CN116471609A - 人工智能模型的管理和分发 - Google Patents

人工智能模型的管理和分发 Download PDF

Info

Publication number
CN116471609A
CN116471609A CN202210015281.2A CN202210015281A CN116471609A CN 116471609 A CN116471609 A CN 116471609A CN 202210015281 A CN202210015281 A CN 202210015281A CN 116471609 A CN116471609 A CN 116471609A
Authority
CN
China
Prior art keywords
artificial intelligence
base station
intelligence model
prediction
local
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
Application number
CN202210015281.2A
Other languages
English (en)
Inventor
孙晨
崔焘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Group Corp
Original Assignee
Sony Group Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sony Group Corp filed Critical Sony Group Corp
Priority to CN202210015281.2A priority Critical patent/CN116471609A/zh
Priority to PCT/CN2023/070258 priority patent/WO2023131141A1/zh
Publication of CN116471609A publication Critical patent/CN116471609A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0408—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas using two or more beams, i.e. beam diversity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0632—Channel quality parameters, e.g. channel quality indicator [CQI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0686—Hybrid systems, i.e. switching and simultaneous transmission
    • H04B7/0695—Hybrid systems, i.e. switching and simultaneous transmission using beam selection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0868—Hybrid systems, i.e. switching and combining
    • H04B7/088—Hybrid systems, i.e. switching and combining using beam selection
    • 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
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H04W72/046—Wireless resource allocation based on the type of the allocated resource the resource being in the space domain, e.g. beams
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开涉及人工智能模型的管理和分发。提供一种由网络设备执行的方法，包括：基于用户设备，即UE，上报的波束测量结果来从用于波束预测的多个人工智能模型中确定用于该UE的人工智能模型；和将与所确定的人工智能模型相关联的指示信息发送给UE。

