CN116438830A - Ue驱动的天线倾斜 - Google Patents

Abstract

本公开涉及一种无线通信设备(103)的促进控制无线电基站(101)的天线倾斜的方法、一种无线电基站(101)的促进控制无线电基站(101)处的天线倾斜的方法、以及执行相应方法的无线通信设备(103)和无线电基站(101)。在第一方面，提供了一种无线通信设备(103)的促进控制无线电基站(101)的天线倾斜的方法。该方法包括：从无线电基站(101)接收(S202)指示无线电基站(101)的位置的信息；确定(S203)从无线电基站接收的信号的质量度量的一组值以及无线通信设备(103)与确定该组中的每个值时的无线电基站(101)的位置之间的距离；向机器学习模型提供(S204)所确定的所述质量度量的一组值以及针对每个值的无线通信设备(103)与无线电基站(101)的位置的距离，从而创建经训练的机器学习模型，该经训练的机器学习模型将无线通信设备(103)与无线电基站(101)的位置的距离与从无线电基站(101)接收的信号的质量度量的值相关联；以及向无线电基站(101)发送(S205)该经训练的机器学习模型，无线电基站(101)使用该经训练的机器学习模型来控制天线倾斜。

Description

UE驱动的天线倾斜

技术领域

本公开涉及一种无线通信设备的促进控制无线电基站的天线倾斜的方法、一种无线电基站的促进控制该无线电基站处的天线倾斜的方法、以及执行相应方法的无线通信设备和无线电基站。

背景技术

在无线通信网络中，无线电基站(RBS)通常使用天线倾斜将天线的主瓣对准向上或向下的方向。这样做是为了例如减少干扰或增加由天线服务的特定区域中的覆盖。

因此，机械地倾斜天线会改变由RBS所提供的覆盖，并且必须仔细考虑。在某些情况下，天线的调整甚至需要许可，并因此应该不经常发生。

发明内容

一个目的是使促进控制无线电基站的天线倾斜的改进方法可用。

在第一方面中，通过一种无线通信设备的促进控制无线电基站的天线倾斜的方法来实现该目的。该方法包括：从无线电基站接收指示无线电基站的位置的信息；确定从无线电基站接收的信号的质量度量的一组值以及无线通信设备与确定该组中的每个值时的无线电基站的位置之间的距离；向机器学习模型提供所确定的所述质量度量的一组值以及针对每个值的无线通信设备与无线电基站的位置的距离，从而创建经训练的机器学习模型，该经训练的机器学习模型将无线通信设备与无线电基站的位置的距离与从无线电基站接收的信号的质量度量的值相关联；以及向无线电基站发送该经训练的机器学习模型，无线电基站使用该经训练的机器学习模型来控制天线倾斜。

在第二方面中，通过一种被配置为促进控制无线电基站的天线倾斜的无线通信设备来实现该目的，该无线通信设备包括处理单元和存储器，所述存储器包含由所述处理单元可执行的指令，由此，可无线通信设备可操作以：从无线电基站接收指示无线电基站的位置的信息；确定从无线电基站接收的信号的质量度量的一组值以及无线通信设备与确定该组中的每个值时的无线电基站的位置之间的距离；向机器学习模型提供所确定的所述质量度量的一组值以及针对每个值的无线通信设备与无线电基站的位置的距离，从而创建经训练的机器学习模型，该经训练的机器学习模型将无线通信设备与无线电基站的位置的距离与从无线电基站接收的信号的质量度量的值相关联；以及向无线电基站发送该经训练的机器学习模型，无线电基站使用该经训练的机器学习模型来控制天线倾斜。

在第三方面中，通过一种无线电基站的促进控制该无线电基站处的天线倾斜的方法来实现该目的。该方法包括：向所选择的由无线电基站服务的一组无线通信设备发送指示无线电基站的位置的信息；从该组中的无线通信设备的至少子集中的每个无线通信设备接收经训练的机器学习模型，该经训练的机器学习模型将所述每个无线通信设备与无线电基站的位置的距离与在所述每个无线通信设备处从无线电基站接收的信号的质量度量的值相关联；以及将所接收的经训练的机器学习模型聚合成单个经训练的机器学习模型，该单个经训练的机器学习模型被用于控制无线电基站处的天线倾斜。

在第四方面中，通过一种被配置为促进控制无线电基站处的天线倾斜的无线电基站来实现该目的，该无线电基站包括处理单元和存储器，所述存储器包含由所述处理单元可执行的指令，由此，该无线电基站可操作以：向所选择的由无线电基站服务的一组无线通信设备发送指示无线电基站的位置的信息；从该组中的无线通信设备的至少子集中的每个无线通信设备接收经训练的机器学习模型，该经训练的机器学习模型将所述每个无线通信设备与无线电基站的位置的距离与在所述每个无线通信设备处从无线电基站接收的信号的质量度量的值相关联；以及将所接收的经训练的机器学习模型聚合成单个经训练的机器学习模型，该单个经训练的机器学习模型被用于控制无线电基站处的天线倾斜。

有利地，考虑到由无线电基站服务的无线通信设备的移动和所接收的信号的体验质量，创建一种模型，该模型使用机器学习(ML)和大量数据进行训练以用作用于控制无线电基站处的天线倾斜的基础。

