件在由基带单元1104执行时,使得基带单元1104执行上文描述的各种功能。计算机可读介质/存储器还可以用于存储在执行软件时由基带单元1104操纵的数据。基带单元1104还包括接收组件1130、通信管理器1132和发送组件1134。通信管理器1132包括所示的一个或多个组件。通信管理器1132内的组件可以被存储在计算机可读介质/存储器中和/或被配置为基带单元1104内的硬件。基带单元1104可以是BS 311的组件,并且可以包括存储器376和/或TX处理器316、RX处理器370和控制器/处理器375中的至少一者。
通信管理器1132包括ML处理模型管理组件1140,其被配置为:从UE接收对支持机器学习处理模型的一个或多个版本的能力的指示;以及将UE配置为应用由UE支持的机器学习处理模型的版本,例如,如结合1002和1004描述的。
该装置可以包括执行图7和10的上述流程图中的算法的框中的每个框的额外的组件。因此,可以由组件执行图7和10的上述流程图中的每个框,并且该装置可以包括那些组件中的一个或多个组件。组件可以是专门被配置为执行所述过程/算法的一个或多个硬件组件,由被配置为执行所述过程/算法的处理器来实现,存储在计算机可读介质内用于由处理器来实现,或其某种组合。
在一种配置中,装置1102(具体而言,为基带单元1104)包括:用于从UE接收对支持机器学习(ML)处理模型的一个或多个版本的能力的指示的单元;以及用于将UE配置为应用由UE支持的ML处理模型的版本的单元(例如,接收组件1130、ML处理模型管理组件1140和/或发送组件1134)。上述单元可以是装置1102的上述组件中的被配置为执行由上述单元记载的功能的一个或多个组件。如上所述,装置1102可以包括TX处理器316、RX处理器370和控制器/处理器375。因此,在一种配置中,上述单元可以是被配置为执行由上述单元所记载的功能的TX处理器316、RX处理器370和控制器/处理器375。
UE可以向无线网络指示支持ML处理模型的一个或多个版本的能力,并且无线网络的无线网络实体可以将UE配置为应用由UE支持的ML处理模型的版本。
来自UE的指示可以指示:支持跨越无线网络运营商是公共的ML处理模型的第一版本和ML处理模型的至少一个特定于运营商的版本中的一项或多项的能力、由UE支持的每个特定于运营商的机器学习模型的版本标识符、和/或与由UE支持的每个特定于运营商的机器学习模型相关联的公共陆地移动网络(PLMN)标识符(ID)。
来自无线网络的配置可以指示:UE使用由UE支持的ML处理模型的第一版本或ML处理模型的特定于运营商的版本、为UE配置的ML处理模型的版本标识符、与为UE配置的特定于运营商的机器学习模型相关联的公共陆地移动网络(PLMN)标识符(ID)、和/或由UE支持的特定于运营商的机器学习模型的特定于网络的算法结构或一个或多个权重中的至少一项。
ML处理模型可以用于处理传感器数据或无线信道测量中的至少一项。UE可以向无线网络指示UE针对至少一个ML处理模型支持的场景。
应理解的是,所公开的过程/流程图中的框的特定次序或层次是对示例方法的说明。应理解的是,基于设计偏好,可以重新排列过程/流程图中的框的特定次序或层次。此外,可以合并或省略一些框。所附的方法权利要求以示例次序给出了各个框的元素,而并不意味着限于所给出的特定次序或层次。
提供前面的描述以使得本领域的任何技术人员能够实施本文描述的各个方面。对这些方面的各种修改对于本领域技术人员而言将是显而易见的,以及本文所定义的通用原理可以应用到其它方面。因此,权利要求并不旨在限于本文所示出的各方面,而是被赋予与文字权利要求相一致的全部范围,其中,除非明确地声明如此,否则提及单数形式的元素并不旨在意指“一个且仅一个”,而是“一个或多个”。诸如“如果”、“当……时”和“在……的同时”之类的术语应当被解释为“在……的条件下”,而不是意味着立即的时间关系或反应。也就是说,这些短语(例如,“当……时”)并不意味着响应于动作的发生或在动作的发生期间的立即动作,而仅意味着如果满足条件则动作将发生,但不要求针对动作发生的特定或立即的时间约束。本文使用词语“示例性的”以意味着“用作示例、实例或说明”。本文中被描述为“示例性的”任何方面不一定被解释为优选于其它方面或者比其它方面有优势。除非另有明确声明,否则术语“一些”指代一个或多个。诸如“A、B或C中的至少一个”、“A、B或C中的一个或多个”、“A、B和C中的至少一个”、“A、B和C中的一个或多个”、以及“A、B、C或其任何组合”之类的组合包括A、B和/或C的任何组合,并且可以包括多倍的A、多倍的B或多倍的C。