CN117459409A - 一种确定人工智能ai模型的方法及装置 - Google Patents
一种确定人工智能ai模型的方法及装置 Download PDFInfo
- Publication number
- CN117459409A CN117459409A CN202210970366.6A CN202210970366A CN117459409A CN 117459409 A CN117459409 A CN 117459409A CN 202210970366 A CN202210970366 A CN 202210970366A CN 117459409 A CN117459409 A CN 117459409A
- Authority
- CN
- China
- Prior art keywords
- scene
- model
- terminal device
- identifier
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims description 235
- 238000004891 communication Methods 0.000 claims description 69
- 238000004590 computer program Methods 0.000 claims description 14
- 241000269436 Ranidae Species 0.000 claims description 4
- 102100025022 Mannose-6-phosphate isomerase Human genes 0.000 description 108
- 108091022912 Mannose-6-Phosphate Isomerase Proteins 0.000 description 98
- 229920006934 PMI Polymers 0.000 description 98
- 230000006870 function Effects 0.000 description 63
- 238000007726 management method Methods 0.000 description 24
- 238000013507 mapping Methods 0.000 description 17
- 230000011664 signaling Effects 0.000 description 17
- 238000005259 measurement Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 14
- 239000013598 vector Substances 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 230000004044 response Effects 0.000 description 12
- 101000577063 Arabidopsis thaliana Mannose-6-phosphate isomerase 1 Proteins 0.000 description 10
- 101001094831 Homo sapiens Phosphomannomutase 2 Proteins 0.000 description 10
- 238000013461 design Methods 0.000 description 8
- 101000577065 Arabidopsis thaliana Mannose-6-phosphate isomerase 2 Proteins 0.000 description 7
- QLBALZYOTXGTDQ-VFFCLECNSA-N PGI2-EA Chemical compound O1\C(=C/CCCC(=O)NCCO)C[C@@H]2[C@@H](/C=C/[C@@H](O)CCCCC)[C@H](O)C[C@@H]21 QLBALZYOTXGTDQ-VFFCLECNSA-N 0.000 description 7
- 101150096310 SIB1 gene Proteins 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 6
- 238000013523 data management Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 235000019580 granularity Nutrition 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access
- H04W74/08—Non-scheduled access, e.g. ALOHA
- H04W74/0833—Random access procedures, e.g. with 4-step access
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供一种确定人工智能AI模型的方法及装置。针对场景构建与该场景对应的场景标识,本申请能够快速、准确地获取与该场景标识对应的AI模型。该方法包括:终端设备获取第一标识,第一标识用于指示第一场景;终端设备获取第一AI模型,第一AI模型与第一场景对应。
Description
本申请要求于2022年07月13日提交国家知识产权局、申请号为202210823771.5、发明名称为“一种AI模型使用场景的指示方法、终端设备、网络设备”的中国专利申请的优先权,其全部内容通过引用结合在本申请中。
技术领域
本申请涉及通信领域,尤其涉及一种确定人工智能AI模型的方法及装置。
背景技术
在无线通信系统中引入人工智能(artificial intelligence,AI)技术的场景中,AI模型能否适用于不同场景是衡量一个模型性能的重要指标。AI模型为适应各种场景,需要获取大量不同场景的数据进行AI模型的训练,如此,得到的AI模型也会比较复杂。另外,由于训练的AI模型考虑了尽可能多的场景,因此,对于每个场景,AI模型的性能可能达不到较好的效果。
然而,针对不同的场景训练不同的AI模型,对于AI模型的维护成本较高。相关技术中,通过数据集的角度来区分场景,需要预先知道对应的数据集是什么,才能选择对应模型。而实际中,无法获知训练时使用的数据集信息。
发明内容
本申请提供一种确定人工智能AI模型的方法及装置,针对场景构建与该场景对应的场景标识,进而获取与该场景标识对应的AI模型。为了达到上述技术目的,本申请可采用如下技术方案:
第一方面,提供一种确定人工智能AI模型的方法。该方法包括:终端设备获取第一标识,第一标识用于指示第一场景;终端设备获取第一AI模型,第一AI模型与第一场景对应。基于第一方面提供的方法,第一标识与第一场景对应,第一场景对应第一AI模型。进而终端设备可以准确、快速的获取与该第一标识对应的第一AI模型。
在一种实施方式中,终端设备获取第一标识,包括:终端设备接收来自网络设备的第一标识;或者,终端设备根据第一场景确定第一标识。
示例性地,终端设备可以接收来自网络设备的第一标识。终端设备也可以根据自身的场景信息(第一场景)确定第一标识。
在一种实施方式中,终端设备接收来自网络设备的第一标识,包括:终端设备接收来自网络设备的第一预设消息,第一预设消息中携带第一标识。
在一种实施方式中,第一预设消息包括:系统消息SIB和/或网络设备和终端设备之间的专属信令。
在一种实施方式中,终端设备获取第一AI模型,包括:终端设备根据第一标识和训练数据得到第一AI模型;或者,终端设备接收来自网络设备的第一AI模型;或者,终端设备从本地存储的AI模型中获取第一AI模型。
在一种实施方式中,终端设备获取第一AI模型,训练数据为一个训练数据集合。
在一种实施方式中,终端设备接收来自网络设备的第一标识,还包括:终端设备接收来自网络设备的邻区测量配置消息,邻区测量配置消息中携带第一标识。
在一种实施方式中,终端设备接收来自网络设备的第一标识,还包括:终端设备接收来自网络设备的切换命令;切换命令中携带第一标识或切换命令中指示第一网络设备场景信息与切换后的第二网络设备场景信息是否相同。
在一种实施方式中,终端设备接收来自网络设备的第一AI模型,还包括:终端设备接收来自服务器的第一AI模型,该服务器可以与终端设备通信。
在一种实施方式中,终端设备根据第一标识和训练数据得到第一AI模型,包括:终端设备根据第一标识确定第一AI模型的训练数据,训练数据与第一场景对应;终端设备根据训练数据训练得到第一AI模型。
在一种实施方式中,终端设备根据第一标识和训练数据得到第一AI模型,还包括:服务器和/或网络设备根据第一标识和训练数据训练得到第一AI模型。
在一种实施方式中,在终端设备根据第一标识和训练数据得到第一AI模型之后,该方法还包括:终端设备生成第一标识和第一AI模型的对应关系。如此,终端设备根据第一标识即可获取对应的AI模型。
在一种实施方式中,同一第一标识对应同一第一AI模型。
在一种实施方式中,第一标识为多个;不同第一标识对应相同的网络配置参数,网络配置参数至少包括天线端口配置参数、波束配置参数。
在一种实施方式中,第一标识为多个,终端设备接收来自网络设备的多个第一标识;终端设备根据对个第一标识以及网络配置参数确定一个第一标识。
在一种实施方式中,第一消息包括媒体接入层控制单元MAC-CE信令。
在一种实施方式中,第一标识包括:场景类型标识、第一PMI标识、场景标记标识中的至少一种。其中,场景类型标识粒度大于第一PMI标识。
在一种实施方式中,第一标识指示第一网络信息集合,第一网络信息集合包括第一小区的小区标识、公共陆地移动网标识PLMN、跟踪区域标识TAC、接入网区域标识RANID、小区频点、小区波段band中的至少一种;第一小区为第二小区的邻小区,第二小区为终端设备所在的小区。
在一种实施方式中,在终端设备未接收到第一标识的情况下,该方法还包括:终端设备向网络设备发送第一消息,第一消息用于指示网络设备发送第一标识。
在一种实施方式中,在终端设备接收到第一标识,终端设备未获取第一标识对应的第一AI模型,该方法还包括:终端设备向网络设备发送第一消息,第一消息用于指示网络设备发送第二标识,第二标识与第一标识不同。
在一种实施方式中,在终端设备接收到第一标识,终端设备获取到第一标识对应的第一AI模型,该方法还包括:终端设备向网络设备发送第一消息,第一消息用于指示网络设备发送第二标识,第二标识与第一标识不同。
在一种实施方式中,第一消息携带终端设备支持的一个或多个第一标识、终端设备的第一场景的场景信息、终端设备请求网络设备发送第一标识的请求信息中的至少一个。
示例性地,第一标识对应终端设备当前场景(第一场景),按照场景标识区分粒度的不同,当前场景可以表述为多个场景标识,第一标识为这些场景标识的总称。
在一种实施方式中,该方法还包括:终端设备接收来自网络设备的第一随机接入资源和/或第二随机接入资源的配置信息;在终端设备获取到第一标识对应的第一AI模型的情况下,终端设备根据第一随机接入资源的配置信息,通过第一随机接入资源发起随机接入;在终端设备未获取到第一标识对应的第一AI模型的情况下,终端设备根据第二随机接入资源的配置信息,通过第二随机接入资源发起随机接入。如此,终端设备可以快速通知网络设备,该终端设备是否支持网络设备发送的第一标识。
第二方面,提供一种确定人工智能AI模型的方法。该方法包括:网络设备确定第一标识;网络设备向终端设备发送第一标识,第一标识用于指示第一场景。基于第二方面提供的方法,网络设备确定第一场景对应的第一标识,网络设备将第一标识发送给终端设备,指示终端设备的当前场景(第一场景)对应的第一标识。进而终端设备可以获取与第一标识对应的第一AI模型。
在一种实施方式中,该方法还包括:网络设备接收来自终端设备的第一消息;网络设备根据第一消息向终端设备发送第一标识。
在一种实施方式中,该方法还包括:网络设备接收来自终端设备的第一消息;网络设备根据第一消息向终端设备发送第二标识。
在一种实施方式中,该方法还包括:第一网络设备向第二网络设备发送终端设备支持的一个或多个第一标识;第一网络设备为切换前终端设备接入的网络设备,第二网络设备为切换后终端设备接入的网络设备。
第三方面,提供一种通信装置。该通信装置包括:处理器,该处理器与存储器耦合,存储器用于存储计算机程序。处理器用于执行存储器中存储的计算机程序,以使得如第一方面和第二方面中任一种实现方式的方法被执行。
第四方面,提供了一种芯片系统,该芯片系统包括逻辑电路和输入/输出端口。其中,逻辑电路用于实现第一方面和第二方面所涉及的处理功能,输入/输出端口用于实现第一方面至第四方面所涉及的收发功能。具体地,输入端口可用于实现第一方面至第四方面所涉及的接收功能,输出端口可用于实现第一方面和第二方面所涉及的发送功能。
在一种设计中,该芯片系统还包括存储器,该存储器用于存储实现第一方面和第二方面所涉及功能的程序指令和数据。
该芯片系统,可以由芯片构成,也可以包含芯片和其他分立器件。
第五方面,提供一种计算机可读存储介质。该计算机可读存储介质存储有计算机程序或指令;当该计算机程序或指令在计算机上运行时,使得第一方面和第二方面中任意一种实现方式的方法被执行。
第六方面,提供一种计算机程序产品,包括计算机程序或指令,当该计算机程序或指令在计算机上运行时,使得第一方面和第二方面中任意一种实现方式的方法被执行。
附图说明