在一些实施例中，由无线通信设备接收的信息进一步包括以下中的一项或多项：指示被使用的机器学习模型的类型的信息、指示被使用的机器学习模型的特征空间的信息、指示当训练机器学习模型时要由无线通信设备分配的资源量的信息。

在一些实施例中，特征空间进一步包括用于无线通信设备的模型类型。

在一些实施例中，质量度量是以下中的一项：信干噪比(SINR)、信噪比(SNR)、服务质量(QoS)、信道质量指示(CQI)、参考信号接收质量(RSRQ)、以及参考信号接收功率(RSRP)。

在一些实施例中，无线电基站进一步可操作以：使用单个经训练的机器学习模型，计算由在与无线电基站的特定距离处的无线通信设备从无线电基站接收的信号的质量度量的预期值；确定所计算的预期值是否超过用于所述质量度量的最小阈值；以及如果否，则改变无线电基站的天线的倾斜。

在一些实施例中，无线电基站进一步可操作以：从一个或多个无线通信设备接收响应，该响应指示在改变天线的倾斜时从无线电基站接收的信号的质量度量的值是否超过用于所述质量度量的最小阈值；以及如果否，则改变无线电基站的天线的倾斜，直到接收到指示信号的质量度量的值超过最小阈值的响应为止。

在一些实施例中，无线电基站进一步可操作以：选择由无线电基站服务的将要向其发送指示无线电基站的位置的信息的一组无线通信设备，该组被选择为包括以下中的任何一项或多项：处于与无线电基站的无线电资源控制(RRC)连接状态最长总时间的选定数量的无线通信设备、位于在彼此之间的最大可允许距离内的无线通信设备、具有特定服务水平协议(SLA)状态的无线通信设备、与另一组无线通信设备相比位于更靠近无线电基站的位置的无线通信设备、或者访问特定服务的无线通信设备。

在一些实施例中，无线电基站进一步可操作以：实现未位于天线的覆盖内的一组无线通信设备到无线电基站的另一个天线或者到相邻无线电基站的切换。

在一些实施例中，无线电基站进一步可操作以：获取在模拟期间创建的经训练的强化学习模型，在模拟期间创建的强化学习模型被训练以产生由位于与无线电基站的特定距离的无线通信设备接收的信号的质量度量的值作为输出。

在第五方面中，通过一种包括计算机可执行指令的计算机程序来实现该目的，当这些计算机可执行指令在无线通信设备中包括的处理单元上被执行时，这些计算机可执行指令用于使无线通信设备执行根据第一方面的方法中所述的步骤。

在第六方面中，通过一种包括计算机可读介质的计算机程序产品来实现该目的，在该计算机可读介质上体现有根据第五方面所述的计算机程序。

在第七方面中，通过一种包括计算机可执行指令的计算机程序来实现该目标，当这些计算机可执行指令在无线电基站中包括的处理单元上被执行时，这些计算机可执行指令用于使无线电基站执行根据第三方面的方法中所述的步骤。

在第八方面中，通过一种包括计算机可读介质的计算机程序产品来实现该目的，在该计算机可读介质上体现有根据第七方面所述的计算机程序。

通常，除非本文另外明确定义，否则权利要求中使用的所有术语将根据其在技术领域中的普通含义来解释。除非另外明确说明，否则所有对“一/一个/该元件、装置、组件、部件、步骤等”的提及将开放地被解释为是指该元件、装置、组件、部件、步骤等的至少一个实例。除非明确说明，否则本文所公开的任何方法的步骤不必以所公开的确切顺序执行。

附图说明

现在参考附图，通过示例的方式来描述各方面和实施例，其中：

图1示出包括被配备有可倾斜天线的无线电基站和由无线电基站服务的一组无线通信设备的无线通信网络；

图2示出使用例如强化学习(RL)算法在模拟环境中创建和训练的模型，该模型将由无线通信设备接收的信号的质量度量与无线通信设备的位置相关联；

图3示出图示根据一些实施例的创建用于促进控制无线电基站的天线倾斜的ML模型的方法的流程图；

图4示出根据一些实施例的其中无线电基站使用图3的经训练的ML模型控制天线的倾斜的信令图；

图5示出根据实施例的无线通信设备；以及

图6示出根据实施例的无线电基站。

具体实施方式

现在将在下文中参考附图更全面地描述本公开的各方面，在附图中示出了本发明的某些实施例。

然而，这些方面可以以多种不同的形式体现，并且不应被解释为具有限制；相反，通过示例的方式提供这些实施例以使得本公开详尽并完整，并且将本发明的所有方面的范围完全传达给本领域技术人员。在该描述中相同的编号指代相同的元件。

图1示出了无线通信网络100，其包括被配备有至少一个可倾斜天线102的无线电基站(RBS)101、以及由RBS 101服务的一组无线通信设备103-107。无线通信设备103-107通常被称为用户设备(UE)。注意，在实践中，RBS可以服务数百个或者甚至数千个UE。

在第三代(3G)通用移动电信系统(UMTS)中，RBS通常被称为NodeB，在第四代(4G)长期演进中，RBS通常被称为演进型节点B(eNodeB)，而在第五代(5G)新无线电(NR)中，RBS通常被称为gNodeB(“下一代NodeB”)。

UE可以例如由智能电话、平板电脑、游戏控制台、联网车辆等体现。

现今，RBS 101相对较少地执行天线102的倾斜，诸如例如，每天几次，具体取决于UE 103-107如何在地理上被部署在由RBS 101服务的小区108中。

需要找到一种UE针对从RBS 101接收的信号所经历的质量度量如何随UE在小区108中的位置而变化以便确定天线102应当如何以及何时被倾斜的模型。例如，RBS 101将受益于可以访问借助于使用机器学习(ML)创建的指示在小区108中的某个位置处的UE预期的质量度量的模型。

注意，在实践中，仅当一大组UE指示倾斜有益时才执行天线倾斜，而不是基于几个单独的UE做出的决定。因此，在执行天线倾斜之前必须进行仔细考虑。

用于接收信号的这种质量度量可以例如通过以下项表示：接收信号的信干噪比(SINR)或信噪比(SNR)，或者其他质量度量，诸如服务质量(QoS)、信道质量指示(CQI)、参考信号接收质量(RSRQ)、参考信号接收功率(RSRP)等。在以下例示实施例中，接收信号的这种质量度量将由SINR表示。

图2示出了使用例如被提供有从图1的无线通信网络100收集的现场数据的强化学习(RL)算法在模拟环境中创建和训练的这种模型。

如将在下文中更详细地讨论的，在模拟期间创建的这种模型可以用作RBS 101在与UE 103-107协作创建真实世界模型时的起始点。质量度量将以SINR的形式体现，即使可以使用上面提及的度量的任何一个或组合。

在图2的模拟模型中，针对从RBS 101发送的信号的天线倾斜和传输功率的不同配置，RBS接收关于以下项的信息：

-UE在小区中的特定位置处接收信号所经历的SINR，即，第一UE

103针对configuration_1在location_1处经历SINR_1，第二UE 104针对configuration_1在location_2处经历SINR_2等。

例如，如果将使用循环神经网络(RNN)而不是RL，则使用先前获取的SINR的序列来对在一个时间段期间的接下来n个SINR进行预测。

在图2中，RBS 101在步骤S101中以适当的初始状态开始，该初始状态例如可以从历史数据或模拟中导出。

之后，RBS 101在步骤S102中选择用于将要被发送到第一UE 103的信号的天线倾斜和功率的特定配置。如所理解的，更高的信号传输功率通常将会导致第一UE 103针对接收信号经历更高的SINR，但还将会不受欢迎地导致更高的RBS能耗。

在已选择了特定配置(例如，configuration_1)之后，由RBS 101在步骤S103中使用所选择的配置将信号发送到第一UE 103，之后，在选择configuration_1之后，RL算法在步骤S104中进入新状态。

在步骤S103中接收到信号后，第一UE 103在步骤S105中将其在小区108中的位置返回到RBS 101。该信息可以更详细或不太详细，例如，通过返回指示第一UE 103的经度/纬度或全球定位系统(GPS)坐标的数据或仅与RBS 101的距离。

如所理解的，第一UE 103可以可选地在步骤S104中返回其他数据，诸如指示在使用多个天线的情况下RBS 101的天线的互通程度的秩指示符(RI)、或者指示RBS 101与第一UE 103之间的信道的质量水平的信道质量指示符(CQI)。通常，RBS 101可以访问的信息越多，天线倾斜配置选择越合格。

此外，第一UE 103在步骤S106中确定第一UE 103针对接收信号所经历的SINR是否超过所需阈值T，并且如果超过，则在步骤S107中向RBS 101发送回确认(ACK)信号。

因此，借助于在步骤S107中接收的ACK，RBS 101被提供有第一UE 103所经历的SINR的指示。在该示例中，RBS 101未被提供有显式数值，而是被隐式地告知SINR至少超过值T。可替代地，RBS 101在步骤S104中从CQI中导出SINR值，或者甚至在步骤S103中接收SINR值。

随着时间的推移，每次针对发送信号接收到ACK时，RL算法都会在步骤S108中奖励它自己，并因此将了解哪些天线倾斜配置成功和哪些配置不成功。

因此，如对于RL算法常见的，RL模型通过与其模拟环境交互来训练，并且基于奖励函数，RL模型构建了对最佳动作的学习，从而在一个时间段内产生最高的累积奖励。

因此，RBS 101将利用图2中所示的RL模拟算法，以经训练的RL模型的形式获取(a)天线倾斜配置，(b)第一UE 103在特定位置处所经历的SINR之间的关联。这可以针对小区108中的许多不同的天线倾斜配置和UE位置进行模拟。

RBS 101可以从经模拟的RL模型中断定如果某个数量的UE在小区108中被服务并以某种方式分散在小区108上，则configuration_1优选地被用于天线倾斜，而如果不同数量的UE在小区108中被服务并以某种方式被部署在小区108中，则将使用configuration_2，依此类推。

模拟的一个问题是RL模型无法考虑所有可能的真实生活场景。RBS 101的天线倾斜配置与特定位置中的UE的SINR之间的关联在很大程度上取决于RBS 101与UE之间的信号传播条件，即，由于天气条件(诸如云或雨)而导致的信号衰落或衰减、来自相邻小区的干扰、信号是直接从RBS 101传播到UE还是受到反射等。