具体地,诸如“A、B或C中的至少一个”、“A、B、或C中的一个或多个”、“A、B和C中的至少一个”、“A、B和C中的一个或多个”、以及“A、B、C或其任何组合”之类的组合可以是仅A、仅B、仅C、A和B、A和C、B和C、或A和B和C,其中任何这样的组合可以包含A、B或C中的一个或多个成员或数个成员。贯穿本公开内容描述的各个方面的元素的所有的结构和功能等效物以引用方式明确地并入本文中,以及旨在由权利要求包含,这些结构和功能等效物对于本领域的普通技术人员而言是已知或者是稍后将知的。此外,本文中没有任何公开的内容是想要奉献给公众的,不管这样的公开内容是否明确被记载在权利要求中。词语“模块”、“机制”、“元素”、“设备”等等可以不是词语“单元”的替代。因而,没有权利要求元素要被解释为单元加功能,除非该元素是明确地使用短语“用于……的单元”来记载的。
以下示例仅是说明性的,并且可以与本文描述的其它示例或教导的各方面结合,但不限于此。
示例1是一种UE处的无线通信的方法,包括:向无线网络指示支持机器学习处理模型的一个或多个版本的能力;以及从所述无线网络接收配置以应用由所述UE支持的所述机器学习处理模型的版本。
示例2是根据示例1所述的方法,其中,所述UE指示支持跨越多个无线网络是公共的所述机器学习处理模型的第一版本和所述机器学习处理模型的至少一个替代版本中的一项或多项的所述能力。
示例3是根据示例1或2中任一项所述的方法,其中,每个替代机器学习模型包括特定于网络的算法结构或一个或多个特定于网络的权重中的至少一项。
示例4是根据示例1至3中任一项所述的方法,其中,所述UE指示由所述UE支持的每个替代机器学习模型的版本标识符。
示例5是根据示例1至4中任一项所述的方法,其中,所述UE指示与由所述UE支持的每个替代机器学习模型相关联的公共陆地移动网络(PLMN)标识符(ID)。
示例6是根据示例1至5中任一项所述的方法,其中,来自所述无线网络的所述配置向所述UE指示使用由所述UE支持的所述机器学习处理模型的所述第一版本或所述机器学习处理模型的替代版本。
示例7是根据示例1至6中任一项所述的方法,其中,所述无线网络指示为所述UE配置的所述机器学习处理模型的版本标识符。
示例8是根据示例1至7中任一项所述的方法,其中,所述无线网络指示与为所述UE配置的替代机器学习模型相关联的公共陆地移动网络(PLMN)标识符(ID)。
示例9是根据示例1至8中任一项所述的方法,其中,所述UE从所述无线网络接收的所述配置指示由所述UE支持的替代机器学习模型的特定于网络的算法结构或一个或多个权重中的至少一项。
示例10是根据示例1至9中任一项所述的方法,其中,所述机器学习处理模型用于处理传感器数据或无线信道测量中的至少一项。
示例11是根据示例1至10中任一项所述的方法,其中,所述UE向所述无线网络指示所述UE针对至少一个机器学习处理模型支持的场景。
示例12是一种设备,包括:一个或多个处理器;以及与所述一个或多个处理器进行电子通信的存储指令的一个或多个存储器,所述指令可由所述一个或多个处理器执行以使得所述设备实现如示例1-11中任一项中的方法。
示例13是一种系统或装置,包括:用于向无线网络指示支持ML处理模型的一个或多个版本的能力的单元;以及用于从所述无线网络接收配置以应用由所述UE支持的所述ML处理模型的版本的单元。
示例14是根据示例13所述的系统或装置,用于实现如示例1-11中任一项中的方法或实现如示例1-11中任一项中的装置。
示例15是一种存储指令的非暂时性计算机可读介质,所述指令可由一个或多个处理器执行以使得所述一个或多个处理器实现如示例1-11中任一项中的方法。
示例16是一种无线网络实体处的无线通信的方法,包括:从UE接收对支持机器学习处理模型的一个或多个版本的能力的指示;以及将所述UE配置为应用由所述UE支持的所述机器学习处理模型的版本。
示例17是根据示例16所述的方法,其中,所述指示指示支持跨越多个无线网络是公共的所述机器学习处理模型的第一版本和所述机器学习处理模型的至少一个替代版本中的一项或多项的所述能力。
示例18是根据示例16或17中任一项所述的方法,其中,每个替代机器学习模型包括特定于网络的算法结构或一个或多个特定于网络的权重中的至少一项。
示例19是根据示例16至18中任一项所述的方法,其中,所述指示指示由所述UE支持的每个替代机器学习模型的版本标识符。
示例20是根据示例16至19中任一项所述的方法,其中,所述指示指示与由所述UE支持的每个替代机器学习模型相关联的公共陆地移动网络(PLMN)标识符(ID)。
示例21是根据示例16至20中任一项所述的方法,其中,所述无线网络实体将所述UE配置为使用由所述UE支持的所述机器学习处理模型的所述第一版本或所述机器学习处理模型的替代版本。
