CN117044125A - 用于支持在fdd mimo系统中进行csi反馈的机器学习或人工智能技术的方法和装置 - Google Patents

用于支持在fdd mimo系统中进行csi反馈的机器学习或人工智能技术的方法和装置 Download PDF

Info

Publication number
CN117044125A
CN117044125A CN202280023267.5A CN202280023267A CN117044125A CN 117044125 A CN117044125 A CN 117044125A CN 202280023267 A CN202280023267 A CN 202280023267A CN 117044125 A CN117044125 A CN 117044125A
Authority
CN
China
Prior art keywords
csi
assisted
reporting
configuration
prediction
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
CN202280023267.5A
Other languages
English (en)
Inventor
普拉纳夫·马达迪
全晸鍸
赵俊暎
叶悄扬
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.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
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 Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN117044125A publication Critical patent/CN117044125A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/51—Allocation or scheduling criteria for wireless resources based on terminal or device properties
    • 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
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/20—Monitoring; Testing of receivers
    • H04B17/24—Monitoring; Testing of receivers with feedback of measurements to the transmitter
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network 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
    • H04B7/0413—MIMO systems
    • 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
    • H04B7/0636—Feedback format
    • H04B7/0645—Variable feedback
    • H04B7/065—Variable contents, e.g. long-term or short-short
    • 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
    • H04B7/0658—Feedback reduction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0023—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the signalling
    • H04L1/0026—Transmission of channel quality indication
    • 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
    • H04W72/0446—Resources in time domain, e.g. slots or frames
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/21—Control channels or signalling for resource management in the uplink direction of a wireless link, i.e. towards the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
    • H04W72/232—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal the control data signalling from the physical layer, e.g. DCI signalling
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
    • H04W8/24—Transfer of terminal data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W80/00—Wireless network protocols or protocol adaptations to wireless operation
    • H04W80/02—Data link layer protocols

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开涉及用于支持比诸如长期演进(LTE)的4G通信系统更高的数据速率的5G通信系统或6G通信系统。机器学习(ML)辅助信道状态信息(CSI)报告或ML辅助CSI预测包括：接收CSI报告配置，CSI报告配置包括启用或禁用以下至少一者的指示：ML辅助CSI预测和人工智能信道特征信息(AI‑CFI)报告。执行ML模型训练或者接收经训练的ML模型参数，并且接收与CSI报告配置中的至少一者相对应的CSI参考信号。如果ML辅助CSI预测被启用，则CSI报告配置还包括：用于未来CSI预测的定时偏移；以及ML配置，包括对用于进行ML辅助CSI预测的ML模型的指示。如果AI‑CFI报告被启用，则CSI报告配置还包括：对用于AI‑CFI的报告的配置；以及ML配置，包括对用于进行ML辅助CSI反馈确定的ML模型的指示。

Description

用于支持在FDD MIMO系统中进行CSI反馈的机器学习或人工 智能技术的方法和装置
技术领域
本公开总体上涉及机器学习在通信设备中的应用，并且更具体地涉及改进的信道状态信息反馈。
背景技术
为了满足自部署第四代(4G)或长期演进(LTE)通信系统以来已经增加的对无线数据业务的需求，以及为了实现各种垂直应用，已经致力于开发和部署改进型第五代(5G)和/或新无线电(NR)或准5G/NR通信系统。因此，5G/NR或准5G/NR通信系统也被称为“超4G网络”或“后LTE系统”。5G/NR通信系统被认为是在较高频率(毫米波)频带(诸如28千兆赫(GHz)或60GHz频带)中实现的，以便实现较高的数据速率或者在较低的频带(诸如6GHz)中实现，从而实现稳健的覆盖范围和移动性支持。为了降低无线电波的传播损耗并增加传输距离，在5G/NR通信系统中，讨论了波束成形、大规模多输入多输出(MIMO)、全维都MIMO(FD-MIMO)、阵列天线、模拟波束成形、大规模天线技术。
此外，在5G/NR通信系统中，正在基于先进的小小区、云无线接入网络(RAN)、超密集网络、装置到装置(D2D)通信、无线回程、移动网络、协作通信、协调多点(CoMP)、接收端干扰消除等来进行系统网络改进的开发。
以对5G系统及其相关联技术的讨论作为参考，由于本公开的某些实施方式可以在5G系统、第6代(6G)系统中实现，甚至在以后可使用太赫兹(THz)频带的版本中实现，因此本公开不限于任何特定类型的系统或其相关联的频带，且本公开的实施方式可结合任何频带来使用。例如，本公开的各方面也可应用于5G通信系统、6G通信系统或使用THz频带的通信的部署。
考虑到无线通信的代际发展，已经开发了主要用于以人类为目标的服务的技术，诸如语音呼叫、多媒体服务和数据服务。在5G(第五代)通信系统商用之后，预期联网装置的数量将呈指数地增长。这些装置将越来越多地连接到通信网络。联网事物的示例可以包括车辆、机器人、仪表板、家用电器、显示器、连接到各种基础设施、建筑机械和工厂设备的智能传感器。期望移动装置以各种尺寸规格发展，诸如增强现实眼镜、虚拟现实耳机和全息装置。为了通过在6G(第6代)代连接数千亿装置和事物来提供各种服务，一直在致力于开发改进的6G通信系统。出于这些原因，6G通信系统被称为超5G系统。
预计在2030年左右商用的6G通信系统将具有太兆(1,000千兆)级bps的峰值数据速率和小于100μsec的无线电等待时间，因此将比5G通信系统快50倍并且具有其1/10无线电等待时间。
为了实现这种高数据速率和超低等待时间，已经考虑在太赫兹频带(诸如，95GHz到3THz频带)中实现6G通信系统。预期由于在太赫兹频带中比在5G中引入的毫米波段中具有更严重的路径损耗和大气吸收，因此能够确保信号传输距离(即，覆盖)的技术将变得更为关键。作为确保覆盖单位的主要技术，有必要开发射频(RF)元件、天线、具有比正交频分复用(OFDM)更佳覆盖范围的新波形、波束成形和大量多输入多输出(MIMO)、全维度MIMO(FD-MIMO)、阵列天线、以及诸如大规模天线的多天线传输技术。此外，对用于改进太赫兹波段信号覆盖的新技术，诸如基于超材料的透镜和天线、轨道角动量(OAM)和可重建智能表面(RIS)进行了讨论。
此外，为了提高频谱效率和整体网络性能，已经针对6G通信系统开发了以下技术：用于使上行链路传输和下行链路传输同时使用相同频率资源的全双工技术；用于综合使用卫星、高空平台站(HAPS)等的网络技术；用于支持移动基站等并实现网络运行优化和自动化等的改进型网络结构；基于预测频谱使用经由避免碰撞的动态频谱共享技术；通过从用于开发6G的设计阶段使用AI并且内化端到端AI支持功能、在无线通信中使用人工智能(AI)来改善整体网络操作；以及用于通过网络上可获得的超高性能通信和计算资源(诸如移动边缘计算MEC、云等)来克服UE计算能力限制的下一代分布式计算技术。此外，通过设计要在6G通信系统中使用的新协议、开发用于实现基于硬件的安全环境和数据的安全使用机制、以及开发用于维护隐私的技术，一直在尝试加强装置之间的连通性、优化网络、促进网络实体的软件化以及提高无线通信的开放性。
预期对包括人对机器(P2M)以及机器对机器(M2M)的超连通性中的6G通信系统的研究和开发将允许下一代实现超连通性体验。特别地，期望可以通过6G通信系统提供诸如真正沉浸式扩展现实(XR)、高保真度移动全息图和数字副本的服务。此外，将通过6G通信系统提供诸如用于安全性和可靠性增强的远程手术、工业自动化和紧急响应的服务，使得这些技术可应用于诸如工业、医疗护理、汽车和家用电器的各种领域。
发明内容
[技术问题]
报告高分辨率CSI的开销(位数)可能会很大。在5G NR中，引入类型II的CSI码本，其通过在空间域和频域中使用相关性来减少反馈开销。开销仍然会高到难以在5G UE中实现的程度。因此，希望在保持大MU-MIMO(多用户-多输入多输出)性能增益的同时，压缩(减少)CSI开销。本公开至少解决了上述问题。因此，本公开的一个方面提供了一种用于在通信系统中支持AI/ML技术的方法和装置，用于在FDD MU-MIMO系统中降低与高分辨率CSE反馈相关联的开销的特定目的。
[技术方案]
机器学习(ML)辅助信道状态信息(CSI)报告或ML辅助CSI预测包括：接收CSI报告配置，该CSI报告配置包括启用或禁用以下至少一者的指示：ML辅助CSI预测和人工智能信道特征信息(AI-CFI)报告。执行ML模型训练或者接收训练的ML模型参数，并且接收与CSI报告配置中的至少一者相对应的CSI参考信号。如果ML辅助CSI预测被启用，则CSI报告配置还包括：用于未来CSI预测的定时偏移；ML配置，包括对用于进行ML辅助CSI预测的ML模型的指示。如果AI-CFI报告被启用，则CSI报告配置还包括：用于AI-CFI的报告的配置；以及ML配置，包括对用于进行ML辅助CSI反馈确定的ML模型的指示。
在一个实施方式中，一种方法包括：指示用户设备(UE)支持以下一者的能力：机器学习(ML)辅助信道状态信息(CSI)报告或ML辅助CSI预测。该方法包括接收配置，其中该配置包括启用或禁用以下至少一者的一个或多个指示：ML辅助CSI预测和ML辅助CSI报告。该方法还包括：执行ML模型训练或接收经训练的ML模型参数，以及接收与至少一个配置相对应的CSI参考信号，其中如果ML辅助CSI预测被启用，则该配置还包括：用于未来CSI预测的定时偏移；以及ML配置，包括对用于进行ML辅助CSI预测的ML模型的指示。该方法还包括：确定并发送经预测的CSI作为反馈，其中如果ML辅助CSI报告被启用，则该配置还包括：对CSI报告量、人工智能信道特征信息(AI-CFI)的配置；以及ML配置，包括对用于进行ML辅助CSI报告的ML模型的指示。该方法还包括：基于配置来测量CSI参考信号，以及发送包括AI-CFI的CSI报告。
在第二实施方式中，用户设备(UE)包括收发器，该收发器被配置为：指示UE支持以下一者的能力：机器学习(ML)辅助信道状态信息(CSI)报告或ML辅助CSI预测；以及接收配置，其中该配置包括启用或禁用以下至少一者的一个或多个指示：ML辅助CSI预测和ML辅助CSI报告。该UE包括处理器，该处理器被配置为执行ML模型训练或接收经训练的ML模型参数，其中，收发器被配置为接收与该配置中的至少一者相对应的CSI参考信号。如果ML辅助CSI预测被启用，则该配置还包括：用于未来CSI预测的定时偏移；ML配置，包括对用于进行ML辅助CSI预测的ML模型的指示。处理器还被配置为：确定并发送经预测的CSI作为反馈。如果ML辅助CSI报告被启用，则该配置还包括：对CSI报告量、人工智能信道特征信息(AI-CFI)的配置；以及ML配置，包括对用于进行ML辅助CSI报告的ML模型的指示。处理器还被配置为：基于配置来测量CSI参考信号，并且发送包括AI-CFI的CSI报告。
在另一个实施方式中，基站(BS)包括收发器，收发器被配置为获取用户设备(UE)支持以下一者的能力的指示：机器学习(ML)辅助信道状态信息(CSI)报告或ML辅助CSI预测。收发器被配置为发送配置，其中该配置包括启用或禁用以下至少一者的一个或多个指示：ML辅助CSI预测和ML辅助CSI报告。UE被配置为执行ML模型训练或接收经训练的ML模型参数，其中收发器被配置为接收与配置中的至少一者相对应的CSI参考信号。如果ML辅助CSI预测被启用，则该配置还包括：用于未来CSI预测的定时偏移；ML配置，包括对用于进行ML辅助CSI预测的ML模型的指示。UE还被配置为：确定并发送经预测的CSI作为反馈。如果ML辅助CSI报告被启用，则该配置还包括：对CSI报告量、人工智能信道特征信息(AI-CFI)的配置；以及ML配置，包括对用于进行ML辅助CSI报告的ML模型的指示。UE还被配置为：基于配置来测量CSI参考信号，以及发送包括AI-CFI的CSI报告。
在任一前述实施方式中，如果ML辅助CSI报告被配置，则AI-CFI包括以下至少一者：与信道的经压缩知识相对应的ML模型的量化输出，以及与信道相关特征相对应的ML模型的量化输出。
在任一前述实施方式中，该配置包括用于配置AI-CFI的信息，其中该信息是以下一者：用于量化ML模型的输出的量化方法，要使用的量化位数，从原始CSI到AI-CFI的压缩比，或CSI反馈位的总数。
在任一前述实施方式中，该配置包括用于选择ML模型的附加信息，该附加信息包括信噪比(SNR)范围。
在任一前述实施方式中，该配置基于触发对ML辅助CSI报告与无ML辅助CSI报告之间的动态切换进行配置。触发包括以下一者：对于物理上行链路共享信道(PUSCH)上的非周期性报告和半持久性报告，该触发是下行链路控制信息(DCI)格式0_1内的CSI格式字段、或非周期性或半持久性触发事件列表内的报告配置标识符中的一者；以及对于物理上行链路控制信道(PUCCH)上的半持久性报告，该触发是媒体接入控制-控制要素(MAC-CE)内的专用字段。
在任一前述实施方式中，如果ML辅助CSI预测被启用，则用于未来CSI预测的定时偏移被接收作为经由无线电资源控制RRC消息配置的固定值或作为一组值。
在任一前述实施方式中，该配置使用从以下各者中选择的触发机制在当前即时CSI报告与基于ML的未来预测CSI报告之间动态地切换：对于物理上行链路共享信道PUSCH上的非周期性报告和半持久性报告，该触发是以下一者：下行链路控制信息DCI格式0_1内的字段、或非周期性CSI报告触发的列表中的报告配置标识符、或PUSCH上的半持久性CSI报告的信息要素；或对于物理上行链路控制信道PUCCH上的半持久性报告，该触发是媒体接入控制-控制要素MAC-CE内的专用字段。
根据随附的附图、说明书和权利要求书，其它技术特征对于本领域技术人员来说是显而易见的。
在进行以下详细描述之前，阐述贯穿本专利文件使用的某些词和短语的定义可能是有利的。术语“联接”及其派生词是指两个或多个元件之间的任何直接或间接通信，无论这些元件彼此物理接触。术语“发送”、“接收”和“通信”以及其派生词包括直接和间接通信。术语“包括(include)”和“包含(comprise)”以及其派生词意指非限制性地包含。术语“或”是包括性的，意味着和/或。短语“与……相关联”以及其派生词意味着包括、被包括在……内、与……互连、包含、被包含在……内、连接到或与……连接、联接到或与……联接、可与……通信、与……协作、交织、并列、接近、绑定到或与……绑定、具有、具有……的特性、具有与……的关系等。术语“控制器”是指控制至少一个操作的任何装置、系统或其部分。这种控制器可以用硬件或硬件和软件和/或固件的组合来实现。与任何特定控制器相关联的功能可以是集中式的或分布式的，无论是本地的还是远程的。当与项目目列表一起使用时，短语“至少一个”，意味着可以使用所列项目目中的一个或多个的不同组合，并且可以仅需要列表中的一个项目目。例如，“A、B和C中的至少一个”包括以下组合中的任一个：A、B、C、A和B、A和C、B和C、以及A和B和C。同样，术语“组”意指一个或多个。因此，一组项目可以是单个项目或两个或更多个项目的集合。
此外，下面描述的各种功能可以由一个或多个计算机程序来实现或支持，每个计算机程序由计算机可读程序代码形成，并包含在计算机可读介质中。术语“应用程序”和“程序”是指一个或多个计算机程序、软件部件、指令集、过程、函数、对象、类、实例、相关数据、或其适于在适当的计算机可读程序代码中实现的部分。短语“计算机可读程序代码”包括任何类型的计算机代码，包括源代码、目标代码和可执行代码。短语“计算机可读介质”包括能够由计算机访问的任何类型的介质，诸如只读存储器(ROM)、随机存取存储器(RAM)、硬盘驱动器、光盘(CD)、数字视频光盘(DVD)或任何其它类型的存储器。“非暂时性”计算机可读介质排除了传输暂时性电信号或其它信号的有线、无线、光或其它通信链路。非暂时性计算机可读介质包括可以永久存储数据的介质，以及可以存储数据并随后重写数据的介质，诸如可重写光盘或可擦除存储装置。
在整个本专利文件中提供了对其它某些单词和短语的定义。所属领域的技术人员应了解，在许多(如果不是大多数)实例中，此类定义适用于此类经定义的词和短语的先前以及未来使用。
[有益效果]
通过下面结合附图公开了本公开示例性实施方式的详细描述，本公开的优点和显著特征对于本领域技术人员而言将变得显而易见。根据本公开，有效地减少了FDD MU-MIMO系统中的与高分辨率CSI反馈相关联的开销。
附图说明
为了更充分地理解本公开及其优点，现在结合附图参考以下描述，其中：
图1示出了根据本公开各种实施方式的使用用于FDD MIMO通信中的CSI反馈的机器学习的示例性网络化系统；
图2示出了根据本公开各种实施方式的使用用于FDD MIMO通信中的CSI反馈的机器学习的示例性基站(BS)；
图3示出了根据本公开各种实施方式的使用用于FDD MIMO通信中的CSI反馈的机器学习在联网计算系统中进行通信的示例性电子装置；
图4示出了根据本公开实施方式的支持用于CSI反馈的AI/ML技术的BS操作的示例的流程图；
图5是示出根据本公开实施方式的在UE处由被估计CSI生成AI-CFI的示例；
图6示出了根据本公开实施方式的支持用于CSI反馈的AI/ML技术的UE操作的示例的流程图；
图7示出了根据本公开实施方式的支持用于CSI未来预测的AI/ML技术的BS操作的示例的流程图；
图8示出了根据本公开实施方式的支持用于CSI未来预测的AI/ML技术的UE操作的示例的流程图；
图9示出了根据本公开实施方式的添加到CSI-ReportConfig IE的附加字段的示例；
图10示出了根据本公开实施方式的CSI-AperiodicTriggerStateList IE的字段的示例；
图11示出了根据本公开实施方式的强调了两个可能新实施方式的非周期性CSI报告触发过程，以实现基于AI/ML的CSI反馈；
图12示出了根据本公开实施方式的CSI-AperiodicTriggerStateList IE的字段的示例；
图13示出了根据本公开实施方式的关于PUCCH激活/禁用MAC CE的半持久性CSI报告；
图14示出了根据本公开实施方式的BS使用UL部分互易信息对信道进行解码的装置；以及
图15示出了根据本公开实施方式的添加到CSI-ReportConfig的附加字段的示例。
具体实施方式
本文所包括的附图和用于描述本公开原理的各种实施方式仅是示例性的，而不应以任何方式解释为限制本公开的范围。此外，本领域技术人员将理解，本公开的原理可以在任何适当布置的无线通信系统中实现。
参考文献：
[1]3GPP TS 38.331 Rel-16 v16.3.1，“NR；Radio Resource Control(RRC)protocol specification(无线电资源控制协议标准)”，2021年1月。
[2]3GPP TS 38.214 Rel-16 v16.4.0，“NR；Physical layer procedures fordata(针对数据的物理层过程)”，2021年1月。
[3]3GPP TS 38.321 Rel-16 v16.3.0，“NR；Medium Access Control(MAC)protocol specification(媒体接入控制协议标准)”，2021年1月。
上述参考文献通过引用结合到本文中。
缩写：
3GPP第三代合作伙伴计划
ML 机器学习
AI 人工智能
gNB 基站
UE 用户设备
NR 新无线电
FDD 频分双工
TDD 时分双工
CSI 信道状态信息
RI 秩指示符
CQI 信道质量指示符
PMI 预编码矩阵指示符
LI 层指示符
CRI CSI-RS资源指示符
AI-CFI 人工智能信道特征信息
SCell 辅小区
SpCell特定小区
PCell 主小区
RAT 无线电接入技术
RRC 无线电资源控制
DCI 下行链路控制信息
MAC CE媒体接入控制-控制要素
DL 下行链路
UL 上行链路
LTE 长期演进
大容量多输入多输出(MIMO)是第五代无线通信系统中的关键技术之一。对于较大的天线阵列，这种系统能够提高频谱和能量效率，并且还支持高阶多用户(MU)-MIMO传输，以便使系统性能最大化。
MIMO传输方案的关键内容之一是在基站或gNodeB(gNB)处获取信道状态信息(CSI)。特别对于MU-MIMO，为了保证高MU性能，需要准确的CSI可用性。在频分双工(FDD)系统中，使用来自gNB的CSI参考信号(CSI-RS)传输以及来自移动台或用户设备(UE)的CSI计算和反馈来获取CSI。
常规的CSI反馈框架是以三个分量的形式“隐式”进行：预编码矩阵指示符(PMI)、秩指示符(RI)和信道质量指示符(CQI)。UE使用假设单个用户(SU)传输有效的下行链路(DL)信道估计来导出这些分量。PMI反馈对应于DL信道强度强的DL信道特征向量，并且DL信道特征向量是对3GPP中定义的预编码矩阵码本中的要素的索引。信道的强度以CQI的形式反馈，并且主导特征向量的数量由RI表示。
由于在导出CSI时固有的SU假设，这种隐式CSI反馈对于MU传输是不充足的。为了解决这个问题，基于被称为“高级CSI码本”的线性组合(LC)码本，3GPP在版本14的LTE中提供了高分辨率CSI报告的规范支持。然而，报告高分辨率CSI的开销(位数)可能会较大。在5GNR中，引入了类型II的CSI码本，其通过在空间域和频域中使用相关性来减少反馈开销。然而开销仍然高至在5G UE中难以实现的程度。因此，期望在保持大的MU-MIMO性能增益的同时，压缩(减少)CSI开销。
常规的压缩感测(CS)操作效果不佳，即，重建信道与原始信道的相似性小于20％，这是由于在大压缩比下信道矩阵不够稀疏。另一方面，深度学习在计算机视觉和信号处理方面取得了巨大的成功。具体地，基于深度学习的方法已经支配了图像压缩任务，这也激发了研究者使用神经网络(NN)来压缩CSI矩阵。
人工智能(AI)/机器学习(ML)算法已经在通信网络中的应用引起了广泛兴趣。已经声明将在网络端和UE端中使用AI/ML算法来部署5G网络。通常，AI是帮助网络基于过去的训练数据来更快更好地做出决策的工具。标准化支持的潜在益处在于，减少反馈/控制信令开销、更精确反馈以及实现基站和UE之间所需的更好协调的AI算法。然后，这些潜在益处将转化为例如在吞吐量和可靠性方面的更好系统性能。
本公开提出了一种在无线通信系统中支持AI/ML技术的框架，尤其是在基站和UE处，以便在FDD MU-MIMO系统中进行高分辨率CSI反馈的情况下能够减少开销。在本公开中讨论了相应的信令细节。
本公开涉及在通信系统中的AI/ML技术的支持，用于在FDD MU-MIMO系统中减少与高分辨率CSI反馈相关联的开销的特定目的。公开了用于使用基于深度学习的压缩技术来配置用于CSI报告的AI/ML方法的技术、装置和方法。具体地，已经讨论了用于非周期性/半持久性CSI报告的详细配置方法和在系统中不同部件处的信令方法操作。
本公开的实施方式通常可应用于使用AI/ML技术来减少与CSI反馈相关联的开销的任何通信系统。
下面提供对示例性实施方式的描述。
文本和附图仅作为示例提供，以帮助读者理解本公开。这些并不旨在并且不应被解释为以任何方式限制本公开的范围。尽管已经提供了某些实施方式和示例，但是对于本领域的技术人员来说，基于本文公开的内容，可以在不脱离本公开范围的情况下对所示的实施方式和示例进行改变，这将是显而易见的。
通过简单地示出多个特定实施方式和实施方式，本公开的各个方面、特征和优点通过以下详细描述而变得显而易见。在不脱离本公开精神和范围的前提下，本公开的主题还能够具有其它不同的实施方式，并且可以在各明显方面修改几个细节。因此，附图和描述在本质上被认为是说明性的，而不是限制性的。在附图的图中以示例的方式而不是以限制的方式示出了本公开。
在整个本公开中，诸如图1、图2的所有附图示出了根据本公开实施方式的示例。对于每个图，图中所示的相应实施方式仅用于说明。在每个图中所示的一个或多个部件可以在被配置成执行所述功能的专用电路中实现，或者一个或多个部件可以由执行指令以执行所述功能的一个或多个处理器来实现。在不脱离本公开的范围的情况下，可以使用其它实施方式。此外，附图的描述并不意味着暗示对可以实现不同实施方式的方式的物理或架构的限制。本公开的不同实施方式可以在任何适当布置的通信系统中实现。
下面的流程图示出了可以根据本公开的原理实现的示例方法，并且可以对本文流程图中示出的方法进行各种改变。例如，虽然被示为一系列步骤，但是在每个图中的各个步骤可以重叠、并行发生、以不同的顺序发生、或多次发生。在另一个示例中，一些步骤可以被省略或由其它步骤代替。
图1示出了根据本公开各种实施方式的使用用于FDD MIMO通信中的CSI反馈的机器学习的示例性网络化系统。图1所示的无线网络100的实施方式仅用于说明。在不脱离本公开的范围的情况下，可以使用无线网络100的其它实施方式。
如图1所示，无线网络100包括基站(BS)101、BS102和BS 103。BS101与BS102和BS103通信。BS101还与至少一个因特网协议(IP)网络130通信，诸如因特网、专有IP网络或其它数据网络。
BS102为BS102的覆盖区域120内的多个第一用户设备(UE)提供对网络130的无线宽带接入。多个第一UE包括：UE 111，其可以位于小企业(SB)中；UE 112，其可以位于企业(E)中；UE 113，其可以位于WiFi热点(HS)中；UE 114，其可以位于第一住宅(R1)中；UE 115，其可以位于第二住宅(R2)中；以及UE 116，其可以是诸如蜂窝电话、无线膝上型计算机、无线PDA的移动装置(M)。BS 103为BS103的覆盖区域125内的多个第二UE提供对网络130的无线宽带接入。多个第二UE包括UE 115和UE 116。在一些实施方式中，BS101-103中的一个或多个可以使用5G、LTE、高级LTE(LTE-A)、WiMAX、WiFi、NR或其它无线通信技术彼此通信并且与UE 111-116通信。
根据网络类型，可以使用其它公知的术语来代替“基站”或“BS”，诸如节点B、演进节点B(“eNodeB”或“eNB”)、5G节点B(“gNodeB”或“gNB”)或“接入点”。为了方便起见，在本公开中使用术语“基站”和/或“BS”来指代向远程终端提供无线接入的网络基础设施部件。此外，根据网络类型，可以使用其它公知的术语来代替“用户设备”或“UE”，诸如“移动站”(或“MS”)、“订户站”(或“SS”)、“远程终端”、“无线终端”或“用户设备”。为了方便起见，在本专利文件中使用术语“用户设备”和“UE”来指无线接入BS的远程无线装置，无论UE是移动装置(诸如移动电话或智能电话)还是通常被认为是固定装置(诸如台式计算机或自动售货机)。
虚线示出了覆盖区域120和125的近似范围，其仅出于说明和解释的目的被示出为近似圆形。应当清楚地理解，与BS相关联的覆盖区域，诸如覆盖区域120和125，可以具有其它形状，包括不规则形状，这取决于BS的配置以及与自然和人造障碍物相关联的无线电环境中的变化。
尽管图1示出了无线网络100的示例，但是可以对图1进行各种改变。例如，无线网络100可以包括任何数量的BS和任何数量的UE。此外，BS101可以直接与任何数量的UE通信，并向那些UE提供对网络130的无线宽带接入。类似地，每个BS102-103可以直接与网络130通信，并向UE提供对网络130的直接无线宽带接入。此外，BS 101、102和/或103可以提供对诸如外部电话网络或其它类型的数据网络的其它或附加外部网络的接入。
图2示出了根据本公开各种实施方式的使用用于FDD MIMO通信中的CSI反馈的机器学习的示例性基站(BS)。图2所示的BS200的实施方式仅用于说明，图1的BS101、102和103可以具有相同或相似的配置。然而，BS具有多种配置，并且图2不将本公开的范围限制于BS的任何特定实现。
如图2所示，BS200包括多个天线280a-280n、多个射频(RF)收发器282a-282n、发射(TX或Tx)处理电路284和接收(RX或Rx)处理电路286。BS200还包括控制器/处理器288、存储器290和回程或网络接口292。
RF收发器282a-282n从天线280a-280n接收输入的RF信号，诸如由网络100中的UE发送的信号。RF收发器282a-282n对进入的RF信号进行下变频以产生IF或基带信号。IF或基带信号被发送到RX处理电路286，RX处理电路286通过对基带或IF信号进行滤波、解码和/或数字化来产生经处理的基带信号。RX处理电路286将经处理的基带信号传输到控制器/处理器288以用于还处理。
TX处理电路284从控制器/处理器288接收模拟或数字数据(诸如语音数据、web数据、电子邮件或交互式视频游戏数据)。TX处理电路284对输出基带数据进行编码、多路复用和/或数字化以产生经处理的基带或IF信号。RF收发器282a-282n接收来自TX处理电路284的输出的经处理的基带或IF信号，并将基带或IF信号上变频为经由天线280a-280n发送的RF信号。
控制器/处理器288可以包括一个或多个处理器或控制BS200的整体操作的其它处理装置。例如，控制器/处理器288可以根据公知的原理控制RF收发器282a-282n、RX处理电路286和TX处理电路284对前向信道信号的接收和对反向信道信号的发送。控制器/处理器288也可以支持附加功能，诸如更高级的无线通信功能和/或下面更详细描述的过程。例如，控制器/处理器288可以支持波束形成或定向路由操作，其中来自多个天线280a-280n的输出信号被不同地加权，以有效地在期望的方向上控制输出信号。控制器/处理器288可以在BS200中支持各种其它功能中的任一种。在一些实施方式中，控制器/处理器288包括至少一个微处理器或微控制器。
控制器/处理器288还能够执行驻留在存储器290中的程序和其它进程，诸如基本操作系统(OS)。控制器/处理器288可根据执行过程的需要将数据移入或移出存储器290。
控制器/处理器288还联接到回程或网络接口292。回程或网络接口292允许BS200通过回程连接或通过网络与其它装置或系统通信。接口292可以支持任何适当的有线或无线连接上的通信。例如，当BS 200被实现为蜂窝通信系统(诸如支持6G、5G、LTE或LTE-A的系统)的一部分时，接口292可以允许BS200通过有线或无线回程连接与其它BS通信。当BS200被实现为接入点时，接口292可以允许BS 200通过有线或无线局域网或通过有线或无线连接与较大网络(诸如因特网)通信。接口292包括支持有线或无线连接上的通信的任何合适的结构，诸如以太网或RF收发器。
存储器290联接到控制器/处理器288。存储器290的一部分可以包括RAM，而存储器290的另一部分可以包括闪存或其它ROM。
如下面更详细描述的，网络化计算系统中的基站可以基于与其它相邻BS的干扰关系被分配为同步源BS或从BS。在一些实施方式中，分配可以由共享频谱管理器提供。在其它实施方式中，分配可以由联网计算系统中的BS同意。同步源BS向从BS发送OSS，用于建立从BS的传输定时。
尽管图2示出了BS200的一个示例，但是可以对图2进行各种改变。例如，BS200可以包括图2所示的任何数量的每个部件。作为特定示例，接入点可以包括多个接口292，并且控制器/处理器288可以支持路由功能以在不同网络地址之间路由数据。作为另一个特定示例，虽然示出为包括TX处理电路284的单个实例和RX处理电路286的单个实例，但是BS200可以包括每一者的多个实例(诸如每个RF收发器一个实例)。此外，图2中的各种部件可以被组合、还细分或省略，并且可以根据特定需要添加附加部件。
图3示出了根据本公开各种实施方式的使用用于FDD MIMO通信中的CSI反馈的机器学习在联网计算系统中进行通信的示例性电子装置。图3所示的UE 116的实施方式仅用于说明，图1的UE 111-115和117-119可以具有相同或相似的配置。然而，UE具有多种配置，并且图3不将本公开的范围限制于UE的任何特定实现。
如图3所示，UE 116包括天线301、射频(RF)收发器302、TX处理电路303、麦克风304和接收(RX)处理电路305。UE 116还包括扬声器306、控制器或处理器307、输入/输出(I/O)接口(IF)308、触摸屏显示器310和存储器311。存储器311包括OS 312和一个或多个应用313。
RF收发器302从天线301接收由网络100的gNB发送的输入RF信号。RF收发器302对进入的RF信号进行下变频以产生IF或基带信号。IF或基带信号被发送到RX处理电路305，RX处理电路305通过对基带或IF信号进行滤波、解码和/或数字化来产生经处理的基带信号。RX处理电路305将经处理的基带信号传输到扬声器306(诸如用于语音数据)或处理器307以用于还处理(诸如用于web浏览数据)。
TX处理电路303从麦克风304接收模拟或数字语音数据或从处理器307接收其它输出基带数据(诸如web数据、电子邮件或交互式视频游戏数据)。TX处理电路303对输出基带数据进行编码、多路复用和/或数字化以产生经处理的基带或IF信号。RF收发器302从TX处理电路303接收输出的经处理的基带或IF信号，并将基带或IF信号上变频为经由天线301发送的RF信号。
处理器307可以包括一个或多个处理器或其它处理装置，并执行存储在存储器311中的OS 312，以便控制UE 116的整体操作。例如，处理器307可以根据公知的原理来控制RF收发器302、RX处理电路305和TX处理电路303对前向信道信号的接收和对反向信道信号的发送。在一些实施方式中，处理器307包括至少一个微处理器或微控制器。
处理器307还能够执行驻留在存储器311中的其它进程和程序，诸如用于上行链路信道上的CSI报告的进程。处理器307可根据执行过程的需要将数据移入或移出存储器311。在一些实施方式中，处理器307被配置为基于OS 312或响应于从GNBS或操作员接收的信号来执行应用313。处理器307还联接到I/O接口309，I/O接口309向UE 116提供连接到诸如膝上型计算机和手持计算机之类的其它装置的能力。I/O接口309是这些附件和处理器307之间的通信路径。
处理器307还联接到触摸屏显示器310。UE 116的用户可以使用触摸屏显示器310将数据输入到UE 116中。触摸屏显示器310可以是液晶显示器、发光二极管显示器、或能够呈现文本和/或至少有限的诸如来自网站的图形的其它显示器。
存储器311联接到处理器307。存储器311的一部分可以包括RAM，而存储器311的另一部分可以包括闪存或其它ROM。
尽管图3示出了UE 116的一个示例，但是可以对图3进行各种改变。例如，图3中的各种部件可以被组合、还细分或省略，并且可以根据特定需要添加附加部件。作为特定实例，处理器307可被划分成多个处理器，诸如一个或多个中央处理单元(CPU)和一个或多个图形处理单元(GPU)。此外，虽然图3示出了被配置为移动电话或智能电话的UE 116，但是UE可以被配置为作为其它类型的移动或固定装置来操作。
在一个实施方式中，支持AI/ML技术的框架包括使用具有离线训练和在BS和UE端完成的推理操作、并在UE处进行编码和在BS处进行解码的自动编码器架构。
图4示出了根据本公开实施方式的支持用于CSI反馈的AI/ML技术的BS操作的示例的流程图。图4是用于在BS端操作以支持使用AI/ML技术的CSI反馈的方法400的示例。在操作401，BS接收UE能力信息，例如，如下所述的支持用于CSI反馈的ML方法。能力信息的报告可以通过PUCCH和/或PUSCH接收。新的UCI类型、新的PUCCH格式和/或新的MAC CE可以被定义用于能力信息报告。
在操作402，BS向UE发送CSI相关配置，CSI相关配置包括启用和禁用基于AI的CSI反馈机制。当基于AI的CSI反馈被启用时，在操作403，BS然后向UE发送AI/ML相关配置信息，AI/ML相关配置信息可以包括关于所使用的AI/ML模型的信息，在一个实施方式中，所使用的AI/ML模型可以是在UE处编码并在BS处解码以及具有模型的经训练模型参数的自动编码器。在一个实施方式中，模型训练可以离线地执行(诸如，在网络之外执行模型训练)，并且可以将所训练的模型参数发送到BS和UE，所训练的模型参数可包括但不限于所使用的权重、偏置、激活函数和不同神经网络层的值。在本实施方式中，BS知道正用于在UE处进行CSI反馈(在操作404由BS接收)的ML模型，并且能够解释UE发送的反馈信息，即，在基于CSI反馈的自动编码器的示例中，BS将使用适当的解码器来解释UE发送的反馈。部分或全部配置信息可以作为小区特定信息的一部分例如通过诸如MIB、SIB1或其它SIB的系统信息被广播。可选地，一部分或全部配置信息可以作为UE特定信令或组特定信令来发送。下面讨论关于信令方法的更多细节。
使用RRC消息来向UE发送高层CSI报告配置，诸如CSI报告参数(PMI、RI、CQI、L1、CRI)、CSI配置类型(周期性、半持久性PUCCH、半持久性PUSCH、非周期性)、报告频率配置(频率粒度，即，宽带/子带)、码本配置(类型-1/类型-2码本参数)。在一个实施方式中，基于AI的CSI反馈通过将CSI报告参数设置为AI-CFI(基于AI的信道特征信息)来启用，AI-CFI是指AI/ML模型提取的经压缩的CSI(信道状态信息)特征，其包含用于在BS处重建CSI的充足信息。与常规的CSI反馈机制相反，对于基于AI的CSI反馈，我们使用AI/ML模型以最小位数表示高分辨率信道。信道的这种压缩表示是发送到BS的AI-CFI信息。
图5是示出根据本公开实施方式的在UE处由估计的CSI生成AI-CFI的示例。在一个示例500中，高分辨率的估计信道信息501(即，在每个子载波级的空间-频域信道)可以是在UE处对编码器502的输入，诸如卷积神经网络(CNN)，其提取各种特征映射和全连接层以生成特定固定长度的AI-CFI 503，如图5所示。然后，AI-CFI被发送到BS。通过使用AI-CFI，BS可以使用基于AI/ML的解码器来重建信道。BS还可以在RRC消息中使用AI-CFI配置信息要素(IE)来配置AI-CFI。在一个实施方式中，所配置的AI-CFI的大小是指在AI-CFI传输中使用的位数，即与CSI反馈相关联的开销。在其它实施方式中，AI-CFI的大小可以指压缩比，即原始CSI的反馈位与AI-CFI的比率。CSI报告一部分或全部配置信息被设置在RRC IE CSI-ReportConfig中。在一个实施方式中，与AI方法相关联的全部CSI报告配置信息均被设置在新的IE CSI-AIReportConfig中，该新的IE CSI-AIReportConfig使用AI方法指定CSI反馈的报告配置。下面讨论关于信令方法和IE的更多细节。
诸如版本15中的类型-2的常规CSI反馈机制仅在空间域(SD)中进行CSI压缩，其中基于天线配置和过采样因子在UE处生成空间离散傅立叶变换(DFT)基集。此后，选择天线极化和跨子频带两者均公共的L个正交DFT波束。每个子带的主导特征向量被表示为所选择的这L个波束的线性组合(LC)。与反馈相关联的开销包括用于传送L基选择、幅度和相位值的位，对于具有32个发射天线和4个接收天线的L＝4的一个特定配置，该开销将是351位。使用AI方法，通过利用如图5所示的使用CNN架构的相关性，可以通过使用更少开销(～100位)并以更佳分辨率来发送每子带信息的相同主导特征向量。
在操作106，BS向UE发送CSI参考信号，之后UE发送CSI报告。然而，周期性CSI报告是基于在RRC消息中配置的参数进行，非周期性CSI报告是由DCI或DCI+MAC CE触发，PUSCH上的半持久性CSI报告是由DCI触发，并且PUCCH上的半持久性CSI报告是由MAC CE激活/禁用。各种触发方法被用于动态地从一个CSI报告配置移动到另一个CSI报告配置，诸如使用报告参数AI-CFI从基于类型-2码本的常规CSI反馈机制移动到基于AI/ML的CSI反馈机制。在一个实施方式中，DCI/MAC CE中的字段可用于在常规CSI反馈机制和基于AI的CSI反馈机制之间动态切换。
作为触发过程的一部分，在一个实施方式中，DCI格式0_1的字段CSI请求指定了在CSI-AperiodicTriggerStateList中所配置的非周期性触发状态的索引，或者CSI-SemiPersistentOnPUSCH-TriggerStateList中所配置的PUSCH上的半持久性触发状态的索引，或者MAC CE(非周期性CSI触发状态子选择MAC CE)中所定义的码点，其中报告格式设置为CFI的附加CSI配置报告状态被添加到RRC消息中的触发状态列表。在另一个实施方式中，对于CSI请求字段中所指定的非周期性/半持久性PUSCH触发状态索引，DCI格式0_1中的字段CSI格式指定了CSI报告格式是基于码本的还是基于AI/ML的，其中不需要在现有触发状态列表包括附加配置报告状态。下面讨论关于触发配置和触发过程的更多细节。
图6示出了根据本公开实施方式的支持用于CSI反馈的AI/ML技术的UE操作的示例的流程图。图6示出了用于在UE端操作以支持使用AI/ML技术的CSI反馈的方法600的示例。
在操作601，向BS报告UE支持AI/ML辅助CSI反馈的AI/ML能力。这种能力包括如下所述的支持AI/ML模型训练和/或推断。能力信息的报告可以经由PUCCH和/或PUSCH进行。新的UCI类型、新的PUCCH格式和/或新的MAC CE可以被定义用于能力信息报告。
在操作602，UE从BS接收CSI相关配置，CSI相关配置包括启用或禁用基于AI的CSI反馈机制。当基于AI的CSI反馈被启用时，UE还接收AI/ML相关配置信息，诸如所使用的AI/ML模型、以及模型的训练模型参数。例如通过诸如主信息块(MIB)、系统信息块1(SIB1)或其它SIB的系统信息，部分或全部配置信息可以作为小区特定信息的一部分被广播。可选地，一部分或全部配置信息可以作为UE特定信令或组特定信令来发送。下面讨论关于信令方法的更多细节。
UE使用RRC消息来接收对UE的高层CSI报告配置，诸如CSI报告参数(PMI、RI、CQI、L1、CRI、AI-CFI)、CSI配置类型(周期性、半持久性PUCCH、半持久性PUSCH、非周期性)、报告频率配置(频率粒度，即，宽带/子带)、码本配置(类型-1/类型-2码本参数)、AI-CFI配置(AI-CFI的大小)等。CSI报告一部分或全部配置信息被设置在RRC IE CSI-ReportConfig中。在一个实施方式中，与AI方法相关联的全部CSI报告配置信息均被设置在新的IE CSI-AIReportConfig中，该新的IE CSI-AIReportConfig使用AI方法指定CSI反馈的报告配置。下面讨论关于信令方法和IE的更多细节。
在操作603，UE从BS接收CSI参考信号，之后UE发送CSI报告。然而，周期性CSI报告是基于在RRC消息中配置的参数进行，非周期性CSI报告是由DCI或DCI+MAC CE触发。PUSCH上的半持久性CSI报告是由DCI触发，并且PUCCH上的半持久性CSI报告是由MAC CE激活/禁用。DCI触发被用于动态地从一个CSI报告配置移动到另一个CSI报告配置，诸如使用报告参数CFI从基于类型-2码本的CSI反馈机制移动到基于AI/ML的CSI反馈机制。下面讨论关于触发配置和触发过程的更多细节。
在操作604，UE执行推断，即基于接收到的CSI报告配置信息、所接收到的触发、触发配置从CSI信道提取压缩特征。例如，UE遵循所配置的ML模型和模型参数以及从BS发送的CSI报告参数来执行推断操作。UE将具有CSI报告参数AI-CFI的CSI报告发送到BS，这是AI/ML模型推断的结果。
在一些实施方式中，支持由UE处的AI/ML模型预测的在未来时间的CSI预测反馈的信令方法。在当前NR中，报告给BS的CSI反馈是基于UE在当前时间的CSI估计。
考虑到在将信息中继到BS时的延迟，以及BS使用该信息生成用于调度UE的预编码矩阵所耗费的时间，所讨论的UE可能会移动，这会导致信道条件的改变，从而使反馈CSI信息过时。因此，在这些实施方式中，当UE更可能被BS调度时，诸如UE的速度、位置和轨迹信息的UE处本地信息被利用以预测UE在未来时间的信道条件。
图7示出了根据本公开实施方式的支持用于CSI未来预测的AI/ML技术的BS操作的示例的流程图。图7是用于在BS端操作以支持使用AI/ML技术的预测CSI的CSI反馈的方法700的示例。在操作701，BS向UE发送CSI相关配置，CSI相关配置包括启用或禁用基于AI的CSI预测。当基于AI的CSI预测被启用时，BS然后向UE发送AI/ML相关配置信息，诸如所使用的AI/ML模型、模型的训练模型参数等。在一个实施方式中，模型训练可以离线地执行(诸如，在网络之外执行模型训练)，并且可以从BS向UE发送所训练的模型参数。部分或全部配置信息可以作为小区特定信息的一部分例如通过诸如MIB、SIB1或其它SIB的系统信息被广播。可选地，一部分或全部配置信息可以作为UE特定信令或组特定信令来发送。
使用RRC消息发送到UE的高层CSI报告配置可以包括CSI报告参数(PMI、RI、CQI、L1、CRI、AI-CFI)、CSI配置类型(周期性、半持久性PUCCH、半持久性PUSCH、非周期性)、报告频率配置(频率粒度，即，宽带/子带)、码本配置(类型-1/类型-2码本参数)、AI-CFI配置(AI-CFI的大小)、用于未来预测的定时偏移等。在一个实施方式中，定时偏移可以相对于从包含CSI-RS参考信号的时隙或CSI报告瞬时开始的时隙数量。在另一个实施方式中，定时偏移可以是相对于从触发(即，用于非周期性CSI报告的DCI或MAC CE)的时隙开始的时隙数量的偏移。在又一个实施方式中，定时偏移可以是以诸如毫秒(ms)的时间为单位，表示从UE接收到CSI参考信号或触发(诸如DCI/MAC CE)或从UE被配置为发送CSI报告瞬时开始的偏移(未来的时间)。AI/ML模型用于预测信道，即，在由上述定时偏移参数表示的在未来时间的瞬时CSI。
在操作702，BS向UE发送CSI参考信号，之后UE发送CSI报告。然而，周期性CSI报告是基于在RRC消息中配置的参数，非周期性CSI报告是由DCI或DCI+MAC CE触发。PUSCH上的半持久性CSI报告是由DCI触发，并且PUCCH上的半持久性CSI报告是由MAC CE激活/禁用。触发被用于动态地从一个CSI报告配置移动到另一个CSI报告配置，诸如从基于当前时间CSI的反馈移动到由定时偏移参数设置的AI/ML预测的未来时间CSI的反馈。这种动态移动可以通过在DCI或MAC CE中引入附加的单个位字段来实现。下面涉及更多细节。
在一个实施方式中，在具有零值的RRC消息中设置定时偏移值以预测CSI，所述零值指示禁用AI/ML模型。在另一个实施方式中，设置在RRC消息中的定时偏移值和对CSI预测的激活/禁用是由DCI/MAC CE指示。在另一个实施方式中，可以使用混合模型，其中定时偏移是RRC消息，并且可以从预定的一组值中取值，并且DCI/MAC CE指示要被选择用于CSI预测的值。在一个实施方式中，当CSI预测被激活时，对预测CSI的反馈可以基于常规方法(诸如基于码本)进行，或者可以基于如先前实施方式中的AI/ML模型。一部分或全部CSI报告配置信息被设置在RRC IE CSI-ReportConfig以及DCI格式0_1/MAC CE中的触发配置中。在一个实施方式中，与AI方法相关联的所有CSI报告配置信息均被设置在新的IE CSI-AIReportConfig中，该新的IE CSI-AIReportConfig使用AI方法指定CSI反馈的报告配置。下面讨论关于信令方法、触发配置、触发过程和IE的更多细节。
在操作703，BS基于BS设置的配置来从UE接收CSI报告。
图8示出了根据本公开实施方式的支持用于CSI未来预测的AI/ML技术的UE操作的示例的流程图。图8是用于在UE端操作以支持使用AI/ML技术的预测CSI的CSI反馈的方法400的示例。在操作801，UE从BS接收配置信息，该配置信息可以包括关于所使用的AI/ML模型、模型的训练模型参数等的信息。
UE还使用RRC消息从BS接收高层CSI报告配置，诸如CSI报告参数(PMI、RI、CQI、L1、CRI、AI-CFI)、CSI配置类型(周期性、半持久性PUCCH、半持久性PUSCH、非周期性)、报告频率配置(频率粒度，即，宽带/子带)、码本配置(类型-1/类型-2码本参数)、AI-CFI配置(AI-CFI的大小)、用于未来预测的定时偏移等。在操作802，UE从BS接收CSI参考信号，之后UE发送CSI报告。然而，周期性CSI报告是基于在RRC消息中配置的参数，非周期性CSI报告是由DCI或DCI+MAC CE触发。PUSCH上的半持久性CSI报告是由DCI触发，并且PUCCH上的半持久性CSI报告是由MAC CE激活/禁用。触发被用于动态地从一个CSI报告配置移动到另一个CSI报告配置，诸如从基于当前时间CSI的反馈移动到由定时偏移参数设置的未来时间的反馈AI/ML预测CSI。下面讨论关于信令方法、触发配置、触发过程和IE的更多细节。