此外，在实际的真实生活场景中，UE 103-107的用户出于隐私原因而不一定倾向于与RBS 101共享他们的位置；从用户的角度来看，位置数据通常被认为是敏感的。

因此，尽管利用上面参考图2所描述的RL模拟算法而创建的经训练的RL模型可以有利地被用作确定特定天线倾斜配置的起始点，但将必须创建考虑到真实生活条件的模型。

图3示出了图示根据实施例的创建用于促进控制RBS 101的天线倾斜的模型的方法的流程图。

在第一步骤S201中，RBS 101选择将要向其发送数据的一个或多个UE，以用于创建用于控制天线102的倾斜的模型。

现在，因为RBS 101可以服务数百个或者甚至数千个UE，所以通常选择子集，诸如五个UE 103-107。如先前所述，天线倾斜和可能的信号传输功率通常不会动态地改变(在某些情况下，这种调整甚至需要许可，从而很少发生)，因此，缓慢移动和相对静止的UE的SINR通常令人感兴趣，例如，以由居住在由小区108所形成的特定区域中的用户把持的UE的形式。

例如，从由RBS 101在步骤S201中选择的第一UE 103开始，RBS在步骤S202中发送信号，针对其第一UE 103将在接收时测量SINR。此外，RBS 101在发送信号中包括信息元素(IE)项，其包括第一UE 103训练ML模型所需的信息，如将在下面所述。

IE可以包括第一UE 103用于训练其ML模型以随后提供给RBS 101的多个元素，如下所列。

-“model_type”。该元素指示正在使用的ML模型和架构(可以使用不同类型的ML模型以及每个ML模型的参数)，例如，随机森林树回归或神经网络回归。

在使用神经网络的情况下，可以例如考虑具有两个输入特征、一个隐藏层(包括例如32个神经元)和一个输出的小型前馈神经网络。在神经网络的情况下，超参数可以包括批量大小、历元数量、优化器算法、学习速率等。在随机森林树的情况下，一个示例将是树的深度。其他机器学习模型也适用，诸如xgboost。应当注意，model_type元素是可选的，因为RBS101和UE可能已经在系统级别上商定将ML模型与适当的超参数一起使用。

-“feature_space”。该元素包含将由第一UE 103用于训练ML模型的特征的列表。

如参考图2所讨论的，正在使用的一个特征是distance，即，RBS 101与第一UE 103之间的距离，而目标变量是SINR。另一个可选特征是device type。也就是说，不同类型或品牌的UE(诸如Samsung和iPhone)可经历不同的SINR。换言之，SINR＝f(distance,devicetype)。在确定SINR时，可以设想其他特征(例如，UE的活动或者来自UE的加速度计的信息)，以确定当UE的天线正在记录SINR时用户正在如何把持UE。可替代地，UE的方位替代距离可以被用作特征。

-“location_of_rbs”。顾名思义，该元素包括指示RBS 101的位置的信息。

如先前所述，要克服的问题是，出于隐私原因，RBS 101无法被提供有指示UE位置的信息。因此，RBS 101的位置被提供给每个UE，因此每个UE能够确定其与RBS 101的距离(或者甚至相对于RBS 101的确切位置)。

第一UE 103的任务是收集在不同的时间点的(SINR,distance)的记录，如结合“feature_space”元素所讨论的。如果UE没有足够的这种记录，则它将不会立即训练其ML模型而是收集所需数量的记录，而同时RBS 101将选择另一个UE(诸如第二UE 104)。当第一UE103已收集足够的样本时，可以在稍后的时间点再次选择它以有助于包括五个UE 103-107的协作训练过程。

-budget(hyper_parameters)。该元素向第一UE 103指示当训练ML模型时应当由第一UE 103分配多少资源。

例如，budget(hyper_parameters)可以指示将要使用多少处理能力(例如，在将要使用多少中央处理单元(CPU)资源或者将要分配多少随机存取存储器(RAM)资源方面)、在训练上花费的时间量、在其中第一UE 103已无法产生适当的模型的场景中何时终止训练等。类似于model_type元素，budget(hyper_parameters)元素是可选的，因为它可已经在系统级别上被设置，其中，UE知道在训练ML模型时要分配多少资源。

因此，第一UE 103将在步骤S203中测量多个SINR值，并基于所接收的指示RBS 101的位置的信息，针对每个所测量的SINR值记录其位置。

在步骤S204中，第一UE 103通过向ML模型提供所测量的SINR值和对应的距离来训练其ML模型，潜在地考虑UE的特定设备类型(

等)，从而创建经训练的ML模型：

之后，第一UE 103将在步骤S205中向RBS 101发送经训练的ML模型。

因此，RBS 101将可以访问ML模型，其中，RBS 101可以输入距离值(以及可选的设备类型)，并接收由所接收和经训练的ML模型所计算的预期SINR值作为输出。换言之，RBS101在步骤S205中接收经训练的ML模型，该模型将第一UE 103与RBS 101的位置的距离与从RBS 101接收的信号的所测量的SINR的值相关联。