示例22是根据示例16至21中任一项所述的方法,其中,所述无线网络实体指示为所述UE配置的所述机器学习处理模型的版本标识符。
示例23是根据示例16至22中任一项所述的方法,其中,所述无线网络实体指示与为所述UE配置的替代机器学习模型相关联的公共陆地移动网络(PLMN)标识符(ID)。
示例24是根据示例16至22中任一项所述的方法,其中,所述无线网络实体配置由所述UE支持的替代机器学习模型的特定于网络的算法结构或一个或多个权重中的至少一项。
示例25是根据示例16至24中任一项所述的方法,其中,所述机器学习处理模型用于处理传感器数据或无线信道测量中的至少一项。
示例26是根据示例16至25中任一项所述的方法,其中,所述指示向所述无线网络指示所述UE针对至少一个机器学习处理模型支持的场景。
示例27是一种设备,包括:一个或多个处理器;以及与所述一个或多个处理器进行电子通信的存储指令的一个或多个存储器,所述指令可由所述一个或多个处理器执行以使得所述设备实现如示例16-26中任一项中的方法。
示例28是一种系统或装置,包括:用于从UE接收对支持机器学习(ML)处理模型的一个或多个版本的能力的指示的单元;以及用于将所述UE配置为应用由所述UE支持的所述ML处理模型的版本的单元。
示例29是根据示例28所述的系统或装置,用于实现如示例16-26中任一项中的方法或实现如示例16-26中任一项中的装置。
示例30是一种存储指令的非暂时性计算机可读介质,所述指令可由一个或多个处理器执行以使得所述一个或多个处理器实现如示例16-26中任一项中的方法。
Claims (68)
1.一种用户设备(UE)处的无线通信的方法,包括:
向无线网络指示支持机器学习(ML)处理模型的一个或多个版本的能力;以及
从所述无线网络接收配置以应用由所述UE支持的所述ML处理模型的版本。
2.根据权利要求1所述的方法,其中,所述UE指示支持以下各项中的一项或多项的所述能力:跨越多个无线网络是公共的所述ML处理模型的第一版本、和所述ML处理模型的至少一个替代版本。
3.根据权利要求2所述的方法,其中,每个替代机器学习模型包括特定于网络的算法结构或一个或多个特定于网络的权重中的至少一项。
4.根据权利要求2所述的方法,其中,所述UE指示由所述UE支持的每个替代机器学习模型的版本标识符。
5.根据权利要求2所述的方法,其中,所述UE指示与由所述UE支持的每个替代机器学习模型相关联的公共陆地移动网络(PLMN)标识符(ID)。
6.根据权利要求2所述的方法,其中,来自所述无线网络的所述配置向所述UE指示使用由所述UE支持的所述ML处理模型的所述第一版本或所述ML处理模型的替代版本。
7.根据权利要求6所述的方法,其中,所述无线网络指示为所述UE配置的所述ML处理模型的版本标识符。
8.根据权利要求6所述的方法,其中,所述无线网络指示与为所述UE配置的替代机器学习模型相关联的公共陆地移动网络(PLMN)标识符(ID)。
9.根据权利要求6所述的方法,其中,所述UE从所述无线网络接收的所述配置指示由所述UE支持的替代机器学习模型的特定于网络的算法结构或一个或多个权重中的至少一项。
10.根据权利要求1所述的方法,其中,所述ML处理模型用于处理传感器数据或无线信道测量中的至少一项。
11.根据权利要求1所述的方法,其中,所述UE向所述无线网络指示所述UE针对至少一个ML处理模型支持的场景。
12.一种用于用户设备(UE)处的无线通信的装置,包括:
用于向无线网络指示支持机器学习(ML)处理模型的一个或多个版本的能力的单元;以及
用于从所述无线网络接收配置以应用由所述UE支持的所述ML处理模型的版本的单元。
13.根据权利要求12所述的装置,其中,所述UE指示支持以下各项中的一项或多项的所述能力:跨越多个无线网络是公共的所述ML处理模型的第一版本、和所述ML处理模型的至少一个替代版本。
14.根据权利要求13所述的装置,其中,每个替代机器学习模型包括特定于网络的算法结构或一个或多个特定于网络的权重中的至少一项。
15.根据权利要求13所述的装置,其中,所述UE指示由所述UE支持的每个替代机器学习模型的版本标识符。
16.根据权利要求13所述的装置,其中,所述UE指示与由所述UE支持的每个替代机器学习模型相关联的公共陆地移动网络(PLMN)标识符(ID)。
17.根据权利要求13所述的装置,其中,来自所述无线网络的所述配置向所述UE指示使用由所述UE支持的所述ML处理模型的所述第一版本或所述ML处理模型的替代版本。
18.根据权利要求17所述的装置,其中,所述无线网络指示为所述UE配置的所述ML处理模型的版本标识符。
19.根据权利要求17所述的装置,其中,所述无线网络指示与为所述UE配置的替代机器学习模型相关联的公共陆地移动网络(PLMN)标识符(ID)。