Description

人工智能模型的管理和分发
技术领域
本公开总体上涉及波束管理，更具体而言，本公开涉及用于波束预测的人工智能模型的管理和分发。
背景技术
高频无线信号，例如毫米波段的无线信号，在空间传播过程中，会出现较大的路损(path-loss)，这对高频无线通信系统，例如5G通信系统，会产生巨大的影响。高频无线通信系统采用波束赋形技术来形成有指向性的波束，一般波束越窄，信号增益越大。
然而，一旦波束的指向偏离了用户，用户就无法接收到信号。
因此，针对高频无线通信，可以采用波束管理技术。波束管理的目标是建立和维护一个合适的波束对(beam pair)。在接收机选择一个合适的接收波束，在发射机选择一个合适的发射波束，联合起来保持一个良好的无线连接。
一般而言，波束管理包括初始波束建立，波束调整和波束恢复。波束调整主要用来适应终端的移动和/或旋转以及环境中的缓慢变化。
波束调整可以包括下行波束调整和上行波束调整。下行波束调整包括下行发送端波束调整和下行接收端波束调整。下行波束调整和上行波束调整的目的一致，都是为了维持一个合适的波束对，因此，如果获取了合适的下行波束对，下行的波束可以直接用于上行。
下行发送端波束调整的主要目的是在终端接收波束不变的情况下，优化网络发射波束。为了达到这个目的，终端可以测量一组参考信号，这些参考信号对应一组下行波束。图1A是说明根据相关技术的示例性下行发送端波束调整的示意图。如图1A所示，网络按顺序依次发送不同的下行波束RS-1至RS-6，即进行波束扫描，终端接收波束在测量过程中保持不变，使得测量结果反映针对该接收波束不同发射波束的质量。终端可以针对4个参考信号进行测量上报，即一个上报实例可以针对最多4个波束进行上报。每个这样的上报可以包括：
(1)指示该上报所针对的参考信号或者说波束(最多4个)；
(2)最强波束的L1-RSRP(Layer 1-Reference Signal Receiving Power)；
(3)对剩余的波束(最多3个)，上报剩余波束和最强波束L1-RSRP的差值。
网络可以根据终端上报的测量结果来决定是否调整当前波束。
下行接收端波束调整的主要目的是在网络发射波束不变的情况下，找到终端最优的接收波束。为了达到这个目的，需要给终端配置一组下行参考信号RS，这些参考信号都是从网络的同一个波束上发出的，这个波束就是当前的服务波束。图1B是说明根据相关技术的示例性下行接收端波束调整的示意图。如图1B所示，终端执行接收端波束扫描，来依次测量配置的一组参考信号RS。通过测量，终端可以调整自己当前的接收波束。
由于下行接收端波束调整是在终端内部进行的，因此，一般没有针对接收端波束调整的上报。
波束管理的测量可以基于SSB(Synchronization Signal and PBCH block)或CSI-RS(Channel State Information-Reference Signal)。
发明内容
在此部分给出了关于本公开的简要概述，以便提供关于本公开的一些方面的基本理解。但是，应当理解，这个概述并不是关于本公开的穷举性概述。它并不是意图用来确定本公开的关键性部分或重要部分，也不是意图用来限定本公开的范围。其目的仅仅是以简化的形式给出关于本公开的某些概念，以此作为稍后给出的更详细描述的前序。
根据本公开的一个方面，提供一种由网络设备执行的方法，包括：基于用户设备(User Equipment,UE)上报的波束测量结果来从用于波束预测的多个人工智能模型中确定用于所述UE的人工智能模型；和将与所确定的人工智能模型相关联的指示信息发送给所述UE。
根据一些实施例，所述UE上报的波束测量结果可以包括基于波束强度的基站波束排序序列。
根据一些实施例，该方法还可以包括：从所述UE接收与UE的波束预测周期相关联的信息；和基于所述波束测量结果和所述与UE的波束预测周期相关联的信息二者来确定用于所述UE的波束预测的人工智能模型。
根据一些实施例，该方法还可以包括经由以下至少一者将与所确定的人工智能模型相关联的指示信息发送给UE：无线资源控制(Radio Resource Control，RRC)信令或高层信令或下行控制信息(DCI)指示。
根据一些实施例，该方法还可以包括从UE接收对用于波束预测的人工智能模型的请求。
根据一些实施例，该方法还可以包括从UE接收能力信息，所述能力信息指示UE对用于波束预测的人工智能模型的支持的信息。
根据一些实施例，每个人工智能模型可以由一模型参数集定义，所述方法还包括维护数据表。该数据表至少包括：基于波束强度的基站波束排序序列和对应的人工智能模型参数集；或，基于波束强度的基站波束排序序列、波束预测周期和对应的人工智能模型参数集。
根据一些实施例，该方法还可以包括：从多个UE接收多个本地训练结果，其中每个UE的本地训练结果是该UE通过利用本地测量结果训练相应的人工智能模型获得的，并且每个UE的本地测量结果至少包括参考信号测量时间和与参考信号测量时间对应的接收波束选择结果；基于至少以下之一对来自所述多个UE的所述多个本地训练结果进行分类以获得多组本地训练结果：基于波束强度的基站波束排序序列，和基于波束强度的基站波束排序序列和波束预测周期；对所述多组本地训练结果中的每一组本地训练结果进行合并以获得多个合并结果；以及利用所述多个合并结果来更新所述数据表中的人工智能模型参数集。
根据一些实施例，该方法还可以包括：从多个UE接收多个本地测量结果，每个UE的本地测量结果至少包括参考信号测量时间和与参考信号测量时间对应的接收波束选择结果；基于至少以下之一对来自所述多个UE的所述多个本地测量结果的数据进行分类以获得至少一组训练数据：基于波束强度的基站波束排序序列，和基于波束强度的基站波束排序序列和波束预测周期；使用所述至少一组训练数据对所述多个人工智能模型中的相应人工智能模型进行训练以获得至少一个训练结果；以及利用所述至少一个训练结果来更新所述数据表中的人工智能模型参数集。
根据本公开的另一个方面，提供了一种网络设备，包括：存储器，存储计算机可执行指令；和处理器，其与存储器耦接，被配置为执行所述计算机可执行指令来执行如上所述的方法的操作。
根据本公开的另一个方面，提供了一种由用户设备(UE)执行的方法，包括：向网络设备上报波束测量结果；和从网络设备接收与用于所述UE的波束预测的人工智能模型相关联的指示信息，其中用于所述UE的波束预测的人工智能模型是所述网络设备基于所述波束测量结果从用于波束预测的多个人工智能模型中确定的。
根据一些实施例，所述波束测量结果可以包括基于波束强度的基站波束排序序列。
根据一些实施例，该方法还可以包括：向所述网络设备发送与波束预测周期相关联的信息。用于所述UE的波束预测的人工智能模型是所述网络设备基于所述波束测量结果和所述与波束预测周期相关联的信息二者确定的。该方法还可以包括：使用所述指示信息所指示的人工智能模型执行波束预测。
根据一些实施例，与用于所述UE的波束预测的人工智能模型相关联的指示信息指示多个备选人工智能模型，所述方法还包括：确定波束预测周期；从所述多个备选人工智能模型中选择与所确定的波束预测周期对应的人工智能模型；以及使用所选择的人工智能模型执行波束预测。
根据一些实施例，所述指示信息是经由以下至少一者传送的：RRC信令；或高层信令；或DCI指示。
根据一些实施例，该方法还可以包括向所述网络设备发送对用于波束预测的人工智能模型的请求。
根据一些实施例，该方法还可以包括向所述网络设备发送能力信息。所述能力信息指示所述UE对用于波束预测的人工智能模型的支持的信息。
根据一些实施例，该方法还可以包括：利用本地测量结果训练所述指示信息所指示的人工智能模型，以获得本地训练结果，其中，本地测量结果至少包括参考信号测量时间和与参考信号测量时间对应的接收波束选择结果；和将所述本地训练结果发送给所述网络设备。
根据一些实施例，该方法还可以包括：将本地测量结果发送给所述网络设备，本地测量结果至少包括测量时间和与测量时间对应的接收波束选择结果。
根据本公开的另一个方面，该方法还可以包括：存储器，存储计算机可执行指令；和处理器，其与存储器耦接，被配置为执行所述计算机可执行指令来执行上所述的方法的操作。
根据本公开的另一个方面，提供一种计算机程序介质，其上存储计算机可执行指令，所述计算机可执行指令在被处理器执行时，使得如上所述的方法被执行。
根据本公开的另一个方面，提供一种计算机程序产品，包括计算机可执行指令，所述计算机可执行指令在被处理器执行时，使得如上所述的方法被执行。
附图说明
本公开可以通过参考下文中结合附图所给出的详细描述而得到更好的理解，其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的要素。所有附图连同下面的详细说明一起包含在本说明书中并形成说明书的一部分，用来进一步举例说明本公开的实施例和解释本公开的原理和优点。其中：
图1A是说明根据相关技术的示例性下行发送端波束调整的示意图。
图1B是说明根据相关技术的示例性下行接收端波束调整的示意图。
图2A是示出根据本公开实施例的由网络设备执行的示例性方法的流程图。
图2B是示出根据本公开实施例的由网络设备执行的另一示例性方法的流程图。
图3A是示出根据本公开实施例的由UE执行的示例性方法的流程图。
图3B是示出根据本公开实施例的由UE执行的另一示例性方法的流程图。
图3C是示出根据本公开实施例的由UE执行的又一示例性方法的流程图。
图4是示出根据本公开实施例的基站和UE之间的示例性通信过程的流程图。
图5A是示出UE周期性测量基站发送的参考信号的示意图。
图5B、图5C和图5D是示出根据本公开实施例的示例性波束预测的示意图。
图6是示出根据本公开实施例的基站和UE之间的示例性通信过程的流程图。
图7A是示出根据本公开实施例的LSTM的结构的示意图。
图7B是示出LSTM单元的内部结构的示意图。
图8A是示出根据本公开实施例的由网络设备执行的示例性方法的流程图。
图8B是示出根据本公开实施例的由UE执行的示例性方法的流程图。
图9是示出根据本公开实施例的由基站和多个UE之一执行的示例性通信过程的流程图。
图10是示出根据本公开实施例的由基站执行的示例性方法的流程图。
图11是示出根据本公开实施例的由基站和多个UE之一执行的示例性通信过程的流程图。
图12是示出可以应用本公开的技术的基站的示意性配置的第一示例的框图。
图13是示出可以应用本公开的技术的基站的示意性配置的第二示例的框图。
图14是示出可以应用本公开内容的技术的智能电话的示意性配置的示例的框图。
图15是示出可以应用本公开的技术的汽车导航设备的示意性配置的示例的框图。
通过参照附图阅读以下详细描述，本公开的特征和方面将得到清楚的理解。
具体实施方式
在下文中将参照附图来详细描述本公开的各种示例性实施例。为了清楚和简明起见，在本说明书中并未描述实施例的所有实现方式。然而应注意，在实现本公开的实施例时可以根据特定需求做出很多特定于实现方式的设置，以便实现开发人员的具体目标。此外，还应该了解，虽然开发工作有可能是较复杂和费事的，但对得益于本公开内容的本领域技术人员来说，这种开发公开仅仅是例行的任务。
此外，还应注意，为了避免因不必要的细节而模糊了本公开，在附图中仅仅示出了与本公开的技术方案密切相关的处理步骤和/或设备结构。以下对于示例性实施例的描述仅仅是说明性的，不意在作为对本公开及其应用的任何限制。
本公开考虑，UE上报的波束测量结果(例如上报的基于波束强度的基站波束测量信息)与该UE所处的特定的无线传播环境相关联。对于同一基站，与之通信的不同UE所处的无线传播环境不同，因此，上报的波束测量结果也不同。基于波束强度的基站波束测量信息可以包括基于波束强度的基站波束排序序列或用于确定基于波束强度的基站波束排序序列的信息。
本文中，UE所处的特定的“无线传播环境”可以由特定的无线传播特性集定义，该无线传播特性集表示该无线传播环境内的各种无线传播条件的集合。即“无线传播环境”可以是从UE角度由无线传播路径、发射物等等形成的无线传播特性集。
本公开考虑，基于波束强度的每一种基站波束排序序列与一特定的无线传播特性集相关联。当多个UE上报的测量结果指示相同的基于波束强度的基站波束排序序列时，可以认为这多个UE处于同一无线传播环境，从而与同一无线传播特性集相关联。当多个UE上报的测量结果指示基于波束强度的不同的基站波束排序序列时，可以认为这多个UE处于不同的无线传播环境，从而与不同的无线传播特性集相关联。
本公开考虑，针对UE所处的无线传播环境不同，可以使用不同的人工智能模型用于UE的接收波束预测。这可以提供精准的人工智能模型分发。
本公开还考虑，对于高频通信，当用户在小范围内活动时，UE所处的无线传播环境并不频繁发生变化(即，UE测到的基于波束强度的基站波束排序序列不会频繁变化)，但是UE可能随用户的运动而不断发生移动和/或旋转，使得UE需要频繁调整接收波束。为了维持良好的通信质量，UE可能需要以较高的频率执行下行接收端波束调整过程，这将会加快UE电能的消耗。本公开还考虑，针对UE所处的无线传播环境不同和/或其运动特性不同(例如运动的速度不同，导致不同的波束测量周期)，可以使用不同的人工智能模型用于波束预测。这可以提供更为精准的人工智能模型分发。
即，本公开考虑了针对不同的无线传播环境选择不同的人工智能模型用于UE的波束预测。本公开还考虑针对不同的无线传播环境以及不同的波束预测周期两者，来选择不同的人工智能模型用于UE的波束预测。
针对UE进行精准的人工智能模型分发使得每个UE可以使用更适合其所处无线传播环境和其自身的运动特性的人工智能模型，从而能够实现更为精准的波束预测，在降低UE功耗的同时可以实现稳定的通信质量。