在神经网络的情况下，经训练的ML模型可以包括超参数数组，而在随机森林树的情况下，经训练的ML模式可以包括估计器阵列(xgboost和其他ML模型具有其深奥的表示)。

现在，在一个实施例中，RBS 101将在已从第一UE 103接收到经训练的ML模型之后，针对第二UE 104等执行步骤S202-S204，直到已完成在步骤S201中选择的所有UE即在该示例中为所有五个UE 103-107为止。

RBS 101将在步骤S206中将所接收的五个经训练的ML模型聚合成单个经训练的ML模型，该模型随后将被用于控制RBS 101处的天线倾斜。有利地，UE 103-107因此将协作地训练被提供给RBS 101的ML模型，这允许使用大量数据来训练ML模型，从而将产生更准确的ML模型。这通常被称为联合或协作学习。

注意，将经训练的ML模型聚合成单个经训练的模型可以可替代地由除了RBS 101以外的一些其他合适的节点(诸如核心网络节点)来执行或者甚至在云配置中执行。这种节点进而可以指示RBS 101如何执行天线倾斜。

在神经网络的情况下，可以使用被称为联合平均的过程来执行经训练的ML模型的聚合。在随机森林树的情况下，可以执行堆叠过程，其中，所有经训练的ML模型被组合成单个ML模型。

有利地，因为UE各自向RBS 101返回经训练的ML模型，RBS 101可以从中计算针对特定UE距离的预期SINR值，因此UE的用户隐私得到了保护；未向RBS 101提供UE 103-107的距离或位置数据。

在所描述的实施例中，接收信号的质量度量由SINR表示。如先前所述，可以使用任何合适的质量度量，诸如SNR、QoS、CQI、RSRQ、RSRP等。

应当注意，RBS 101通常被配备有多个天线，其中，针对每个天线创建和训练ML模型。随着时间的推移，ML模型可能必须被重新训练，以防环境已发生变化(例如，新的建筑已建成和/或更多的人已搬入该区域中)。

在一个实施例中，当在步骤S201中选择要用于ML模型的协作训练的一组UE时，选择最经常通过无线电资源控制(RRC)协议处于与RBS 101的连接状态的UE。例如，RBS 101每天检查每个UE已处于连接状态的总时间。例如，在由RBS 101服务的所有UE中，选择在RRC连接状态的持续时间方面前k个UE参加ML模型的训练。

在另一个实施例中，当在步骤S201中进行选择时，使用聚类方法，其中，选择由RBS101所服务的UE的群集。

在进一步的实施例中，如果例如所选择的群集被认为太大，则可以从所选择的群集中选择UE的进一步的子集。

当将一组UE分类成群集时，可以考虑多个参数，诸如位置以及一天或一周中的时间。例如，在购物中心中，在非办公时间和周末具有更多的人，而在以托管企业为主的区域中，在办公时间具有大量用户，但在晚上和周末几乎没有人。在另一个示例中，足球场可能例如在周三和周日晚上7点到10点之间定期接待大量用户，但在这些时间段之外用户相当少(偶尔的音乐会和类似的活动除外，这些可能是及时预期的)。

现在，在诸如购物中心、办公室或足球场之类的群集中，因为用户在物理上彼此相对接近(例如与郊区相比)，所以他们将经历大致相同或者至少类似的SINR，而相邻群集中的用户可经历截然不同的SINR。

当将一组UE分类成群集时，在群集中UE不应彼此相距太远，因为这可能将导致同一群集中的多个UE在SINR方面经历巨大的差异，并因此不适合作为该群集的代表。因此，可能不适合创建例如圆形群集或质心形群集，这可能导致UE在群集内彼此相距太远。在这方面，可以使用所谓的变色龙算法(Chameleon Algorithm)建立非圆形群集。

在一个实施例中，选择被包括在群集中的UE组以包括位于在彼此之间的最大可允许距离内的选定数量的UE。

还可以考虑其他参数，诸如例如服务水平协议(SLA)。例如，与第二群集的用户相比，第一群集可以包括有资格获得如由SLA所规定的更高服务质量的用户，在这种情况下，RBS 101可以在朝向第一群集的方向上倾斜天线102。此外，这可以被纳入经训练的ML模型中，例如，通过在特征空间中包括参数。

在实践中，RBS 101可以服务多个群集，这可在倾斜优化中产生可能的冲突。在一个实施例中，这使用优先化来进行处理，例如，基于群集的位置。例如，与指示住宅区的第二群集位置相比，指示企业的第一群集位置可以被赋予更高的优先级。

在另一个示例中，如与第二群集位置相比，更靠近RBS 101的第一群集位置将被赋予优先级。

在又一个示例中，在形成群集之后，可以根据群集中的UE所消费的服务类型，将某些权重与该群集相关联。

在一个示例中，包含15个UE的第一群集中有10个UE消费增强型移动宽带(eMBB)服务，而剩余5个UE消费超可靠低延迟通信(URLLC)服务。在该示例中，eMBB被赋予权重1，而URLLC被赋予权重3。因此，第一群集的优先级权重是10*1+5*3＝25。