20.根据权利要求17所述的装置,其中,所述UE从所述无线网络接收的所述配置指示由所述UE支持的替代机器学习模型的特定于网络的算法结构或一个或多个权重中的至少一项。
21.根据权利要求12所述的装置,其中,所述ML处理模型用于处理传感器数据或无线信道测量中的至少一项。
22.根据权利要求12所述的装置,其中,所述UE向所述无线网络指示所述UE针对至少一个ML处理模型支持的场景。
23.一种用于用户设备(UE)处的无线通信的装置,包括:
存储器;以及
至少一个处理器,所述至少一个处理器耦合到所述存储器并且被配置为:
向无线网络指示支持机器学习(ML)处理模型的一个或多个版本的能力;以及
从所述无线网络接收配置以应用由所述UE支持的所述ML处理模型的版本。
24.根据权利要求23所述的装置,其中,所述UE指示支持以下各项中的一项或多项的所述能力:跨越多个无线网络是公共的所述ML处理模型的第一版本、和所述ML处理模型的至少一个替代版本。
25.根据权利要求24所述的装置,其中,每个替代机器学习模型包括特定于网络的算法结构或一个或多个特定于网络的权重中的至少一项。
26.根据权利要求24所述的装置,其中,所述UE指示由所述UE支持的每个替代机器学习模型的版本标识符。
27.根据权利要求24所述的装置,其中,所述UE指示与由所述UE支持的每个替代机器学习模型相关联的公共陆地移动网络(PLMN)标识符(ID)。
28.根据权利要求24所述的装置,其中,来自所述无线网络的所述配置向所述UE指示使用由所述UE支持的所述ML处理模型的所述第一版本或所述ML处理模型的替代版本。
29.根据权利要求28所述的装置,其中,所述无线网络指示为所述UE配置的所述ML处理模型的版本标识符。
30.根据权利要求28所述的装置,其中,所述无线网络指示与为所述UE配置的替代机器学习模型相关联的公共陆地移动网络(PLMN)标识符(ID)。
31.根据权利要求28所述的装置,其中,所述UE从所述无线网络接收的所述配置指示由所述UE支持的替代机器学习模型的特定于网络的算法结构或一个或多个权重中的至少一项。
32.根据权利要求23所述的装置,其中,所述ML处理模型用于处理传感器数据或无线信道测量中的至少一项。
33.根据权利要求23所述的装置,其中,所述UE向所述无线网络指示所述UE针对至少一个ML处理模型支持的场景。
34.一种在用户设备(UE)处存储计算机可执行代码的计算机可读介质,所述代码在由处理器执行时使得所述处理器进行以下操作:
向无线网络指示支持机器学习(ML)处理模型的一个或多个版本的能力;以及
从所述无线网络接收配置以应用由所述UE支持的所述ML处理模型的版本。
35.一种无线网络实体处的无线通信的方法,包括:
从用户设备(UE)接收对支持机器学习(ML)处理模型的一个或多个版本的能力的指示;以及
将所述UE配置为应用由所述UE支持的所述ML处理模型的版本。
36.根据权利要求35所述的方法,其中,所述指示指示支持以下各项中的一项或多项的所述能力:跨越多个无线网络是公共的所述ML处理模型的第一版本、和所述ML处理模型的至少一个替代版本。
37.根据权利要求36所述的方法,其中,每个替代机器学习模型包括特定于网络的算法结构或一个或多个特定于网络的权重中的至少一项。
38.根据权利要求36所述的方法,其中,所述指示指示由所述UE支持的每个替代机器学习模型的版本标识符。
39.根据权利要求36所述的方法,其中,所述指示指示与由所述UE支持的每个替代机器学习模型相关联的公共陆地移动网络(PLMN)标识符(ID)。
40.根据权利要求36所述的方法,其中,所述无线网络实体将所述UE配置为使用由所述UE支持的所述ML处理模型的所述第一版本或所述ML处理模型的替代版本。
41.根据权利要求40所述的方法,其中,所述无线网络实体指示为所述UE配置的所述ML处理模型的版本标识符。
42.根据权利要求40所述的方法,其中,所述无线网络实体指示与为所述UE配置的替代机器学习模型相关联的公共陆地移动网络(PLMN)标识符(ID)。
43.根据权利要求40所述的方法,其中,所述无线网络实体配置由所述UE支持的替代机器学习模型的特定于网络的算法结构或一个或多个权重中的至少一项。
44.根据权利要求35所述的方法,其中,所述ML处理模型用于处理传感器数据或无线信道测量中的至少一项。
45.根据权利要求35所述的方法,其中,所述指示向所述无线网络指示所述UE针对至少一个ML处理模型支持的场景。
46.一种用于无线网络实体处的无线通信的装置,包括:
用于从用户设备(UE)接收对支持机器学习(ML)处理模型的一个或多个版本的能力的指示的单元;以及
用于将所述UE配置为应用由所述UE支持的所述ML处理模型的版本的单元。
47.根据权利要求46所述的装置,其中,所述指示指示支持以下各项中的一项或多项的所述能力:跨越多个无线网络运营商是公共的所述ML处理模型的第一版本、和所述ML处理模型的至少一个替代版本。
48.根据权利要求47所述的装置,其中,每个替代机器学习模型包括特定于网络的算法结构或一个或多个特定于网络的权重中的至少一项。
49.根据权利要求47所述的装置,其中,所述指示指示由所述UE支持的每个替代机器学习模型的版本标识符。
50.根据权利要求47所述的装置,其中,所述指示指示与由所述UE支持的每个替代机器学习模型相关联的公共陆地移动网络(PLMN)标识符(ID)。
51.根据权利要求47所述的装置,其中,所述无线网络实体将所述UE配置为使用由所述UE支持的所述ML处理模型的所述第一版本或所述ML处理模型的替代版本。
52.根据权利要求51所述的装置,其中,所述无线网络实体指示为所述UE配置的所述ML处理模型的版本标识符。
53.根据权利要求51所述的装置,其中,所述无线网络实体指示与为所述UE配置的替代机器学习模型相关联的公共陆地移动网络(PLMN)标识符(ID)。
54.根据权利要求51所述的装置,其中,所述无线网络实体配置由所述UE支持的替代机器学习模型的特定于网络的算法结构或一个或多个权重中的至少一项。
55.根据权利要求46所述的装置,其中,所述ML处理模型用于处理传感器数据或无线信道测量中的至少一项。
56.根据权利要求46所述的装置,其中,所述指示向所述无线网络指示所述UE针对至少一个ML处理模型支持的场景。
57.一种用于无线网络实体处的无线通信的装置,包括:
存储器;以及
至少一个处理器,所述至少一个处理器耦合到所述存储器并且被配置为:
从用户设备(UE)接收对支持机器学习(ML)处理模型的一个或多个版本的能力的指示;以及
将所述UE配置为应用由所述UE支持的所述ML处理模型的版本。
58.根据权利要求57所述的装置,其中,所述指示指示支持以下各项中的一项或多项的所述能力:跨越多个无线网络是公共的所述ML处理模型的第一版本、和所述ML处理模型的至少一个替代版本。
59.根据权利要求58所述的装置,其中,每个替代机器学习模型包括特定于网络的算法结构或一个或多个特定于网络的权重中的至少一项。
60.根据权利要求58所述的装置,其中,所述指示指示由所述UE支持的每个替代机器学习模型的版本标识符。
61.根据权利要求58所述的装置,其中,所述指示指示与由所述UE支持的每个替代机器学习模型相关联的公共陆地移动网络(PLMN)标识符(ID)。
62.根据权利要求58所述的装置,其中,所述无线网络实体将所述UE配置为使用由所述UE支持的所述ML处理模型的所述第一版本或所述ML处理模型的替代版本。
63.根据权利要求62所述的装置,其中,所述无线网络实体指示为所述UE配置的所述ML处理模型的版本标识符。
64.根据权利要求62所述的装置,其中,所述无线网络实体指示与为所述UE配置的替代机器学习模型相关联的公共陆地移动网络(PLMN)标识符(ID)。
65.根据权利要求62所述的装置,其中,所述无线网络实体配置由所述UE支持的替代机器学习模型的特定于网络的算法结构或一个或多个权重中的至少一项。
66.根据权利要求57所述的装置,其中,所述ML处理模型用于处理传感器数据或无线信道测量中的至少一项。
67.根据权利要求57所述的装置,其中,所述指示向所述无线网络指示所述UE针对至少一个ML处理模型支持的场景。
68.一种在无线网络实体处存储计算机可执行代码的计算机可读介质,所述代码在由处理器执行时使得所述处理器进行以下操作:
从用户设备(UE)接收对支持机器学习(ML)处理模型的一个或多个版本的能力的指示;以及
将所述UE配置为应用由所述UE支持的所述ML处理模型的版本。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/120558 WO2022077202A1 (en) | 2020-10-13 | 2020-10-13 | Methods and apparatus for managing ml processing model |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116325870A true CN116325870A (zh) | 2023-06-23 |
Family
ID=81208830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080105937.9A Pending CN116325870A (zh) | 2020-10-13 | 2020-10-13 | 用于管理ml处理模型的方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230379692A1 (zh) |
