CN117413496A

CN117413496A - 支持人工智能的链路自适应

Info

Publication number: CN117413496A
Application number: CN202180098882.8A
Authority: CN
Inventors: 唐浩; 马江镭; 毕晓艳; 朱佩英; 童文
Original assignee: Huawei Technologies Co Ltd
Current assignee: Huawei Technologies Co Ltd
Priority date: 2021-06-12
Filing date: 2021-06-12
Publication date: 2024-01-16
Also published as: EP4342143A1; EP4342143A4; WO2022257157A1; US20240106508A1

Abstract

与当前通信链路自适应机制相关联的信令资源开销可能相当大，并且这种机制通常依赖于信道状态信息(CSI)反馈过程，该过程可能导致较差的调度性能。本申请公开了以下实施例，其中第一设备信道状态信息表征第一设备和第二设备之间的无线通信信道，并使用CSI作为ML模块输入并且使用一个或多个调制编码方案(MCS)参数作为ML模块输出来训练第一设备的机器学习(ML)模块，以满足训练目标。通过应用本文公开的概念，与传统的链路自适应过程相比，可以减少与用于MCS选择的反馈相关的开销，因为一旦一对设备处的ML模块经过训练，则ML模块的MCS选择可以在不需要CSI的持续反馈的情况下完成。

Description

支持人工智能的链路自适应

技术领域

本发明大体上涉及无线通信，在特定实施例中，涉及用于通信链路自适应的方法和装置。

背景技术

无线通信系统中的通信通常发生在非理想信道上。例如，诸如电磁干扰、信号劣化、相位延迟、衰落和其它非理想情况之类的非理想条件可能会造成通信信号衰减和/或失真，或者可能以其它方式干扰或劣化系统的通信能力。此外，补偿这些和其它信道非理想性情况可能会因通常与许多这些因素相关联的动态变化而变得复杂。

通信系统可以采用链路自适应技术来基于通信信道条件值的变化来调整通信参数。例如，为了处理瞬时无线链路质量的变化，典型的方案是通过速率控制进行链路自适应，其根据瞬时信道状态信息(channel state information，CSI)调整调制方案和/或信道编码速率。例如，这种链路自适应可用于在通过相对有噪声的信道进行通信时增加信道编码的强度，以及在通过相对无噪声的信道进行通信时降低信道编码的强度。在本示例中，可以调整信道编码的强度，以平衡有效载荷数据的传输速率与接收器从非理想信道恢复有效载荷数据的能力。以这种方式，可以采用链路自适应来提高在宽范围的信道条件下有效载荷数据的吞吐量。

然而，目前可用于链路自适应的机制存在局限性。例如，与当前链路自适应机制相关联的信令资源开销可能相当大。此外，因为当前的链路自适应机制通常依赖于CSI反馈，所以如果信道质量在数据调度时间和获得CSI测量时间之间发生显著变化，则反馈过程固有的延迟可能导致调度性能较差。

发明内容

根据本发明的第一广义方面，本文提供了一种用于无线通信网络中的第一设备中的方法。所述方法可以包括：获取表征所述无线通信网络中所述第一设备和第二设备之间的无线通信信道的信道状态信息；使用所述信道状态信息作为ML模块输入并且使用一个或多个调制编码方案(modulation and coding scheme，MCS)参数作为ML模块输出来训练所述第一设备的机器学习(machine learning，ML)模块，以满足训练目标。在一些实施例中，所述一个或多个MCS参数可以包括预测的调制阶数、预测的编码速率或两者。

通过应用本文公开的概念，与传统的链路自适应过程相比，可以大大减少与从接收设备到发送设备的用于MCS选择的反馈相关联的开销，因为一旦这对设备处的ML模块经过训练，则ML模块的MCS选择可以在不需要信道状态信息的持续反馈的情况下完成，所述信道状态信息可用于传统链路自适应过程中的MCS选择。

可选地，在上述任一实施例中，获取所述信道状态信息包括：从所述第二设备接收参考信号；基于所述参考信号确定所述信道状态信息。例如，在这些实施例中，所述第一设备可以是用户设备(user equipment，UE)，所述第二设备可以是网络设备，所述方法还可以包括：从所述网络设备接收与所述参考信号对应的训练数据。可选地，在上述任一实施例中，所述训练数据可以包括指示由所述网络设备预测的一个或多个MCS参数的信息。例如，所述一个或多个MCS参数可以包括预测的调制阶数、预测的编码速率或两者。在这些实施例中，训练所述第一设备的ML模块以满足训练目标可以包括训练所述UE的所述ML模块以满足将所述UE的所述ML模块的所述ML模块输出的所述一个或多个MCS参数与所述网络设备预测的所述一个或多个MCS参数匹配的训练目标。

可选地，在上述任一实施例中，所述方法还可以包括：向所述网络设备发送信道状态信息报告，所述信道状态信息报告包括指示所述信道状态信息的信息，所述信道状态信息是所述UE基于从所述网络设备接收的所述参考信号确定的。

可选地，在上述任一实施例中，所述方法还可以包括：基于所述信道状态信息作为所述UE的ML编码器模块的输入，获取压缩的信道状态信息。在这些实施例中，向所述网络设备发送所述信道状态信息报告可以包括向所述网络设备发送所述压缩的信道状态信息。

可选地，在上述任一实施例中，所述第一设备是UE，所述第二设备是网络设备，所述方法还包括：从所述UE发送参考信号。在这些实施例中，获取所述信道状态信息可以包括从所述网络设备接收信道状态信息报告，所述信道状态信息报告包括指示上行信道状态信息的信息，所述上行信道状态信息是所述网络设备基于所述UE发送的所述参考信号确定的。在这些实施例中，所述上行信道状态信息可以用作所述ML模块输入。在这些实施例中，所述方法还可以包括：向所述UE发送与所述参考信号对应的训练数据。例如，所述训练数据可以包括指示所述网络设备的所述ML模块的所述ML模块输出的所述一个或多个MCS参数的信息，例如预测的调制阶数、预测的编码速率或两者。

可选地，在上述任一实施例中，所述第一设备为网络设备，所述第二设备为UE。在一些这样的实施例中，所述方法还可以包括：从所述网络设备发送参考信号。在这些实施例中，获取所述信道状态信息可以包括从所述UE接收信道状态信息报告，所述信道状态信息报告包括指示下行信道状态信息的信息，所述下行信道状态信息是所述UE基于所述网络设备发送的所述参考信号确定的。在这些实施例中，所述下行信道状态信息可以用作所述ML模块输入。

可选地，在上述任一实施例中，所述信道状态信息报告包括压缩的下行信道状态信息。在这些实施例中，获取所述信道状态信息还可以包括对所述压缩的下行信道状态信息进行解码以生成重构的下行信道状态信息；使用所述下行信道状态信息作为所述ML模块输入可以包括使用所述重构的下行信道状态信息作为所述ML模块输入。

可选地，在上述任一实施例中，训练所述第一设备的所述ML模块包括：采用联合优化来一起训练所述第一设备的所述ML模块和所述第二设备的ML模块。例如，可以一起训练所述第一设备的所述ML模块和所述第二设备的所述ML模块以满足：i)将所述第二设备的所述ML模块的ML模块输出的一个或多个MCS参数与所述第一设备的所述ML模块的所述ML模块输出的所述一个或多个MCS参数匹配的第一训练目标；ii)优化用于所述第一设备和所述第二设备之间通信的一个或多个性能指标的第二训练目标。

可选地，在上述任一实施例中，所述一个或多个性能指标包括吞吐量。在这些实施例中，例如，所述第二训练目标可以包括最大化所述第一设备和所述第二设备之间的通信吞吐量。

可选地，在上述任一实施例中，在确定训练已经收敛以满足所述第一训练目标和第二训练目标后，可以将所述第二设备的所述ML模块的训练权重发送给所述第二设备，以使所述第二设备能够实现所述ML模块。

可选地，在上述任一实施例中，所述参考信号包括位于不同时频资源块位置的多个训练信号。在这些实施例中，所述多个训练信号可以包括具有不同调制阶数的训练信号、具有不同编码速率的训练信号或者同时具有不同调制阶数和不同编码速率的训练信号。例如，所述下行信道状态信息可以包括以下中的一个或多个：至少一个信道质量指示(channel quality indicator，CQI)值；至少一个参考信号接收功率(reference signalreceived power，RSRP)值；至少一个秩指示(rank indicator，RI)值；至少一个预编码矩阵指示(pre-coding matrix indicator，PMI)值；至少一个信噪比(signal to noise ratio，SNR)值；或至少一个信号干扰噪声比(signal to interference-plus-noise ratio，SINR)值。

通过应用本文公开的概念，一对通信设备各自具有ML模块，所述ML模块被训练为基于分配的RB和信道状态信息预测相同的最佳实时MCS，使得接收设备(例如，UE)能够基于在其上已经调度了传输的分配的RB和接收设备处的当前信道状态信息准确预测由发送设备(例如，TRP)用于调度的传输的MCS。

可选地，在上述任一实施例中，训练所述ML模块包括使用所述信道状态信息和所述时频资源块位置作为ML模块输入，并使用所述一个或多个MCS参数作为ML模块输出来训练所述ML模块，以满足所述训练目标。

可选地，在上述任一实施例中，所述方法还包括：获取表征所述网络设备和所述UE之间的所述无线通信信道的信道状态信息；获取用于向所述UE发送传输块的一个或多个时频资源块位置；基于所述信道状态信息和所述一个或多个时频资源块位置作为所述ML模块的输入，获取与所述一个或多个时频资源块位置关联的一个或多个MCS参数。在一些这样的实施例中，所述方法还可以包括：向所述UE发送调度信息，所述调度信息标识用于向所述UE发送所述传输块的所述一个或多个时频资源块位置；使用所述一个或多个MCS参数和相关联的一个或多个时频资源块位置通过所述无线通信信道向所述UE发送所述传输块。

可选地，在上述任一实施例中，发送所述调度信息包括在下行控制信息(downlinkcontrol information，DCI)中发送所述调度信息。例如，所述DCI包括以下字段中的一个或多个：a)ML模块输出指示字段，用于指示已经针对多个性能指标中的哪个性能指标优化了用于发送传输块的所述一个或多个MCS参数；或b)传输块映射指示字段，用于指示针对所述传输块从多个传输块映射方法中选择了哪个传输块映射方法。例如，所述多个传输块映射方法可以包括以下两个或更多个：i)具有一个传输块级调制阶数和一个传输块级编码速率的传输块映射方法；ii)具有子带级调制阶数和一个传输块级编码速率的传输块映射方法；iii)具有子带级调制阶数和多个子带级编码速率的传输块映射方法。

根据本发明的第二广义方面，本文提供了另一种用于无线通信网络中的第一设备中的方法。所述方法可以包括获取表征所述无线通信网络中所述第一设备和第二设备之间的无线通信信道的信道状态信息。可选地，在上述任一实施例中，所述方法还可以包括：基于所述信道状态信息作为ML模块的输入，获取用于所述第一设备和所述第二设备之间通信的一个或多个MCS参数，其中，已经使用表征所述无线通信网络中的所述第一设备和所述第二设备之间的无线通信信道的信道状态信息作为ML模块输入以及使用一个或多个MCS参数作为ML模块输出对所述ML模块进行了训练。例如，所述一个或多个MCS参数可以包括预测的调制阶数、预测的编码速率或两者。可选地，在上述任一实施例中，所述方法还可以包括使用所述一个或多个MCS参数通过所述无线通信信道向所述第二设备发送或从所述第二设备接收。

可选地，在上述任一实施例中，获取所述信道状态信息包括：从所述第二设备接收参考信号；基于所述参考信号确定所述信道状态信息。

可选地，在上述任一实施例中，所述第一设备为用户设备(user equipment，UE)，所述第二设备为网络设备，对用于获取所述一个或多个MCS的所述ML模块进行训练以满足将所述UE的所述ML模块的所述ML模块输出的所述一个或多个MCS参数与所述网络设备预测的一个或多个MCS参数匹配的训练目标。

可选地，在上述任一实施例中，所述第一设备为用户设备(user equipment，UE)，所述第二设备为网络设备，所述方法还包括：基于所述信道状态信息作为所述UE的ML编码器模块的输入，获取压缩的信道状态信息；向所述网络设备发送信道状态信息报告，所述信道状态信息报告包括所述压缩的信道状态信息。

可选地，在上述任一实施例中，所述第一设备是用户设备(user equipment，UE)，所述第二设备是网络设备，所述方法还包括：从所述UE发送参考信号。在这些实施例中，获取所述信道状态信息可以包括从所述网络设备接收信道状态信息报告，所述信道状态信息报告包括指示上行信道状态信息的信息，所述上行信道状态信息是所述网络设备基于所述UE发送的所述参考信号确定的。在这些实施例中，使用所述信道状态信息作为ML模块输入包括使用所述上行信道状态信息作为所述ML模块输入。

可选地，在上述任一实施例中，所述第一设备是网络设备，所述第二设备是用户设备(user equipment，UE)，所述方法还包括：从所述网络设备发送参考信号，其中，获取所述信道状态信息包括从所述UE接收信道状态信息报告，所述信道状态信息报告包括指示下行信道状态信息的信息，所述下行信道状态信息是所述UE基于所述网络设备发送的所述参考信号确定的。在这些实施例中，使用所述信道状态信息作为ML模块输入可以包括使用所述下行信道状态信息作为所述ML模块输入。

可选地，在上述任一实施例中，所述信道状态信息报告包括压缩的下行信道状态信息；获取所述信道状态信息还包括对所述压缩的下行信道状态信息进行解码以生成重构的下行信道状态信息；使用所述下行信道状态信息作为所述ML模块输入包括使用所述重构的下行信道状态信息作为所述ML模块输入。

可选地，在上述任一实施例中，对所述压缩的下行信道状态信息进行解码以生成重构的下行信道状态信息包括使用ML解码器模块对所述压缩的下行信道状态信息进行解码，所述ML解码器模块是所述UE用于生成所述压缩的下行信道状态信息的ML编码器模块的补充。

可选地，在上述任一实施例中，所述第一设备为网络设备，所述第二设备为UE；从所述第二设备接收参考信号包括从所述UE接收参考信号；基于所述参考信号确定所述信道状态信息包括基于从所述UE接收的所述参考信号确定上行信道状态信息；使用所述信道状态信息作为ML模块输入包括使用所述上行信道状态信息作为所述ML模块输入。

可选地，在上述任一实施例中，所述方法还包括：向所述UE发送信道状态信息报告，所述信道状态信息报告包括指示所述上行信道状态信息的信息，所述上行信道状态信息是所述网络设备基于从所述UE接收的所述参考信号确定的。

可选地，在上述任一实施例中，所述第一设备为网络设备，所述第二设备为UE；对用于获取所述一个或多个MCS参数的所述ML模块进行训练，以满足优化所述网络设备和所述UE之间的下行通信的一个或多个性能指标的训练目标。

可选地，在上述任一实施例中，对用于获取所述一个或多个MCS参数的所述ML模块进行训练以最大化所述网络设备和所述UE之间的下行通信的吞吐量。

可选地，在上述任一实施例中，所述第一设备为网络设备，所述第二设备为UE，所述方法还包括：基于用于所述第一设备和所述第二设备之间通信的所述一个或多个MCS参数作为所述网络设备的ML编码器模块的输入，获取压缩的MCS参数信息；向所述UE发送所述压缩的MCS参数信息。

可选地，在上述任一实施例中，所述第一设备是用户设备(user equipment，UE)，所述第二设备是网络设备，所述方法还包括：从所述网络设备接收压缩的MCS参数信息，其中，获取用于所述UE与所述网络设备之间通信的所述一个或多个MCS参数还基于所述压缩的MCS参数信息作为所述UE的所述ML模块的输入。

可选地，在上述任一实施例中，所述方法还包括：获取用于向所述UE发送传输块的一个或多个时频资源块位置，其中，获取用于所述第一设备和所述第二设备之间通信的一个或多个MCS参数包括：基于所述信道状态信息和所述一个或多个时频资源块位置作为使用所述训练权重配置的所述ML模块的输入，获取与所述一个或多个时频资源块位置相关联的一个或多个MCS参数。

可选地，在上述任一实施例中，所述方法还包括：向所述UE发送调度信息，所述调度信息标识用于向所述UE发送所述传输块的所述一个或多个时频资源块位置；使用所述一个或多个MCS参数和相关联的一个或多个时频资源块位置通过所述无线通信信道向所述UE发送所述传输块。

公开了用于执行所述方法的相应装置和设备。

例如，根据本发明的另一方面，提供了一种设备，所述设备包括处理器和存储器，存储器存储处理器可执行指令，所述处理器可执行指令在被执行时，使得所述处理器执行根据上述本发明的第一广义方面的方法。

根据本发明的另一方面，提供了一种设备，所述设备包括处理器和存储器，存储器存储处理器可执行指令，处理器可执行指令在被执行时，使得所述处理器执行根据上述本发明的第二广义方面的方法。

根据本发明的其它方面，提供了一种包括用于实现本发明中公开的任何方法方面的一个或多个单元的装置。术语“单元”以广义的方式使用并且可以通过任何各种名称来指代，包括例如模块、组件、元件、装置等。单元可以使用硬件、软件、固件或其任何组合来实现。

附图说明

现在将仅通过示例参考示出本申请示例性实施例的附图，其中：

图1是根据一个示例的通信系统的简化示意图；

图2示出了通信系统的另一个示例；

图3示出了电子设备(electronic device，ED)、地面发送和接收点(terrestrialtransmit and receive point，T-TRP)和非地面发送和接收点(non-terrestrialtransmit and receive point，NT-TRP)的示例；