包含18个UE的第二群集中有16个UE消费eMBB服务，而剩余2个UE消费URLLC服务。因此，第二群集的优先级权重是16*1+2*3＝22。

在该示例中，由于更高的权重值，第一群集将优先于第二群集而被选择。

此外，在图2中提到的RL模型的训练期间，可以设想，如与第二群集的UE相比，针对第一群集的UE赋予更高权重的奖励，以学习在确定天线倾斜时第一群集UE应被赋予优先级的RL模型。

图4示出了根据实施例的其中RBS使用经训练的ML模型控制天线102的倾斜的信令图。

在步骤S301中，RBS 101使用经训练的ML模型，计算针对在与RBS 101的特定距离的一组UE(可能形成如先前所述的所确定的群集的一部分)的预期SINR。同样地，可以设想除了SINR以外的信号的其他质量度量，诸如SNR、QoS、CQI、RSRQ、RSRP等。

在步骤S302中，RBS 101确定预期SINR是否足够高，即，由经训练的ML模型所计算的预期SINR是否超过最小SINR阈值。也就是说，是否预期SINR>SINR_MIN。如果是，则不改变天线倾斜，因为被发送到在与RBS 101的这种距离处的UE的信号被认为具有足够的SINR。

相反，如果预期SINR≤SINR_MIN，则RBS 101在步骤S303中改变天线倾斜，并向UE组中的每个UE发送信号。UE将响应于所接收的信号，测量所经历的SINR，并在步骤S304中向RBS 101发送ACK或NACK，具体取决于所经历的SINR是否足够高。

这将用作向RBS 101确认天线倾斜的改变是否成功。如果接收到ACK(或者至少足够高数量的ACK)，则RBS 101断定天线倾斜的改变确实是成功的。如果否，例如如果接收到大量NACK，则对天线倾斜进行进一步改变，直到找到成功的天线倾斜为止。天线倾斜可以利用传输功率的改变来补充。

此外，向RBS 101的这种确认还可以用作对RBS 101所使用的经训练的ML模型的奖励。如果天线倾斜的改变确实是成功的，则RBS 101通过向经训练的ML模型提供指示ML模型的天线倾斜预测正确的奖励来应用强化学习。

注意，当确定是否如参考图4所述来改变RBS 101的天线倾斜时，该决定是基于大量UE的位置而不是单个UE的位置。例如，假定RBS 101的小区108服务购物中心；进而，要做出的决定可以是天线将要朝向购物中心的北部(“distance1”)倾斜还是朝向购物中心的南部(“distance2”)倾斜。换言之，UE在UE位置方面的隐私得到了保护。

在另一个实施例中，其中由RBS 101所服务的小区108中的UE被分类成群集(诸如第一和第二群集)，不在RBS 101的第一天线102的覆盖内的这两个群集中的一个群集中的UE可以被切换到RBS 101的第二天线，或者甚至被切换到相邻RBS以从相邻RBS接收服务。

如果天线102朝向这两个群集中的一个群集急剧倾斜以使得另一个群集不再在天线102的覆盖内，则可能发生这种情况。

如果天线倾斜机制存在缺陷以使得无法执行所需倾斜(这可能使一组UE没有覆盖)，则还可能发生这种情况。

图5示出了根据实施例的被配置为促进控制天线倾斜的无线通信设备103(被称为UE)。由UE 103执行的方法的步骤实际上由以一个或多个微处理器形式体现的处理单元121来执行，这些微处理器被设置为执行计算机程序122，计算机程序122被下载到与该微处理器相关联的合适的易失性存储介质123(诸如随机存取存储器(RAM))或非易失性存储介质(诸如闪存或硬盘驱动器)中。处理单元121被设置为当包括计算机可执行指令的合适的计算机程序122被下载到存储介质123中并由处理单元121执行时使UE 103执行根据实施例的方法。存储介质123还可以是包括计算机程序122的计算机程序产品。可替代地，可以借助于诸如数字多功能光盘(DVD)或记忆棒之类的合适的计算机程序产品，将计算机程序122传输到存储介质123中。作为进一步替代方案，可以通过网络将计算机程序122下载到存储介质123中。可替代地，处理单元121可以以数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、复杂可编程逻辑设备(CPLD)等形式被体现。

图6示出了根据实施例的被配置为促进控制天线倾斜的RBS 101。由RBS 101执行的方法的步骤实际上由以一个或多个微处理器形式体现的处理单元131来执行，这些微处理器被设置为执行计算机程序132，计算机程序132被下载到与该微处理器相关联的合适的易失性存储介质133(诸如RAM)或非易失性存储介质(诸如闪存或硬盘驱动器)中。处理单元131被设置为当包括计算机可执行指令的合适的计算机程序132被下载到存储介质133中并由处理单元131执行时使RBS 101执行根据实施例的方法。存储介质133还可以是包括计算机程序132的计算机程序产品。可替代地，可以借助于诸如DVD或记忆棒之类的合适的计算机程序产品，将计算机程序132传输到存储介质133中。作为进一步替代方案，可以通过网络将计算机程序132下载到存储介质133中。可替代地，处理单元131可以以DSP、ASIC、FPGA、CPLD等形式被体现。

上面主要参考几个实施例及其示例描述了本公开的各方面。然而，如本领域技术人员容易理解的，在如由所附专利权利要求限定的本发明的范围内，上面公开的实施例之外的其他实施例同样是可能的。

因此，尽管本文公开了各个方面和实施例，但其他方面和实施例对本领域技术人员来说将是显而易见的。本文公开的各个方面和实施例是为了示例目的而并非旨在进行限制，其中真正的范围和精神由所附权利要求表明。

Claims (24)

1.一种无线通信设备(103)的促进控制无线电基站(101)的天线倾斜的方法，包括：

从所述无线电基站(101)接收(S202)指示所述无线电基站(101)的位置的信息；

确定(S203)从所述无线电基站接收的信号的质量度量的一组值以及所述无线通信设备(103)与确定所述组中的每个值时的所述无线电基站(101)的位置之间的距离；

向机器学习模型提供(S204)所确定的所述质量度量的一组值以及针对每个值的所述无线通信设备(103)与所述无线电基站(101)的所述位置的所述距离，从而创建经训练的机器学习模型，所述经训练的机器学习模型将所述无线通信设备(103)与所述无线电基站(101)的所述位置的距离与从所述无线电基站(101)接收的信号的质量度量的值相关联；以及

向所述无线电基站(101)发送(S205)所述经训练的机器学习模型，所述无线电基站(101)使用所述经训练的机器学习模型来控制天线倾斜。

2.根据权利要求1所述的方法，所接收的信息进一步包括以下中的一项或多项：指示被使用的所述机器学习模型的类型的信息，指示被使用的所述机器学习模型的特征空间的信息，指示当训练所述机器学习模型时要由所述无线通信设备(103)分配的资源量的信息。

3.根据权利要求2所述的方法，其中，所述特征空间进一步包括用于所述无线通信设备(103)的模型类型。

4.根据前述权利要求中任一项所述的方法，所述质量度量是以下中的一项：信干噪比SINR，信噪比SNR，服务质量QoS，信道质量指示CQI，参考信号接收质量RSRQ，以及参考信号接收功率RSRP。

5.一种无线电基站(101)的促进控制所述无线电基站(101)处的天线倾斜的方法，包括：

向所选择的由所述无线电基站(101)服务的一组无线通信设备(103-107)发送(S202)指示所述无线电基站(101)的位置的信息；

从所述组中的所述无线通信设备(103-107)的至少子集中的每个无线通信设备接收(S205)经训练的机器学习模型，所述经训练的机器学习模型将所述每个无线通信设备(103-107)与所述无线电基站(101)的所述位置的距离与在所述每个无线通信设备(103-107)处从所述无线电基站(101)接收的信号的质量度量的值相关联；以及

将所接收的经训练的机器学习模型聚合(S206)成单个经训练的机器学习模型，该单个经训练的机器学习模型被用于控制所述无线电基站(101)处的天线倾斜。

6.根据权利要求5所述的方法，进一步包括：

使用所述单个经训练的机器学习模型，计算(S301)由在与所述无线电基站(101)的特定距离处的无线通信设备从所述无线电基站(101)接收的信号的质量度量的预期值；

确定(S302)所计算的预期值是否超过用于所述质量度量的最小阈值；以及

如果否，则改变(S303)所述无线电基站(101)的天线(102)的倾斜。

7.根据权利要求6所述的方法，进一步包括：

从一个或多个无线通信设备接收(S304)响应，所述响应指示在改变所述天线(102)的倾斜时从所述无线电基站(101)接收的所述信号的所述质量度量的值是否超过用于所述质量度量的所述最小阈值；以及

如果否，则改变(S303)所述无线电基站(101)的所述天线(102)的倾斜，直到接收到指示所述信号的所述质量度量的所述值超过所述最小阈值的响应为止。

8.根据权利要求5-7中任一项所述的方法，进一步包括：

选择(S201)由所述无线电基站(101)服务的将要向其发送指示所述无线电基站(101)的位置的信息的一组无线通信设备(103-107)，所述组被选择为包括以下中的任何一项或多项：处于与所述无线电基站(101)的无线电资源控制RRC连接状态最长总时间的选定数量的无线通信设备，位于在彼此之间的最大可允许距离内的无线通信设备，具有特定服务水平协议SLA状态的无线通信设备，与另一组无线通信设备相比位于更靠近所述无线电基站(101)的位置的无线通信设备，或者访问特定服务的无线通信设备。

9.根据权利要求5-8中任一项所述的方法，进一步包括：

实现未位于所述天线(102)的覆盖内的一组无线通信设备到所述无线电基站(101)的另一个天线或者到相邻无线电基站(101)的切换。

10.根据权利要求5-9中任一项所述的方法，进一步包括：

获取在模拟期间创建的经训练的强化学习模型，在模拟期间创建的所述强化学习模型被训练以产生由位于与所述无线电基站的特定距离的无线通信设备接收的信号的质量度量的值作为输出。

11.一种计算机程序(122)，包括计算机可执行指令，当所述计算机可执行指令在无线通信设备(103)中包括的处理单元(121)上被执行时，所述计算机可执行指令用于使所述无线通信设备(103)执行根据权利要求1-4中的任何一项所述的步骤。

12.一种计算机程序产品，包括计算机可读介质(123)，在所述计算机可读介质上体现有根据权利要求11所述的计算机程序(122)。

13.一种计算机程序(132)，包括计算机可执行指令，当所述计算机可执行指令在无线电基站(101)中包括的处理单元(131)上被执行时，所述计算机可执行指令用于使所述无线电基站(101)执行根据权利要求5-10中的任何一项所述的步骤。

14.一种计算机程序产品，包括计算机可读介质(133)，在所述计算机可读介质上体现有根据权利要求13所述的计算机程序(132)。

15.一种无线通信设备(103)，被配置为促进控制无线电基站(101)的天线倾斜，所述无线通信设备(103)包括处理单元(121)和存储器(123)，所述存储器包含由所述处理单元(121)可执行的指令(122)，由此，所述无线通信设备(103)可操作以：

从所述无线电基站(101)接收指示所述无线电基站(101)的位置的信息；

确定从所述无线电基站接收的信号的质量度量的一组值以及所述无线通信设备(103)与确定所述组中的每个值时的所述无线电基站(101)的位置之间的距离；

向机器学习模型提供所确定的所述质量度量的一组值以及针对每个值的所述无线通信设备(103)与所述无线电基站(101)的所述位置的所述距离，从而创建经训练的机器学习模型，所述经训练的机器学习模型将所述无线通信设备(103)与所述无线电基站(101)的所述位置的距离与从所述无线电基站(101)接收的信号的质量度量的值相关联；以及

向所述无线电基站(101)发送所述经训练的机器学习模型，所述无线电基站(101)使用所述经训练的机器学习模型来控制天线倾斜。

16.根据权利要求15所述的无线通信设备(103)，所接收的信息被配置为进一步包括以下中的一项或多项：指示被使用的所述机器学习模型的类型的信息，指示被使用的所述机器学习模型的特征空间的信息，指示当训练所述机器学习模型时要由所述无线通信设备(103)分配的资源量的信息。

17.根据权利要求16所述的无线通信设备(103)，其中，所述特征空间进一步被配置为包括用于所述无线通信设备(103)的模型类型。

18.根据权利要求15-17中任一项所述的无线通信设备(103)，所述质量度量是以下中的一项：信干噪比SINR，信噪比SNR，服务质量QoS，信道质量指示CQI，参考信号接收质量RSRQ，以及参考信号接收功率RSRP。

19.一种无线电基站(101)，被配置为促进控制所述无线电基站(101)处的天线倾斜，所述无线电基站(101)包括处理单元(131)和存储器(133)，所述存储器包含由所述处理单元(131)可执行的指令(132)，由此，所述无线电基站(101)可操作以：

向所选择的由所述无线电基站(101)服务的一组无线通信设备(103-107)发送指示所述无线电基站(101)的位置的信息；

从所述组中的所述无线通信设备(103-107)的至少子集中的每个无线通信设备接收经训练的机器学习模型，所述经训练的机器学习模型将所述每个无线通信设备(103-107)与所述无线电基站(101)的所述位置的距离与在所述每个无线通信设备(103-107)处从所述无线电基站(101)接收的信号的质量度量的值相关联；以及

将所接收的经训练的机器学习模型聚合成单个经训练的机器学习模型，该单个经训练的机器学习模型被用于控制所述无线电基站(101)处的天线倾斜。

20.根据权利要求19所述的无线电基站(101)，进一步可操作以：

使用所述单个经训练的机器学习模型，计算由在与所述无线电基站(101)的特定距离处的无线通信设备从所述无线电基站(101)接收的信号的质量度量的预期值；

确定所计算的预期值是否超过用于所述质量度量的最小阈值；以及

如果否，则改变所述无线电基站(101)的天线(102)的倾斜。

21.根据权利要求20所述的无线电基站(101)，进一步可操作以：

从一个或多个无线通信设备接收响应，所述响应指示在改变所述天线(102)的倾斜时从所述无线电基站(101)接收的所述信号的所述质量度量的值是否超过用于所述质量度量的所述最小阈值；以及

如果否，则改变所述无线电基站(101)的所述天线(102)的倾斜，直到接收到指示所述信号的所述质量度量的所述值超过所述最小阈值的响应为止。

22.根据权利要求19-21中任一项所述的无线电基站(101)，进一步可操作以：

选择由所述无线电基站(101)服务的将要向其发送指示所述无线电基站(101)的位置的信息的一组无线通信设备(103-107)，所述组被选择为包括以下中的任何一项或多项：处于与所述无线电基站(101)的无线电资源控制RRC连接状态最长总时间的选定数量的无线通信设备，位于在彼此之间的最大可允许距离内的无线通信设备，具有特定服务水平协议SLA状态的无线通信设备，与另一组无线通信设备相比位于更靠近所述无线电基站(101)的位置的无线通信设备，或者访问特定服务的无线通信设备。

23.根据权利要求19-22中任一项所述的无线电基站(101)，进一步可操作以：

实现未位于所述天线(102)的覆盖内的一组无线通信设备到所述无线电基站(101)的另一个天线或者到相邻无线电基站(101)的切换。

24.根据权利要求19-23中任一项所述的无线电基站(101)，进一步可操作以：

获取在模拟期间创建的经训练的强化学习模型，在模拟期间创建的所述强化学习模型被训练以产生由位于与所述无线电基站的特定距离的无线通信设备接收的信号的质量度量的值作为输出。

Images