EP (1) | EP4229788A4 (zh) |
CN (1) | CN116325870A (zh) |
WO (1) | WO2022077202A1 (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023209577A1 (en) * | 2022-04-25 | 2023-11-02 | Telefonaktiebolaget Lm Ericsson (Publ) | Ml model support and model id handling by ue and network |
WO2023211343A1 (en) * | 2022-04-29 | 2023-11-02 | Telefonaktiebolaget Lm Ericsson (Publ) | Machine learning model feature set reporting |
US20240088968A1 (en) * | 2022-06-03 | 2024-03-14 | Samsung Electronics Co., Ltd. | Method and apparatus for support of machine learning or artificial intelligence-assisted csi feedback |
GB202209942D0 (en) * | 2022-07-06 | 2022-08-17 | Samsung Electronics Co Ltd | Artificial intelligence and machine learning models management and/or training |
WO2024030333A1 (en) * | 2022-08-01 | 2024-02-08 | Apple Inc. | Method and apparatus for ai model definition and ai model transfer |
WO2024031662A1 (en) * | 2022-08-12 | 2024-02-15 | Google Llc | Csi reports based on ml techniques |
US20240064574A1 (en) * | 2022-08-22 | 2024-02-22 | Qualcomm Incorporated | Machine learning component management |
GB2622606A (en) * | 2022-09-22 | 2024-03-27 | Nokia Technologies Oy | Capability reporting for multi-model artificial intelligence/machine learning user equipment features |
US20240104426A1 (en) * | 2022-09-26 | 2024-03-28 | Qualcomm Incorporated | MACHINE LEARNING SIGNALING AND OPERATIONS FOR WIRELESS LOCAL AREA NETWORKS (WLANs) |
WO2024092755A1 (en) * | 2022-11-04 | 2024-05-10 | Huawei Technologies Co., Ltd. | Management of machine learning models in communication systems |
WO2024096805A1 (en) * | 2022-11-04 | 2024-05-10 | Telefonaktiebolaget Lm Ericsson (Publ) | Communicating based on network configuration identifier sharing |
WO2024092722A1 (en) * | 2022-11-04 | 2024-05-10 | Qualcomm Incorporated | Group-based management of artificial intelligence and machine learning models |
CN118283668A (zh) * | 2022-12-29 | 2024-07-02 | 维沃移动通信有限公司 | 数据收集方法、装置、终端及网络侧设备 |
CN118283645A (zh) * | 2022-12-29 | 2024-07-02 | 维沃移动通信有限公司 | 模型信息传输方法、装置及设备 |
WO2024138673A1 (zh) * | 2022-12-30 | 2024-07-04 | Oppo广东移动通信有限公司 | 无线通信的方法及通信设备 |
WO2024152178A1 (en) * | 2023-01-16 | 2024-07-25 | Nec Corporation | Methods, devices and medium for communication |
GB2626779A (en) * | 2023-02-03 | 2024-08-07 | Nokia Technologies Oy | Apparatus, method, and computer program |
GB2627249A (en) * | 2023-02-16 | 2024-08-21 | Nec Corp | Communication system |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109328466A (zh) * | 2016-06-27 | 2019-02-12 | 高通股份有限公司 | 对中性主机网络的归属路由能力的确定 |
US20190393979A1 (en) * | 2018-06-21 | 2019-12-26 | Mediatek Inc. | Csi measurement configuration and ue capability signaling |
WO2020080989A1 (en) * | 2018-10-19 | 2020-04-23 | Telefonaktiebolaget Lm Ericsson (Publ) | Handling of machine learning to improve performance of a wireless communications network |
CN111262667A (zh) * | 2018-11-30 | 2020-06-09 | 华为技术有限公司 | 信道探测的配置方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10165105B1 (en) * | 2017-09-19 | 2018-12-25 | Qualcomm Incorporated | Method and system for user equipment communication mode selection |
US10380992B2 (en) * | 2017-11-13 | 2019-08-13 | GM Global Technology Operations LLC | Natural language generation based on user speech style |
CN110691385B (zh) * | 2018-07-06 | 2023-03-31 | 中国移动通信有限公司研究院 | 语音业务的处理方法、装置、相关设备及存储介质 |
-
2020
- 2020-10-13 US US18/024,263 patent/US20230379692A1/en active Pending
- 2020-10-13 CN CN202080105937.9A patent/CN116325870A/zh active Pending
- 2020-10-13 WO PCT/CN2020/120558 patent/WO2022077202A1/en active Application Filing
- 2020-10-13 EP EP20956984.7A patent/EP4229788A4/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109328466A (zh) * | 2016-06-27 | 2019-02-12 | 高通股份有限公司 | 对中性主机网络的归属路由能力的确定 |
US20190393979A1 (en) * | 2018-06-21 | 2019-12-26 | Mediatek Inc. | Csi measurement configuration and ue capability signaling |
WO2020080989A1 (en) * | 2018-10-19 | 2020-04-23 | Telefonaktiebolaget Lm Ericsson (Publ) | Handling of machine learning to improve performance of a wireless communications network |
CN111262667A (zh) * | 2018-11-30 | 2020-06-09 | 华为技术有限公司 | 信道探测的配置方法及装置 |
Non-Patent Citations (1)
Title |
---|
ITU-T: "Architectural framework for machine learning in future networks including IMT-2020", ITU-T Y.3172, 22 June 2019 (2019-06-22), pages 14 * |
Also Published As
Publication number | Publication date |
---|---|
WO2022077202A1 (en) | 2022-04-21 |
EP4229788A1 (en) | 2023-08-23 |
EP4229788A4 (en) | 2024-07-03 |
US20230379692A1 (en) | 2023-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022077202A1 (en) | Methods and apparatus for managing ml processing model | |
CN114009142B (zh) | Rrc状态之间ue辅助的快速转换 | |
CN115552837B (zh) | 用于跨载波多dci的qcl假设的方法和装置 | |
CN116261872A (zh) | 跨越服务和非服务小区的小区间移动性 | |
CN113940023B (zh) | 用于促进针对上行链路控制信道和探测参考信号的空间关系指示的方法和装置 | |
CN113873631B (zh) | 用于无线通信的方法和装置 | |
CN114830590B (zh) | 全双工干扰测量和报告 | |
CN115053487B (zh) | 由用户设备信号通知能力信息 | |
CN116250347A (zh) | 用于在动态频谱共享中处理crs干扰的方法和装置 | |
CN116097593A (zh) | 用于重复或跳频的增强的pucch传输 | |
CN116210298A (zh) | 用于基于pci的波束激活的方法和装置 | |
CN116783960A (zh) | 侧链路fr2 ue间干扰管理 | |
US20210153003A1 (en) | Ue capability reporting for configured and activated pathloss reference signals | |
US20210112434A1 (en) | Preconfigured gaps for measurements based on configured bwps | |
WO2022015434A1 (en) | Facilitating communication based on frequency ranges | |
CN116097861A (zh) | 经由scg暂停或激活的快速切片切换 | |
CN116235605A (zh) | 关联传输接收点与控制资源集 | |
CN118160248A (zh) | 基于l1报告的pdcch重复配置 | |
CN116326169B (zh) | 用于rsu辅助uu连接的协议栈和承载建模 | |
CN117751560A (zh) | 基于机器学习的动态解调器选择 | |
CN117480816A (zh) | 集成接入和回程节点中的增强重建过程 | |
WO2022211943A1 (en) | Cell barring procedure in ntn | |
CN117121428A (zh) | 对ue特定pdcch监测机会的确定 | |
CN117063428A (zh) | 针对物理信道的单独tci列表的共同波束指示/激活 | |
CN116868681A (zh) | 通过用户设备协作扩展上行链路通信 |
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 |