图4示出了设备中的示例单元或模块；

图5示出了现有的自适应调制编码(adaptive modulation and coding，AMC)过程的示例；

图6示出了根据一个实施例的四个ED与通信系统中的网络设备进行通信；

图7示出了根据一个实施例的具有多层神经元的神经网络的示例；

图8示出了根据一个实施例的可用作神经网络的构建块的神经元的示例；

图9示出了根据一个实施例的用于ED和网络设备的机器学习模块的两步联合训练阶段，用于促进ED和网络设备之间的链路自适应；

图10示出了根据另一实施例的用于ED和网络设备的机器学习模块的两步联合训练阶段，用于促进ED和网络设备之间的链路自适应；

图11示出了基于神经网络的自动编码器(autoencoder，AE)结构的示例，该结构可用于将信道状态信息从ED传送到图10中所示的网络设备；

图12示出了根据一个实施例的用于ED和网络设备的机器学习模块的一步联合训练阶段，用于促进ED和网络设备之间的链路自适应；

图13示出了根据另一实施例的ED和/或网络设备的机器学习模块的输入和输出的示例，用于促进ED和网络设备之间的链路自适应；

图14示出了根据一个实施例，使用分配的一个或多个子带的位图作为训练ML模块的输入的MCS参数推断的示例；

图15、图16、图17和图18示出了根据各种实施例的由第一设备和第二设备执行的方法。

在不同的附图中可以使用相似的附图标记来表示相似的组件。

具体实施方式

出于说明性目的，下面结合附图更详细地解释具体的示例性实施例。

示例性通信系统和设备

参考图1，作为非限制性说明性示例，图1提供了通信系统的简化示意图。通信系统100包括无线接入网120。无线接入网120可以是下一代(例如第六代(sixth generation，6G)或更高版本)无线接入网，或传统(例如5G、4G、3G或2G)无线接入网。一个或多个通信电子设备(electric device，ED)110a至120j(一般称为110)可以彼此互连，或连接到无线接入网120中的一个或多个网络节点(170a、170b，一般称为170)。核心网130可以是通信系统的一部分，并且可以依赖于或独立于通信系统100中使用的无线接入技术。此外，通信系统100包括公共交换电话网(public switched telephone network，PSTN)140、互联网150和其它网络160。

图2示出了示例性通信系统100。通常，通信系统100能够使多个无线或有线元件传输数据和其它内容。通信系统100的目的可以是通过广播、多播和单播等提供语音、数据、视频和/或文本等内容。通信系统100可以通过在其组成元件之间共享资源，例如载波频谱带宽来运行。通信系统100可以包括地面通信系统和/或非地面通信系统。通信系统100可以提供广泛的通信服务和应用(例如地球监测、遥感、被动感测和定位、导航和跟踪、自主递送和移动性等)。通信系统100可以通过地面通信系统和非地面通信系统的联合操作来提供高度的可用性和鲁棒性。例如，将非地面通信系统(或其组件)集成到地面通信系统中可以形成被认为是包括多个层的异构网络。与传统通信网络相比，异构网络可以通过高效的多链路联合操作、更灵活的功能共享以及在地面网络与非地面网络之间进行更快的物理层链路切换来获得更好的整体性能。

地面通信系统和非地面通信系统可被视为通信系统的子系统。在所示的示例中，通信系统100包括电子设备(electronic device，ED)110a至110d(一般称为ED 110)、无线接入网(radio access network，RAN)120a和120b、非地面通信网络120c、核心网130、公共交换电话网(public switched telephone network，PSTN)140、互联网150和其它网络160。RAN 120a和RAN 120b包括相应的基站(base station，BS)170a和170b，其可以一般地称为地面发送和接收点(terrestrial transmit and receive point，T-TRP)170a和170b。非地面通信网络120c包括接入节点120c，其可以一般称为非地面发送和接收点(non-terrestrial transmit and receive point，NT-TRP)172。

替选地或另外，任何ED 110可以用于与任何其它T-TRP 170a和T-TRP 170b和NT-TRP 172、互联网150、核心网130、PSTN 140、其它网络160或上述各项的任意组合进行连接、接入或通信。在一些示例中，ED 110a可以通过接口190a与T-TRP 170a传送上行和/或下行传输。在一些示例中，ED 110a、ED 110b和ED 110d还可以通过一个或多个侧行链路空口190b彼此直接通信。在一些示例中，ED 110d可以通过接口190c与NT-TRP 172传送上行和/或下行传输。

空口190a和空口190b可以使用类似的通信技术，例如任何合适的无线接入技术。例如，通信系统100可以在空口190a和空口190b中实现一种或多种信道接入方法，例如码分多址(code division multiple access，CDMA)、时分多址(time division multipleaccess，TDMA)、频分多址(frequency division multiple access，FDMA)、正交FDMA(orthogonal FDMA，OFDMA)或单载波FDMA(single-carrier FDMA，SC-FDMA)。空口190a和空口190b可以利用其它更高维度的信号空间，这可能包括正交和/或非正交维度的组合。

空口190c可以通过无线链路或简单的链路实现ED 110d和一个或多个NT-TRP 172之间的通信。对于一些示例，链路是用于单播传输的专用连接、用于广播传输的连接或者一组ED与一个或多个NT-TRP之间用于多播传输的连接。

RAN 120a和RAN 120b与核心网130进行通信，以向ED 110a、ED 110b和ED 110c提供各种服务，例如，语音、数据和其它服务。RAN 120a和RAN 120b和/或核心网130可以与一个或多个其它RAN(未示出)直接或间接通信，该一个或多个其它RAN可以直接由核心网130服务，也可以不直接由核心网130服务，并且可以采用或可以不采用与RAN 120a、RAN 120b或两者相同的无线接入技术。核心网130还可以用作(i)RAN 120a和RAN 120b或ED 110a、ED110b和ED 110c或两者与(ii)其它网络(例如，PSTN 140、互联网150和其它网络160)之间的网关接入。另外，ED 110a、ED 110b和ED 110c中的部分或全部可以包括使用不同无线技术和/或协议通过不同无线链路与不同无线网络进行通信的功能。ED 110a、ED 110b和ED110c可以通过有线通信信道与服务提供商或交换机(未示出)进行通信以及与互联网150通信，而不是进行无线通信(或者还进行无线通信)。PSTN 140可以包括用于提供传统电话业务(plain old telephone service，POTS)的电路交换电话网。互联网150可以包括计算机和子网(内网)或两者的网络，并结合互联网协议(Internet protocol，IP)、传输控制协议(transmission control protocol，TCP)、用户数据报协议(user datagramprotocol，UDP)等协议。ED 110a、ED 110b和ED 110c可以是能够根据多种无线接入技术进行操作的多模设备，并包括支持这些技术所需的多个收发器。

图3示出了ED 110和基站170a、基站170b和/或基站170c的另一个示例。ED 110用于连接人、物体、机器等。ED 110可以广泛用于各种场景，例如蜂窝通信、设备到设备(device-to-device，D2D)、车联网(vehicle to everything，V2X)、点对点(peer-to-peer，P2P)、机器到机器(machine-to-machine，M2M)、机器类通信(machine-typecommunication，MTC)、物联网(Internet of things，IOT)、虚拟现实(virtual reality，VR)、增强现实(augmented reality，AR)、工业控制、自动驾驶、远程医疗、智能电网、智能家具、智能办公、智能可穿戴设备、智能交通、智慧城市、无人机、机器人、遥感、被动感测、定位、导航和跟踪、自主递送和移动性等。

每个ED 110表示任何合适的用于无线操作的终端用户设备，并且可以包括如下设备(或可以称为)：用户设备(user equipment/device，UE)、无线发送/接收单元(wirelesstransmit/receive unit，WTRU)、移动台、固定或移动用户单元、蜂窝电话、站点(station，STA)、机器类通信(machine type communication，MTC)设备、个人数字助理(personaldigital assistant，PDA)、智能手机、笔记本电脑、计算机、平板电脑、无线感测器、消费型电子设备、智能书籍、车辆、汽车、卡车、公共汽车、火车或IoT设备、工业设备或在上述设备中的装置(例如通信模块、调制解调器、或芯片)，等等。下一代ED 110可以使用其它术语来指代。基站170a和基站170b是T-TRP，在下文称为T-TRP 170。也如图3所示，NT-TRP在下文称为NT-TRP 172。连接到T-TRP 170和/或NT-TRP 172的每个ED 110可以响应连接可用性和连接必要性中的一项或多项动态或半静态地开启(即，建立、激活或启用)、关闭(即，释放、去激活或禁用)和/或配置。

ED 110包括耦合到一个或多个天线204的发送器201和接收器203。仅示出了一个天线204。其中一个、部分或全部天线也可以是面板。发送器201和接收器203可以集成，例如集成为收发器。收发器用于对数据或其它内容进行调制，以便通过至少一个天线204或网络接口控制器(network interface controller，NIC)进行传输。收发器还用于对通过至少一个天线204接收的数据或其它内容进行解调制。每个收发器包括用于生成进行无线或有线传输的信号和/或用于处理通过无线或有线方式接收到的信号的任何合适的结构。每个天线204包括用于发送和/或接收无线信号或有线信号的任何合适的结构。

ED 110包括至少一个存储器208。存储器208存储ED 110使用、生成或收集的指令和数据。例如，存储器208可以存储软件指令或模块，所述软件指令或模块用于实现本文所述的一些或全部功能和/或实施例，并由一个或多个处理单元210执行。每个存储器208包括任何合适的一个或多个易失性和/或非易失性存储与检索设备。可以使用任何合适类型的存储器，例如，随机存取存储器(random access memory，RAM)、只读存储器(read onlymemory，ROM)、硬盘、光盘、用户识别模块(subscriber identity module，SIM)卡、记忆棒、安全数字(secure digital，SD)存储卡、处理器上缓存等。

ED 110还可以包括一个或多个输入/输出设备(未示出)或接口(例如，图1所示的连接到互联网150的有线接口)。输入/输出设备支持与网络中的用户或其它设备进行交互。每个输入/输出设备包括用于向用户提供信息或从用户接收信息的任何合适的结构，如扬声器、麦克风、小键盘、键盘、显示器或触摸屏，包括网络接口通信。

ED 110还包括处理器210，处理器210用于执行包括以下操作的操作：与准备用于到NT-TRP 172和/或T-TRP 170的上行传输的传输相关的操作、与处理从NT-TRP 172和/或T-TRP 170接收的下行传输相关的操作，以及与处理到另一个ED 110和来自另一个ED 110的侧行链路传输相关的操作。与准备用于上行传输的传输相关的处理操作可以包括编码、调制、发送波束成形和生成用于传输的符号等操作。与处理下行传输相关的处理操作可以包括接收波束成形、解调制和解码接收到的符号等操作。根据实施例，下行传输可以由接收器203接收，可能通过接收波束成形的方式。处理器210可以从下行传输中提取信令(例如，通过检测和/或解码信令)。信令的示例可以是由NT-TRP 172和/或T-TRP 170发送的参考信号。在一些实施例中，处理器276基于从T-TRP 170接收的波束方向的指示，例如波束角度信息(beam angle information，BAI)，实现发送波束成形和/或接收波束成形。在一些实施例中，处理器210可以执行与网络接入(例如，初始接入)和/或下行同步相关的操作，例如，与检测同步序列、解码和获取系统信息等相关的操作。在一些实施例中，处理器210可以执行信道估计，例如，使用从NT-TRP 172和/或T-TRP 170接收的参考信号。

尽管未示出，处理器210可以构成发送器201和/或接收器203的一部分。尽管未示出，存储器208可以构成处理器210的一部分。

处理器210以及发送器201和接收器203的处理组件各自可以由相同或不同的一个或多个处理器实现，所述一个或多个处理器用于执行存储在存储器(例如，存储器208)中的指令。或者，处理器210以及发送器201和接收器203中的处理组件中的部分或全部可以使用编程的现场可编程门阵列(field-programmable gate array，FPGA)、图形处理单元(graphical processing unit，GPU)或专用集成电路(application-specific integratedcircuit，ASIC)等专用电路来实现。

T-TRP 170在一些实现方式中可能有其它名称，例如基站、基站收发站(basetransceiver station，BTS)、无线基站、网络节点、网络设备、网络侧设备、发送/接收节点、NodeB、演进型NodeB(evolved NodeB或eNB)、家庭eNodeB、下一代NodeB(Next GenerationNodeB，gNB)、传输点(transmission point，TP)、站点控制器、接入点(access point，AP)，或无线路由器、中继站、远程射频头、地面节点、地面网络设备，或地面基站、基带单元(baseband unit，BBU)，远程射频单元(remote radio unit，RRU)、有源天线单元(activeantenna unit，AAU)、远程射频头(remote radio head，RRH)、中央单元(central unit，CU)、分配单元(distribute unit，DU)、定位节点等等。T-TRP 170可以是宏BS、迷你BS、中继节点、施主节点等或其组合。T-TRP 170可以指上述设备或上述设备中的装置(例如通信模块、调制解调器或芯片)。

在一些实施例中，T-TRP 170的各个部分可以是分布式的。例如，T-TRP 170的一些模块可以远离容纳T-TRP 170天线的设备，并且可以通过有时被称为前向回传的通信链路(未示出)(例如通用公共无线接口(common public radio interface，CPRI))耦合到容纳天线的设备。因此，在一些实施例中，术语T-TRP 170还可以指网络侧执行处理操作的模块，所述处理操作例如确定ED 110的位置、资源分配(调度)、消息生成和编码/解码等模块，这些模块不一定是容纳T-TRP 170天线的设备的一部分。这些模块还可以耦合到其它T-TRP。在一些实施例中，T-TRP 170实际上可以是一起操作通过协作多点传输等方式服务ED 110的多个T-TRP。

T-TRP 170包括耦合到一个或多个天线256的至少一个发送器252和至少一个接收器254。仅示出了一个天线256。其中一个、部分或全部天线也可以是面板。发送器252和接收器254可以集成为收发器。T-TRP 170还包括处理器260，用于执行包括与以下各项相关的操作的操作：准备用于到ED 110的下行传输的传输、处理从ED 110接收的上行传输、准备到NT-TRP 172的回传传输的传输以及处理从NT-TRP 172通过回传接收的传输。与准备用于下行传输或回传传输的传输相关的处理操作可以包括编码、调制、预编码(例如MIMO预编码)、发送波束成形以及生成用于传输的符号等操作。与处理在上行链路中或通过回传接收的传输相关的处理操作可以包括接收波束成形、解调制和解码接收到的符号等操作。处理器260还可以执行与网络接入(例如，初始接入)和/或下行同步相关的操作，例如，生成同步信号块(synchronization signal block，SSB)的内容、生成系统信息等。在一些实施例中，处理器260还生成波束方向的指示，例如，BAI，调度器253可以对波束方向的指示进行调度以进行传输。处理器260执行本文描述的其它网络侧处理操作，例如，确定ED 110的位置、确定部署NT-TRP 172的位置等。在一些实施例中，处理器260可以生成信令，例如，以配置ED 110的一个或多个参数和/或NT-TRP 172的一个或多个参数。由处理器260生成的任何信令都由发送器252发送。需要说明的是，本文中使用的“信令”也可以称为控制信令。动态信令可以在控制信道(例如，物理下行控制信道(physical downlink control channel，PDCCH))中发送，静态或半静态较高层信令可以包括在数据信道(例如，物理下行共享信道(physicaldownlink shared channel，PDSCH))中发送的数据包中。

调度器253可以耦合到处理器260。调度器253可以包括在T-TRP 170内或与T-TRP170分开操作，其可以调度上行传输、下行传输和/或回传传输，包括发布调度授权和/或配置无调度(“配置授权”)资源。T-TRP 170还包括用于存储信息和数据的存储器258。存储器258存储由T-TRP 170使用、生成或收集的指令和数据。例如，存储器258可以存储用于实现本文中描述的部分或全部功能和/或实施例并由处理器260执行的软件指令或模块。

尽管未示出，处理器260可以构成发送器252和/或接收器254的一部分。此外，尽管未示出，处理器260可以实现调度器253。尽管未示出，存储器258可以构成处理器260的一部分。

处理器260、调度器253以及发送器252和接收器254的处理组件各自可以由相同或不同的一个或多个处理器实现，所述一个或多个处理器用于执行存储在存储器(例如，存储器258)中的指令。或者，处理器260、调度器253以及发送器252和接收器254中的处理组件中的部分或全部可以使用FPGA、GPU或ASIC等专用电路来实现。

尽管NT-TRP 172仅作为示例示出为无人机，但NT-TRP 172可以以任何合适的非地面形式来实现。此外，NT-TRP 172在一些实现方式中可能有其它名称，例如，非地面节点、非地面网络设备或非地面基站。NT-TRP 172包括耦合到一个或多个天线280的发送器272和接收器274。仅示出了一个天线280。其中一个、部分或全部天线也可以是面板。发送器272和接收器274可以集成为收发器。NT-TRP 172还包括处理器276，用于执行包括与以下各项相关的操作的操作：准备用于到ED 110的下行传输的传输、处理从ED 110接收的上行传输、准备用于到T-TRP 170的回传传输的传输以及处理从T-TRP 170通过回传接收的传输。与准备用于下行传输或回传传输的传输相关的处理操作可以包括编码、调制、预编码(例如MIMO预编码)、发送波束成形以及生成用于传输的符号等操作。与处理在上行链路中或通过回传接收的传输相关的处理操作可以包括接收波束成形、解调制和解码接收到的符号等操作。在一些实施例中，处理器276基于从T-TRP 170接收的波束方向信息(例如，BAI)实现发送波束成形和/或接收波束成形。在一些实施例中，处理器276可以生成信令，例如以配置ED 110的一个或多个参数。在一些实施例中，NT-TRP 172实现物理层处理，但不实现介质访问控制(medium access control，MAC)或无线链路控制(radio link control，RLC)层的功能等较高层功能。由于这只是一个示例，更一般而言，NT-TRP 172除了实现物理层处理之外还可以实现较高层的功能。

NT-TRP 172还包括用于存储信息和数据的存储器278。尽管未示出，处理器276可以构成发送器272和/或接收器274的一部分。尽管未示出，存储器278可以是处理器276的一部分。

处理器276以及发送器272和接收器274的处理组件各自可以由相同或不同的一个或多个处理器实现，所述一个或多个处理器用于执行存储在存储器(例如，存储器278)中的指令。或者，处理器276以及发送器272和接收器274中的处理组件中的部分或全部可以使用编程的FPGA、GPU或ASIC等专用电路来实现。在一些实施例中，NT-TRP 172实际上可以是一起操作以通过协作多点发送等方式服务ED 110的多个NT-TRP。

需要说明的是，此处使用的“TRP”可以指T-TRP或NT-TRP。

T-TRP 170、NT-TRP 172和/或ED 110可以包括其它组件，但为了清楚起见，省略了这些组件。

本文中提供的实施例方法的一个或多个步骤可以由图4提供的对应单元或模块执行。图4示出了ED 110、T-TRP 170或NT-TRP 172等设备中的单元或模块。例如，信号可以由发送单元或发送模块进行发送。例如，信号可以由发送单元或发送模块进行发送。信号可以由接收单元或接收模块进行接收。信号可以由处理单元或处理模块进行处理。其它步骤可以由人工智能(artificial intelligence，AI)或机器学习(machine learning，ML)模块执行。相应的单元或模块可以使用硬件、执行软件的一个或多个组件或设备或其组合来实现。例如，单元或模块中的一个或多个可以是集成电路，例如编程的FPGA、GPU或ASIC。应当理解的是，如果上述模块使用供处理器等执行的软件实现，则这些模块可以由处理器根据需要全部或部分检索，以一个或多个实例单独或集体用于处理，并且这些模块本身可以包括用于进一步部署和实例化的指令。