图1为本申请实施例提供的一种通信系统的架构示意图;
图2为本申请实施例提供的一种场景与AI模型对应的示意图;
图3为本申请实施例提供的一种场景下AI模型与AI模型对应的示意图;
图4为本申请实施例提供的另一种场景下AI模型与AI模型对应的示意图;
图5为本申请实施例提供的另一种场景与AI模型对应的示意图;
图6A为本申请实施例提供的另一种场景与AI模型对应的示意图;
图6B为本申请实施例提供的一种场景与场景关系的示意图;
图7为本申请实施例提供的另一种场景与AI模型对应的示意图;
图8为本申请实施例提供的另一种场景与AI模型对应的示意图;
图9为本申请实施例提供的另一种场景与AI模型对应的示意图;
图10A为本申请实施例提供的一种确定AI模型的方法的流程示意图;
图10B为本申请实施例提供的另一种确定AI模型的方法的流程示意图;
图11为本申请实施例提供的另一种确定AI模型的方法的流程示意图;
图12为本申请实施例提供的另一种场景与场景关系的示意图;
图13为本申请实施例提供的另一种确定AI模型的方法的流程示意图;
图14为本申请实施例提供的另一种确定AI模型的方法的流程示意图;
图15为本申请实施例提供的一种确定AI模型的方法的流程示意图;
图16为本申请实施例提供的一种通信装置的结构示意图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。本申请实施例的技术方案可以应用于各种通信系统,例如通用移动通信系统(universal mobile telecommunicationssystem,UMTS)、无线局域网(wireless local area network,WLAN)、无线保真(wirelessfidelity,Wi-Fi)系统、有线网络、车到任意物体(vehicle to everything,V2X)通信系统、设备间(device-to-device,D2D)通信系统、车联网通信系统、第4代(4th generation,4G)移动通信系统,如长期演进(long term evolution,LTE)系统、全球互联微波接入(worldwide interoperability for microwave access,WiMAX)通信系统,第五代(5thgeneration,5G)移动通信系统,如新空口(new radio,NR)系统,以及未来的通信系统,如第六代(6th generation,6G)移动通信系统等。
本申请将围绕可包括多个设备、组件、模块等的系统来呈现各个方面、实施例或特征。应当理解和明白的是,各个系统可以包括另外的设备、组件、模块等,并且/或者可以并不包括结合附图讨论的所有设备、组件、模块等。此外,还可以使用这些方案的组合。
另外,在本申请实施例中,“示例地”、“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用示例的一词旨在以具体方式呈现概念。
本申请实施例中,“的(of)”,“相应的(corresponding,relevant)”和“对应的(corresponding)”有时可以混用,应当指出的是,在不强调其区别时,其所要表达的含义是一致的。
本申请实施例描述的网络架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着网络架构的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
为便于理解本申请实施例,首先以图1中示出的通信系统为例详细说明适用于本申请实施例的通信系统。如图1所示,该通信系统包括终端设备和网络设备。其中,上述终端设备为接入上述通信系统,且具有无线收发功能的终端或可设置于该终端的芯片或芯片系统。该终端设备也可以称为用户设备(user equipment,UE)、用户装置、接入终端、用户单元、用户站、移动站、移动台(mobile station,MS)、远方站、远程终端、移动设备、用户终端、终端、终端单元、终端站、终端装置、无线通信设备、用户代理或用户装置。例如,本申请的实施例中的终端设备可以是手机(mobile phone)、无线数据卡、个人数字助理(personaldigital assistant,PDA)电脑、膝上型电脑(laptop computer)、平板电脑(Pad)、无人机、带无线收发功能的电脑、机器类型通信(machine type communication,MTC)终端、虚拟现实(virtual reality,VR)终端设备、增强现实(augmented reality,AR)终端设备、物联网(internet ofthings,IoT)终端设备、工业控制(industrial control)中的无线终端、无人驾驶(selfdriving)中的无线终端、远程医疗(remote medical)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端(例如游戏机、智能电视、智能音箱、智能冰箱和健身器材等)、车载终端、具有终端功能的RSU。接入终端可以是蜂窝电话(cellular phone)、无绳电话、会话启动协议(session initiation protocol,SIP)电话、无线本地环路(wireless local loop,WLL)站、个人数字助理(personal digitalassistant,PDA)、具有无线通信功能的手持设备(handset)、计算设备或连接到无线调制解调器的其它处理设备、可穿戴设备等。
又例如,本申请实施例中的终端设备可以是智慧物流中的快递终端(例如可监控货物车辆位置的设备、可监控货物温湿度的设备等)、智慧农业中的无线终端(例如可收集禽畜的相关数据的可穿戴设备等)、智慧建筑中的无线终端(例如智慧电梯、消防监测设备、以及智能电表等)、智能医疗中的无线终端(例如可监测人或动物的生理状态的可穿戴设备)、智能交通中的无线终端(例如智能公交车、智能车辆、共享单车、充电桩监测设备、智能红绿灯、以及智能监控以及智能停车设备等)、智能零售中的无线终端(例如自动售货机、自助结账机、以及无人便利店等)。又例如,本申请的终端设备可以是作为一个或多个部件或者单元而内置于车辆的车载模块、车载模组、车载部件、车载芯片或者车载单元,车辆通过内置的所述车载模块、车载模组、车载部件、车载芯片或者车载单元可以实施本申请提供的方法。
上述网络设备可以为接入网设备和核心网网元中的一个设备,或者,网络设备可以为核心网网元中的一个或多个设备与接入网设备的集成的设备。上述接入网设备为位于上述通信系统的网络侧,且具有无线收发功能的设备或可设置于该设备的芯片或芯片系统。该接入网设备包括但不限于:无线保真(wireless fidelity,Wi-Fi)系统中的接入点(access point,AP),如家庭网关、路由器、服务器、交换机、网桥等,演进型节点B(evolvedNode B,eNB)、无线网络控制器(radio network controller,RNC)、节点B(Node B,NB)、基站控制器(base station controller,BSC)、基站收发台(base transceiver station,BTS)、家庭基站(例如,home evolved NodeB,或home Node B,HNB)、基带单元(basebandunit,BBU),无线中继节点、无线回传节点、传输点(transmission and reception point,TRP或者transmission point,TP)等,还可以为5G,如,新空口(new radio,NR)系统中的gNB,或,传输点(TRP或TP),5G系统中的基站的一个或一组(包括多个天线面板)天线面板,或者,还可以为构成gNB或传输点的网络节点,如基带单元(BBU),或,分布式单元(distributed unit,DU)、具有基站功能的路边单元(road side unit,RSU)等,或者还可以为卫星、或未来各种形式的基站。
上述核心网网元可以包括但不限于如下一项或多项:用户面网元、认证服务器、移动性管理网元、会话管理网元、统一数据管理网元、策略控制网元、存储功能网元、应用网元、网络开放网元。
其中,用户面网元:作为和数据网络的接口,完成用户面数据转发、基于会话/流级的计费统计,带宽限制等功能。即分组路由和转发以及用户面数据的服务质量(quality ofservice,QoS)处理等。在5G通信系统中,该用户面网元可以是用户面功能(user planefunction,UPF)网元。
认证服务器:用于执行用户的安全认证。在5G通信系统中,该认证服务器可以是认证服务器功能(authentication server function,AUSF)网元。
移动性管理网元主要用于移动性管理和接入管理等。在5G通信系统中,该接入管理网元可以是接入和移动性管理功能(access and mobility management function,AMF)网元,主要进行移动性管理、接入鉴权/授权等功能。此外,移动性管理网元还负责在终端与策略控制功能(policy control function,PCF)网元间传递用户策略。
会话管理网元:主要用于会话管理(例如创建、删除等)、维护会话上下文及用户面转发管道信息、用户设备的网络互连协议(internet protocol,IP)地址分配和管理、选择可管理用户平面功能、策略控制和收费功能接口的终结点以及下行数据通知等。在5G通信系统中,该会话管理网元可以是会话管理功能(session management function,SMF)网元,完成终端IP地址分配,UPF选择,及计费与QoS策略控制等。
统一数据管理网元:负责用户标识、签约数据、鉴权数据的管理、用户的服务网元注册管理。在5G通信系统中,该统一数据管理网元可以是统一数据管理(unified datamanagement,UDM)网元。
策略控制网元:包括用户签约数据管理功能、策略控制功能、计费策略控制功能、服务质量(quality of service,QoS)控制等,用于指导网络行为的统一策略框架,为控制面功能网元(例如AMF,SMF网元等)提供策略规则信息等。在5G通信系统中,该策略控制网元可以是PCF。
存储功能网元:为其他核心网元提供网络功能实体信息的存储功能和选择功能。在5G通信系统中,该网元可以是网络功能存储库功能(network function repositoryfunction,NRF)网元。
应用网元:可用于提供各种业务服务,能够通过网络开放功能(network elementfunction,NEF)网元与核心网交互,以及能够和策略管理框架交互进行策略管理。在5G通信系统中,该应用网元可以是应用功能(application function,AF)网元,表示第三方或运营商的应用功能,是5G网络获取外部应用数据的接口,主要用于传递应用侧对网络侧的需求。
网络开放网元:可用于提供网络能力开放相关的框架、鉴权和接口,在5G系统网络功能和其他网络功能之间传递信息。在5G通信系统中,该网络开放网元可以是网络开放功能(network element function,NEF)网元,主要用于向AF暴露3GPP网络功能的业务和能力,同时也可以让AF向3GPP网络功能提供信息。
可选地,图1所示的通信系统可以适用于目前正在讨论的通信网络,也可以适用于未来的其他网络等,本申请实施例对此不做具体限定。本申请实施例提供的确定AI模型的方法,可以适用于图1所示的终端设备与网络设备之间。本申请实施例提供的确定AI模型的方法还可应用在图1所示的终端设备或网络设备中。本申请实施例提供的方法的具体实现可以参考下述方法实施例,此处不再赘述。
应当指出的是,本申请实施例中的方案还可以应用于其他通信系统中,相应的名称也可以用其他通信系统中的对应功能的名称进行替代。应理解,图1仅为便于理解而示例的简化示意图,该通信系统中还可以包括其他网络设备,和/或,其他终端设备,图1中未予以画出。
AI模型具备强大的学习能力。因此,AI模型可以应用于越来越多的场景中,比如信道状态信息(channel state information,CSI)反馈场景、波束管理场景、定位场景等。
可选地,可针对多个场景设计泛化性的AI模型,该泛化性的AI模型可以适用于多个场景。由于AI模型的训练依赖于训练数据,因此,为提高AI模型的泛化性,需要获取大量不同场景的训练数据进行训练。此外,为适应各种场景,具有泛化性的AI模型通常设计上也会比较复杂。并且,AI模型的特征提取考虑了尽可能多的场景,因此AI模型对于每个场景的性能不一定能达到较好的效果。
可选地,可以针对不同的场景设计不同的AI模型,在训练数据的收集和AI模型的设计上的难度都会减小。而且AI模型仅针对某个特定的场景进行训练,因此AI模型的特征提取上,可以更适应当前场景,从而针对该特定场景的AI模型的性能可以更好。
示例性地,在CSI反馈这一场景中应用AI模型时,可以使用自编码器架构进行CSI反馈。自编码器架构一般包括AI编码器、AI解码器。其中,AI编码器可部署在终端设备,AI解码器可部署在网络设备。相比于传统的CSI反馈技术,基于AI模型的CSI反馈,在相同的CSI反馈性能下,可以降低空口的反馈开销以及终端设备的计算复杂度,具有更大的使用前景。
示例性地,在波束管理这一场景中应用AI模型时,终端设备或者网络设备利用AI模型可以高效准确的识别出最好的波束。该AI模型可以仅位于终端设备中,也可以仅位于网络设备中。示例性地,当AI模型位于终端设备中时,终端设备可以根据网络设备发送的训练数据或者终端设备自身感知到的训练数据进行AI模型的训练或者使用。
示例性地,在定位这一场景中应用AI模型时,可以采用三点定位的方式进行定位,终端设备获取周围三个网络设备的位置信息,输入到对应的AI模型中。进而,根据终端设备到三个网络设备的距离、方向、信道等信息,得到该终端设备的位置。
针对特定的场景,获取该场景下的数据集,训练得到该场景下的AI模型,该场景化的AI模型具有更好的性能。也即,根据不同的数据集,可以确定不同的场景化AI模型。该不同的数据集可以认为是不同的场景。但是通过数据集的角度来区分场景,需要预先知道对应的数据集是什么,才能选择对应的AI模型。而实际中,无法获知训练时使用的训练数据集信息。
并且,训练不同的AI模型时,也需要提前对收集得到的训练数据进行划分。如果预先不知道训练数据应该划分到哪个训练数据集,则也无法训练生成对应的AI模型,或者导致划分的训练数据集无法和当前场景取得最佳的匹配性能,降低AI模型使用的效率和性能。
此外,虽然终端设备可以根据网络设备发送的训练数据集的分布特点,判断待使用的AI模型是否适配当前场景。然而,训练数据集的分布特点多样,且数据庞大,终端设备判断AI模型是否适配当前场景时较为困难,且不一定准确。
针对上述问题,本申请实施例提出了一种确定AI模型的方法,针对场景构建与该场景对应的场景标识,进而获取与该场景标识对应的AI模型。
针对不同的应用场景,AI模型的部署和应用方式不同。例如:在CSI反馈场景中应用AI模型时,终端设备部署AI编码器,网络设备部署AI解码器。终端设备和网络设备的AI模型组成了一个整体,终端设备和网络设备的AI模型使用相同的训练数据集,可以搭配训练或者使用。而在波束管理或者定位的场景中应用AI模型时,AI模型可以仅位于终端设备中,也可以仅位于网络设备中。终端设备根据网络设备发送的数据或者终端设备自身感知到的数据进行AI模型的训练或者使用。
本申请实施例中,若网络设备和终端设备中均部署AI模型,两侧设备中的任一侧设备无法通过自身的AI模型完成整体AI网络的使用,而需要通过网络设备和终端设备部署的AI模型配合,例如在空口中传递AI模型中间的推理结果,则定义为双端模型。若AI模型仅存在一侧,也即网络设备或终端设备根据部署在自身的AI模型可以直接得到推理结果,无需借助另一端的AI模型共同完成推理的,则可定义为单端模型。
在双端模型中,由于涉及到了AI模型的两个部分,因此,需要将AI模型加载到网络设备和终端设备。一种方式是网络设备或终端设备离线加载AI模型,此时,无需在空口上传输AI模型。另一种方式是网络设备或终端设备通过在线的方式加载AI模型,此时需要在空口上传输AI模型,从而进行加载。
针对单端模型,虽然场景的判断可以由部署AI模型的设备自身实现,但如果能有更加明确的场景信息,则更有助于场景模型的选择和训练,以及场景模型的训练数据集合的确定。如图2所示,终端设备中,AI模型A1确定适配当前场景为场景1;AI模型C2确定适配当前场景为场景2。可选地,场景1和场景2都为预先设定的场景。
可选地,也可以收集AI模型对应场景中的训练数据训练该AI模型。如图2所示,可以收集场景1中的训练数据训练AI模型A1,使得AI模型A1在场景1中的性能更好。收集场景2中的训练数据,训练AI模型A2,使得AI模型A2在场景2中的性能更好。
针对双端模型,则需要实现网络设备和终端设备对于场景选择的一致性。否则,在没有模型传递的情况下,可能导致两端的AI模型选择不匹配,或两端的AI模型的训练数据集合不匹配,影响AI模型的使用性能。如图3所示,网络设备中AI模型A1与终端设备中AI模型A2对应的场景都为场景1;网络设备中AI模型B1与终端设备中AI模型C2对应的场景都为场景2。可选地,场景1和场景2可以为预先设定的场景。
可选地,对于双端模型,如图4所示,网络设备1和终端设备1在场景1下训练得到了一套AI模型A,AI模型A包括两个部分,AI模型A1和AI模型A2。网络设备1中部署AI模型A1,终端设备1中部署AI模型A2。网络设备1和终端设备1中的AI模型匹配。网络设备2和终端设备2在场景2下训练得到了一套AI模型B,AI模型B包括两个部分,AI模型B1和AI模型B2。网络设备2中部署AI模型B1,终端设备2中部署AI模型B2。网络设备2和终端设备2中的AI模型匹配。若场景2与场景1具有相似关系,则各个网络设备的AI模型和各个终端设备的AI模型之间可互相匹配。场景1和场景2中的训练数据可以训练场景1和场景2中的所有AI模型。
示例性地,当终端设备1由场景1切换到场景2后,若场景2与场景1具有相似关系,则终端设备1可以在场景2中使用AI模型A2,并且该终端设备1的AI模型A2可以与场景2中的网络设备2的AI模型B1匹配使用。同理,终端设备2也可以在场景1中使用AI模型B2,并且该终端设备2的AI模型B2可以与场景1中的网络设备1的AI模型A1匹配使用。
示例性地,当终端设备1位于场景1时,可以收集场景1中的训练数据1。当终端设备1由场景1切换到场景2后,终端设备1可以收集场景2中的训练数据2。若场景2与场景1具有相似关系。则训练数据1和训练数据2可以组成一个训练数据集合,该训练数据集合可以用于训练场景1或场景2下的终端设备的AI模型。
可选地,对于单端模型,以AI模型部署在终端设备中为例。可选地,终端设备自身可以判断所处场景,也可以由网络设备指示当前场景,终端设备根据当前场景选择对应的AI模型来使用。或者,终端设备将收集到的训练数据归属到用于训练当前场景下AI模型的训练数据集。可选地,网络设备通过场景标识指示终端设备当前场景,终端设备根据场景标识选取对应的AI模型。
此外,由于终端设备的移动性,终端设备所处的场景可能不断变化。因此,当场景出现变化后,需要确定终端设备所在的新的场景,并切换新的场景对应的AI模型,并从新的场景中收集训练数据组成训练数据集合,用于训练新的场景对应的AI模型。
可选地,本申请实施例给出了场景标识的多种可能实现形式。在一种实现方式中,场景标识可以为场景类型标识,表示一个具有比较明显特征的场景所属的类型,例如,该场景下的信道所属的信道类型,或该场景所处的环境所属的类型。
示例性地,场景类型可以为城市宏小区场景类型(urban area macrocell,Uma)、城市微小区场景类型(urban area microcell,Umi)、室内场景类型(indoor)、室外场景类型(outdoor)等。本申请实施例对此不做限制。
可选地,室内场景类型包括室内工厂场景类型、室内办公室场景类型、室内游乐场场景类型等,本申请实施例对此并不限制。
可选地,室外场景类型包括室外工厂场景类型、室外办公室场景类型、室外游乐场场景类型等,本申请实施例对此并不限制。
可选地,某一场景可以具备多个场景类型标识。例如:某一场景既可以描述为城市宏小区场景类型又可以描述为室外场景类型,因此可以具备这两个场景类型的标识。
可选地,不同场景类型下的信道特征可能具有较大差异,例如室外场景类型的信道和室内场景类型的信道之间的信道特征差异较大,因此网络设备和/或终端设备可以在不同场景类型下采集数据,并针对不同的场景类型分别训练场景化的AI模型,此时该AI模型在特定场景下具有较好的性能。
可选地,每个场景类型对应各自的AI模型。示例性地,当终端设备位于城市宏小区场景类型时,该终端设备使用城市宏小区场景类型对应的AI模型。
可选地,每个场景类型对应有各自的AI模型的训练数据集合。示例性地,当终端设备位于城市宏小区场景类型时,该终端设备可以采集城市宏小区场景类型的训练数据,该训练数据可以作为城市宏小区场景类型对应的AI模型的训练数据集合,或训练数据集合中的一部分。
可选地,范围较小的场景类型可以使用范围较大的场景类型对应的AI模型。
示例性地,室内场景类型对应的AI模型为A,室内办公室场景类型对应的AI模型为B。此时,若终端设备位于室内办公室场景类型时,该终端设备可以使用AI模型B,也可以使用AI模型A。
可选地,当网络设备1的场景类型与网络设备2的场景类型具备相似关系时,在网络设备1中训练或使用过的AI模型,可以在网络设备2中训练或者使用。同理,当终端设备1的场景类型与终端设备2的场景类型具备相似关系时,在终端设备1中训练或使用过的AI模型,可以在终端设备2中训练或者使用。
可选地,当网络设备1的场景类型与网络设备2的场景类型具备相似关系时,在网络设备1的场景中收集的训练数据,可以用于训练网络设备2中的AI模型。同理,当终端设备1的场景类型与终端设备2的场景类型具备相似关系时,在终端设备1的场景中收集的训练数据,可以用于训练终端设备2的AI模型。
如图5所示,场景1为室内房间1,属于室内场景类型,场景2为室外场景类型,场景3为室内房间2,属于室内场景类型。
示例性地,终端设备在场景1中训练或者使用过AI模型1,在场景2中训练或者使用过AI模型2。当该终端设备位于场景3时,由于场景3同样为室内场景类型,场景3与场景1的场景为相似关系。因此,该终端设备在场景3时,可以训练或者使用AI模型1。
示例性地,终端设备可以在场景1中收集到训练数据1,在场景2中收集到训练数据2。当终端设备位于场景3时,由于场景3同样为室内场景类型,场景3与场景1的场景为相似关系。因此,终端设备在场景3时收集到训练数据3,训练数据3可以和训练数据1共同组成一个训练数据集合,该训练数据集合可以用于训练场景1或场景3中的AI模型。
在一种实现方式中,场景标识可以为第一网络信息集合。可选地,第一网络信息集合指示地理位置邻近的小区之间的场景标识。
可选地,第一网络信息集合包括多个邻小区的标识。其中,多个小区可以直接相邻,也可以不直接相邻,例如,可以互为邻区关系。
第一网络信息集合包括第一小区的小区标识、公共陆地移动网标识(public landmobile network,PLMN)、跟踪区域标识(tracking area code,TAC)、接入网区域标识(radio access network identity document,RAN ID)、小区频点、小区波段band中的至少一种;第一小区为第二小区的邻小区,第二小区为终端设备所在的小区。
可选地,第一小区的小区标识可以包括全球小区标识和/或物理小区标识。
可选地,小区一般采用连续覆盖的部署方式,NR中小区频点较高,各小区的覆盖范围都比较小,因此,在地理位置上邻近的多个小区的信道特征比较类似。比如,在室外1平方公里的范围内,部署了3个小区,室外1平方公里的范围不大,因此这3个小区的信道特征可能是相似的。因此,这三个小区的场景是相似的。这三个小区的小区信息可以组成第一网络信息集合。
可选地,第一网络信息集合可以包括邻近的多个小区网络信息集合,也可以包括邻近的无线电接入网(radio access network,RAN)网络信息集合,还可以包括跟踪区(tracking area,TA)网络信息集合。本申请实施例对此并不限制。
可选地,第一网络信息集合中的多个小区可以训练或者使用同一AI模型。
可选地,第一网络信息集合中的多个小区的训练数据可以组成一个训练数据集合,该训练数据集合可以多个小区中的AI模型。
示例性地,如图6A所示,若小区{1,2,3,4,5}的信道特征较类似,这五个小区的场景为相似关系。
可选地,终端设备在小区1的覆盖范围内训练或者使用过AI模型1,在小区7的覆盖范围内训练或者使用过AI模型2。当终端设备位于小区3时,由于小区3与小区1的场景为相似关系。因此,终端设备位于小区3时,可以训练或者使用AI模型1。
可选地,终端设备在小区1的覆盖范围内收集的训练数据1,在小区7的覆盖范围内收集的训练数据2。当终端设备位于小区3时,由于小区3与小区1的场景为相似关系。因此,终端设备位于小区3时,收集的训练数据3可以和训练数据1共同组成训练数据集合,该训练数据集合可以用于训练小区{1,2,3,4,5}覆盖范围内的终端设备的AI模型。
可选地,可以通过判断小区的跟踪区域标识以及小区频点来确定小区的场景之间是否为相似关系。还可以通过物理小区标识判断小区的场景之间是否为相似关系,本申请实施例对此不做限制。
示例性地,如图6B所示,小区1的跟踪区域标识为0,频点为1;小区2的跟踪区域标识为0,小区频点为1;小区3的跟踪区域标识为0,小区频点为2;小区4的跟踪区域标识为0,小区频点为1;小区的跟踪区域标识以及小区频点都相同时,小区之间为相似关系。小区的跟踪区域标识为0,小区频点为1的小区1,2,4之间存在相似关系。
可选地,小区1,2,4都对应训练或者使用AI模型1。小区3的跟踪区域标识为0,频小区点为2,与其他小区不同,对应训练或者使用AI模型2。
可选地,小区1,2,4下收集的训练数据可以组成一个训练数据集合1。小区3的跟踪区域标识为0,频小区点为2,与其他小区不同,小区3下收集的训练数据则组成训练数据集合2。
可选地,多个小区跟踪区域标识不同时,多个小区之间也可以存在相似关系。示例性地,小区的跟踪区域标识为0,小区频点为1以及跟踪区域标识为1,小区频点为1的小区可以为相似关系的小区。本申请实施例对此不做限制。
在一种实现方式中,场景标识可以用于指示信道特征。
可选地,信道特征可以包括:信道的冲激响应特征、信道的时频域响应特征、信道在变换域上的响应特征等。
其中,信道的冲激响应特征,主要是表示信道在时延域上的冲激响应情况。信道的时频域响应特征,主要是表示信道在时域和频域上的信道响应情况。信道的变换域上的响应特征,主要是表示信道在角度时延域上或者在多普勒域上的响应情况,信道在变换域上的响应可能比时频域上的响应更为稀疏。
描述信道特征时,一般可以用对应的功率谱等进行描述。由于信道可能在某些域上的分布式较为稀疏的,可以通过将这些稀疏分布作为信道特征的标识进行指示,但是如此描述一个分布对于实现上来说难度较大。
当前NR码本中规定了多个预编码矩阵指示符(precoding matrix indicator,PMI)。这些PMI可以用于表述信道的特征向量在角度时延域上的响应情况。不同的PMI可以表示不同的角度时延域响应特征。
因此本申请实施例基于码本相关技术,采用PMI标识来表示信道特征,也即场景标识为PMI标识。
相关技术中,PMI使用方式是,终端设备先测量下行信道的参考信号,如信道状态信息参考信号(channel state information-reference signal,CSI-RS),然后对每个子带上的信道或信道的协方差矩阵进行特征分解,获取一个或多个特征向量,不同数量特征向量对应不同的信道的秩。以秩为1为例,则终端设备获取一个特征向量,即主特征向量。然后将所有子带的主特征向量利用二维离散傅里叶变换转换到角度时延域,从码本中选择一个最接近该转换后的特征向量的PMI,反馈给网络设备。不同的PMI,可以表示不同的角度时延域上的特征向量,也就是说,可以选择若干典型的PMI值,用于表示特征较为明显的信道特征。
以R16码本定义的PMI为例,该码本已由协议定义好,并且目前相同CSI-RS端口数量下,具有8种参数配置组合。相同子带数下,8种配置下反馈比特数逐渐增加,对于信道特征向量的表示也更加精确。例如,端口数为32的CSI反馈中,在13子带下,PMI所需的比特数在60~360比特之间。
可选地,可以预定义场景与PMI标识之间的对应关系。示例性地,场景1对应PMI1。示例性地,可以预定义使用第一种配置,13子带,比特数在60~360比特之间,频域位置等信息。
可选地,PMI标识相同的多个场景可以使用相同的AI模型。
可选地,PMI标识相同的多个场景可以收集多个训练数据,该PMI标识对应的训练数据集合可以包括该多个训练数据,PMI标识对应的训练数据集合用于训练,该PMI标识对应的AI模型。示例性地,如图7所示,场景1的信道特征为PMI1,场景2的信道特征为PMI2,场景3的信道特征为PMI1。
可选地,终端设备在场景1训练或者使用过AI模型1,在场景2训练或者使用过AI模型2。当终端设备位于场景3时,由于场景3与场景1的信道特征相同。因此,终端设备在场景3时,可以训练或者使用AI模型1。
可选地,终端设备在场景1收集训练数据1,在场景2收集训练数据2。当终端设备位于场景3时,由于场景3与场景1的信道特征相同。因此,终端设备在场景3时,收集的训练数据3可以和训练数据1组成一个训练数据集,该训练数据集可以训练场景1和场景3对应的AI模型。
可选地,一个PMI标识包括一个或多个PMI。示例性地,一个PMI标识包括一个PMI。
如图8的(a)所示,终端设备在PMI1对应的场景中训练或者使用AI模型1,在PMI2对应的场景中训练或者使用AI模型2,在PMI3对应的场景中训练或者使用AI模型3。
可选地,终端设备在PMI1对应的场景中收集的训练数据作为训练数据集合1,在PMI2对应的场景中收集的训练数据作为训练数据集合2,在PMI3对应的场景中收集的训练数据作为训练数据集合3。示例性地,一个PMI标识包括多个PMI。示例性地,空间中相邻的多个PMI的差异较小时,相邻的多个PMI对应的信道特征相似,此时,多个PMI指示的信道特征训练或使用的AI模型相同。
如图8的(b)所示,由于PMI1指示的信道特征与PMI2指示的信道特征差异较小,因此终端设备在PMI1对应的场景和PMI2对应的场景中训练或者使用AI模型1;PMI1、PMI2指示的信道特征与PMI3指示的信道特征差异较大,在PMI3对应的场景中训练或者使用AI模型3。
可选地,终端设备在PMI1对应的场景和PMI2对应的场景中收集的训练数据作为训练数据集合1;PMI1、PMI2指示的信道特征与PMI3指示的信道特征差异较大,在PMI3对应的场景中收集的训练数据作为训练数据集合2。
在一种实现方式中,场景标识可以为场景标记标识。
可选地,该场景标记可以不具有实际物理含义,为终端设备和网络设备事先约定好的一系列抽象标记。示例性地,场景标记可以为数字编号,如1,2,3,…,也可以为字母编号,如A,B,C,…。
可选地,对每个场景进行标记,不同的场景对应的标记不同;对每个AI模型也进行标记,不同的AI模型对应的标记也不同,场景的标记与场景对应的AI模型的标记之间存在映射关系。
可选地,对每个场景进行标记,不同的场景对应的标记不同;对每个AI模型对应的训练数据集和也进行标记,不同的AI模型对应的训练数据集合也不同,场景的标记与场景对应的AI模型的训练数据集合之间存在映射关系。
可选地,该映射关系可以为终端设备和网络设备事先约定好,并记录在预设列表中,该预设列表存储在网络设备或终端设备中。可选地,场景标记相同的场景使用相同的AI模型。
可选地,场景标记相同的场景下收集的训练数据,可以归属于相同的训练数据集合,用于训练相同的AI模型。
示例性地,网络设备厂商A与终端设备厂商B事先在不同场景下,收集并形成了不同的训练数据集合,进行了AI模型的训练,形成一个预设列表,该预设列表可以记录场景和AI模型之间的映射关系。此时,网络设备厂商A的网络设备A’与终端设备厂商B的终端设备B’可以使用同一套预设列表来表示不同场景与对应AI模型之间的映射关系。示例性地,某一场景1的标记为“1”,这一场景1对应的AI模型1的标记可以为“1’”,场景1与AI模型1’的标记和映射关系可以记录在预设列表中。
可选地,不同的场景标记对应不同的AI模型,或者对应不同的AI模型的训练数据集合。网络设备和终端设备可以根据不同的场景标记区分不同的训练数据集合,从而训练不同的AI模型。
可选地,不同的场景标记对应相同的AI模型,或者对应相同的AI模型的训练数据集合,网络设备和终端设备可以将不同场景下收集的训练数据组成一个共同的训练数据集合,从而训练一个相同的AI模型。
如图9所示,场景1为对应标记1,场景2对应标记2,场景3对应标记1。
示例性地,终端设备在场景1中训练或者使用过AI模型1,在场景2中训练或者使用过AI模型2。当该终端设备位于场景3时,由于场景3同样对应标记1,场景3与场景1的场景为相似关系。因此,该终端设备在场景3时,可以训练或者使用AI模型1。
示例性地,终端设备可以在场景1中收集到训练数据1,在场景2中收集到训练数据2。当终端设备位于场景3时,由于场景3同样对应标记1,场景3与场景1的场景为相似关系。因此,终端设备在场景3时收集到训练数据3,训练数据3可以和训练数据1共同组成一个训练数据集合,该训练数据集合可以用于训练场景1或场景3中的AI模型。
可选地,不同的场景标识对应相同的网络配置参数,如网络端口参数、波束配置参数。终端无法通过不同的网络配置参数区分是否合适区分为不同的数据集,需要借助不同的标识来对数据集分类;例如,终端本身可以将不同网络配置参数下收集的数据各自分类,提供标识信息后,可以认为多个配置参数下的数据类型相同,收集的数据可以融合为一个训练数据集合。
可选地,上述四种场景标识的具体类型仅为示例性地,还可以有其他的场景标识类型,本申请实施例对此并不限制。
可选地,上述多种场景标识类型可以组合使用。或者,在两个场景的场景类型标识为相似关系时,还可以进一步确定两个场景的其他场景是否是相似关系。
示例性地,相比于场景类型标识,PMI标识可以更进一步精细地描述信道方面的特征,在一些实施例中,场景类型标识和PMI标识可以组合使用。
基于本申请实施例上述构建的场景标识,本申请可根据已构建的场景标识和AI模型的对应关系确定AI模型。如图10A所示,本申请实施例提供的确定AI模型的方法包括以下步骤:
S11、终端设备获取第一标识,所述第一标识用于指示第一场景。
一种实现方式,第一标识可以包括场景类型标识、第一PMI标识、场景标记标识中的至少一种。
可选地,第一标识可以包括场景类型标识,场景类型标识用于指示第一场景。第一场景可以包括城市宏小区场景类型、城市微小区场景类型、室内场景类型、室外场景类型等。本申请实施例对此不做限制。
可选地,第一标识也可以包括第一PMI标识,第一PMI标识用于指示第一场景,第一场景可以包括多个不同信道特征的场景。
可选地,第一标识也可以包括场景标记标识,场景标记标识用于指示第一场景。第一场景可以包括多个不同场景标记的场景。
可选地,该场景标记可以不具有实际物理含义。示例性地,场景标记可以为数字编号。
一种实现方式,第一标识可以指示第一网络信息集合,所述第一网络信息集合包括第一小区的小区标识、公共陆地移动网标识PLMN、跟踪区域标识TAC、接入网区域标识RANID、小区频点、小区波段band中的至少一种;所述第一小区为第二小区的邻小区,所述第二小区为所述终端设备所在的小区。
可选地,第一小区与第二小区可以直接相邻也可以不直接相邻。
可选地,第一网络信息集合中的小区之间的场景存在相似关系。
可选地,第一场景为第一网络信息集合中的小区对应的场景。
在一种实现方式中,网络设备向终端设备发送第一标识。
可选地,网络设备向终端设备发送广播消息,该广播消息中携带第一标识。
可选地,网络设备的广播消息可以发送给位于该网络设备覆盖范围内的所有终端设备。
网络设备向位于网络设备信号覆盖范围内的所有终端设备发送广播消息,因此所有终端设备都应理解该广播消息,且终端设备无论是否进入到连接态,都可以接收到该广播消息。所以,广播方式适用于第一标识为场景类型标识、第一网络信息集合和第一PMI标识的情况,这些标识信息由于带有明确的含义,可以被不同厂商的终端设备所理解,因此所有的终端设备和网络设备都可以理解该第一标识的含义。
示例性地,网络设备1确定终端设备位于室内,网络设备1将室内场景类型标识通过广播消息广播,终端设备1位于网络设备1的覆盖范围内,终端设备1接收到该广播消息,该终端设备1即可得知,此时终端设备1处于室内场景类型中。
可选地,网络设备向终端设备发送专属信令,该专属信令中携带第一标识。
可选地,该专属信令可以为终端设备与网络设备之间的专属信令,可以传输部分终端设备与网络设备的场景标记标识。示例性地,该专属信令可以为RRC配置信令。
可选地,专属信令适用于第一标识为场景类型标识、第一网络信息集合、第一PMI标识以及场景标记标识的情况。
在一种实施例中,终端设备根据终端设备的第一场景确定第一标识。
可选地,终端设备可以获取周围的场景信息,也即第一场景的场景信息,根据该场景信息确定该场景(第一场景)对应的第一标识。示例性地,以终端设备为手机为例。根据手机的定位信息,得知该手机位于商场A中。因此,手机可以确定此时为室内场景,对应的第一标识为室内场景标识。除此之外,手机还可以根据无线信号的特征,判断当前场景的信道的特征,例如根据信道测量,获取信道的时域和角度域上的特征,判断信道是否处于密集或空旷场景。
S12、所述终端设备获取第一AI模型,所述第一AI模型与所述第一场景对应。
可选地,当第一标识为场景类型时,每个场景类型都有对应的第一AI模型。
示例性地,当终端设备位于城市宏小区这种类型的场景中时,对应的第一AI模型为城市宏小区场景类型对应的第一AI模型。
可选地,当第一场景为不同信道特征的场景时,每个信道特征的场景都有对应的第一AI模型。
可选地,当第一场景为多个不同场景标记的场景时,每个场景标记的场景都有对应的第一AI模型。
可选地,第一场景为第一网络信息集合中的小区对应的场景时,每个第一网络信息集合中的小区对应的场景都有对应的第一AI模型。
可选地,第一标识相同的场景可以使用相同的第一AI模型,或将第一标识相同的场景下收集的训练数据作为训练数据集合,用于训练第一AI模型。示例性的,场景标记标识相同的场景可以使用相同的第一AI模型,或将场景标记标识相同的场景下收集的训练数据作为训练数据集合,用于训练第一AI模型。示例性的,第一网络信息集合中的多个小区可以使用相同的第一AI模型。
作为一种实现方式,所述终端设备根据所述第一标识和收集的训练数据得到所述第一AI模型。示例性的,在所述终端设备接收来自网络设备的第一标识后,所述终端设备根据所述第一标识,确定所述终端设备的所述第一场景;所述终端设备根据训练数据训练得到所述第一AI模型,所述训练数据与所述第一场景对应。示例性的,所述终端设备将训练数据发送给网络设备,由网络设备根据训练数据训练后发给终端设备。作为一种实现方式,在终端设备根据第一场景,确定第一标识后,终端设备根据训练数据,确定训练第一AI模型的训练数据集合;训练数据集合与第一场景对应。
可选地,终端设备可以将每个收集的训练数据都和第一标识相关联。
可选地,终端设备可以根据训练数据训练一个新的第一AI模型,也可以对已有的第一AI模型进行优化训练,还可以对训练了一部分的第一AI模型继续训练。
可选地,终端设备可以获取周围的场景信息数据进行训练,场景信息数据包括该场景下的信道测量结果、波束测量结果、位置测量结果等。
可选地,终端设备可以根据网络设备发送的第一标识确定对应的第一AI模型。
示例性地,终端设备接收来自网络设备发送的第一标识,且终端设备获取终端设备周围训练数据,即收集的训练数据。则终端设备根据该训练数据训练得到的第一AI模型与网络设备发送的第一标识存在映射关系。
可选地,可以在训练节点进行第一AI模型的训练。所述训练结点可以为一个应用服务器,例如终端厂商的云服务器、第三方的服务器等。
可选地,不同的第一标识对应相同的网络配置参数,网络配置参数包括不同的天线端口、波束参数等。这是由于终端设备无法通过不同的网络配置参数区分不同的训练数据,也无法区分这些训练数据是否可以分为一类,需要借助不同的第一标识来对训练数据进行场景分类。
可选地,终端设备可以确定周围的场景信息对应的第一标识,终端设备根据周围的场景信息对训练数据进行训练以得到该第一标识对应的第一AI模型。
可选地,终端设备接收来自网络设备的所述第一AI模型;网络设备可以为网络侧设备,如基站等,还可以为应用服务器,例如终端厂商的云服务器。
示例性地,终端设备可将训练数据以及场景信息发送到云服务器,云服务器根据多个终端设备获取的场景信息,以及对应场景下收集的训练数据形成训练数据集合,训练得到与第一标识对应的第一AI模型。
可选地,终端设备从本地存储的AI模型中获取第一AI模型。示例性的,终端设备本地存储AI模型库,该AI模型库中包括多个AI模型,终端设备从该AI模型库中获取第一AI模型。
可选地,终端设备生成第一标识和第一AI模型的对应关系。
示例性地,第一标识对应第一场景,第一场景对应训练或者使用第一AI模型。之后,终端设备可以生成并保存第一标识和第一AI模型的对应关系,或者由网络设备保存该对应关系。进而,终端设备在需要确定AI模型时获取该对应关系并根据该对应关系确定得到第一AI模型。
如下实施例一到四分别介绍采用不同第一标识进行相似场景的指示,确定所需使用的AI模型或AI模型对应的训练数据集合,和采用不同消息发送方式发送第一标识的情况。
实施例一为使用场景类型标识进行场景的指示,网络设备采用广播消息的方式发送第一标识的方式。
在该实施例中,网络设备和终端设备可以理解多个场景类型标识。可选地,多个场景类型标识可以为标准预定义。
可选地,场景类型标识表示一个具有比较明显特征的场景类型,可以为具体的环境场景类型名称。
示例性地,场景类型标识可以为城市宏小区场景类型(urban area macrocell,Uma)标识、城市微小区场景类型(urban area microcell,Umi)标识、室内场景类型(indoor)标识、室外场景类型(outdoor)标识等。本申请实施例对此不做限制
本申请实施例中,以网络设备为小区为例。可选地,每个小区都可以知道自身小区的场景类型特征,从而根据场景类型特征得知自身小区的场景类型标识。例如,每个小区可以在部署的时候,根据部署的地点确定自身小区的场景类型特征。示例性地,小区1部署在室内,则小区1的场景类型标识为室内场景类型标识。
可选地,小区1可以收集自身覆盖范围内的信道特征信息,根据信道特征信息确定对应的场景类型标识。
可选地,小区1获取到自身的场景类型标识后,可以向主动进入其覆盖范围的终端设备提供场景类型标识。
示例性地,小区1为室内场景,小区1的场景类型标识为室内场景标识。终端设备1进入到小区1的覆盖范围时,终端设备1也位于室内场景中。小区1可以向终端设备1发送广播消息,广播消息中携带的第一标识为室内场景标识。终端设备1根据广播消息中携带的室内场景标识,训练或使用对应的室内场景第一AI模型。
可选地,终端设备在不同的场景类型标识下,收集不同场景类型下的训练数据,形成不同场景类型的训练数据集合,用于训练不同的第一AI模型。终端设备可以建立一个不同场景类型标识与不同第一AI模型之间的关联关系。终端设备还可以建立一个不同场景类型标识与不同第一AI模型的训练数据集之间的关联关系。终端设备根据不同的场景类型标识,获取不同的场景化第一AI模型。
示例性地,终端设备可以在室内场景类型下,根据室内场景类型收集的训练数据,训练了一个室内场景类型的第一AI模型。在室外场景类型下,根据室外场景类型收集的训练数据,也训练了一个室外场景类型的第一AI模型。
可选地,多个场景化的第一AI模型可以存储在终端设备中,也可以存储在终端设备厂商的云服务器中。
可选地,多个场景化的第一AI模型可以由终端设备训练,也可以由终端设备厂商的云服务器训练。
可选地,终端设备可以将收集的训练数据和对应的场景标识,发送给终端设备厂商的云服务器。
可选地,多个场景化的第一AI模型存储在终端设备厂商的云服务器中。终端设备向云服务器请求需要的第一AI模型,云服务器向终端设备发送需要的第一AI模型。
如图10B所示,为确定AI模型的流程图,包括步骤S101-S105:
S101:小区通过广播消息向终端设备发送当前小区对应的场景类型标识。
可选地,广播消息可以80包括系统消息(system information block 1,SIB1),SIB1中携带当前小区对应的场景类型标识。示例性地,当前小区对应的场景类型标识为室内场景标识。
可选地,SIB1携带场景类型标识的位置可以在SIB1的一些字段中,例如,携带在SIB1的PRACH相关配置中;或者携带在SIB1的服务小区信息中;或者在SIB1中单独设立的字段等,本申请实施例对此不做限制。
可选地,广播消息还可以包括其他SIB广播消息,本申请实施例对此不做限制。
可选地,场景类型标识的类别可以由标准预定义。
可选地,终端设备或者小区可以支持部分场景类型标识或者支持所有场景类型标识。示例性地,可以在标准中预定义,所有的场景类型标识类别都需要被终端设备和小区支持。即终端设备和小区需要清楚所有的场景类型标识的含义。示例性地,还可以在标准中预定义,终端设备或小区可以只支持一部分场景类型标识。比如,某终端设备厂商的终端设备可以只支持室内场景类型标识和室外场景类型标识两种场景类型标识。
可选地,在终端设备支持部分场景类型标识的情况下,小区则需要获取终端设备对场景类型标识类型的支持情况。
S102:小区向终端设备发送PRACH资源分组结果。
可选地,小区在PRACH配置中,对PRACH资源分组,不同资源分组对应对小区的场景类型标识的支持能力。
可选地,PRACH资源分组规则可以在标准中预定义。示例性地,以64个随机接入前导序列进行分组为例。示例性地,规定随机接入前导序列0~32为组A,表示终端设备支持小区广播的场景类型标识,即终端设备中有小区场景类型标识对应的第一AI模型。随机接入前导序列32~64为组B,表示终端设备不支持小区广播的场景类型标识,即终端设备中没有小区场景类型标识对应的第一AI模型。
S103:终端设备接收小区的广播消息,并发起随机接入过程。
可选地,终端设备获取当前小区发送的场景类型标识后,根据终端设备自身对小区场景类型标识的支持情况,选择不同PRACH资源组发起随机接入。示例性地,小区广播消息广播的场景类型标识是室内场景类型标识。终端设备如果有支持室内场景类型标识,或者说,终端设备具有对应的室内场景类型标识的场景化第一AI模型,则终端设备选择对应PRACH资源组接入,示例性地,终端设备选择PRACH资源组A中的随机接入序列,发起随机接入。否则,选择PRACH资源组B中的随机接入序列,发起随机接入。
可选地,小区可以根据接收到的终端设备发送的PRACH资源接入情况,确定该终端设备是否支持该场景类型标识。
S104:小区可以为该终端设备进一步激活或配置相关AI应用。
可选地,可以在后续给该终端设备发送的RRC配置消息中,配置该终端设备的基于AI的CSI反馈上报。
可选地,CSI反馈为双端模型结构,即网络设备和终端设备的第一AI模型需要配合使用。因此,网络设备(即小区)并广播了自身场景类型标识。则小区可以在激活CSI反馈功能后,使用小区自身场景类型标识对应的场景化第一AI模型。终端设备根据小区广播的场景类型标识,也使用对应的第一AI模型进行CSI反馈。
可选地,对于其他单端模型结构而言,例如AI波束管理、AI定位,若第一AI模型部署在终端设备,终端设备也可以根据小区提供场景类型标识确定当前场景。这是由于终端设备自身判断不一定完全准确,而小区掌握自身覆盖范围中的完整信息。终端可基于小区提供的场景类型标识,确定相应的第一AI模型。
S105:终端设备选择场景类型标识对应的第一AI模型,进行CSI上报。
可选地,在小区配置相关CSI上报后,终端设备可以根据广播消息中对应的场景类型标识使用对应的第一AI模型,进行CSI编码和上报。
此外,在实施例一提供的方式中,终端设备还可以建立在小区中收集的训练数据和场景标识之间的关联关系。终端设备可以将收集的训练数据归属于用于对应场景的AI模型训练的训练数据集合。
可选地,在接收到网络设备指示的场景类型标记后,终端设备将收集的训练数据,标记为属于对应的场景类型,并可以将收集的训练数据作为对应场景类型的训练数据集合的一部分,用于训练对应场景的第一AI模型。
通过实施例一中的实施方式,网络设备通过发送广播消息的方式,发送网络设备的场景类型标识,实现上较为简单。终端设备或网络设备可以提前在多个预定义的场景类型下生成对应的场景化第一AI模型,从而根据场景类型标识为索引,可以确定网络设备和终端设备一致的场景理解,从而选择合适的场景化第一AI模型。
实施例二为使用第一网络信息集合进行场景的指示,网络设备通过广播消息发送第一标识的方式。
可选地,以网络设备为小区为例。第一网络信息集合包括多个邻近的小区。第一网络信息集合中多个邻近的小区的场景是相似关系。
示例性地,图11为确定AI模型的流程图,该流程包括步骤S201-S202:
S201:小区通过广播消息向终端设备发送当前小区对应的第一网络信息集合。
可选地,广播消息可以包括SIB3或SIB4,SIB3或SIB4中携带当前小区对应的第一网络信息集合。示例性地,当前小区对应的第一网络信息集合可以为包含当前小区的小区信息列表。小区信息列表中包括多个小区信息,小区信息列表中的多个小区的场景为相似关系,
可选地,小区列表中可以包括:全球小区标识、物理小区标识PCI、公共陆地移动网标识PLMN、跟踪区域标识TAC、接入网区域标识RANID、小区频点、小区波段band中的至少一种。
可选地,广播消息还可以包括其他SIB广播消息,本申请实施例对此不做限制。
可选地,小区信息列表可包括一个或多个小区的具体信息,也可包括一个或多个大范围的小区信息,示例性地,小区信息列表包括跟踪区域标识、小区频点等。
如图12的(a)所示,小区1的跟踪区域标识为0,频点为1;小区2的跟踪区域标识为0,小区频点为1;小区3的跟踪区域标识为0,小区频点为2;小区4的跟踪区域标识为0,小区频点为1;小区1通过广播消息向终端设备发送当前小区对应的小区信息列表。小区列表中包括小区1、小区2、小区4。
小区的跟踪区域标识以及小区频点都相同时,小区之间的场景为相似关系。小区的跟踪区域标识为0,小区频点为1的小区1,2,4之间存在相似关系,小区1,2,4都对应训练或者使用第一AI模型1。小区3的跟踪区域标识为0,频小区点为2,与其他小区不同,对应训练或者使用第二AI模型。
可选地,小区的跟踪区域标识以及小区频点都相同时,小区之间的场景为相似关系。小区的跟踪区域标识为0,小区频点为1的小区1,2,4之间存在相似关系,小区1,2,4下收集的训练数据,可以作为第一AI模型的训练数据集。小区3的跟踪区域标识为0,频小区点为2,与其他小区不同,小区3下收集的训练数据,可以作为第二AI模型的训练数据集。
S202:终端设备从小区接收广播消息,并获取到小区对应的第一网络信息集合。
可选地,终端设备根据广播消息中的第一网络信息集合训练或使用对应的第一AI模型。
在一种实现方式中,测量配置消息包括的邻区测量列表。小区在发送广播消息的基础上。小区在向终端设备发送测量配置消息时,发送该小区的第一网络信息集合。该第一网络信息集合包括小区信息列表,
可选地,邻区测量列表中包含邻近待测量小区的PCI和频点信息。
可选地,小区在向终端设备发送测量配置消息时,携带该小区的第一网络信息集合。
示例性地,将该小区的第一网络信息集合写入小区下发的RRC配置中的测量配置MEAS-CONFIG等字段中。在该字段中,可以类似新增一个列表信息,用于指示邻近对应PCI的小区或对应频点的小区与当前小区具有相同的小区场景类型。
可选地,也可以标准预定义一套规则,表示邻近小区和当前小区具有相同的小区场景类型。
可选地,当小区在邻区测量列表中携带该小区的第一网络信息集合后,终端设备可以认为,第一网络信息集合中小区信息列表包括的邻近小区具有与当前小区相同的第一网络信息集合,因此,如果终端设备切换到小区信息列表中的邻近小区,终端设备可以无需更换第一AI模型,终端设备也可以将邻近小区中收集的训练数据,与源小区中收集的训练数据,组成同一个训练数据集合。
在一种实现方式中,当终端设备发生小区间切换时,小区在切换命令中,携带一个场景标识,表明目标小区的场景标识和源小区的场景标识是否具有相似关系。该标识可用于终端设备完成小区切换后,确定在目标小区确定是否维持原第一AI模型。该标识还可以用于终端设备完成小区切换后,确定在目标小区内收集的训练数据是否和源小区内收集的训练数据属于相同的训练数据集合。
如图12的(b)所示,小区1的跟踪区域标识为0,频点为1;小区2的跟踪区域标识为0,小区频点为1;小区3的跟踪区域标识为0,小区频点为2;小区4的跟踪区域标识为0,小区频点为1;终端设备从小区1移动到小区2时,小区1发送的切换命令中携带场景标识。
可选地,该场景标识仅为一个是或否的标识,表示切换的目的小区的场景标识与源小区的场景标识是否相同。示例性地,终端设备从小区1移动到小区2,该场景标识为“是”,则表示切换后的小区2的场景标识与小区1的场景标识相同。
可选地,在切换命令中携带小区列表,该列表包括一个或多个小区的信息,表示目的小区的场景标识和该列表中的小区的场景标识具有相似关系。终端设备可以确定在切换到目的小区中,第一AI模型是否需要更换。终端设备还可以确定,在目的小区中收集的训练数据,是否需要归属到与源小区中收集的训练数据不同的训练数据集合。示例性地,终端设备从小区1移动到小区2时,切换命令中的小区列表包括小区1、小区2、小区4。
可选地,小区也可以通过终端设备的上下文信息的交互,获取终端设备对于小区自身场景标识的支持情况。示例性地,在切换过程中,源小区可以将终端的上下文发送给目的小区,具体而言,源小区将终端设备在源小区的场景标识支持情况,发送给目的小区,此时,目的小区可以直接获取终端的场景标识支持情况。在切换完成后,目的小区无需通过重新查询的方式,直接获取终端设备在目的小区的场景标识支持情况。
在一种实现方式中,若终端设备未接收到小区的第一网络信息集合。
可选地,终端设备可以认为在当前小区没有对应的第一AI模型,不能使用第一AI模型,但可以在当前小区收集训练数据,并将收集的训练数据与第一网络信息集合相关联,作为第一网络信息集合内小区对应的AI模型的训练数据集。
可选地,若小区未发送小区的第一网络信息集合。可以通过预定义的方式,约定终端设备不支持该小区的第一标识,或者终端设备中没有对应的第一AI模型。
可选地,如果小区发送了第一网络信息集合,表明了该小区与其他小区之间的相似关系,但终端无法获取对应的第一AI模型,例如自身模型库中不具有该类小区,则终端也无法在该小区使用对应的场景模型。此时。可以告知小区自身的第一标识或第一AI模型支持情况。
可选地,即使该小区不支持场景模型,终端设备依然可以在该小区收集数据用于第一AI模型训练,此时第一AI模型的训练数据集合由终端设备自行确定。
采用实施例二中的方法,可以通过定义地理位置上邻近小区之间的场景相似关系,指示终端设备相应的第一网络信息集合,无需定义具体的场景类型种类,降低对场景种类定义的依赖。同时,由于网络设备的连续覆盖特性,地理位置邻近的小区场景具有相似性是。因此通过定义地理位置上的相似关系,可以达到指示场景标识的效果。
实施例三为使用第一PMI标识进行相似标识的指示,网络设备采用广播消息的方式发送第一标识的方式。
可选地,第一PMI标识用于指示当前信道的粗粒度特征。
可选地,信道的粗粒度特征可以包括:信道的时延分布特征、信道的角度分布特征、信道的多普勒分布特征等。
如图13所示,为确定AI模型的流程图,包括步骤S301-S302:
S301:小区通过广播消息向终端设备发送当前小区对应的第一PMI标识。
可选地,广播消息可以包括SIB1,SIB1中携带当前小区对应的第一PMI标识。
可选地,网络设备根据当前协议中的码本信息,发送一个第一PMI标识。示例性地,当前协议为R16码本。通过协议定义的方式,终端设备和网络设备就该指示的PMI所使用的配置、所需传输的比特数达成一致。网络设备可以使用该PMI来表征当前小区的信道的一类特征,比如,信道角度、时延域上的特征。
S302:终端设备接收该第一PMI标识,终端设备根据该第一PMI标识确定对应的第一AI模型。
可选地,终端设备可以从自身存储的模型中,选择与该PMI对应的第一AI模型。
可选地,终端设备可以从终端厂商云服务器所存储的模型中,选择与该PMI对应的第一AI模型。
可选地,若终端设备从自身模型库中,确定没有与该PMI对应的第一AI模型,终端设备可以在已经有的PMI对应的第一AI模型中,选择一个距离该PMI对应的信道特征向量最近的PMI对应的AI模型。例如,选择两个PMI对应的信道特征向量之间的余弦相似度最大。
可选地,基于标准定义的码本,不同CSI反馈配置下的PMI组合数有很多种,可以限定所使用的PMI数量,即用于指示信道特征的PMI只有若干个。具体而言,可以选择信道特征区分度大的一些信道特征向量对应的PMI作为信道特征的标记。示例性地,PMI对应的信道特征向量中,时延分布差别较大,或角度域分布差别较大,或两者结合的分布差别较大的一些PMI用于第一PMI标识。
可选地,可以不事先限定具体使用的PMI,由实现决定。例如,基于标准定义好的CSI反馈的配置类型,可以使用的PMI数量为100。则网络设备可以基于这100个PMI中的任意一个用于指示当前的信道特征。终端设备训练第一AI模型时,可以针对这100个PMI都各自训练过一套第一AI模型,也可以根据自身事先,将某些可能近似的信道特征向量对应的PMI归为一类,降低训练成本。例如,终端设备可能只对应训练了50个第一AI模型,每个第一AI模型可以由一个或多个PMI为场景标识来确定。
可选地,终端设备可能并未在某些PMI对应的信道特征场景下进行过训练。例如,没有在对应PMI指示的小区中收集过数据。由于标准定义的PMI对应的特征向量实际上是在一个高维空间中均匀分布的一系列向量,因此,在余弦相似度上较为靠近的PMI,其信道特征一般也会趋于近似。因此,如果终端设备无法获取到网络设备指示的PMI对应的第一AI模型,也可以通过比较和该指示PMI对应的信道特征向量的余弦相似度相近的方法,确定自身已有的第一AI模型中,可能最为相似的一个AI模型作为对应的第一AI模型。
可选地,预定义终端设备选择一个最为靠近的特征向量对应的PMI。或者预定义一个阈值,例如余弦相似度小于该阈值的,则可以选取对应的相近第一AI模型。
在一种实现方式中,终端设备也可自身计算当前的PMI,若与网络设备发送的第一PMI标识中的PMI差距较大,则以网络设备发送的PMI为准。
由于终端设备可以通过CSIRS测量下行信道,并获取对应的PMI。因此,网络设备用于表示信道特征的第一PMI标识和终端设备测量下行信道获取的PMI可能会存在一定差异。这是由于用于标识信道特征的第一PMI标识,一般是网络设备通过统计自身一定覆盖范围内的整体信道的一个统计,表征的是大量终端设备在该区域的整体信道特征情况,并使用一个PMI来描述该统计特征的情况。此外,对于终端测量并计算的PMI,实际上是一个瞬时的信道特征情况,受到测量时刻的多径等影响,可能会与整体统计的信道特征情况具有一定差异。
可选地,终端设备收到网络设备发送的第一PMI标识后,自身进行一段时间的信道测量,并计算若干个PMI,若发现计算的PMI均和基站发送的PMI具有差异,则告知网络设备,终端设备不支持该场景表示。
可选地,终端设备也可以通过测量信道的方式,获取信道特征,例如时延域功率谱、角度域功率谱等,直接根据网络设备指示的PMI对应的时延角度分布,和自身测量的时延角度分布进行对比,如果差异较大,也可以告知网络设备,终端设备不支持该场景。
在一种实施方式中,如果终端设备未收到第一PMI标识,终端设备可认为在当前小区内不使用第一AI模型。终端设备可以在当前小区内收集训练数据,并将训练数据与终端设备自身确定的PMI标识关联,作为自身确定的PMI标识对应的AI模型的训练数据集合。
实施例三采用信道特征作为场景标识,相比于场景类型,可以更为精确的描述对应场景的信道特征。同时,相比于直接通过时延域、角度域分布等特征的方式来指示,利用现有的PMI作为指示,既可以一定程度上描述信道的分布特征,也可以避免标准重新定义如何描述分布特征等工作。
实施例四为使用场景标记标识进行相似标识的指示,网络设备通过广播消息发送第一标识的方式。
上述实施例一到三中,利用的第一标识都是适用于厂商的终端设备和多个厂商的网络设备。例如场景类型标识,网络设备指示的标识可以被多个不同厂商的终端设备所理解,比如指示场景类型标识为“UMA”,则无论哪个厂商生成的终端设备,都可以获知该场景对应的是“UMA”的第一AI模型。当然,不同终端设备厂商对于UMA场景下实现的第一AI模型可能不相同,在双端模型场景下,网络设备匹配不同终端设备厂商时所采用的第一AI模型也可能不同。
此外,由于第一标识与第一AI模型的匹配问题,实质上是如何根据第一标识作为索引,找到对应的第一AI模型的问题。上述实施例中,索引都是具有明确物理意义的索引。
在一种实现方法中,直接利用无物理意义的索引,例如标记,作为场景的索引,用于终端设备获取对应的第一AI模型。
采用标记作为第一标识时,需要终端设备和网络设备对标记及相应第一AI模型的对应关系达成一致。同时,尽可能需要标记具有唯一性。
可选地,对每个场景进行标记,不同的场景对应的标记不同;对每个AI模型也进行标记,不同的AI模型对应的标记也不同,场景的标记与场景对应的AI模型的之间存在映射关系。
可选地,对每个场景进行标记,不同的场景对应的标记不同;对每个AI模型的训练数据集合也进行标记,不同的AI模型对应的训练数据集合也不同,场景的标记与场景对应的AI模型的训练数据集合之间存在映射关系。
可选地,该映射关系可以由厂商之间预先确定,发送到厂商生产的网络设备和/或终端设备中。例如,网络设备和/或终端设备处于同一个场景下,在双方共同知晓的一个列表中,注册该场景的场景标记。
可选地,该映射关系可以为一个预设列表,存储在网络设备或终端设备中。
示例性地,在双端AI模型的场景中,网络设备厂商A与终端设备厂商B事先约定,并进行了双端AI模型的训练,形成了网络设备厂商A的网络设备A’与终端设备厂商B的终端设备B’的之间的映射关系以及预设列表。此时,网络设备A’与终端设备B’可以使用同一套预设列表来表示不同场景与对应第一AI模型之间的映射关系。示例性地,某一场景1的标记为“1”,这一场景1对应的第一AI模型1的标记可以为“1’”,场景1与第一AI模型1的标记可以记录在预设列表中。
如图14所示,为确定AI模型的流程图,包括步骤S401-S403。
S401:终端设备和网络设备通过事先约定的方式,确定不同场景下的场景标记标识;
可选地,终端设备和网络设备处于相同场景时,双方约定一个共同的场景标记标识,例如,终端设备在网络设备侧进行注册,获取相应的场景标记标识,从而终端设备自身可以建立起场景标记与具体场景之间的映射关系。
可选地,该映射关系可以为一个预设列表,存储在网络设备或终端设备中。
可选地,终端设备针对不同的场景,在网络设备侧进行离线注册。
示例性地,某类终端设备上市前,终端设备厂商提前完成不同场景下的场景标记注册,并对应相应的场景,并将相应的标记与场景之间的对应结果发送给网络设备厂商完成注册。使得终端设备接入网络后可以直接使用该场景标记。
可选地,终端设备针对不同的场景,在网络设备侧进行在线注册。
示例性地,终端设备位于一个新的场景时,即终端设备认为这个新的场景没有存储在预设列表中。则终端设备向网络设备发起注册行为,网络设备为该终端设备在该场景下分配一个对应的场景标记,使得网络设备和终端设备可以在场景与场景标记之间建立映射关系。
可选地,终端设备和网络设备针对不同的场景,在第三方管理的预设列表中进行注册。示例性地,终端设备和网络设备在上市使用前,针对不同的场景,共同约定好不同的场景标记标识,并将场景标记标识和对应的场景信息,在第三方管理的列表中进行注册。在终端设备接入网络后,网络设备根据当前的场景,确定当前场景所对应的双方共同的一个场景标记标识,并指示给终端设备。从而使得网络设备和终端设备可以在场景和场景标记之间建立映射关系。
S402:网络设备通过专属信令向终端设备发送当前网络设备对应的场景标记标识。
可选地,专属信令可以为网络设备与终端设备之间的专用信令。示例性地,可以为RRC配置消息。
可选地,通过专属信令携带该场景标记标识。
可选地,网络设备和终端设备中都存储有,当前场景对应的场景标记的列表。
S403:终端设备接收来自网络设备的场景标记标识,根据场景标记标识确定对应的第一AI模型。
可选地,终端设备根据场景标记标识在预设列表中获取对应标识的第一AI模型。
可选地,终端设备根据场景标记标识,以及收集的训练数据,确定该场景下对应的训练数据集合,该训练数据集合用于训练第一AI模型。
可选地,终端设备和网络设备可以通过预先约定的方式,确定不同场景标记标识对应的第一AI模型不同。
可选地,终端设备和网络设备可以通过预先约定的方式,确定不同场景标记标识对应的第一AI模型的训练数据集合不同。
可选地,终端设备和网络设备可以通过预先约定的方式,确定不同场景标记标识对应的第一AI模型相同。
可选地,终端设备和网络设备可以通过预先约定的方式,确定不同场景标记标识对应的第一AI模型的训练数据集合相同。
示例性地,虽然具有不同的场景标记,但网络侧实际上认为当前使用的是相同或相近的网络配置参数,如网络端口参数、波束配置参数,因此不同的场景标记对应相同或相近的网络配置参数。由于终端无法通过直接通过网络配置参数相同或不同,来自身区分是否合适区分为不同的数据集,需要借助不同的标识来对数据集分类;例如,终端本身可以将不同网络配置参数下收集的数据各自分类,在网络设备提供标识信息后,可以认为多个配置参数下的数据类型相同,收集的数据可以融合为一个训练数据集合。
可选地,不同终端设备在相同的场景下注册的场景标记可能不同。
本申请实施例中,网络设备可以明确指示终端设备应该使用的第一AI模型,效率更高。
在一种实现方式中,在所述终端设备未接收到所述第一标识的情况下,所述终端设备向所述网络设备发送第一消息,所述第一消息用于指示所述网络设备发送第一标识。所述第一消息中携带所述终端设备支持的一个或多个所述第一标识、所述终端设备的当前场景信息、所述终端设备请求所述网络设备发送第一标识的请求信息中的至少一个。
可选地,按照场景标识区分粒度的不同,当前场景可以表述为多个场景标识,第一标识为这些场景标识的总称。
可选地,终端设备通过第一消息向网络设备发送第一标识,用于获取第一AI模型;
可选地,终端设备根据第一消息上报网络设备自身支持的所有场景,即终端设备支持的所有第一AI模型对应的场景。网络设备根据终端设备上报场景信息以及网络设备的场景信息,进一步确定终端设备的第一标识。
可选地,终端设备在收到网络设备的终端设备能力查询信息之后,向网络设备发送第一消息。
可选地,终端设备通过第一消息发送当前场景信息,当前场景信息可以为终端设备自身判断的当前所处的场景信息或场景标识,网络设备根据终端设备上报场景信息以及网络设备的场景信息,进一步确定终端设备的第一标识。
在一种实现方式中,在所述终端设备接收到所述第一标识的情况下,所述终端设备向所述网络设备发送第二消息,所述第二消息用于指示所述网络设备发送第二标识。所述第二消息中携带所述终端设备支持的一个或多个所述第一标识、所述终端设备的当前场景信息、所述终端设备请求所述网络设备发送第二标识的请求信息中的至少一个。所述第二标识与第一标识不同。
可选地,当网络设备向终端设备发送了当前网络设备的第一标识后,终端设备无法获取对应的AI模型,终端设备可以通过第二消息发送向网络设备上报终端设备支持的第一标识。
或者,终端设备认为第一标识对应的场景与终端设备当前所处场景不一致,向网络设备发送请求消息,请求网络设备发送第二标识。可选地,第二标识与第一标识不同。
可选地,终端设备可以获取当前的场景信息,将这些场景信息通过第二消息上报给网络设备,网络设备根据终端设备上报场景信息以及网络设备的场景信息,进一步确定终端设备的第二标识。网络设备向终端设备发送第二标识。可选地,第二标识与第一标识不同。
可选地,终端设备还可以根据第二消息上报网络设备自身支持的所有场景,即终端设备支持的所有第一AI模型对应的场景。网络设备根据终端设备上报场景信息以及网络设备的场景信息,进一步确定终端设备的第二标识。网络设备向终端设备发送第二标识。可选地,第二标识与第一标识不同。本申请实施例对终端设备上报的具体内容并不限制。
可选地,终端设备在收到网络设备的终端设备能力查询信息之后,向网络设备发送第二消息。
可选地,若终端设备上报多个场景,网络设备根据终端设备上报的多个场景,以及网络设备支持的多个场景,确定一个第一标识。示例性地,网络设备的覆盖范围为80%的室内场景,20%的室外场景。此时,网络设备通过广播消息发送的是室内场景标识。此时终端设备接收到来自网络设备的室内场景标识。但是终端设备根据周围场景信息,认为终端设备周围场景为室外场景。终端设备认为网络设备发送的第一标识与终端设备当前所处场景不一致,即可上报终端设备周围的场景信息,指示网络设备发送室外场景标识。
示例性地,终端设备可以通过第一消息上报终端设备的场景信息,比如,终端设备位于室外场景。
示例性地,终端设备可以通过第一消息上报终端设备支持的场景信息,比如,终端设备支持室外场景、城市宏小区场景。此时网络设备所处的场景包括室内场景和室外场景,因此,网络设备指示终端设备室外场景标识。
可选地,该第一消息为媒体接入层控制单元(medium access control-controlelement,MAC-CE)信令。
可选地,该第一消息为UE能力上报消息。
可选地,终端设备也可以在网络设备发送第一标识之前,发送终端设备周围的场景信息或者第一消息。
可选地,终端设备认为周围场景发生了变化,也可以向网络设备发送终端设备周围的场景信息或者第一消息。
可选地,若终端设备认为网络设备发送的第一标识与终端设备当前所处场景不一致,终端设备可以收集当前所处场景下的训练数据,用于第一AI模型训练,训练得到的第一AI模型与网络设备发送的第一标识对应。
可选地,第二标识对应第二AI模型。
在一种实现方式中,当网络设备和/或终端设备所处的场景变化时,网络设备和/或终端设备进行第一AI模型的切换。
本申请实施例以终端设备的场景变换为例,终端设备从网络设备1的覆盖范围切换到网络设备2的覆盖范围中。之后,终端设备进行第一AI模型的切换,并且确定收集的训练数据所属的训练数据集合发生变化。
在一种实施例中,网络设备2直接指示该终端设备,网络设备2对应的第一标识。终端设备根据网络设备2对应的第一标识使用对应的第一AI模型,或确定在网络设备2所在小区下收集的训练数据归属于用于训练第一AI模型的训练数据集合。
可选地,网络设备2可以通过场景标记标识来指示终端设备,此时,终端设备根据网络设备2对应的第一标识训练或者使用对应的第一AI模型。示例性地,网络设备1的场景标记标识为1,网络设备2的场景标记标识为2,终端设备根据预设列表,训练或者使用场景标记标识2对应第二AI模型,或者确定网络设备2所在小区收集的训练数据归属于场景标记标识2对应的训练数据集合。
可选地,网络设备2可以通过场景类型标识来指示终端设备,此时,网络设备2的第一标识。终端设备根据网络设备2对应的第一标识训练或者使用对应的第一AI模型。示例性地,网络设备1的场景类型标识为室内场景标识,网络设备2的场景类型标识为室外场景标识,终端设备根据网络设备2发送的广播消息或者专属信令消息,得知网络设备2的场景类型标识为室外场景标识,终端设备使用室外场景标识对应的第一AI模型,或者将在网络设备2所在小区收集的训练数据归属于室外场景对应的训练数据集合。
可选地,当网络设备1的场景类型标识为室内场景标识,网络设备2的场景类型标识为室内办公室场景标识时,终端设备根据网络设备2发送的广播消息或者专属信令消息,得知网络设备2的场景类型标识为室内办公室场场景标识,终端设备可以训练或使用室内场景标识对应的第一AI模型,也可以训练或使用室内办公室场景标识对应的第一AI模型。
在一种实施例中,网络设备发送场景指示信息,终端设备根据场景指示信息训练或使用第一AI模型。
可选地,场景指示信息可以为邻区小区列表。
可选地,以网络设备为小区为例。当终端设备位于小区1时,终端设备可以接收邻近小区2的第一标识。若小区2的第一标识与小区1的第一标识相同。当终端设备移动到与小区1邻近的小区2时,终端设备不用进行第一AI模型的切换,或者说,终端设备可以将小区2中收集的训练数据和小区1中收集的训练数据组成共同的训练数据集合。若小区2的第一标识与小区1的第一标识不相同。当终端设备移动到与小区1邻近的小区2时,终端设备根据小区2的第一标识进行第一AI模型的切换,或者说,终端设备可以将小区2中收集的训练数据和小区1中收集的训练数据归属于不同的训练数据集合。
在一种实施例中,当终端设备所处的场景变化时,终端设备向网络设备上报新的场景信息,网络设备根据终端设备发送的场景信息指示第二标识。
在一种实施例中,当终端设备所处的场景变化时,终端设备不更换第一AI模型,或者说,终端设备可以将新场景中收集的训练数据归属于相同的训练数据集合。示例性地,网络设备的覆盖范围为80%的室内工厂场景,20%的室内办公室场景。此时,网络设备通过广播消息发送的是室内工厂场景标识。此时终端设备接收到来自网络设备的室内工厂场景标识。此时,终端设备可以选择室内工厂场景标识对应的室内工厂第一AI模型,也可以选择室内场景标识对应的室内第一AI模型。若终端设备使用室内场景标识对应的室内第一AI模型,当终端设备从室内工厂场景移动到室内办公室场景时,室内办公室场景同样可以对应室内第一AI模型,终端设备可以不进行第一AI模型的切换。终端设备也可以将室内办公室场景中收集的训练数据,归属到室内场景对应的训练数据集合之中。
在一种实施例中,网络设备采用广播消息的方式发送网络设备的第一标识时,可通过预先划分随机接入前导序列的方式,确定终端设备是否支持网络设备广播的第一标识。进一步确定是否激活后续的AI空口应用。
可选地,可以将64个随机接入前导序列划分为两组,规定随机接入前导序列0~32为组A,表示终端设备支持网络设备广播的第一标识,即终端设备中有该第一标识对应的第一AI模型。随机接入前导序列32~64为组B,表示终端设备不支持网络设备广播的第一标识,即终端设备中没有该第一标识对应的第一AI模型。
可选地,随机接入前导序列的分类也可以为其他形式,比如接入前导序列32~48表示终端设备不支持网络设备广播的第一标识,但是支持城市微小区场景类型。本申请实施例对此不做限制。
实施例五为终端设备上报其所支持的场景信息,网络设备确定可以指示的场景。
上述实施例中,主要是网络设备向终端设备主动发送第一标识,本申请实施例五中,可进一步在终端设备请求网络设备发送第一标识,并由终端设备上报其支持的场景。
如图15所示,为终端设备上报场景信息的流程图,包括步骤S501-S504。
S501,终端设备接受来自网络设备的场景支持能力查询消息。
可选地,终端设备在接受能力查询消息之前,请求网络设备发送第一标识;
S502,终端设备根据场景支持能力查询消息,发送上报消息,上报其支持的场景类型。
可选地,上报消息中可以包括:终端设备对于各种场景的支持能力。示例性地,终端设备对于场景类型的支持能力。其中,场景类型标识已由定义,则终端设备可上报其支持场景类型标识中的一些场景类型,表示对于场景类型的支持能力。
可选地,终端设备还可以通过请求网络设备发送特定的场景信息。示例性地,终端可以通过一个MAC-CE发送特定场景信息的请求。
可选地,在该MAC-CE中,还可携带终端设备对于自身支持的场景类型。
S503,网络设备向终端设备发送在广播消息或专属信令,广播消息或专属信令中携带第一标识。
S504,终端设备确认网络设备发送的第一标识确定对应的第二AI模型。
可选地,若终端设备不支持网络设备发送的第一标识,可再次进行S502的步骤,或者利用终端设备的场景信息进行第一AI模型的训练。
上述实施例五,通过终端设备上报终端设备支持的场景的方式,可以处理在终端设备对于网络设备发送未发送第一标识,或者发送的第一标识不支持的情况。网络设备基于终端设备上报的场景支持情况,可以进一步确定该终端设备可用的第一标识或第二标识。
本申请中,除特殊说明外,各个实施例之间相同或相似的部分可以互相参考。在本申请中各个实施例、以及各实施例中的各个实施方式/实施方法/实现方法中,如果没有特殊说明以及逻辑冲突,不同的实施例之间、以及各实施例中的各个实施方式/实施方法/实现方法之间的术语和/或描述具有一致性、且可以相互引用,不同的实施例、以及各实施例中的各个实施方式/实施方法/实现方法中的技术特征根据其内在的逻辑关系可以组合形成新的实施例、实施方式、实施方法、或实现方法。以下所述的本申请实施方式并不构成对本申请保护范围的限定。
以上结合图1-图15详细说明了本申请实施例提供确定AI模型的方法。以下结合图16详细说明本申请实施例提供的通信装置。
图16为可用于执行本申请实施例提供的算法模型获取方法的一种通信装置的结构示意图。通信装置500可以是网络设备或终端设备,也可以是网络设备或终端设备中的芯片或者其他具有相应功能的部件。如图16所示,通信装置500可以包括处理器501。可选地,通信装置500还可以包括存储器502和收发器503中的一个或多个。其中,处理器501可以与存储器502和收发器503中的一个或多个耦合,如可以通过通信总线连接,处理器501也可以单独使用。
下面结合图16对通信装置500的各个构成部件进行具体的介绍:处理器501是通信装置500的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器501是一个或多个中央处理器(central processing unit,CPU),也可以是特定集成电路(application specific integrated circuit,ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路,例如:一个或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(field programmable gate array,FPGA)。
其中,处理器501可以通过运行或执行存储在存储器502内的软件程序,以及调用存储在存储器502内的数据,执行通信装置500的各种功能。
在具体的实现中,作为一种实施例,处理器501可以包括一个或多个CPU,例如图16中所示的CPU0和CPU1。
在具体实现中,作为一种实施例,通信装置500也可以包括多个处理器,例如图16中所示的处理器501和处理器504。这些处理器中的每一个可以是一个单核处理器(single-CPU),也可以是一个多核处理器(multi-CPU)。这里的处理器可以指一个或多个通信设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
可选地,存储器502可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储通信设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储通信设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储通信设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器502可以和处理器501集成在一起,也可以独立存在,并通过通信装置500的输入/输出端口(图16中未示出)与处理器501耦合,本申请实施例对此不作具体限定。
示例性地,输入端口可用于实现上述任一方法实施例中由网络设备或终端设备执行的接收功能,输出端口可用于实现上述任一方法实施例中由网络设备或终端设备执行的发送功能。
其中,所述存储器502可用于存储执行本申请方案的软件程序,并由处理器501来控制执行。具体实现方式可以参考上述方法实施例,此处不再赘述。
可选地,收发器503,用于与其他通信装置之间的通信。此外,收发器503可以包括接收器和发送器(图16中未单独示出)。其中,接收器用于实现接收功能,发送器用于实现发送功能。收发器503可以和处理器501集成在一起,也可以独立存在,并通过通信装置500的输入/输出端口(图16中未示出)与处理器501耦合,本申请实施例对此不作具体限定。
图16中示出的通信装置500的结构并不构成对该通信装置的限定,实际的通信装置可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
其中,上述图1-图15中网络设备的动作可以由图16所示的通信装置500中的处理器501调用存储器502中存储的应用程序代码以指令网络设备执行。
上述图2-图15中终端设备的动作可以由图16所示的通信装置500中的处理器501调用存储器502中存储的应用程序代码以指令终端设备执行。
当通信装置为网络设备时,通信装置500可执行上述方法实施例中的网络设备所涉及的任一种或多种实施方式;当通信装置为终端设备时,通信装置500可执行上述方法实施例中的终端设备所涉及的任一种或多种实施方式。
上述实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。
本申请实施例提供一种通信系统。该通信系统包括:终端设备和网络设备。
其中,终端设备用于执行上述方法实施例中终端设备的动作,具体执行方法和过程可参照上述方法实施例,此处不再赘述。
网络设备用于执行上述方法实施例中网络设备的动作,具体执行方法和过程可参照上述方法实施例,此处不再赘述。
本申请实施例提供一种芯片系统,该芯片系统包括逻辑电路和输入/输出端口。其中,逻辑电路可用于实现本申请实施例提供的方法所涉及的处理功能,输入/输出端口可用于本申请实施例提供的方法所涉及的收发功能。
示例性地,输入端口可用于实现本申请实施例提供的方法所涉及的接收功能,输出端口可用于实现本申请实施例提供的方法所涉及的发送功能。
示例性地,通信装置500中的处理器可用于进行,例如但不限于,基带相关处理,通信装置500中的收发器可用于进行,例如但不限于,射频收发。上述器件可以分别设置在彼此独立的芯片上,也可以至少部分的或者全部的设置在同一块芯片上。例如,处理器可以进一步划分为模拟基带处理器和数字基带处理器。其中,模拟基带处理器可以与收发器集成在同一块芯片上,数字基带处理器可以设置在独立的芯片上。随着集成电路技术的不断发展,可以在同一块芯片上集成的器件越来越多,例如,数字基带处理器可以与多种应用处理器(例如但不限于图形处理器,多媒体处理器等)集成在同一块芯片之上。这样的芯片可以称为系统芯片(system on chip)。将各个器件独立设置在不同的芯片上,还是整合设置在一个或者多个芯片上,往往取决于产品设计的具体需要。本发明实施例对上述器件的具体实现形式不做限定。
在一种设计中,该芯片系统还包括存储器,该存储器用于存储实现本申请实施例提供的方法所涉及功能的程序指令和数据。
该芯片系统,可以由芯片构成,也可以包含芯片和其他分立器件。
本申请实施例提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序或指令,当计算机程序或指令在计算机上运行时,使得本申请实施例提供的方法被执行。
本申请实施例提供一种计算机程序产品,该计算机程序产品包括:计算机程序或指令,当计算机程序或指令在计算机上运行时,使得本申请实施例提供的方法被执行。
应理解,在本申请实施例中的处理器可以是中央处理单元(central processingunit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解,本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(random accessmemory,RAM)可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系,但也可能表示的是一种“和/或”的关系,具体可参考前后文进行理解。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在没有引起矛盾的情况下,本申请中的任意两个或更多个实施例中的任意内容均可以自由地组合,组合后的技术方案也在本申请的范围内。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (18)
1.一种确定人工智能AI模型的方法,其特征在于,所述方法包括:
终端设备获取第一标识,所述第一标识用于指示第一场景;
所述终端设备获取第一AI模型,所述第一AI模型与所述第一场景对应。
2.根据权利要求1所述的确定AI模型的方法,其特征在于,所述终端设备获取第一标识,包括:
所述终端设备接收来自网络设备的所述第一标识;
或者,所述终端设备根据所述第一场景确定所述第一标识。
3.根据权利要求1-2任一项所述的确定AI模型的方法,其特征在于,所述终端设备获取第一AI模型,包括:
所述终端设备根据所述第一标识和训练数据得到所述第一AI模型;
或者,所述终端设备接收来自网络设备的所述第一AI模型;
或者,所述终端设备从本地存储的AI模型中获取所述第一AI模型。
4.根据权利要求3所述的确定AI模型的方法,其特征在于,所述终端设备根据所述第一标识和训练数据得到所述第一AI模型,包括:
所述终端设备根据所述第一标识确定所述第一AI模型的训练数据,所述训练数据与所述第一场景对应;
所述终端设备根据所述训练数据训练得到所述第一AI模型。
5.根据权利要求3或4所述的确定AI模型的方法,其特征在于,在所述终端设备根据所述第一标识和训练数据得到所述第一AI模型之后,所述方法还包括:
所述终端设备生成所述第一标识和第一AI模型的对应关系。
6.根据权利要求1-5任一项所述的确定AI模型的方法,其特征在于,同一所述第一标识对应同一第一AI模型。
7.根据权利要求1-6任一项所述的确定AI模型的方法,其特征在于,所述第一标识为多个;不同所述第一标识对应相同的网络配置参数,网络配置参数至少包括天线端口配置参数、波束配置参数。
8.根据权利要求1-7任一项所述的确定AI模型的方法,其特征在于,所述第一标识包括:场景类型标识、第一PMI标识、场景标记标识中的至少一种。
9.根据权利要求1-8任一项所述的确定AI模型的方法,其特征在于,所述第一标识指示第一网络信息集合,所述第一网络信息集合包括第一小区的小区标识、公共陆地移动网标识PLMN、跟踪区域标识TAC、接入网区域标识RANID、小区频点、小区波段band中的至少一种;
所述第一小区为第二小区的邻小区,所述第二小区为所述终端设备所在的小区。
10.根据权利要求1-9任一项所述的确定AI模型的方法,其特征在于,在所述终端设备未接收到所述第一标识的情况下,所述方法还包括:
所述终端设备向所述网络设备发送第一消息,所述第一消息用于指示所述网络设备发送第一标识。
11.根据权利要求10所述的确定AI模型的方法,其特征在于,所述第一消息中携带所述终端设备支持的一个或多个所述第一标识、所述终端设备的第一场景的场景信息、所述终端设备请求所述网络设备发送第一标识的请求信息中的至少一个。
12.根据权利要求1-11任一项所述的确定AI模型的方法,其特征在于,所述方法还包括:
所述终端设备接收来自网络设备的第一随机接入资源和/或第二随机接入资源的配置信息;
在所述终端设备获取到所述第一标识对应的所述第一AI模型的情况下,所述终端设备根据所述第一随机接入资源的配置信息,通过所述第一随机接入资源发起随机接入;
在所述终端设备未获取到所述第一标识对应的所述第一AI模型的情况下,所述终端设备根据所述第二随机接入资源的配置信息,通过所述第二随机接入资源发起随机接入。
13.一种确定人工智能AI模型的方法,其特征在于,所述方法包括:
第一网络设备确定第一标识;
所述第一网络设备向终端设备发送所述第一标识,所述第一标识用于指示第一场景。
14.根据权利要求13所述的确定AI模型的方法,其特征在于,所述方法还包括:
所述网络设备接收来自所述终端设备的第一消息;
所述网络设备根据所述第一消息向所述终端设备发送所述第一标识。
15.根据权利要求13或14所述的确定AI模型的方法,其特征在于,所述方法还包括:
所述第一网络设备向第二网络设备发送所述终端设备支持的一个或多个所述第一标识;所述第一网络设备为切换前终端设备接入的网络设备,所述第二网络设备为切换后终端设备接入的网络设备。
16.一种通信装置,其特征在于,所述通信装置包括:处理器;所述处理器,用于执行如权利要求1-15中任一项所述的方法。
17.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序或指令,当所述计算机程序或指令在计算机上运行时,使得如权利要求1-15中任一项所述的方法被执行。
18.一种计算机程序产品,其特征在于,所述计算机程序产品包括:计算机程序或指令,当所述计算机程序或指令在计算机上运行时,使得如权利要求1-15中任一项所述的方法被执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2023/105923 WO2024012331A1 (zh) | 2022-07-13 | 2023-07-05 | 一种确定人工智能ai模型的方法及装置 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210823771 | 2022-07-13 | ||
CN2022108237715 | 2022-07-13 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117459409A true CN117459409A (zh) | 2024-01-26 |
Family
ID=89593503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210970366.6A Pending CN117459409A (zh) | 2022-07-13 | 2022-08-12 | 一种确定人工智能ai模型的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117459409A (zh) |
-
2022
- 2022-08-12 CN CN202210970366.6A patent/CN117459409A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111010744B (zh) | 建立会话的方法和装置以及发送报文的方法和装置 | |
US20230090022A1 (en) | Method and device for selecting service in wireless communication system | |
CN109890078A (zh) | 一种资源配置方法及其装置 | |
US20120039202A1 (en) | Device in wireless network, device resource management apparatus, gateway and network server, and control method of the network server | |
CN107925957A (zh) | 通过小小区的等权蜂窝网络连接 | |
EP3381234B1 (en) | Position-pair-dependent interference and traffic pattern database | |
US20150003253A1 (en) | Method and apparatus for offloading traffic | |
WO2023197226A1 (zh) | 波束选择方法和装置 | |
US10966132B1 (en) | System and method for frequency object enablement in self-organizing networks | |
WO2021008270A1 (zh) | 一种数据处理的方法、装置和系统 | |
WO2024012331A1 (zh) | 一种确定人工智能ai模型的方法及装置 | |
US20230300038A1 (en) | Information Transmission Method and Device, Storage Medium, and Electronic Device | |
WO2022038760A1 (ja) | 通信品質を予測する装置、方法及びプログラム | |
WO2021134682A1 (zh) | 一种定向测量方法及设备 | |
US20230126999A1 (en) | Method for wireless communication and network device | |
US20230049277A1 (en) | Method and apparatus for providing uplink signal-based location service | |
Kaur et al. | OCTRA‐5G: osmotic computing based task scheduling and resource allocation framework for 5G | |
CN117459409A (zh) | 一种确定人工智能ai模型的方法及装置 | |
US11729636B1 (en) | Network clustering determination | |
CN111065167B (zh) | 一种bsr上报方法、终端和网络侧设备 | |
CN116097733A (zh) | 接入网管理配置的方法、系统及装置 | |
WO2024067248A1 (zh) | 一种获取训练数据集的方法和装置 | |
RU2815087C1 (ru) | Способ и устройство для запроса конфигурации опорного сигнала позиционирования (prs), а также устройство связи и носитель данных | |
US11849354B2 (en) | Managing a baseband network policy | |
WO2023236774A1 (zh) | 意图管理的方法与装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |