CN116847368A - 人工智能模型的输入处理方法、装置及设备 - Google Patents
人工智能模型的输入处理方法、装置及设备 Download PDFInfo
- Publication number
- CN116847368A CN116847368A CN202210295984.5A CN202210295984A CN116847368A CN 116847368 A CN116847368 A CN 116847368A CN 202210295984 A CN202210295984 A CN 202210295984A CN 116847368 A CN116847368 A CN 116847368A
- Authority
- CN
- China
- Prior art keywords
- information
- related information
- association
- optimal
- output
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 80
- 230000006870 function Effects 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims description 73
- 230000005540 biological transmission Effects 0.000 claims description 44
- 230000003993 interaction Effects 0.000 claims description 16
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 abstract description 29
- 235000019527 sweetened beverage Nutrition 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/24—Cell structures
- H04W16/28—Cell structures using beam steering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种人工智能模型的输入处理方法、装置及设备,属于通信领域,本申请实施例的人工智能模型的输入处理方法包括:第一设备确定人工智能模型的输入信息;其中,所述人工智能模型用于波束相关功能,所述输入信息包括期望信息以及以下至少一项:波束质量相关信息;第一波束关联信息;时间相关信息。
Description
技术领域
本申请属于通信技术领域,具体涉及一种人工智能模型的输入处理方法、装置及设备。
背景技术
人工智能(ArtificialIntelligence,AI)目前在各个领域获得了广泛的应用,所以,在通信技术领域也提出了使用AI进行波束预测的方案。如图1所示,使用部分波束对的参考信号接收功率(ReferenceSignalReceivedPower,RSRP)作为输入,AI模型的输出则是所有波束对的RSRP结果。其中,波束对是由发送波束和接收波束组成的。
其中,AI模型的输入数量与挑出来的部分波束对的数量相关,即AI模型的输入数量是固定的。而AI模型的输出数量等于所有波束对的数量,所有波束对的数量等于发送波束数量*接收波束数量。如果该模型是网络侧发送给终端的,也就是模型是在终端侧,发送波束数量对应于网络侧的发送波束数量,而接收波束数量对应于终端接收波束数量。
但是,考虑到泛化和实际可行性,一个小区内往往只有一个AI模型用于波束预测,也就是代表着该AI模型要适用于小区内的所有用户。然而,由于不同终端的能力是不同的,对应的终端接收波束的数量也是不同的,也就是总的波束对的数量对于不同终端的能力下是不同的。所以,就导致了AI模型无法广泛应用。
发明内容
本申请实施例提供一种人工智能模型的输入处理方法、装置及设备,能够解决AI模型输出数量无法广泛应用的问题。
第一方面,提供了一种人工智能模型的输入处理方法,该方法包括:
第一设备确定人工智能模型的输入信息;其中,所述人工智能模型用于波束预测相关功能,所述输入信息包括期望信息以及以下至少一项:
波束质量相关信息;
第一波束关联信息;
时间相关信息。
第二方面,提供了一种人工智能模型的输入处理装置,该装置包括:
第一确定模块,用于通过第一设备确定人工智能模型的输入信息;其中,所述人工智能模型用于波束相关功能,所述输入信息包括期望信息以及以下至少一项:
波束质量相关信息;
第一波束关联信息;
时间相关信息。
第三方面,提供了一种人工智能模型的输入处理设备,该终端包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面,提供了一种通信设备,包括处理器及通信接口,其中,所述处理器用于确定人工智能模型的输入信息;其中,所述人工智能模型用于波束相关功能,所述输入信息包括期望信息以及以下至少一项:
波束质量相关信息;
第一波束关联信息;
时间相关信息。
第五方面,提供了一种人工智能模型的输入处理系统,包括通信设备,所述通信设备可用于执行如第一方面所述的方法的步骤。第六方面,提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
第七方面,提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的方法。
第八方面,提供了一种计算机程序/程序产品,所述计算机程序/程序产品被存储在存储介质中,所述计算机程序/程序产品被至少一个处理器执行以实现如第一方面所述的人工智能模型的输入处理方法的步骤。
在本申请实施例中,第一设备确定人工智能模型的输入信息;其中,所述人工智能模型用于波束预测相关功能,所述输入信息包括期望信息以及以下至少一项:波束质量相关信息;第一波束关联信息;时间相关信息。这样,本申请的方案能够不受限于第一设备的能力,通过第一设备的AI模型获得期望的输出信息,并且人工智能模型的输出数量固定,与终端设备的接收波束数量或角度无关,解决了因为终端设备的能力不同导致人工智能模型输出数量无法广泛应用的问题,增加了人工智能模型的实用性。
附图说明
图1是现有技术中人工智能模型进行波束预测的示意图;
图2是本申请实施例的本申请实施例可应用的一种无线通信系统的框图
图3是本申请实施例的人工智能模型的输入处理方法的步骤示意图;
图4是本申请实施例的人工智能模型的输入处理系统的示意图;
图5是本申请实施例的人工智能模型的输入处理装置的结构示意图;
图6是本申请实施例的人工智能模型的输入处理设备的结构示意图;
图7是本申请实施例的通信设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是,本申请实施例所描述的技术不限于长期演进型(LongTermEvolution,LTE)/LTE的演进(LTE-Advanced,LTE-A)系统,还可用于其他无线通信系统,诸如码分多址(CodeDivisionMultipleAccess,CDMA)、时分多址(TimeDivisionMultipleAccess,TDMA)、频分多址(FrequencyDivisionMultipleAccess,FDMA)、正交频分多址(OrthogonalFrequencyDivisionMultipleAccess,OFDMA)、单载波频分多址(Single-carrierFrequencyDivisionMultipleAccess,SC-FDMA)和其他系统。本申请实施例中的术语“系统”和“网络”常被可互换地使用,所描述的技术既可用于以上提及的系统和无线电技术,也可用于其他系统和无线电技术。以下描述出于示例目的描述了新空口(NewRadio,NR)系统,并且在以下大部分描述中使用NR术语,但是这些技术也可应用于NR系统应用以外的应用,如第6代(6thGeneration,6G)通信系统。
图2示出本申请实施例可应用的一种无线通信系统的框图。无线通信系统包括终端11和网络侧设备12。其中,终端11可以是手机、平板电脑(TabletPersonalComputer)、膝上型电脑(LaptopComputer)或称为笔记本电脑、个人数字助理(PersonalDigitalAssistant,PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobilepersonalcomputer,UMPC)、移动上网装置(MobileInternetDevice,MID)、增强现实(augmentedreality,AR)/虚拟现实(virtualreality,VR)设备、机器人、可穿戴式设备(WearableDevice)、车载设备(VUE)、行人终端(PUE)、智能家居(具有无线通信功能的家居设备,如冰箱、电视、洗衣机或者家具等)、游戏机、个人计算机(personalcomputer,PC)、柜员机或者自助机等终端侧设备,可穿戴式设备包括:智能手表、智能手环、智能耳机、智能眼镜、智能首饰(智能手镯、智能手链、智能戒指、智能项链、智能脚镯、智能脚链等)、智能腕带、智能服装等。需要说明的是,在本申请实施例并不限定终端11的具体类型。网络侧设备12可以包括接入网设备或核心网设备,其中,接入网设备12也可以称为无线接入网设备、无线接入网(RadioAccessNetwork,RAN)、无线接入网功能或无线接入网单元。接入网设备12可以包括基站、WLAN接入点或WiFi节点等,基站可被称为节点B、演进节点B(eNB)、接入点、基收发机站(BaseTransceiverStation,BTS)、无线电基站、无线电收发机、基本服务集(BasicServiceSet,BSS)、扩展服务集(ExtendedServiceSet,ESS)、家用B节点、家用演进型B节点、发送接收点(TransmittingReceivingPoint,TRP)或所述领域中其他某个合适的术语,只要达到相同的技术效果,所述基站不限于特定技术词汇,需要说明的是,在本申请实施例中仅以NR系统中的基站为例进行介绍,并不限定基站的具体类型。
下面结合附图,通过一些实施例及其应用场景对本申请实施例提供的人工智能模型的输入处理进行详细地说明。
如图3所示,本申请实施例提供一种人工智能模型的输入处理方法,包括如下步骤:
步骤301,第一设备确定人工智能模型的输入信息;其中,所述人工智能模型用于波束相关功能,所述输入信息包括期望信息以及以下至少一项:
波束质量相关信息;
第一波束关联信息;
时间相关信息。
可选地,所述波束相关功能包括但不限于:波束预测,波束指示,波束恢复,波束训练,即所述人工智能模型具有波束预测,波束指示,波束恢复,波束训练中的至少一项功能。
本申请实施例中,第一设备确定人工智能模型的输入信息;其中,所述人工智能模型用于波束预测相关功能,所述输入信息包括期望信息以及以下至少一项:波束质量相关信息;第一波束关联信息;时间相关信息。这样,本申请的方案能够不受限于第一设备的能力,通过第一设备的AI模型获得期望的输出信息,并且人工智能模型的输出数量固定,与终端设备的接收波束数量或角度无关,解决了因为终端设备的能力不同导致人工智能模型输出数量无法广泛应用的问题,增加了人工智能模型的实用性。
需要说明的是,第一设备和第二设备可以是基站侧、终端侧以及辅助网络中心单元的各种组合;例如:第一设备为终端侧,第二设备为网络侧;或,第一设备为网络侧,第二设备为终端侧;或,第一设备和第二设备均为网络侧;或,第一设备和第二设备均为终端侧,或第一设备是辅助网络中心单元,第二设备是网络侧等,或第一设备和第二设备通过辅助网络中心单元进行交互;其中,辅助网络中心单元是用于信息交互的单元。即,所述第一设备和所述第二设备均可以是发送端设备或者接收端设备。本申请一实施例中所述第一设备为接收端设备。
可选地,所述期望信息包括以下至少一项:
第二波束关联信息;
预测时间相关信息。
其中,第一波束关联信息可以包括发送波束关联信息,接收波束关联信息和波束对关联信息中的至少一项。同样的,第二波束关联信息可以包括发送波束关联信息,接收波束关联信息和波束对关联信息中的至少一项。例如,第一设备接收第二设备发送的第一参考信号,第一波束关联信息包括第二设备发送波束关联信息,第一设备接收波束关联信息,以及第二设备发送波束与第一设备接收波束的波束对关联信息中的至少一者。而第二波束关联信息则包括第一设备期望的第二设备发送波束关联信息,第一设备期望的第一设备接收波束关联信息,以及第一设备期望的第二设备发送波束与第一设备接收波束的波束对关联信息中的至少一者。
可选地,本申请实施例的人工智能模型的输入处理方法,通过第一设备能够确定第一设备(接收端设备)期望的波束对关联信息、接收端设备期望的接收端设备接收波束关联信息以及接收端设备期望的第二设备(发送端设备)发送波束关联信息。能够通过第一设备获得所有波束的波束关联信息。
可选地,所述波束质量相关信息包括以下至少一项:信噪比,接收功率,接收质量;
所述第一波束关联信息用于表征所述人工智能模型的输入选择第一波束的情况下,所述第一波束对应的关联信息;其中,所述第一波束关联信息包括以下至少一项:波束标识相关信息,波束角度相关信息,波束增益相关信息,波束宽度相关信息;
所述时间相关信息用于表征所述波束质量相关信息对应的时间,和/或,多个所述波束质量相关信息之间的时间关系。
其中,波束质量相关信息是指能表征波束质量的信息,包括但不限于以下至少之一:层1的信噪比(L1-SINR),层1的参考信号接收功率(L1-RSRP),层1的参考信号接收质量(L1-RSRQ),层3的信噪比(L3-SINR),层3的参考信号接收功率(L3-RSRP),层3的参考信号接收质量(L3-RSRQ)等。
本申请一实施例中,所述波束标识相关信息,也是波束身份相关信息,用于表征所述波束的身份识别的相关信息,包含但不限于以下至少之一:发送波束标识(ID),接收波束标识,波束对标识,所述波束对应的参考信号集标识,所述波束对应的参考信号资源标识,唯一标识的随机标识,额外AI模型(或AI网络)处理后的编码值,波束角度相关信息;
所述波束角度相关信息用于表征所述波束对应的角度相关信息,包含但不限于以下至少之一:波束对角度相关信息,发送角度相关信息,接收角度相关信息;其中,所述角度相关信息是用于表征角度的相关信息,例如,角度,弧度,索引编码值,额外AI网络处理后的编码值;
可选的,角度相关信息,可以是基于全局坐标系(Globalcoordinatesystem,GLS),或局部坐标系(localcoordinatesystem,LCS)确定;可选的,若为局部坐标系,坐标系原点可以是第一设备或第二设备,通过网络配置,协议约定或上报方式确定;
所述波束增益相关信息用于表征所述波束和/或天线的增益相关信息,包括但不限于以下至少之一:天线相对增益(单位dBi),等效全向辐射功率波束功率谱(EffectiveIsotropicRadiatedPower,EIRP),波束角度增益,波束角度增益谱(即一个波束相对于不同角度上的增益,包括完整的或部分增益谱信息),每个波束角度对应的EIRP,主瓣角度,副瓣角度,副瓣数量,副瓣分布,天线数量,波束扫描水平覆盖范围,波束扫描垂直覆盖范围,3dB宽度,6dB宽度等。
可选地,所述波束角度相关信息和波束标识相关信息中至少一项可以是通过二维分量(可以是水平-垂直分量)进行描述,或通过更高维度的分量信息进行描述确定。
本申请一实施例中,所述时间相关信息用于表征所述波束质量相关信息对应的时间,和/或,多个所述波束质量相关信息之间的时间关系。例如,输入3组波束质量相关信息,分别对应距离当前时刻之前的第1周期,第2周期和第3周期时刻接收的信息。
本申请实施例的人工智能模型的输入处理方法,能够通过第一设备获取包括信噪比,接收功率以及接收质量的波束质量相关信息、所述第一波束对应的关联信息以及表征所述波束质量相关信息对应的时间,和/或,多个所述波束质量相关信息之间的时间关系的时间相关信息,从而确定所述人工智能模型的输入信息。
可选地,所述第二波束关联信息用于表征期望的第二波束所对应的关联信息;其中,所述第二波束关联信息包括以下至少一项:
波束标识相关信息,波束角度相关信息,波束增益相关信息,波束宽度相关信息;
所述预测时间相关信息用于表征所述人工智能模型的输出信息关联的时间相关信息。
本申请一实施例中,所述预测时间相关信息用于表征所述人工智能模型的输出信息关联的时间相关信息可以理解为:所述预测时间相关信息能够指示AI模型输出的结果关联的时间相关信息,且所述预测时间相关信息包括但不限于以下至少之一:基准时刻+z个时间单元,系统帧号,预测所属周期;其中,基准时刻和z可以由所述第一设备与所述第二设备的交互确定,时间单元的单位可以是表征时间的单位,符号,时隙,帧号,微妙,毫秒或者秒。
本申请实施例的人工智能模型的输入处理方法,能够确定出期望的第二波束所对应的关联信息以及人工智能模型的输出信息关联的时间相关信息。
可选地,所述输入信息中,同一个输入类型对应的信息包括至少一个时间上的信息。
可选的,所述同一个输入类型对应的信息可以理解为:
所述期望信息和以下至少一项:波束质量相关信息,波束关联信息,发送端发送波束关联信息,接收端接收波束关联信息;
所述期望信息包括以下至少一项:
接收端设备期望的波束关联信息;
接收端设备期望的接收端设备接收波束关联信息;
接收端设备期望的发送端设备发送波束关联信息。
在本申请一实施例中,所述期望信息包括以下至少一项:第一设备期望的第一设备接收波束关联信息、第一设备期望的第二设备发送波束关联信息、第一设备期望的第二设备发送波束与第一设备接收波束的波束对关联信息以及期望的预测时间相关信息。
可选地,对于输入信息,所述一个时间上的信息可以是历史时刻的信息和/或当前时刻的信息。
可选地,所述第一波束关联信息和/或所述时间相关信息,与所述波束质量相关信息相关联;和/或
所述第一波束关联信息的数量和/或所述时间相关信息的数量,与所述波束质量相关信息的数量相关联。
所述输入信息之间的关系包括波束质量的关联关系和波束数量的关联关系。
本申请一实施例中,所述第一设备为接收端设备;波束质量的关联关系可以理解为:第二设备发送波束关联信息和第一设备接收波束关联信息与所述波束质量相关信息相关联;或,所述时间相关信息与所述波束质量相关信息相关联;或,第二设备发送波束关联信息、第一设备接收波束关联信息和所述时间相关信息与所述波束质量相关信息相关联;和/或
波束数量的关联关系可以理解为:所述第二设备发送波束关联信息的数量和第一设备接收波束关联信息的数量与所述波束质量相关信息的数量相关联;或,所述时间相关信息的数量,与所述波束质量相关信息的数量相关联;或,所述第二设备发送波束关联信息的数量、第一设备接收波束关联信息的数量和所述时间相关信息的数量与所述波束质量相关信息的数量相关联。
本申请实施例的人工智能模型的输入处理方法,能够确定所述输入信息之间波束质量的关联关系和波束数量的关联关系,从而得到所述输入信息的详细内容。
具体地,所述第一波束关联信息和/或所述时间相关信息,与所述波束质量相关信息相关联,包括以下至少一项:
所述波束质量相关信息对应的波束与所述第一波束关联信息表征的波束一一对应;
所述波束质量相关信息对应的波束与所述时间相关信息表征的波束一一对应;
所述波束质量相关信息对应的波束与所述第一波束关联信息和所述时间相关信息联合表征的波束一一对应。
具体地,所述第一波束关联信息的数量和/或所述时间相关信息的数量,与所述波束质量相关信息的数量相关联,包括以下至少一项:
所述第一波束关联信息包括的波束对相关的关联信息、发送波束关联信息以及接收波束关联信息中至少一者的数量,等于所述波束质量相关信息的数量;
所述时间相关信息的数量等于所述波束质量相关信息的数量;
所述第一波束关联信息包括发送波束关联信息和接收波束关联信息的情况下,所述发送波束关联信息的数量与所述接收波束关联信息的数量的乘积等于所述波束质量相关信息的数量;
所述第一波束关联信息包括的波束对相关的关联信息、发送波束关联信息以及接收波束关联信息中至少一者的数量与所述时间相关信息的数量的乘积等于所述波束质量相关信息的数量;
所述第一波束关联信息包括发送波束关联信息和接收波束关联信息的情况下,所述发送波束关联信息的数量与所述时间相关信息的数量的乘积等于所述波束质量相关信息的数量;
所述第一波束关联信息包括发送波束关联信息和接收波束关联信息的情况下,所述接收波束关联信息的数量与所述时间相关信息的数量的乘积等于所述波束质量相关信息的数量;
所述第一波束关联信息包括发送波束关联信息和接收波束关联信息的情况下,所述发送波束关联信息的数量、所述接收波束关联信息的数量以及所述时间相关信息的数量的乘积等于所述波束质量相关信息的数量。
本申请一实施例中,所述发送波束关联信息的数量、所述接收波束关联信息的数量以及所述时间相关信息的数量可以通过第一设备与第二设备的交互确定。
本申请一实施例中:所述波束质量相关信息对应的波束与波束关联信息表征的波束一一对应,其余信息通过交互确定;
具体地,所述输入信息的数量之间满足以下至少之一:a*b=y,a=b=y;
其中,y为波束质量相关信息或者波束对关联信息;a为发送端发送波束关联信息;b为接收端接收波束关联信息;c为接收端期望的波束对关联信息;d为接收端期望的接收端接收波束关联信息;e为接收端期望的发送端发送波束关联信息。
本申请另一实施例中:所述波束质量相关信息对应的波束与波束关联信息表征的波束一一对应,其余信息通过交互确定,至少一个输入信息中是包含多个时间上的信息;
具体地,所述输入信息的数量之间满足以下至少之一:a*b=y,a=b=y;
其中,y*t为波束质量相关信息;y*z*t或y*z为波束对关联信息;a*z*t或a*z为发送端发送波束关联信息;b*z*t或b*z为接收端接收波束关联信息;c为接收端期望的波束对关联信息;d*z为接收端期望的接收端接收波束关联信息;e*z为接收端期望的发送端发送波束关联信息;
需要说明的是,t代表输入的信息的次数,一种可能性是t-1个历史信息+当前信息,z代表表征波束关联信息的分量信息的数量,若使用二维分量表示,对应仅使用波束关联信息时,z=2,若使用发送波束关联信息和接收波束关联信息时,z=1;c,d和e的数量由交互确定。
可选地,所述人工智能模型的输入处理方法,还包括:
所述第一设备确定所述人工智能模型的输出信息;其中,所述输出信息包括以下至少一项:
第一接收波束下,至少部分发送波束质量相关信息和/或最优发送波束相关信息;
第一发送波束下,至少部分接收波束质量相关信息和/或最优接收波束相关信息;
第二接收波束和第二发送波束下,对应的波束对的波束质量相关信息和/或最优波束相关信息;
其中,所述第一接收波束和第二接收波束为所述第二波束关联信息表征的接收波束;所述第一发送波束和第二发送波束为所述第二波束关联信息表征的发送波束。
本申请一实施例中,所述输出信息包括以下至少一项:
接收端期望的接收波束关联信息下,接收端在该接收波束下的所有发送端发送波束质量相关信息和/或最优发送波束相关信息;
接收端期望的发送端发送波束关联信息下,接收端在该发送波束的所有接收端接收波束质量相关信息和/或最优接收波束相关信息;
接收端期望的发送端发送波束关联信息和接收端接收波束关联信息下,接收端在发送波束集合和接收波束集合指示的波束对的波束质量相关信息和/或最优波束相关信息;
其中,所述发送波束集合是根据接收端期望的发送端发送波束关联信息获得,所述接收波束集合是根据接收端期望的接收端接收波束关联信息获得。
本申请一实施例中,所述第一设备为接收端,所述输出信息包括以下至少一项:
第一设备期望的接收波束关联信息下,第一设备在该接收波束下的所有第二设备发送波束质量相关信息和/或最优发送波束相关信息;
第一设备期望的第二设备发送波束关联信息下,第一设备在该发送波束的所有第一设备接收波束质量相关信息和/或最优接收波束相关信息;
第一设备期望的第二设备发送波束关联信息和第一设备接收波束关联信息下,第一设备在该发送波束集合和接收波束集合指示的波束对的波束质量相关信息和/或最优波束相关信息;
其中,所述接收波束集合是根据第一设备期望的第一设备接收波束关联信息获得,所述发送波束集合是根据第一设备期望的第二设备发送波束关联信息获得。
可选地,最优发送相关信息、最优接收相关信息以及最优波束相关信息是指携带能表征最优波束的信息,包括但不限于:波束标识相关信息和/或波束角度相关信息;此外,最优波束可以是多个。
可选地,所述输出信息中,同一个输出类型对应的信息包括至少一个时间上的信息。
可选的,所述一个时间上的信息可以是未来时刻的信息和/或当前时刻的信息。
需要说明的是,历史时刻的信息以及未来时刻的信息都是与当前时刻的信息在时间进行对比的,在当前时刻之前的即为历史时刻,在当前时刻之后的即为未来时刻。当前时刻与AI模型输入波束质量相关信息中最后获得的质量相关信息的时刻有关,最后获得的质量相关信息的时刻标记为s时刻,则s时刻即为当前时刻,或s+x时刻即为当前时刻,x为交互获得,可以是处理时间。
可选地,所述输出信息的数量与所述第二波束关联信息和/或所述预测时间相关信息相关联。
可选地,所述输出信息的数量与所述第二波束关联信息和/或所述预测时间相关信息相关联,包括:
在所述输出信息包括所述最优发送波束相关信息的情况下,所述输出信息的数量为以下至少一项:最优波束数量,最优波束数量与预测次数的乘积;或者,
在所述输出信息包括所述最优接收波束相关信息的情况下,所述输出信息的数量为以下至少一项:最优波束数量,最优波束数量与预测次数的乘积;或者,
在所述输出信息包括所述第一接收波束下的所有发送波束质量相关信息的情况下,所述输出信息的数量为以下至少一项:至少部分发送波束的数量,至少部分发送波束的数量与预测次数的乘积;
在所述输出信息包括所述第一发送波束下的所有接收波束质量相关信息的情况下,所述输出信息的数量为以下至少一项:至少部分接收波束的数量,至少部分接收波束的数量与预测次数的乘积;
在所述输出信息包括所述第二接收波束和所述第二发送波束下,对应的波束对的波束质量相关信息和/或最优波束相关信息的情况下,所述输出信息的数量为以下至少一项:所述第二接收波束和所述第二发送波束对应的波束对的数量,所述波束对的数量与预测次数的乘积;
其中,所述预测次数是由所述预测时间相关信息指示的,或者所述人工智能模型确定的或者与第二设备交互获得的。
所述输出信息的数量与所述第二波束关联信息和/或所述预测时间相关信息相关联可以理解为:AI模型输出的信息数量与接收端期望的波束对关联信息,接收端期望的接收端接收波束关联信息,接收端期望的发送端发送波束关联信息,期望的预测时间相关信息以及分别对应的数量中的至少之一有关联。
本申请一实施例中,当AI模型输出为最优发送波束相关信息时,AI模型的输出数量即为最优波束数量,或等于最优波束数量*期望的预测时间相关信息指示的预测次数;所述最优波束包括:最优波束、最优发送波束以及最优接收波束;或者,
当AI模型输出为最优接收波束相关信息时,AI模型的输出数量即为最优波束数量,或等于最优波束数量*期望的预测时间相关信息指示的预测次数;所述最优波束包括:最优波束、最优发送波束以及最优接收波束;或者,
当AI模型输出为在接收端期望的接收端接收波束关联信息下,接收端在该接收波束下的所有发送端发送波束质量相关信息时,AI模型输出数量等于发送端所有发送波束的数量或发送端所有发送波束的数量*期望的预测时间相关信息指示的预测次数;或者,
当AI模型输出为在接收端期望的发送端发送波束关联信息下,接收端在该发送波束的所有接收端接收波束质量相关信息时,AI模型输出数量等于接收端所有接收波束的数量或接收端所有接收波束的数量*期望的预测时间相关信息指示的预测次数;或者,
当AI模型输出为在接收端期望的发送端发送波束关联信息和B接收波束关联信息下,接收端在该发送波束集合和接收波束集合指示的波束对的波束质量相关信息和/或最优波束相关信息时,AI模型输出数量等于该发送波束集合和接收波束集合指示的波束对的数量或该发送波束集合和接收波束集合指示的波束对的数量*期望的预测时间相关信息指示的预测次数。
可选地,所述最优波束包括:最优波束、最优发送波束以及最优接收波束;
最优波束相关信息、最优发送相关信息以及最优接收相关信息是指携带能表征最优波束的信息,包括但不限于:波束标识相关信息和/或波束角度相关信息;此外,最优波束可以是多个。
可选地,所述人工智能模型的输入处理,还包括:
所述第一设备确定所述人工智能模型的辅助信息;其中,所述辅助信息用于辅助所述第一设备确定所述人工智能模型的输入信息和/或输出信息;所述辅助信息包括以下至少一项:
所述输入信息间的顺序;
所述输出信息间的顺序;
所述人工智能模型对输入信息的处理方式;
所述人工智能模型对输出信息的处理方式;
波束标识相关信息的数量;
波束角度相关信息的数量;
设备支持的波束相关最大能力;
发送波束的重复次数;
输出信息的循环次数;
与所述预测时间相关信息有关的信息;
第三波束关联信息。
可选地,所述输入信息间的顺序为信息输入AI模型的顺序;所述输出信息间的顺序为信息从AI模型输出的顺序;
本申请一实施例中,所述输入信息间的顺序和所述输出信息间的顺序,可以是按照一定规则定义的顺序,或指定的顺序。例如,输入信息包括期望信息、波束质量相关信息、第一波束关联信息和时间相关信息时,所述输入信息间的顺序是按照信息类型指定的,依次输入波束质量相关信息、第一波束关联信息、时间相关信息和期望信息。
可选地,所述波束标识相关信息的数量,包括:
发送端和接收端的波束标识对相关信息数量;
发送端的发送波束标识相关信息数量;
接收端的发送波束标识相关信息数量;
发送端的接收波束标识相关信息数量;
接收端的接收波束标识相关信息数量。
本申请一实施例中,所述第一设备为接收端设备,则所述波束标识相关信息的数量,包括:
第二设备和第一设备的波束对标识相关信息数量;
第二设备的发送波束标识相关信息数量;
第一设备的发送波束标识相关信息数量;
第二设备的接收波束标识相关信息数量;
第一设备的接收波束标识相关信息数量。
可选地,所述波束角度相关信息的数量,包括:
发送端发送波束角度相关信息数量;
接收端发送波束角度相关信息数量;
发送端接收波束角度相关信息数量;
接收端接收波束角度相关信息数量。
本申请一实施例中,所述第一设备为接收端设备,则所述波束角度相关信息的数量,包括:
第二设备发送波束角度相关信息数量;
第一设备发送波束角度相关信息数量;
第二设备接收波束角度相关信息数量;
第一设备接收波束角度相关信息数量。
可选地,所述设备支持的波束相关最大能力,包括:所述设备支持的波束标识的最大能力和波束角度的最大能力;
其中,所述设备支持的波束标识的最大能力,包括:
发送端和接收端的波束标识相关信息的最大数量;
发送端的发送波束标识相关信息的最大数量;
接收端的发送波束标识相关信息的最大数量;
发送端的接收波束标识相关信息的最大;
接收端的接收波束标识相关信息的最大;
所述设备支持的波束角度的最大能力,包括:
发送端发送波束角度相关信息的最大数量;
接收端发送波束角度相关信息的最大数量;
发送端接收波束角度相关信息的最大数量;
接收端接收波束角度相关信息的最大数量。
本申请一实施例中,所述第一设备为接收端设备,则所述设备支持的波束相关最大能力,包括:
所述设备支持的波束标识的最大能力和波束角度的最大能力;
其中,所述设备支持的波束标识的最大能力,包括:
第二设备和第一设备的波束标识相关信息的最大数量;
第二设备的发送波束标识相关信息的最大数量;
第一设备的发送波束标识相关信息的最大数量;
第二设备的接收波束标识相关信息的最大数量;
第一设备的接收波束标识相关信息的最大数量;
所述设备支持的波束角度的最大能力,包括:
第二设备发送波束角度相关信息的最大数量;
第一设备发送波束角度相关信息的最大数量;
第二设备接收波束角度相关信息的最大数量;
第一设备接收波束角度相关信息的最大数量。
可选地,所述发送波束的重复次数,包括:
发送端发送波束的重复次数。其中,在重复过程中,接收端可以在相同的发送波束下使用不同的接收波束。
可选地,输出信息的循环次数,包括:
发送端建议的接收端循环的最低次数,所述循环的最低次数是指接收端改变期望的波束关联信息获取在不同期望条件下的AI模型输出的次数;
需要说明的是,该最低次数不能超过交互的接收端接收波束标识或角度相关信息数量或最大能力。
可选地,所述与所述预测时间相关信息有关的信息可以是预测时间相关信息,也可以是用于推算出预测时间相关信息有关的信息,也可以包含预测的周期次数,周期长度。例如预测的未来周期次数,则需要接收端换算成对应的时刻。
可选地,所述第三波束关联信息,包括:发送端建议接收端AI模型输入信息有关的波束关联信息,包括以下至少之一,建议的波束对相关信息,建议的发送端发送波束标识相关信息,建议的发送端发送波束角度相关信息,建议的接收端接收波束标识相关信息,建议的接收端接收波束角度相关信息。所述建议的信息用于发送端告知接收端AI模型训练时发送端推荐的AI模型输入的波束标识和/或角度组合。
本申请一实施例中,所述第一设备为第一设备设备,则所述第三波束关联信息,包括:第二设备建议第一设备AI模型输入信息有关的波束关联信息,包括以下至少之一,建议的波束对相关信息,建议的第二设备发送波束标识相关信息,建议的第二设备发送波束角度相关信息,建议的第一设备接收波束标识相关信息,建议的第一设备接收波束角度相关信息。所述建议的信息用于第二设备告知第一设备AI模型训练时第二设备推荐的AI模型输入的波束标识和/或角度组合。
可选地,所述第一设备确定所述人工智能模型的输出信息之后,还包括:
所述第一设备在所述输出信息中选出以下至少一项:
最优发送波束相关信息;
最优接收波束相关信息;
最优波束相关信息。
需要说明的是,所述最优发送波束相关信息,所述最优接收波束相关信息以及所述最优波束相关信息均可以为一个或者多个。所述最优波束相关信息为最优波束对的相关信息。
可选地,在所述人工智能模型用于同步信号块SSB相关的波束预测,且SSB突发集中至少有一个SSB未使能时,最优波束关联信息是从第一SSB的波束中选择的;
其中,所述第一SSB是所述输出信息关联到的、所述SSB突发集中使能的SSB;
所述最优波束包括以下至少一项:
所述最优发送波束相关信息对应的波束;
所示最优接收波束相关信息对应的波束;
所述最优波束相关信息对应的波束。
可选地,在所述SSB突发集中,SSB是否使能通过位图指示确定;交互的最优波束仅可以从AI模型输出结果中关联到SSB突发集中使能的SSB中选择。
可选地,所述人工智能模型的输入信息、输出信息以及辅助信息中的至少一项,是所述第一设备通过与第二设备的交互确定的;
其中,所述交互的方式包括以下至少一项:
发送;上报;指示;配置;请求;预先约定。
本申请一实施例中,所述第一设备为接收端,所述第二设备为发送端,则所述人工智能模型的输入信息、输出信息以及辅助信息中的至少一项可以为所述第一设备发送给所述第二设备;或者,
所述第一设备为基站侧,所述第二设备为终端侧,则所述人工智能模型的输入信息、输出信息以及辅助信息中的至少一项可以为所述第一设备指示给所述第二设备、所述第一设备配置给所述第二设备、所述第二设备向所述第一设备上报或者所述第二设备向所述第一设备请求;或者,
所述第一设备与所述第二设备之间的预先约定。
本申请实施例的人工智能模型的输入处理方法可以通过如图4所示的人工智能模型的输入处理系统实现:
RSRP表示输入的是RSRP信息,角度信息表示输入的是与RSRP对应的波束的角度信息,期望信息表示输入的是期望的与RSRP对应的波束的角度信息,其中,所述期望信息包括:期望的接收角度信息和/或期望的发送角度信息。
假设发送端有32个发送波束,接收端有8个接收波束:
本申请的一实施例中:AI模型的输入信息中,期望信息仅包含期望的接收角度信息,则:
AI模型输入:8个RSRP,8个RSRP对应的8个发送端发送角度信息,8个RSRP对应的8个接收端接收角度信息,1个期望的接收角度信息;
AI模型输出:在该期望的接收角度信息下预测出来的32个发送端发送波束对应的RSRP;
此时接收端循环8次,即改变期望的接收角度信息,可一共获得32*8个波束对对应的RSRP信息。
本申请的另一实施例中:AI模型的输入信息中,期望信息仅包含期望的发送角度信息,则:
AI模型输入:8个RSRP,8个RSRP对应的8个发送端发送角度信息,8个RSRP对应的8个接收端接收角度信息,1个期望的发送角度信息;
AI模型输出:在该期望的发送角度信息下预测出来的8个接收端接收波束对应的RSRP;
此时,接收端循环32次,即改变期望的发送角度信息,可一共获得8*32个波束对对应的RSRP信息。
本申请的又一实施例中,AI模型的输入信息中,期望信息包含期望的发送角度信息以及期望的接收角度信息,则:
AI模型输入:8个RSRP,8个RSRP对应的8个发送端发送角度信息,8个RSRP对应的8个接收端接收角度信息,1个期望的发送角度信息和1个期望的接收角度信息
AI模型输出:在该期望的发送角度信息和期望的接收角度信息下预测出来的1个对应的RSRP;
此时,接收端循环256次,即改变期望的发送角度和期望的接收角度信息,可一共获得1*256个波束对对应的RSRP信息。
本申请的又一实施例中,AI模型的输入信息中,期望信息包含期望的发送角度信息以及期望的接收角度信息,则:
AI模型输入:8个RSRP,8个RSRP对应的8个发送端发送角度信息,8个RSRP对应的8个接收端接收角度信息,1个期望的发送角度信息和1个期望的接收角度信息,该1个期望的发送角度信息和1个期望的接收角度信息包含8个期望的发送角度和2个期望的接收角度;
AI模型输出:在该期望的发送角度信息和期望的接收角度信息下预测出来的16个波束对对应的RSRP;
此时,接收端循环16次,即改变期望的发送角度和期望的接收角度信息,可一共获得16*16个波束对对应的RSRP信息。
本申请的又一实施例中,AI模型的输入信息中,期望信息包含期望的发送角度信息以及期望的接收角度信息,则:
AI模型输入:8个RSRP,8个RSRP对应的8个发送端发送角度信息,8个RSRP对应的8个接收端接收角度信息,8个期望的发送角度信息和2个期望的接收角度信息,每个期望的发送角度信息和每个期望的接收角度信息包含1个期望的发送角度和1个期望的接收角度。
AI模型输出:在该期望的发送角度信息和期望的接收角度信息下预测出来的16个波束对对应的RSRP;
此时接收端循环16次,即改变期望的发送角度和期望的接收角度信息,可一共获得16*16个波束对对应的RSRP信息。
本申请的又一实施例中,AI模型输入信息中,期望信息包含期望的接收角度信息和期望预测时间相关信息,则:
AI模型输入:8个RSRP,8个RSRP对应的8个发送端发送角度信息,8个RSRP对应的8个接收端接收角度信息,1个期望的接收角度信息,1个期望预测时间相关信息用于指示预测位于基准时刻之后1秒的信息;
AI模型输出:在该期望的接收角度信息下预测位于基准时刻之后1秒的32个发送端发送波束对应的RSRP;
此时接收端循环8次,即改变期望的接收角度信息,可一共获得位于基准时刻之后1秒的32*8个波束对对应的RSRP信息。
如图5所示,本申请实施例还提供一种人工智能模型的输入处理装置500,包括:
第一确定模块501,用于通过第一设备确定人工智能模型的输入信息;其中,所述人工智能模型用于波束预测相关功能,所述输入信息包括期望信息以及以下至少一项:
波束质量相关信息;
第一波束关联信息;
时间相关信息。
在本申请实施例中,通过第一设备的第一确定模块确定人工智能模型的输入信息;其中,所述人工智能模型用于波束预测相关功能,所述输入信息包括期望信息以及以下至少一项:波束质量相关信息;第一波束关联信息;时间相关信息。这样,本申请的方案能够不受限于第一设备的能力,通过第一设备的AI模型获得期望的输出信息,并且人工智能模型的输出数量固定,与终端设备的接收波束数量或角度无关,解决了因为终端设备的能力不同导致人工智能模型输出数量无法广泛应用的问题,增加了人工智能模型的实用性。
可选地,所述人工智能模型的输入处理装置还包括:
第二确定模块,用于通过所述第一设备确定所述人工智能模型的输出信息;其中,所述输出信息包括以下至少一项:
第一接收波束下,至少部分发送波束质量相关信息和/或最优发送波束相关信息;
第一发送波束下,至少部分接收波束质量相关信息和/或最优接收波束相关信息;
第二接收波束和第二发送波束下,对应的波束对的波束质量相关信息和/或最优波束相关信息;
其中,所述第一接收波束和第二接收波束为所述第二波束关联信息表征的接收波束;所述第一发送波束和第二发送波束为所述第二波束关联信息表征的发送波束。
本申请一实施例中,所述输出信息包括以下至少一项:
接收端期望的接收波束关联信息下,接收端在该接收波束下的所有发送端发送波束质量相关信息和/或最优发送波束相关信息;
接收端期望的发送端发送波束关联信息下,接收端在该发送波束的所有接收端接收波束质量相关信息和/或最优接收波束相关信息;
接收端期望的发送端发送波束关联信息和接收端接收波束关联信息下,接收端在该发送波束集合和接收波束集合指示的波束对的波束质量相关信息和/或最优波束相关信息;
其中,所述第一发送波束和第二发送波束是根据接收端期望的发送端发送波束关联信息获得,所述第一接收波束和第二接收波束是根据接收端期望的接收端接收波束关联信息获得。
可选地,所述人工智能模型的输入处理装置还包括:
第三确定模块,用于通过所述第一设备确定所述人工智能模型的辅助信息;其中,所述辅助信息用于辅助所述第一设备确定所述人工智能模型的输入信息和/或输出信息;所述辅助信息包括以下至少一项:
所述输入信息间的顺序;
所述输出信息间的顺序;
所述人工智能模型对输入信息的处理方式;
所述人工智能模型对输出信息的处理方式;
波束标识相关信息的数量;
波束角度相关信息的数量;
设备支持的波束相关最大能力;
发送波束的重复次数;
输出信息的循环次数;
与所述预测时间相关信息有关的信息;
第三波束关联信息。
可选地,所述输入信息间的顺序为信息输入AI模型的顺序;所述输出信息间的顺序为信息从AI模型输入的顺序;
本申请一实施例中,所述输入信息间的顺序和所述输出信息间的顺序,可以是按照一定规则定义的顺序,或指定的顺序。
可选地,所述波束标识相关信息的数量,包括:
发送端和接收端的波束标识相关信息数量;
发送端的发送波束标识相关信息数量;
接收端的发送波束标识相关信息数量;
发送端的接收波束标识相关信息数量;
接收端的接收波束标识相关信息数量。
可选地,所述波束角度相关信息的数量,包括:
发送端发送波束角度相关信息数量;
接收端发送波束角度相关信息数量;
发送端接收波束角度相关信息数量;
接收端接收波束角度相关信息数量。
可选地,所述设备支持的波束相关最大能力,包括:所述设备支持的波束标识的最大能力和波束角度的最大能力;
其中,所述设备支持的波束标识的最大能力,包括:
发送端和接收端的波束标识相关信息数量或支持的最大能力;
发送端的发送波束标识相关信息数量或支持的最大能力;
接收端的发送波束标识相关信息数量或支持的最大能力;
发送端的接收波束标识相关信息数量或支持的最大能力;
接收端的接收波束标识相关信息数量或支持的最大能力;
所述设备支持的波束角度的最大能力,包括:
发送端发送波束角度相关信息数量或支持的最大能力;
接收端发送波束角度相关信息数量或支持的最大能力;
发送端接收波束角度相关信息数量或支持的最大能力;
接收端接收波束角度相关信息数量或支持的最大能力。
可选地,所述发送波束的重复次数,包括:
发送端发送波束的重复次数,用于指示接收端可以在相同的发送波束下使用不同的接收波束。
可选地,输出信息的循环次数,包括:
发送端建议的接收端循环的最低次数,所述循环的最低次数是指接收端改变期望的关联信息获取在不同期望条件下的AI模型输出的次数;
需要说明的是,该最低次数不能超过交互的接收端接收波束标识或角度相关信息数量或最大能力。
可选地,所述人工智能模型的输入处理装置还包括:
选择模块,用于通过所述第一设备在输出信息中选出以下至少一项:
最优发送波束相关信息;
最优接收波束相关信息;
最优波束相关信息。
需要说明的是,所述最优发送波束相关信息,所述最优接收波束相关信息以及所述最优波束相关信息均可以为一个或者多个。所述最优波束相关信息为波束对的相关信息。
本申请实施例中的人工智能模型的输入处理设备可以是电子设备,例如具有操作系统的电子设备,也可以是电子设备中的部件,例如集成电路或芯片。该电子设备可以是终端,也可以为除终端之外的其他设备。示例性的,终端可以包括但不限于上述所列举的终端11的类型,其他设备可以为服务器、网络附属存储器(NetworkAttachedStorage,NAS)等,本申请实施例不作具体限定。
本申请实施例提供的人工智能模型的输入处理设备能够实现图3的方法实施例实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
可选的,如图6所示,本申请实施例还提供一种人工智能模型的输入处理设备600,包括处理器601和存储器602,存储器602上存储有可在所述处理器601上运行的程序或指令,例如,该通信设备600为终端时,该程序或指令被处理器601执行时实现上述人工智能模型的输入处理方法实施例的各个步骤,且能达到相同的技术效果。该人工智能模型的输入处理设备600为网络侧设备时,该程序或指令被处理器601执行时实现上述人工智能模型的输入处理方法实施例的各个步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种通信设备,包括处理器和通信接口,处理器用于通过第一设备确定人工智能模型的输入信息;
其中,所述人工智能模型用于波束相关功能,所述输入信息包括期望信息以及以下至少一项:波束质量相关信息;
第一波束关联信息;
时间相关信息。
该通信设备实施例与上述第一设备方法实施例对应,上述方法实施例的各个实施过程和实现方式均可适用于该终端实施例中,且能达到相同的技术效果。具体地,图7为实现本申请实施例的通信设备的硬件结构示意图。
该通信设备700包括但不限于:射频单元701、网络模块702、音频输出单元703、输入单元704、传感器705、显示单元706、用户输入单元707、接口单元708、存储器709以及处理器710等中的至少部分部件。
本领域技术人员可以理解,该通信设备700还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理系统与处理器710逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图7中示出的该通信设备结构并不构成对人工智能模型的输入处理该通信设备的限定,该通信设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
应理解的是,本申请实施例中,输入单元704可以包括图形处理单元(GraphicsProcessingUnit,GPU)7041和麦克风7042,图形处理器7041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元706可包括显示面板7061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板7061。用户输入单元707包括触控面板7071以及其他输入设备7072中的至少一种。触控面板7071,也称为触摸屏。触控面板7071可包括触摸检测装置和触摸控制器两个部分。其他输入设备7072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
本申请实施例中,射频单元701接收来自网络侧设备的下行数据后,可以传输给处理器710进行处理;另外,射频单元701可以向网络侧设备发送上行数据。通常,射频单元701包括但不限于天线、放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器709可用于存储软件程序或指令以及各种数据。存储器709可主要包括存储程序或指令的第一存储区和存储数据的第二存储区,其中,第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外,存储器709可以包括易失性存储器或非易失性存储器,或者,存储器709可以包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-OnlyMemory,ROM)、可编程只读存储器(ProgrammableROM,PROM)、可擦除可编程只读存储器(ErasablePROM,EPROM)、电可擦除可编程只读存储器(ElectricallyEPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(RandomAccessMemory,RAM),静态随机存取存储器(StaticRAM,SRAM)、动态随机存取存储器(DynamicRAM,DRAM)、同步动态随机存取存储器(SynchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(DoubleDataRateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM,ESDRAM)、同步连接动态随机存取存储器(SynchlinkDRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambusRAM,DRRAM)。本申请实施例中的存储器709包括但不限于这些和任意其它适合类型的存储器。
处理器710可包括一个或多个处理单元;可选的,处理器710集成应用处理器和调制解调处理器,其中,应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作,调制解调处理器主要处理无线通信信号,如基带处理器。可以理解的是,上述调制解调处理器也可以不集成到处理器710中。
其中,处理器710,用于通过第一设备确定人工智能模型的输入信息;其中,所述人工智能模型用于波束相关功能,所述输入信息包括期望信息以及以下至少一项:
波束质量相关信息;
第一波束关联信息;
时间相关信息。
所述处理器710,还用于所述第一设备确定所述人工智能模型的输出信息;其中,所述输出信息包括以下至少一项:
第一接收波束下,至少部分发送波束质量相关信息和/或最优发送波束相关信息;
第一发送波束下,至少部分接收波束质量相关信息和/或最优接收波束相关信息;
第二接收波束和第二发送波束下,对应的波束对的波束质量相关信息和/或最优波束相关信息;
其中,所述第一接收波束和第二接收波束为所述第二波束关联信息表征的接收波束;所述第一发送波束和第二发送波束为所述第二波束关联信息表征的发送波束。
所述处理器710,还用于所述第一设备确定所述人工智能模型的辅助信息;其中,所述辅助信息用于辅助所述第一设备确定所述人工智能模型的输入信息和/或输出信息;所述辅助信息包括以下至少一项:
所述输入信息间的顺序;
所述输出信息间的顺序;
所述人工智能模型对输入信息的处理方式;
所述人工智能模型对输出信息的处理方式;
波束标识相关信息的数量;
波束角度相关信息的数量;
设备支持的波束相关最大能力;
发送波束的重复次数;
输出信息的循环次数;
与所述预测时间相关信息有关的信息;
第三波束关联信息。
所述处理器710,还用于所述第一设备在输出信息中选出以下至少一项:
最优发送波束相关信息;
最优接收波束相关信息;
最优波束相关信息。
本申请实施例另提供了一种可读存储介质,所述可读存储介质上存储程序或指令,还程序或者指令被处理器执行时实现如上人工智能模型的输入处理方法的实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的通信设备中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机可读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述人工智能模型的输入处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片,系统芯片,芯片系统或片上系统芯片等。
本申请实施例另提供了一种计算机程序/程序产品,所述计算机程序/程序产品被存储在存储介质中,所述计算机程序/程序产品被至少一个处理器执行以实现上述人工智能模型的输入处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例另提供了一种人工智能模型的输入处理系统,包括:通信设备,所述通信设备可用于执行如上所述的人工智能模型的输入处理方法。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (22)
1.一种人工智能模型的输入处理方法,其特征在于,包括:
第一设备确定人工智能模型的输入信息;其中,所述人工智能模型用于波束相关功能,所述输入信息包括期望信息以及以下至少一项:
波束质量相关信息;
第一波束关联信息;
时间相关信息。
2.根据权利要求1所述的方法,其特征在于,所述期望信息包括以下至少一项:
第二波束关联信息;
预测时间相关信息。
3.根据权利要求1所述的方法,其特征在于,所述波束质量相关信息包括以下至少一项:信噪比,接收功率,接收质量;
所述第一波束关联信息用于表征所述人工智能模型的输入选择第一波束的情况下,所述第一波束对应的关联信息;其中,所述第一波束关联信息包括以下至少一项:波束标识相关信息,波束角度相关信息,波束增益相关信息,波束宽度相关信息;
所述时间相关信息用于表征所述波束质量相关信息对应的时间,和/或,多个所述波束质量相关信息之间的时间关系。
4.根据权利要求2所述的方法,其特征在于,所述第二波束关联信息用于表征期望的第二波束所对应的关联信息;其中,所述第二波束关联信息包括以下至少一项:
波束标识相关信息,波束角度相关信息,波束增益相关信息,波束宽度相关信息;
所述预测时间相关信息用于表征所述人工智能模型的输出信息关联的时间相关信息。
5.根据权利要求1所述的方法,其特征在于,所述输入信息中,同一个输入类型对应的信息包括至少一个时间上的信息。
6.根据权利要求1所述的方法,其特征在于,所述第一波束关联信息和/或所述时间相关信息,与所述波束质量相关信息相关联;和/或
所述第一波束关联信息的数量和/或所述时间相关信息的数量,与所述波束质量相关信息的数量相关联。
7.根据权利要求6所述的方法,其特征在于,所述第一波束关联信息和/或所述时间相关信息,与所述波束质量相关信息相关联,包括以下至少一项:
所述波束质量相关信息对应的波束与所述第一波束关联信息表征的波束一一对应;
所述波束质量相关信息对应的波束与所述时间相关信息表征的波束一一对应;
所述波束质量相关信息对应的波束与所述第一波束关联信息和所述时间相关信息联合表征的波束一一对应。
8.根据权利要求6所述的方法,其特征在于,所述第一波束关联信息的数量和/或所述时间相关信息的数量,与所述波束质量相关信息的数量相关联,包括以下至少一项:
所述第一波束关联信息包括的波束对相关的关联信息、发送波束关联信息以及接收波束关联信息中至少一者的数量,等于所述波束质量相关信息的数量;
所述时间相关信息的数量等于所述波束质量相关信息的数量;
所述第一波束关联信息包括发送波束关联信息和接收波束关联信息的情况下,所述发送波束关联信息的数量与所述接收波束关联信息的数量的乘积等于所述波束质量相关信息的数量;
所述第一波束关联信息包括的波束对相关的关联信息、发送波束关联信息以及接收波束关联信息中至少一者的数量与所述时间相关信息的数量的乘积等于所述波束质量相关信息的数量;
所述第一波束关联信息包括发送波束关联信息和接收波束关联信息的情况下,所述发送波束关联信息的数量与所述时间相关信息的数量的乘积等于所述波束质量相关信息的数量;
所述第一波束关联信息包括发送波束关联信息和接收波束关联信息的情况下,所述接收波束关联信息的数量与所述时间相关信息的数量的乘积等于所述波束质量相关信息的数量;
所述第一波束关联信息包括发送波束关联信息和接收波束关联信息的情况下,所述发送波束关联信息的数量、所述接收波束关联信息的数量以及所述时间相关信息的数量的乘积等于所述波束质量相关信息的数量。
9.根据权利要求2所述的方法,其特征在于,还包括:
所述第一设备确定所述人工智能模型的输出信息;其中,所述输出信息包括以下至少一项:
第一接收波束下,至少部分发送波束质量相关信息和/或最优发送波束相关信息;
第一发送波束下,至少部分接收波束质量相关信息和/或最优接收波束相关信息;
第二接收波束和第二发送波束下,对应的波束对的波束质量相关信息和/或最优波束相关信息;
其中,所述第一接收波束和第二接收波束为所述第二波束关联信息表征的接收波束;所述第一发送波束和第二发送波束为所述第二波束关联信息表征的发送波束。
10.根据权利要求9所述的方法,其特征在于,所述输出信息中,同一个输出类型对应的信息包括至少一个时间上的信息。
11.根据权利要求9所述的方法,其特征在于,所述输出信息的数量与所述第二波束关联信息和/或所述预测时间相关信息相关联。
12.根据权利要求11所述的方法,其特征在于,所述输出信息的数量与所述第二波束关联信息和/或所述预测时间相关信息相关联,包括:
在所述输出信息包括所述最优发送波束相关信息的情况下,所述输出信息的数量为以下至少一项:最优波束数量,最优波束数量与预测次数的乘积;或者,
在所述输出信息包括所述最优接收波束相关信息的情况下,所述输出信息的数量为以下至少一项:最优波束数量,最优波束数量与预测次数的乘积;或者,
在所述输出信息包括所述第一接收波束下的所有发送波束质量相关信息的情况下,所述输出信息的数量为以下至少一项:至少部分发送波束的数量,至少部分发送波束的数量与预测次数的乘积;
在所述输出信息包括所述第一发送波束下的所有接收波束质量相关信息的情况下,所述输出信息的数量为以下至少一项:至少部分接收波束的数量,至少部分接收波束的数量与预测次数的乘积;
在所述输出信息包括所述第二接收波束和所述第二发送波束下,对应的波束对的波束质量相关信息和/或最优波束相关信息的情况下,所述输出信息的数量为以下至少一项:所述第二接收波束和所述第二发送波束对应的波束对的数量,所述波束对的数量与预测次数的乘积;
其中,所述预测次数是由所述预测时间相关信息指示的,或者所述人工智能模型确定的或者与第二设备交互获得的。
13.根据权利要求2所述的方法,其特征在于,还包括:
所述第一设备确定所述人工智能模型的辅助信息;其中,所述辅助信息用于辅助所述第一设备确定所述人工智能模型的输入信息和/或输出信息;所述辅助信息包括以下至少一项:
所述输入信息间的顺序;
所述输出信息间的顺序;
所述人工智能模型对输入信息的处理方式;
所述人工智能模型对输出信息的处理方式;
波束标识相关信息的数量;
波束角度相关信息的数量;
设备支持的波束相关最大能力;
发送波束的重复次数;
输出信息的循环次数;
与所述预测时间相关信息有关的信息;
第三波束关联信息。
14.根据权利要求9所述的方法,其特征在于,所述第一设备确定所述人工智能模型的输出信息之后,还包括:
所述第一设备在所述输出信息中选出以下至少一项:
最优发送波束相关信息;
最优接收波束相关信息;
最优波束相关信息。
15.根据权利要求9或14所述的方法,其特征在于,在所述人工智能模型用于同步信号块SSB相关的波束预测,且SSB突发集中至少有一个SSB未使能时,最优波束关联信息是从第一SSB的波束中选择的;
其中,所述第一SSB是所述输出信息关联到的、所述SSB突发集中使能的SSB;
所述最优波束包括以下至少一项:
所述最优发送波束相关信息对应的波束;
所示最优接收波束相关信息对应的波束;
所述最优波束相关信息对应的波束。
16.根据权利要求1所述的方法,其特征在于,所述人工智能模型的输入信息、输出信息以及辅助信息中的至少一项,是所述第一设备通过与第二设备的交互确定的;
其中,所述交互的方式包括以下至少一项:
发送;上报;指示;配置;请求;预先约定。
17.一种人工智能模型的输入处理装置,其特征在于,包括:
第一确定模块,用于通过第一设备确定人工智能模型的输入信息;其中,所述人工智能模型用于波束预测相关功能,所述输入信息包括期望信息以及以下至少一项:
波束质量相关信息;
第一波束关联信息;
时间相关信息。
18.根据权利要求17所述的装置,其特征在于,还包括:
第二确定模块,用于通过所述第一设备确定所述人工智能模型的输出信息;其中,所述输出信息包括以下至少一项:
第一接收波束下,至少部分发送波束质量相关信息和/或最优发送波束相关信息;
第一发送波束下,至少部分接收波束质量相关信息和/或最优接收波束相关信息;
第二接收波束和第二发送波束下,对应的波束对的波束质量相关信息和/或最优波束相关信息;
其中,所述第一接收波束和第二接收波束为第二波束关联信息表征的接收波束;所述第一发送波束和第二发送波束为所述第二波束关联信息表征的发送波束。
19.根据权利要求17所述的装置,其特征在于,还包括:
第三确定模块,用于通过所述第一设备确定所述人工智能模型的辅助信息;其中,所述辅助信息用于辅助所述第一设备确定所述人工智能模型的输入信息和/或输出信息;所述辅助信息包括以下至少一项:
所述输入信息间的顺序;
所述输出信息间的顺序;
所述人工智能模型对输入信息的处理方式;
所述人工智能模型对输出信息的处理方式;
波束标识相关信息的数量;
波束角度相关信息的数量;
设备支持的波束相关最大能力;
发送波束的重复次数;
输出信息的循环次数;
与所述预测时间相关信息有关的信息;
第三波束关联信息。
20.根据权利要求17所述的装置,其特征在于,还包括:
选择模块,用于通过所述第一设备在输出信息中选出以下至少一项:
最优发送波束相关信息;
最优接收波束相关信息;
最优波束相关信息。
21.一种人工智能模型的输入处理设备,其特征在于,包括处理器和存储器,所述存储器存储可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至16任一项所述的人工智能模型的输入处理方法的步骤。
22.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1至16任一项所述的人工智能模型的输入处理方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210295984.5A CN116847368A (zh) | 2022-03-23 | 2022-03-23 | 人工智能模型的输入处理方法、装置及设备 |
PCT/CN2023/083041 WO2023179649A1 (zh) | 2022-03-23 | 2023-03-22 | 人工智能模型的输入处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210295984.5A CN116847368A (zh) | 2022-03-23 | 2022-03-23 | 人工智能模型的输入处理方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116847368A true CN116847368A (zh) | 2023-10-03 |
Family
ID=88100025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210295984.5A Pending CN116847368A (zh) | 2022-03-23 | 2022-03-23 | 人工智能模型的输入处理方法、装置及设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116847368A (zh) |
WO (1) | WO2023179649A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116321202A (zh) * | 2017-03-08 | 2023-06-23 | 索尼公司 | 无线通信系统中的电子设备和方法 |
CN111954228B (zh) * | 2019-05-16 | 2023-12-29 | 北京三星通信技术研究有限公司 | 波束管理方法、装置、电子设备及计算机可读存储介质 |
KR102649518B1 (ko) * | 2019-08-31 | 2024-03-21 | 엘지전자 주식회사 | 지능적 빔포밍 방법, 빔포밍 장치 및 지능형 컴퓨팅 디바이스 |
CN113365352B (zh) * | 2020-03-06 | 2023-09-01 | 大唐移动通信设备有限公司 | 波束推荐方法、装置、网络侧设备、终端及存储介质 |
-
2022
- 2022-03-23 CN CN202210295984.5A patent/CN116847368A/zh active Pending
-
2023
- 2023-03-22 WO PCT/CN2023/083041 patent/WO2023179649A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023179649A1 (zh) | 2023-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116266216A (zh) | 客户端筛选方法及装置、客户端及中心设备 | |
CN116847368A (zh) | 人工智能模型的输入处理方法、装置及设备 | |
CN116847356A (zh) | 波束处理方法、装置及设备 | |
WO2023198093A1 (zh) | 模型有效性的确定方法、装置及通信设备 | |
WO2023186014A1 (zh) | 信号发送方法、信号接收方法及通信设备 | |
WO2023179653A1 (zh) | 波束处理方法、装置及设备 | |
WO2024012303A1 (zh) | 一种ai网络模型交互方法、装置和通信设备 | |
US20240080721A1 (en) | Information processing method and apparatus, terminal, and network side device | |
WO2023198167A1 (zh) | 模型微调的方法、装置及设备 | |
CN116963092A (zh) | 模型确定方法、信息传输方法、装置及相关设备 | |
CN117835372A (zh) | 网络选择方法及终端 | |
CN116264712A (zh) | 数据收集方法及装置、第一设备、第二设备 | |
CN117176216A (zh) | 信道状态信息csi的传输方法、装置及终端 | |
CN116963093A (zh) | 模型调整方法、信息传输方法、装置及相关设备 | |
CN116846491A (zh) | 信道信息的传输方法、装置及通信设备 | |
CN116546478A (zh) | 近距离通信的发现方法、装置、ue及介质 | |
CN117412245A (zh) | Sl定位方法、设备及可读存储介质 | |
CN117998349A (zh) | 能力指示方法、装置、终端、网络侧设备及可读存储介质 | |
CN117354852A (zh) | 上行配对方法、装置、设备和存储介质 | |
CN116867036A (zh) | 一种基于事件的设备操作方法、装置、通信设备、网络侧设备、存储介质及系统 | |
CN115802426A (zh) | 资源重评估方法、装置及终端 | |
CN117676654A (zh) | 接收方法、设备及可读存储介质 | |
CN117858072A (zh) | 信息传输方法、装置及设备 | |
CN117978650A (zh) | 数据处理方法、装置、终端及网络侧设备 | |
CN117858071A (zh) | 数据集生成方法、信息发送方法、装置及相关设备 |
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 |