在操作803，UE使用诸如速度、运动轨迹、位置的本地信息，以预测在未来时间步长的CSI，并使用BS设置的报告参数(即，使用基于码本的PMI或基于AI/ML的AI-CFI)来发送用于预测CSI的CSI报告。
(诸如，在操作401、602、701、801)与AI/ML技术相关的配置信息可以包括以下信息中的一者或多者。
Ml模型/算法和模型参数
配置信息可以包括要用于CSI反馈的AI/ML模型或算法、以及ML算法的模型参数，其可以或可以不限于损失函数、激活函数、ML模型的训练参数等。
在一个实施方式中，一部分或全部配置信息可以作为小区特定信息的一部分例如通过诸如MIB、SIB1或其它SIB的系统信息被广播。可选地，新的SIB可以被引入以指示配置信息。例如，要使用的ML模型和/或用于CSI反馈的模型参数可以被广播。在另一个示例中，可以广播模型参数的更新。在另一个实施方式中，一部分或全部配置信息可以通过UE特定信令(诸如UE特定RRC信令)来发送。在又一个实施方式中，一部分或全部配置信息可以通过组特定信令来发送。例如，UE组特定的RNTI可以使用值0001-FFEF或保留值FFF0-FFFD来配置。组特定的RNTI可以经由UE特定的RRC信令来配置。
对于高层CSI报告配置，BS使用RRC消息向UE发送CSI报告配置。如图9所示，信息要素CSI-ReportConfig包含各种参数，诸如CSI报告参数(PMI、RI、L1、CRI、CQI)、CSI配置类型(周期性、半持久性PUCCH、半持久性PUSCH、非周期性)、报告频率配置(频率粒度，即，宽带/子带)、码本配置(类型-1/类型-2码本参数)、启用基于组的波束报告等。[3GPP 38.331]。
在本公开中，附加CSI报告参数被标记为AI信道特征信息(AI-CFI)，即部署在UE处的AI/ML模型的输出。在一个实施方式中，BS可以通过将基于AI/ML的CSI反馈报告设置为唯一的CSI报告参数，仅启用基于AI/ML的CSI反馈报告。在另一个实施方式中，BS可以通过将报告参数设置为包括PMI、RI和AI-CFI，启用基于AI/ML的CSI反馈以及原始反馈机制。在又一个实施方式中，BS可以选择不将CFI设置为报告参数，从而有效地禁用基于AI/ML的CSI反馈机制。该报告参数是在UE处从估计的CSI中压缩提取的特征，其可以被BS用来重建CSI。在本公开中，还包括被标记为AiCfiConfig的附加字段，以配置该报告参数的细节，诸如在提取特征时要考虑的位数、压缩比等。在一个实施方式中，该字段可以是范围[1，M]范围内的整数，这意味着压缩比是图9示出了IE CSI-ReportConfig中的附加字段。
对于非周期性CSI报告触发，DCI格式0_1的字段CSI请求可以指定在CSI-AperiodicTriggerStateList中配置的非周期触发状态的索引，或者在MAC CE(非周期CSI触发状态子选择MAC CE)中定义的码点。DCI字段“CSI请求”的每个码点与一个触发状态相关联(参见TS 38.321，条款6.1.3.13)。例如，如果该字段的位长度被设置得足够大以指向CSI-AperiodicTriggerStateList的所有项目，则该字段可以直接指示CSI-AperiodicTriggerStateList中的项目列表。然而，如果位长度不够大，则字段可以指向MACCE中的定义了CSI-AperiodicTriggerStateList子集的码点索引。DCI格式的字段CSI请求的位长度由RRC消息指定，具体地由IE CSI-MeasConfig中的字段reportTriggerSize∈{1,2,3,4,5,6}指定。
图10中所示的IE可以用于向UE配置非周期触发状态的列表。在接收到与触发状态相关联的值时，UE可以根据associatedReportConfigInfoList的CSI-AperiodicTriggerStateList中针对该触发状态的所有项目来执行对CSI-RS、CSI-IM和/或SSB(参考信号)的测量以及对L1的非周期性报告。associatedReportConfigInfoList中的每个项目都指定了reportconfigIds的列表。
在一个实施方式中，可以将新的配置状态添加到RRC IE CSI-AperiodicTriggerStateList中的CSI-Aperiodic触发状态列表，其中相关联的报告配置列表包括设置为CFI的CSI报告格式的报告配置，即基于AI/ML的CSI反馈。在一个示例中，为了适应CSI-AperiodicTriggerStateList中列表大小的增加，可以增加由IE CSI-MeasConfig中的字段reportTriggerSize∈{1,2,3,4,5,6}配置的DCI格式0_1中的CSI请求字段的可能位大小，即，IE CSI-MeasConfig中的字段reportTriggerSize可以属于{1,2,3,4,5,6,7,8}。
在另一个实施方式中，可以将新的单个位字段CSI格式引入到DCI格式0_1中，其中设置为1的字段意味着使用基于AI/ML的用于CSI反馈的格式，根据CSI-AperiodicTriggerStateList中针对触发状态的associatedReportConfigInfoList中的所有项目，执行堆CSI-RS、CSI-IM和/或SSB(参考信号)的测量以及对L1的非周期报告。
在图11中图示了非周期触发过程的实施方式。DCI中的CSI请求位字段与一个触发状态(associatedReportConfigInfoList)相关联。根据3GPP，CSI请求可以触发多个测量报告(与aperiodicTriggerStateList中的单个列表相关联的多个reportConfigId)，如图11所示。在csi-ReportConfigToAddModList中，UE配置有与被映射到csi-ResourceConfigToAddModList中的csi-ResourceConfigId的信息要素(诸如resourcesForChannelMeasurement、csi-IM-ResourcesForInterference和nzp-CSI-RS-ResourcesForInterference)相关联的reportConfigId列表。
在一个实施方式中，触发状态的列表被增加(在图11中增加索引>N)，在这些新状态下的reportConfigId被配置为基于AI/ML的CSI反馈。在另一个实施方式中，在DCI中引入了新的单个位字段CSI格式，其针对CSI请求中的字段所指示的触发状态中的reportConfigId，指示使用常规反馈机制还是基于AI/ML的反馈机制。在图11中用省略号突出显示了这两个实施方式。
半持久性CSI报告触发：对于PUSCH上的半持久性CSI报告的触发是由DCI格式0_1中的字段CSI请求来进行，其中索引是指如图12所示的在CSI-SemiPersistentOnPUSCH-TriggerStateList IE中配置的触发状态。支持用于在PUSCH上记性半持久性CSI报告的基于AI/ML的CSI反馈的实施方式类似于如上所述的非周期情况。
对在PUCCH上进行半持久性CSI报告的激活/禁用是由MAC CE使用专用16位来进行，该专用16位具有为服务小区ID保留的5位、为带宽部分(BWP)保留的2位、以及单个位字段Si，该字段Si指示在csi-ReportConfigToAddModList内的半持久性CSI报告配置的激活/禁用状态。S0是指报告配置，其包括在所指示带宽部分(BWP)中的用于半持久性CSI报告的PUCCH资源，并且在被设置为semiPersistentOnPUCCH类型的列表内具有最低CSI-ReportConfigId。
在一个实施方式中，可以使用相同的字段Si来触发参考基于AI/ML的CSI反馈的新CSI-ReportConfidId。在另一个实施方式中，保留位R中的一个可以由新的单个位字段CSIF(CSI格式)代替，该单个位字段CSIF指示用于CSI-ReportConfigId的CSI报告格式是使用基于码本还是基于AI/ML的CSI反馈。
使用UL部分互易性的重建：当使用基于AI/ML的CSI反馈机制时，基站根据从UE接收到的所提取的特征(AI-CFI)来重建信道矩阵(CSI)。在本实施方式中，如图14所示，在基站处可用的如UL部分互易信息的附加支持信息被用于增强重建。UE向BS发送探测参考信号(SRS)信息，并基于BS发送的CSI-RS来估计信道。在UE处，AI/ML模型被用来提取CSI的特征信息，即，具有充足信息以在BS处重建信道的AI-CFI。在接收到AI-CFI信息之后，BS还可以使用UL互易性信息作为对BS的AI/ML模型的输入，以帮助改进高分辨率信道的重建。
用于未来预测的CSI报告和触发配置：BS使用RRC消息向UE发送CSI报告配置。信息要素CSI-ReportConfig包含各种参数，诸如CSI报告参数(PMI、RI、CQI)、CSI配置类型(周期性、半持久性PUCCH、半持久性PUSCH、非周期性)、报告频率配置(频率粒度，即，宽带/子带)、码本配置(类型-1/类型-2码本参数)、启用基于组的波束报告等。
为了能够预测在未来时间的CSI，如图15所示，在IE CSI-ReportConfig中包括附加字段CsiPred-timeoffset。在一个实施方式中，在具有零值的RRC消息中设置定时偏移值以预测CSI，所述零值指示出禁用AI/ML模型。
在另一个实施方式中，对于非周期性CSI报告配置，在RRC消息中设置的定时偏移值和对CSI预测的激活/禁用是由在DCI格式0_1中引入附加的单个位字段CSI预测的DCI来指示。设置为0的CSI预测值意味着禁用基于AI/ML方法的CSI预测，并且值1意味着在未来的时间步长激活基于AI/ML的CSI预测，如在RRC消息CSI-ReportConfig中设置的字段CsiPred-timeoffset中所指示的。在另一个实施方式中，对于非周期性CSI报告配置，可以使用混合模型，其中定时偏移是RRC消息CSI-ReportConfig，可以从预定的一组值(比如长度n:{t1…，tn})中取值，并且DCI通过在DCI格式0_1中引入新的字段CSI预测来指示要被选择用于CSI预测的值，该值在{1…n}之间取值。
PUSCH上的半持久性CSI报告可以遵循与先前相同的方法，并且对于PUCCH上的半持久性CSI报告，可以引入新的单个位字段CsiP(CSI预测)来代替在CSI-ReportConfig中所设置的时间偏移处激活/禁用基于AI/ML的CSI预测的保留位。
在又一个实施方式中，当CSI预测在CSI报告配置(周期性、半持久性、非周期性)中被激活时，对预测CSI的反馈可以基于常规方法(诸如基于码本)，或可以基于AI/ML模型。
尽管已经用示例性实施方式描述了本公开，但是本领域技术人员可以建议各种改变和修改。本公开旨在包括落入所附权利要求范围内的这些改变和修改。

Claims (15)

1.一种方法，包括：
指示用户设备UE支持以下一者的能力：机器学习ML辅助信道状态信息CSI报告、或ML辅助CSI预测；
接收配置，其中，所述配置包括启用或禁用以下至少一者的一个或多个指示：ML辅助CSI预测和ML辅助CSI报告；
执行ML模型训练、或接收经训练的ML模型参数；以及
接收与所述配置中的至少一者相对应的CSI参考信号，
其中，如果所述ML辅助CSI预测被启用，则所述配置还包括：
用于未来CSI预测的定时偏移，以及
ML配置，包括对用于进行所述ML辅助CSI预测的ML模型的指示，以及
所述方法还包括：确定并发送经预测的CSI作为反馈，
其中，如果所述ML辅助CSI报告被启用，则所述配置还包括：
对CSI报告量、人工智能信道特征信息AI-CFI的配置，以及
ML配置，包括对用于进行所述ML辅助CSI报告的ML模型的指示，以及
所述方法还包括：
基于所述配置来测量所述CSI参考信号，以及
发送包括所述AI-CFI的CSI报告。
2.根据权利要求1所述的方法，其中，如果所述ML辅助CSI报告被配置，则所述AI-CFI包括以下至少一者：
与信道的经压缩知识相对应的ML模型的量化输出，以及
与所述信道的相关特征相对应的ML模型的量化输出。
3.根据权利要求1所述的方法，其中，所述配置包括用于配置所述AI-CFI的信息，其中所述信息是以下一者：
用于量化所述ML模型的输出的量化方法，
要使用的量化位数，
从原始CSI到所述AI-CFI的压缩比，或
CSI反馈位的总数。
4.根据权利要求1所述的方法，其中，所述配置包括用于选择所述ML模型的附加信息，所述附加信息包括信噪比SNR范围。
5.根据权利要求1所述的方法，其中，所述配置基于触发对所述ML辅助CSI报告和无ML辅助的CSI报告之间的动态切换进行配置，
其中，所述触发包括以下一者：
对于物理上行链路共享信道PUSCH上的非周期性报告和半持久性报告，所述触发是以下一者：下行链路控制信息DCI格式0_1内的CSI格式字段、或者非周期性或半持久性触发事件列表内的报告配置标识符，以及
对于物理上行链路控制信道PUCCH上的半持久性报告，所述触发是媒体接入控制-控制要素MAC-CE内的专用字段，
其中，如果所述ML辅助CSI预测被启用，则用于未来CSI预测的所述定时偏移被接收作为经由无线电资源控制RRC消息配置的固定值或作为一组值，以及
其中，所述配置使用从以下各者中选择的触发机制，在当前即时CSI报告与基于ML的未来预测CSI报告之间动态地切换：
对于物理上行链路共享信道PUSCH上的非周期性报告和半持久性报告，所述触发是以下一者：下行链路控制信息DCI格式0_1内的字段、或非周期性CSI报告触发列表或用于在所述PUSCH上进行半持久性CSI报告的信息要素中的一者内的报告配置标识符，或
对于物理上行链路控制信道PUCCH上的半持久性报告，
所述触发是媒体接入控制-控制要素MAC-CE内的专用字段。
6.一种用户设备UE，包括：
收发器，被配置为：
指示所述UE支持以下一者的能力：机器学习ML辅助信道状态信息CSI报告、或ML辅助CSI预测；
接收配置，其中，所述配置包括启用或禁用以下至少一者的一个或多个指示：ML辅助CSI预测和ML辅助CSI报告；以及
处理器，被配置为执行ML模型训练或接收经训练的ML模型参数，
其中，所述收发器被配置为：接收与所述配置中的至少一者相对应的CSI参考信号，
其中，如果所述ML辅助CSI预测被启用，则所述配置还包括：
用于未来CSI预测的定时偏移，以及
ML配置，包括对用于进行所述ML辅助CSI预测的ML模型的指示，以及
所述处理器还被配置为：确定并发送经预测的CSI作为反馈，
其中，如果所述ML辅助CSI报告被启用，则所述配置还包括：
对CSI报告量、人工智能信道特征信息AI-CFI的配置，以及
ML配置，包括对用于进行所述ML辅助CSI报告的ML模型的指示，以及
所述处理器还被配置为：
基于所述配置来测量所述CSI参考信号，以及
发送包括所述AI-CFI的CSI报告。
7.根据权利要求6所述的UE，其中，如果所述ML辅助CSI报告被配置，则所述AI-CFI包括以下至少一者：
与信道的经压缩知识相对应的ML模型的量化输出，以及
与所述信道的相关特征相对应的ML模型的量化输出。
8.根据权利要求6所述的UE，其中，所述配置信息包括用于配置所述AI-CFI的信息，其中所述信息是以下一者：
用于量化所述ML模型的输出的量化方法，
要使用的量化位数，
从原始CSI到所述AI-CFI的压缩比，或
CSI反馈位的总数。
9.根据权利要求6所述的UE，其中，所述配置包括用于选择所述ML模型的附加信息，所述附加信息包括信噪比SNR范围。
10.根据权利要求6所述的UE，其中，所述配置基于触发对所述ML辅助CSI报告和无ML辅助的CSI报告之间的动态切换进行配置，
其中，所述触发包括以下一者：
对于物理上行链路共享信道PUSCH上的非周期性报告和半持久性报告，所述触发是以下一者：下行链路控制信息DCI格式0_1内的CSI格式字段、或者非周期性或半持久性触发事件列表内的报告配置标识符，以及
对于物理上行链路控制信道PUCCH上的半持久性报告，所述触发是媒体接入控制-控制要素MAC-CE内的专用字段，
其中，如果所述ML辅助CSI预测被启用，则用于未来CSI预测的所述定时偏移被接收作为经由无线电资源控制RRC消息配置的固定值或作为一组值，以及
其中，所述配置使用从以下各者中选择的触发机制，在当前即时CSI报告与基于ML的未来预测CSI报告之间动态地切换：
对于物理上行链路共享信道PUSCH上的非周期性报告和半持久性报告，所述触发是以下一者：下行链路控制信息DCI格式0_1内的字段、或非周期性CSI报告触发列表或用于在所述PUSCH上进行半持久性CSI报告的信息要素中的一者内的报告配置标识符，或
对于物理上行链路控制信道PUCCH上的半持久性报告，
所述触发是媒体接入控制-控制要素MAC-CE内的专用字段。
11.一种基站BS，包括：
收发器，被配置为：
获取用户设备UE支持以下一者的能力的指示：机器学习ML辅助信道状态信息CSI报告、或ML辅助CSI预测，
发送配置，其中，所述配置包括启用或禁用以下至少一者的一个或多个指示：ML辅助CSI预测和ML辅助CSI报告，
其中，所述UE被配置为执行ML模型训练、或接收经训练的ML模型参数，
其中，所述收发器被配置为：接收与所述配置中的至少一者相对应的CSI参考信号，
其中，如果所述ML辅助CSI预测被启用，则所述配置还包括：
用于未来CSI预测的定时偏移，以及
ML配置，包括对用于进行所述ML辅助CSI预测的ML模型的指示，以及
其中，所述UE还被配置为：确定并发送经预测的CSI作为反馈，
其中，如果所述ML辅助CSI报告被启用，则所述配置还包括：
对CSI报告量、人工智能信道特征信息AI-CFI的配置，以及
ML配置，包括对用于进行所述ML辅助CSI报告的ML模型的指示，以及
其中，所述UE还被配置为：
基于所述配置来测量所述CSI参考信号，以及
发送包括所述AI-CFI的CSI报告。
12.根据权利要求11所述的BS，其中，如果所述ML辅助CSI报告被配置，则所述AI-CFI包括以下至少一者：
与信道的经压缩知识相对应的ML模型的量化输出，以及
与所述信道的相关特征相对应的ML模型的量化输出。
13.根据权利要求11所述的BS，其中，所述配置包括用于配置所述AI-CFI的信息，其中所述信息是以下一者：
用于量化所述ML模型的输出的量化方法，
要使用的量化位数，
从原始CSI到所述AI-CFI的压缩比，或
CSI反馈位的总数。
14.根据权利要求11所述的BS，其中，所述配置包括用于选择所述ML模型的附加信息，所述附加信息包括信噪比SNR范围。
15.根据权利要求11所述的BS，其中，所述配置基于触发对所述ML辅助CSI报告和无ML辅助的CSI报告之间的动态切换进行配置，
其中，所述触发包括以下一者：
对于物理上行链路共享信道PUSCH上的非周期性报告和半持久性报告，所述触发是以下一者：下行链路控制信息DCI格式0_1内的CSI格式字段、或者非周期性或半持久性触发事件列表内的报告配置标识符，以及
对于物理上行链路控制信道PUCCH上的半持久性报告，所述触发是媒体接入控制-控制要素MAC-CE内的专用字段，
其中，如果所述ML辅助CSI预测被启用，则用于未来CSI预测的所述定时偏移被接收作为经由无线电资源控制RRC消息配置的固定值或作为一组值。
CN202280023267.5A 2021-04-16 2022-04-15 用于支持在fdd mimo系统中进行csi反馈的机器学习或人工智能技术的方法和装置 Pending CN117044125A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US202163175894P 2021-04-16 2021-04-16
US63/175,894 2021-04-16
US17/658,977 2022-04-12
US17/658,977 US20220338189A1 (en) 2021-04-16 2022-04-12 Method and apparatus for support of machine learning or artificial intelligence techniques for csi feedback in fdd mimo systems
PCT/KR2022/005462 WO2022220642A1 (en) 2021-04-16 2022-04-15 Method and apparatus for support of machine learning or artificial intelligence techniques for csi feedback in fdd mimo systems

Publications (1)

Publication Number Publication Date
CN117044125A true CN117044125A (zh) 2023-11-10

Family

ID=83601949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280023267.5A Pending CN117044125A (zh) 2021-04-16 2022-04-15 用于支持在fdd mimo系统中进行csi反馈的机器学习或人工智能技术的方法和装置

Country Status (5)

Country Link
US (1) US20220338189A1 (zh)
EP (1) EP4302424A4 (zh)
KR (1) KR20230169948A (zh)
CN (1) CN117044125A (zh)
WO (1) WO2022220642A1 (zh)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11838782B2 (en) * 2020-01-31 2023-12-05 Qualcomm Incorporated Measurements on a first band applicable to procedures on a second band
US11825553B2 (en) * 2021-05-05 2023-11-21 Qualcomm Incorporated UE capability for AI/ML
US11818806B2 (en) * 2021-05-18 2023-11-14 Qualcomm Incorporated ML model training procedure
US20230164817A1 (en) * 2021-11-24 2023-05-25 Lenovo (Singapore) Pte. Ltd. Artificial Intelligence Capability Reporting for Wireless Communication
US20230189031A1 (en) * 2021-12-14 2023-06-15 Lenovo (Singapore) Pte. Ltd. Configuring an artificial intelligence based framework
US20230299815A1 (en) * 2022-03-16 2023-09-21 Qualcomm Incorporated Channel estimate or interference reporting in a wireless communications network
WO2024026623A1 (en) * 2022-08-01 2024-02-08 Apple Inc. Life cycle management of ai/ml models in wireless communication systems
WO2024087119A1 (zh) * 2022-10-27 2024-05-02 Oppo广东移动通信有限公司 模型控制方法、装置、设备及介质
EP4376476A1 (en) * 2022-11-03 2024-05-29 Nokia Technologies Oy Reducing radio signal measurements, and related devices, methods and computer programs
KR20240063478A (ko) * 2022-11-03 2024-05-10 삼성전자주식회사 무선 통신 시스템에서 ai 모델에 기반하여 csi를 보고하기 위한 방법 및 장치
WO2024097594A1 (en) * 2022-11-03 2024-05-10 Google Llc Channel state information reporting based on machine learning techniques and on non learning machine techniques
WO2024092729A1 (en) * 2022-11-04 2024-05-10 Google Llc Beam measurement and report accuracy enhancement
WO2024098170A1 (en) * 2022-11-07 2024-05-16 Shenzhen Tcl New Technology Co., Ltd. Wireless communication method and wireless communication device
CN118249862A (zh) * 2022-12-23 2024-06-25 华为技术有限公司 一种信道状态信息上报方法及通信装置
CN118283692A (zh) * 2022-12-29 2024-07-02 北京紫光展锐通信技术有限公司 一种信道状态信息csi报告的配置方法及相关装置
WO2024151967A1 (en) * 2023-01-13 2024-07-18 Interdigital Patent Holdings, Inc. Methods for aiml operation management in wlan
CN118354357A (zh) * 2023-01-14 2024-07-16 北京紫光展锐通信技术有限公司 通信方法及通信装置
WO2024152178A1 (en) * 2023-01-16 2024-07-25 Nec Corporation Methods, devices and medium for communication
WO2024165391A1 (en) * 2023-02-08 2024-08-15 Fraunhofer Gesellschaft zur Förderung der angewandten Forschung e.V. Channel quality indicator feedback
WO2024167797A1 (en) * 2023-02-09 2024-08-15 Apple Inc. Methods of life cycle management for artificial intelligence (ai)-based channel state information (csi) prediction
WO2024173366A1 (en) * 2023-02-14 2024-08-22 Interdigital Patent Holdings, Inc. Methods to select precoder methods for full channel based ai/ml csi compression using two sided ai/ml models
WO2024168582A1 (en) * 2023-02-15 2024-08-22 Apple Inc. Methods and apparatuses supporting user equipment channel state information prediction
WO2024172959A1 (en) * 2023-02-16 2024-08-22 Apple Inc. Artificial intelligence, ai, based configurable uplink control information, uci, report
CN118509013A (zh) * 2023-02-16 2024-08-16 大唐移动通信设备有限公司 一种信息处理方法、相关设备和存储介质
WO2024172732A1 (en) * 2023-02-17 2024-08-22 Telefonaktiebolaget Lm Ericsson (Publ) Target channel state information (csi) based channel quality indicator (cqi)
WO2024168866A1 (en) * 2023-02-17 2024-08-22 Google Llc Channel state information (csi) prediction
WO2024168786A1 (en) * 2023-02-17 2024-08-22 Qualcomm Incorporated Differential channel characteristic value prediction report for user equipment (ue) -side beam prediction
GB2627260A (en) * 2023-02-17 2024-08-21 Nokia Technologies Oy Channel state information reporting

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10911266B2 (en) * 2018-05-18 2021-02-02 Parallel Wireless, Inc. Machine learning for channel estimation
EP3804398A1 (en) * 2018-05-29 2021-04-14 Telefonaktiebolaget Lm Ericsson (Publ) Reporting an indication of one or more estimated signal parameters
US11973708B2 (en) * 2019-04-16 2024-04-30 Samsung Electronics Co., Ltd. Method and apparatus for reporting channel state information
US11476911B2 (en) * 2019-09-19 2022-10-18 Qualcomm Incorporated System and method for determining channel state information
WO2021064275A1 (en) * 2019-10-02 2021-04-08 Nokia Technologies Oy Radio access information reporting in wireless network

Also Published As

Publication number Publication date
KR20230169948A (ko) 2023-12-18
EP4302424A1 (en) 2024-01-10
US20220338189A1 (en) 2022-10-20
EP4302424A4 (en) 2024-08-21
WO2022220642A1 (en) 2022-10-20

Similar Documents

Publication Publication Date Title
CN117044125A (zh) 用于支持在fdd mimo系统中进行csi反馈的机器学习或人工智能技术的方法和装置
KR102404935B1 (ko) 개선된 무선 통신 시스템에서 csi 보고를 위한 코드북
US9414371B2 (en) Hierarchical channel sounding and channel state information feedback in massive MIMO systems
US20230118031A1 (en) Neural network adjustment method and apparatus
CN111771340B (zh) 用于高级无线通信系统中的宽带csi报告的方法和装置
CN114503449A (zh) 用于复用部分信道状态信息的方法和装置
CN116868523A (zh) 用于无线通信系统中的模块化mimo的方法和装置
US11546041B2 (en) Method and apparatus for beamspace processing based on multiple beamspace bases
KR20210018781A (ko) 무선 통신 시스템들에서 csi 파라미터 구성을 위한 방법 및 장치
US20220407745A1 (en) Method and apparatus for reference symbol pattern adaptation
CN114631267A (zh) 针对多传输接收点/面板和无小区多输入多输出的信道状态信息开销减少
US20220417779A1 (en) Method for utilizing channel sparsity and coherence in csi feedback
KR20240011659A (ko) Uci 다중화를 위한 방법 및 장치
WO2022027625A1 (en) Frequency domain precoding for fdd reciprocity
KR20230135079A (ko) Csi 보고 방법 및 장치
CN112104396A (zh) 一种通信方法、网络设备、终端设备及存储介质
WO2023028742A1 (en) Csi report with time domain channel information
WO2023206198A1 (en) Differential channel state information report
WO2024001744A1 (zh) 一种信道状态信息的上报方法及通信装置
US20240073063A1 (en) Cm based channel status information enhancement
WO2024065275A1 (en) Methods and apparatuses for csi reporting
US20240088968A1 (en) Method and apparatus for support of machine learning or artificial intelligence-assisted csi feedback
CN112534734B (zh) 用于无线通信的使用共相矩阵进行波束成形的适应性共相
KR20240028886A (ko) 무선 통신 시스템에서 채널 변화량의 추정에 기반한 dmrs 설정 방법 및 장치
WO2021109135A1 (en) Method and access network node for beam control

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