本公开还考虑在网络处维护包含基于波束强度的基站波束排序序列、波束预测周期和人工智能模型(例如模型参数集)之间的对应关系的数据表。通过利用多个UE的本地测量结果(例如本地接收波束的选择/更换信息)可以对与不同的无线传播环境和/或不同的波束预测周期对应的不同人工智能模型进行训练，可以获得和更新与不同的无线传播环境和/或不同的波束预测周期对应的人工智能模型的参数集。这也辅助实现更精准的人工智能模型分发。
图2A是示出根据本公开实施例的由网络设备执行的示例性方法200的流程图。网络设备例如可以是基站。网络设备也可以是基站控制器、无线电网络控制器等。
如图2A所示，该方法200包括步骤2001，在该步骤，基于UE上报的波束测量结果来从用于波束预测的多个人工智能模型中确定用于所述UE的人工智能模型。
波束测量结果可以包括基于波束强度的基站波束测量信息。基于波束强度的基站波束测量信息可以包括基于波束强度的基站波束排序序列，也可以包括用于确定基于波束强度的基站波束排序序列的信息。
在一些实施例中，波束测量结果可以包括基于波束强度的基站波束排序序列。在另一些实施例中，波束测量结果可以包括用于确定基于波束强度的基站波束排序序列的信息，例如最强波束和若干次强波束的索引以及最强波束的L1-RSRP，以及每个次强波束与最强波束的L1-RSRP的差。
每个人工智能模型可以由一模型参数集定义。模型参数集可以包含用于表征模型的具体参数值的集合。模型参数集还可以指示模型的类型。
在本文中，为了说明方便，以所有人工智能模型均基于长短期记忆网络(LongShort Term Memory network，LSTM)为例，不同的人工智能模型具有不同的一个模型参数集。具体地，每个不同的LSTM模型可以由不同的一组模型参数值定义，该组模型参数值例如包括输入、遗忘、输出、更新状态的权重以及输入、遗忘、输出和更新状态的偏置值。后文将更详细地进行描述。
每个人工智能模型可以与基于波束强度的一种基站波束排序序列(其表示相应的无线传播环境或无线传播特性集)相关联。在一些实施例中，每个人工智能模型还可以与基于波束强度的一种基站波束排序序列以及一种波束预测周期二者相关联。
网络设备处可以维护数据表，该数据表至少包含波束测量结果与人工智能模型之间的对应关系。
在一些实施例中，数据表可以包含波束测量结果(例如波束强度排序序列)和对应的人工智能模型参数集。在另一些实施例中，数据表还可以包含波束测量结果、波束预测周期和对应的人工智能模型参数集。相应地基站可以基于(1)UE上报的波束测量结果或者(2)UE上报的波束测量结果和波束预测周期二者在该数据表中查找到对应的一个或多个人工智能模型。
在一些实施例中，可以基于UE上报的波束测量结果查找到多个可用于该UE的波束预测的人工智能模型，这多个备选人工智能模型分别对应不同的波束预测周期但是对应相同的波束测量结果(例如，同一个基站波束排序序列)。
在另一些实施例中，可以基于UE上报的波束测量结果和波束预测周期二者在该数据表中查找到一个人工智能模型，该模型可以用于UE的波束预测。
下表1示出基站维护的示例性数据表的一部分。假设基站有4个发射波束1-4，UE上报的波束测量结果包含这4个波束按照波束强度从强到弱的基站波束排序序列。假设所有的人工智能模型的类型都是LSTM，不同的人工智能模型由不同的一个模型参数集限定。基站可以维护如下表1所示的数据表。表1中的第一列列出所有可能的基站波束排序序列，第二列列出与基站波束排序序列对应的模型参数集。
表1
如表1所示，不同的基站波束排序序列对应不同的模型参数集。
下表2-1示出基站维护的另一示例性数据表的一部分。表2-1与表1的区别在于，其还考虑了不同的波束预测周期。表2-1中的第一列列出所有可能的基站波束排序序列，第二列列出可能的波束预测周期，第三列列出与基站波束排序序列和波束预测周期对应的模型参数集。
表2-1
由表2-1可见，同一基站波束排序序列可以对应多个模型参数集S11-S13，这多个模型参数集S11-S13分别与不同的波束预测周期3ms、10ms和15ms相对应。
在一些实施例中，数据表还可以维护不同空间区域与人工智能模型之间的对应关系。这些空间区域例如是通过将网络设备覆盖的范围进行预先划分获得的。
下表2-2示出基站维护的另一示例性数据表的一部分。表2-2与表2-1的区别在于，其考虑了不同的空间区域。表2-1中的第一列列出所有可能的基站波束排序序列，第二列列出可能的空间区域，第三列列出与基站波束排序序列和空间区域对应的模型参数集。
如表2-2所示，同一基站波束排序序列可以对应多个模型参数集S11-S13，这多个模型参数集S11-S13分别与不同的空间区域相对应。空间区域可以用GPS坐标或者基于定位参考信号(Positioning Reference Signalling，PRS)的数据来描述。
表2-2
在这种情况下，基站可以确定UE的空间位置，以及基于UE的空间位置和基站波束排序序列来确定用于该UE的波束预测的人工智能模型。基站可以基于GPS或者基于定位参考信号(Positioning reference signalling，PRS)确定UE的空间位置，并判断确定的UE的空间位置是否落在某个区域中，从而从数据表中查找到相应的模型参数集。本领域技术人员可以理解，以上仅仅是数据表的示例性说明。本领域技术人员可以结合需要，设计考虑更多或不同因素的数据表。
例如，数据表可以包含基站波束排序序列，空间区域和波束预测周期三者。
又例如，除了考虑基站波束排序序列，还可以考虑基站波束排序序列中所包含的各个波束的强度差。对于相同的基站波束排序序列，如果各个波束之间的强度差均小于一强度差阈值，可以使用一种人工智能模型相对应，如果各个波束之间的强度差大于等于该强度差阈值，可以使用另一种人工智能模型。
本领域技术人员可以理解，基站波束排序序列也不限于表1、表2-1和表2-2所示出的形式。只要基站波束排序序列能够表示出所包含的波束以及波束的强弱关系即可。
该方法200还包括步骤2003，在该步骤，将与所确定的人工智能模型相关联的指示信息发送给UE。
与所确定的人工智能模型相关联的指示信息可以包括以下中的至少一者：所确定的人工智能模型；所确定的人工智能模型的模型参数集；和所确定的人工智能模型的指示符。
该指示信息可以经由RRC信令或高层信令或者DCI指示发送给UE。
在一些实施例中，网络设备可以生成包含用于指示备选人工智能模型的RRC信令，以及将该RRC信令发送给UE。
在一些情况下中，RRC信令可以包含多个备选人工智能模型。网络设备可以生成用于指示所述多个备选人工智能模型中之一的MAC控制元素或DCI，以及将该MAC控制元素或DCI发送给UE。
图2B是示出根据本公开实施例的由网络设备执行的示例性方法201的流程图。
如图2B所示，方法201可以包括步骤2011，在该步骤，从UE接收上报的波束测量结果。
方法201还包括步骤2013，在该步骤，从UE接收与UE的波束预测周期相关联的信息。
在一些实施例中，与UE的波束预测周期相关联的信息包括UE要使用的波束预测周期。在另一些实施例中，与UE的波束预测周期相关联的信息包括UE测量参考信号的周期。在又一些实施例中，与UE的波束预测周期相关联的信息可以包括UE的接收波束切换周期。本领域技术人员可以理解，与UE的波束预测周期相关联的信息可以包含用于确定UE的波束预测周期的任何信息。
方法201还包括步骤2015，在该步骤，基于接收的波束测量结果和与UE的波束预测周期相关联的信息二者来确定用于该UE的人工智能模型。
方法201还包括步骤2017，在该步骤，将与所确定的人工智能模型相关联的指示信息发送给UE。
图3A是示出根据本公开实施例的由UE执行的示例性方法300的流程图。
如图3A所示，方法300包括步骤3001，在该步骤，UE向网络设备上报波束测量结果。
方法300还可以包括步骤3003，在该步骤，从网络设备接收与用于该UE的波束预测的人工智能模型相关联的指示信息，其中用于该UE的波束预测的人工智能模型是所述网络设备基于UE上报的波束测量结果从用于波束预测的多个人工智能模型中确定的。
UE可以使用所指示的人工智能模型来执行波束预测。在一些实施例中，在被预先配置的两次波束测量之间使用所述指示信息所指示的人工智能模型执行波束预测，以及利用预测得到的波束进行传输。即，直接使用人工智能模型所预测的波束来进行传输。例如，当终端的移动速度超过阈值时，可以在预先配置的两次波束测量之间插入基于人工智能模型的波束预测，来实现更及时的波束更换。
在另一些实施例中，在被预先配置的两次波束测量之间使用所述指示信息所指示的人工智能模型执行波束预测，以及在下一次波束测量时，优先对预测得到的一个或多个波束进行测量。即，波束预测结果并不被直接用于传输，而是用于优化下一次波束测量。正常情况下，UE每一次执行接收波束测量时，需要执行针对多个接收波束的扫描。相对比地，通过利用波束预测结果来优先对预测得到的一个或多个波束进行测量，可以更快地找到符合要求的接收波束，从而节约接收波束测量的开销，实现更高效的接收波束切换。
在一些实施例中，UE可以根据UE的移动速度、当前通信链路质量、传输业务需求其中至少之一来确定是否使用所述人工智能模型执行波束预测。当前通信链路质量例如可以基于信道质量指示(Channel Quality Indicator，CQI)、参考信号接收功率(ReferenceSignal Receiving Power，RSRP)、参考信号接收质量(Reference Signal ReceivingQuality，RSRQ)之类的参数确定。这使得针对通信质量要求高的业务可以实现更快的波束切换。
图3B是示出根据本公开实施例的由UE执行的示例性方法301的流程图。
如图3B所示，方法301包括步骤3011，在该步骤，UE向网络设备上报波束测量结果。
如图3B所示，方法301包括步骤3013，在该步骤，向所述网络设备发送与波束预测周期相关联的信息。
在一些实施例中，UE可以向网络设备发送对用于波束预测的人工智能模型的请求。与波束预测周期相关联的信息可以包含在所述请求中。
方法300还可以包括步骤3015，在该步骤，从网络设备接收与用于该UE的波束预测的人工智能模型相关联的指示信息，其中，用于该UE的波束预测的人工智能模型是所述网络设备基于所述波束测量结果和所述与波束预测周期相关联的信息二者确定的。
方法300还可以包括步骤3017，在该步骤，UE使用所确定的人工智能模型执行波束预测。
图3C是示出根据本公开实施例的UE执行的方法303的流程图。
如图3C所示，方法303包括步骤3031，在该步骤，UE向网络设备上报波束测量结果。
方法303还可以包括步骤3033，在该步骤，从网络设备接收与用于该UE的波束预测的人工智能模型相关联的指示信息，其中用于该UE的波束预测的人工智能模型是所述网络设备基于UE上报的波束测量结果从多个人工智能模型中确定的，并且与用于该UE的波束预测的人工智能模型相关联的指示信息指示多个备选人工智能模型。
例如，基站可以基于UE上报的波束测量结果确定可用于UE的一组人工智能模型。该组人工智能模型中的每个模型可以与不同的波束预测周期相关联。
基站可以将该组人工智能模型的模型参数集发送给UE。在UE处预先存储了该组人工智能模型的情况下，可以仅将该组人工智能模型的指示符发送给UE。在一些实施例中，基站也可以将该组人工智能模型发送给UE。
所述指示信息可以经由RRC信令或高层信令或DCI指示传输。
尽管未示出，在一些实施例中，UE可以接收包含用于指示备选人工智能模型的RRC信令。在另一些实施例中，RRC信令可以包含多个备选人工智能模型，UE可以接收用于指示所述多个备选人工智能模型中之一的MAC控制元素或下行控制信息(DCI)。
方法303可以包括步骤3035，在该步骤，UE确定UE的波束预测周期。
UE可以响应于链路质量变化速度超过阈值，或链路测量失败的频率超过频率阈值，或移动速度超过速度阈值等(意味着UE需要频繁进行参考信号的测量以及时更换接收波束)，来触发对UE的波束预测周期的确定。
UE可以基于当前的链路质量变化快慢或链路质量测量失败的频率来确定波束预测周期。UE也可以基于自己的移动速度来确定波束预测周期。UE还可以基于UE的接收波束切换周期来确定波束预测周期。
波束预测周期可以与在不进行预测的情况下所需的参考信号测量周期相关联。例如，波束预测周期可以小于等于在不进行预测的情况下要保证通信质量所需的最小参考信号测量周期。
波束预测周期也可以小于等于接收波束切换周期。例如，UE基于周期性的测量发现每10ms需要改变一次接收波束，则可以将波束预测周期确定为10ms或更小。
方法303可以包括步骤3037，在该步骤，UE从所述多个备选人工智能模型中选择与所确定的波束预测周期对应的人工智能模型，作为用于UE的波束预测的人工智能模型。
方法303可以包括步骤3039，在该步骤，UE使用所选择的人工智能模型来执行波束预测。
图4是示出根据本公开实施例的基站和UE之间的示例性通信过程400的流程图。
如图所示，过程400包括步骤1，UE执行基站下行波束测量。
该测量可以基于SSB或CSI-RS。
在一些实施例中，基站在多个发射波束上依次发射一组参考信号，UE可以使用一个接收波束来接收该组参考信号，并基于各个参考信号的接收强度确定各基站下行波束的强度。UE可以将各基站下行波束的强度进行排序，得到基于波束强度的基站下行波束排序序列。
在另一些实施例中，UE可以使用所有波束来测量各个基站下行波束的强度，将所有波束测得的各个基站下行波束的强度求平均。UE可以将各个基站下行波束的平均强度按照从强到弱进行排序，得到基于波束强度的基站下行波束排序序列。
过程400可以包括步骤2，UE向基站上报波束测量结果。
波束测量结果可以包括基于波束强度的基站波束测量信息，例如基于波束强度的基站波束排序序列或用于确定基于波束强度的基站波束排序序列的信息。
波束测量结果可以包括UE所测得的基于波束强度的基站波束排序序列。假设基站使用标记为1、2、3和4的4个波束，并且波束测量结果的上报实例可以针对4个参考信号进行上报，则波束测量结果可以包括例如诸如4321、1324之类的基站波束排序序列，其中4321可以指示波束4的强度最大，波束3、波束2和波束1的强度依次减弱。
基站下行波束排序序列也可以仅包括最强的基站波束和若干次强的基站波束的索引。例如，如果基站使用标记为1-8的8个波束，而波束测量结果的上报实例可以针对4个参考信号进行上报，则波束测量结果可以包括诸如7856、4321之类的基站波束排序序列，其中7856可以指示8个基站波束中，波束7最强，波束8、波束5和波束6是次强的3个波束并且强度依次减弱。
在一些实施例中，波束测量结果可以仅包括用于确定基于波束强度的基站波束排序序列的信息。例如，波束测量结果可以包括所上报的波束的标识符、最强波束的L1-RSRP以及次强的三个波束与最强波束L1-RSRP的差值。基站可以基于波束测量结果获知基于波束强度的基站波束排序序列。
过程400还可以包括步骤3，基站向UE通知基站使用的服务波束。
基站可以根据UE上报的波束测量结果选择最强的波束作为服务波束，也可以选择其它波束作为服务波束。
可以理解，UE可以根据基站指示的服务波束来确定初始接收波束。例如，可以将测量基站下行波束时具有与服务波束对应的最大参考信号接收强度的接收波束作为与该服务波束配对的初始接收波束。
过程400还可以包括步骤4，在该步骤，UE根据自己的链路质量来周期性地测量基站为UE配置的下行参考信号，根据测量结果更换接收波束。
此时，基站发射波束不变，UE可能随用户的移动而移动和/或旋转，UE可以根据自己的链路质量来周期性地测量基站发送的参考信号，根据测量结果更换接收波束。
图5A是示出UE周期性测量基站发送的参考信号的示意图。如图5A所示，UE周期性(例如每10ms测量一次)测量基站发送的参考信号。
参考信号例如是SSB或CSI-RS。如果UE以较快的速度移动，可能会导致链路质量发生快速的变化，从而需要以较快的频率(较小的周期)来测量参考信号和更换接收波束，使得UE能够及时做出更换接收波束的决策。当UE以较慢的速度移动或不移动时，可以以较低的频率(较大的周期)来测量参考信号。
过程400还可以包括步骤5，在该步骤，UE向基站发送针对人工智能模型的请求并发送与波束预测周期有关的信息。
在一些实施例中，UE可以响应于接收波束更换周期小于阈值周期或链路质量测量失败的频率大于阈值频率而向基站发送针对人工智能模型的请求并发送与波束预测周期有关的信息。
在另一些实施例中，UE可以响应于移动速度超过速度阈值而向基站发送针对人工智能模型的请求并发送与波束预测周期有关的信息。
与波束预测周期有关的信息可以包括由UE所确定的波束预测周期。
在一些实施例中，UE可以根据接收波束更换周期确定波束预测周期。例如UE发现接收波束每10ms发生一次改变，则可以确定接收波束更换周期为10ms，从而，确定所需的波束预测周期为10ms。
在另一些实施例中，UE可以根据链路质量测量失败的频率来确定预测周期。例如，如果链路质量测量失败的频率是每分钟失败5次，可以确定预测周期为100ms或80ms。
在又一些实施例中，可以根据UE的移动速度来确定波束预测周期。
本领域技术人员可以按照需要设计波束预测周期，只要其能够满足通信质量的要求即可。
在一些实施例中，与波束预测周期有关的信息可以包括用于确定波束预测周期的信息。例如，UE可以将用于确定波束预测周期的信息，诸如接收波束更换周期，链路质量测量失败的频率，UE的移动速度等，发送给基站，由基站基于这些信息来确定波束预测周期。在这种情况下，基站在向UE发送所确定的人工智能模型的指示信息时，需要包含有关所确定的波束预测周期的信息。
过程400还可以包括步骤6，在该步骤，响应于该请求，基站基于波束测量结果和与波束预测周期有关的信息来选择人工智能模型。
基站可以维护表示波束测量结果、波束预测周期和人工智能模型之间的对应关系的数据表，例如如表2-1所示。基站可以基于波束测量结果和波束预测周期二者选择相应的人工智能模型。
过程400还可以包括步骤7，在该步骤，基站将与所选择的人工智能模型的模型参数集发送给UE。
在一些实施例中，UE侧可以已经预先存储了使能人工智能模型的基本数据，这种情况下，基站可以仅将所选择的人工智能模型的模型参数集发送给UE。UE使用接收到的模型参数集来构建要使用的人工智能模型。
在一些实施例中，UE可能已经预先存储了全部可能的人工智能模型参数集，在这种情况下，基站可以仅将人工智能模型的标识符发送给UE。
在一些实施例中，UE可能没有存储用于构建人工智能模型的相关数据，则基站可以将人工智能模型发送给UE，以用于在UE侧构建相应的人工智能模型。
过程400还可以包括步骤8，在该步骤，UE利用通过应用接收的模型参数集构建的人工智能模型来执行波束预测。
图5B和图5C是示出根据本公开实施例的波束预测的示意图。图5B示出做一次测量预测一次，图5C示出做两次测量，预测一次。与图5A相比较，在图5B和图5C中，当使用波束预测时，可以用波束预测来替代原本要实际执行的测量中的一些，来减少实际发生的测量的次数。
图5D是示出根据本公开实施例的另一波束预测的示意图。图5D示出，在两次测量之间插入了一次预测，在该预测期间，基站不发送参考信号。与图5B相比较，当使用波束预测时，基站可以减少实际发送的参考信号，例如CSI-RS，UE可以通过使用波束预测来减少实际的测量。
在基站向UE下发SSB作为参考信号的情况下，通过使用波束预测，UE可以减少对SSB的实际测量，例如如图5B和图5C所示。
在基站向UE下发CSI-RS作为参考信号的情况下，UE可以在执行波束预测之前向基站告知波束预测周期，基站可以基于该波束预测周期减少CSI-RA的发送。在这种情况下，基站和UE都可以节省电能消耗并且节省了通信资源。
波束预测周期可以是指从最近的测量到预测之间的时长。例如图5B，5C和5D中，波束预测周期都是10ms。本领域技术人员可以理解，可以根据设计需要调整波束预测周期。
过程400还可以包括步骤9，在该步骤，响应于UE的链路质量测量结果指示无线链路失败(Radio-Link Failure,RLF)，过程400可以返回到步骤1。
图6是示出根据本公开实施例的基站和UE之间的通信过程600的流程图。
如图6所示，过程600包括步骤1，UE执行基站下行波束测量。该测量可以基于SSB或CSI-RS。
过程600可以包括步骤2，UE向基站上报波束测量结果。
过程600可以包括步骤3，基站基于上报
的波束测量结果确定用于该UE的多个人工智能模型。
过程400还可以包括步骤4，基站向UE通知基站使用的服务波束和所确定的多个人工智能模型的模型参数集。基站可以根据UE上报的波束测量结果选择最强的波束作为服务波束，也可以选择其它波束作为服务波束。所确定的多个人工智能模型的模型参数集可以与服务波束的通知一起经由RRC信令或高层信令或DCI指示发送给UE。
过程600还可以包括步骤5，在该步骤，UE根据自己的链路质量来周期性地测量基站为UE配置的下行参考信号，根据测量结果更换接收波束。
过程600还可以包括步骤6，在该步骤，UE确定波束预测周期。例如，UE可以根据接收波束变换周期或链路质量测量失败的频率或移动速度等来确定波束预测周期。
过程600还可以包括步骤7，在该步骤，UE从所述多个人工智能模型参数集选择与该波束预测周期对应的人工智能模型参数集。
过程600还可以包括步骤8，在该步骤，UE利用通过应用接收的模型参数集构建的人工智能模型来执行波束预测。
过程600还可以包括步骤9，在该步骤，响应于UE的链路质量测量结果指示无线链路失败，过程返回到步骤1。
在一些实施例中，UE可以在接收波束变换周期小于阈值周期或链路质量测量失败的频率大于阈值频率时，执行步骤6-8。
在一些实施例中，可以省略步骤5。UE可以在从基站接收到人工智能模型参数集之后，基于UE的移动速度来确定波束预测周期，从而选择与所确定的波束预测周期相关联的人工智能模型。
过程600与过程400的区别在于，基站并不是响应于UE针对人工智能模型的请求来确定和分发人工智能模型，而是在通知服务波束的同时主动发送基于波束测量结果确定的模型参数集。UE从接收的模型参数集选择适合的模型参数集来执行波束预测。
尽管未示出，UE还可以向基站上报能力信息，能力信息指示UE对用于波束预测的人工智能模型的支持的信息。例如，基站可以向UE请求该能力信息。响应于该请求，UE向基站发送能力信息。
人工智能模型的训练
LSTM的基本工作原理
循环神经网络(Recurrent Neural Network，RNN)是一种用于处理序列数据的神经网络。长短期记忆(Long short-term memory,LSTM)是一种特殊的RNN，主要解决长序列训练过程中的梯度消失和梯度爆炸问题。相比普通的RNN，LSTM能够在更长的序列中有更好的表现。
LSTM由一系列LSTM单元组成，其链式结构如图7A所示。在图中，直角长方形框表示一个神经网络层，由权值，偏置以及激活函数组成。每个带运算符号的圆圈表示元素级别运算。箭头表示向量流向。相交的箭头表示向量的拼接。分叉的箭头表示向量的复制。“A”表示LSTM单元。
图7B示出LSTM单元的内部结构。
LSTM中所涉及的主要的计算原理如以下公式(1)-(6)所示：
it＝σ(Wi·[ht-1,xt]+bi) (1)
ft＝σ(Wf·[ht-1,xt]+bf) (3)
ot＝σ(Wo·[ht-1,xt]+bo) (5)
其中，it是输入门，ft是遗忘门，ot是输出门；xt是当前单元处的输入信号，ct是当前单元的记忆状态，ht是当前单元的输出状态，是当前单元的更新记忆状态。Wi,Wf,Wo,Wc分别是输入、遗忘、输出、更新状态的权重矩阵；bi,bf,bo,bc分别是输入、遗忘、输出、更新状态的偏置值；σ是Sigmoid的映射函数，tanh是双曲正切(Hyperbolic Tangent)的映射函数。
基于所例示的LSTM结构，人工智能模型可以由模型参数集(Wi,Wf,Wo,Wc,bi,bf,bo,bc)来定义。
本领域技术人员可以理解，以上例示的仅仅是人工智能模型的一个示例，也可以使用LSTM的各种变体，例如在门上增加窥视孔的LSTM，整合遗忘门和输入门的LSTM，门控循环单元(Gated Recurrent Unit，GRU)等等。实际上可以使用适合用于波束预测的任何人工智能模型。
基于多个UE的本地训练结果的人工智能模型训练
可以使用分布式机器学习框架来进行人工智能模型的训练。联邦学习本质上是这样一种分布式机器学习框架。联邦学习的目标是在保证数据隐私安全及合法合规的基础上，实现共同建模，提升人工智能模型的效果。本公开可以基于联邦学习的框架来进行人工智能模型的训练。
图8A是示出根据本公开实施例的由网络设备执行的示例性方法800的流程图。网络设备可以利用来自多个UE的多个本地训练结果来更新基站处维护的数据表，更具体地，更新数据表中的人工智能模型的模型参数集。
如图8A所示，方法800可以包括步骤8001，在该步骤，网络设备从多个UE接收多个本地训练结果。
每个UE的本地训练结果是该UE通过利用本地测量结果训练相应的人工智能模型获得的。
每个UE的本地测量结果例如是通过该UE对基站配置的参考信号进行周期性测量并基于测量结果选择接收波束来获得的。每个UE的本地测量结果可以至少包括参考信号测量时间和与参考信号测量时间对应的接收波束选择结果。
在一些实施例中，网络设备可以针对这多个UE中的每个UE：根据该UE上报的波束测量结果，向该UE发送与该波束测量结果对应的模型参数集，用于构建待训练的人工智能模型。该UE利用本地测量结果来本地训练通过应用所接收的模型参数集所构建的人工智能模型从而获得更新的模型参数集。本地训练结果可以包括更新的模型参数集。
UE上报的波束测量结果可以是与基于强度的基站波束排序序列有关的信息。网络设备可以根据UE上报的基站波束排序序列，向UE发送与该基站波束排序序列对应的一个或多个模型参数集。每个模型参数集还可以与相应的波束预测周期相关联。UE可以根据本地测量结果确定训练用的波束预测周期，从这个或多个模型参数集中选择与所确定的波束预测周期对应的模型参数集以用于构建待训练的人工智能模型。UE通过利用本地测量结果来训练所构建的人工智能模型，获得更新的模型参数集。本地训练结果可以包括更新的模型参数集和相关联的波束预测周期。
在另一些实施例中，网络设备可以预先将数据表中的最新的模型参数集全部下发给这多个UE以用于本地训练。每个UE可以选择模型参数集。例如，UE可以确定与本地测量结果相关联的基于强度的基站波束排序序列，根据本地测量结果确定训练用的波束预测周期，从而选择与该基于强度的基站波束排序序列和该波束预测周期二者对应的模型参数集。UE使用所选择的模型参数集构建待训练的人工智能模型，并利用本地测量结果来训练所构建的人工智能模型，获得更新的模型参数集。本地训练结果可以包括更新的模型参数集和相关联的波束预测周期和相关联的基站波束排序序列。
如图8A所示，方法800可以还包括步骤8003，在该步骤，网络设备对来自多个UE的这多个本地训练结果进行分类以获得多组本地训练结果。
在一些实施例中，可以基于基站波束排序序列来对这多个本地训练结果分类，使得与同一基站波束排序序列对应的本地训练结果被分到一组。在另一些实施例中，可以基于基站波束排序序列和波束预测周期来对这多个本地训练结果分类，使得与同一基站波束排序序列对应并且与同一波束预测周期对应的本地训练结果被分到一组。
如图8A所示，方法800可以还包括步骤8005，在该步骤，网络设备对这多组训练结果中的每一组训练结果进行合并以获得多个合并结果。例如，可以对每组训练结果求平均，将平均值作为合并结果，即更新的模型参数集。
如图8A所示，方法800还可以包括步骤8007，在该步骤，网络设备利用这多个合并结果来更新数据表，例如更新数据表中的人工智能模型的模型参数集。网络设备可以用更新的模型参数集来替换数据表中先前的模型参数集。
图8B是示出根据本公开实施例的由UE执行的示例性方法801的流程图。
如图8B所示，方法801包括步骤8011，在该步骤，UE向网络设备(例如基站)上报波束测量结果。
方法801包括步骤8013，在该步骤，UE从网络设备接收与用于所述UE的波束预测的人工智能模型相关联的指示信息，其中用于所述UE的波束预测的人工智能模型是所述网络设备基于所述波束测量结果从多个人工智能模型中确定的。
与用于所述UE的波束预测的人工智能模型相关联的指示信息可以是待由UE训练的人工智能模型，也可以是待由UE训练的人工智能模型的最新的模型参数集。
方法801包括步骤8015，在该步骤，UE利用本地测量结果训练所述指示信息所指示的人工智能模型，以获得本地训练结果，其中，所述本地训练结果包括所述指示信息所指示的人工智能模型的更新的模型参数集和波束预测周期。
方法801包括步骤8017，在该步骤，UE将所述本地训练结果发送给所述网络设备。
图9是示出根据本公开实施例的由基站和多个UE之一执行的示例性通信过程900的流程图。为了说明方便，这里仅例示这多个UE中的UE1。
如图9所示，过程900可以包括步骤1，在该步骤，UE1执行基站下行波束测量。
过程900可以包括步骤2，在该步骤，UE 1向基站上报波束测量结果。
过程900可以包括步骤3，在该步骤，基站基于上报的波束测量结果确定用于该UE1的人工智能模型。
过程900可以包括步骤4，在该步骤，基站向UE1通知基站使用的服务波束和所确定的多个人工智能模型的模型参数集。所确定的多个人工智能模型的模型参数集可以是UE1将要训练的人工智能模型的最新模型参数集。
过程900可以包括步骤5，在该步骤，UE1根据自己的链路质量来周期性地测量基站为UE1配置的下行参考信号，根据测量结果更换接收波束，并记录本地测量结果。本地测量结果可以至少包括参考信号测量时间和对应的接收波束选择结果。
UE周期性地测量网络设备发送的参考信号，并记录测量时间和与测量时间对应的接收波束选择结果，作为带标签的训练数据。
假设网络设备使用波束1-4，每个UE使用接收波束A、B、C和D。假设一个UE上报的基站波束排序序列为4321，则该UE在执行参考信号测量过程中记录的本地测量结果可以如表3所示：
测量时刻 UE实际使用的接收波束
T1 A
T2 A
T3 B
T4 B
…… ……
表3
过程900可以包括步骤6，在该步骤，UE1通过使用接收的模型参数集来构建待训练的人工智能模型并使用本地测量结果训练所构建的人工智能模型，从而生成本地训练结果。
例如，根据测量时刻信息和与测量时间对应的接收波束选择结果(其可以反映接收波束更换信息)可以确定测量周期和用于训练的适合的波束预测周期。
该UE可以根据所确定的用于训练的波束预测周期选择模型参数集并利用选择的模型参数集构建待训练的人工智能模型。
该UE可以利用表3所示的接收波束时序序列来训练例如基于LSTM的人工智能模型。T1，T2时刻的接收波束数据“AA”可以作为模型的输入，模型的输出可以与T3时刻的“B”进行比较。基于模型输出与测量结果的差异，可以对人工智能模型进行优化，从而获得更新的模型参数，以及更新的模型参数集。模型优化例如可以基于Adam算法(参见Kingma,Diederik,and Jimmy Ba."Adam:A method for stochastic optimization."arXivpreprint arXiv:1412.6980(2014))。
UE可以利用本地测量结果中与不同测量周期对应的数据来分别训练不同的人工智能模型，从而得到不同的模型参数集。
过程900可以包括步骤7，在该步骤，UE1将本地训练结果发送给基站。
UE可以向UE上报的本地训练结果例如可以如表4所示：
模型参数集 波束预测周期
S11 1ms
S12 2ms
S13 10ms
表4
表4也可以包括对应的基站波束强度排序4321。由于UE之前已经向基站上报了该基站波束排序，因此，表4也可以不包括该信息。
过程900可以包括步骤8，在该步骤，基站将来自UE1的本地训练结果以及来自其它UE的其它本地训练结果进行分类和合并，得到合并结果。
分类和合并的处理与图8中的步骤8003和8005类似，在此不再赘述。
图9仅示出基站与UE1之间的通信过程，可以理解，对于其它UE，在基站与每个其它UE之间执行与步骤1-7类似的步骤，从而得到其它UE的本地训练结果。
在一些实施例中，各个UE可以将在本地训练人工智能模型的过程中产生的本地预测结果发送给基站，基站可以对来自这多个UE的本地预测结果进行处理，并将处理结果发送给各UE，来帮助优化各UE处的本地训练。例如，对于相同的预测，例如在相同基站波束排序序列和相同波束预测周期的情况下，基于已知的接收波束选择序列“AA”预测下一时刻的接收波束，多个UE中大部分UE的本地预测结果都显示下一时刻的接收波束为A，则可以认为那些显示下一时刻的接收波束不是A的本地预测结果是不准确的，基站可以将正确的本地预测结果发送给上报不正确的本地预测结果的UE，使得这些UE可以利用所接收的正确的本地预测结果对人工智能模型的训练进行优化或调整。
基于多个UE的本地测量结果的人工智能模型训练
图10是示出根据本公开实施例的基站执行的方法1000的流程图。基站利用来自多个UE的多个本地测量结果作为训练数据来在基站处训练多个人工智能模型，以获得更新的模型参数集。
如图10所示，方法1000包括步骤1001，在该步骤，基站从多个UE接收多个本地测量结果，每个本地测量结果至少包括参考信号测量时间和与参考信号测量时间对应的接收波束选择结果。
本地测量结果可以如表3所示。可以理解，基站可以已经知道与每个本地测量结果对应的基站波束排序序列。基站可以根据参考信号测量时间和与参考信号测量时间对应的接收波束选择结果确定训练用的波束预测周期。
在一些实施例中，本地测量结果也可以包含有关对应的基站波束排序序列和波束预测周期的信息。
方法1000还可以包括步骤1003，在该步骤，基站对来自所述多个UE的所述多个本地测量结果的数据进行分类以获得至少一组训练数据。该分类可以基于基站波束排序序列，或者基于基站波束排序序列和波束预测周期两者。
方法1000还可以包括步骤1005，在该步骤，使用这至少一组训练数据训练相应的人工智能模型，以获得至少一个训练结果。
在一些实施例中，可以将这多个本地测量结果中所包含的与同一基站波束排序序列对应的测量结果数据分到一起作为一组训练数据，来训练与该基站波束排序序列对应的人工智能模型，以获得与该基站波束排序序列对应的更新的模型参数集。在另一些实施例中，可以将这多个本地测量结果中所包含的与同一基站波束排序序列对应并且与同一波束预测周期对应的测量结果数据分到一起作为一组训练数据，来训练与该基站波束排序序列对应并且与该波束预测周期对应的人工智能模型，以获得与该基站波束排序序列对应并且与该波束预测周期对应的更新的模型参数集。
方法1000还可以包括步骤1007，在该步骤，利用这至少一个训练结果来更新数据表，例如数据表中的人工智能模型参数集。
图11是示出根据本公开实施例的由基站和多个UE之一执行的示例性通信过程1100的流程图。为了说明方便，这里仅例示这多个UE中的UE1。
如图11所示，过程1100可以包括步骤1，在该步骤，UE1执行基站下行波束测量。
过程900可以包括步骤2，在该步骤，UE 1向基站上报波束测量结果。
过程1100可以包括步骤3，在该步骤，基站向UE1通知基站使用的服务波束。
过程1100可以包括步骤4，在该步骤，UE1根据自己的链路质量来周期性地测量基站为UE1配置的下行参考信号，根据测量结果更换接收波束，并记录本地测量结果。本地测量结果可以至少包括参考信号测量时间和对应的接收波束选择结果。
过程1100可以包括步骤5，在该步骤，UE1将本地测量结果发送给基站。
过程1100可以包括步骤6，在该步骤，基站对来自UE1的本地测量结果和来自其它UE的其它本地测量结果的数据进行分类以获得至少一组训练数据。
过程1100可以包括步骤7，在该步骤，基站使用这至少一组训练数据训练相应的人工智能模型，以获得至少一个训练结果。
图11仅示出基站与UE1之间的通信过程，可以理解，对于其它UE，在基站与每个其它UE之间执行与步骤1-5类似的步骤，从而得到其它UE的本地测量结果。
以上考虑基站波束强度排序和波束预测周期两个因素描述了人工智能模型的训练。本领域技术人员可以理解，当需要考虑附加因素(例如空间区域)时，人工智能模型的训练方法是类似的。
例如，在考虑空间区域的情况下，UE附加地记录与UE执行的测量对应的空间位置。基站可以基于UE上报的基站波束强度序列和空间位置两者下发相应的训练模型参数集。
在基于多个UE的本地训练结果的人工智能模型训练的情况下，本地训练结果与空间位置相关联。多个UE的空间位置被基站用于对这多个UE的本地训练结果进行分类。
在基于多个UE的本地测量结果的人工智能模型训练的情况下，UE的本地测量结果可以包含UE的空间位置。多个UE的空间位置被基站用于对这多个UE的本地测量结果进行分类。
本公开实施例通过基于UE上报的波束测量结果来确定和分发用于该UE的波束预测的人工智能模型，实现了精准的人工智能模型分发。
本公开实施例通过利用多个UE的本地测量结果来对与不同的无线传播环境和/或不同的波束预测周期和/或不同的空间区域对应的不同人工智能模型进行训练，辅助实现了精准的人工智能模型分发。
精准的人工智能模型分发使得UE可以实现高效的波束预测，在保持良好通信质量的同时减少波束测量的数量，降低了UE的功耗。
接下来描述根据本公开的一些实施例的电子设备和通信方法。
【本公开的示例性实现】
根据本公开的实施例，可以想到各种实现本公开的概念的实现方式，包括但不限于：
1)一种由网络设备执行的方法，包括：
基于用户设备(UE)上报的波束测量结果来从用于波束预测的多个人工智能模型中确定用于所述UE的人工智能模型；
将与所确定的人工智能模型相关联的指示信息发送给所述UE。
2)如项1)所述的方法，其中，所述UE上报的波束测量结果包括基于波束强度的基站波束排序序列。
3)如项1)所述的方法，还包括：
从所述UE接收与UE的波束预测周期相关联的信息；和
基于所述波束测量结果和所述与UE的波束预测周期相关联的信息二者来确定用于所述UE的波束预测的人工智能模型。
4)如项1)所述的方法，还包括：
确定所述UE的空间位置，以及
基于所述UE的空间位置来确定用于所述UE的波束预测的人工智能模型。
5)如项1)所述的方法，进一步包括经由以下至少一者将与所确定的人工智能模型相关联的指示信息发送给UE：
RRC信令；或
高层信令；或
DCI指示。
6)如项1)所述的方法，还包括:
从UE接收对用于波束预测的人工智能模型的请求。
7)如项1)所述的方法，还包括：
从UE接收能力信息，所述能力信息指示UE对用于波束预测的人工智能模型的支持的信息。
8)如项1)所述的方法，其中，每个人工智能模型由一模型参数集定义，所述方法还包括:
维护数据表，其中该数据表至少包括：
基于波束强度的基站波束排序序列和对应的人工智能模型参数集；或
基于波束强度的基站波束排序序列、波束预测周期和对应的人工智能模型参数集。
9)如项8)所述的方法，还包括:
从多个UE接收多个本地训练结果，其中每个UE的本地训练结果是该UE通过利用本地测量结果训练相应的人工智能模型获得的，每个UE的本地测量结果至少包括参考信号测量时间和与参考信号材料时间对应的接收波束选择结果；
基于至少以下之一对来自所述多个UE的所述多个本地训练结果进行分类以获得多组本地训练结果：
基于波束强度的基站波束排序序列；和
基于波束强度的基站波束排序序列和波束预测周期；
对所述多组本地训练结果中的每一组本地训练结果进行合并以获得多个合并结果；以及
利用所述多个合并结果来更新所述数据表中的人工智能模型参数集。
10)如项8)所述的方法，还包括:
从多个UE接收多个本地测量结果，每个UE的本地测量结果至少包括参考信号测量时间和与参考信号测量时间对应的接收波束选择结果；
基于至少以下之一对来自所述多个UE的所述多个本地测量结果的数据进行分类以获得至少一组训练数据：
基于波束强度的基站波束排序序列，和
基于波束强度的基站波束排序序列和波束预测周期；
使用所述至少一组训练数据对所述多个人工智能模型中的相应人工智能模型进行训练以获得至少一个训练结果；
利用所述至少一个训练结果来更新所述数据表中的人工智能模型参数集。
11)如项8)所述的方法，还包括:
生成包含用于指示备选人工智能模型的无线资源控制(RRC)信令；以及
将所述RRC信令发送给所述UE。
12)如项10)所述的方法，其中，所述RRC信令包含多个备选人工智能模型，所述方法还包括：
生成用于指示所述多个备选人工智能模型中之一的MAC控制元素或下行控制信息(DCI)；以及
将所述MAC控制元素或DCI发送给所述UE。
13)一种网络设备，包括：
存储器，存储计算机可执行指令；和
处理器，其与存储器耦接，被配置为执行所述计算机可执行指令来执行如项1)-12)中任一项所述的方法的操作。
14)一种由用户设备(UE)执行的方法，包括：
向网络设备上报波束测量结果；
从网络设备接收与用于所述UE的波束预测的人工智能模型相关联的指示信息，其中用于所述UE的波束预测的人工智能模型是所述网络设备基于所述波束测量结果从用于波束预测的多个人工智能模型中确定的。
15)如项14)所述的方法，还包括：在被预先配置的两次波束测量之间使用所述指示信息所指示的人工智能模型执行波束预测，以及利用预测得到的波束进行传输。
16)如项14)所述的方法，还包括：在被预先配置的两次波束测量之间使用所述指示信息所指示的人工智能模型执行波束预测，以及在下一次波束测量时，优先对预测得到的一个或多个波束进行测量。
17)如项14)所述的方法，还包括：根据所述UE的移动速度、当前通信链路质量、传输业务需求其中至少之一确定是否使用所述指示信息所指示的人工智能模型执行波束预测。
18)如项14)所述的方法，其中，所述波束测量结果包括基于波束强度的基站波束排序序列。
19)如项14)所述的方法，还包括：
向所述网络设备发送与波束预测周期相关联的信息；
其中，用于所述UE的波束预测的人工智能模型是所述网络设备基于所述波束测量结果和所述与波束预测周期相关联的信息二者确定的；
所述方法还包括：
使用所述指示信息所指示的人工智能模型执行波束预测。
20)如项14)所述的方法，其中，与用于所述UE的波束预测的人工智能模型相关联的指示信息指示多个备选人工智能模型，所述方法还包括：
确定波束预测周期；
从所述多个备选人工智能模型中选择与所确定的波束预测周期对应的人工智能模型；以及
使用所选择的人工智能模型执行波束预测。
21)如项14)所述的方法，其中，所述指示信息是经由以下至少一者传送的：
RRC信令；或
高层信令；或
DCI指示。
22)如项14)所述的方法，还包括：
向所述网络设备发送对用于波束预测的人工智能模型的请求。
23)如项14)所述的方法，还包括：
向所述网络设备发送能力信息，所述能力信息指示所述UE对用于波束预测的人工智能模型的支持的信息。
24)如项14)所述的方法，还包括:
利用本地测量结果训练所述指示信息所指示的人工智能模型，以获得本地训练结果，其中，本地测量结果至少包括参考信号测量时间和与参考信号测量时间对应的接收波束选择结果；和
将所述本地训练结果发送给所述网络设备。
25)如项14)所述的方法，还包括:
将本地测量结果发送给所述网络设备，本地测量结果至少包括参考信号测量时间和与参考信号测量时间对应的接收波束选择结果。
26)如项14)所述的方法，还包括:
接收包含用于指示备选人工智能模型的RRC信令。
27)如项26)所述的方法，其中，所述RRC信令包含多个备选人工智能模型，所述方法还包括：
接收用于指示所述多个备选人工智能模型中之一的MAC控制元素或下行控制信息(DCI)。
28)一种用户设备，包括：
存储器，存储计算机可执行指令；和
处理器，其与存储器耦接，被配置为执行所述计算机可执行指令来执行如项14)-27)中任一项所述的方法的操作。
本公开的应用实例
本公开中描述的技术能够应用于各种产品。
例如，根据本公开的实施例的电子设备可以被实现为各种基站或者安装在基站中，或被实现为各种用户设备或被安装在各种用户设备中。
根据本公开的实施例的通信方法可以由各种基站或用户设备实现；根据本公开的实施例的方法和操作可以体现为计算机可执行指令，存储在非暂时性计算机可读存储介质中，并可以由各种基站或用户设备执行以实现上面所述的一个或多个功能。
根据本公开的实施例的技术可以制成各个计算机程序产品，被用于各种基站或用户设备以实现上面所述的一个或多个功能。
本公开中所说的基站可以被实现为任何类型的基站，优选地，诸如3GPP的5G NR标准中定义的宏gNB和ng-eNB。gNB可以是覆盖比宏小区小的小区的gNB，诸如微微gNB、微gNB和家庭(毫微微)gNB。代替地，基站可以被实现为任何其他类型的基站，诸如NodeB、eNodeB和基站收发台(BTS)。基站还可以包括：被配置为控制无线通信的主体以及设置在与主体不同的地方的一个或多个远程无线头端(RRH)、无线中继站、无人机塔台、自动化工厂中的控制节点等。
用户设备可以被实现为移动终端(诸如智能电话、平板个人计算机(PC)、笔记本式PC、便携式游戏终端、便携式/加密狗型移动路由器和数字摄像装置)或者车载终端(诸如汽车导航设备)。用户设备还可以被实现为执行机器对机器(M2M)通信的终端(也称为机器类型通信(MTC)终端)、无人机、自动化工厂中的传感器和执行器等。此外，用户设备可以为安装在上述终端中的每个终端上的无线通信模块(诸如包括单个晶片的集成电路模块)。
下面简单介绍可以应用本公开的技术的基站和用户设备的示例。
应当理解，本公开中使用的术语“基站”具有其通常含义的全部广度，并且至少包括被用于作为无线通信系统或无线电系统的一部分以便于通信的无线通信站。基站的例子可以例如是但不限于以下：GSM通信系统中的基站收发信机(BTS)和基站控制器(BSC)中的一者或两者；3G通信系统中的无线电网络控制器(RNC)和NodeB中的一者或两者；4G LTE和LTE-A系统中的eNB；5G通信系统中的gNB和ng-eNB。在D2D、M2M以及V2V通信场景下，也可以将对通信具有控制功能的逻辑实体称为基站。在认知无线电通信场景下，还可以将起频谱协调作用的逻辑实体称为基站。在自动化工厂中，可以将提供网络控制功能的逻辑实体称为基站。
基站的第一应用示例
图12是示出可以应用本公开内容的技术的基站的示意性配置的第一示例的框图。在图12中，基站可以实现为gNB 1400。gNB 1400包括多个天线1410以及基站设备1420。基站设备1420和每个天线1410可以经由RF线缆彼此连接。
天线1410包括多个天线元件，诸如用于大规模MIMO的多个天线阵列。天线1410例如可以被布置成天线阵列矩阵，并且用于基站设备1420发送和接收无线信号。例如，多个天线1410可以与gNB 1400使用的多个频段兼容。
基站设备1420包括控制器1421、存储器1422、网络接口1423以及无线通信接口1425。
控制器1421可以为例如CPU或DSP，并且操作基站设备1420的较高层的各种功能。例如，控制器1421根据由无线通信接口1425处理的信号中的数据来生成数据分组，并经由网络接口1423来传递所生成的分组。控制器1421可以对来自多个基带处理器的数据进行捆绑以生成捆绑分组，并传递所生成的捆绑分组。控制器1421可以具有执行如下控制的逻辑功能：该控制诸如为无线资源控制、无线承载控制、移动性管理、接纳控制和调度。该控制可以结合附近的gNB或核心网节点来执行。存储器1422包括RAM和ROM，并且存储由控制器1421执行的程序和各种类型的控制数据(诸如终端列表、传输功率数据以及调度数据)。
网络接口1423为用于将基站设备1420连接至核心网1424(例如，5G核心网)的通信接口。控制器1421可以经由网络接口1423而与核心网节点或另外的gNB进行通信。在此情况下，gNB1400与核心网节点或其他gNB可以通过逻辑接口(诸如NG接口和Xn接口)而彼此连接。网络接口1423还可以为有线通信接口或用于无线回程线路的无线通信接口。如果网络接口1423为无线通信接口，则与由无线通信接口1425使用的频段相比，网络接口1423可以使用较高频段用于无线通信。
无线通信接口1425支持任何蜂窝通信方案(诸如5G NR)，并且经由天线1410来提供到位于gNB 1400的小区中的终端的无线连接。无线通信接口1425通常可以包括例如基带(BB)处理器1426和RF电路1427。BB处理器1426可以执行例如编码/解码、调制/解调以及复用/解复用，并且执行各层(例如物理层、MAC层、RLC层、PDCP层、SDAP层)的各种类型的信号处理。代替控制器1421，BB处理器1426可以具有上述逻辑功能的一部分或全部。BB处理器1426可以为存储通信控制程序的存储器，或者为包括被配置为执行程序的处理器和相关电路的模块。更新程序可以使BB处理器1426的功能改变。该模块可以为插入到基站设备1420的槽中的卡或刀片。可替代地，该模块也可以为安装在卡或刀片上的芯片。同时，RF电路1427可以包括例如混频器、滤波器和放大器，并且经由天线1410来传送和接收无线信号。虽然图12示出一个RF电路1427与一根天线1410连接的示例，但是本公开并不限于该图示，而是一个RF电路1427可以同时连接多根天线1410。
如图12所示，无线通信接口1425可以包括多个BB处理器1426。例如，多个BB处理器1426可以与gNB 1400使用的多个频段兼容。如图12所示，无线通信接口1425可以包括多个RF电路1427。例如，多个RF电路1427可以与多个天线元件兼容。虽然图12示出其中无线通信接口1425包括多个BB处理器1426和多个RF电路1427的示例，但是无线通信接口1425也可以包括单个BB处理器1426或单个RF电路1427。
在图12中示出的gNB 1400中，处理电路1001、2001、3001或4001中包括的一个或多个单元(例如发送单元1003、接收单元2002、接收单元3003等)可被实现在无线通信接口1425中。可替代地，这些组件中的至少一部分可被实现在控制器1421中。例如，gNB1400包含无线通信接口1425的一部分(例如，BB处理器1426)或者整体，和/或包括控制器1421的模块，并且一个或多个组件可被实现在模块中。在这种情况下，模块可以存储用于允许处理器起一个或多个组件的作用的程序(换言之，用于允许处理器执行一个或多个组件的操作的程序)，并且可以执行该程序。作为另一个示例，用于允许处理器起一个或多个组件的作用的程序可被安装在gNB1400中，并且无线通信接口1425(例如，BB处理器1426)和/或控制器1421可以执行该程序。如上所述，作为包括一个或多个组件的装置，gNB1400、基站设备1420或模块可被提供，并且用于允许处理器起一个或多个组件的作用的程序可被提供。另外，将程序记录在其中的可读介质可被提供。
基站的第二应用示例
图13是示出可以应用本公开的技术的基站的示意性配置的第二示例的框图。在图13中，基站被示出为gNB 1530。gNB 1530包括多个天线1540、基站设备1550和RRH 1560。RRH1560和每个天线1540可以经由RF线缆而彼此连接。基站设备1550和RRH 1560可以经由诸如光纤线缆的高速线路而彼此连接。
天线1540包括多个天线元件，诸如用于大规模MIMO的多个天线阵列。天线1540例如可以被布置成天线阵列矩阵，并且用于基站设备1550发送和接收无线信号。例如，多个天线1540可以与gNB 1530使用的多个频段兼容。
基站设备1550包括控制器1551、存储器1552、网络接口1553、无线通信接口1555以及连接接口1557。控制器1551、存储器1552和网络接口1553与参照图13描述的控制器1421、存储器1422和网络接口1423相同。
无线通信接口1555支持任何蜂窝通信方案(诸如5G NR)，并且经由RRH 1560和天线1540来提供到位于与RRH 1560对应的扇区中的终端的无线通信。无线通信接口1555通常可以包括例如BB处理器1556。除了BB处理器1556经由连接接口1557连接到RRH 1560的RF电路1564之外，BB处理器1556与参照图14描述的BB处理器1426相同。如图13所示，无线通信接口1555可以包括多个BB处理器1556。例如，多个BB处理器1556可以与gNB 1530使用的多个频段兼容。虽然图13示出其中无线通信接口1555包括多个BB处理器1556的示例，但是无线通信接口1555也可以包括单个BB处理器1556。
连接接口1557为用于将基站设备1550(无线通信接口1555)连接至RRH 1560的接口。连接接口1557还可以为用于将基站设备1550(无线通信接口1555)连接至RRH 1560的上述高速线路中的通信的通信模块。
RRH 1560包括连接接口1561和无线通信接口1563。
连接接口1561为用于将RRH 1560(无线通信接口1563)连接至基站设备1550的接口。连接接口1561还可以为用于上述高速线路中的通信的通信模块。
无线通信接口1563经由天线1540来传送和接收无线信号。无线通信接口1563通常可以包括例如RF电路1564。RF电路1564可以包括例如混频器、滤波器和放大器，并且经由天线1540来传送和接收无线信号。虽然图13示出一个RF电路1564与一根天线1540连接的示例，但是本公开并不限于该图示，而是一个RF电路1564可以同时连接多根天线1540。
如图13所示，无线通信接口1563可以包括多个RF电路1564。例如，多个RF电路1564可以支持多个天线元件。虽然图13示出其中无线通信接口1563包括多个RF电路1564的示例，但是无线通信接口1563也可以包括单个RF电路1564。
在图13中示出的gNB 1500中，处理电路1001、2001、3001或4001中包括的一个或多个单元(例如发送单元1003、接收单元2002、接收单元3003等)可被实现在无线通信接口1525中。可替代地，这些组件中的至少一部分可被实现在控制器1521中。例如，gNB 1500包含无线通信接口1525的一部分(例如，BB处理器1526)或者整体，和/或包括控制器1521的模块，并且一个或多个组件可被实现在模块中。在这种情况下，模块可以存储用于允许处理器起一个或多个组件的作用的程序(换言之，用于允许处理器执行一个或多个组件的操作的程序)，并且可以执行该程序。作为另一个示例，用于允许处理器起一个或多个组件的作用的程序可被安装在gNB 1500中，并且无线通信接口1525(例如，BB处理器1526)和/或控制器1521可以执行该程序。如上所述，作为包括一个或多个组件的装置，gNB 1500、基站设备1520或模块可被提供，并且用于允许处理器起一个或多个组件的作用的程序可被提供。另外，将程序记录在其中的可读介质可被提供。
用户设备的第一应用示例
图14是示出可以应用本公开内容的技术的智能电话1600的示意性配置的示例的框图。
智能电话1600包括处理器1601、存储器1602、存储装置1603、外部连接接口1604、摄像装置1606、传感器1607、麦克风1608、输入装置1609、显示装置1610、扬声器1611、无线通信接口1612、一个或多个天线开关1615、一个或多个天线1616、总线1617、电池1618以及辅助控制器1619。
处理器1601可以为例如CPU或片上系统(SoC)，并且控制智能电话1600的应用层和另外层的功能。处理器1601可以包括或充当参照附图描述的处理电路1001、2001、3001、4001中的任一个。存储器1602包括RAM和ROM，并且存储数据和由处理器1601执行的程序。存储装置1603可以包括存储介质，诸如半导体存储器和硬盘。外部连接接口1604为用于将外部装置(诸如存储卡和通用串行总线(USB)装置)连接至智能电话1600的接口。
摄像装置1606包括图像传感器(诸如电荷耦合器件(CCD)和互补金属氧化物半导体(CMOS))，并且生成捕获图像。传感器1607可以包括一组传感器，诸如测量传感器、陀螺仪传感器、地磁传感器和加速度传感器。麦克风1608将输入到智能电话1600的声音转换为音频信号。输入装置1609包括例如被配置为检测显示装置1610的屏幕上的触摸的触摸传感器、小键盘、键盘、按钮或开关，并且接收从用户输入的操作或信息。显示装置1610包括屏幕(诸如液晶显示器(LCD)和有机发光二极管(OLED)显示器)，并且显示智能电话1600的输出图像。扬声器1611将从智能电话1600输出的音频信号转换为声音。
无线通信接口1612支持任何蜂窝通信方案(诸如4G LTE或5GNR等等)，并且执行无线通信。无线通信接口1612通常可以包括例如BB处理器1613和RF电路1614。BB处理器1613可以执行例如编码/解码、调制/解调以及复用/解复用，并且执行用于无线通信的各种类型的信号处理。同时，RF电路1614可以包括例如混频器、滤波器和放大器，并且经由天线1616来传送和接收无线信号。无线通信接口1612可以为其上集成有BB处理器1613和RF电路1614的一个芯片模块。如图14所示，无线通信接口1612可以包括多个BB处理器1613和多个RF电路1614。虽然图14示出其中无线通信接口1612包括多个BB处理器1613和多个RF电路1614的示例，但是无线通信接口1612也可以包括单个BB处理器1613或单个RF电路1614。
此外，除了蜂窝通信方案之外，无线通信接口1612可以支持另外类型的无线通信方案，诸如短距离无线通信方案、近场通信方案和无线局域网(LAN)方案。在此情况下，无线通信接口1612可以包括针对每种无线通信方案的BB处理器1613和RF电路1614。
天线开关1615中的每一个在包括在无线通信接口1612中的多个电路(例如用于不同的无线通信方案的电路)之间切换天线1616的连接目的地。
天线1616包括多个天线元件，诸如用于大规模MIMO的多个天线阵列。天线1616例如可以被布置成天线阵列矩阵，并且用于无线通信接口1612传送和接收无线信号。智能电话1600可以包括一个或多个天线面板(未示出)。
此外，智能电话1600可以包括针对每种无线通信方案的天线1616。在此情况下，天线开关1615可以从智能电话1600的配置中省略。
总线1617将处理器1601、存储器1602、存储装置1603、外部连接接口1604、摄像装置1606、传感器1607、麦克风1608、输入装置1609、显示装置1610、扬声器1611、无线通信接口1612以及辅助控制器1619彼此连接。电池1618经由馈线向图14所示的智能电话1600的各个块提供电力，馈线在图中被部分地示为虚线。辅助控制器1619例如在睡眠模式下操作智能电话1600的最小必需功能。
在图14中示出的智能电话1600中，处理电路1001、2001、3001或4001中包括的一个或多个单元(例如发送单元1003、接收单元2002、接收单元3003等)可被实现在无线通信接口1612中。可替代地，这些组件中的至少一部分可被实现在处理器1601或者辅助控制器1619中。作为一个示例，智能电话1600包含无线通信接口1612的一部分(例如，BB处理器1613)或者整体，和/或包括处理器1601和/或辅助控制器1619的模块，并且一个或多个组件可被实现在该模块中。在这种情况下，该模块可以存储允许处理起一个或多个组件的作用的程序(换言之，用于允许处理器执行一个或多个组件的操作的程序)，并且可以执行该程序。作为另一个示例，用于允许处理器起一个或多个组件的作用的程序可被安装在智能电话1600中，并且无线通信接口1612(例如，BB处理器1613)、处理器1601和/或辅助控制器1619可以执行该程序。如上所述，作为包括一个或多个组件的装置，智能电话1600或者模块可被提供，并且用于允许处理器起一个或多个组件的作用的程序可被提供。另外，将程序记录在其中的可读介质可被提供。
用户设备的第二应用示例
图15是示出可以应用本公开的技术的汽车导航设备1720的示意性配置的示例的框图。汽车导航设备1720包括处理器1721、存储器1722、全球定位系统(GPS)模块1724、传感器1725、数据接口1726、内容播放器1727、存储介质接口1728、输入装置1729、显示装置1730、扬声器1731、无线通信接口1733、一个或多个天线开关1736、一个或多个天线1737以及电池1738。
处理器1721可以为例如CPU或SoC，并且控制汽车导航设备1720的导航功能和另外的功能。存储器1722包括RAM和ROM，并且存储数据和由处理器1721执行的程序。
GPS模块1724使用从GPS卫星接收的GPS信号来测量汽车导航设备1720的位置(诸如纬度、经度和高度)。传感器1725可以包括一组传感器，诸如陀螺仪传感器、地磁传感器和空气压力传感器。数据接口1726经由未示出的终端而连接到例如车载网络1741，并且获取由车辆生成的数据(诸如车速数据)。
内容播放器1727再现存储在存储介质(诸如CD和DVD)中的内容，该存储介质被插入到存储介质接口1728中。输入装置1729包括例如被配置为检测显示装置1730的屏幕上的触摸的触摸传感器、按钮或开关，并且接收从用户输入的操作或信息。显示装置1730包括诸如LCD或OLED显示器的屏幕，并且显示导航功能的图像或再现的内容。扬声器1731输出导航功能的声音或再现的内容。
无线通信接口1733支持任何蜂窝通信方案(诸如4G LTE或5GNR)，并且执行无线通信。无线通信接口1733通常可以包括例如BB处理器1734和RF电路1735。BB处理器1734可以执行例如编码/解码、调制/解调以及复用/解复用，并且执行用于无线通信的各种类型的信号处理。同时，RF电路1735可以包括例如混频器、滤波器和放大器，并且经由天线1737来传送和接收无线信号。无线通信接口1733还可以为其上集成有BB处理器1734和RF电路1735的一个芯片模块。如图15所示，无线通信接口1733可以包括多个BB处理器1734和多个RF电路1735。虽然图15示出其中无线通信接口1733包括多个BB处理器1734和多个RF电路1735的示例，但是无线通信接口1733也可以包括单个BB处理器1734或单个RF电路1735。
此外，除了蜂窝通信方案之外，无线通信接口1733可以支持另外类型的无线通信方案，诸如短距离无线通信方案、近场通信方案和无线LAN方案。在此情况下，针对每种无线通信方案，无线通信接口1733可以包括BB处理器1734和RF电路1735。
天线开关1736中的每一个在包括在无线通信接口1733中的多个电路(诸如用于不同的无线通信方案的电路)之间切换天线1737的连接目的地。
天线1737包括多个天线元件，诸如用于大规模MIMO的多个天线阵列。天线1737例如可以被布置成天线阵列矩阵，并且用于无线通信接口1733传送和接收无线信号。
此外，汽车导航设备1720可以包括针对每种无线通信方案的天线1737。在此情况下，天线开关1736可以从汽车导航设备1720的配置中省略。
电池1738经由馈线向图15所示的汽车导航设备1720的各个块提供电力，馈线在图中被部分地示为虚线。电池1738累积从车辆提供的电力。
在图15中示出的汽车导航装置1720中，处理电路1001、2001、3001或4001中包括的一个或多个单元(例如发送单元1003、接收单元2002、接收单元3003等)可被实现在无线通信接口1733中。可替代地，这些组件中的至少一部分可被实现在处理器1721中。作为一个示例，汽车导航装置1720包含无线通信接口1733的一部分(例如，BB处理器1734)或者整体，和/或包括处理器1721的模块，并且一个或多个组件可被实现在该模块中。在这种情况下，该模块可以存储允许处理起一个或多个组件的作用的程序(换言之，用于允许处理器执行一个或多个组件的操作的程序)，并且可以执行该程序。作为另一个示例，用于允许处理器起一个或多个组件的作用的程序可被安装在汽车导航装置1720中，并且无线通信接口1733(例如，BB处理器1734)和/或处理器1721可以执行该程序。如上所述，作为包括一个或多个组件的装置，汽车导航装置1720或者模块可被提供，并且用于允许处理器起一个或多个组件的作用的程序可被提供。另外，将程序记录在其中的可读介质可被提供。
本公开的技术也可以被实现为包括汽车导航设备1720、车载网络1741以及车辆模块1742中的一个或多个块的车载系统(或车辆)1740。车辆模块1742生成车辆数据(诸如车速、发动机速度和故障信息)，并且将所生成的数据输出至车载网络1741。
以上参照附图描述了本公开的示例性实施例，但是本公开当然不限于以上示例。本领域技术人员可在所附权利要求的范围内得到各种变更和修改，并且应理解这些变更和修改自然将落入本公开的技术范围内。
例如，在以上实施例中包括在一个单元中的多个功能可以由分开的装置来实现。替选地，在以上实施例中由多个单元实现的多个功能可分别由分开的装置来实现。另外，以上功能之一可由多个单元来实现。无需说，这样的配置包括在本公开的技术范围内。
在该说明书中，流程图中所描述的步骤不仅包括以所述顺序按时间序列执行的处理，而且包括并行地或单独地而不是必须按时间序列执行的处理。此外，甚至在按时间序列处理的步骤中，无需说，也可以适当地改变该顺序。
虽然已经详细说明了本公开及其优点，但是应当理解在不脱离由所附的权利要求所限定的本公开的精神和范围的情况下可以进行各种改变、替代和变换。而且，本公开实施例的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种由网络设备执行的方法，包括：
基于用户设备(UE)上报的波束测量结果来从用于波束预测的多个人工智能模型中确定用于所述UE的人工智能模型；和
将与所确定的人工智能模型相关联的指示信息发送给所述UE。
2.如权利要求1所述的方法，其中，所述UE上报的波束测量结果包括基于波束强度的基站波束排序序列。
3.如权利要求1所述的方法，还包括：
从所述UE接收与UE的波束预测周期相关联的信息；和
基于所述波束测量结果和所述与UE的波束预测周期相关联的信息二者来确定用于所述UE的波束预测的人工智能模型。
4.如权利要求1所述的方法，其中，每个人工智能模型由一模型参数集定义，所述方法还包括:
维护数据表，其中该数据表至少包括：
基于波束强度的基站波束排序序列和对应的人工智能模型参数集；或
基于波束强度的基站波束排序序列、波束预测周期和对应的人工智能模型参数集。
5.如权利要求4所述的方法，还包括:
从多个UE接收多个本地训练结果，其中每个UE的本地训练结果是该UE通过利用本地测量结果训练相应的人工智能模型获得的，并且每个UE的本地测量结果至少包括参考信号测量时间和与参考信号测量时间对应的接收波束选择结果；
基于至少以下之一对来自所述多个UE的所述多个本地训练结果进行分类以获得多组本地训练结果：
基于波束强度的基站波束排序序列；和
基于波束强度的基站波束排序序列和波束预测周期；
对所述多组本地训练结果中的每一组本地训练结果进行合并以获得多个合并结果；以及
利用所述多个合并结果来更新所述数据表中的人工智能模型参数集。
6.如权利要求4所述的方法，还包括:
从多个UE接收多个本地测量结果，每个本地测量结果至少包括参考信号测量时间和与参考信号测量时间对应的接收波束选择结果；
基于至少以下之一对来自所述多个UE的所述多个本地测量结果的数据进行分类以获得至少一组训练数据：
基于波束强度的基站波束排序序列，和
基于波束强度的基站波束排序序列和波束预测周期；
使用所述至少一组训练数据对所述多个人工智能模型中的相应人工智能模型进行训练以获得至少一个训练结果；
利用所述至少一个训练结果来更新所述数据表中的人工智能模型参数集。
7.一种网络设备，包括：
存储器，存储计算机可执行指令；和
处理器，其与存储器耦接，被配置为执行所述计算机可执行指令来执行如权利要求1-6中任一项所述的方法的操作。
8.一种由用户设备(UE)执行的方法，包括：
向网络设备上报波束测量结果；
从网络设备接收与用于所述UE的波束预测的人工智能模型相关联的指示信息，其中用于所述UE的波束预测的人工智能模型是所述网络设备基于所述波束测量结果从用于波束预测的多个人工智能模型中确定的。
9.如权利要求8所述的方法，其中，所述波束测量结果包括基于波束强度的基站波束排序序列。
10.一种用户设备，包括：
存储器，存储计算机可执行指令；和
处理器，其与存储器耦接，被配置为执行所述计算机可执行指令来执行如权利要求8-9中任一项所述的方法的操作。
CN202210015281.2A 2022-01-07 2022-01-07 人工智能模型的管理和分发 Pending CN116471609A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210015281.2A CN116471609A (zh) 2022-01-07 2022-01-07 人工智能模型的管理和分发
PCT/CN2023/070258 WO2023131141A1 (zh) 2022-01-07 2023-01-04 人工智能模型的管理和分发