关于ED 110、T-TRP 170和NT-TRP 172的其它详细内容是本领域技术人员已知的。因此，这里省略了这些详细内容。

本文在一些实施例中对控制信令进行讨论。控制信令有时可以称为信令、或控制信息、或配置信息或配置。在某些情况下，可以动态地指示控制信令，例如在控制信道中在物理层中指示。动态指示的控制信令的一个示例是在物理层控制信令中发送的信息，例如，下行控制信息(downlink control information，DCI)。控制信令有时可以替代地被半静态指示，例如在RRC信令中或在MAC控制元素(control element，CE)中。动态指示可以是在较低层(例如，物理层或第1层信令中(如DCI中)的指示，而不是在较高层中的指示(例如，而不是在RRC信令或MAC CE中)。半静态指示可以是半静态信令中的指示。如本文所使用的半静态信令可以是指非动态信令，例如，较高层信令、RRC信令和/或MAC CE。如本文所使用的动态信令可以是指动态的信令，例如，在物理层中发送的物理层控制信令，如DCI。

空口通常包括多个组件和相关参数，这些组件和相关参数共同指定如何通过两个或两个以上通信设备之间的无线通信链路发送和/或接收传输。例如，空口可以包括定义用于在无线通信链路上传输信息(例如数据)的一个或多个波形、一个或多个帧结构、一个或多个多址方案、一个或多个协议、一个或多个编码方案和/或一个或多个调制方案的一个或多个组件。无线通信链路可以支持无线接入网和用户设备之间的链路(例如“Uu”链路)，和/或无线通信链路可以支持设备和设备之间的链路，例如两个用户设备之间的链路(例如“侧行链路”)，和/或无线通信链路可以支持非地面(non-terrestrial，NT)通信网络和用户设备(user equipment，UE)之间的链路。以下是上述组件的一些示例：

·波形组件可以指定正在发送的信号的形状和形式。波形选项可以包括正交多址波形和非正交多址波形。这种波形选项的非限制性示例包括正交频分复用(OrthogonalFrequency Division Multiplexing，OFDM)、滤波OFDM(Filtered OFDM，f-OFDM)、时间窗OFDM、滤波器组多载波(Filter Bank Multicarrier，FBMC)、通用滤波多载波(UniversalFiltered Multicarrier，UFMC)、广义频分复用(Generalized Frequency DivisionMultiplexing，GFDM)、小波包调制(Wavelet Packet Modulation，WPM)、超奈奎斯特(Faster Than Nyquist，FTN)波形和低峰平均功率比波形(low Peak to Average PowerRatio Waveform，low PAPR WF)。

·帧结构组件可以指定帧或帧组的配置。帧结构组件可以指示帧或帧组的时间、频率、导频签名、代码或其它参数中的一个或多个参数。下文将讨论帧结构的更多细节。

·多址方案组件可以指定多址技术选项，包括定义通信设备如何共享公共物理信道的技术，例如：时分多址(Time Division Multiple Access，TDMA)、频分多址(FrequencyDivision Multiple Access，FDMA)、码分多址(Code Division Multiple Access，CDMA)、单载波频分多址(Single Carrier Frequency Division Multiple Access，SC-FDMA)、低密度签名多载波码分多址(Low Density Signature Multicarrier Code DivisionMultiple Access，LDS-MC-CDMA)、非正交多址(Non-Orthogonal Multiple Access，NOMA)、图分多址(Pattern Division Multiple Access，PDMA)、格分多址(Lattice PartitionMultiple Access，LPMA)、资源扩展多址(Resource Spread Multiple Access，RSMA)和稀疏码多址(Sparse Code Multiple Access，SCMA)。此外，多址技术选项可以包括：调度接入与非调度接入，也称为免授权接入；非正交多址接入与正交多址接入，例如，通过专用信道资源(例如，多个通信设备之间不共享)；基于竞争的共享信道资源与非基于竞争的共享信道资源，以及基于认知无线的接入。

·混合自动重传请求(hybrid automatic repeat request，HARQ)协议组件可以指定如何进行传输和/或重传。传输和/或重传机制选项的非限制性示例包括指定调度数据管道大小、用于传输和/或重传的信令机制以及重传机制的选项。

·编码和调制组件可以指定如何对发送的信息进行编码/解码和调制/解调制以进行发送/接收。编码可以指错误检测和前向纠错的方法。编码选项的非限制性示例包括涡轮格形码、涡轮乘积码、喷泉码、低密度奇偶校验码和极化码。调制可以简单地指星座(例如，包括调制技术和阶数)，或者更具体地指各种类型的高级调制方法，如分层调制和低PAPR调制。

在一些实施例中，空口可以是“一刀切的概念”。例如，一旦定义了空口，就无法更改或调整空口内的组件。在一些实现方式中，只能配置空口的有限参数或模式，例如循环前缀(cyclic prefix，CP)长度或多输入多输出(multiple input multiple output，MIMO)模式。在一些实施例中，空口设计可以提供统一或灵活的框架，以支持6GHz以下和6GHz以上的频率(例如，毫米波)频段，用于许可和非许可接入。例如，由可扩展的系统参数(numerology)和符号持续时间提供的可配置空口的灵活性可以支持针对不同频谱段和不同服务/设备优化传输参数。作为另一个示例，统一空口可以在频域上自包含，频域自包含设计可以通过频率和时间上不同的业务之间的信道资源共享来支持更灵活的无线接入网(radio access network，RAN)切片。

帧结构

帧结构是无线通信物理层的特征，定义了时域信号传输结构，例如，实现基本时域传输单元的定时参考和定时对齐。通信设备之间的无线通信可以发生在由帧结构控制的时频资源上。帧结构有时可以替代地称为无线帧结构。

根据帧结构和/或帧结构中帧的配置，有可能实现频分双工(frequency divisionduplex，FDD)通信和/或时分双工(time-division duplex，TDD)通信和/或全双工(fullduplex，FD)通信。FDD通信是指不同方向(例如，上行与下行)的传输发生在不同的频段中。TDD通信是指不同方向(例如，上行与下行)的传输发生在不同的时间段内。FD通信是指发送和接收发生在同一时频资源上，即设备可以在同一频率资源上同时进行发送和接收。

帧结构的一个示例是长期演进(long-termevolution，LTE)中的帧结构，其规格如下：每个帧的持续时间为10ms；每个帧有10个子帧，每个子帧的持续时间为1ms；每个子帧包括两个时隙，每个时隙的持续时间为0.5ms；每个时隙用于传输7个OFDM符号(假设常规CP)；每个OFDM符号具有符号持续时间和与子载波数量和子载波间隔相关的特定带宽(或部分带宽或带宽分区)；帧结构基于OFDM波形参数，如子载波间隔和CP长度(其中，CP具有固定长度或有限长度选项)；TDD中上行链路与下行链路之间的切换间隙必须是OFDM符号持续时间的整数倍。

帧结构的另一个示例是新空口(new radio，NR)中的帧结构，其规格如下：支持多个子载波间隔，每个子载波间隔对应各自的系统参数；帧结构取决于系统参数，但在任何情况下，帧长度设置为10ms，由10个各为1ms的子帧组成；时隙定义为14个OFDM符号，时隙长度取决于系统参数。例如，常规CP 15kHz子载波间隔(“系统参数1”)的NR帧结构和常规CP30kHz子载波间隔(“系统参数2”)的NR帧结构不同。对于15kHz子载波间隔，时隙长度为1ms；对于30kHz子载波间隔，时隙长度为0.5ms。NR帧结构可以比LTE帧结构具有更高的灵活性。

帧结构的另一个示例是示例性灵活帧结构，例如用于6G网络或更高版本的网络。在灵活帧结构中，符号块可以定义为可以在灵活帧结构中调度的最小持续时间。符号块可以是具有可选的冗余部分(例如CP部分)和信息(例如数据)部分的传输单元。OFDM符号是符号块的示例。符号块也可以称为符号。灵活帧结构的实施例包括不同的可配置参数，例如，帧长度、子帧长度、符号块长度等。在灵活帧结构的一些实施例中，可能的可配置参数的非详尽列表包括：

(1)帧：帧长度不需要限制在10ms，帧长度可以是可配置的，并随着时间的推移而变化。在一些实施例中，每个帧包括一个或多个下行同步信道和/或一个或多个下行广播信道，每个同步信道和/或广播信道可以通过不同的波束成形在不同的方向上发送。帧长度可以是一个以上可能值，并根据应用场景配置。例如，自动驾驶车辆可能需要相对较快的初始接入，在这种情况下，针对自动驾驶车辆应用的帧长度可以设置为5ms。又如，房屋上的智能电表可能不需要快速初始接入，在这种情况下，针对智能电表应用的帧长度可以设置为20ms。

(2)子帧时长：子帧可以在灵活帧结构中定义，也可以不在灵活帧结构中定义，具体取决于实现。例如，帧可以被定义为包括时隙，但不包括子帧。在定义了子帧的帧中，例如，用于时域对齐，则子帧的时长可以是可配置的。例如，子帧长度可以配置为0.1ms或0.2ms或0.5ms或1ms或2ms或5ms等。在一些实施例中，如果在特定场景中不需要子帧，则子帧长度可以被定义为与帧长度相同，也可以不定义。

(3)时隙配置：时隙可以在灵活帧结构中定义，也可以不在灵活帧结构中定义，具体取决于实现方式。在定义了时隙的帧中，则时隙的定义(例如，在时长和/或符号块的数量上)可以是可配置的。在一个实施例中，时隙配置对所有UE或一组UE是共有的。对于这种情况，时隙配置信息可以在广播信道或一个或多个公共控制信道中发送到UE。在其它实施例中，时隙配置可以是UE特定的，在这种情况下，时隙配置信息可以在UE特定的控制信道中发送。在一些实施例中，时隙配置信令可以与帧配置信令和/或子帧配置信令一起发送。在其它实施例中，时隙配置可以独立于帧配置信令和/或子帧配置信令发送。通常，时隙配置可以是系统共有、基站共有、UE组共有或UE特定的。

(4)子载波间隔(subcarrier spacing，SCS)：SCS是可扩展系统参数的一个参数，其可以支持SCS的可能范围从15kHz到480kHz。SCS可以随着频谱的频率和/或最大UE速度而变化，以最小化多普勒频偏和相位噪声的影响。在一些示例中，可以存在单独的发送帧和接收帧，并且可以独立于发送帧结构中的符号的SCS来配置接收帧结构中的符号的SCS。接收帧中的SCS可能与发送帧中的SCS不同。在一些示例中，每个发送帧的SCS可以是每个接收帧的SCS的一半。如果接收帧和发送帧之间的SCS不同，则差异不一定必须按2倍缩放，例如，如果使用离散傅里叶反变换(inverse discrete Fourier transform，IDFT)而不是快速傅里叶变换(fast Fourier transform，FFT)来实现更灵活的符号持续时间。帧结构的其它示例可用于不同的SCS。

(5)基本传输单元的灵活传输时长：基本传输单元可以是符号块(或者称为符号)，其通常包括冗余部分(称为CP)和信息(例如数据)部分，尽管在一些实施例中可以在符号块中省略CP。CP长度可以是灵活的和可配置的。CP长度可以在帧内是固定的，也可以在帧内是灵活的，CP长度可以随帧而改变，或随帧组而改变，或随子帧而改变，或随时隙而改变，或动态地随调度而改变。信息(例如数据)部分可以是灵活的和可配置的。与可以定义的符号块有关的另一个可能的参数是CP持续时间与信息(例如数据)持续时间的比率。在一些实施例中，符号块长度可以根据以下因素来调整：信道条件(例如多径延迟、多普勒)；和/或延迟要求；和/或可用持续时间。又如，可以调整符号块长度以适应帧中的可用时长。

(6)灵活切换间隙：帧可以包括用于来自基站的下行传输的下行部分和用于来自UE的上行传输的上行部分。每个上行部分和下行部分之间可以存在间隙，其被称为切换间隙。切换间隙长度(时长)可以是可配置的。切换间隙时长可以在帧内是固定的，也可以在帧内是灵活的，切换间隙时长可以随帧而改变，或随帧组而改变，或随子帧而改变，或随时隙而改变，或动态地随调度而改变。

小区/载波/带宽部分(bandwidth part，BWP)/占用带宽

设备(如基站)可以在小区上提供覆盖。与设备的无线通信可以在一个或多个载波频率上进行。载波频率称为载波。载波还可以称为分量载波(component carrier，CC)。载波可以通过其带宽和参考频率来表征，例如，载波的中心频率或最低频率或最高频率。载波可以在授权频谱上，也可以在非授权频谱上。与设备的无线通信也可以或替代地在一个或多个带宽部分(bandwidth part，BWP)上进行。例如，载波可以具有一个或多个BWP。一般而言，与设备的无线通信可以在频谱上进行。频谱可以包括一个或多个载波和/或一个或多个BWP。

小区可以包括一个或多个下行资源和可选的一个或多个上行资源，或者小区可以包括一个或多个上行资源和可选的一个或多个下行资源，或者小区可以同时包括一个或多个下行资源和一个或多个上行资源。例如，小区可以只包括一个下行载波/BWP，或者只包括一个上行载波/BWP，或者包括多个下行载波/BWP，或者包括多个上行载波/BWP，或者包括一个下行载波/BWP和一个上行载波/BWP，或者包括一个下行载波/BWP和多个上行载波/BWP，或者包括多个下行载波/BWP和一个上行载波/BWP，或者包括多个下行载波/BWP和多个上行载波/BWP。在一些实施例中，小区可以替代地或附加地包括一个或多个侧行链路资源，包括侧行链路发送和接收资源。

BWP是载波上的一组连续或非连续频率子载波，或多个载波上的一组连续或非连续频率子载波，或可以具有一个或多个载波的一组非连续或连续频率子载波。

在一些实施例中，载波可以具有一个或多个BWP，例如，载波可以具有20MHz的带宽且包括一个BWP，或者载波可以具有80MHz的带宽且包括两个相邻的连续BWP。在其它实施例中，BWP可以具有一个或多个载波，例如，BWP可以具有40MHz的带宽且包括两个相邻的连续载波，其中每个载波具有20MHz的带宽。在一些实施例中，BWP可以包括由非连续多个载波组成的非连续频谱资源，其中非连续多个载波的第一载波可以在mmW频段，第二载波可以在低频段(例如2GHz频段)，第三载波(如果存在)可以在太赫兹波段，第四载波(如果存在)可以在可见光波段。属于BWP的一个载波中的资源可以是连续的，也可以是非连续的。在一些实施例中，BWP在一个载波上具有非连续的频谱资源。

无线通信可以在占用带宽上进行。占用带宽可以定义为频带的宽度，使得在频率下限以下和频率上限以上，发送的平均功率均等于总平均发送功率的特定百分比β/2，例如，β/2的取值为0.5％。

载波、BWP和/或占用带宽可以由网络设备(例如，基站)动态地(例如，在下行控制信息(downlink control information，DCI)等物理层控制信令中)用信号进行指示，或半静态地(例如，在无线资源控制(radio resource control，RRC)信令或在介质访问控制(medium access control，MAC)层中)用信号进行指示，或根据应用场景预定义；或由UE根据UE已知的其它参数确定，或者可以是固定的(例如按照标准)。

链路自适应

无线通信的一个关键特征是瞬时信道条件的快速和显著变化。为了处理瞬时无线链路质量的变化，典型的方案是通过速率控制进行链路自适应，其根据瞬时CSI调整调制方案和/或信道编码速率。

例如，图5是用于BS170和UE 110之间的下行通信的典型链路自适应过程的示例的信号流图300。

链路自适应过程从BS170在310处向UE 110发送信道状态信息参考信号(ChannelState Information Reference Signal，CSI-RS)开始。

在312处，UE 110接收CSI-RS并估计信道质量指示(Channel Quality Indicator，CQI)。例如，UE 110可以通过确定满足以下条件的最高CQI索引来估计CQI：可以以不超过目标误块率(Block Error Rate，BLER)的传输块错误概率来接收单个物理下行共享信道(physical downlink shared channel，PDSCH)传输块，该传输块具有与CQI索引相对应的调制方案、目标编码速率和传输块大小的组合并且占用称为CSI参考资源的一组下行物理资源块。例如，对于正常通信，目标BLER可以是0.1；对于高可靠低延迟通信(UltraReliable Low Latency Communication，URLLC)，目标BLER可以是0.00001。

在某些情况下，UE 110可以参考将CQI索引映射到调制阶数、编码速率和效率的CQI表，以便确定满足上述条件的最高CQI索引。例如，下面的表1描述了3GPP TS 38.214版本16.3.0版本16(2020年11月1日)中的4位CQI表5.2.2.1-2。

表1

在314处，UE 110向BS170发送CSI，该CSI包括在312处确定的CQI索引。除了在312处确定的CQI索引之外，在314处发送的CSI还包括预编码矩阵指示(Pre-coding MatrixIndicator，PMI)和秩指示(Rank Indicator，RI)。

在316处，BS170根据接收到的CQI索引、PMI和RI执行频率选择性调度，以便调度传输块到UE的下行传输，并选择与用于传输块传输的调制阶数、目标编码速率和时频资源的组合相对应的MCS索引。

在318处，BS170向UE发送指示所选择的MCS索引和时频资源的下行控制信息(Downlink Control Information，DCI)。

在一些情况下，MCS索引可以根据MCS索引表映射到调制阶数、编码速率和效率，例如下面表2中描述的MCS索引表，其对应于3GPP TS 38.214版本16.3.0版本16(2020年11月1日)中物理下行共享信道(physical downlink shared channel，PDSCH)的MCS索引表5.1.3.1-1。UE 110和BS170可各自存储这样的MCS索引表的副本并参考其以确定与给定MCS索引相对应的调制阶数和编码速率。

在320处，UE 110接收DCI并对DCI调度的PDSCH进行解码，这涉及基于与DCI指示的MCS索引相对应的调制阶数和编码速率来计算传输块大小(Transport Block Size，TBS)。

在322处，UE 110向BS170发送应答/否定应答(Acknowledgement/NegativeAcknowledgement，ACK/NACK)反馈，以指示用于调度下行传输的PDSCH是否成功解码。例如，如果相应的PDSCH已正确解码，则UE 110可以向BS170发送应答(Acknowledgement，ACK)指示，否则，UE可以向BS170发送否定应答(Negative Acknowledgement，NACK)指示。

在322处，BS170从UE 110接收ACK/NACK反馈。如果是ACK，则本次传输完成。如果是NACK，则如324所示，BS170执行开环链路自适应(open loop link adaptation，OLLA)以调整MCS索引和时频资源，并如326处所示启动重传过程。

表2

图5中所示的传统链路自适应过程具有几个问题/限制。

例如，传统链路自适应过程的第一个问题与数据调度的时间和生成CSI测量/报告的时间之间的固有延迟有关，即数据调度所基于的CSI不是实时的。由于突发干扰和信道衰落，信道质量可能在此延迟间隔期间发生变化，从而导致调度性能较差。例如，如果BS170和UE 110之间的实时信道条件在UE 110在312处估计CQI的时间和BS170在318处向UE 110发送调度传输的时间之间得到了改善，那么，由于信道条件改善而可用的增加的信道容量将被浪费，因为BS170在316处为调度传输选择的MCS对应于在312处估计的CQI。例如，如果信道条件改善得足够显著，使得UE 110将在312处估计出与较高调制阶数和/或编码速率相对应的不同CQI索引(如果在那时存在改善的信道条件)；在将较高的调制阶数和/或编码速率用于调度的传输的情况下可能的额外的吞吐量则会被浪费。另一方面，如果BS170和UE 110之间的实时信道条件替代地在UE 110在312处估计CQI的时间和BS170在318处向UE 110发送调度传输的时间之间恶化，则UE 110可能无法成功接收调度传输，因为其使用的调制阶数和/或编码速率对于实时信道条件来说太高。无法成功接收初始传输可能导致重传，如在326处所示的，如果316处的初始传输改为使用反映劣化的信道条件的较低调制阶数和/或编码速率，则可能避免重传。

传统链路自适应过程的第二个问题是在当前调制编码方案(modulation andcoding scheme，MCS)中可用的编码速率集的数量有限。例如，5G新空口(New Radio，NR)中只有29个编码速率候选值可用。然而，在许多情况下，最佳编码速率可能不在候选值集中。例如，信道条件可以使得可能通过信道成功接收的最高编码速率落在候选值集中的两个可用编码速率值之间，但是可能使用在“理想”最高编码速率落入的候选值集中的两个可用编码速率值中的较低的编码速率，导致信道容量浪费。

传统链路自适应过程的第三个问题与频率选择性调度的粗粒度有关。例如，在5GNR中，调度资源的传输块(transport block，TB)仅使用一个MCS值，这意味着不可能使用子带级MCS选择(例如，不同子带中使用不同调制阶数和/或编码速率)的子带调度。

人工智能(Artificial Intelligence，AI)和/或机器学习(Machine Learning，ML)

未来无线网络中的新设备数量预计将呈指数级增长，设备的功能预计将变得越来越多样化。此外，预计将出现许多新的应用和用例，其服务质量需求比5G应用/用例更加多样化。这将为未来的无线网络(例如6G网络)带来新的关键性能指标(key performanceindication，KPI)，这可能极具挑战性。ML技术(例如深度学习)等人工智能技术已被引入电信应用，旨在提高系统性能和效率。

此外，天线和带宽能力不断取得进步，从而允许通过无线链路进行可能更多和/或更好的通信。此外，计算机架构和计算能力领域不断取得进步，例如，通用图形处理单元(general-purpose graphics processing unit，GP-GPU)的引入。未来几代通信设备可能比前几代具有更高的计算和/或通信能力，这可能允许采用人工智能来实现空口组件。未来几代网络还可以获得更准确和/或新的信息(与以前的网络相比)，这些信息可能构成AI模型输入的基础，例如：设备移动的物理速度/速度、设备的链路预算、设备的信道条件、一种或多种待支持的设备能力和/或业务类型、感测信息和/或定位信息等等。为了获得感测信息，TRP可以向目标对象(例如可疑的UE)发送信号，并且基于信号的反射，TRP或另一个网络设备计算角度(用于设备的波束成形)、设备和TRP的距离和/或多普勒频偏信息。定位信息有时称为定位，并且可以以各种方式获得，例如，来自UE的定位报告(例如UE的GPS坐标的报告)、使用定位参考信号(positioning reference signal，PRS)、使用上述感测、跟踪和/或预测设备的位置等。

AI技术(包括ML技术)可以应用于通信中，包括物理层中的基于AI的通信和/或MAC层中的基于AI的通信。对于物理层，AI通信可以旨在优化组件设计和/或提高算法性能。例如，可以应用AI来实现：信道编码、信道建模、信道估计、信道解码、调制、解调制、MIMO、波形、多址、物理层元素参数优化和更新、波束形成、跟踪、感测和/或定位等。对于MAC层，AI通信可以旨在利用AI能力来学习、预测和/或做出决策，以使用可能的更好策略和/或最佳方案来解决复杂的优化问题，例如优化MAC层中的功能。例如，可以应用AI来实现：智能TRP管理、智能波束管理、智能信道资源分配、智能功率控制、智能频谱利用、智能MCS、智能HARQ策略和/或智能发送/接收模式自适应等。

在一些实施例中，AI架构可以涉及多个节点。多个节点可以以集中式和分布式两种模式中的一种组织，这两种模式都可以部署在接入网、核心网、边缘计算系统或第三方网络中。集中式训练和计算架构会受到可能较大的通信开销和严格的用户数据隐私的限制。分布式训练和计算架构可以包括若干个框架，例如分布式机器学习和联合学习。在一些实施例中，AI架构可以包括智能控制器，其可以基于联合优化或单独优化作为单个代理或多代理来执行。需要新的协议和信令机制，以便可以使用定制参数对相应的接口链路进行个性化，以满足特定要求，同时最小化通过个性化AI技术的信令开销并最大化整个系统频谱效率。

在本文的一些实施例中，提供了新的协议和信令机制，用于在不同操作模式内进行操作以及在不同操作模式之间进行切换以用于链路自适应，包括在训练和正常操作模式之间，以及用于测量和反馈，以适应可能需要反馈的不同可能的测量和信息，这取决于实现方式。

支持AI的链路自适应

本发明描述了使用AI/ML以避免或至少减轻传统链路自适应过程中的一个或多个上述问题的方式提供设备特定的通信链路优化的链路自适应过程的示例。例如，如下文进一步详细讨论的，在本文描述的一些实施例中，一对通信设备各自具有ML模块，该ML模块经过训练基于相应设备处的当前信道状态信息来预测相同的最佳实时MCS。在这些实施例中，与传统的链路自适应过程相比，与从接收设备到发送设备的用于MCS选择的反馈相关联的开销可以大大减少，因为一旦ML模块经过训练，ML模块就可以完成MCS选择，而无需持续反馈信道状态信息，例如可用于传统链路自适应过程中的MCS选择的CQI、PMI、RI、参考信号接收功率、SINR等。在本文描述的其它实施例中，一对通信设备各自具有ML模块，该ML模块经过训练基于分配的RB和信道状态信息(CQI、PMI、RI、RSRP、SINR等)来预测相同的最佳实时MCS，使得接收设备(例如，UE)可以基于已在其上调度传输的分配的RB和接收设备处的当前信道状态信息来准确预测由发送设备(例如TRP)用于调度传输的MCS。如下文进一步详细讨论的，在这些实施例中，在每个设备处用于MCS预测的ML模块可以通过训练来预测包括TB级调制阶数和TB级编码速率、一个或多个子带级调制阶数和TB级编码速率，或者一个或多个子带级调制阶数和一个或多个子带级编码速率的MCS参数。在一些情况下，设备可以依赖于集中学习/训练(例如，所有学习都在网络中(例如，在基站或TRP中)集中完成)。在其它情况下，学习/训练可以基于联合学习，这是一种机器学习技术，其在多个分散的边缘设备或保存本地数据样本的服务器上训练算法，而不交换其数据样本。在另一些情况下，学习/训练可以另外或替代地涉及设备协作学习。

再次参见图1和图2，本发明的实施例可用于实现通信系统100中通信设备对之间的链路自适应。例如，图6示出了根据一个实施例的与通信系统100中的网络设备452通信的四个ED。四个ED各自示出为相应的不同UE，并且在下文将称为UE 402、UE 404、UE 406和UE408。但是，ED不一定需要是UE。

网络设备452是网络(例如，无线接入网120)的一部分。网络设备452可以部署在接入网、核心网、边缘计算系统或第三方网络中，具体取决于实现方式。网络设备452可以是T-TRP或服务器(或者是T-TRP或服务器的一部分)。在一个示例中，网络设备452可以是T-TRP170或NT-TRP 172(或在T-TRP 170或NT-TRP 172内实现)。在另一个示例中，网络设备452可以是T-TRP控制器和/或NT-TRP控制器，其可以管理T-TRP 170或NT-TRP 172。在一些实施例中，网络设备452的组件可以是分布式的。例如，如果网络设备452是服务于UE 402、UE 404、UE 406和UE 408的T-TRP的一部分，则UE 402、UE 404、UE 406和UE 408可以直接与网络设备452进行通信。可选地，UE 402、UE 404、UE 406和UE 408可以经由一个或多个中间组件(例如经由T-TRP和/或经由NT-TRP等)与网络设备352进行通信。例如，网络设备452可以通过插入在网络设备452和UE 402、UE 404、UE 406和UE 408之间的回程链路和无线信道向/从UE 402、UE 404、UE 406和UE 408中的一个或多个发送和/或接收信息(例如，控制信令、数据、训练序列等)。

每个UE 402、UE 404、UE 406和UE 408包括相应的处理器210、存储器208、发送器201、接收器203和一个或多个天线204(或者替代地面板)，如上所述。为了简单起见，仅示出了用于UE 402的处理器210、存储器208、发送器201、接收器203和天线204，但其它UE 404、UE 406和UE 408也包括相同的相应组件。

对于每个UE 402、UE 404、UE 406和UE 408，该UE与网络中相应TRP之间的通信链路是空口。空口通常包括许多组件和相关参数，这些组件和相关参数共同指定如何通过无线介质发送和/或接收传输。

图6中的UE的处理器210实现了UE侧的一个或多个空口组件。空口组件配置和/或实现通过空口的发送和/或接收。本文描述了空口组件的示例。空口组件可以在物理层中，例如，实现UE的空口编码组件的信道编码器(或解码器)，和/或实现UE的空口调制组件的调制器(或解调器)，和/或实现UE的空口波形组件的波形发生器等。空口组件可以在较高层中或其一部分，例如MAC层，例如实现信道预测/跟踪的模块，和/或实现重传协议的模块(例如实现UE的空口的HARQ协议组件的模块)等。处理器210还直接执行(或控制UE执行)本文描述的UE侧操作，例如，实现支持AI的链路自适应协议和关联训练(例如，执行信道状态测量、基于测量发送反馈等)。

网络设备452包括处理器454、存储器456和输入/输出设备458。处理器454实现或指示其它网络设备(例如T-TRP)实现网络侧的一个或多个空口组件。一个UE的空口组件可以在网络侧以与另一UE相比不同的方式实现。处理器454直接执行(或控制网络组件执行)本文描述的网络侧操作，例如，实现支持AI的链路自适应协议和关联训练。

处理器454可以由相同或不同的一个或多个处理器实现，所述一个或多个处理器用于执行存储在存储器(例如，存储器456)中的指令。或者，处理器454中的一些或全部可以使用专用电路来实现，例如编程的FPGA、GPU或ASIC。存储器456可以通过易失性和/或非易失性存储器来实现。可以使用任何合适类型的存储器，例如RAM、ROM、硬盘、光盘、处理器上高速缓存等。

输入/输出设备458允许通过接收(输入)和发送(输出)信息与其它设备交互。在一些实施例中，输入/输出设备458可以由发送器和/或接收器(或收发器)和/或一个或多个接口(例如有线接口，例如到内部网络或到互联网的接口等)实现。在一些实现方式中，输入/输出设备458可以由网络接口实现，网络接口可以实现为网络接口卡(network interfacecard，NIC)和/或计算机端口(例如，连接插头或电缆的物理插座)和/或网络插座等，具体取决于实现方式。

网络设备452和UE 402具有为网络设备452和UE 402之间的通信实现支持AI的链路自适应的能力。具体地，在图6的实施例中，网络设备452和UE 402分别包括ML模块410和460。ML模块410由UE 402的处理器210实现，ML模块460由网络设备452的处理器454实现，因此在图6中，ML模块410被示为在处理器210内，ML模块460被示出为在处理器454内。ML模块410和460执行一个或多个AI/ML算法以执行链路自适应，从而优化网络与UE 402之间的通信链路。

ML模块410和460可以使用AI模型来实现。术语AI模型可以是指用于接受定义的输入数据和输出定义的推断数据的计算机算法，其中算法的参数(例如，权重)可以通过训练(例如，使用训练数据集，或使用实际收集的数据)来更新和优化。AI模型可以使用一个或多个神经网络(例如，包括深度神经网络(deep neural network，DNN)、递归神经网络(recurrent neural network，RNN)、卷积神经网络(convolutional neural network，CNN)及其组合)并使用各种神经网络架构(例如，自动编码器、生成对抗网络等)来实现。可以使用各种技术来训练AI模型，以更新和优化其参数。例如，反向传播是训练DNN的常见技术，其中在DNN生成的推断数据和一些目标输出(例如，基准真相数据)之间计算损失函数。相对于DNN的参数计算损失函数的梯度，并且使用计算出的梯度(例如，使用梯度下降算法)来更新参数，以最小化损失函数。

在一些实施例中，AI模型包括用于机器学习的神经网络。神经网络由排列在一层或多层中的多个计算单元(也可以称为神经元)组成。在输入层接收输入并在输出层生成输出的过程可以称为前向传播。在前向传播中，每一层接收输入(可以具有任何合适的数据格式，例如向量、矩阵或多维数组)并执行计算以生成输出(其可以具有与输入不同的维度)。由层执行的计算通常涉及将输入应用(例如，乘以)一组权重(也称为系数)。除了神经网络的第一层(即输入层)之外，每一层的输入都是前一层的输出。神经网络可以包括第一层(即，输入层)和最后一层(即，输出层)之间的一个或多个层，所述一个或多个层可以称为内层或隐藏层。例如，图7描绘了包括输入层、输出层和两个隐藏层的神经网络700的示例。在该示例中，可以看出，神经网络700的输入层中的三个神经元中的每个神经元的输出包括在第一隐藏层中的三个神经元中的每个神经元的输入向量中。类似地，第一隐藏层的三个神经元中的每个神经元的输出包括在第二隐藏层的三个神经元中的每个神经元的输入向量中，并且第二隐藏层的三个神经元中的每个神经元的输出包括在输出层的两个神经元中的每个神经元的输入向量中。如上所述，神经网络中的基本计算单元是神经元，如图7中的800所示。图8示出了可用作神经网络700的构建块的神经元800的示例。如图8所示，在该示例中，神经元800将矢量x作为输入，并执行与相关联的权重向量w的点积。神经元的最终输出z是点积激活函数f()的结果。各种神经网络可以设计成具有各种架构(例如，各种数量的层，每个层执行各种功能)。

训练神经网络以优化神经网络的参数(例如权重)。这种优化是以自动的方式执行的，可以称为机器学习。神经网络的训练包括前向传播输入数据样本以生成输出值(也称为预测输出值或推断输出值)，并将生成的输出值与已知或期望的目标值(例如，基准真相值)进行比较。定义损失函数来定量表示生成的输出值与目标值之间的差值，训练神经网络的目标是最小化损失函数。反向传播是一种训练神经网络的算法。反向传播用于调整(也称为更新)神经网络中参数(例如权重)的值，使得计算出的损失函数变小。反向传播涉及计算损失函数相对于待优化参数的梯度，并使用梯度算法(例如梯度下降)来更新参数以减小损失函数。反向传播是迭代执行的，以便在多次迭代中收敛或最小化损失函数。在满足训练条件后(例如，损失函数已经收敛，或者已经执行了预定义次数的训练迭代)，会认为神经网络已经得到了训练。可以部署(或执行)经过训练的神经网络以根据输入数据生成推断的输出数据。在一些实施例中，即使在部署了神经网络之后，神经网络的训练也可以继续进行，使得神经网络的参数可以用最新的训练数据反复更新。

再次参考图6，在一些实施例中，UE 402和网络设备452可以出于训练的目的交换信息。UE 402和网络设备452之间交换的信息是实现方式特定的，并且其可能不具有人类可以理解的含义(例如，其可能是在ML算法的执行期间产生的中间数据)。也可以或替代地，交换的信息不是由标准预定义的，例如，可以交换比特，但比特可能不与预定义的含义相关联。在一些实施例中，网络设备452可以向UE 402提供或指示要在UE 402处实现的ML模块410中使用的一个或多个参数。作为一个示例，网络设备452可以发送或指示要在UE侧的ML模块410处执行的在神经网络中实现的更新的神经网络权重，以便尝试优化用于UE 402与T-TRP或NT-TRP之间通信的调制和/或编码的一个或多个方面。

在一些实施例中，UE 402本身可以实现与链路自适应相关的AI，例如执行学习。而在其它实施例中，UE 402本身可以不执行学习，但能够与网络侧的AI实现方式联合操作，例如，通过从网络接收由ML模块410实现的AI模型(例如神经网络或其它ML算法)的配置，和/或通过提供所请求的测量结果或观察来协助其它设备(例如网络设备或其它具有AI能力的UE)以训练AI模型(例如神经网络或其它ML算法)。例如，在一些实施例中，UE 402本身可以不实现学习或训练，但UE 402可以接收网络设备452确定的ML模型的训练配置信息并执行该模型。

尽管图6中的示例假设网络侧具有AI/ML能力，但是可能出现这样的情况：网络本身不执行训练/学习，而是UE可以自己执行学习/训练，可能使用从网络发送的专用训练信号。在其它实施例中，端到端(end-to-end，E2E)学习可以由UE和网络设备452实现，例如在发送和接收侧联合优化。

使用AI，例如通过实现如上所述的AI模型，链路自适应可以是支持AI的。在一些实施例中，AI用于以避免或至少减轻与前面讨论的传统链路自适应过程相关的问题的方式，在设备特定的基础上优化用于网络和设备之间通信的调制和/或编码。下面描述根据本发明的实施例，在训练阶段和正常操作阶段期间，可能的AI/ML训练过程和设备之间的空中信息交换过程的一些示例，用于促进支持AI的链路自适应。

图9示出了根据一个实施例的ED和网络设备的ML模块的两步联合训练阶段的示例，用于促进网络设备和ED之间的下行通信的链路自适应。在本示例中，ED和网络设备示出为图6的UE 402和网络设备452。此外，网络设备示为TRP 452。为了简化绘图，图9中示出了TRP 452的ML模块500和UE 402的ML模块510，但图中省略了TRP 452和UE 402的其它组件。

在本实施例中，AI/ML在网络侧由ML模块500实现，在UE侧由ML模块510实现。如图9所示，ML模块500和510可以分别实现神经网络502和512。在本实施例中，一旦ML模块500和510经过训练，TRP 452使用经过训练的ML模块500来基于使用上行信道状态信息(图9中的UL H 904)作为训练后的ML模块500的输入来预测最佳MCS参数(图9中的MCS 906)，其指示在给定时间向UE 402的下行传输调度的RB的调制阶数和/或编码速率。例如，如果存在TRP452可以潜在地向UE 402发送下行传输的两个候选调度RB集(例如，如果候选调度RB集1＝RB 0-4并且候选调度RB集2＝RB 5-9)，则TRP 452处的训练的ML模块500可以用于预测每个候选调度RB集的最佳MCS(例如，MCS1用于RB 0-4，MCS2用于RB 5-9)。然后，TRP 452可以选择具有更好链路性能的候选调度RB集用于下行传输，例如，如果MCS1>MCS2，则选择RB 0-4，或者如果MCS2>MCS1，则选择RB 5-9。然后，TRP 452可以(例如，经由DCI)向UE 402发送调度信息，以指示哪些RB已分配给到UE 402的调度下行传输。在UE侧，UE 402使用经过训练的ML模块510来预测每个候选调度RB集的最佳MCS，并且基于来自TRP 452的RB分配信息，UE 452可以推断TRP 452为调度RB选择的最佳MCS。

上行信道状态信息UL H 904可以包括表征UE 402和TRP 452之间的上行通信信道的任何信息。例如，上行信道状态信息UL H 904可以包括基于TRP 452从UE 402接收的上行参考信号(uplink reference signal，UL RS)(例如上行探测参考信号(uplink SoundingReference Signal，SRS)估计的信息，该信息可以包括也可以不包括干扰的影响。在UE侧，一旦ML模块500和510经过训练，UE 402使用训练后的ML模块510来基于使用下行信道状态信息(图9中的DL H 914)作为训练后的ML模块510的输入来预测MCS参数(图9中的MCS'916)，其应匹配由TRP 452在给定时间为调度RB预测的最佳MCS参数MCS 906。下行信道状态信息DL H 914可以包括表征TRP 452和UE 402之间的下行通信信道的任何信息。例如，下行信道状态信息DL H 914可以包括基于下行参考信号(downlink reference signal，DL RS)估计的信息，例如由UE 402从TRP 452接收的信道状态信息参考信号(channel stateinformation reference signal，CSI-RS)，其可以包括也可以不包括干扰的影响。在一些实施例中，DL RS的预编码可以指示给UE或者可以预定义。

在本实施例中，TRP 452的ML模块500和UE 402的ML模块510在两步联合训练过程中进行训练。两步联合训练过程的第一步在图9中的908处指示。在两步联合训练过程的第一步908中，使用上行信道状态信息UL H 904作为ML模块输入以及使用一个或多个调制编码方案参数MCS 906作为ML模块输出来训练TRP 452的ML模块500，以满足训练目标。一个或多个调制编码方案参数MCS 906可以包括预测的调制阶数、预测的编码速率或两者。在第一训练步骤期间，作为训练/学习过程的一部分，更新ML模块500的配置参数，例如要在由ML模块500执行的神经网络502中实现的神经网络权重，如图9中的909处所示。用于训练ML模块500的训练目标可以是最大化吞吐量和/或优化与设备之间的通信相关联的一些其它性能参数/指标，例如最小化延迟、最大化可靠性等。例如，训练ML模块500以最大化吞吐量可以使用强化学习来完成以最大化MCS/(1+IBLER)或MCS*(1-IBLER)，其中MCS是ML模块500预测的调制编码方案，IBLER是初始传输块错误率。例如，在训练阶段的第一步期间，ML模块500的输入可以是时隙n1处的UL信道状态信息UL H 904。例如，UL信道状态信息UL H 904可以通过时隙n1处的SRS测量获得。在该训练场景中，ML模块500的输出MCS 906是在时隙n1+m(其中m是整数，且m≥1)处的调度的RB的最佳MCS或调制阶数或编码速率，以满足训练目标，在本示例中，其可能是如上所述的最大吞吐量。一旦TRP 452的ML模块500经过训练，ML模块500的用于时隙n1+m处的调度的RB的输出MCS 906作为标记数据提供给UE 402，用于在两步联合训练过程的第二步中训练UE 402的ML模块510。

两步联合训练过程的第二步在图9中的918处指示。在两步联合训练过程的第二步918中，使用下行信道状态信息DL H 914作为ML模块输入并且使用预测的一个或多个调制编码方案参数MCS'916作为ML模块输出来训练UE 402的ML模块510，以满足训练目标。在第二训练步骤期间，作为训练/学习过程的一部分，更新ML模块510的配置参数，例如要在由ML模块510执行的神经网络512中实现的神经网络权重，如图9中的919处所示。用于训练ML模块510的训练目标是使UE 402的ML模块510的ML模块输出的预测的一个或多个调制编码方案参数MCS'916与TRP 452的ML模块500的ML模块输出的预测的一个或多个调制和编码方案参数MCS 906相匹配。ML模块510的训练可以经由监督训练来完成，该监督训练使用预测的一个或多个调制编码方案参数MCS 906作为标记数据来训练ML模块510，使得ML模块510的ML模块输出MCS'916与ML模块500的ML模块输出MCS 906相匹配。例如，在训练阶段的第二步期间，ML模块510的输入可以是时隙n2处的DL信道状态信息DL H 914，ML模块510的输出MCS'916是时隙n1+m处调度RB的最佳MCS或调制阶数或编码速率。对于TDD，n1和n2是不同的UL和DL时隙，例如，n2可以是UL时隙n1之后的DL时隙。例如，DL信道状态信息DL H914可以通过在时隙n2处的CSI-SRS测量来获得。在该训练场景中，UE 402通过使用时隙n1+m处的ML模块输出MCS 906作为标记数据进行的监督学习，计算时隙n1+m处的MCS 906和时隙n2处的MCS'916之间的损耗，并更新ML模块510的配置(例如，更新在神经网络512中实现的神经网络权重)，直到损耗为零，即直到MCS 906和MCS'916的值相匹配。例如，在一些实施例中，可以使用满足以下等式的均方误差(mean square error，MSE)计算来计算损耗：

其中，MCS′是时隙n2处的MCS'916，MCS是时隙n1+m处的MCS 906，N是候选调度RB组的数量(例如，如果有两个候选调度RB组，如RB 0-4和RB 5-9，则N＝2)。

在成功完成上述训练过程之后，TRP 452和UE 452处的最佳MCS输出被对齐，即在时隙n1+m处，TRP 452的ML模块500的最佳MCS输出MCS 906和UE 402的ML模块510的MCS输出MCS'916是相同的。因此，对于在时隙n1+m处用于下行传输到UE 402的调度RB，TRP 452不需要向UE 402发送MCS指示，因为UE 402可以使用时隙n2处的DL信道状态信息作为ML模块510的输入来推断MCS。

对于频分双工(Frequency Division Duplexing，FDD)，UL信道和DL信道可能具有有限的互易性，这可能导致图9所示的两步训练过程的性能损失。该两步训练过程利用UL信道信息作为TRP 452处的ML模块输入以及利用DL信道信息作为UE 402处的ML模块输入，因此，当UL和DL信道之间存在高互易性时，往往会提供更好的性能。对于FDD通信，或用于两个设备之间通信的UL和DL信道之间可能存在有限互易性的其它场景，相同的信道信息(例如，DL信道信息)可以用作两个设备上ML模块的输入。例如，由UE 402测量并用作UE处ML模块510的输入的DL信道信息可以发送到TRP 452，以用作TRP 452处ML模块500的输入。

例如，图10示出了TRP 452和UE 402的ML模块500和510的两步联合训练阶段的另一个示例，用于促进设备之间的链路自适应，但是在该示例中，DL信道状态信息DL H 914或其编码版本，被发送到TRP 452，以用作TRP 452的ML模块500的输入。具体地，在该示例中，为了减少与使DL信道状态信息可用于TRP 452相关联的开销，使用编码器1002来压缩DL信道状态信息DL H 914以生成压缩的DL信道信息z，如图10中的1004处的指示。将压缩的DL信道信息z 1004发送到TRP 452，其包括解码器1006，用于解码压缩的DL信道信息z 1004以获得重构的DL信道信息H'905，其用作ML模块500的输入。如图10所示，DL信道信息H 914或压缩的DL信道信息z 1004可以用作UE 402处ML模块510的输入。

一旦TRP 452已经从UE 402接收到压缩的DL信道信息z 1004，图10所示的示例中的ML模块500和510的两步训练就类似于图9所示的示例进行。例如，在时隙n2处，UE 402获得DL信道信息H 914(例如，通过测量从TRP 452接收的CSI-RS)，将其输入到编码器1002以获得压缩的DL信道信息z1004。UE 402将压缩的DL信道信息z 1004发送到TRP 452，在TRP452中将其输入到解码器1006以获得重构的DL信道信息H'905。然后，TRP 452使用重构的DL信道信息H'905作为ML模块500的输入，执行ML模块500的训练，类似于在图9所示的两步训练过程的第一步中执行的训练。在一些实施例中，TRP 452可以直接使用压缩的DL信道信息z 1004作为ML模块500的输入，而不是使用重构的DL信道信息H'905作为ML模块500的输入。在这些实施例中，解码器1006的功能可以例如由ML模块500来实现。如在图9中所示的先前示例中，一旦已经训练了TRP 452的ML模块500，则将时隙n2+m处的调度RB的ML模块500的输出MCS 906作为标记数据提供给UE 402，用于在两步联合训练过程的第二步中训练UE 402的ML模块510。在训练的第二步中，UE使用DL信道信息H 914或压缩的DL信道信息z 1004作为ML模块510的输入，并且类似于上面参考图9描述的训练的第二步来训练ML模块510。例如，可以使用TRP 452的ML模块500的最佳MCS输出MCS 906作为标记数据来训练ML模块510，使得ML模块510的MCS输出MCS'916在时隙n2+m处与TRP 452的ML模块500的最佳MCS输出MCS906相匹配。

在一些实施例中，图10中所示的编码器1002和解码器1006可以用基于神经网络的自动编码器(autoencoder，AE)结构来实现，该结构包括编码器层、隐空间和解码器层，如下所述。

AE是一种具有特定架构的人工神经网络，适用于需要以最大准确度在输出向量处再现输入向量x的应用。需要注意的是，AE有隐藏层，称为隐空间z，其维度小于输入层的维度。可以认为隐空间是压缩表示，隐空间之前和之后的层分别是编码器和解码器。通常需要在保持解码器的准确度的同时最小化隐空间的维度。

图11示出了基于神经网络的AE结构1000的示例，该AE结构1000可用于实现图10所示的编码器1002和解码器1006的功能。AE结构1000包括编码器1002、隐空间z 1004和解码器1006。在该示例中，编码器1002输入的维度为5，其维度在隐空间z 1004处减小至3并由解码器1006再次扩展至5。尽管在该示例中编码器1002和解码器1006被示出为各自包括两层，但更一般地，AE结构的编码器和解码器可以包括一层或多层。例如，AE结构的各层可以用与上面参考图8讨论的神经元类似的神经元800来实现。值得注意的是，如果图10中所示的编码器1002和解码器1006的功能是用基于神经网络的AE结构实现的，则UE 402和TRP 452各自包括AI模型的“级联”。例如，如果利用与图11的AE结构1000的解码器1006类似的基于神经网络的结构来实现图10的解码器1006，则解码器的神经网络结构(用于信道状态信息解压缩/重构)以及后面的ML模块500的神经网络502(用于MCS预测)可以视为是AI模型的“级联”。

使用根据上述参考图9和图10所示的示例实施例描述的两步训练过程训练的ML模块的链路自适应过程能够提供优于传统链路自适应过程(诸如图5中所示的传统链路自适应过程)的潜在益处/优点。例如，利用这种经过训练的ML模块的链路自适应过程能够使成对的设备基于DL和/或UL信道信息以最小或减少的空口开销来获得用于彼此通信的最佳MCS参数。

图12示出了根据一个实施例的用于ED和网络设备的机器学习模块的一步联合训练阶段的示例，用于促进ED和网络设备之间的链路自适应。如图9和图10所示的两步联合训练阶段示例，在图12所示的实施例中，ED和网络设备被示出为图6的UE 402和网络设备452。此外，网络设备示出为TRP 452。如图9和图10所示，图12中示出了TRP 452的ML模块500和UE402的ML模块510，但为了简化附图，省略了TRP 452和UE 402的其它组件。相同的附图标记用于标识附图中相同或相似的组件/元件。

在本实施例中，TRP 452的ML模块500和UE 402的ML模块510在一步联合训练过程中进行训练。一步联合训练过程在图12中的910处指示。在本示例中，ML模块500包括实现函数g(x)的神经网络502，ML模块510包括实现函数f(x)的神经网络512。在一步联合训练过程910期间，TRP 452的ML模块500和UE 402的ML模块510使用以下方式联合训练：

将上行信道状态信息UL H'904作为ML模块500的ML模块输入，将压缩的MCS参数MCS'906作为ML模块500的ML模块输出；

将下行信道状态信息DL H 914、从TRP 452接收的压缩的MCS参数MCS'906或两者，作为ML模块510的ML模块输入，将MCS参数MCS 916作为ML模块510的ML模块输出。

例如，在本实施例中，ML模块500和510的联合训练可以涉及实现函数g(x)的神经网络502和实现函数f(x)的神经网络512的联合优化，以便满足优化通信性能指标的联合训练目标(例如，最大化吞吐量)，前提是确保UE 402处的ML模块510的MCS输出MCS 916与TRP452处的ML模块500的MCS输出MCS'906相匹配。例如，可以训练实现函数g(x)的神经网络502和实现函数f(x)的神经网络512以满足以下条件：

g,f＝argmax Throughput(f(g(H^′)),H)

其中g()和f()分别是由神经网络502和512实现的函数g(x)和f(x)，H^′是上行信道状态信息UL H'904，H是DL信道状态信息DL H 904。

在本实施例中，一旦ML模块500和510已经过训练，TRP 452使用训练后的ML模块500基于使用时隙n1处的上行信道状态信息UL H'904作为训练后的ML模块500的输入，来预测对应于在时隙n1+m调度的RB的最佳调制阶数和/或编码速率的压缩的MCS参数MCS'906。例如，在一些实施例中，ML模块500的神经网络502可以包括用作AE结构的编码器部分的一层或多层，以生成压缩的MCS参数MCS'906，作为AE结构的隐空间z。在一些实施例中，TRP452可以向UE发送压缩的MCS参数MCS'906。在其它实施例中，一旦训练过程已成功完成，压缩的MCS参数MCS'906就不在正常操作阶段期间发送到UE，即使它们作为训练过程的一部分被发送到UE。

在UE侧，一旦ML模块500和510经过训练，UE 402使用训练的ML模块510基于使用时隙n2处的下行信道状态信息DL H 914、从TRP 452接收的压缩的MCS参数MCS'906或两者作为经过训练的ML模块510的输入，来预测MCS参数MCS 916，MCS参数MCS 916应匹配与TRP452为时隙n1+m处的调度RB预测的压缩MCS参数MCS'906相对应的最佳MCS参数MCS 916。

例如，在一些实施例中，TRP 452不向UE 402发送压缩的MCS参数MCS'906，并且UE402仅使用时隙n2处的下行信道状态信息DL H 914来预测MCS参数MCS 916，其应当与最佳MCS参数相匹配，该最佳MCS参数对应于由TRP 452针对在时隙n1+m处的调度RB预测的压缩的MCS参数MCS'906。

在其它实施例中，TRP 452确实向UE 402发送压缩的MCS参数MCS'906，并且UE：

仅使用压缩的MCS参数MCS'906来预测MCS参数MCS 916，MCS参数MCS 916应当与最佳MCS参数相匹配，该最佳MCS参数对应于由TRP 452针对在时隙n1+m处的调度RB预测的压缩的MCS参数MCS'906；或者

使用时隙n2处的压缩的MCS参数MCS'906和下行信道状态信息DL H 914来预测MCS参数MCS 916，MCS参数MCS 916应当与最佳MCS参数相匹配，该最佳MCS参数对应于由TRP452针对在时隙n1+m处的调度RB预测的压缩的MCS参数MCS'906。

使用根据上述一步训练过程训练的ML模块的链路自适应过程能够提供优于传统链路自适应过程(诸如图5中所示的传统链路自适应过程)的若干益处/优点。例如，利用这种经过训练的ML模块的链路自适应过程能够使成对的设备仅潜在地基于DL和/或UL信道信息以最小或减少的空口开销来获得用于彼此通信的最佳MCS参数。

上面参考图9至图12讨论的实施例使用DL或UL信道信息作为ML模块的输入来预测最佳MCS参数。在一些实施例中，可以使用其它参数来代替或补充DL或UL信道信息，以便促进最佳MCS的选择。另外，在一些实施例中，ML模块的输出对于不同的优化目标可以不同，例如对于最高吞吐量或最低延迟等。

在本实施例中，其它参数作为AI/ML网络的输入。此外，对于不同的优化目标，例如最高吞吐量或最低延迟等，AI/ML网络的输出可以不同。

例如，图13示出了根据另一实施例的ML模块的输入和输出的示例，该ML模块一旦经过训练，就可以用于促进两个设备(例如ED和网络设备)之间的链路自适应。在该示例中，将ML模块示出为图6的TRP 452的ML模块500，其在该示例中实现神经网络502。

如图13所示，ML模块500的一个或多个输入可以包括以下一项或多项：

-MCS信息，包括：

·调制阶数(例如BPSK、QPSK、8PSK、16QAM、64QAM、256QAM)和/或

·编码速率，可能超过5G/NR中可用的29个编码速率值(例如，编码速率值＝0.001*N，0<N<1000)

-指示在给定时间可以调度的一个或多个RB的RB信息

-CSI信息，例如以下一项或多项：

·CQI值

·可以配置的子带CQI值和子带的大小(例如，RB级子带)

·具有各种BLER目标的CQI值(例如，0.00001、5％、10％、20％、30％等)

·RSRP

·SNR/SINR

·PMI/RI

此外，如图13所示，ML模块500的一个或多个输出可以包括以下一项或多项：

-实现最高吞吐量的最佳宽带MCS

-实现最低延迟的最佳宽带MCS

-实现最低BLER的最佳宽带MCS

-实现最高吞吐量的最佳子带MCS

-实现最低延迟的最佳子带MCS

-实现最低BLER的最佳子带MCS

现在将在图6的无线系统100中的网络设备452处实现ML模块500的上下文中描述用于训练图13的ML模块500的训练过程的示例。

在该示例中，训练过程从网络设备452以不同的调制阶数、编码速率和调度RB位置向UE 402发送训练信号开始。然后，UE 402基于训练信号向网络设备452发送反馈。例如，反馈可以包括一个或多个CQI值。在一些实施例中，一个或多个CQI值可以包括细粒度(例如，RB级别粒度)的子带CQI值，可能用于各种BLER目标。为了减少反馈的开销，可以使用自动编码器网络进行信令压缩，如上所述。网络设备452完成ML模块500的训练，并将经过训练的ML模块500的配置信息发送给UE 402，使得UE可以配置ML模块510以匹配经过训练的ML模块500。因此，可以在UE 402和网络设备452上配置相同的经过训练的ML模块。

在该示例中，ML模块训练的目标可以是在网络设备452和UE 402处具有相匹配的ML模块，使得一旦UE处的ML模块510经过训练，UE 402能够使用经过训练的ML模块510基于来自网络设备452的DCI所指示的一个或多个RB位置来预测宽带TB映射(一个TB映射到调度RB)或子带TB映射(一个TB被分割为多个CBG(编码块组)，并且一个或多个CBG映射到一个子带)的一个或多个调制阶数和/或一个或多个编码速率(可能具有比NR更细的频率粒度)。在具有上述训练目标的场景中，成功训练过程后的正常操作过程可能如下进行。

在网络侧，网络设备452向UE 402发送调度DCI。例如，调度DCI可以包括以下一个或一些字段：

·频域资源分配

·时域资源分配

·无MCS字段，或只有调制阶数

·AI输出指示(例如，指示是否针对吞吐量或延迟或其它而选择最佳MCS)

·指示以下TB映射方法之一：

选项1)：TB级编码速率和调制阶数(一个TB只有一个调制阶数和编码速率)；

选项2)：TB级编码速率和子带级调制阶数(一个TB只有一个编码速率和不同频率子带的子带特定调制阶数)；

选项3)：子带级调制阶数和编码速率(不同频率子带的子带特定的调制阶数和编码速率)。

在UE侧，UE 402从网络设备452接收调度DCI，并基于DCI的内容(例如，基于频域资源分配字段和/或时域资源分配字段)确定分配给到UE 402的下行传输的RB。然后，UE 402使用经过训练的ML模块510，基于使用关于所分配的RB的RB信息作为经过训练的ML模块510的输入，来预测用于指示分配的RB的一个或多个调制阶数和/或一个或多个编码速率的最佳MCS参数。如图13所示，对于不同的优化目标，例如对于最高吞吐量或最低延迟等，经过训练的ML模块的MCS输出可以不同。在UE侧，选择这些不同的优化的MCS输出中的哪一个MCS输出是由经过训练的ML模块510生成的；或者，如果ML模块510用于为不同的优化目标生成优化的MCS输出，则在不同的优化的MCS输出之间进行的选择可以基于调度DCI的AI输出指示字段的内容动态地完成，也可以由网络半静态配置，例如，通过RRC或MAC-CE。

如上所述，在一些实施例中，由网络设备452发送的调度DCI可以包括指示网络设备452将使用多种预定义TB映射方法中的哪一种来进行到UE 402的下行传输的字段。在这些实施例中，UE可以使用关于分配的RB的RB信息来计算一个或多个分配的子带的位图。从UE 402的角度来看，如果子带中的至少一个RB分配给UE 402，则该子带可以被认为是分配的子带。然后，UE使用所分配的一个或多个子带的位图作为经过训练的ML模块510的输入，来预测用于指示一个或多个分配的子带的一个或多个调制阶数和/或一个或多个编码速率的最佳MCS参数。例如，图14示出了根据一个实施例的使用ED 402的经过训练的机器学习模块510、使用一个或多个分配的子带的位图作为经过训练的ML模块510的输入来推断MCS参数的示例。在本例中。

例如，如果调度DCI中的TB映射方法字段指示使用选项1)的TB映射，则TB只有一个MCS，如图14中的1301处所示。然而，如果TB映射方法字段指示使用选项2)的TB映射，则TB只有一个编码速率和一个或多个子带级调制阶数，如图14中的1302处所示。或者，如果TB映射方法字段指示使用选项3)的TB映射，则存在一个或多个子带级编码速率和一个或多个调制阶数，如图14中的1303处所示。对于选项3),TB的每个码块(codeblock，CB)完全包含在一个或整数个子带中，如图14中的1304处所示。

然后，UE 402使用由经过训练的ML模块510生成的预测的一个或多个调制阶数和一个或多个编码速率以及可用资源单元(resource element，RE)来计算传输块大小(transport block size，TBS)并对相应的PDSCH进行解码。

图13和图14中所示的实施例潜在地解决了与上面参考图5所示的传统链路自适应过程所讨论的传统链路自适应过程相关联的若干个问题。例如，使用经过训练的ML模块来预测UE/TRP处的瞬时最佳MCS解决了与传统链路自适应过程中MCS选择的非实时性相关的第一个问题。此外，使用更多编码速率集(可能比5G/NR中可用的29个编码速率值要多得多)或无速率编码的可能性解决了上面讨论的第二个问题。此外，利用子带CQI值(例如，RB级CQI报告)作为ML模块的输入来预测子带级调制阶数和/或子带级编码速率的可能性解决了与传统链路自适应过程中频率选择调度的粗糙度相关的第三个问题。

上述讨论参考了许多由TRP执行的网络侧训练的示例。在其它示例中，AI/ML组件训练可以不由TRP执行。例如，再次参考图1，训练可以由核心网130或无线系统100中的其它地方(例如，使用云计算)来执行。TRP 170/452可以仅收集相关数据并将数据转发到合适的网络实体(例如，核心网130)以执行必要的训练。然后可以将经过训练的AI/ML组件参数(例如，训练的一个或多个NN的权重)提供给TRP 170/452和一个或多个ED 110/402。

尽管以上讨论主要是在网络设备(例如T-TRP或NT-TRP)作为发送器的角色和ED(例如UE)作为接收器的角色的上下文进行的，但是应当理解，发送器和接收器的角色可以互换(例如，对于上行通信)。此外，应当理解，发送器和接收器角色可以在两个或更多个ED处(例如，用于侧行链路通信)。

示例性方法

图15示出了根据一个实施例的用于无线通信网络中的一对设备执行的方法的信号流图1400。这对设备可以是ED和网络设备，例如UE 402和TRP 452，但这不是必须的。

在信号流图1400中，UE 402和TRP 452参与AI/ML训练阶段1402和正常操作阶段1404的信息交换。虽然图15中仅示出了一个UE和一个TRP以避免绘图中的拥塞，但是训练期间的数据收集或信息共享以及通信网络的类似操作预计将涉及多个UE和多个TRP。例如，在一些实施例中，可以通过来自多个网络设备和多个UE的共同努力来完成训练，并且可以在每个UE的基础上完成链路自适应优化。

该方法从UE 402在1410处发送参考信号开始。例如，参考信号可以是UE在UL时隙n1期间发送的UL SRS，如前所述。在1412处，TRP 452发送参考信号1412，该参考信号可以是TRP在DL时隙n2期间发送的DL CSI-RS，例如，DL时隙n2可以是UL时隙n1之后的下一个时隙，如前所述。

在图15所示的信号流图1400中，AI/ML训练阶段1402是两步联合训练阶段，其中，在第一步中的1416处训练TRP 452的ML模块，在第二步中的1422处训练UE 402的ML模块。具体地，在1414处，TRP 452基于在1410处从UE 402接收的UL参考信号获得上行信道状态信息，并且在1416处，使用上行信道状态信息作为ML模块的输入和使用一个或多个MCS参数作为输出来训练TRP 452的ML模块，以满足训练目标。例如，训练目标可以是最大化TRP 452和UE 402之间的DL吞吐量，如前所述。一旦TRP 452处的ML模块的训练成功完成(即，训练目标已经满足)，则在1420处将用于训练UE 402的ML模块的训练数据发送到UE。在本示例中，训练数据包括由TRP 452处训练的ML模块基于在1410处从UE 402接收的UL参考信号使用上行信道状态信息预测的一个或多个MCS参数。在UE侧，UE 402基于在1412处从TRP 452接收的DL参考信号在1418处获取下行信道状态信息。在1422处，UE 402的ML模块使用以下内容通过强化训练进行训练：使用下行信道状态信息作为ML模块的输入；使用一个或多个MCS参数作为ML模块的输出；以及在1420处接收的作为标记数据的训练数据，目的是将UE 402的ML模块的ML模块输出的一个或多个MCS参数与TRP 452的ML模块预测的一个或多个MCS参数相匹配。

在一些实施例中，如图15中的1417或1427所示，该训练过程是迭代地完成的，其中UE 402和TRP 452重复发送参考信号，基于相应的参考信号获取信道状态信息，并迭代地细化其各自ML模块的配置参数(例如，NN权重)。在一些实施例中，该迭代过程可以继续，直到其各自的一个或多个训练目标得到满足或直到已经发生预定义次数的迭代。

在成功完成训练阶段402之后，UE 402和TRP 452的经过训练的ML模块用于预测正常操作阶段1404中TRP 452和UE 402之间的下行通信的最佳MCS参数。在正常操作阶段1404中，UE 402和TRP 452分别在1430和1432处发送参考信号。例如，UE 402在1430处发送的参考信号可以是UE在UL时隙n1期间发送的UL SRS，TRP 452在1432处发送的参考信号可以是TRP在DL时隙n2期间发送的DL CSI-RS，例如，DL时隙n2可以是UL时隙n1之后的下一个时隙，如前所述。

在1434处，TRP 452基于在1430处(例如，在时隙n1)从UE 402接收的UL参考信号获取上行信道状态信息。在1436处，TRP 452的ML模块用于基于使用在1434处获取的信道状态信息作为经过训练的ML模块的输入，获取一个或多个MCS参数，用于到UE 402的调度下行传输(例如，用于时隙n1+m处的调度下行传输)。在1440处，将调度下行传输的调度信息发送到UE 402。例如，调度信息可以通过DCI发送，DCI包括以下字段中的一个或多个：频域资源分配字段；时域资源分配字段；无MCS字段，或只有调制阶数字段；AI输出指示(例如，指示是否针对吞吐量或延迟或其它而选择最佳MCS)；和/或TB映射方法字段，如前所述。

在UE侧，UE 402基于在1432处(例如，在时隙n2)从TRP 452接收的DL参考信号在1438处获取下行信道状态信息。在1442处，UE 402的ML模块用于基于使用在1438处获取的信道状态信息和基于在1440处接收的调度信息的资源块分配信息作为经过训练的ML模块的输入来推断一个或多个MCS参数，用于在1440处接收的调度信息中指示的到UE 402的调度下行传输(例如，用于在时隙n1+m处的调度下行传输)。

在1444处，UE 402使用由经过训练的ML模块在1442处生成的推断的一个或多个调制阶数和一个或多个编码速率以及在1440处接收的调度信息来计算TBS并对相应的PDSCH进行解码，以接收调度下行传输。

在1446处，UE 402向TRP 452发送ACK/NACK反馈，以指示用于调度下行传输的PDSCH是否成功解码。例如，如果相应的PDSCH已正确解码，则UE 402可以向TRP 452发送ACK指示，否则，UE可以向TRP 452发送NACK指示。

在1446处，TRP 452从UE 402接收ACK/NACK反馈。如果是ACK，则本次传输完成。如果是NACK，则TRP 452启动如1447处所示的链路自适应过程，以便调整用于重传的MCS和/或时频资源。

图15所示的训练阶段1402中的两步训练过程利用UL信道信息作为TRP 452处的ML模块输入，并利用DL信道信息作为UE 402处的ML模块输入，当UL和DL信道之间存在高互易性时，往往会提供更好的性能。对于FDD通信，或用于两个设备之间通信的UL和DL信道之间可能存在有限互易性的其它场景，相同的信道信息(例如，DL信道信息)可以用作两个设备上ML模块的输入。例如，由UE 402在1422处获取的作为UE的ML模块的输入的DL信道状态信息可以发送到TRP 452，作为TRP 452的ML模块的输入。

例如，图16示出了类似于图15的信号流图1400的信号流图1500的示例，但在该示例中，由UE获取的DL信道状态信息或其编码版本被发送到TRP 452，用作TRP 452的ML模块的输入。为了简洁起见，下面仅详细讨论信号流图1500中与图15的信号流图1400不同的那些方面。

类似于图15中的信号流图1400，在图16的信号流图1500中，UE 402和TRP 452参与AI/ML训练阶段1402和正常操作阶段1404的信息交换。然而，在图16的信号流图1500的训练阶段1402和正常操作阶段1404中，省略了在1410和1430处发送UL参考信号以及在1414和1434处基于UL参考信号来获取UL信道状态信息的上行信道的估计，而是示出了在1419和1439处UE 402向TRP 452发送DL信道状态信息。

为了减少与使DL信道状态信息可用于TRP 452相关联的开销，可以使用编码器(例如，自动编码器的编码器部分)压缩在1418和1438处获取的DL信道状态信息H，以生成压缩的DL信道状态信息z，然后在1419处将其发送到TRP 452。在这种情况下，在训练阶段1402中，TRP 452使用解码器(例如，自动编码器的解码器部分)对TRP 452在1419处接收的压缩的DL信道状态信息z进行解码，以获取重构的DL信道状态信息H'，然后将其用作1416处的TRP 452的ML模块的输入。类似地，在正常操作阶段1404中，对TRP 452在1439处接收的压缩的DL信道状态信息z进行解码，以获取重构的DL信道状态信息H'，然后将其用作1436处的TRP 452的ML模块的输入。

一旦TRP 452处的ML模块的训练成功完成，则在1420处将用于训练UE 402的ML模块的训练数据发送到UE，并且两步训练阶段1402如上面参考图15所解释的那样继续进行。类似地，一旦TRP 452的经过训练的ML模块被用来在1436处预测一个或多个MCS参数，则正常操作阶段1404类似于图15所示的信号流图1400的正常操作阶段1404那样继续进行。注意，如果在1419和1439处将压缩的DL信道状态信息z发送到TRP 452，则在1418处获取的DL信道状态信息H或压缩的DL信道状态信息z可以用作UE 402的ML模块在1422和1442处的输入。

在图15和图16的信号流图1400和1500所示的方法中，训练阶段1402是两步联合训练过程，其中第一设备(例如，上述示例中的TRP 452)的ML模块在第一步中训练，然后，使用第一设备的经过训练的ML模块的预测MCS参数输出作为标记数据，通过强化学习来训练第二设备(例如，上述示例中的UE 402)的ML模块。在其它实施例中，一旦第一设备的ML模块已经成功训练，则可以将第一设备的ML模块的训练权重发送到第二设备，以使第二设备能够实现相同的经过训练的ML模块。

例如，图17示出了与图15的信号流图1500类似的信号流图1600的示例，但在该示例中，一旦TRP 452的ML模块在1416处成功完成训练，则TRP 452在1421处向UE 402发送ML模块配置信息，而不是在1420处发送用于UE 402的ML模块的强化训练的训练数据。ML模块配置信息包括UE 402的ML模块的配置信息(例如，训练的神经网络权重)，以使UE 402能够在1423处配置其ML模块，以实现与TRP 452的ML模块相同的AI/ML模型，而无需经历图16的信号流1500中1422处指示的训练过程。ML模块训练可以是计算密集型的，因此减少或消除对设备上训练计算的需要可能是非常有益的，特别是在计算和/或功率资源有限的情况下(例如，在移动设备中)。

在一些实施例中，TRP 452在1412和1432处发送的参考信号可以各自包括在不同时频资源块位置中的多个参考信号。在一些这样的实施例中，多个参考信号可以包括具有不同调制阶数的参考信号、具有不同编码速率的参考信号或者同时具有不同调制阶数和不同编码速率的参考信号。例如，在这些的实施例中，UE 402在图16和图17中的1419和1439处发送的信道状态信息可以包括细粒度CQI值(例如，子带级CQI值)和/或针对不同BLER目标的CQI值(例如，0.00001、5％、10％、20％、30％等)，如前所述。

例如，在正常操作阶段1404中，TRP 452在1432处发送的参考信号可以包括用于两个候选调度RB集的参考信号，例如，候选调度RB集1＝RB 0-4和候选调度RB集2＝RB 5-9，UE402在1439处为其提供CSI反馈。在1436处，TRP 452的经过训练的ML模块用于预测每个候选调度RB集的最佳MCS，例如，用于RB 0-4的MCS1和用于RB 5-9的MCS2，然后，TRP 452可以选择具有更好链路性能的候选调度RB集用于下行传输，例如，如果MCS1>MCS2，则为RB 0-4，如果MCS2>MCS1，则为RB 5-9。然后，TRP 452可以在1440处(例如，经由DCI)向UE 402发送调度信息，以指示哪些RB已分配给到UE 402的调度下行传输。在UE侧，在1442处使用UE 402的经过训练的ML模块来推断每个候选调度RB集的最佳MCS，并且基于在1140处从TRP 452接收的RB分配信息，UE 452可以推断TRP 452为调度RB选择的最佳MCS。

在本示例中，训练数据包括由TRP 452处训练的ML模块基于在1410处从UE 402接收的UL参考信号使用上行信道状态信息预测的一个或多个MCS参数。在UE侧，UE 402基于在1412处从TRP 452接收的DL参考信号在1418处获取下行信道状态信息。在1422处，UE 402的ML模块使用以下内容通过强化训练进行训练：使用下行信道状态信息作为ML模块的输入；使用一个或多个MCS参数作为ML模块的输出；以及使用在1420处接收的作为标记数据的训练数据，目的是将UE 402的ML模块的ML模块输出的一个或多个MCS参数与TRP 452的ML模块预测的一个或多个MCS参数相匹配。

再次参考图15，应当注意，在信号流图1400中，训练阶段1402是两步联合训练阶段。图18示出了与图15的信号流图1400类似的信号流图1700的示例，但是在该示例中，训练阶段1402是一步联合训练阶段。为了简洁起见，下面仅详细讨论信号流图1700中与信号流图1400不同的那些方面。具体地，在图18的信号流图1700中，TRP 452和UE 402的ML模块在一个步骤中一起联合训练，如图18中的1425处所示，而不是在1416和1422处的两个步骤分别训练TRP 452和UE 402的ML模块。例如，类似于前面参考图12描述的示例实施例，TRP 452和UE 402的ML模块可以包括分别实现函数g(x)和f(x)的神经网络，并且在1425处的一步联合训练过程中，TRP 452和UE 402的ML模块可以使用以下方式联合训练：

使用在1414处获取的上行信道状态信息UL H作为TRP 452的ML模块的输入，以及使用压缩的MCS参数MCS'作为TRP 452的ML模块的输出；并且

使用在1418处获取的下行信道状态信息DL H、从TRP 452接收的压缩的MCS参数MCS'或两者作为UE 402的ML模块的输入，以及使用MCS参数MCS作为UE 402的ML模块的ML模块输出。

例如，在本实施例中，在1425处的ML模块的联合训练可以涉及实现函数g(x)和f(x)的神经网络的联合优化，以便满足优化通信性能指标的联合训练目标(例如，最大化吞吐量)，前提是确保UE 402的ML模块的MCS输出MCS与TRP 452的ML模块的MCS输出MCS'相匹配。例如，可以训练实现函数g(x)和f(x)的神经网络以满足以下条件：

g,f＝argmax Throughput(f(g(H^′)),H)

其中g()和f()分别是由TRP 452和UE 402的神经网络实现的函数g(x)和f(x)，H^′是在1414处获取的上行信道状态信息UL H，H是在1418处获取的DL信道状态信息DL H。

在本实施例中，在正常操作阶段1404中，TRP 452在1436处使用其在1434处经过训练的ML模块来基于使用在1434处获取的上行信道状态信息UL H(例如，时隙n1的上行信道状态信息)作为经过训练的ML模块的输入来预测压缩的MCS参数MCS'，其对应于调度RB(例如，可以在时隙n1+m处分配给到UE 402的下行传输的RB)的最佳的一个或多个最佳调制阶数和/或一个或多个编码速率。例如，在一些实施例中，TRP 452的ML模块的神经网络可以包括作为AE结构的编码器部分的一层或多层，以生成作为AE结构的隐空间z的压缩的MCS参数MCS'。在一些实施例中，TRP 452可以将压缩的MCS参数MCS'发送到UE 402，作为在1440处发送的调度信息的一部分。在其它实施例中，压缩的MCS参数MCS'906在正常操作阶段1404期间不被发送到UE 402，即使其在训练阶段1402中的1425处作为联合训练的一部分被发送到UE。

在UE侧，在正常操作阶段1404中，UE 402在1442处使用其经过训练的ML模块，基于在1438处获取的下行信道状态信息DL H(例如，时隙n2的下行信道状态信息)，从TRP 452接收的压缩的MCS参数MCS'906，或两者，作为经过训练的ML模块的输入，来推断MCS参数MCS，其应匹配最佳MCS参数，该最佳MCS参数与TRP 452的经过训练的ML模块为调度RB(例如，在时隙n1+m处分配给到UE 402的下行传输的RB)预测的压缩的MCS参数MCS'相对应。

例如，在一些实施例中，TRP 452不将压缩的MCS参数MCS'作为在1440处发送的调度信息的一部分发送给UE 402，并且UE 402仅使用在1438处获取的下行信道状态信息DL H来推断在1442处的MCS参数MCS。在其它实施例中，TRP 452确实在1440处向UE 402发送压缩的MCS参数MCS'，并且UE：

在1442处，仅使用压缩的MCS参数MCS'来推断MCS参数MCS；或者

使用在1440处接收的压缩的MCS参数MCS'和在1438处获取的下行信道状态信息DLH来推断在1442处的MCS参数MCS。

还公开了执行本文描述的各种方法的设备(例如ED或UE和TRP或网络设备)的示例。

例如，第一设备可以包括用于存储处理器可执行指令的存储器和用于执行处理器可执行指令的处理器。当处理器执行处理器可执行指令时，可以使处理器执行本文所描述的一个或多个设备的方法步骤，例如，与图15至图18相关的描述。作为一个示例，处理器可以获取表征第一设备和第二设备之间的无线通信信道的信道状态信息，并使用信道状态信息作为ML模块输入和使用一个或多个MCS参数作为ML模块输出来训练ML模块，以满足训练目标。例如，处理器可以通过实现与操作模式一致的操作来使得设备在该操作模式下通过空口进行通信，例如执行必要的测量并根据这些测量生成内容(如针对操作模式所配置的)，准备上行传输并处理下行传输(例如编码、解码等)，以及配置和/或指示RF链上的发送/接收。

需要说明的是，本文使用的表达“A或B中的至少一个”与表达“A和/或B”是可互换的。该表达是指您可以选择A或B或A和B的列表。类似地，本文中使用的“A、B或C中的至少一个”与“A和/或B和/或C”或“A、B和/或C”是可互换的。其指的是以下列表，您可以在该列表中选择：A或B或C，或A和B，或A和C，或B和C，或A、B和C的全部。同样的原则适用于具有相同格式的较长列表。

虽然已经参考本发明的特定特征和实施例描述了本发明，但是在不脱离本发明的范围的情况下，可以进行各种修改和组合。说明书和附图因此仅被视为所附权利要求书界定的对本发明一些实施例的说明，并且考虑覆盖在本发明的范围内的任何和所有修改、变体、组合或等效物。因此，虽然本发明及其优点已详细描述，但是在不脱离所附权利要求书界定的本发明的情况下，可以作出各种改变、替代和更改。此外，本发明的范围并不旨在限定于说明书中所述的过程、机器、制造品、物质成分、模块、方法和步骤的具体实施例。本领域普通技术人员根据本发明的公开内容容易理解，可以根据本发明使用现有的或即将开发出的、执行与本文所描述的对应实施例实质相同的功能，或实现与所述实施例实质相同的结果的过程、机器、产品、物质组成、模块、方法或步骤。因此，所附权利要求书旨在于其范围内包括这些过程、机器、制造品、物质组成、构件、方法或步骤。

此外，本文例示的执行指令的任何模块、组件或设备可以包括或以其它方式访问一个或多个非瞬时性计算机/处理器可读存储介质，以存储信息，例如计算机/处理器可读指令、数据结构，程序模块和/或其它数据。非瞬时性计算机/处理器可读存储介质的示例的非详尽列表包括磁带盒，磁带，磁盘存储器或其它磁存储设备，只读光盘(compact discread-only memory，CD-ROM)、数字视频光盘或数字多功能光盘(digital video disc/digital versatiledisc，DVD)、蓝光光盘^TM等光盘，或其它光存储器，在任何方法或技术中实现的易失性和非易失性、可移动和不可移动介质，随机存取存储器(random-accessmemory，RAM)，只读存储器(read-only memory，ROM)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)，闪存或其它存储技术。任何这些非瞬时性计算机/处理器存储介质可以是设备的一部分，也可以由设备接入或连接。本文描述的任何应用或模块都可以使用计算机/处理器可读/可执行指令来实现，这些指令可以由这些非瞬时性计算机/处理器可读存储介质存储或以其它方式保存。

缩略词的定义

NR 新空口

AI 人工智能

ACK 应答

BWP 带宽部分

BLER 误块率

BS 基站

CB 编码块

CBG 编码块组

CCE 控制信道单元

CRC 循环冗余校验

CSI 信道状态信息

CSI-RS 信道状态信息参考信号

CQI 信道质量指示

DAI 下行分配指示

DC 双连接

DCI 下行控制信息

DL 下行

DL-SCH 下行共享信道

EN-DC E-UTRANR与使用E-UTRA的MCG和使用NR的SCG的双连接

FDD 频分双工

gNB 下一代(或5G)基站

HARQ-ACK 混合自动重传请求应答

MCG 主小区组

MCS 调制编码方案

ML 机器学习

MSE 均方误差

NACK 否定应答

NN 神经网络

PBCH 物理广播信道

PCell 主小区

PDCCH 物理下行控制信道

PDSCH 物理下行共享信道

PMI 预编码矩阵指示

PRACH 物理随机接入信道

PRG 物理资源块组

PSCell 主辅小区

PSS 主同步信号

PUCCH 物理上行控制信道

PUSCH 物理上行共享信道

RACH 随机接入信道

RAPID 随机接入前导标识

RB 资源块

RE 资源单元

RI 秩指示

RRM 无线资源管理

RMSI 剩余系统信息

RS 参考信号

RSRP 参考信号接收功率

SCG 辅小区组

SFN 系统帧号

SL 侧行链路

SPS 半静态调度

SR 调度请求

SRI SRS资源指示

SRS 探测参考信号

SSS 二次同步信号

TA 定时提前

TAG 定时提前组

TBS 传输块大小

TUE 目标UE

UCI 上行控制信息

UE 用户设备

UL 上行

UL-SCH 上行共享信道。

Claims

1.一种用于无线通信网络中的第一设备中的方法，其特征在于，所述方法包括：

获取表征所述无线通信网络中所述第一设备和第二设备之间的无线通信信道的信道状态信息；

使用所述信道状态信息作为机器学习(ML)模块输入以及使用一个或多个调制编码方案(MCS)参数作为ML模块输出来训练所述第一设备的ML模块，以满足训练目标，其中，所述一个或多个MCS参数包括预测的调制阶数、预测的编码速率或两者。

2.根据权利要求1所述的方法，其特征在于，获取所述信道状态信息包括：

从所述第二设备接收参考信号；以及

基于所述参考信号确定所述信道状态信息。

3.根据权利要求2所述的方法，其特征在于，所述第一设备是用户设备(UE)，所述第二设备是网络设备，所述方法还包括：

从所述网络设备接收与所述参考信号对应的训练数据，其中，所述训练数据包括指示由所述网络设备预测的一个或多个MCS参数的信息，所述一个或多个MCS参数包括预测的调制阶数、预测的编码速率或两者；

其中，训练所述第一设备的ML模块以满足训练目标包括：训练所述UE的所述ML模块以满足将所述UE的所述ML模块的所述ML模块输出的一个或多个MCS参数与所述网络设备预测的一个或多个MCS参数匹配的训练目标。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

向所述网络设备发送信道状态信息报告，所述信道状态信息报告包括指示所述信道状态信息的信息，所述信道状态信息是所述UE基于从所述网络设备接收的所述参考信号确定的。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

基于所述信道状态信息作为所述UE的ML编码器模块的输入，获取压缩的信道状态信息，其中，向所述网络设备发送所述信道状态信息报告包括向所述网络设备发送所述压缩的信道状态信息。

6.根据权利要求1所述的方法，其特征在于，所述第一设备是用户设备(UE)，所述第二设备是网络设备，所述方法还包括：

从所述UE发送参考信号，

其中，获取所述信道状态信息包括：从所述网络设备接收信道状态信息报告，所述信道状态信息报告包括指示上行信道状态信息的信息，所述上行信道状态信息是所述网络设备基于所述UE发送的所述参考信号确定的；并且

其中，使用所述信道状态信息作为ML模块输入包括使用所述上行信道状态信息作为所述ML模块输入。

7.根据权利要求1所述的方法，其特征在于，所述第一设备是网络设备，所述第二设备是用户设备(UE)，所述方法还包括：

从所述网络设备发送参考信号，

其中，获取所述信道状态信息包括：从所述UE接收信道状态信息报告，所述信道状态信息报告包括指示下行信道状态信息的信息，所述下行信道状态信息是所述UE基于所述网络设备发送的所述参考信号确定的；并且

其中，使用所述信道状态信息作为ML模块输入包括使用所述下行信道状态信息作为所述ML模块输入。

8.根据权利要求7所述的方法，其特征在于：

所述信道状态信息报告包括压缩的下行信道状态信息；

获取所述信道状态信息还包括对所述压缩的下行信道状态信息进行解码以生成重构的下行信道状态信息；并且

使用所述下行信道状态信息作为所述ML模块输入包括使用所述重构的下行信道状态信息作为所述ML模块输入。

9.根据权利要求8所述的方法，其特征在于：

对所述压缩的下行信道状态信息进行解码以生成重构的下行信道状态信息包括：使用ML解码器模块对所述压缩的下行信道状态信息进行解码，所述ML解码器模块与所述UE用于生成所述压缩的下行信道状态信息的ML编码器模块互补。

10.根据权利要求2所述的方法，其特征在于：

所述第一设备为网络设备，所述第二设备为用户设备(UE)；

从所述第二设备接收参考信号包括从所述UE接收参考信号；

基于所述参考信号确定所述信道状态信息包括基于从所述UE接收的所述参考信号确定上行信道状态信息；并且

使用所述信道状态信息作为ML模块输入包括使用所述上行信道状态信息作为所述ML模块输入。

11.根据权利要求10所述的方法，其特征在于，所述方法还包括：

向所述UE发送信道状态信息报告，所述信道状态信息报告包括指示所述上行信道状态信息的信息，所述上行信道状态信息是所述网络设备基于从所述UE接收的所述参考信号确定的。

12.根据权利要求1或2所述的方法，其特征在于：

所述第一设备为网络设备，所述第二设备为用户设备(UE)；并且

训练所述第一设备的ML模块以满足训练目标包括：训练所述网络设备的所述ML模块以满足优化用于所述网络设备和所述UE之间的下行通信的一个或多个性能指标的训练目标。

13.根据权利要求12所述的方法，其特征在于：

所述一个或多个性能指标包括吞吐量；并且

训练所述网络设备的所述ML模块包括训练所述ML模块以最大化所述网络设备和所述UE之间的下行通信的吞吐量。

14.根据权利要求7至13中任一项所述的方法，其特征在于，所述方法还包括：

向所述UE发送与所述参考信号对应的训练数据，所述训练数据包括指示所述网络设备的所述ML模块的所述ML模块输出的所述一个或多个MCS参数的信息，所述一个或多个MCS参数包括预测的调制阶数、预测的编码速率或两者。

15.根据权利要求1所述的方法，其特征在于，训练所述第一设备的所述ML模块包括：

采用联合优化来一起训练所述第一设备的ML模块和所述第二设备的ML模块，所述第一设备的ML模块和所述第二设备的ML模块被一起训练以满足：

i)将所述第二设备的ML模块的ML模块输出的一个或多个MCS参数与所述第一设备的ML模块的ML模块输出的一个或多个MCS参数匹配的第一训练目标；以及

ii)优化用于所述第一设备和所述第二设备之间的通信的一个或多个性能指标的第二训练目标。

16.根据权利要求15所述的方法，其特征在于：

所述一个或多个性能指标包括吞吐量；并且

所述第二训练目标包括最大化所述第一设备和所述第二设备之间的通信的吞吐量。

17.根据权利要求15或16所述的方法，其特征在于，所述方法还包括：

在确定训练已经收敛以满足所述第一训练目标和所述第二训练目标后，将所述第二设备的所述ML模块的训练权重发送给所述第二设备，以使所述第二设备能够实现所述ML模块。

18.根据权利要求15至17中任一项所述的方法，其特征在于：

所述第一设备为网络设备，所述第二设备为用户设备(UE)；

获取表征所述第一设备和第二设备之间的无线通信信道的信道状态信息包括：获取表征所述网络设备和所述UE之间的上行无线通信信道的上行信道状态信息，以及获取表征所述网络设备和所述UE之间的下行无线通信信道的下行信道状态信息；并且

采用联合优化来一起训练所述网络设备的ML模块和所述UE的ML模块，包括使用以下各项来训练所述网络设备的ML模块和所述UE的ML模块：

i)使用所述上行信道状态信息作为所述网络设备的ML模块的ML模块输入；以及

ii)使用所述下行信道状态信息、所述网络设备的所述ML模块输出的所述一个或多个MCS参数或两者，作为所述UE的ML模块的ML模块输入。

19.根据权利要求7所述的方法，其特征在于，所述参考信号包括位于不同时频资源块位置的多个训练信号。

20.根据权利要求19所述的方法，其特征在于，所述多个训练信号包括具有不同调制阶数的训练信号、具有不同编码速率的训练信号或者同时具有不同调制阶数和不同编码速率的训练信号。

21.根据权利要求20所述的方法，其特征在于，所述下行信道状态信息包括以下中的一个或多个：

至少一个信道质量指示(CQI)值；

至少一个参考信号接收功率(RSRP)值；

至少一个秩指示(RI)值；

至少一个预编码矩阵指示(PMI)值；

至少一个信噪比(SNR)值；或

至少一个信号干扰噪声比(SINR)值。

22.根据权利要求21所述的方法，其特征在于，所述至少一个CQI值包括与所述网络设备和所述UE之间的通信信道的不同子带对应的多个子带CQI值。

23.根据权利要求21所述的方法，其特征在于，所述至少一个CQI值包括对应于不同目标误块率(BLER)的多个CQI值。

24.根据权利要求21所述的方法，其特征在于，对于所述网络设备和所述UE之间的通信信道的多个子带中的每个子带，所述ML模块输出的所述一个或多个MCS参数包括针对相应子带优化的一个或多个MCS参数的相应集合。

25.根据权利要求24所述的方法，其特征在于，针对每个子带的一个或多个MCS参数的相应集合包括：

所述多个子带共用的调制阶数和编码速率；

针对所述相应子带优化的子带特定调制阶数和所述多个子带共用的编码速率；或

针对所述相应子带优化的子带特定调制阶数和针对所述相应子带优化的子带特定编码速率。

26.根据权利要求21所述的方法，其特征在于，对于用于所述网络设备和所述UE之间的下行通信的多个性能指标中的每个性能指标，所述ML模块输出的所述一个或多个MCS参数包括用于优化相应性能指标的一个或多个MCS参数的相应集合。

27.根据权利要求26所述的方法，其特征在于，所述多个性能指标包括以下中的一个或多个：

吞吐量；

延迟；或

误块率(BLER)。

28.根据权利要求19至27中任一项所述的方法，其特征在于，训练所述ML模块包括：使用所述信道状态信息和所述时频资源块位置作为ML模块输入并使用所述一个或多个MCS参数作为所述ML模块输出来训练所述ML模块，以满足所述训练目标。

29.根据权利要求28所述的方法，其特征在于，所述方法还包括：

在确定训练已经收敛以满足所述训练目标后，将所述网络设备的所述ML模块的训练权重发送给所述UE，以使所述UE能够实现所述ML模块。

30.根据权利要求28所述的方法，其特征在于，所述方法还包括：

获取表征所述网络设备和所述UE之间的无线通信信道的信道状态信息；

获取用于向所述UE发送传输块的一个或多个时频资源块位置；

基于所述信道状态信息和所述一个或多个时频资源块位置作为所述ML模块的输入，获取与所述一个或多个时频资源块位置关联的一个或多个MCS参数；

向所述UE发送调度信息，所述调度信息标识用于向所述UE发送所述传输块的所述一个或多个时频资源块位置；以及

使用所述一个或多个MCS参数和相关联的一个或多个时频资源块位置通过所述无线通信信道向所述UE发送所述传输块。

31.根据权利要求30所述的方法，其特征在于，发送所述调度信息包括在下行控制信息(DCI)中发送所述调度信息。

32.根据权利要求31所述的方法，其特征在于，所述DCI包括以下字段中的一个或多个：

a)ML模块输出指示字段，用于指示已经针对多个性能指标中的哪个性能指标而优化了用于发送所述传输块的所述一个或多个MCS参数；或

b)传输块映射指示字段，用于指示针对所述传输块从多个传输块映射方法中选择了哪个传输块映射方法，所述多个传输块映射方法包括以下中的两个或更多个：

i)具有一个传输块级调制阶数和一个传输块级编码速率的传输块映射方法；

ii)具有子带级调制阶数和一个传输块级编码速率的传输块映射方法；

iii)具有子带级调制阶数和多个子带级编码速率的传输块映射方法。

33.一种用于无线通信网络中的第一设备中的方法，其特征在于，所述方法包括：

基于所述信道状态信息作为机器学习(ML)模块的输入，获取用于所述第一设备和所述第二设备之间的通信的一个或多个调制编码方案(MCS)参数，所述一个或多个MCS参数包括预测的调制阶数、预测的编码速率或两者，其中，已经使用表征所述无线通信网络中所述第一设备和所述第二设备之间的无线通信信道的信道状态信息作为ML模块输入以及使用一个或多个MCS参数作为ML模块输出对所述ML模块进行了训练；以及

使用所述一个或多个MCS参数通过所述无线通信信道向所述第二设备发送或从所述第二设备接收。

34.根据权利要求33所述的方法，其特征在于，获取所述信道状态信息包括：

从所述第二设备接收参考信号；以及

基于所述参考信号确定所述信道状态信息。

35.根据权利要求34所述的方法，其特征在于，所述第一设备为用户设备(UE)，所述第二设备为网络设备，对用于获取所述一个或多个MCS的所述ML模块进行训练以满足将所述UE的所述ML模块的所述ML模块输出的所述一个或多个MCS参数与所述网络设备预测的一个或多个MCS参数匹配的训练目标。

36.根据权利要求34所述的方法，其特征在于，所述第一设备为用户设备(UE)，所述第二设备为网络设备，所述方法还包括：

基于所述信道状态信息作为所述UE的ML编码器模块的输入，获取压缩的信道状态信息；以及

向所述网络设备发送信道状态信息报告，所述信道状态信息报告包括所述压缩的信道状态信息。

37.根据权利要求33所述的方法，其特征在于，所述第一设备是用户设备(UE)，所述第二设备是网络设备，所述方法还包括：

从所述UE发送参考信号，

其中，获取所述信道状态信息包括从所述网络设备接收信道状态信息报告，所述信道状态信息报告包括指示上行信道状态信息的信息，所述上行信道状态信息是所述网络设备基于所述UE发送的所述参考信号确定的；并且

38.根据权利要求33所述的方法，其特征在于，所述第一设备是网络设备，所述第二设备是用户设备(UE)，所述方法还包括：

从所述网络设备发送参考信号，

39.根据权利要求38所述的方法，其特征在于：

所述信道状态信息报告包括压缩的下行信道状态信息；

40.根据权利要求39所述的方法，其特征在于：

41.根据权利要求34所述的方法，其特征在于：

所述第一设备为网络设备，所述第二设备为用户设备(UE)；

从所述第二设备接收参考信号包括从所述UE接收参考信号；

42.根据权利要求41所述的方法，其特征在于，所述方法还包括：

43.根据权利要求33或34所述的方法，其特征在于：

对用于获取所述一个或多个MCS参数的所述ML模块进行训练，以满足优化用于所述网络设备和所述UE之间的下行通信的一个或多个性能指标的训练目标。

44.根据权利要求33所述的方法，其特征在于，对用于获取所述一个或多个MCS参数的所述ML模块进行训练以最大化所述网络设备和所述UE之间的下行通信的吞吐量。

45.根据权利要求33或34所述的方法，其特征在于，所述第一设备是网络设备，所述第二设备是用户设备(UE)，所述方法还包括：

基于用于所述第一设备和所述第二设备之间的通信的所述一个或多个MCS参数作为所述网络设备的ML编码器模块的输入，获取压缩的MCS参数信息；以及

向所述UE发送所述压缩的MCS参数信息。

46.根据权利要求33或34所述的方法，其特征在于，所述第一设备是用户设备(UE)，所述第二设备是网络设备，所述方法还包括：

从所述网络设备接收压缩的MCS参数信息，

其中，获取用于所述UE与所述网络设备之间的通信的所述一个或多个MCS参数还基于所述压缩的MCS参数信息作为所述UE的所述ML模块的输入。

47.根据权利要求38所述的方法，其特征在于，所述方法还包括：

获取用于向所述UE发送传输块的一个或多个时频资源块位置，

其中，获取用于所述第一设备和所述第二设备之间的通信的一个或多个MCS参数包括：基于所述信道状态信息和所述一个或多个时频资源块位置作为使用所述训练权重配置的所述ML模块的输入，获取与所述一个或多个时频资源块位置相关联的一个或多个MCS参数。

48.根据权利要求47所述的方法，其特征在于，所述方法还包括：

49.根据权利要求48所述的方法，其特征在于，发送所述调度信息包括在下行控制信息(DCI)中发送所述调度信息。

50.根据权利要求49所述的方法，其特征在于，所述DCI包括以下字段中的一个或多个：

a)ML模块输出指示字段，用于指示已经针对多个性能指标中的哪个性能指标优化了用于发送所述传输块的所述一个或多个MCS参数；或

b)传输块映射指示字段，用于指示针对所述传输块从多个传输块映射方法中选择了哪个传输块映射方法，所述多个传输块映射方法包括以下中两个或更多个：

51.一种设备，其特征在于，所述设备包括：

处理器；以及

存储器，存储处理器可执行指令，所述处理器可执行指令在被执行时，使得所述处理器执行以下操作：

获取表征无线通信网络中所述设备和第二设备之间的无线通信信道的信道状态信息；

使用所述信道状态信息作为机器学习(ML)模块输入以及使用一个或多个调制编码方案(MCS)参数作为ML模块输出来训练所述设备的ML模块，以满足训练目标，其中，所述一个或多个MCS参数包括预测的调制阶数、预测的编码速率或两者。

52.根据权利要求51所述的设备，其特征在于，获取所述信道状态信息包括：

从所述第二设备接收参考信号；以及

基于所述参考信号确定所述信道状态信息。

53.根据权利要求52所述的设备，其特征在于，所述设备是用户设备(UE)，所述第二设备是网络设备，并且其中，所述处理器可执行指令在被执行时还使得所述处理器执行以下操作：

其中，训练所述设备的ML模块以满足训练目标包括：训练所述UE的ML模块以满足将所述UE的ML模块的所述ML模块输出的所述一个或多个MCS参数与所述网络设备预测的一个或多个MCS参数匹配的训练目标。

54.根据权利要求53所述的设备，其特征在于，所述处理器可执行指令在被执行时还使得所述处理器执行以下操作：

55.根据权利要求54所述的设备，其特征在于，所述处理器可执行指令在被执行时还使得所述处理器执行以下操作：

56.根据权利要求51所述的设备，其特征在于，所述设备是用户设备(UE)，所述第二设备是网络设备，并且其中，所述处理器可执行指令在被执行时还使得所述处理器执行以下操作：

从所述UE发送参考信号，

57.根据权利要求51所述的设备，其特征在于，所述设备是网络设备，所述第二设备是用户设备(UE)，并且其中，所述处理器可执行指令在被执行时还使得所述处理器执行以下操作：

从所述网络设备发送参考信号，

其中，获取所述信道状态信息包括：从所述UE接收信道状态信息报告，所述信道状态信息报告包括指示下行信道状态信息的信息，所述下行信道状态信息是所述UE基于所述网络设备发送的所述参考信号确定的；

58.根据权利要求57所述的设备，其特征在于：

所述信道状态信息报告包括压缩的下行信道状态信息；

59.根据权利要求58所述的设备，其特征在于：

60.根据权利要求52所述的设备，其特征在于：

所述设备为网络设备，所述第二设备为用户设备(UE)；

从所述第二设备接收参考信号包括从所述UE接收参考信号；

61.根据权利要求60所述的设备，其特征在于，所述处理器可执行指令在被执行时还使得所述处理器执行以下操作：

62.根据权利要求51或52所述的设备，其特征在于：

所述设备为网络设备，所述第二设备为用户设备(UE)；并且

训练所述设备的ML模块以满足训练目标包括：训练所述网络设备的所述ML模块以满足优化用于所述网络设备和所述UE之间的下行通信的一个或多个性能指标的训练目标。

63.根据权利要求62所述的设备，其特征在于：

所述一个或多个性能指标包括吞吐量；并且

64.根据权利要求57至63中任一项所述的设备，其特征在于，所述处理器可执行指令在被执行时还使得所述处理器执行以下操作：

65.根据权利要求51所述的设备，其特征在于，训练所述设备的所述ML模块包括：

采用联合优化来一起训练所述设备的ML模块和所述第二设备的ML模块，其中，所述设备的ML模块和所述第二设备的ML模块被一起训练以满足：

iii)将所述第二设备的ML模块的ML模块输出的一个或多个MCS参数与所述设备的ML模块的ML模块输出的一个或多个MCS参数匹配的第一训练目标；以及

iv)优化用于所述设备和所述第二设备之间的通信的一个或多个性能指标的第二训练目标。

66.根据权利要求65所述的设备，其特征在于：

所述一个或多个性能指标包括吞吐量；并且

所述第二训练目标包括最大化所述设备和所述第二设备之间的通信吞吐量。

67.根据权利要求65或66所述的设备，其特征在于，所述处理器可执行指令在被执行时还使得所述处理器执行以下操作：

68.根据权利要求65至67中任一项所述的设备，其特征在于：

所述设备为网络设备，所述第二设备为用户设备(UE)；

获取表征所述设备和第二设备之间的无线通信信道的信道状态信息包括：获取表征所述网络设备和所述UE之间的上行无线通信信道的上行信道状态信息，以及获取表征所述网络设备和所述UE之间的下行无线通信信道的下行信道状态信息；并且

采用联合优化来一起训练所述网络设备的ML模块和所述UE的ML模块包括使用以下各项来训练所述网络设备的ML模块和所述UE的ML模块：

iii)使用所述上行信道状态信息，作为所述网络设备的ML模块的ML模块输入；以及

iv)使用所述下行信道状态信息、所述网络设备的ML模块输出的一个或多个MCS参数，或两者，作为所述UE的ML模块的ML模块输入。

69.根据权利要求57所述的设备，其特征在于，所述参考信号包括位于不同时频资源块位置的多个训练信号。

70.根据权利要求69所述的设备，其特征在于，所述多个训练信号包括具有不同调制阶数的训练信号、具有不同编码速率的训练信号或者同时具有不同调制阶数和不同编码速率的训练信号。

71.根据权利要求70所述的设备，其特征在于，所述下行信道状态信息包括以下中的一个或多个：

至少一个信道质量指示(CQI)值；

至少一个参考信号接收功率(RSRP)值；

至少一个秩指示(RI)值；

至少一个预编码矩阵指示(PMI)值；

至少一个信噪比(SNR)值；或

至少一个信号干扰噪声比(SINR)值。

72.根据权利要求71所述的设备，其特征在于，所述至少一个CQI值包括与所述网络设备和所述UE之间的通信信道的不同子带对应的多个子带CQI值。

73.根据权利要求71所述的设备，其特征在于，所述至少一个CQI值包括对应于不同目标误块率(BLER)的多个CQI值。

74.根据权利要求71所述的设备，其特征在于，对于所述网络设备和所述UE之间的通信信道的多个子带中的每个子带，所述ML模块输出的所述一个或多个MCS参数包括针对相应子带优化的一个或多个MCS参数的相应集合。

75.根据权利要求74所述的设备，其特征在于，针对每个子带的一个或多个MCS参数的相应集合包括：

所述多个子带共用的调制阶数和编码速率；

76.根据权利要求71所述的设备，其特征在于，对于用于所述网络设备和所述UE之间的下行通信的多个性能指标中的每个性能指标，所述ML模块输出的所述一个或多个MCS参数包括用于优化相应性能指标的一个或多个MCS参数的相应集合。

77.根据权利要求76所述的设备，其特征在于，所述多个性能指标包括以下中的一个或多个：

吞吐量；

延迟；或

误块率(BLER)。

78.根据权利要求69至77中任一项所述的设备，其特征在于，训练所述ML模块包括：使用所述信道状态信息和所述时频资源块位置作为ML模块输入并使用所述一个或多个MCS参数作为ML模块输出来训练所述ML模块，以满足所述训练目标。

79.根据权利要求78所述的设备，其特征在于，所述处理器可执行指令在被执行时还使得所述处理器执行以下操作：

80.根据权利要求78所述的设备，其特征在于，所述处理器可执行指令在被执行时还使得所述处理器执行以下操作：

81.根据权利要求80所述的设备，其特征在于，发送所述调度信息包括在下行控制信息(DCI)中发送所述调度信息。

82.根据权利要求81所述的设备，其特征在于，所述DCI包括以下字段中的一个或多个：

83.一种设备，其特征在于，所述设备包括：

处理器；以及

基于所述信道状态信息作为机器学习(ML)模块的输入，获取用于所述设备和所述第二设备之间的通信的一个或多个调制编码方案(MCS)参数，其中，已经使用表征所述无线通信网络中所述设备和所述第二设备之间的无线通信信道的信道状态信息作为ML模块输入以及使用一个或多个MCS参数作为ML模块输出对所述ML模块进行了训练，所述一个或多个MCS参数包括预测的调制阶数、预测的编码速率或两者；以及

84.根据权利要求83所述的设备，其特征在于，获取所述信道状态信息包括：

从所述第二设备接收参考信号；以及

基于所述参考信号确定所述信道状态信息。

85.根据权利要求84所述的设备，其特征在于，所述设备为用户设备(UE)，所述第二设备为网络设备，对用于获取所述一个或多个MCS的所述ML模块进行训练以满足将所述UE的所述ML模块的所述ML模块输出的所述一个或多个MCS参数与所述网络设备预测的一个或多个MCS参数匹配的训练目标。

86.根据权利要求84所述的设备，其特征在于，所述设备是用户设备(UE)，所述第二设备是网络设备，其中，所述处理器可执行指令在被执行时还使得所述处理器执行以下操作：

87.根据权利要求83所述的设备，其特征在于，所述设备是用户设备(UE)，所述第二设备是网络设备，其中，所述处理器可执行指令在被执行时还使得所述处理器执行以下操作：

从所述UE发送参考信号，

88.根据权利要求83所述的设备，其特征在于，所述设备是网络设备，所述第二设备是用户设备(UE)，其中，所述处理器可执行指令在被执行时还使得所述处理器执行以下操作：

从所述网络设备发送参考信号，

89.根据权利要求88所述的设备，其特征在于：

所述信道状态信息报告包括压缩的下行信道状态信息；

90.根据权利要求89所述的设备，其特征在于：

91.根据权利要求84所述的设备，其特征在于：

所述设备为网络设备，所述第二设备为用户设备(UE)；

从所述第二设备接收参考信号包括从所述UE接收参考信号；

92.根据权利要求91所述的设备，其特征在于，所述处理器可执行指令在被执行时还使得所述处理器执行以下操作：

93.根据权利要求83或84所述的设备，其特征在于：

所述设备为网络设备，所述第二设备为用户设备(UE)；并且

94.根据权利要求83所述的设备，其特征在于，对用于获取所述一个或多个MCS参数的所述ML模块进行训练以最大化所述网络设备和所述UE之间的下行通信的吞吐量。

95.根据权利要求83或84所述的设备，其特征在于，所述设备是网络设备，所述第二设备是用户设备(UE)，其中，所述处理器可执行指令在被执行时还使得所述处理器执行以下操作：

基于用于所述设备和所述第二设备之间的通信的所述一个或多个MCS参数作为所述网络设备的ML编码器模块的输入，获取压缩的MCS参数信息；以及

向所述UE发送所述压缩的MCS参数信息。

96.根据权利要求83或84所述的设备，其特征在于，所述设备是用户设备(UE)，所述第二设备是网络设备，其中，所述处理器可执行指令在被执行时还使得所述处理器执行以下操作：

从所述网络设备接收压缩的MCS参数信息，

97.根据权利要求88所述的设备，其特征在于，所述处理器可执行指令在被执行时还使得所述处理器执行以下操作：

其中，获取用于所述设备和所述第二设备之间的通信的一个或多个MCS参数包括：基于所述信道状态信息和所述一个或多个时频资源块位置作为使用所述训练权重配置的所述ML模块的输入，获取与所述一个或多个时频资源块位置相关联的一个或多个MCS参数。

98.根据权利要求97所述的设备，其特征在于，所述处理器可执行指令在被执行时还使得所述处理器执行以下操作：

99.根据权利要求98所述的设备，其特征在于，传输所述调度信息包括在下行控制信息(DCI)中传输所述调度信息。

100.根据权利要求99所述的设备，其特征在于，所述DCI包括以下字段中的一个或多个：

101.一种装置，其特征在于，所述装置包括一个或多个单元，用于执行根据权利要求1至32中任一项所述的方法。

102.一种装置，其特征在于，所述装置包括一个或多个单元，用于执行根据权利要求33至50中任一项所述的方法。