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210015281.2A CN116471609A (zh) 2022-01-07 2022-01-07 人工智能模型的管理和分发

Publications (1)

Publication Number Publication Date
CN116471609A true CN116471609A (zh) 2023-07-21

Family

ID=87073240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210015281.2A Pending CN116471609A (zh) 2022-01-07 2022-01-07 人工智能模型的管理和分发

Country Status (2)

Country Link
CN (1) CN116471609A (zh)
WO (1) WO2023131141A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117614780A (zh) * 2023-11-23 2024-02-27 杭州辰时医联科技有限公司 一种联邦边缘学习梯度聚合方法、装置、系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10638482B2 (en) * 2017-12-15 2020-04-28 Qualcomm Incorporated Methods and apparatuses for dynamic beam pair determination
EP3763148A4 (en) * 2018-03-08 2021-03-24 Telefonaktiebolaget Lm Ericsson (Publ) COMMUNICATION MANAGEMENT IN A WIRELESS COMMUNICATION NETWORK
US11424791B2 (en) * 2020-04-16 2022-08-23 Qualcomm Incorporated Machine learning model selection in beamformed communications
WO2021209145A1 (en) * 2020-04-17 2021-10-21 Nokia Technologies Oy Channel state information values-based estimation of reference signal received power values for wireless networks

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117614780A (zh) * 2023-11-23 2024-02-27 杭州辰时医联科技有限公司 一种联邦边缘学习梯度聚合方法、装置、系统

Also Published As

Publication number Publication date
WO2023131141A1 (zh) 2023-07-13

Similar Documents

Publication Publication Date Title
US11991542B2 (en) Electronic device and method for wireless communication, and computer-readable storage medium
US10862564B2 (en) Base station, terminal apparatus, method and recording medium
TW201834491A (zh) 無線通信系統中的電子設備和方法
US10849129B2 (en) Communication control apparatus, communication control method and terminal apparatus
JP2018125786A (ja) リレー通信装置、基地局、方法及び記録媒体
US11736257B2 (en) Terminal apparatus, base station, method and recording medium for processing uplink reference signals
US10897296B2 (en) Terminal apparatus, base station, method and recording medium
CN111183597A (zh) 电子设备、无线通信方法和计算机可读存储介质
US20230385688A1 (en) Electronic device and method for federated learning
WO2023131141A1 (zh) 人工智能模型的管理和分发
US20220338023A1 (en) Electronic device, wireless communication method, and computer readable storage medium
CN114449596A (zh) 电子设备、无线通信方法和计算机可读存储介质
CN114342284A (zh) 电子设备、无线通信方法和计算机可读存储介质
CN109314874B (zh) 用于网络控制端和网络节点的电子设备和方法
WO2024131695A1 (zh) 电子设备和通信方法
CN116470942A (zh) 用于无线通信的电子设备和方法以及计算机可读存储介质
WO2024061094A1 (zh) 用户设备、无线通信方法和计算机可读存储介质
WO2024093717A1 (zh) 电子设备、用于无线通信的方法以及计算机可读存储介质
WO2023185566A1 (zh) 用于无线通信的方法和电子设备以及计算机可读存储介质
US20240195484A1 (en) mmWAVE 5G PROPAGATION USING INTER-SECTOR BEAMSETS
CN115174317A (zh) 用于无线通信的电子设备、无线通信方法以及存储介质
CN117397175A (zh) 用于无线通信的电子设备和方法、计算机可读存储介质
CN117597991A (zh) 基站、用户设备和越区切换方法
CN117413470A (zh) 用于无线通信的电子设备和方法、计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication