CN117546512A - 通信方法、终端、网络设备以及通信系统 - Google Patents
通信方法、终端、网络设备以及通信系统 Download PDFInfo
- Publication number
- CN117546512A CN117546512A CN202380011257.4A CN202380011257A CN117546512A CN 117546512 A CN117546512 A CN 117546512A CN 202380011257 A CN202380011257 A CN 202380011257A CN 117546512 A CN117546512 A CN 117546512A
- Authority
- CN
- China
- Prior art keywords
- beams
- measured
- value
- rsrp
- time
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 153
- 238000005259 measurement Methods 0.000 claims abstract description 120
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 23
- 238000005315 distribution function Methods 0.000 claims description 26
- 230000001186 cumulative effect Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 25
- 230000001960 triggered effect Effects 0.000 claims description 16
- 230000011664 signaling Effects 0.000 claims description 14
- 230000003213 activating effect Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 23
- 230000015654 memory Effects 0.000 description 17
- 238000010295 mobile communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本公开涉及通信方法、终端、网络设备以及通信系统。方法包括:确定至少一个参考信号资源,所述至少一个参考信号资源用于波束测量;基于所述至少一个参考信号资源的波束测量结果,确定第一报告,所述第一报告包括用于第一人工智能AI模型性能监测的数据,所述第一AI模型用于进行波束或波束对失败预测;发送所述第一报告。通过本公开实施例,提高AI模型性能,减少波束失败概率,提高基于波束传输的通信性能。
Description
技术领域
本公开涉及通信技术领域,尤其涉及通信方法、终端、网络设备以及通信系统。
背景技术
在新空口(New Radio,NR)中,特别是在工作频段(frequency range)2中,为了保证覆盖范围,需要基于波束(beam)的发送和接收。
发明内容
基于人工智能(Artificial Intelligence,AI)模型或AI功能进行的波束管理中需要对模型性能进行监测,并上报波束信息,但存在波束信息上报不准确,导致通信性能降低的现象。
本公开实施例提出了通信方法、终端、网络设备以及通信系统。
根据本公开实施例的第一方面,提出了一种通信方法,方法包括:确定至少一个参考信号资源,所述至少一个参考信号资源用于波束测量;基于所述至少一个参考信号资源的波束测量结果,确定第一报告,所述第一报告用于第一人工智能AI模型性能监测,所述第一AI模型用于进行波束或波束对失败预测;发送所述第一报告。
根据本公开实施例的第二方面,提出了一种通信方法,方法包括:接收第一报告,所述第一报告用于第一人工智能AI模型性能监测,所述第一AI模型用于波束或波束对失败预测;所述第一报告由终端基于至少一个参考信号资源的波束测量结果确定。
根据本公开实施例的第三方面,提出了一种通信方法,方法包括:终端确定至少一个参考信号资源,所述至少一个参考信号资源用于波束测量;基于所述至少一个参考信号资源的波束测量结果,确定第一报告,所述第一报告用于第一人工智能AI模型性能监测,所述第一AI模型用于进行波束或波束对失败预测;向网络设备发送所述第一报告。
根据本公开实施例的第四方面,提出了一种终端,包括:处理模块,用于确定至少一个参考信号资源,所述至少一个参考信号资源用于波束测量;基于所述至少一个参考信号资源的波束测量结果,确定第一报告,所述第一报告用于第一人工智能AI模型性能监测,所述第一AI模型用于进行波束或波束对失败预测;收发模块,用于发送所述第一报告。
根据本公开实施例的第五方面,提出了一种网络设备,包括:收发模块,用于接收第一报告,所述第一报告用于第一人工智能AI模型性能监测,所述第一AI模型用于波束或波束对失败预测;所述第一报告由终端基于至少一个参考信号资源的波束测量结果确定。
根据本公开实施例的第六方面,提出了一种终端,包括:一个或多个处理器;其中,所述处理器用于执行第一方面的通信方法。
根据本公开实施例的第七方面,提出了一种网络设备,包括:一个或多个处理器;其中,所述处理器用于执行第二方面的通信方法。
根据本公开实施例的第八方面,提供通信系统,包括终端和网络设备,其中,终端被配置为实现第一方面的通信方法,网络设备被配置为实现第二方面的通信方法。
根据本公开实施例的第九方面,提供存储介质,存储介质存储有指令,其特征在于,当指令在通信设备上运行时,使得通信设备执行第一方面、第二方面任意一项的通信方法。
通过本公开实施例,提高AI模型性能,减少波束失败概率,提高基于波束传输的通信性能。
附图说明
为了更清楚地说明本公开实施例中的技术方案,以下对实施例描述所需的附图进行介绍,以下附图仅仅是本公开的一些实施例,不对本公开的保护范围造成具体限制。
图1是根据本公开实施例示出的通信系统的架构示意图。
图2是根据本公开实施例示出的通信方法的交互示意图。
图3A是根据本公开实施例示出的通信方法的流程示意图。
图3B是根据本公开实施例示出的通信方法的流程示意图。
图3C是根据本公开实施例示出的通信方法的流程示意图。
图4A是根据本公开实施例示出的通信方法的流程示意图。
图4B是根据本公开实施例示出的通信方法的流程示意图。
图5是根据本公开实施例示出的通信方法的交互示意图。
图6A是本公开实施例提出的终端的结构示意图。
图6B是本公开实施例提出的网络设备的结构示意图。
图7A是本公开实施例提出的通信设备的结构示意图。
图7B是本公开实施例提出的芯片的结构示意图。
具体实施方式
本公开实施例提出了通信方法、终端、网络设备以及通信系统。
第一方面,本公开实施例提出了确定至少一个参考信号资源,至少一个参考信号资源用于波束测量;基于至少一个参考信号资源的波束测量结果,确定第一报告,第一报告用于第一人工智能AI模型性能监测,第一AI模型用于进行波束或波束对失败预测;发送所述第一报告。
在上述实施例中,终端通过基于参考信号资源确定第一AI模型的性能监测数据,由于第一AI模型用于波束失败预测,从而实现了对用于波束失败预测的模型的性能监测,并将性能监测数据上报给网络设备,以使网络设备能够在第一AI模型性能不佳时及时进行相应调整,从而提高AI模型性能,减少波束失败概率,提高基于波束传输的通信性能。
结合第一方面的一些实施例,在一些实施例中,第一报告包括以下至少一项:第一AI模型的性能值;第一数据,第一数据为用于计算所述第一AI模型的性能值的数据;第一事件,第一事件基于第一AI模型的性能值与门限值的比较结果触发;第一信息,第一信息用于表示模型管理操作。
在上述实施例中,通过上述内容,可以实现终端对第一AI模型的性能检测,从而减少因模型性能不佳而导致波束失败概率。
结合第一方面的一些实施例,在一些实施例中,第一AI模型的性能值,包括以下至少一项性能指标对应的值:波束失败或波束对失败概率预测准确性;无线链路质量的差异度,无线链路质量的差异度为预测的无线链路质量与测量的无线链路质量的差异度;误码率BLER的差异度,BLER的差异度为预测的BLER与测量的BLER的差异度;波束或波束对失败时间的差异度,波束或波束对失败时间的差异度为预测的波束或波束对失败的时间与测量的波束或波束对失败的时间的差异度;波束或波束对失败时间的预测准确性;新波束或新波束对的预测准确性;层1参考信号接收功率L1-RSRP差值在第一阈值内的波束或波束对预测准确度,L1-RSRP差值为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差值;L1-RSRP差异度,L1-RSRP差异度为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差异度,其中,差异度包括以下至少一项:L1-RSRP的差值的平均值、L1-RSRP的差值的累积分布函数、L1-RSRP的差值小于或等于第二阈值的比例以及L1-RSRP的差值大于第三阈值的比例,其中所述L1-RSRP的差值为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差值;预测L1-RSRP差异度,预测L1-RSRP差异度为最佳预测波束或波束对的预测L1-RSRP与最佳预测波束或波束对的测量L1-RSRP之间的差异度,其中,预测L1-RSRP差异度包括以下至少一项:预测L1-RSRP的差值的平均值、预测L1-RSRP的差值的累积分布函数、预测L1-RSRP的差值小于或等于第二阈值的比例以及L1-RSRP的差值大于第三阈值的比例,其中预测L1-RSRP的差值为最佳预测波束或波束对的预测L1-RSRP与最佳预测波束或波束对的测量L1-RSRP的差值;终端吞吐量;参考信号开销;上行控制信息开销;预测时延。
在上述实施例中,可以实现终端对第一AI模型的性能检测,从而减少因模型性能不佳而导致波束失败概率。
结合第一方面的一些实施例,在一些实施例中,无线链路质量的差异度,包括以下至少一项:
指定时间内预测的无线链路质量值与指定时间内测量的无线链路质量值的差值,或指定时间内预测的无线链路质量值最小值与指定时间内测量的无线链路质量值最小值的差值。
结合第一方面的一些实施例,在一些实施例中,BLER的差异度包括以下至少一项:指定时间内预测的BLER值与指定时间内测量的BLER值的差值,或指定时间内预测的BLER值最大值与指定时间内测量的BLER至最大值的差值。
结合第一方面的一些实施例,在一些实施例中,波束或波束对失败的时间差异度包括以下至少一项:指定时间内预测的波束或波束对失败时间与指定时间内测量的波束或波束对失败时间的差值。
结合第一方面的一些实施例,在一些实施例中,第一数据,包括以下至少一项:在第一AI模型部署在终端侧的情况下,第一数据包括:第一AI模型输出信息以及第一AI模型输出信息对应的测量信息中的至少一项;在第一AI模型部署在网络侧的情况下,第一数据包括:第一AI模型输入信息以及第一AI模型输出信息对应的测量信息中的至少一项。
结合第一方面的一些实施例,在一些实施例中,第一AI模型输入信息,包括以下至少一项:测量的第一AI模型输入信息;预测当前的第一AI模型输入信息,预测当前的第一AI模型输入信息基于第二AI模型预测得到;预测未来时间的第一AI模型输入信息,预测未来时间的第一AI模型输入信息基于第三AI模型预测得到;指定时间;第一波束质量阈值。
在上述实施例中,针对第一AI模型适用于的不同通信场景,分别设定不同的输入以及输出,以使第一AI模型能够在不同的通信场景中均能进行波束失败预测。
结合第一方面的一些实施例,在一些实施例中,测量的第一AI模型输入信息,包括以下至少一项:测量的第一波束集合中最佳K个波束或波束对的标识;测量的第一波束集合中最佳K个波束或波束对的L1-RSRP;测量的第一波束集合中最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;测量的第一波束集合中全部L个波束或波束对的L1-SINR,其中L大于或等于1;测量的第一波束集合中全部L个波束或波束对的L1-RSRP;测量的第一波束集合中指定M个波束或波束对的L1-RSRP,其中M为大于或等于1的整数,并且M小于L;测量的第一波束集合中指定M个波束或波束对的L1-SINR;测量的第一波束集合中随机N个波束或波束对的L1-RSRP,其中N为大于或等于1的整数,并且N小于L;测量的第一波束集合中随机N个波束或波束对的L1-SINR;测量的第一波束集合中随机N个波束或波束对的标识;其中,至少一个参考信号资源包含于所述第一参考信号资源集合中,第一波束集合是基于第一参考信号资源集合确定的。
在上述实施例中,第一AI模型在如下场景中实现波束失败预测:预测当前时间的最佳K个波束在指定时间内无线链路质量低于第二质量阈值的概率,或者无线链路质量的值。其中,预测最佳K个波束为第二AI模型,预测波束失败的为第一AI模型,第一AI模型与第二AI模型不相同。
结合第一方面的一些实施例,在一些实施例中,预测当前的第一AI模型输入信息,包括以下至少一项:预测的第一波束集合中最佳K个波束或波束对的标识;预测的第一波束集合中最佳K个波束或波束对的L1-RSRP;预测的第一波束集合中最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;预测的第一波束集合中全部L个波束或波束对的L1-RSRP;预测的第一波束集合中指定M个波束或波束对的L1-RSRP,其中M为大于或等于1的整数,并且M小于L;预测的第一波束集合中指定M个波束或波束对的L1-SINR;预测的第一波束集合中随机N个波束或波束对的L1-RSRP,其中N为大于或等于1的整数,并且N小于L;预测的第一波束集合中随机N个波束或波束对的L1-SINR;预测的第一波束集合中随机N个波束或波束对的标识;其中,至少一个参考信号资源包含于所述第一参考信号资源集合中,第一波束集合是基于所述第一参考信号资源集合确定的。
在上述实施例中,第一AI模型在如下场景中实现波束失败预测:预测当前时间的最佳K个波束在指定时间内无线链路质量低于第二质量阈值的概率,或者无线链路质量的值。其中,预测最佳K个波束为第二AI模型,预测波束失败的为第一AI模型,第一AI模型与第二AI模型不相同。
结合第一方面的一些实施例,在一些实施例中,第一AI模型输入信息或第二AI模型输入信息,包括以下至少一项:测量的第二波束集合中多个波束或波束对的标识,第二波束集合的第二波束信息用于输入至所述第一AI模型,其中第二波束信息包括标识,L1-RSRP和L1-SINR中的至少一项;测量的第二波束集合中多个波束或波束对的L1-RSRP;测量的第二波束集合中多个波束或波束对的L1-SINR;指定时间;第一波束质量阈值;其中,至少一个参考信号资源包含于第二参考信号资源集合中,第二波束集合是基于第二参考信号资源集合确定的。
在上述实施例中,第一AI模型在如下场景中实现波束失败预测:预测当前时间的最佳K个波束在指定时间内无线链路质量低于第二质量阈值的概率,或者无线链路质量的值。其中,预测最佳K个波束以及预测波束失败的均为第一AI模型。
结合第一方面的一些实施例,在一些实施例中,预测未来时间的第一AI模型输入信息,包括以下至少一项:至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的标识;至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中全部L个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中全部L个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测第一波束集合中指定M个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测第一波束集合中指定M个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的标识;至少一个未来时间对应的指定时间;至少一个未来时间对应的第一波束质量阈值;其中,至少一个参考信号资源包含于所述第一参考信号资源集合中,第一波束集合是基于所述第一参考信号资源集合确定的。
在上述实施例中,第一AI模型在如下场景中实现波束失败预测:预测未来时间的最佳K个波束在指定时间内无线链路质量低于第二质量阈值的概率,或者无线链路质量的值。其中,预测最佳K个波束为第三AI模型,预测波束失败的为第一AI模型,第一AI模型与第三AI模型不相同。
结合第一方面的一些实施例,在一些实施例中,第一AI模型输入信息或第三AI模型输入信息,包括以下至少一项:多个历史时间中测量的第二波束集合中多个波束或波束对的标识;多个历史时间中测量的多个第二波束集合中多个波束或波束对的L1-RSRP;多个历史时间中测量的多个第二波束集合中多个波束或波束对的L1-SINR;至少一个未来时间对应的指定时间;至少一个未来时间对应的第一波束质量阈值;其中,至少一个参考信号资源包含于第二参考信号资源集合中,第二波束集合是基于第二参考信号资源集合确定的。
在上述实施例中,第一AI模型在如下场景中实现波束失败预测:预测未来时间的最佳K个波束在指定时间内无线链路质量低于第二质量阈值的概率,或者无线链路质量的值。其中,预测最佳K个波束以及预测波束失败的均为第一AI模型。
结合第一方面的一些实施例,在一些实施例中,第一AI模型输出信息,包括以下至少一项:指定时间时的无线链路质量值;指定时间内的第一概率值,第一概率值为无线链路质量值低于第二质量阈值的概率值;指定时间时的BLER值;指定时间内的无线链路质量值的最低值;指定时间内的BLER值的最高值;波束失败时间;新波束的标识。
结合第一方面的一些实施例,在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的指定时间时的无线链路质量值对应的测量值;测量的指定时间内的第一概率值对应的测量值;测量的指定时间时的BLER值对应的测量值;测量的指定时间内的无线链路质量值的最低值对应的测量值;测量的指定时间内的BLER值的最高值对应的测量值;测量的波束失败时间对应的测量值;测量的新波束的标识对应的测量值。
结合第一方面的一些实施例,在一些实施例中,第一AI模型输出信息,包括以下至少一项:指定时间时的无线链路质量值;指定时间内的第一概率值,第一概率值为无线链路质量值低于第二质量阈值的概率值;指定时间时的BLER值;指定时间内的无线链路质量值的最低值;指定时间内的BLER值的最高值;波束失败时间;新波束的标识;第一波束集合中最佳K个波束或波束对标识;第一波束集合中最佳K个波束或波束对的L1-RSRP;第一波束集合中最佳K个波束或波束对的L1-SINR;第一波束集合中全部L个波束或波束对的L1-RSRP;第一波束集合中全部L个波束或波束对的L1-SINR。
结合第一方面的一些实施例,在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的指定时间时的无线链路质量值对应的测量值;测量的指定时间内的第一概率值对应的测量值;测量的指定时间时的BLER值对应的测量值;测量的指定时间内的无线链路质量值的最低值对应的测量值;测量的指定时间内的BLER值的最高值对应的测量值;测量的波束失败时间对应的测量值;测量的新波束的标识对应的测量值;测量的第一波束集合中最佳K个波束或波束对标识对应的测量值;测量的第一波束集合中最佳K个波束或波束对的L1-RSRP对应的测量值;测量的第一波束集合中最佳K个波束或波束对的L1-SINR对应的测量值;测量的第一波束集合中全部L个波束或波束对的L1-RSRP对应的测量值;测量的第一波束集合中全部L个波束或波束对的L1-SINR对应的测量值。
结合第一方面的一些实施例,在一些实施例中,第一AI模型输出信息,包括以下至少一项:至少一个未来时间对应的指定时间时的无线链路质量值;至少一个未来时间对应的指定时间内的第一概率值,第一概率值为无线链路质量值低于第二质量阈值的概率值;至少一个未来时间对应的指定时间时的BLER值;至少一个未来时间对应的指定时间内的无线链路质量值的最低值;至少一个未来时间对应的指定时间内的BLER值的最高值;至少一个未来时间对应的波束失败时间;至少一个未来时间对应的新波束的标识。
结合第一方面的一些实施例,在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的至少一个未来时间对应的指定时间时的无线链路质量值对应的测量值;测量的至少一个未来时间对应的指定时间内的第一概率值对应的测量值;测量的至少一个未来时间对应的指定时间时的BLER值对应的测量值;测量的至少一个未来时间对应的指定时间内的无线链路质量值的最低值对应的测量值;测量的至少一个未来时间对应的指定时间内的BLER值的最高值对应的测量值;测量的至少一个未来时间对应的波束失败时间对应的测量值;测量的至少一个未来时间对应的新波束的标识对应的测量值。
结合第一方面的一些实施例,在一些实施例中,第一AI模型输出信息,包括以下至少一项:至少一个未来时间对应的指定时间时的无线链路质量值;至少一个未来时间对应的指定时间内的第一概率值,所述第一概率值为无线链路质量值低于第二质量阈值的概率值;至少一个未来时间对应的指定时间时的BLER值;至少一个未来时间对应的指定时间内的无线链路质量值的最低值;至少一个未来时间对应的指定时间内的BLER值的最高值;至少一个未来时间对应的波束失败时间;至少一个未来时间对应的新波束的标识;至少一个未来时间对应的第一波束集合中最佳K个波束或波束对标识;至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-SINR。
结合第一方面的一些实施例,在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的至少一个未来时间对应的指定时间时的无线链路质量值对应的测量值;测量的至少一个未来时间对应的指定时间内的第一概率值对应的测量值;测量的至少一个未来时间对应的指定时间时的BLER值对应的测量值;测量的至少一个未来时间对应的指定时间内的无线链路质量值的最低值对应的测量值;测量的至少一个未来时间对应的指定时间内的BLER值的最高值对应的测量值;测量的至少一个未来时间对应的波束失败时间对应的测量值;测量的至少一个未来时间对应的新波束的标识对应的测量值;测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对标识对应的测量值;测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-RSRP对应的测量值;测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-SINR对应的测量值;测量的至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-RSRP对应的测量值;测量的至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-SINR对应的测量值。
结合第一方面的一些实施例,在一些实施例中,无线链路质量基于以下至少一项确定:基于一个波束的信噪比SNR;基于一个波束的信号干扰噪声比SINR;基于两个波束接收物理下行控制信道PDCCH的情况确定的SNR或SINR。
结合第一方面的一些实施例,在一些实施例中,第一波束质量阈值,所述指定时间以及所述第二波束质量阈值中的至少一项,基于以下至少一项确定:无线资源控制RRC信令;广播信息;系统信息;协议规定默认值。
结合第一方面的一些实施例,在一些实施例中,第一信息包括以下至少一项:激活所述第一AI模型的信息;去激活所述第一AI模型的信息;切换所述第一AI模型的信息;回退至非AI模式的信息。
在上述实施例中,可以在第一AI模型性能监测结果不佳时,及时对第一AI模型进行相应调整,从而减少波束失败概率,提高基于波束传输的通信性能。
第二方面,本公开实施例提出了接收第一报告,第一报告用于第一人工智能AI模型性能监测,所述第一AI模型用于波束或波束对失败预测;第一报告由终端基于至少一个参考信号资源的波束测量结果确定。
结合第二方面的一些实施例,在一些实施例中,第一报告包括以下至少一项:第一AI模型的性能值;第一数据,第一数据为用于计算所述第一AI模型的性能值的数据;第一事件,第一事件基于第一AI模型的性能值与门限值的比较结果触发;第一信息,第一信息用于表示模型管理操作。
结合第二方面的一些实施例,在一些实施例中,第一AI模型的性能值,包括以下至少一项性能指标对应的值:波束失败或波束对失败概率预测准确性;无线链路质量的差异度,无线链路质量的差异度为预测的无线链路质量与测量的无线链路质量的差异度;误码率BLER的差异度,BLER的差异度为预测的BLER与测量的BLER的差异度;波束或波束对失败时间的差异度,波束或波束对失败时间的差异度为预测的波束或波束对失败的时间与测量的波束或波束对失败的时间的差异度;波束或波束对失败时间的预测准确性;新波束或新波束对的预测准确性;层1参考信号接收功率L1-RSRP差值在第一阈值内的波束或波束对预测准确度,所述L1-RSRP差值为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差值;L1-RSRP差异度,所述L1-RSRP差异度为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差异度,其中,所述差异度包括以下至少一项:L1-RSRP的差值的平均值、L1-RSRP的差值的累积分布函数、L1-RSRP的差值小于或等于第二阈值的比例以及L1-RSRP的差值大于第三阈值的比例,其中所述L1-RSRP的差值为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差值;预测L1-RSRP差异度,所述预测L1-RSRP差异度为最佳预测波束或波束对的预测L1-RSRP与最佳预测波束或波束对的测量L1-RSRP之间的差异度,其中,所述预测L1-RSRP差异度包括以下至少一项:预测L1-RSRP的差值的平均值、预测L1-RSRP的差值的累积分布函数、预测L1-RSRP的差值小于或等于第二阈值的比例以及L1-RSRP的差值大于第三阈值的比例,其中所述预测L1-RSRP的差值为最佳预测波束或波束对的预测L1-RSRP与最佳预测波束或波束对的测量L1-RSRP的差值;终端吞吐量;参考信号开销;上行控制信息开销;预测时延。
结合第二方面的一些实施例,在一些实施例中,无线链路质量的差异度,包括以下至少一项:指定时间内预测的无线链路质量值与指定时间内测量的无线链路质量值的差值,或指定时间内预测的无线链路质量值最小值与指定时间内测量的无线链路质量值最小值的差值。
结合第二方面的一些实施例,在一些实施例中,BLER的差异度包括以下至少一项:指定时间内预测的BLER值与指定时间内测量的BLER值的差值,或指定时间内预测的BLER值最大值与指定时间内测量的BLER至最大值的差值。
结合第二方面的一些实施例,在一些实施例中,波束或波束对失败的时间差异度包括以下至少一项:指定时间内预测的波束或波束对失败时间与指定时间内测量的波束或波束对失败时间的差值。
结合第二方面的一些实施例,在一些实施例中,第一数据,包括以下至少一项:在第一AI模型部署在终端侧的情况下,第一数据包括:第一AI模型输出信息以及第一AI模型输出信息对应的测量信息中的至少一项;在第一AI模型部署在网络侧的情况下,第一数据包括:第一AI模型输入信息以及第一AI模型输出信息对应的测量信息中的至少一项。
结合第二方面的一些实施例,在一些实施例中,第一AI模型输入信息,包括以下至少一项:测量的第一AI模型输入信息;预测当前的第一AI模型输入信息,预测当前的第一AI模型输入信息基于第二AI模型预测得到;预测未来时间的第一AI模型输入信息,预测未来时间的第一AI模型输入信息基于第三AI模型预测得到;指定时间;第一波束质量阈值。
结合第二方面的一些实施例,在一些实施例中,测量的第一AI模型输入信息,包括以下至少一项:测量的第一波束集合中最佳K个波束或波束对的标识;测量的第一波束集合中最佳K个波束或波束对的L1-RSRP;测量的第一波束集合中最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;测量的第一波束集合中全部L个波束或波束对的L1-SINR,其中L大于或等于1;测量的第一波束集合中全部L个波束或波束对的L1-RSRP;测量的第一波束集合中指定M个波束或波束对的L1-RSRP,其中M为大于或等于1的整数,并且M小于L;测量的第一波束集合中指定M个波束或波束对的L1-SINR;测量的第一波束集合中随机N个波束或波束对的L1-RSRP,其中N为大于或等于1的整数,并且N小于L;测量的第一波束集合中随机N个波束或波束对的L1-SINR;测量的第一波束集合中随机N个波束或波束对的标识;其中,至少一个参考信号资源包含于第一参考信号资源集合中,第一波束集合是基于第一参考信号资源集合确定的。
结合第二方面的一些实施例,在一些实施例中,预测当前的第一AI模型输入信息,包括以下至少一项:预测的第一波束集合中最佳K个波束或波束对的标识;预测的第一波束集合中最佳K个波束或波束对的L1-RSRP;预测的第一波束集合中最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;预测的第一波束集合中全部L个波束或波束对的L1-RSRP;预测的第一波束集合中指定M个波束或波束对的L1-RSRP,其中M为大于或等于1的整数,并且M小于L;预测的第一波束集合中指定M个波束或波束对的L1-SINR;预测的第一波束集合中随机N个波束或波束对的L1-RSRP,其中N为大于或等于1的整数,并且N小于L;预测的第一波束集合中随机N个波束或波束对的L1-SINR;预测的第一波束集合中随机N个波束或波束对的标识;其中,至少一个参考信号资源包含于所述第一参考信号资源集合中,第一波束集合基于第一参考信号资源集合确定的。
结合第二方面的一些实施例,在一些实施例中,第一AI模型输入信息,包括以下至少一项:测量的第二波束集合中多个波束或波束对的标识,第二波束集合的第二波束信息用于输入至所述第一AI模型,其中第二波束信息包括标识,L1-RSRP和L1-SINR中的至少一项;测量的第二波束集合中多个波束或波束对的L1-RSRP;测量的第二波束集合中多个波束或波束对的L1-SINR;指定时间;第一波束质量阈值;其中,至少一个参考信号资源包含于第二参考信号资源集合中,第二波束集合是基于第二参考信号资源集合确定的。
结合第二方面的一些实施例,在一些实施例中,预测未来时间的第一AI模型输入信息,包括以下至少一项:至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的标识;至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中全部L个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中全部L个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测第一波束集合中指定M个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测第一波束集合中指定M个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的L1-RSRP,;至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的标识;至少一个未来时间对应的指定时间;至少一个未来时间对应的第一波束质量阈值;其中,至少一个参考信号资源包含于所述第一参考信号资源集合中,第一波束集合是基于所述第一参考信号资源集合确定的。
结合第二方面的一些实施例,在一些实施例中,第一AI模型输入信息或第三AI模型输入信息,包括以下至少一项:多个历史时间中测量的第二波束集合中多个波束或波束对的标识;多个历史时间中测量的多个第二波束集合中多个波束或波束对的L1-RSRP;多个历史时间中测量的多个第二波束集合中多个波束或波束对的L1-SINR;至少一个未来时间对应的指定时间;至少一个未来时间对应的第一波束质量阈值;其中,至少一个参考信号资源包含于所述第二参考信号资源集合中,所述第二波束集合是基于第二参考信号资源集合确定的。
结合第二方面的一些实施例,在一些实施例中,第一AI模型输出信息,包括以下至少一项:指定时间时的无线链路质量值;指定时间内的第一概率值,所述第一概率值为无线链路质量值低于第二质量阈值的概率值;指定时间时的BLER值;指定时间内的无线链路质量值的最低值;指定时间内的BLER值的最高值;波束失败时间;新波束的标识。
结合第二方面的一些实施例,在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的指定时间时的无线链路质量值对应的测量值;测量的指定时间内的第一概率值对应的测量值;测量的指定时间时的BLER值对应的测量值;测量的指定时间内的无线链路质量值的最低值对应的测量值;测量的指定时间内的BLER值的最高值对应的测量值;测量的波束失败时间对应的测量值;测量的新波束的标识对应的测量值。
结合第二方面的一些实施例,在一些实施例中,第一AI模型输出信息,包括以下至少一项:指定时间时的无线链路质量值;指定时间内的第一概率值,第一概率值为无线链路质量值低于第二质量阈值的概率值;指定时间时的BLER值;指定时间内的无线链路质量值的最低值;指定时间内的BLER值的最高值;波束失败时间;新波束的标识;第一波束集合中最佳K个波束或波束对标识;第一波束集合中最佳K个波束或波束对的L1-RSRP;第一波束集合中最佳K个波束或波束对的L1-SINR;第一波束集合中全部L个波束或波束对的L1-RSRP;第一波束集合中全部L个波束或波束对的L1-SINR。
结合第二方面的一些实施例,在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的指定时间时的无线链路质量值对应的测量值;测量的指定时间内的第一概率值对应的测量值;测量的指定时间时的BLER值对应的测量值;测量的指定时间内的无线链路质量值的最低值对应的测量值;测量的指定时间内的BLER值的最高值对应的测量值;测量的波束失败时间对应的测量值;测量的新波束的标识对应的测量值;测量的第一波束集合中最佳K个波束或波束对标识对应的测量值;测量的第一波束集合中最佳K个波束或波束对的L1-RSRP对应的测量值;测量的第一波束集合中最佳K个波束或波束对的L1-SINR对应的测量值;测量的第一波束集合中全部L个波束或波束对的L1-RSRP对应的测量值;测量的第一波束集合中全部L个波束或波束对的L1-SINR对应的测量值。
结合第二方面的一些实施例,在一些实施例中,第一AI模型输出信息,包括以下至少一项:至少一个未来时间对应的指定时间时的无线链路质量值;至少一个未来时间对应的指定时间内的第一概率值,第一概率值为无线链路质量值低于第二质量阈值的概率值;至少一个未来时间对应的指定时间时的BLER值;至少一个未来时间对应的指定时间内的无线链路质量值的最低值;至少一个未来时间对应的指定时间内的BLER值的最高值;至少一个未来时间对应的波束失败时间;至少一个未来时间对应的新波束的标识。
结合第二方面的一些实施例,在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的至少一个未来时间对应的指定时间时的无线链路质量值对应的测量值;测量的至少一个未来时间对应的指定时间内的第一概率值对应的测量值;测量的至少一个未来时间对应的指定时间时的BLER值对应的测量值;测量的至少一个未来时间对应的指定时间内的无线链路质量值的最低值对应的测量值;测量的至少一个未来时间对应的指定时间内的BLER值的最高值对应的测量值;测量的至少一个未来时间对应的波束失败时间对应的测量值;测量的至少一个未来时间对应的新波束的标识对应的测量值。
结合第二方面的一些实施例,在一些实施例中,第一AI模型输出信息,包括以下至少一项:至少一个未来时间对应的指定时间时的无线链路质量值;至少一个未来时间对应的指定时间内的第一概率值,第一概率值为无线链路质量值低于第二质量阈值的概率值;至少一个未来时间对应的指定时间时的BLER值;至少一个未来时间对应的指定时间内的无线链路质量值的最低值;至少一个未来时间对应的指定时间内的BLER值的最高值;至少一个未来时间对应的波束失败时间;至少一个未来时间对应的新波束的标识至少一个未来时间对应的第一波束集合中最佳K个波束或波束对标识;至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-SINR。
结合第二方面的一些实施例,在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的至少一个未来时间对应的指定时间时的无线链路质量值对应的测量值;测量的至少一个未来时间对应的指定时间内的第一概率值对应的测量值;测量的至少一个未来时间对应的指定时间时的BLER值对应的测量值;测量的至少一个未来时间对应的指定时间内的无线链路质量值的最低值对应的测量值;测量的至少一个未来时间对应的指定时间内的BLER值的最高值对应的测量值;测量的至少一个未来时间对应的波束失败时间对应的测量值;测量的至少一个未来时间对应的新波束的标识对应的测量值;测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对标识对应的测量值;测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-RSRP对应的测量值;测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-SINR对应的测量值;测量的至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-RSRP对应的测量值;测量的至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-SINR对应的测量值。
结合第二方面的一些实施例,在一些实施例中,无线链路质量基于以下至少一项确定:基于一个波束的信噪比SNR;基于一个波束的信号干扰噪声比SINR;基于两个波束接收物理下行控制信道PDCCH的情况确定的SNR或SINR。
结合第二方面的一些实施例,在一些实施例中,第一波束质量阈值,所述指定时间以及所述第二波束质量阈值中的至少一项,基于以下至少一项确定:无线资源控制RRC信令;广播信息;系统信息;协议规定默认值。
结合第二方面的一些实施例,在一些实施例中,第一信息包括以下至少一项:激活所述第一AI模型的信息;去激活所述第一AI模型的信息;切换所述第一AI模型的信息;回退至非AI模式的信息。
第三方面,本公开实施例提出了通信方法,方法包括:终端确定至少一个参考信号资源,至少一个参考信号资源用于波束测量;基于至少一个参考信号资源的波束测量结果,确定第一报告,第一报告用于第一人工智能AI模型性能监测,第一AI模型用于进行波束或波束对失败预测;向网络设备发送所述第一报告。
第四方面,本公开实施例提出了一种终端,包括:处理模块,用于确定至少一个参考信号资源,至少一个参考信号资源用于波束测量;基于至少一个参考信号资源的波束测量结果,确定第一报告,第一报告用于第一人工智能AI模型性能监测,第一AI模型用于进行波束或波束对失败预测;收发模块,用于发送所述第一报告。
第五方面,本公开实施例提出了一种网络设备,包括:收发模块,用于接收第一报告,第一报告用于第一人工智能AI模型性能监测,第一AI模型用于波束或波束对失败预测;第一报告由终端基于至少一个参考信号资源的波束测量结果确定。
第六方面,本公开实施例提出了一种终端,包括:一个或多个处理器;其中,所述处理器用于执行第一方面的通信方法。
第七方面,本公开实施例提出了一种网络设备,包括:一个或多个处理器;其中,所述处理器用于执行第二方面的通信方法。
第八方面,本公开实施例提出了一种通信系统,包括:终端和网络设备,其中,终端被配置为实现第一方面的通信方法,网络设备被配置为实现第二方面的通信方法。
第九方面,本公开实施例提出了一种存储介质存储有指令,当指令在通信设备上运行时,使得通信设备执行第一方面、第二方面任意一项的通信方法。
可以理解地,上述终端、网络设备、通信系统、存储介质、程序产品、计算机程序、芯片或芯片系统均用于执行本公开实施例所提出的方法。因此,其所能达到的有益效果可以参考对应方法中的有益效果。
本公开实施例提出了通信方法、终端、网络设备以及通信系统。在一些实施例中,数据处理方法与信息处理方法、通信方法等术语可以相互替换,数据处理装置与信息处理装置、通信装置等术语可以相互替换,信息处理系统、通信系统等术语可以相互替换。
本公开实施例并非穷举,仅为部分实施例的示意,不作为对本公开保护范围的具体限制。在不矛盾的情况下,某一实施例中的每个步骤均可以作为独立实施例来实施,且各步骤之间可以任意组合,例如,在某一实施例中去除部分步骤后的方案也可以作为独立实施例来实施,且在某一实施例中各步骤的顺序可以任意交换,另外,某一实施例中的可选实现方式可以任意组合;此外,各实施例之间可以任意组合,例如,不同实施例的部分或全部步骤可以任意组合,某一实施例可以与其他实施例的可选实现方式任意组合。
在各本公开实施例中,如果没有特殊说明以及逻辑冲突,各实施例之间的术语和/或描述具有一致性,且可以互相引用,不同实施例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。
本公开实施例中所使用的术语只是为了描述特定实施例的目的,而并非作为对本公开的限制。
在本公开实施例中,除非另有说明,以单数形式表示的元素,如“一个”、“一种”、“该”、“上述”、“所述”、“前述”、“这一”等,可以表示“一个且只有一个”,也可以表示“一个或多个”、“至少一个”等。例如,在翻译中使用如英语中的“a”、“an”、“the”等冠词(article)的情况下,冠词之后的名词可以理解为单数表达形式,也可以理解为复数表达形式。
在本公开实施例中,“多个”是指两个或两个以上。
在一些实施例中,“至少一者(至少一项、至少一个)(at least one of)”、“一个或多个(one or more)”、“多个(a plurality of)”、“多个(multiple)等术语可以相互替换。
在一些实施例中,“A、B中的至少一者”、“A和/或B”、“在一情况下A,在另一情况下B”、“响应于一情况A,响应于另一情况B”等记载方式,根据情况可以包括以下技术方案:在一些实施例中A(与B无关地执行A);在一些实施例中B(与A无关地执行B);在一些实施例中从A和B中选择执行(A和B被选择性执行);在一些实施例中A和B(A和B都被执行)。当有A、B、C等更多分支时也类似上述。
在一些实施例中,“A或B”等记载方式,根据情况可以包括以下技术方案:在一些实施例中A(与B无关地执行A);在一些实施例中B(与A无关地执行B);在一些实施例中从A和B中选择执行(A和B被选择性执行)。当有A、B、C等更多分支时也类似上述。
本公开实施例中的“第一”、“第二”等前缀词,仅仅为了区分不同的描述对象,不对描述对象的位置、顺序、优先级、数量或内容等构成限制,对描述对象的陈述参见权利要求或实施例中上下文的描述,不应因为使用前缀词而构成多余的限制。例如,描述对象为“字段”,则“第一字段”和“第二字段”中“字段”之前的序数词并不限制“字段”之间的位置或顺序,“第一”和“第二”并不限制其修饰的“字段”是否在同一个消息中,也不限制“第一字段”和“第二字段”的先后顺序。再如,描述对象为“等级”,则“第一等级”和“第二等级”中“等级”之前的序数词并不限制“等级”之间的优先级。再如,描述对象的数量并不受序数词的限制,可以是一个或者多个,以“第一装置”为例,其中“装置”的数量可以是一个或者多个。此外,不同前缀词修饰的对象可以相同或不同,例如,描述对象为“装置”,则“第一装置”和“第二装置”可以是相同的装置或者不同的装置,其类型可以相同或不同;再如,描述对象为“信息”,则“第一信息”和“第二信息”可以是相同的信息或者不同的信息,其内容可以相同或不同。
在一些实施例中,“包括A”、“包含A”、“用于指示A”、“携带A”,可以解释为直接携带A,也可以解释为间接指示A。
在一些实施例中,“时频(time/frequency)”、“时频域”等术语是指时域和/或频域。
在一些实施例中,“响应于……”、“响应于确定……”、“在……的情况下”、“在……时”、“当……时”、“若……”、“如果……”等术语可以相互替换。
在一些实施例中,“大于”、“大于或等于”、“不小于”、“多于”、“多于或等于”、“不少于”、“高于”、“高于或等于”、“不低于”、“以上”等术语可以相互替换,“小于”、“小于或等于”、“不大于”、“少于”、“少于或等于”、“不多于”、“低于”、“低于或等于”、“不高于”、“以下”等术语可以相互替换。
在一些实施例中,装置等可以解释为实体的、也可以解释为虚拟的,其名称不限定于实施例中所记载的名称,“装置”、“设备(equipment)”、“设备(device)”、“电路”、“网元”、“节点”、“功能”、“单元”、“部件(section)”、“系统”、“网络”、“芯片”、“芯片系统”、“实体”、“主体”等术语可以相互替换。
在一些实施例中,“网络”可以解释为网络中包含的装置(例如,接入网设备、核心网设备等)。
在一些实施例中,“接入网设备(access network device,AN device)”、“无线接入网设备(radio access network device,RAN device)”、“基站(base station,BS)”、“无线基站(radio base station)”、“固定台(fixed station)”、“节点(node)”、“接入点(access point)”、“发送点(transmission point,TP)”、“接收点(reception point,RP)”、“发送和/或接收点(transmission/reception point,TRP)”、“面板(panel)”、“天线面板(antenna panel)”、“天线阵列(antenna array)”、“小区(cell)”、“宏小区(macro cell)”、“小型小区(small cell)”、“毫微微小区(femto cell)”、“微微小区(pico cell)”、“扇区(sector)”、“小区组(cell group)”、“服务小区”、“载波(carrier)”、“分量载波(componentcarrier)”、“带宽部分(bandwidth part,BWP)”等术语可以相互替换。
在一些实施例中,“终端(terminal)”、“终端设备(terminal device)”、“用户设备(user equipment,UE)”、“用户终端(user terminal)”、“移动台(mobile station,MS)”、“移动终端(mobile terminal,MT)”、订户站(subscriber station)、移动单元(mobileunit)、订户单元(subscriber unit)、无线单元(wireless unit)、远程单元(remoteunit)、移动设备(mobiledevice)、无线设备(wireless device)、无线通信设备(wirelesscommunication device)、远程设备(remote device)、移动订户站(mobile subscriberstation)、接入终端(access terminal)、移动终端(mobile terminal)、无线终端(wireless terminal)、远程终端(remote terminal)、手持设备(handset)、用户代理(useragent)、移动客户端(mobile client)、客户端(client)等术语可以相互替换。
在一些实施例中,接入网设备、核心网设备、或网络设备可以被替换为终端。例如,针对将接入网设备、核心网设备、或网络设备以及终端间的通信置换为多个终端间的通信(例如,设备对设备(device-to-device,D2D)、车联网(vehicle-to-everything,V2X)等)的结构,也可以应用本公开的各实施例。在该情况下,也可以设为终端具有接入网设备所具有的全部或部分功能的结构。此外,“上行”、“下行”等术语也可以被替换为与终端间通信对应的术语(例如,“侧行(side)”)。例如,上行信道、下行信道等可以被替换为侧行信道,上行链路、下行链路等可以被替换为侧行链路。
在一些实施例中,终端可以被替换为接入网设备、核心网设备、或网络设备。在该情况下,也可以设为接入网设备、核心网设备、或网络设备具有终端所具有的全部或部分功能的结构。
在一些实施例中,获取数据、信息等可以遵照所在地国家的法律法规。
在一些实施例中,可以在得到用户同意后获取数据、信息等。
此外,本公开实施例的表格中的每一元素、每一行、或每一列均可以作为独立实施例来实施,任意元素、任意行、任意列的组合也可以作为独立实施例来实施。
图1是根据本公开实施例示出的通信系统的架构示意图。如图1所示,通信系统100包括终端(terminal)101以及网络设备102。
在一些实施例中,终端101例如包括手机(mobile phone)、可穿戴设备、物联网设备、具备通信功能的汽车、智能汽车、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(virtual reality,VR)终端设备、增强现实(augmented reality,AR)终端设备、工业控制(industrial control)中的无线终端设备、无人驾驶(self-driving)中的无线终端设备、远程手术(remote medical surgery)中的无线终端设备、智能电网(smart grid)中的无线终端设备、运输安全(transportation safety)中的无线终端设备、智慧城市(smart city)中的无线终端设备、智慧家庭(smart home)中的无线终端设备中的至少一者,但不限于此。
在一些实施例中,网络设备102可以包括接入网设备和核心网设备的至少一者。
在一些实施例中,接入网设备例如是将终端接入到无线网络的节点或设备,接入网设备可以包括5G通信系统中的演进节点B(evolved NodeB,eNB)、下一代演进节点B(nextgeneration eNB,ng-eNB)、下一代节点B(next generation NodeB,gNB)、节点B(node B,NB)、家庭节点B(home node B,HNB)、家庭演进节点B(home evolved nodeB,HeNB)、无线回传设备、无线网络控制器(radio network controller,RNC)、基站控制器(base stationcontroller,BSC)、基站收发台(base transceiver station,BTS)、基带单元(base bandunit,BBU)、移动交换中心、6G通信系统中的基站、开放型基站(Open RAN)、云基站(CloudRAN)、其他通信系统中的基站、Wi-Fi系统中的接入节点中的至少一者,但不限于此。
在一些实施例中,本公开的技术方案可适用于Open RAN架构,此时,本公开实施例所涉及的接入网设备间或者接入网设备内的接口可变为Open RAN的内部接口,这些内部接口之间的流程和信息交互可以通过软件或者程序实现。
在一些实施例中,接入网设备可以由集中单元(central unit,CU)与分布式单元(distributed unit,DU)组成的,其中,CU也可以称为控制单元(control unit),采用CU-DU的结构可以将接入网设备的协议层拆分开,部分协议层的功能放在CU集中控制,剩下部分或全部协议层的功能分布在DU中,由CU集中控制DU,但不限于此。
在一些实施例中,核心网设备可以是一个设备,包括一个或多个网元,也可以是多个设备或设备群,分别包括上述一个或多个网元中的全部或部分。网元可以是虚拟的,也可以是实体的。核心网例如包括演进分组核心(Evolved Packet Core,EPC)、5G核心网络(5GCore Network,5GCN)、下一代核心(Next Generation Core,NGC)中的至少一者。
可以理解的是,本公开实施例描述的通信系统是为了更加清楚的说明本公开实施例的技术方案,并不构成对于本公开实施例提出的技术方案的限定,本领域普通技术人员可知,随着系统架构的演变和新业务场景的出现,本公开实施例提出的技术方案对于类似的技术问题同样适用。
下述本公开实施例可以应用于图1所示的通信系统100、或部分主体,但不限于此。图1所示的各主体是例示,通信系统可以包括图1中的全部或部分主体,也可以包括图1以外的其他主体,各主体数量和形态为任意,各主体可以是实体的也可以是虚拟的,各主体之间的连接关系是例示,各主体之间可以不连接也可以连接,其连接可以是任意方式,可以是直接连接也可以是间接连接,可以是有线连接也可以是无线连接。
本公开各实施例可以应用于长期演进(Long Term Evolution,LTE)、LTE-Advanced(LTE-A)、LTE-Beyond(LTE-B)、SUPER 3G、IMT-Advanced、第四代移动通信系统(4th generation mobile communication system,4G)、)、第五代移动通信系统(5thgeneration mobile communication system,5G)、5G新空口(new radio,NR)、未来无线接入(Future Radio Access,FRA)、新无线接入技术(New-Radio Access Technology,RAT)、新无线(New Radio,NR)、新无线接入(New radio access,NX)、未来一代无线接入(Futuregeneration radio access,FX)、Global System for Mobile communications(GSM(注册商标))、CDMA2000、超移动宽带(Ultra Mobile Broadband,UMB)、IEEE 802.11(Wi-Fi(注册商标))、IEEE 802.16(WiMAX(注册商标))、IEEE 802.20、超宽带(Ultra-WideBand,UWB)、蓝牙(Bluetooth(注册商标))、陆上公用移动通信网(Public Land Mobile Network,PLMN)网络、设备到设备(Device-to-Device,D2D)系统、机器到机器(Machine to Machine,M2M)系统、物联网(Internet of Things,IoT)系统、车联网(Vehicle-to-Everything,V2X)、利用其他通信方法的系统、基于它们而扩展的下一代系统等。此外,也可以将多个系统组合(例如,LTE或者LTE-A与5G的组合等)应用。
本公开实施例中,在NR中,特别是通信频段在frequency range 2时,由于高频信道衰减较快,为了保证覆盖范围,需要使用基于beam的发送和接收。
在一些传统的波束管理过程中,网络设备会配置用于波束测量的参考信号资源集合。终端对该参考信号资源集合中的参考信号资源进行测量。终端会将其中部分比较强的参考信号资源ID以及对应的层1参考信号接收功率(layer 1reference signal receivedpower,L1-RSRP)和/或层1信干噪比(layer 1signal to interference plus noiseratio,L1-SINR)上报给网络设备。
在相关技术中,假设网络设备配置的参考信号资源集合中包括X个参考信号资源,每个参考信号资源对应网络设备不同的发送波束。那针对每个参考信号资源,终端需要使用所有接收波束来针对该参考信号进行测量。从而获得所有接收波束分别对应的波束测量质量。在一些情况下可以确定出一个或多个最好的波束测量质量,和/或最好的波束测量质量所对应的波束标识。所以终端需要测量的波束对的数量为G*H个。其中,G表示网络设备发送波束数量,H为终端接收波束数量。
在一些实施例中,提供了AI模型和/或AI功能对波束预测的实现过程。其中,AI功能可以认为是实现某种相同功能、用途的一个或多个AI模型。
在一些实施例中,可以将用于波束预测的AI模型称为波束预测模型。当然,也可以称为波束预测AI模型、预测AI模型、预测波束模型等等。本公开对此类AI模型的名称不作限定。
在一些实施方式中,对于波束预测模型为空域预测的情况下,终端测量set B的L1-RSRP,输入到波束预测模型。波束预测模型可以预测得到set A中的最佳波束和/或波束对的L1-RSRP,和/或set A中的最佳波束和/或波束对的标识。
其中,set B和set A关系包含如下两种:
第一种关系为,set B为set A的子集。比如set A包含32个参考信号资源(每个参考信号资源对应一个波束方向),那么set B包含其中部分参考信号资源,比如set B包含32个参考信号资源中的8个参考信号资源。
第二种关系为,set B为宽波束,set A为窄波束。比如set A包含32个参考信号资源(每个参考信号资源对应一个波束方向,32个参考信号资源覆盖120度的方向)。而set B包含另外Y个参考信号资源,比如Y=8。而这Y个参考信号资源同样覆盖120度的方向,即setB中每个参考信号资源的波束方向覆盖了set A中多个参考信号资源的波束方向。可以理解为,set A中的32/Y个参考信号资源与set B中的一个参考信号资源为QCL Type D的关系。
可以明白,对于上述第一种关系、第二种关系的示例中,仅描述了发送波束的情况。对于考虑包括发送波束和接收波束的波束对时,则还需考虑终端的接收波束。例如,32个发送波束和4个接收波束,那么set A即32*4个波束对,set B可以是其中的32个波束对、16个波束对等等。
在一些实施例中,如果不需要监测波束预测模型的性能,假设AI模型已经提前训练好了,那么网络设备只需要周期性的发送set B的参考资源上的参考信号即可(比如第一周期)。然后终端测量set B中参考信号资源上的参考信号的L1-RSRP,输入到波束预测模型中。即可输出set A的参考信号资源对应的L1-RSRP或者输出set A中32个参考信号资源中最强的一个或多个参考信号资源ID。
在一些实施例中,如果需要监测波束预测模型的性能,则要求网络设备周期性的发送set A的参考信号资源上的参考信号(比如第二周期)。然后终端需要测量set B的参考信号资源上的参考信号的L1-RSRP。对于终端侧模型,终端将测量的set B的参考信号资源上的参考信号的L1-RSRP输入到波束预测模型中,得出预测出来的波束信息,并上报给网络设备;对于网络侧模型,终端将测量到的set B的参考信号资源上的参考信号的L1-RSRP和/或标识上报给网络设备,网络设备将set B的参考信号资源上的参考信号的L1-RSRP和/或标识输入到波束预测模型中,得出预测出来的波束信息。同时,终端也测量set A中所有参考信号资源上的参考信号的L1-RSRP,并将测量的set A中所有参考信号资源上的参考信号的L1-RSRP和/或标识,和/或最佳L个波束/波束对的L1-RSRP和/或标识作为传统方法获得的波束信息上报给基站。
在本公开各实施例中,“终端侧模型”与“部署在终端的AI模型”可以相互替换使用。“网络设备侧模型”与“部署在网络设备的AI模型”可以相互替换使用。
在一些实施方式中,对于波束预测模型为时域预测的情况下,终端测量历史时间set B的L1-RSRP,输入到波束预测模型,以预测未来时刻set A的L1-RSRP。而set B和set A的关系除了上述两种外,还有一种关系是set B和set A相同。
对于采用相关技术中的方法进行波束测量,未来时刻的参考信号也需要基站进行发送。终端测量未来时刻的参考信号,并将测量得到的波束信息上报给网络设备。即终端需要将set A中所有波束和/或波束对的波束信息测量并上报至网络设备。
在一些相关技术中,为了减少终端测量的波束对的数量,采用AI模型进行波束预测。比如,终端本来一共需要测量的波束对的数量为G*H个。而利用AI模型进行波束预测时,对于空域波束预测,终端仅需测量G*H个波束对中的其中一部分即可。例如,测量G*H的1/8、1/4个波束对等。然后,将测量得到的这些波束对的波束测量质量输入到AI模型中,AI模型即可输出G*H个波束对的波束信息。对于时域波束预测,终端可以测量历史时间的波束对的波束测量质量,来预测未来时刻的波束对的波束信息。
当然,对于一些AI模型的输入、输出,也可以不考虑波束对的波束质量或波束标识,只考虑下行发送波束的波束质量或波束标识。如,基于下行波束的AI模型,而不是基于波束对的AI模型,本公开不作限定。
在一些实施例中,对于基于波束或波束对的传输,由于每个波束或波束对的覆盖范围优先,若没有及时的更新波束或波束对,可能出现波束失败的情况。
在一些实施例中,波束失败即可以被理解为对应的无线链路质量(radio linkquality)低于对应的无线链路质量阈值(Qout)。
在一些实施例中,波束失败的情况下,终端需要向网络设备针对波束失败进行上报,上报方式包括以下至少一种:基于调度请求(Scheduling Request,SR)进行上报,基于物理上行共享信道(Physical Uplink Shared Channel,PUSCH)进行上报或基于随机接入过程进行上报。
在一些实施例中,波束失败的情况下,终端若找到了新波束,会将新波束的相关信息在上报波束失败的过程中一并上报至网络设备。
可以明白的是,在波束失败的情况下,终端的通信性能会下降,甚至会发生中断。
在一些实施例中,通过基于AI模型进行波束失败的信息预测,可以有效解决上述问题。
然而,AI模型是具有一定生命周期或者一定适用范围的。例如有的AI模型适用于郊区,有的AI模型适用于城区,有的AI模型适用于室内等等一些特定环境。又例如,有的AI模型适用于早晚高峰时间,有的AI模型适用于上班时间人少的时候等特定时段。还例如,有的AI模型可能适用于特定时间特定环境,如AI模型适用于上班时间人少的时候的路上等。因此,需要实时监测AI模型的性能。当AI模型性能出现达不到相应需求时,就需要及时进行AI模型的更新、切换等操作。
基于此,本公开实施例提出了一种通信方法,使终端可以针对用于进行波束失败预测的模型进行性能监测,从而提高用于波束失败信息预测的AI模型的性能,以减少波束失败的概率。
图2是根据本公开实施例示出的通信方法的交互示意图。如图2所示,本公开实施例涉及通信方法,上述方法包括:
步骤S2101,终端101确定参考信号资源。
在一些实施例中,终端101获取参考信号资源。
在一些实施例中,终端101获取第一信息,并基于第一信息确定参考信号资源。
在一些实施例中,第一信息用于指示至少一个参考信号资源。
在一些实施例中,第一信息用于指示至少一个参考信号资源集合,参考信号资源集合包含至少一个参考信号资源。
在一些实施例中,终端101基于协议规定确定参考信号资源。
在一些实施例中,至少一个参考信号资源用于波束测量。
在一些实施例中,至少一个参考信号资源中不同的参考信号资源对应不同的参考信号资源集合。
示例性的,第一参考信号资源对应第一参考信号资源集合,第二参考信号资源对应第二参考信号资源集合。
在一些实施例中,至少一个参考信号资源中不同的参考信号资源对应相同的参考信号资源集合。
示例性的,第一参考信号资源对应第一参考信号资源集合,第二参考信号资源对应第一参考信号资源集合。
在一些实施例中,“获取”、“获得”、“得到”、“接收”、“传输”、“双向传输”、“发送和/或接收”可以相互替换,其可以解释为从其他主体接收,从协议中获取,从高层获取,自身处理得到、自主实现等多种含义。
步骤S2102,终端101确定第一报告。
在一些实施例中,终端101基于至少一个参考信号资源确定第一报告。
在一些实施例中,终端101基于至少一个参考信号资源的波束测量结果,确定第一报告。
在一些实施例中,第一报告用于第一AI模型性能监测。
在一些实施例中,第一报告包括用于第一人工智能(Artificial Intelligence,AI)模型性能监测的数据。
在一些实施例中,第一AI模型性能监测包括以下至少一项:基于功能的性能监测以及基于AI模型的性能监测。
在一些实施例中,第一AI模型用于进行波束失败预测,和/或波束对失败预测。
在一些实施例中,第一报告包括以下至少一项:
第一AI模型的性能值、第一数据、第一事件(event)以及第一信息。
在一些实施例中,第一数据为用于计算第一AI模型性能的数据。
在一些实施例中,第一事件为基于第一AI模型性能的值与门限值比较结果触发的事件。
示例性的,事件1为波束失败预测准确性低于某一阈值(例如80%),则触发事件1。事件2为波束失败预测准确性高于某一阈值(例如90%),则触发事件2等。
在一些实施例中,网络设备配置第一事件。
在一些实施例中,终端设备基于默认规则确定第一事件。
在一些实施例中,终端基于终端侧模型的输出的预测值和实际测量的测量值,确定是否触发第一事件,或者触发第一事件的具体内容。
在一些实施例中,第一信息包括以下至少一项:激活所述第一AI模型的信息;去激活所述第一AI模型的信息;切换所述第一AI模型的信息;回退至非AI模式的信息;改善(refining)所述第一AI模型的信息。
在一些实施例中,第一信息用于表示模型管理操作。
在一些实施例中,模型管理操作包括以下至少一项:激活(active)AI模型、激活AI功能、去激活(deactive)AI模型、去激活AI功能、切换AI模型、切换AI功能、以及改善AI模型等。
在一些实施例中,第一AI模型的性能值,包括以下至少一项性能指标对应的值:
波束失败或波束对失败概率预测准确性、无线链路质量(radio link quality)的差异度、误码率BLER的差异度(Block Error Rate,BLER)、波束或波束对失败时间的差异度、波束或波束对失败时间的预测准确性、新波束或新波束对的预测准确性、层1参考信号接收功率L1-RSRP差值在第一阈值内的波束或波束对预测准确度、L1-RSRP差异度、预测L1-RSRP差异度、终端吞吐量、参考信号开销、上行控制信息开销以及预测时延、层1信号干扰噪声比L1-SINR在第一阈值内的波束或波束对预测准确度、L1-SINR差异度、预测L1-SINR差异度。
在一些实施例中,波束失败或波束对失败概率包括:硬性失败概率,以及软性概率。
应理解,硬性概率可以被理解为一种非“0”即“1”的概率。例如:针对进行波束是否会失败的预测,预测结果只有两种,比如“1”表示为波束会失败,“0”表示为波束不会失败。那么如果AI模型输出获得的波束失败概率为“1”,实际测量对应的结果为波束会失败,则代表预测结果准确,也即波束失败预测准确性好,或者波束失败预测准确性高。反之,则波束失败预测准确性不好,或者波束失败预测准确性低。
应理解,软性概率可以被理解为除了“0”和“1”以外,还可以包含一种非“0”非“1”的概率。例如:针对波束是否失败的预测,预测结果为:波束失败的概率为100%,80%,40%或0。需要说明是,这里的80%和40%只是实例而已,还可以为其它数值。那么如果AI模型输出获得的波束失败概率为“1”,实际测量对应的无线链路质量低于第一阈值,即波束会失败的概率非常大,则代表预测结果准确,也即波束失败预测准确性好,或者波束失败预测准确性高。又如果AI模型输出获得的波束失败概率为“0”,实际测量对应的无线链路质量高于第二阈值,即波束会失败的概率非常小,则代表预测结果准确,也即波束失败预测准确性好,或者波束失败预测准确性高。又如果AI模型输出获得的波束失败概率为“40%”,实际测量对应的无线链路质量低于第二阈值但高于第一阈值,即波束会失败的概率在0到50%之间,则代表预测结果准确,也即波束失败预测准确性好,或者波束失败预测准确性高。反之,则波束失败预测准确性不好,或者波束失败预测准确性低。
在一些实施例中,无线链路质量基于以下至少一项确定:
基于一个波束的信噪比(Signal Noise Ratio,SNR);即,基于一个波束接收PDCCH获得的SNR。
基于一个波束的信号干扰噪声比(Signal-to-Interference-plus-Noise Ratio,SINR);即,基于一个波束接收PDCCH获得的SINR。
基于两个波束接收物理下行控制信道PDCCH的情况确定的SNR或SINR。
在一些实施例中,无线链路质量的差异度为预测的无线链路质量与测量的无线链路质量的差异度。
在一些实施例中,无线链路质量的差异度,包括以下至少一项:指定时间时预测的无线链路质量值与指定时间时测量的无线链路质量值的差值,或指定时间内预测的无线链路质量值最小值与指定时间内测量的无线链路质量值最小值的差值。
在一些实施例中,BLER的差异度为预测的BLER与测量的BLER的差异度。
在一些实施例中,BLER的差异度包括以下至少一项:指定时间时预测的BLER值与指定时间时测量的BLER值的差值,或指定时间内预测的BLER值最大值与指定时间内测量的BLER至最大值的差值。
其中指定时间时可以为当前时间加第一时间之后的时刻。指定时间内可以为从当前时间开始,到当前时间加第一时间之后的时刻之间的时间。
在一些实施例中,波束或波束对失败时间的差异度为预测的波束或波束对失败的时间与测量的波束或波束对失败的时间的差异度。
在一些实施例中,波束或波束对失败的时间差异度包括以下至少一项:指定时间内预测的波束或波束对失败时间与指定时间内测量的波束或波束对失败时间的差值。比如预测的波束失败时间为当前时间之后的80ms处,而实际测量的波束失败时间为当前时间之后的60ms处,那么波束或波束对失败的时间差异度为20ms或-20ms。
在一些实施例中,L1-RSRP差值在第一阈值内的波束或波束对预测准确度,其中,L1-RSRP差值为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差值。
示例性的,第一阈值例如可以是1dB,L1-RSRP差值在第一阈值内的波束或波束对预测准确度可以是L1-RSRP差值在1dB内的波束或波束对预测准确度。L1-RSRP差值为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差值。
在一些实施例中,L1-SINR差值在第一阈值内的波束或波束对预测准确度,其中,L1-SINR差值为最佳预测波束或波束对的测量L1-SINR与测量最佳波束或波束对的测量L1-SINR的差值。
示例性的,第一阈值例如可以是1dB,L1-SINR差值在第一阈值内的波束或波束对预测准确度可以是L1-SINR差值在1dB内的波束或波束对预测准确度。L1-SINR差值为最佳预测波束或波束对的测量L1-SINR与测量最佳波束或波束对的测量L1-SINR的差值。
在一些实施例中,L1-RSRP差异度,其中,L1-RSRP差异度为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差异度。
在一些实施例中,L1-SINR差异度,其中,L1-SINR差异度为最佳预测波束或波束对的测量L1-SINR与测量最佳波束或波束对的测量L1-SINR的差异度。
在一些实施例中,L1-RSRP差异度包括以下至少一项:L1-RSRP的差值的平均值、L1-RSRP的差值的累积分布函数、L1-RSRP的差值小于或等于第二阈值的比例以及L1-RSRP的差值大于第三阈值的比例,其中所述L1-RSRP的差值为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差值。
示例性的,L1-RSRP差异度可以是L1-RSRP差值的平均值。例如,使用AI模型进行一次或多次预测得到A个最佳预测波束,对这A个最佳预测波束分别进行测量,得到A个最佳预测波束的测量L1-RSRP。分别计算这A个最佳预测波束的预测L1-RSRP与测量最佳波束的测量L1-RSRP之间的差值,并取平均值,即为L1-RSRP差值的平均值,也即是L1-RSRP差异度。其中,A个最佳波束可以是使用AI模型进行一次预测得到的A个最佳波束,或使用AI模型进行多次预测,一共得到的A个最佳波束。
示例性的,L1-RSRP差异度可以L1-RSRP的差值的累积分布函数。例如,L1-RSRP差值的累积分布函数在某固定百分点处的值即为L1-RSRP差异度。
示例性的,L1-RSRP差异度可以是累积分布函数在5%处的值,例如为YdB。
示例性的,L1-RSRP差异度可以是L1-RSRP的差值小于或等于第二阈值的比例。例如,使用模型AI进行A次预测,其中有B次L1-RSRP的差值小于或等于第二阈值,则L1-RSRP差异度为B/A。
示例性的,L1-RSRP差异度可以是L1-RSRP的差值大于第三阈值的比例。例如,使用AI模型进行C次预测,其中有D次L1-RSRP差值大于第三阈值,则L1-RSRP差异度为D/C。
在一些实施例中,L1-SINR差异度包括以下至少一项:L1-SINR的差值的平均值、L1-SINR的差值的累积分布函数、L1-SINR的差值小于或等于第二阈值的比例以及L1-SINR的差值大于第三阈值的比例,其中所述L1-SINR的差值为最佳预测波束或波束对的测量L1-SINR与测量最佳波束或波束对的测量L1-SINR的差值。
示例性的,L1-SINR差异度可以是L1-SINR差值的平均值。例如,使用AI模型进行一次或多次预测得到A个最佳预测波束,对这A个最佳预测波束分别进行测量,得到A个最佳预测波束的测量L1-SINR。分别计算这A个最佳预测波束的预测L1-SINR与测量最佳波束的测量L1-SINR之间的差值,并取平均值,即为L1-SINR差值的平均值,也即是L1-SINR差异度。其中,A个最佳波束可以是使用AI模型进行一次预测得到的A个最佳波束,或使用AI模型进行多次预测,一共得到的A个最佳波束。
示例性的,L1-SINR差异度可以L1-SINR的差值的累积分布函数。例如,L1-SINR差值的累积分布函数在某固定百分点处的值即为L1-SINR差异度。
示例性的,L1-SINR差异度可以是累积分布函数在5%处的值,例如为YdB。
示例性的,L1-SINR差异度可以是L1-SINR的差值小于或等于第二阈值的比例。例如,使用模型AI进行A次预测,其中有B次L1-SINR的差值小于或等于第二阈值,则L1-SINR差异度为B/A。
示例性的,L1-SINR差异度可以是L1-SINR的差值大于第三阈值的比例。例如,使用AI模型进行C次预测,其中有D次L1-SINR差值大于第三阈值,则L1-SINR差异度为D/C。
其中,大于第三阈值也可以是大于或等于第三阈值,本公开不做限定。本公开中的阈值可以根据实际情况自行设定,例如:第一阈值、第二阈值和第三阈值之间可以相同也可以不同。
在一些实施例中,预测L1-RSRP差异度,其中,预测L1-RSRP差异度为最佳预测波束或波束对的预测L1-RSRP与最佳预测波束或波束对的测量L1-RSRP之间的差异度。
在一些实施例中,预测L1-SINR差异度,其中,预测L1-SINR差异度为最佳预测波束或波束对的预测L1-SINRP与最佳预测波束或波束对的测量L1-SINR之间的差异度。
在一些实施例中,预测L1-RSRP差异度包括以下至少一项:预测L1-RSRP的差值的平均值、预测L1-RSRP的差值的累积分布函数、预测L1-RSRP的差值小于或等于第二阈值的比例以及L1-RSRP的差值大于第三阈值的比例,其中所述预测L1-RSRP的差值为最佳预测波束或波束对的预测L1-RSRP与最佳预测波束或波束对的测量L1-RSRP的差值。
在一些实施例中,预测L1-SINR差异度包括以下至少一项:预测L1-SINR的差值的平均值、预测L1-SINR的差值的累积分布函数、预测L1-SINR的差值小于或等于第二阈值的比例以及L1-SINR的差值大于第三阈值的比例,其中所述预测L1-SINR的差值为最佳预测波束或波束对的预测L1-SINR与最佳预测波束或波束对的测量SINR的差值
在一些实施例中,终端吞吐量,其中,终端吞吐量可以通过确定预测最佳波束或波束对和测量最佳波束或波束对的SINR,并基于香农(shannon)容量计算各波束或波束对对应的容量(capacity)。两个波束或波束对各自对应的capacity之差,作为平均UE吞吐量差值。
在一些实施例中,终端吞吐量可以是平均吞吐量、累积分布函数在固定百分比出的吞吐量。例如,固定百分比可以是5%,或95%。
在一些实施例中,参考信号开销为AI模型需要多少参考信号资源。
在一些实施例中,上行控制信息开销即为发送set B的测量结果的信令开销。
在一些实施例中,模型预测需要的时延的单位可以是毫秒(ms),表示将时刻A测量得到的多个波束信息输入AI模型,经过AI模型的预测,在时刻B得到了最佳波束,则预测时延为时刻A和时刻B之间的差值。例如,预测时延越小,则AI模型的性能越好。
在一些实施例中,第一数据,包括以下至少一项:
在第一AI模型部署在终端侧的情况下,第一数据包括:第一AI模型输出信息以及第一AI模型输出信息对应的测量信息中的至少一项;在第一AI模型部署在网络侧的情况下,第一数据包括:第一AI模型输入信息以及第一AI模型输出信息对应的测量信息中的至少一项。
在一些实施例中,第一AI模型输入信息,包括以下至少一项:测量的第一AI模型输入信息;预测当前的第一AI模型输入信息,预测当前的第一AI模型输入信息基于第二AI模型预测得到;预测未来时间的第一AI模型输入信息,预测未来时间的第一AI模型输入信息基于第三AI模型预测得到;指定时间;第一波束质量阈值。
在一些实施例中,在第一AI模型适用的通信场景不同的情况下,不同的通信场景的第一AI模型输入信息各不相同。
可以理解的是,在第一AI模型适用的通信场景不同的情况下,不同的通信场景的第一AI模型的输出信息各不相同。
在一些实施例中,不同的通信场景包含如下至少一种:
-A)第一AI模型用于预测当前时间的最佳K个波束在指定时间内的波束失败信息。其中,当前最佳K个波束的波束信息为实际测量获得或由第二AI模型预测获得,第一AI模型与第二AI模型不相同。
-B)第一AI模型用于预测当前时间的最佳K个波束在指定时间内的波束失败信息。其中,最佳K个波束的波束信息也由第一AI模型预测获得。
-C)第一AI模型用于预测未来时间的最佳K个波束在指定时间内的波束失败信息。其中,最佳K个波束的波束信息为实际测量获得或由第三AI模型预测获得,第一AI模型与第三AI模型不相同。
-D)第一AI模型用于预测未来时间的最佳K个波束在指定时间内的波束失败信息。其中,最佳K个波束的波束信息也由第一AI模型预测获得。
其中,波束失败信息即为第一AI模型的输出信息。具体见下文。
在一些实施例中,在第一AI模型适用于A)通信场景的情况下,第一AI模型输入信息,包括:测量的第一AI模型输入信息,或预测的第一AI模型输入信息。
在一些实施例中,测量的第一AI模型输入信息,包括以下至少一项:测量的第一波束集合中最佳K个波束或波束对的标识;测量的第一波束集合中最佳K个波束或波束对的L1-RSRP;测量的第一波束集合中最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;测量的第一波束集合中全部L个波束或波束对的L1-SINR,其中L大于或等于1;测量的第一波束集合中全部L个波束或波束对的L1-RSRP;测量的第一波束集合中指定M个波束或波束对的L1-RSRP,其中M为大于或等于1的整数,并且M小于L;测量的第一波束集合中指定M个波束或波束对的L1-SINR;测量的第一波束集合中随机N个波束或波束对的L1-RSRP,其中N为大于或等于1的整数,并且N小于L;测量的第一波束集合中随机N个波束或波束对的L1-SINR;测量的第一波束集合中随机N个波束或波束对的标识;其中,至少一个参考信号资源包含于所述第一参考信号资源集合中,第一波束集合是基于第一参考信号资源集合确定的。
可选地,在第一AI模型适用于A)通信场景的情况下,测量的第一AI模型输入信息,包括以下至少一项:测量的第一波束集合中最佳K个波束或波束对的标识;测量的第一波束集合中最佳K个波束或波束对的L1-RSRP;测量的第一波束集合中最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;测量的第一波束集合中全部L个波束或波束对的L1-SINR,其中L大于或等于1;测量的第一波束集合中全部L个波束或波束对的L1-RSRP;测量的第一波束集合中指定M个波束或波束对的L1-RSRP,其中M为大于或等于1的整数,并且M小于L;测量的第一波束集合中指定M个波束或波束对的L1-SINR;测量的第一波束集合中随机N个波束或波束对的L1-RSRP,其中N为大于或等于1的整数,并且N小于L;测量的第一波束集合中随机N个波束或波束对的L1-SINR;测量的第一波束集合中随机N个波束或波束对的标识;其中,至少一个参考信号资源包含于所述第一参考信号资源集合中,第一波束集合是基于第一参考信号资源集合确定的。其中,测量的第一AI模型输入信息,需要测量第一波束集合对应的第一参考信号资源集合中的参考信号资源来获得。
在一些实施例中,预测的第一AI模型输入信息,包括以下至少一项:预测的第一波束集合中最佳K个波束或波束对的标识;预测的第一波束集合中最佳K个波束或波束对的L1-RSRP;预测的第一波束集合中最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;预测的第一波束集合中全部L个波束或波束对的L1-RSRP;预测的第一波束集合中指定M个波束或波束对的L1-RSRP,其中M为大于或等于1的整数,并且M小于L;预测的第一波束集合中指定M个波束或波束对的L1-SINR;预测的第一波束集合中随机N个波束或波束对的L1-RSRP,其中N为大于或等于1的整数,并且N小于L;预测的第一波束集合中随机N个波束或波束对的L1-SINR;预测的第一波束集合中随机N个波束或波束对的标识;其中,至少一个参考信号资源包含于所述第一参考信号资源集合中,第一波束集合是基于所述第一参考信号资源集合确定的。
可选地,在第一AI模型适用于A)通信场景的情况下,预测的第一AI模型输入信息,包括以下至少一项:预测的第一波束集合中最佳K个波束或波束对的标识;预测的第一波束集合中最佳K个波束或波束对的L1-RSRP;预测的第一波束集合中最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;预测的第一波束集合中全部L个波束或波束对的L1-RSRP;预测的第一波束集合中指定M个波束或波束对的L1-RSRP,其中M为大于或等于1的整数,并且M小于L;预测的第一波束集合中指定M个波束或波束对的L1-SINR;预测的第一波束集合中随机N个波束或波束对的L1-RSRP,其中N为大于或等于1的整数,并且N小于L;预测的第一波束集合中随机N个波束或波束对的L1-SINR;预测的第一波束集合中随机N个波束或波束对的标识;其中,其中,至少一个参考信号资源包含于第一参考信号资源集合中,第一波束集合是基于所述第一参考信号资源集合确定的。其中,预测的第一AI模型输入信息可以通过第二AI模型的输出信息获得,其中第二AI模型的输入信息包括第二参考信号资源集合的波束信息。其中第二参考信号资源集合与第一参考信号资源集合的关系可以为上述set B和setA的关系,即第二参考信号资源集合为set B,第一参考信号资源集合为set A。
可以理解的是,本公开实施例中关于set B以及set A的相关描述,详细内容均可参看上述实施例对应的描述内容,为方便理解,此处以及后续实施例将不再一一赘述。
在一些实施例中,第一AI模型输出信息,包括以下至少一项:指定时间时的无线链路质量值;指定时间内的第一概率值,第一概率值为无线链路质量值低于第二质量阈值的概率值;指定时间时的BLER值;指定时间内的无线链路质量值的最低值;指定时间内的BLER值的最高值;波束失败时间;新波束的标识。
可选地,在第一AI模型适用于A)通信场景的情况下,第一AI模型输出信息,包括以下至少一项:指定时间时的无线链路质量值;指定时间内的第一概率值,第一概率值为无线链路质量值低于第二质量阈值的概率值;指定时间时的BLER值;指定时间内的无线链路质量值的最低值;指定时间内的BLER值的最高值;波束失败时间;新波束的标识。需要说明的是,如果K大于1,那么第一AI模型的输出信息可以为针对K个波束中的每个波束分别输出以上至少一项。
在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的指定时间时的无线链路质量值对应的测量值;测量的指定时间内的第一概率值对应的测量值;测量的指定时间时的BLER值对应的测量值;测量的指定时间内的无线链路质量值的最低值对应的测量值;测量的指定时间内的BLER值的最高值对应的测量值;测量的波束失败时间对应的测量值;测量的新波束的标识对应的测量值。
可选地,在第一AI模型适用于A)通信场景的情况下,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的指定时间时的无线链路质量值对应的测量值;测量的指定时间内的第一概率值对应的测量值;测量的指定时间时的BLER值对应的测量值;测量的指定时间内的无线链路质量值的最低值对应的测量值;测量的指定时间内的BLER值的最高值对应的测量值;测量的波束失败时间对应的测量值;测量的新波束的标识对应的测量值。需要说明的是,如果K大于1,那么第一AI模型输出信息对应的测量信息可以为针对K个波束中的每个波束分别测量获得的以上至少一项。
在一些实施例中,第一AI模型输入信息或第二AI模型输入信息,包括以下至少一项:
测量的第二波束集合中多个波束或波束对的标识,第二波束集合的第二波束信息用于输入至所述第一AI模型或第二AI模型中,其中第二波束信息包括标识,L1-RSRP和L1-SINR中的至少一项;测量的第二波束集合中多个波束或波束对的L1-RSRP;测量的第二波束集合中多个波束或波束对的L1-SINR;指定时间;第一波束质量阈值;其中,至少一个参考信号资源包含于第二参考信号资源集合中,第二波束集合是基于第二参考信号资源集合确定的。
在一些实施例中,第一波束质量阈值用于确定新波束。
示例性的,终端在寻找新的波束的情况下,只有大于或等于第一波束质量阈值的质量值所对应的新的波束,才被确定为新波束。
可选地,在第一AI模型适用于B)通信场景的情况下,第一AI模型输入信息包括以下至少一项:
测量的第二波束集合中多个波束或波束对的标识,第二波束集合的第二波束信息用于输入至所述第一AI模型,其中第二波束信息包括标识,L1-RSRP和L1-SINR中的至少一项;测量的第二波束集合中多个波束或波束对的L1-RSRP;测量的第二波束集合中多个波束或波束对的L1-SINR;指定时间;第一波束质量阈值;其中,至少一个参考信号资源包含于第二参考信号资源集合中,第二波束集合是基于第二参考信号资源集合确定的。
可以理解的是,在第一AI模型适用于B)通信场景的情况下,预测K个最佳波束以及预测波束失败的均为第一AI模型。因此,第一AI模型在此情况下的输入信息可以包含第二AI模型的输入信息。
在一些实施例中,第一AI模型输出信息,包括以下至少一项:指定时间时的无线链路质量值;指定时间内的第一概率值,所述第一概率值为无线链路质量值低于第二质量阈值的概率值;指定时间时的BLER值;指定时间内的无线链路质量值的最低值;指定时间内的BLER值的最高值;波束失败时间;新波束的标识;第一波束集合中最佳K个波束或波束对标识;第一波束集合中最佳K个波束或波束对的L1-RSRP;第一波束集合中最佳K个波束或波束对的L1-SINR;第一波束集合中全部L个波束或波束对的L1-RSRP;第一波束集合中全部L个波束或波束对的L1-SINR。
在一些实施例中,第一概率值为某个波束在指定时间内无线链路质量低于门限值的概率值,或无线链路质量对应的BLER高于门限值的概率值,即发生波束失败的概率值。
可选地,在第一AI模型适用于B)通信场景的情况下,第一AI模型输出信息,包括以下至少一项:指定时间时的无线链路质量值;指定时间内的第一概率值,所述第一概率值为无线链路质量值低于第二质量阈值的概率值;指定时间时的BLER值;指定时间内的无线链路质量值的最低值;指定时间内的BLER值的最高值;波束失败时间;新波束的标识;第一波束集合中最佳K个波束或波束对标识;第一波束集合中最佳K个波束或波束对的L1-RSRP;第一波束集合中最佳K个波束或波束对的L1-SINR;第一波束集合中全部L个波束或波束对的L1-RSRP;第一波束集合中全部L个波束或波束对的L1-SINR。需要说明的是,如果K大于1,那么第一AI模型的输出信息可以为针对K个波束中的每个波束分别输出以上至少一项。
在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的指定时间时的无线链路质量值对应的测量值;测量的指定时间内的第一概率值对应的测量值;测量的指定时间时的BLER值对应的测量值;测量的指定时间内的无线链路质量值的最低值对应的测量值;测量的指定时间内的BLER值的最高值对应的测量值;测量的波束失败时间对应的测量值;测量的新波束的标识对应的测量值;测量的第一波束集合中最佳K个波束或波束对标识对应的测量值;测量的第一波束集合中最佳K个波束或波束对的L1-RSRP对应的测量值;测量的第一波束集合中最佳K个波束或波束对的L1-SINR对应的测量值;测量的第一波束集合中全部L个波束或波束对的L1-RSRP对应的测量值;测量的第一波束集合中全部L个波束或波束对的L1-SINR对应的测量值。
可选地,在第一AI模型适用于B)通信场景的情况下,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的指定时间时的无线链路质量值对应的测量值;测量的指定时间内的第一概率值对应的测量值;测量的指定时间时的BLER值对应的测量值;测量的指定时间内的无线链路质量值的最低值对应的测量值;测量的指定时间内的BLER值的最高值对应的测量值;测量的波束失败时间对应的测量值;测量的新波束的标识对应的测量值;测量的第一波束集合中最佳K个波束或波束对标识对应的测量值;测量的第一波束集合中最佳K个波束或波束对的L1-RSRP对应的测量值;测量的第一波束集合中最佳K个波束或波束对的L1-SINR对应的测量值;测量的第一波束集合中全部L个波束或波束对的L1-RSRP对应的测量值;测量的第一波束集合中全部L个波束或波束对的L1-SINR对应的测量值。需要说明的是,如果K大于1,那么第一AI模型输出信息对应的测量信息可以为针对K个波束中的每个波束分别测量获得的以上至少一项。
在一些实施例中,在第一AI模型适用于C)通信场景的情况下,第一AI模型输入信息包括:预测的未来时间的第一AI模型输入信息或测量的第一AI模型输入信息。
在一些实施例中,预测的未来时间的第一AI模型输入信息,包括以下至少一项:至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的标识;至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中全部L个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中全部L个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测第一波束集合中指定M个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测第一波束集合中指定M个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的标识;至少一个未来时间对应的指定时间;至少一个未来时间对应的第一波束质量阈值;其中,至少一个参考信号资源包含于第一参考信号资源集合中,所述第一波束集合是基于第一参考信号资源集合确定的。
可选地,在第一AI模型适用于C)通信场景的情况下,预测的未来时间的第一AI模型输入信息,包括以下至少一项:至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的标识;至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中全部L个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中全部L个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测第一波束集合中指定M个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测第一波束集合中指定M个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的标识;至少一个未来时间对应的指定时间;至少一个未来时间对应的第一波束质量阈值;其中,至少一个参考信号资源包含于所述第一参考信号资源集合中,第一波束集合是基于所述第一参考信号资源集合确定的。当至少一个未来时间对应多个未来时间时,上述输入信息需要针对多个未来时间中的每个未来时间包含以上至少一项。预测的第一AI模型输入信息可以通过第三AI模型的输出信息获得,其中第三AI模型的输入信息包括历史时间的第二参考信号资源集合的波束信息。其中第二参考信号资源集合与第一参考信号资源集合的关系可以为上述set B和setA的关系,即第二参考信号资源集合为set B,第一参考信号资源集合为set A。
在一些实施例中,第一AI模型输出信息,包括以下至少一项:至少一个未来时间对应的指定时间时的无线链路质量值;至少一个未来时间对应的指定时间内的第一概率值,第一概率值为无线链路质量值低于第二质量阈值的概率值;至少一个未来时间对应的指定时间时的BLER值;至少一个未来时间对应的指定时间内的无线链路质量值的最低值;至少一个未来时间对应的指定时间内的BLER值的最高值;至少一个未来时间对应的波束失败时间;至少一个未来时间对应的新波束的标识。
可选地,在第一AI模型适用于C)通信场景的情况下,第一AI模型输出信息,包括以下至少一项:至少一个未来时间对应的指定时间时的无线链路质量值;至少一个未来时间对应的指定时间内的第一概率值,第一概率值为无线链路质量值低于第二质量阈值的概率值;至少一个未来时间对应的指定时间时的BLER值;至少一个未来时间对应的指定时间内的无线链路质量值的最低值;至少一个未来时间对应的指定时间内的BLER值的最高值;至少一个未来时间对应的波束失败时间;至少一个未来时间对应的新波束的标识。需要说明的是,当至少一个未来时间对应多个未来时间时,上述输出信息需要针对多个未来时间中的每个未来时间包含以上至少一项。
在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的至少一个未来时间对应的指定时间时的无线链路质量值对应的测量值;测量的至少一个未来时间对应的指定时间内的第一概率值对应的测量值;测量的至少一个未来时间对应的指定时间时的BLER值对应的测量值;测量的至少一个未来时间对应的指定时间内的无线链路质量值的最低值对应的测量值;测量的至少一个未来时间对应的指定时间内的BLER值的最高值对应的测量值;测量的至少一个未来时间对应的波束失败时间对应的测量值;测量的至少一个未来时间对应的新波束的标识对应的测量值。
可选地,在第一AI模型适用于C)通信场景的情况下,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的至少一个未来时间对应的指定时间时的无线链路质量值对应的测量值;测量的至少一个未来时间对应的指定时间内的第一概率值对应的测量值;测量的至少一个未来时间对应的指定时间时的BLER值对应的测量值;测量的至少一个未来时间对应的指定时间内的无线链路质量值的最低值对应的测量值;测量的至少一个未来时间对应的指定时间内的BLER值的最高值对应的测量值;测量的至少一个未来时间对应的波束失败时间对应的测量值;测量的至少一个未来时间对应的新波束的标识对应的测量值。需要说明的是,当至少一个未来时间对应多个未来时间时,上述测量信息需要针对多个未来时间中的每个未来时间包含以上至少一项。
在一些实施例中,第一AI模型输入信息或第三AI模型输入信息,包括以下至少一项:多个历史时间中测量的第二波束集合中多个波束或波束对的标识;多个历史时间中测量的多个第二波束集合中多个波束或波束对的L1-RSRP;多个历史时间中测量的多个第二波束集合中多个波束或波束对的L1-SINR;至少一个未来时间对应的指定时间;至少一个未来时间对应的第一波束质量阈值;其中,至少一个参考信号资源包含于第二参考信号资源集合中,第二波束集合是基于第二参考信号资源集合确定的。
在一些实施例中,第一波束质量阈值用于确定新波束。
示例性的,终端在寻找新的波束的情况下,只有大于或等于第一波束质量阈值的质量值所对应的新的波束,才被确定为新波束。
可选地,在第一AI模型适用于D)通信场景的情况下,第一AI模型输入信息包括以下至少一项:多个历史时间中测量的第二波束集合中多个波束或波束对的标识;多个历史时间中测量的多个第二波束集合中多个波束或波束对的L1-RSRP;多个历史时间中测量的多个第二波束集合中多个波束或波束对的L1-SINR;至少一个未来时间对应的指定时间;至少一个未来时间对应的第一波束质量阈值;其中,至少一个参考信号资源包含于第二参考信号资源集合中,第二波束集合是基于第二参考信号资源集合确定的。当至少一个未来时间对应多个未来时间时,上述输入信息需要针对多个未来时间中的每个未来时间包含以上至少一项。
可以理解的是,在第一AI模型适用于D)通信场景的情况下,预测最佳K个波束以及预测波束失败的均为第一AI模型。因此,第一AI模型在此情况下的输入信息可以包含第三AI模型的输入信息。
在一些实施例中,第一AI模型输出信息,包括以下至少一项:至少一个未来时间对应的指定时间时的无线链路质量值;至少一个未来时间对应的指定时间内的第一概率值,第一概率值为无线链路质量值低于第二质量阈值的概率值;至少一个未来时间对应的指定时间时的BLER值;至少一个未来时间对应的指定时间内的无线链路质量值的最低值;至少一个未来时间对应的指定时间内的BLER值的最高值;至少一个未来时间对应的波束失败时间;至少一个未来时间对应的新波束的标识;至少一个未来时间对应的第一波束集合中最佳K个波束或波束对标识;至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-SINR。
在一些实施例中,第一概率值为某个波束在指定时间内无线链路质量低于门限值的概率值,或无线链路质量对应的BLER高于门限值的概率值,即发生波束失败的概率值。
可选地,在第一AI模型适用于D)通信场景的情况下,第一AI模型输出信息,包括以下至少一项:至少一个未来时间对应的指定时间时的无线链路质量值;至少一个未来时间对应的指定时间内的第一概率值,第一概率值为无线链路质量值低于第二质量阈值的概率值;至少一个未来时间对应的指定时间时的BLER值;至少一个未来时间对应的指定时间内的无线链路质量值的最低值;至少一个未来时间对应的指定时间内的BLER值的最高值;至少一个未来时间对应的波束失败时间;至少一个未来时间对应的新波束的标识;至少一个未来时间对应的第一波束集合中最佳K个波束或波束对标识;至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-SINR。需要说明的是,当至少一个未来时间对应多个未来时间时,上述输出信息需要针对多个未来时间中的每个未来时间包含以上至少一项。
在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的至少一个未来时间对应的指定时间时的无线链路质量值对应的测量值;测量的至少一个未来时间对应的指定时间内的第一概率值对应的测量值;测量的至少一个未来时间对应的指定时间时的BLER值对应的测量值;测量的至少一个未来时间对应的指定时间内的无线链路质量值的最低值对应的测量值;测量的至少一个未来时间对应的指定时间内的BLER值的最高值对应的测量值;测量的至少一个未来时间对应的波束失败时间对应的测量值;测量的至少一个未来时间对应的新波束的标识对应的测量值;测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对标识对应的测量值;测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-RSRP对应的测量值;测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-SINR对应的测量值;测量的至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-RSRP对应的测量值;测量的至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-SINR对应的测量值。
可选地,在第一AI模型适用于D)通信场景的情况下,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的至少一个未来时间对应的指定时间时的无线链路质量值对应的测量值;测量的至少一个未来时间对应的指定时间内的第一概率值对应的测量值;测量的至少一个未来时间对应的指定时间时的BLER值对应的测量值;测量的至少一个未来时间对应的指定时间内的无线链路质量值的最低值对应的测量值;测量的至少一个未来时间对应的指定时间内的BLER值的最高值对应的测量值;测量的至少一个未来时间对应的波束失败时间对应的测量值;测量的至少一个未来时间对应的新波束的标识对应的测量值;测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对标识对应的测量值;测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-RSRP对应的测量值;测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-SINR对应的测量值;测量的至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-RSRP对应的测量值;测量的至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-SINR对应的测量值。需要说明的是,当至少一个未来时间对应多个未来时间时,上述测量信息需要针对多个未来时间中的每个未来时间包含以上至少一项。
在一些实施例中,第一波束质量阈值,指定时间以及第二波束质量阈值中的至少一项,基于以下至少一项确定:无线资源控制RRC信令;广播信息;系统信息以及协议规定默认值。
在一些实施例中,第一波束质量阈值,基于以下至少一项确定:无线资源控制RRC信令;广播信息;系统信息以及协议规定默认值。
在一些实施例中,指定时间,基于以下至少一项确定:无线资源控制RRC信令;广播信息;系统信息以及协议规定默认值。
在一些实施例中,指定时间可以与周期性上报波束报告(beam report)的周期接近。
在一些实施例中,指定时间可以包含波束报告的周期、媒体访问控制控制元素(Medium Access Control Control Element,MAC CE)激活传输配置指示(TransmissionConfiguration Indicator,TCI)状态(state)的时间、下行控制信息(Downlink controlinformation,DCI)指示TCI state对应的码点(codepoint)的时间以及终端发送DCI对应的混合自动重传请求应答(Hybrid automatic repeat request acknowledgement,HARQ-ACK)反馈的时间中的至少一项。
在一些实施例中,指定时间也可以包含一下至少一项:
终端的能指示新波束的DCI格式(format)对应的搜索空间(search space)的周期;DCI指示TCI state对应的码点的时间与终端终端发送DCI对应的混合自动重传请求应答(Hybrid automatic repeat request acknowledgement,HARQ-ACK)反馈的时间。
在一些实施例中,第二波束质量阈值,基于以下至少一项确定:无线资源控制RRC信令;广播信息;系统信息以及协议规定默认值。
在一些实施例中,信息等的名称不限定于实施例中所记载的名称,“信息(information)”、“消息(message)”、“信号(signal)”、“信令(signaling)”、“报告(report)”、“配置(configuration)”、“指示(indication)”、“指令(instruction)”、“命令(command)”、“信道”、“参数(parameter)”、“域”、“字段”、“符号(symbol)”、“码元(symbol)”、“码本(codebook)”、“码字(codeword)”、“码点(codepoint)”、“比特(bit)”、“数据(data)”、“程序(program)”、“码片(chip)”等术语可以相互替换。
在一些实施例中,“码本”、“码字”、“预编码矩阵”等术语可以相互替换。例如,码本可以是一个或多个码字/预编码矩阵的合集。
在一些实施例中,“上行”、“上行链路”、“物理上行链路”等术语可以相互替换,“下行”、“下行链路”、“物理下行链路”等术语可以相互替换,“侧行(side)”、“侧行链路(sidelink)”、“侧行通信”、“侧行链路通信”、“直连”、“直连链路”、“直连通信”、“直连链路通信”等术语可以相互替换。
在一些实施例中,“下行链路控制信息(downlink control information,DCI)”、“下行链路(downlink,DL)分配(assignment)”、“DL DCI”、“上行链路(uplink,UL)许可(grant)”、“UL DCI”等术语可以相互替换。
在一些实施例中,“无线(radio)”、“无线(wireless)”、“无线接入网(radioaccess network,RAN)”、“接入网(access network,AN)”、“基于RAN的(RAN-based)”等术语可以相互替换。
在一些实施例中,“搜索空间(search space)”、“搜索空间集(search spaceset)”、“搜索空间配置(search space configuration)”、“搜索空间集配置(search spaceset configuration)”、“控制资源集(control resource set,CORESET)”、“CORESET配置”等术语可以相互替换。
在一些实施例中,“获取”、“获得”、“得到”、“接收”、“传输”、“双向传输”、“发送和/或接收”可以相互替换,其可以解释为从其他主体接收,从协议中获取,从高层获取,自身处理得到、自主实现等多种含义。
步骤S2103,终端101向网络设备102发送第一报告。
在一些实施例中,网络设备102接收第一报告。
在一些实施例中,网络设备102接收来自终端101的第一报告。
在一些实施例中,“发送”、“发射”、“上报”、“下发”、“传输”、“双向传输”、“发送和/或接收”等术语可以相互替换。
步骤S2104,网络设备102选择波束。
在一些实施例中,网络设备102基于第一报告选择波束。
在一些实施例中,网络设备102基于波束失败的预测概率选择波束。
示例性的,终端上报多个波束,网络设备102可以选择L1-RSRP高于某一功率阈值,但是波束失败概率低于某一概率阈值的波束作为当前波束指示终端。
示例性的,终端上报多个波束,网络设备102可以选择L1-RSRP低于某一功率阈值,但是波束失败概率低于某一概率阈值的波束作为当前波束指示终端。
示例性的,终端上报多个波束,网络设备102可以选择选择L1-RSRP高于某一功率阈值,但是波束失败概率高于某一概率阈值的波束作为当前波束指示终端。
本公开实施例所涉及的通信方法可以包括步骤S2101~步骤S2104中的至少一者。例如,步骤S2103可以作为独立实施例来实施,步骤S2101可以作为独立实施例来实施,步骤S2101+S2102+S2103+S2104可以作为独立实施例来实施,但不限于此。
在一些实施例中,“特定(certain)”、“预定(preseted)”、“预设”、“设定”、“指示(indicated)”、“某一”、“任意”、“第一”等术语可以相互替换,“特定A”、“预定A”、“预设A”、“设定A”、“指示A”、“某一A”、“任意A”、“第一A”可以解释为在协议等中预先规定的A,也可以解释为通过设定、配置、或指示等得到的A,也可以解释为特定A、某一A、任意A、或第一A等,但不限于此。
在一些实施例中,步骤S2101、S2102可以交换顺序或同时执行,步骤S2102、S2103可以交换顺序或同时执行,步骤S2101、S2103可以交换顺序或同时执行。
在一些实施例中,步骤S2101、S2102、S2103是可选的,在不同实施例中可以对这些步骤中的一个或多个步骤进行省略或替代。
在一些实施例中,步骤S2101、S2102、S2104是可选的,在不同实施例中可以对这些步骤中的一个或多个步骤进行省略或替代。
在一些实施例中,步骤S2101、S2103、S2104是可选的,在不同实施例中可以对这些步骤中的一个或多个步骤进行省略或替代。
在一些实施例中,步骤S2102、S2103、S2104是可选的,在不同实施例中可以对这些步骤中的一个或多个步骤进行省略或替代
在一些实施例中,可参见图2所对应的说明书之前或之后记载的其他可选实现方式。
在一些实施例中,图3A是根据本公开实施例示出的通信方法的流程示意图。如图3A所示,本公开实施例涉及通信方法,上述方法包括
步骤S3101,确定参考信号资源。
步骤S3101的可选实现方式可以参见图2的步骤S2101的可选实现方式、及图2所涉及的实施例中其他关联部分,此处不再赘述。
步骤S3102,确定第一报告。
步骤S3102的可选实现方式可以参见图2的步骤S2102的可选实现方式、及图2所涉及的实施例中其他关联部分,此处不再赘述。
步骤S3103,发送第一报告。
步骤S3103的可选实现方式可以参见图2的步骤S2103的可选实现方式、及图2所涉及的实施例中其他关联部分,此处不再赘述。
本公开实施例所涉及的通信方法可以包括步骤S3101~步骤S3103中的至少一者。例如,步骤S3101可以作为独立实施例来实施,步骤S3102可以作为独立实施例来实施,步骤S3103可以作为独立实施例来实施,步骤S3101+S3102可以作为独立实施例来实施,步骤S3101+S3103可以作为独立实施例来实施,步骤S3101+S3103可以作为独立实施例来实施,步骤S3101+S3102+S3103可以作为独立实施例来实施,但不限于此。
在一些实施例中,步骤S3102、S3103可以交换顺序或同时执行,步骤S3101、S3103可以交换顺序或同时执行,步骤S3102、S3103可以交换顺序或同时执行。
在一些实施例中,步骤S3101、S3103是可选的,在不同实施例中可以对这些步骤中的一个或多个步骤进行省略或替代。
在一些实施例中,步骤S3102、S3103是可选的,在不同实施例中可以对这些步骤中的一个或多个步骤进行省略或替代。
图3B是根据本公开实施例示出的通信方法的流程示意图。如图3B所示,本公开实施例涉及通信方法,上述方法包括:
步骤S3201,确定参考信号资源,并确定第一报告。
步骤S3201的可选实现方式可以参见图2的步骤S2101、步骤S2102、图3A的步骤S3101、步骤S3102的可选实现方式、及图2、图3A所涉及的实施例中其他关联部分,此处不再赘述。
步骤S3202,发送第一报告。
步骤S3202的可选实现方式可以参见图2的步骤S2103图3A的步骤S3103的可选实现方式、及图2、图3A所涉及的实施例中其他关联部分,此处不再赘述。
本公开实施例所涉及的通信方法可以包括步骤S3201~步骤S3202中的至少一者。例如,步骤S3201可以作为独立实施例来实施,步骤S3202可以作为独立实施例来实施,但不限于此。
在一些实施例中,步骤S3201是可选的,在不同实施例中可以对这些步骤中的一个或多个步骤进行省略或替代。
在本公开实施例中,步骤S3201可以与图3A的步骤S3102-S3103组合,步骤S3202可以与图3A的步骤S3101、S3102、S3103组合。
图3C是根据本公开实施例示出的通信方法的流程示意图。如图3C所示,本公开实施例涉及通信方法,上述方法包括:
步骤S3301,确定第一报告。
步骤S3301的可选实现方式可以参见图2的步骤S2101、步骤S2102、图3A的步骤S3101、步骤S3102的可选实现方式、图3B的步骤S3201的可选实现方式及图2、图3A、图3B所涉及的实施例中其他关联部分,此处不再赘述。
步骤S3302,发送第一报告。
步骤S3301的可选实现方式可以参见图2的步骤S2103、图3A的步骤S3103、图3B的步骤S3202的可选实现方式、及图2、图3A、图3B所涉及的实施例中其他关联部分,此处不再赘述。
在一些实施例中,确定至少一个参考信号资源,至少一个参考信号资源用于波束测量;基于至少一个参考信号资源的波束测量结果,确定第一报告,第一报告用于第一人工智能AI模型性能监测,第一AI模型用于进行波束或波束对失败预测;发送所述第一报告。
在一些实施例中,第一报告包括以下至少一项:第一AI模型的性能值;第一数据,第一数据为用于计算第一AI模型性能的值的数据;第一事件,第一事件基于第一AI模型性能的值与门限值的比较结果触发;第一信息,第一信息用于表示模型管理操作。
在一些实施例中,第一AI模型的性能值,包括以下至少一项性能指标对应的值:波束失败或波束对失败概率预测准确性;无线链路质量的差异度,无线链路质量的差异度为预测的无线链路质量与测量的无线链路第一AI模型的性能值,包括以下至少一项性能指标对应的值:波束失败或波束对失败概率预测准确性;无线链路质量的差异度,无线链路质量的差异度为预测的无线链路质量与测量的无线链路质量的差异度;误码率BLER的差异度,BLER的差异度为预测的BLER与测量的BLER的差异度;波束或波束对失败时间的差异度,波束或波束对失败时间的差异度为预测的波束或波束对失败的时间与测量的波束或波束对失败的时间的差异度;波束或波束对失败时间的预测准确性;新波束或新波束对的预测准确性;层1参考信号接收功率L1-RSRP差值在第一阈值内的波束或波束对预测准确度,所述L1-RSRP差值为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差值;L1-RSRP差异度,所述L1-RSRP差异度为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差异度,其中,所述差异度包括以下至少一项:L1-RSRP的差值的平均值、L1-RSRP的差值的累积分布函数、L1-RSRP的差值小于或等于第二阈值的比例以及L1-RSRP的差值大于第三阈值的比例,其中所述L1-RSRP的差值为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差值;预测L1-RSRP差异度,所述预测L1-RSRP差异度为最佳预测波束或波束对的预测L1-RSRP与最佳预测波束或波束对的测量L1-RSRP之间的差异度,其中,所述预测L1-RSRP差异度包括以下至少一项:预测L1-RSRP的差值的平均值、预测L1-RSRP的差值的累积分布函数、预测L1-RSRP的差值小于或等于第二阈值的比例以及L1-RSRP的差值大于第三阈值的比例,其中所述预测L1-RSRP的差值为最佳预测波束或波束对的预测L1-RSRP与最佳预测波束或波束对的测量L1-RSRP的差值;终端吞吐量;参考信号开销;上行控制信息开销;预测时延。
在一些实施例中,无线链路质量的差异度,包括以下至少一项:指定时间内预测的无线链路质量值与指定时间内测量的无线链路质量值的差值,或指定时间内预测的无线链路质量值最小值与指定时间内测量的无线链路质量值最小值的差值。
在一些实施例中,BLER的差异度包括以下至少一项:指定时间内预测的BLER值与指定时间内测量的BLER值的差值,或指定时间内预测的BLER值最大值与指定时间内测量的BLER至最大值的差值。
在一些实施例中,波束或波束对失败的时间差异度包括以下至少一项:指定时间内预测的波束或波束对失败时间与指定时间内测量的波束或波束对失败时间的差值。
在一些实施例中,第一数据,包括以下至少一项:在第一AI模型部署在终端侧的情况下,第一数据包括:第一AI模型输出信息以及第一AI模型输出信息对应的测量信息中的至少一项;在第一AI模型部署在网络侧的情况下,所述第一数据包括:第一AI模型输入信息以及第一AI模型输出信息对应的测量信息中的至少一项。
在一些实施例中,第一AI模型输入信息,包括以下至少一项:测量的第一AI模型输入信息;预测当前的第一AI模型输入信息,预测当前的第一AI模型输入信息基于第二AI模型预测得到;预测未来时间的第一AI模型输入信息,预测未来时间的第一AI模型输入信息基于第三AI模型预测得到;指定时间;第一波束质量阈值。
在一些实施例中,测量的第一AI模型输入信息,包括以下至少一项:测量的第一波束集合中最佳K个波束或波束对的标识;测量的第一波束集合中最佳K个波束或波束对的L1-RSRP;测量的第一波束集合中最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;测量的第一波束集合中全部L个波束或波束对的L1-SINR,其中L大于或等于1;测量的第一波束集合中全部L个波束或波束对的L1-RSRP;测量的第一波束集合中指定M个波束或波束对的L1-RSRP,其中M为大于或等于1的整数,并且M小于L;测量的第一波束集合中指定M个波束或波束对的L1-SINR;测量的第一波束集合中随机N个波束或波束对的L1-RSRP,其中N为大于或等于1的整数,并且N小于L;测量的第一波束集合中随机N个波束或波束对的L1-SINR;测量的第一波束集合中随机N个波束或波束对的标识;其中,所至少一个参考信号资源包含于所述第一参考信号资源集合中,第一波束集合基于第一参考信号资源集合确定的。
在一些实施例中,预测当前的第一AI模型输入信息,包括以下至少一项:预测的第一波束集合中最佳K个波束或波束对的标识;预测的第一波束集合中最佳K个波束或波束对的L1-RSRP;预测的第一波束集合中最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;预测的第一波束集合中全部L个波束或波束对的L1-RSRP;预测的第一波束集合中指定M个波束或波束对的L1-RSRP,其中M为大于或等于1的整数,并且M小于L;预测的第一波束集合中指定M个波束或波束对的L1-SINR;预测的第一波束集合中随机N个波束或波束对的L1-RSRP,其中N为大于或等于1的整数,并且N小于L;预测的第一波束集合中随机N个波束或波束对的L1-SINR;预测的第一波束集合中随机N个波束或波束对的标识;其中,至少一个参考信号资源包含于第一参考信号资源集合中,第一波束集合是基于所述第一参考信号资源集合确定的。
在一些实施例中,第一AI模型输入信息或第二AI模型输入信息,包括以下至少一项:测量的第二波束集合中多个波束或波束对的标识,第二波束集合的第二波束信息用于输入至第一AI模型,其中第二波束信息包括标识,L1-RSRP和L1-SINR中的至少一项;测量的第二波束集合中多个波束或波束对的L1-RSRP;测量的第二波束集合中多个波束或波束对的L1-SINR;指定时间;第一波束质量阈值;其中,至少一个参考信号资源包含于第二参考信号资源集合中,第二波束集合是基于第二参考信号资源集合确定的。
在一些实施例中,预测未来时间的第一AI模型输入信息,包括以下至少一项:至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的标识;至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中全部L个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中全部L个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测第一波束集合中指定M个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测第一波束集合中指定M个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的L1-RSRP,;至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的标识;至少一个未来时间对应的指定时间;至少一个未来时间对应的第一波束质量阈值;其中,至少一个参考信号资源包含于第一参考信号资源集合中,第一波束集合是基于所述第一参考信号资源集合确定的。
在一些实施例中,第一AI模型输入信息或第三AI模型输入信息,包括以下至少一项:多个历史时间中测量的第二波束集合中多个波束或波束对的标识;多个历史时间中测量的多个第二波束集合中多个波束或波束对的L1-RSRP;多个历史时间中测量的多个第二波束集合中多个波束或波束对的L1-SINR;至少一个未来时间对应的指定时间;至少一个未来时间对应的第一波束质量阈值;其中,至少一个参考信号资源包含于第二参考信号资源集合中,第二波束集合是基于第二参考信号资源集合确定的。
在一些实施例中,第一AI模型输出信息,包括以下至少一项:指定时间时的无线链路质量值;指定时间内的第一概率值,所述第一概率值为无线链路质量值低于第二质量阈值的概率值;指定时间时的BLER值;指定时间内的无线链路质量值的最低值;指定时间内的BLER值的最高值;波束失败时间;新波束的标识。
在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的指定时间时的无线链路质量值对应的测量值;测量的指定时间内的第一概率值对应的测量值;测量的指定时间时的BLER值对应的测量值;测量的指定时间内的无线链路质量值的最低值对应的测量值;测量的指定时间内的BLER值的最高值对应的测量值;测量的波束失败时间对应的测量值;测量的新波束的标识对应的测量值。
在一些实施例中,第一AI模型输出信息,包括以下至少一项:指定时间时的无线链路质量值;指定时间内的第一概率值,第一概率值为无线链路质量值低于第二质量阈值的概率值;指定时间时的BLER值;指定时间内的无线链路质量值的最低值;指定时间内的BLER值的最高值;波束失败时间;新波束的标识;第一波束集合中最佳K个波束或波束对标识;第一波束集合中最佳K个波束或波束对的L1-RSRP;第一波束集合中最佳K个波束或波束对的L1-SINR;第一波束集合中全部L个波束或波束对的L1-RSRP;第一波束集合中全部L个波束或波束对的L1-SINR。
在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的指定时间时的无线链路质量值对应的测量值;测量的指定时间内的第一概率值对应的测量值;测量的指定时间时的BLER值对应的测量值;测量的指定时间内的无线链路质量值的最低值对应的测量值;测量的指定时间内的BLER值的最高值对应的测量值;测量的波束失败时间对应的测量值;测量的新波束的标识对应的测量值;测量的第一波束集合中最佳K个波束或波束对标识对应的测量值;测量的第一波束集合中最佳K个波束或波束对的L1-RSRP对应的测量值;测量的第一波束集合中最佳K个波束或波束对的L1-SINR对应的测量值;测量的第一波束集合中全部L个波束或波束对的L1-RSRP对应的测量值;测量的第一波束集合中全部L个波束或波束对的L1-SINR对应的测量值。
在一些实施例中,第一AI模型输出信息,包括以下至少一项:至少一个未来时间对应的指定时间时的无线链路质量值;至少一个未来时间对应的指定时间内的第一概率值,第一概率值为无线链路质量值低于第二质量阈值的概率值;至少一个未来时间对应的指定时间时的BLER值;至少一个未来时间对应的指定时间内的无线链路质量值的最低值;至少一个未来时间对应的指定时间内的BLER值的最高值;至少一个未来时间对应的波束失败时间;至少一个未来时间对应的新波束的标识。
在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的至少一个未来时间对应的指定时间时的无线链路质量值对应的测量值;测量的至少一个未来时间对应的指定时间内的第一概率值对应的测量值;测量的至少一个未来时间对应的指定时间时的BLER值对应的测量值;测量的至少一个未来时间对应的指定时间内的无线链路质量值的最低值对应的测量值;测量的至少一个未来时间对应的指定时间内的BLER值的最高值对应的测量值;测量的至少一个未来时间对应的波束失败时间对应的测量值;测量的至少一个未来时间对应的新波束的标识对应的测量值。
在一些实施例中,第一AI模型输出信息,包括以下至少一项:至少一个未来时间对应的指定时间时的无线链路质量值;至少一个未来时间对应的指定时间内的第一概率值,第一概率值为无线链路质量值低于第二质量阈值的概率值;至少一个未来时间对应的指定时间时的BLER值;至少一个未来时间对应的指定时间内的无线链路质量值的最低值;至少一个未来时间对应的指定时间内的BLER值的最高值;至少一个未来时间对应的波束失败时间;至少一个未来时间对应的新波束的标识;至少一个未来时间对应的第一波束集合中最佳K个波束或波束对标识;至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-SINR。
在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的至少一个未来时间对应的指定时间时的无线链路质量值对应的测量值;测量的至少一个未来时间对应的指定时间内的第一概率值对应的测量值;测量的至少一个未来时间对应的指定时间时的BLER值对应的测量值;测量的至少一个未来时间对应的指定时间内的无线链路质量值的最低值对应的测量值;测量的至少一个未来时间对应的指定时间内的BLER值的最高值对应的测量值;测量的至少一个未来时间对应的波束失败时间对应的测量值;测量的至少一个未来时间对应的新波束的标识对应的测量值;测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对标识对应的测量值;测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-RSRP对应的测量值;测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-SINR对应的测量值;测量的至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-RSRP对应的测量值;测量的至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-SINR对应的测量值。
在一些实施例中,无线链路质量基于以下至少一项确定:基于一个波束的信噪比SNR;基于一个波束的信号干扰噪声比SINR;基于两个波束接收物理下行控制信道PDCCH的情况确定的SNR或SINR。
在一些实施例中,第一波束质量阈值,指定时间以及第二波束质量阈值中的至少一项,基于以下至少一项确定:无线资源控制RRC信令;广播信息;系统信息;协议规定默认值。
在一些实施例中,第一信息包括以下至少一项:激活所述第一AI模型的信息;去激活所述第一AI模型的信息;切换所述第一AI模型的信息;回退至非AI模式的信息。
在本公开实施例中,步骤S3301可以与图3A的步骤S3102-S3103组合,步骤S3301可以与图3B的步骤S3202组合。
图4A是根据本公开实施例示出的通信方法的流程示意图。如图4A所示,本公开实施例涉及通信方法,上述方法包括:
步骤S4101,接收第一报告。
步骤S4101的可选实现方式可以参见图2的步骤S2103的可选实现方式、及图2所涉及的实施例中其他关联部分,此处不再赘述。
步骤S4102,选择波束。
步骤S4102的可选实现方式可以参见图2的步骤S2104的可选实现方式、及图2所涉及的实施例中其他关联部分,此处不再赘述。
本公开实施例所涉及的通信方法可以包括步骤S4101~步骤S4102中的至少一者。例如,步骤S4101可以作为独立实施例来实施,步骤S4102可以作为独立实施例来实施,但不限于此。
在一些实施例中,步骤S4101是可选的,在不同实施例中可以对这些步骤中的一个或多个步骤进行省略或替代。
图4B是根据本公开实施例示出的通信方法的流程示意图。如图4B所示,本公开实施例涉及通信方法,上述方法包括:
步骤S4201,接收第一报告。
步骤S4201的可选实现方式可以参见图2的步骤S2103的可选实现方式、及图2所涉及的实施例中其他关联部分,此处不再赘述。
在一些实施例中,网络设备102获取从终端101发送的第一报告,但不限于此,也可以向其他主体获取第一报告。
在一些实施例中,接收第一报告,第一报告用于第一人工智能AI模型性能监测,第一AI模型用于波束或波束对失败预测;第一报告由终端基于至少一个参考信号资源的波束测量结果确定。
在一些实施例中,第一报告包括以下至少一项:第一AI模型的性能值;第一数据,第一数据为用于计算所述第一AI模型性能的值的数据;第一事件,第一事件基于第一AI模型性能的值与门限值的比较结果触发;第一信息,第一信息用于表示模型管理操作。
在一些实施例中,第一AI模型的性能值,包括以下至少一项性能指标对应的值:波束失败或波束对失败概率预测准确性;无线链路质量的差异度,无线链路质量的差异度为预测的无线链路质量与测量的无线链路质量的差异度;误码率BLER的差异度,BLER的差异度为预测的BLER与测量的BLER的差异度;波束或波束对失败时间的差异度,波束或波束对失败时间的差异度为预测的波束或波束对失败的时间与测量的波束或波束对失败的时间的差异度;波束或波束对失败时间的预测准确性;新波束或新波束对的预测准确性;层1参考信号接收功率L1-RSRP差值在第一阈值内的波束或波束对预测准确度,所述L1-RSRP差值为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差值;L1-RSRP差异度,所述L1-RSRP差异度为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差异度,其中,所述差异度包括以下至少一项:L1-RSRP的差值的平均值、L1-RSRP的差值的累积分布函数、L1-RSRP的差值小于或等于第二阈值的比例以及L1-RSRP的差值大于第三阈值的比例,其中所述L1-RSRP的差值为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差值;预测L1-RSRP差异度,所述预测L1-RSRP差异度为最佳预测波束或波束对的预测L1-RSRP与最佳预测波束或波束对的测量L1-RSRP之间的差异度,其中,所述预测L1-RSRP差异度包括以下至少一项:预测L1-RSRP的差值的平均值、预测L1-RSRP的差值的累积分布函数、预测L1-RSRP的差值小于或等于第二阈值的比例以及L1-RSRP的差值大于第三阈值的比例,其中所述预测L1-RSRP的差值为最佳预测波束或波束对的预测L1-RSRP与最佳预测波束或波束对的测量L1-RSRP的差值;终端吞吐量;参考信号开销;上行控制信息开销;预测时延。
在一些实施例中,无线链路质量的差异度,包括以下至少一项:指定时间内预测的无线链路质量值与指定时间内测量的无线链路质量值的差值,或指定时间内预测的无线链路质量值最小值与指定时间内测量的无线链路质量值最小值的差值。
在一些实施例中,BLER的差异度包括以下至少一项:指定时间内预测的BLER值与指定时间内测量的BLER值的差值,或指定时间内预测的BLER值最大值与指定时间内测量的BLER至最大值的差值。
在一些实施例中,波束或波束对失败的时间差异度包括以下至少一项:指定时间内预测的波束或波束对失败时间与指定时间内测量的波束或波束对失败时间的差值。
在一些实施例中,第一数据,包括以下至少一项:在第一AI模型部署在终端侧的情况下,第一数据包括:第一AI模型输出信息以及第一AI模型输出信息对应的测量信息中的至少一项;在第一AI模型部署在网络侧的情况下,第一数据包括:第一AI模型输入信息以及第一AI模型输出信息对应的测量信息中的至少一项。
在一些实施例中,第一AI模型输入信息,包括以下至少一项:测量的第一AI模型输入信息;预测当前的第一AI模型输入信息,预测当前的第一AI模型输入信息基于第二AI模型预测得到;预测未来时间的第一AI模型输入信息,预测未来时间的第一AI模型输入信息基于第三AI模型预测得到;指定时间;第一波束质量阈值。
在一些实施例中,测量的第一AI模型输入信息,包括以下至少一项:测量的第一波束集合中最佳K个波束或波束对的标识;测量的第一波束集合中最佳K个波束或波束对的L1-RSRP;测量的第一波束集合中最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;测量的第一波束集合中全部L个波束或波束对的L1-SINR,其中L大于或等于1;测量的第一波束集合中全部L个波束或波束对的L1-RSRP;测量的第一波束集合中指定M个波束或波束对的L1-RSRP,其中M为大于或等于1的整数,并且M小于L;测量的第一波束集合中指定M个波束或波束对的L1-SINR;测量的第一波束集合中随机N个波束或波束对的L1-RSRP,其中N为大于或等于1的整数,并且N小于L;测量的第一波束集合中随机N个波束或波束对的L1-SINR;测量的第一波束集合中随机N个波束或波束对的标识;其中,至少一个参考信号资源包含于所述第一参考信号资源集合中,第一波束集合是基于第一参考信号资源集合确定的。
在一些实施例中,预测当前的第一AI模型输入信息,包括以下至少一项:预测的第一波束集合中最佳K个波束或波束对的标识;预测的第一波束集合中最佳K个波束或波束对的L1-RSRP;预测的第一波束集合中最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;预测的第一波束集合中全部L个波束或波束对的L1-RSRP;预测的第一波束集合中指定M个波束或波束对的L1-RSRP,其中M为大于或等于1的整数,并且M小于L;预测的第一波束集合中指定M个波束或波束对的L1-SINR;预测的第一波束集合中随机N个波束或波束对的L1-RSRP,其中N为大于或等于1的整数,并且N小于L;预测的第一波束集合中随机N个波束或波束对的L1-SINR;预测的第一波束集合中随机N个波束或波束对的标识;其中,至少一个参考信号资源包含于第一参考信号资源集合中,第一波束集合基于第一参考信号资源集合确定的。
在一些实施例中,第一AI模型输入信息,包括以下至少一项:测量的第二波束集合中多个波束或波束对的标识,第二波束集合的第二波束信息用于输入至所述第一AI模型,其中第二波束信息包括标识,L1-RSRP和L1-SINR中的至少一项;测量的第二波束集合中多个波束或波束对的L1-RSRP;测量的第二波束集合中多个波束或波束对的L1-SINR;指定时间;第一波束质量阈值;其中,其中,至少一个参考信号资源包含于第二参考信号资源集合中,第二波束集合是基于第二参考信号资源集合确定的。
在一些实施例中,预测未来时间的第一AI模型输入信息,包括以下至少一项:至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的标识;至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中全部L个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中全部L个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测第一波束集合中指定M个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中预测第一波束集合中指定M个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的L1-RSRP,;至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的标识;至少一个未来时间对应的指定时间;至少一个未来时间对应的第一波束质量阈值;其中,至少一个参考信号资源包含于第一参考信号资源集合中,第一波束集合是基于第一参考信号资源集合确定的。
在一些实施例中,第一AI模型输入信息或第三AI模型输入信息,包括以下至少一项:多个历史时间中测量的第二波束集合中多个波束或波束对的标识;多个历史时间中测量的多个第二波束集合中多个波束或波束对的L1-RSRP;多个历史时间中测量的多个第二波束集合中多个波束或波束对的L1-SINR;至少一个未来时间对应的指定时间;至少一个未来时间对应的第一波束质量阈值;其中,至少一个参考信号资源包含于第二参考信号资源集合中,第二波束集合是基于第二参考信号资源集合确定的。
在一些实施例中,第一AI模型输出信息,包括以下至少一项:指定时间时的无线链路质量值;指定时间内的第一概率值,所述第一概率值为无线链路质量值低于第二质量阈值的概率值;指定时间时的BLER值;指定时间内的无线链路质量值的最低值;指定时间内的BLER值的最高值;波束失败时间;新波束的标识。
在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的指定时间时的无线链路质量值对应的测量值;测量的指定时间内的第一概率值对应的测量值;测量的指定时间时的BLER值对应的测量值;测量的指定时间内的无线链路质量值的最低值对应的测量值;测量的指定时间内的BLER值的最高值对应的测量值;测量的波束失败时间对应的测量值;测量的新波束的标识对应的测量值。
在一些实施例中,第一AI模型输出信息,包括以下至少一项:指定时间时的无线链路质量值;指定时间内的第一概率值,第一概率值为无线链路质量值低于第二质量阈值的概率值;指定时间时的BLER值;指定时间内的无线链路质量值的最低值;指定时间内的BLER值的最高值;波束失败时间;新波束的标识;第一波束集合中最佳K个波束或波束对标识;第一波束集合中最佳K个波束或波束对的L1-RSRP;第一波束集合中最佳K个波束或波束对的L1-SINR;第一波束集合中全部L个波束或波束对的L1-RSRP;第一波束集合中全部L个波束或波束对的L1-SINR。
在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的指定时间时的无线链路质量值对应的测量值;测量的指定时间内的第一概率值对应的测量值;测量的指定时间时的BLER值对应的测量值;测量的指定时间内的无线链路质量值的最低值对应的测量值;测量的指定时间内的BLER值的最高值对应的测量值;测量的波束失败时间对应的测量值;测量的新波束的标识对应的测量值;测量的第一波束集合中最佳K个波束或波束对标识对应的测量值;测量的第一波束集合中最佳K个波束或波束对的L1-RSRP对应的测量值;测量的第一波束集合中最佳K个波束或波束对的L1-SINR对应的测量值;测量的第一波束集合中全部L个波束或波束对的L1-RSRP对应的测量值;测量的第一波束集合中全部L个波束或波束对的L1-SINR对应的测量值。
在一些实施例中,第一AI模型输出信息,包括以下至少一项:至少一个未来时间对应的指定时间时的无线链路质量值;至少一个未来时间对应的指定时间内的第一概率值,第一概率值为无线链路质量值低于第二质量阈值的概率值;至少一个未来时间对应的指定时间时的BLER值;至少一个未来时间对应的指定时间内的无线链路质量值的最低值;至少一个未来时间对应的指定时间内的BLER值的最高值;至少一个未来时间对应的波束失败时间;至少一个未来时间对应的新波束的标识。
在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的至少一个未来时间对应的指定时间时的无线链路质量值对应的测量值;测量的至少一个未来时间对应的指定时间内的第一概率值对应的测量值;测量的至少一个未来时间对应的指定时间时的BLER值对应的测量值;测量的至少一个未来时间对应的指定时间内的无线链路质量值的最低值对应的测量值;测量的至少一个未来时间对应的指定时间内的BLER值的最高值对应的测量值;测量的至少一个未来时间对应的波束失败时间对应的测量值;测量的至少一个未来时间对应的新波束的标识对应的测量值。
在一些实施例中,第一AI模型输出信息,包括以下至少一项:至少一个未来时间对应的指定时间时的无线链路质量值;至少一个未来时间对应的指定时间内的第一概率值,第一概率值为无线链路质量值低于第二质量阈值的概率值;至少一个未来时间对应的指定时间时的BLER值;至少一个未来时间对应的指定时间内的无线链路质量值的最低值;至少一个未来时间对应的指定时间内的BLER值的最高值;至少一个未来时间对应的波束失败时间;至少一个未来时间对应的新波束的标识至少一个未来时间对应的第一波束集合中最佳K个波束或波束对标识;至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-SINR;至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-RSRP;至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-SINR。
在一些实施例中,第一AI模型输出信息对应的测量信息,包括以下至少一项:测量的至少一个未来时间对应的指定时间时的无线链路质量值对应的测量值;测量的至少一个未来时间对应的指定时间内的第一概率值对应的测量值;测量的至少一个未来时间对应的指定时间时的BLER值对应的测量值;测量的至少一个未来时间对应的指定时间内的无线链路质量值的最低值对应的测量值;测量的至少一个未来时间对应的指定时间内的BLER值的最高值对应的测量值;测量的至少一个未来时间对应的波束失败时间对应的测量值;测量的至少一个未来时间对应的新波束的标识对应的测量值;测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对标识对应的测量值;测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-RSRP对应的测量值;测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-SINR对应的测量值;测量的至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-RSRP对应的测量值;测量的至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-SINR对应的测量值。
在一些实施例中,无线链路质量基于以下至少一项确定:基于一个波束的信噪比SNR;基于一个波束的信号干扰噪声比SINR;基于两个波束接收物理下行控制信道PDCCH的情况确定的SNR或SINR。
在一些实施例中,第一波束质量阈值,所述指定时间以及所述第二波束质量阈值中的至少一项,基于以下至少一项确定:无线资源控制RRC信令;广播信息;系统信息;协议规定默认值。
在一些实施例中,第一信息包括以下至少一项:激活所述第一AI模型的信息;去激活所述第一AI模型的信息;切换所述第一AI模型的信息;回退至非AI模式的信息。
图5是根据本公开实施例示出的通信方法的交互示意图。如图5所示,本公开实施例涉及通信方法,上述方法包括:
步骤S5101,终端101确定参考信号资源。
步骤S5101的可选实现方式可以参见图2的步骤S2101、图3A的步骤S3101、图3B的步骤S3201的可选实现方式、及图2、图3A、图3B所涉及的实施例中其他关联部分,此处不再赘述。
步骤S5102,终端101确定第一报告。
步骤S5102的可选实现方式可以参见图2的步骤S2102、图3A的步骤S3102、图3B的步骤S3201、图3C的步骤S3301的可选实现方式、及图2、图3A、图3B、图3C所涉及的实施例中其他关联部分,此处不再赘述。
步骤S5103,终端101向网络设备102发送第一报告。
步骤S5103的可选实现方式可以参见图2的步骤S2103、图3A的步骤S3103、图3B的步骤S3202、图3C的步骤S3302的可选实现方式、图4A的步骤S4101、图4B的步骤S4201及图2、图3A、图3B、图3C、图4A、图4B所涉及的实施例中其他关联部分,此处不再赘述。
在一些实施例中,上述方法可以包括上述通信系统侧、终端侧、网络设备侧等的实施例所述的方法,此处不再赘述。
本实施例还提供通信方法,用于提高AI模型性能,减少波束失败概率,提高基于波束传输的通信性能。
在一些实施例中,终端接收第一信息,基于第一信息确定参考信号资源,获得第一报告,并发送给网络设备。
在一些实施例中,第一报告包括用于模型性能监测的数据,数据包括用于计算性能指标值(performance metric)的数据,或计算出来的performance metric或基于performance metric与门限比较触发的事件(event)或做出的模型管理的操作决定(去激活模型或激活模型或切换模型或回退(fallback)到非AI模式)。
在一些实施例中,用于模型性能监测的performance metric包括以下至少一项:
波束失败概率预测准确性、无线链路质量(Radio link quality)的值的差异(difference)、误码率(BLER)值的difference、波束失败时间的difference或波束失败时间的预测准确性、新波束的预测准确性以及传统performance metric。
在一些实施例中,波束失败概率预测准确性,包括以下至少一项:若预测的是硬性概率,那么预测为波束会失败实际也是波束会失败,则表示预测准确,反之为不准确;若预测的是软性概率,那么预测高于Qout的概率大于50%,而实际是高于Qout,则表示预测准确,反之为不准确。
在一些实施例中,Radio link quality的值的difference,包括以下至少一项:若预测的是指定时间时的预测Radio link quality的值,则看在指定时间时的测量Radiolink quality的值,预测值和测量值的差值即为difference;若预测的是指定时间内的预测Radio link quality的最低值,则看在指定时间内的测量Radio link quality的最低值,预测最低值和测量最低值的差值即为difference。
在一些实施例中,BLER值的difference,包括以下至少一项:若预测的是指定时间时的预测BLER的值,则看在指定时间时的测量BLER的值,预测值和测量值的差值即为difference;若预测的是指定时间内的预测BLER的最低值,则看在指定时间内的测量BLER的最低值,预测最低值和测量最低值的差值即为difference。
在一些实施例中,波束失败时间的difference或波束失败时间的预测准确性,包括以下至少一项:
若预测在指定时间内会发生波束失败,那么预测的发生波束失败的时间,与测量的发生波束失败的时间的差值即为波束失败时间的difference;或预测的发生波束失败的时间和测量的发生波束失败的时间之间的差值在低于门限值,则为预测准确,否则为预测不准确。
在一些实施例中,新波束的预测准确性,包括以下至少一项:若预测在指定时间内会发生波束失败,那测量的也会发生波束失败。那么看预测的新波束包含测量的新波束,则为预测准确,反之为不准确。
在一些实施例中,传统performance metric,包括以下至少一项:
波束预测准确性(beam prediction accuracy of top 1/K beam(pair))、层1参考信号接收功率L1-RSRP差值在1dB内的波束或波束对预测准确度(beam predictionaccuracy)、L1-RSRP差异度(difference)、预测L1-RSRP差异度(Predicted L1-RSRPdifference)、终端平均吞吐量(Average UE throughput)、参考信号开销、上行控制信息开销以及预测时延。
在一些实施例中,针对波束预测准确性,预测正确是指:预测出来的最强的波束(对)ID包含实际最强的波束(对)ID或预测出来的最强波束(对)ID包含在实际最强的N个波束(对)ID中。其中下行发送波束ID可以等同于参考信号资源ID,比如可以是SSB ID或CSI-RS ID或SRS ID。下行接收波束ID为终端的Rx beam ID。波束对ID为下行发送波束和下行接收波束的组合对应的ID。最强是指L1-RSRP或L1-SINR最强这个指标可以是基于模型多次推导看输出的波束信息的accuracy,比如可以是一个ratio。
在一些实施例中,针对L1-RSRP差值在1dB内的波束或波束对预测准确度,是指预测出来的最佳beam(对)的实际L1-RSRP与实际最佳beam的实际L1-RSRP差值在1dB内时的精确度(accuracy)。这个指标可以是基于模型多次推导看输出的波束信息的accuracy,比如可以是一个比率(ratio)。
在一些实施例中,针对L1-RSRP差异度是指,预测出来的最佳beam(对)的实际L1-RSRP与实际最佳beam的实际L1-RSRP差值,比如平均值为X dB,或累积分布函数5%百分点处的值为Y dB也可以是L1-RSRP difference低于门限值的比例,或高于门限值的比例。
在一些实施例中,针对预测L1-RSRP差异度,是指预测出来的最佳beam(对)的实际L1-RSRP与预测出来的最佳beam(对)的最佳beam的预测L1-RSRP差值,比如平均值为X dB,或累积分布函数5%百分点处的值为Y dB。也可以是Predicted L1-RSRP difference低于门限值的比例,或高于门限值的比例。
在一些实施例中,针对终端平均吞吐量,或累计分布函数5%处的UE throughput。基于预测出来的最强波束(对)和实际最强的波束(对),获得两个波束(对)对应的SINR,基于shannon容量计算capacity,capacity的差异即为该指标。
在一些实施例中,针对参考信号开销即该模型需要多少参考信号资源,主要影响因素包括模型输入对应的set B的大小,以及时域预测时历史测量时间的个数。
在一些实施例中,针对上行控制信息开销,如果是网络侧(NW-side)模型,那么setB的测量结果都需要上报给网络,即这个上报的信令开销。
在一些实施例中,这对预测时延,单位可以为毫秒(ms)。
在一些实施例中,用于模型性能监测的计算performance metric的数据包括以下至少一项:
模型在终端侧时,终端需要上报模型输出的预测值,和相应的每个值的测量值。输出值包括哪些见上述模型输出的描述,而测量值就是对应每个输出值都有一个测量值;
模型在网络侧时,模型输出的值在网络侧,所以终端只需要上报与模型输出的预测值对应的每个值的测量值。此外,为了网络侧模型的输入,终端还需要上报模型输入的信息,但是模型输入的信息和用于模型性能监测的测量值可以在一个report里,或不同report里。
在一些实施例中,终端上报基于performance metric触发的event。
示例性的,网络设备配置event,比如event1为波束失败预测准确性低于80%,则触发event1;event 2为波束失败预测准确性高于90%,则触发event2;event 3为Radiolink quality的值的difference低于1dB,则触发event3;event 4为Radio link quality的值的difference高于3dB,则触发event4……所以终端基于终端侧模型的输出的预测值和实际测量的测量值,来判断是否触发以及触发哪个event,之后上报相应的event ID,进一步也可以上报触发该event对应的performance metric的值。
在一些实施例中,终端基于终端侧模型的预测值和实际测量的测量值,进行判断,判断是否需要激活或去激活或切换AI模型或功能(以上AI模型性能监测,可以是基于模型或功能的性能监测),并告知网络侧模型终端的决定。
在一些实施例中,针对模型的输入和输出,分为多种情况。
在一些实施例中,情况1场景可以包括:预测当前时间的最佳K个波束在指定时间内radio link quality低于Qout的概率或radio link quality的值,且当前时间的最佳K个波束是实际测量出来的最佳K个波束,不是AI模型输出预测出来的最佳K个波束。当然也可以这最佳K个波束是AI模型输出的,但是预测最佳K个波束和预测波束失败的模型为不同模型。也就是说在预测波束失败之前已经获得了最佳K个波束。
在一些实施例中,针对情况1的场景,模型输入包括以下至少一项:仅包括实际测量出来的最佳K个波束的L1-RSRP,L1-SINR,和波束(对)ID(参考信号资源ID和/或Rx beamID)中的至少一项;
包括所有set A内的波束的L1-RSRP或L1-SINR;
包括set A内的固定的多个波束的L1-RSRP或L1-SINR;
包括set A内的随机选择的多个波束的L1-RSRP,L1-SINR和波束(对)ID(参考信号资源ID和/或Rx beam ID)中的至少一项;
模型输入还可以包括指定时间,Qin的值等。
在一些实施例中,针对情况1的场景,模型输出包括以下至少一项(针对每个最佳波束或针对最佳的一个波束):
指定时间内radio link quality低于Qout的概率;
其中radio link quality包括SNR,SINR,然后获得radio link quality对应的BLER,若BLER高于Qout,则表示波束失败。
概率值可以是硬性概率,即发现BLER高于Qout,则概率为1,否则概率为0。概率值也可以是软性概率,比如发现BLER高于Qout,且高于Qout的差值大于门限,则概率为1,否则概率为80%;若发现BLER低于Qout,且低于Qout的差值大于门限,则概率为0,否则概率为30%。
指定时间时的radio link quality的值或BLER的值;
即预测指定时间对应的时间点时的radio link quality的值或BLER的值;
指定时间内的radio link quality的最低值或BLER的最高值;
即预测指定时间对应的时间点之前以及当前时刻之后radio link quality的最低值或或BLER的最高值;
radio link quality的最低值或BLER的最高值若对应的BLER大于Qout,则表示中间会发生波束失败;
进一步,若前面的几个输出确定在指定时间内会发生波束失败,则可以进一步给出发生波束失败的时间,以及给出新波束标识;
新波束的RSRP要高于Qin;
新波束可以是一个或多个。
在一些实施例中,情况2场景可以包括:预测当前时间的最佳K个波束在指定时间内radio link quality低于Qout的概率或radio link quality的值,且当前时间的最佳K个波束和波束失败预测为同一个模型输出预测出来的,即一个模型同时预测出来最佳K个波束,以及该最佳K个波束对应的波束失败信息。
在一些实施例中,针对情况2的场景,模型输入包括以下至少一项:包括set B内的多个波束的L1-RSRP或L1-SINR和波束(对)ID(参考信号资源ID和/或Rx beam ID)中的至少一项;模型输入还可以包括指定时间,Qin的值等。
在一些实施例中,针对情况2的场景,模型输出包括以下至少一项:指定时间内radio link quality低于Qout的概率;
其中radio link quality包括SNR,SINR,然后获得radio link quality对应的BLER,若BLER高于Qout,则表示波束失败。
概率值可以是硬性概率,即发现BLER高于Qout,则概率为1,否则概率为0。概率值也可以是软性概率,比如发现BLER高于Qout,且高于Qout的差值大于门限,则概率为1,否则概率为80%;若发现BLER低于Qout,且低于Qout的差值大于门限,则概率为0,否则概率为30%。
指定时间时的radio link quality的值或BLER的值;
即预测指定时间对应的时间点时的radio link quality的值或BLER的值;
指定时间内的radio link quality的最低值或BLER的最高值;
即预测指定时间对应的时间点之前以及当前时刻之后radio link quality的最低值或或BLER的最高值;
radio link quality的最低值或BLER的最高值若对应的BLER大于Qout,则表示中间会发生波束失败;
进一步,若前面的几个输出确定在指定时间内会发生波束失败,则可以进一步给出发生波束失败的时间,以及给出新波束标识;
新波束的RSRP要高于Qin;
新波束可以是一个或多个;
以上都是跟情况1一样,但是还需要输出空域波束预测对应的set A中的最佳K个波束ID或最佳K个波束ID以及其L1-RSRP/L1-SINR,或set A内所有波束的L1-RSRP/L1-SINR。
在一些实施例中,情况3场景可以包括:预测未来时间的最佳K个波束在指定时间内radio link quality低于Qout的概率或radio link quality的值,且未来时间的最佳K个波束已经由另外的模型输出预测出来的,即不同模型预测出来未来最佳K个波束,以及该最佳K个波束对应的波束失败信息。
在一些实施例中,针对情况3场景,模型输入包括以下至少一项:这个与情况1相比,输入可以包括多个历史时间对应的值。
在一些实施例中,针对情况3场景,模型输出包括以下至少一项:输出也包括多个未来时间的最佳K个波束在指定时间内的波束失败信息。类似时域波束预测。
在一些实施例中,情况4场景可以包括:预测未来时间的最佳K个波束在指定时间内radio link quality低于Qout的概率或radio link quality的值,且未来时间的最佳K个波束和波束失败预测为同一个模型输出预测出来的,即一个模型同时预测出来最佳K个波束,以及该最佳K个波束对应的波束失败信息。
在一些实施例中,针对情况4场景,模型输入包括以下至少一项:与情况2相比,输入可以包括多个历史时间对应的值。
在一些实施例中,针对情况4场景,模型输出包括以下至少一项:输出也包括多个未来时间的最佳K个波束在指定时间内的波束失败信息。类似时域波束预测。
在一些实施例中,radio link quality的计算可以基于一个波束进行计算,也可以基于两个波束同时接收PDCCH的情况来计算一个radio link quality。
在一些实施例中,Qout,Qin或指定时间可以基站RRC信令配置,系统信息广播,或协议规定默认值。
在一些实施例中,指定时间,可以包括以下至少一项:
指定时间可以与周期性上报beam report的周期接近,即若在下次beam report之前没有发生波束失败,而终端又及时上报了新的最佳波束,所以基站是可以及时更新新波束的。当然,这个指定时间也可以为beam report的周期+MAC CE激活TCI state的时间、DCI指示TCI state对应的codepoint的时间、终端发送DCI对应的HARQ-ACK反馈的时间;
指定时间也可以仅包含终端的能指示新波束的DCI format(1_1/1_2)对应的search space的周期,因为基站如果在当前波束失败之前,利用DCI更新了新波束,那么也不会发生波束失败,进一步指定时间除了包括search space的周期,还可以包括DCI指示TCI state对应的codepoint的时间+终端发送DCI对应的HARQ-ACK反馈的时间。
在一些实施例中,空域波束预测时set B is different from set A,或set B<set A,时域波束预测时还多一个Set B=set A。
在一些实施例中,对于时域波束预测,在set B<set A时,多个历史时间的set B不变,或多个历史时间的set B包含的波束完全不同,而多个历史时间的set B可以组成一个set A。比如输入4个历史事件的Set B,每个set B只包含set A中的1/4的波束,而4个set B正好包含set A所有的波束。
在一些实施例中,基站根据概率来选择波束。
示例性的,比如终端上报多个波束,基站可以选择L1-RSRP稍低,但是波束失败概率低的波束来作为当前波束指示给终端;或可以选择L1-RSRP最高,但是波束失败概率稍高的第一波束,而在接下来一段较短的时间内再进行波束更新,指示L1-RSRP稍低但是波束失败概率为0的第二波束,比如在第一波束发生波束失败的时间之前更新为第二波束。
在本公开实施例中,部分或全部步骤、其可选实现方式可以与其他实施例中的部分或全部步骤任意组合,也可以与其他实施例的可选实现方式任意组合。
本公开实施例还提出用于实现以上任一方法的装置,例如,提出一装置,上述装置包括用以实现以上任一方法中终端所执行的各步骤的单元或模块。再如,还提出另一装置,包括用以实现以上任一方法中网络设备(例如接入网设备、核心网功能节点、核心网设备等)所执行的各步骤的单元或模块。
应理解以上装置中各单元或模块的划分仅是一种逻辑功能的划分,在实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。此外,装置中的单元或模块可以以处理器调用软件的形式实现:例如装置包括处理器,处理器与存储器连接,存储器中存储有指令,处理器调用存储器中存储的指令,以实现以上任一方法或实现上述装置各单元或模块的功能,其中处理器例如为通用处理器,例如中央处理单元(Central ProcessingUnit,CPU)或微处理器,存储器为装置内的存储器或装置外的存储器。或者,装置中的单元或模块可以以硬件电路的形式实现,可以通过对硬件电路的设计实现部分或全部单元或模块的功能,上述硬件电路可以理解为一个或多个处理器;例如,在一种实现中,上述硬件电路为专用集成电路(application-specific integrated circuit,ASIC),通过对电路内元件逻辑关系的设计,实现以上部分或全部单元或模块的功能;再如,在另一种实现中,上述硬件电路为可以通过可编程逻辑器件(programmable logic device,PLD)实现,以现场可编程门阵列(Field Programmable Gate Array,FPGA)为例,其可以包括大量逻辑门电路,通过配置文件来配置逻辑门电路之间的连接关系,从而实现以上部分或全部单元或模块的功能。以上装置的所有单元或模块可以全部通过处理器调用软件的形式实现,或全部通过硬件电路的形式实现,或部分通过处理器调用软件的形式实现,剩余部分通过硬件电路的形式实现。
在本公开实施例中,处理器是具有信号处理能力的电路,在一种实现中,处理器可以是具有指令读取与运行能力的电路,例如中央处理单元(Central Processing Unit,CPU)、微处理器、图形处理器(graphics processing unit,GPU)(可以理解为微处理器)、或数字信号处理器(digital signal processor,DSP)等;在另一种实现中,处理器可以通过硬件电路的逻辑关系实现一定功能,上述硬件电路的逻辑关系是固定的或可以重构的,例如处理器为专用集成电路(application-specific integrated circuit,ASIC)或可编程逻辑器件(programmable logic device,PLD)实现的硬件电路,例如FPGA。在可重构的硬件电路中,处理器加载配置文档,实现硬件电路配置的过程,可以理解为处理器加载指令,以实现以上部分或全部单元或模块的功能的过程。此外,还可以是针对人工智能设计的硬件电路,其可以理解为ASIC,例如神经网络处理单元(Neural Network Processing Unit,NPU)、张量处理单元(Tensor Processing Unit,TPU)、深度学习处理单元(Deep learningProcessing Unit,DPU)等。
图6A是本公开实施例提出的终端的结构示意图。如图6A所示,终端6100可以包括:处理模块6101、收发模块6102等中的至少一者。在一些实施例中,上述处理模块用于确定至少一个参考信号资源,至少一个参考信号资源用于波束测量;基于至少一个参考信号资源的波束测量结果,确定第一报告,第一报告包括用于AI模型性能监测的数据,第一AI模型用于进行波束或波束对失败预测。可选地,上述处理模块用于执行以上任一方法中终端101执行的其他步骤(例如步骤S2101,S2102但不限于此)中的至少一者,此处不再赘述。在一些实施例中,上述收发模块用于发送第一报告。可选地,上述收发模块用于执行以上任一方法中终端101执行的发送和/或接收等通信步骤(例如步骤步骤S2103,但不限于此)中的至少一者,此处不再赘述。
图6B是本公开实施例提出的网络设备的结构示意图。如图6B所示,网络设备6200可以包括:收发模块6201等中的至少一者。在一些实施例中,上述收发模块用于接收第一报告,第一报告包括用于第一AI模型性能监测的数据,第一AI模型用于波束或波束对失败预测;第一报告由终端基于至少一个参考信号资源的波束测量结果确定。可选地,上述收发模块用于执行以上任一方法中网络设备102执行的发送和/或接收等通信步骤(例如:步骤S2103,但不限于此)中的至少一者,此处不再赘述。
在一些实施例中,收发模块可以包括发送模块和/或接收模块,发送模块和接收模块可以是分离的,也可以集成在一起。可选地,收发模块可以与收发器相互替换。
在一些实施例中,处理模块可以是一个模块,也可以包括多个子模块。可选地,上述多个子模块分别执行处理模块所需执行的全部或部分步骤。可选地,处理模块可以与处理器相互替换。
图7A是本公开实施例提出的通信设备7100的结构示意图。通信设备7100可以是网络设备(例如接入网设备、核心网设备等),也可以是终端(例如用户设备等),也可以是支持网络设备实现以上任一方法的芯片、芯片系统、或处理器等,还可以是支持终端实现以上任一方法的芯片、芯片系统、或处理器等。通信设备7100可用于实现上述方法实施例中描述的方法,具体可以参见上述方法实施例中的说明。
如图7A所示,通信设备7100包括一个或多个处理器7101。处理器7101可以是通用处理器或者专用处理器等,例如可以是基带处理器或中央处理器。基带处理器可以用于对通信协议以及通信数据进行处理,中央处理器可以用于对通信装置(如,基站、基带芯片,终端设备、终端设备芯片,DU或CU等)进行控制,执行程序,处理程序的数据。可选地,通信设备7100用于执行以上任一方法。可选地,一个或多个处理器7101用于调用指令以使得通信设备7100执行以上任一方法。
在一些实施例中,通信设备7100还包括一个或多个收发器7102。在通信设备7100包括一个或多个收发器7102时,收发器7102执行上述方法中的发送和/或接收等通信步骤(例如步骤S2102、步骤S2103,但不限于此)中的至少一者,处理器7101执行其他步骤(例如步骤S2101,但不限于此)中的至少一者。在可选的实施例中,收发器可以包括接收器和/或发送器,接收器和发送器可以是分离的,也可以集成在一起。可选地,收发器、收发单元、收发机、收发电路、接口电路、接口等术语可以相互替换,发送器、发送单元、发送机、发送电路等术语可以相互替换,接收器、接收单元、接收机、接收电路等术语可以相互替换。
在一些实施例中,通信设备7100还包括用于存储数据的一个或多个存储器7103。可选地,全部或部分存储器7103也可以处于通信设备7100之外。在可选的实施例中,通信设备7100可以包括一个或多个接口电路7104。可选地,接口电路7104与存储器7103连接,接口电路7104可用于从存储器7103或其他装置接收数据,可用于向存储器7103或其他装置发送数据。例如,接口电路7104可读取存储器7103中存储的数据,并将该数据发送给处理器7101。
以上实施例描述中的通信设备7100可以是网络设备或者终端,但本公开中描述的通信设备7100的范围并不限于此,通信设备7100的结构可以不受图7A的限制。通信设备可以是独立的设备或者可以是较大设备的一部分。例如所述通信设备可以是:1)独立的集成电路IC,或芯片,或,芯片系统或子系统;(2)具有一个或多个IC的集合,可选地,上述IC集合也可以包括用于存储数据,程序的存储部件;(3)ASIC,例如调制解调器(Modem);(4)可嵌入在其他设备内的模块;(5)接收机、终端设备、智能终端设备、蜂窝电话、无线设备、手持机、移动单元、车载设备、网络设备、云设备、人工智能设备等等;(6)其他等等。
图7B是本公开实施例提出的芯片7200的结构示意图。对于通信设备7100可以是芯片或芯片系统的情况,可以参见图7B所示的芯片7200的结构示意图,但不限于此。
芯片7200包括一个或多个处理器7201。芯片7200用于执行以上任一方法。
在一些实施例中,芯片7200还包括一个或多个接口电路7202。可选地,接口电路、接口、收发管脚等术语可以相互替换。在一些实施例中,芯片7200还包括用于存储数据的一个或多个存储器7203。可选地,全部或部分存储器7203可以处于芯片7200之外。可选地,接口电路7202与存储器7203连接,接口电路7202可以用于从存储器7203或其他装置接收数据,接口电路7202可用于向存储器7203或其他装置发送数据。例如,接口电路7202可读取存储器7203中存储的数据,并将该数据发送给处理器7201。
在一些实施例中,接口电路7202执行上述方法中的发送和/或接收等通信步骤(例如步骤S2102、步骤S2103,但不限于此)中的至少一者。接口电路7202执行上述方法中的发送和/或接收等通信步骤例如是指:接口电路7202执行处理器7201、芯片7200、存储器7203或收发器件之间的数据交互。在一些实施例中,处理器7201执行其他步骤(例如步骤S2101,但不限于此)中的至少一者。
虚拟装置、实体装置、芯片等各实施例中所描述的各模块和/或器件可以根据情况任意组合或者分离。可选地,部分或全部步骤也可以由多个模块和/或器件协作执行,此处不做限定。
本公开还提出存储介质,上述存储介质上存储有指令,当上述指令在通信设备7100上运行时,使得通信设备7100执行以上任一方法。可选地,上述存储介质是电子存储介质。可选地,上述存储介质是计算机可读存储介质,但不限于此,其也可以是其他装置可读的存储介质。可选地,上述存储介质可以是非暂时性(non-transitory)存储介质,但不限于此,其也可以是暂时性存储介质。
本公开还提出程序产品,上述程序产品被通信设备7100执行时,使得通信设备7100执行以上任一方法。可选地,上述程序产品是计算机程序产品。
本公开还提出计算机程序,当其在计算机上运行时,使得计算机执行以上任一方法。
Claims (55)
1.一种通信方法,其特征在于,所述方法包括:
确定至少一个参考信号资源,所述至少一个参考信号资源用于波束测量;
基于所述至少一个参考信号资源的波束测量结果,确定第一报告,所述第一报告用于第一人工智能AI模型性能监测,所述第一AI模型用于进行波束或波束对失败预测;
发送所述第一报告。
2.根据权利要求1所述的方法,其特征在于,所述第一报告包括以下至少一项:
第一AI模型的性能值;
第一数据,所述第一数据为用于计算所述第一AI模型的性能值的数据;
第一事件,所述第一事件基于第一AI模型的性能值与门限值的比较结果触发;
第一信息,所述第一信息用于表示模型管理操作。
3.根据权利要求2所述的方法,其特征在于,所述第一AI模型的性能值,包括以下至少一项性能指标对应的值:
波束失败或波束对失败概率预测准确性;
无线链路质量的差异度,所述无线链路质量的差异度为预测的无线链路质量与测量的无线链路质量的差异度;
误码率BLER的差异度,所述BLER的差异度为预测的BLER与测量的BLER的差异度;
波束或波束对失败时间的差异度,所述波束或波束对失败时间的差异度为预测的波束或波束对失败的时间与测量的波束或波束对失败的时间的差异度;
波束或波束对失败时间的预测准确性;
新波束或新波束对的预测准确性;
层1参考信号接收功率L1-RSRP差值在第一阈值内的波束或波束对预测准确度,所述L1-RSRP差值为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差值;
L1-RSRP差异度,所述L1-RSRP差异度为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差异度,其中,所述差异度包括以下至少一项:L1-RSRP的差值的平均值、L1-RSRP的差值的累积分布函数、L1-RSRP的差值小于或等于第二阈值的比例以及L1-RSRP的差值大于第三阈值的比例,其中所述L1-RSRP的差值为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差值;
预测L1-RSRP差异度,所述预测L1-RSRP差异度为最佳预测波束或波束对的预测L1-RSRP与最佳预测波束或波束对的测量L1-RSRP之间的差异度,其中,所述预测L1-RSRP差异度包括以下至少一项:预测L1-RSRP的差值的平均值、预测L1-RSRP的差值的累积分布函数、预测L1-RSRP的差值小于或等于第二阈值的比例以及L1-RSRP的差值大于第三阈值的比例,其中所述预测L1-RSRP的差值为最佳预测波束或波束对的预测L1-RSRP与最佳预测波束或波束对的测量L1-RSRP的差值;
终端吞吐量;
参考信号开销;
上行控制信息开销;
预测时延。
4.根据权利要求2或3所述的方法,其特征在于,无线链路质量的差异度,包括以下至少一项:
指定时间内预测的无线链路质量值与指定时间内测量的无线链路质量值的差值,或指定时间内预测的无线链路质量值最小值与指定时间内测量的无线链路质量值最小值的差值。
5.根据权利要求2或3所述的方法,其特征在于,BLER的差异度包括以下至少一项:指定时间内预测的BLER值与指定时间内测量的BLER值的差值,或指定时间内预测的BLER值最大值与指定时间内测量的BLER至最大值的差值。
6.根据权利要求2或3所述的方法,其特征在于,所述波束或波束对失败的时间差异度包括以下至少一项:指定时间内预测的波束或波束对失败时间与指定时间内测量的波束或波束对失败时间的差值。
7.根据权利要求2至6中任意一项所述方法,其特征在于,所述第一数据,包括以下至少一项:
在所述第一AI模型部署在终端侧的情况下,所述第一数据包括:第一AI模型输出信息以及第一AI模型输出信息对应的测量信息中的至少一项;
在所述第一AI模型部署在网络侧的情况下,所述第一数据包括:第一AI模型输入信息以及第一AI模型输出信息对应的测量信息中的至少一项。
8.根据权利要求7所述的方法,其特征在于,所述第一AI模型输入信息,包括以下至少一项:
测量的第一AI模型输入信息;
预测当前的第一AI模型输入信息,所述预测当前的第一AI模型输入信息基于第二AI模型预测得到;
预测未来时间的第一AI模型输入信息,所述预测未来时间的第一AI模型输入信息基于第三AI模型预测得到;
指定时间;
第一波束质量阈值。
9.根据权利要求7或8所述的方法,其特征在于,所述测量的第一AI模型输入信息,包括以下至少一项:
测量的第一波束集合中最佳K个波束或波束对的标识;
测量的第一波束集合中最佳K个波束或波束对的L1-RSRP;
测量的第一波束集合中最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;
测量的第一波束集合中全部L个波束或波束对的L1-SINR,其中L大于或等于1;
测量的第一波束集合中全部L个波束或波束对的L1-RSRP;
测量的第一波束集合中指定M个波束或波束对的L1-RSRP,其中M为大于或等于1的整数,并且M小于L;
测量的第一波束集合中指定M个波束或波束对的L1-SINR;
测量的第一波束集合中随机N个波束或波束对的L1-RSRP,其中N为大于或等于1的整数,并且N小于L;
测量的第一波束集合中随机N个波束或波束对的L1-SINR;
测量的第一波束集合中随机N个波束或波束对的标识;
其中,所述至少一个参考信号资源包含于第一参考信号资源集合中,所述第一波束集合是基于所述第一参考信号资源集合确定的。
10.根据权利要求7或8所述的方法,其特征在于,所述预测当前的第一AI模型输入信息,包括以下至少一项:
预测的第一波束集合中最佳K个波束或波束对的标识;
预测的第一波束集合中最佳K个波束或波束对的L1-RSRP;
预测的第一波束集合中最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;
预测的第一波束集合中全部L个波束或波束对的L1-RSRP;
预测的第一波束集合中指定M个波束或波束对的L1-RSRP,其中M为大于或等于1的整数,并且M小于L;
预测的第一波束集合中指定M个波束或波束对的L1-SINR;
预测的第一波束集合中随机N个波束或波束对的L1-RSRP,其中N为大于或等于1的整数,并且N小于L;
预测的第一波束集合中随机N个波束或波束对的L1-SINR;
预测的第一波束集合中随机N个波束或波束对的标识;
其中,所述至少一个参考信号资源包含于第一参考信号资源集合中,所述第一波束集合是基于所述第一参考信号资源集合确定的。
11.根据权利要求7或8所述的方法,其特征在于,所述第一AI模型输入信息或第二AI模型输入信息,包括以下至少一项:
测量的第二波束集合中多个波束或波束对的标识,所述第二波束集合的第二波束信息用于输入至所述第一AI模型,其中第二波束信息包括标识,L1-RSRP和L1-SINR中的至少一项;
测量的第二波束集合中多个波束或波束对的L1-RSRP;
测量的第二波束集合中多个波束或波束对的L1-SINR;
指定时间;
第一波束质量阈值;
其中,所述至少一个参考信号资源包含于第二参考信号资源集合中,所述第二波束集合是基于所述第二参考信号资源集合确定的。
12.根据权利要求7或8所述的方法,其特征在于,所述预测未来时间的第一AI模型输入信息,包括以下至少一项:
至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的标识;
至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的L1-RSRP;
至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;
至少一个未来时间对应的第一波束集合中预测第一波束集合中全部L个波束或波束对的L1-SINR;
至少一个未来时间对应的第一波束集合中预测第一波束集合中全部L个波束或波束对的L1-RSRP;
至少一个未来时间对应的第一波束集合中预测第一波束集合中指定M个波束或波束对的L1-RSRP;
至少一个未来时间对应的第一波束集合中预测第一波束集合中指定M个波束或波束对的L1-SINR;
至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的L1-RSRP;
至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的L1-SINR;
至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的标识;
至少一个未来时间对应的指定时间;
至少一个未来时间对应的第一波束质量阈值;
其中,所述至少一个参考信号资源包含于第一参考信号资源集合中,所述第一波束集合是基于所述第一参考信号资源集合确定的。
13.根据权利要求7或8所述的方法,其特征在于,所述第一AI模型输入信息或第三AI模型输入信息,包括以下至少一项:
多个历史时间中测量的第二波束集合中多个波束或波束对的标识;
多个历史时间中测量的多个第二波束集合中多个波束或波束对的L1-RSRP;
多个历史时间中测量的多个第二波束集合中多个波束或波束对的L1-SINR;
至少一个未来时间对应的指定时间;
至少一个未来时间对应的第一波束质量阈值;
其中,所述至少一个参考信号资源包含于第二参考信号资源集合中,所述第二波束集合是基于所述第二参考信号资源集合确定的。
14.根据权利要求7至10中任意一项所述的方法,其特征在于,所述第一AI模型输出信息,包括以下至少一项:
指定时间时的无线链路质量值;
指定时间内的第一概率值,所述第一概率值为无线链路质量值低于第二质量阈值的概率值;
指定时间时的BLER值;
指定时间内的无线链路质量值的最低值;
指定时间内的BLER值的最高值;
波束失败时间;
新波束的标识。
15.根据权利要求7至10、14中任意一项所述的方法,其特征在于,所述第一AI模型输出信息对应的测量信息,包括以下至少一项:
测量的指定时间时的无线链路质量值对应的测量值;
测量的指定时间内的第一概率值对应的测量值;
测量的指定时间时的BLER值对应的测量值;
测量的指定时间内的无线链路质量值的最低值对应的测量值;
测量的指定时间内的BLER值的最高值对应的测量值;
测量的波束失败时间对应的测量值;
测量的新波束的标识对应的测量值。
16.根据权利要求7或11所述的方法,其特征在于,所述第一AI模型输出信息,包括以下至少一项:
指定时间时的无线链路质量值;
指定时间内的第一概率值,所述第一概率值为无线链路质量值低于第二质量阈值的概率值;
指定时间时的BLER值;
指定时间内的无线链路质量值的最低值;
指定时间内的BLER值的最高值;
波束失败时间;
新波束的标识;
第一波束集合中最佳K个波束或波束对标识;
第一波束集合中最佳K个波束或波束对的L1-RSRP;
第一波束集合中最佳K个波束或波束对的L1-SINR;
第一波束集合中全部L个波束或波束对的L1-RSRP;
第一波束集合中全部L个波束或波束对的L1-SINR。
17.根据权利要求7、11或16中任意一项所述的方法,其特征在于,所述第一AI模型输出信息对应的测量信息,包括以下至少一项:
测量的指定时间时的无线链路质量值对应的测量值;
测量的指定时间内的第一概率值对应的测量值;
测量的指定时间时的BLER值对应的测量值;
测量的指定时间内的无线链路质量值的最低值对应的测量值;
测量的指定时间内的BLER值的最高值对应的测量值;
测量的波束失败时间对应的测量值;
测量的新波束的标识对应的测量值;
测量的第一波束集合中最佳K个波束或波束对标识对应的测量值;
测量的第一波束集合中最佳K个波束或波束对的L1-RSRP对应的测量值;
测量的第一波束集合中最佳K个波束或波束对的L1-SINR对应的测量值;
测量的第一波束集合中全部L个波束或波束对的L1-RSRP对应的测量值;
测量的第一波束集合中全部L个波束或波束对的L1-SINR对应的测量值。
18.根据权利要求7或12所述的方法,其特征在于,所述第一AI模型输出信息,包括以下至少一项:
至少一个未来时间对应的指定时间时的无线链路质量值;
至少一个未来时间对应的指定时间内的第一概率值,所述第一概率值为无线链路质量值低于第二质量阈值的概率值;
至少一个未来时间对应的指定时间时的BLER值;
至少一个未来时间对应的指定时间内的无线链路质量值的最低值;
至少一个未来时间对应的指定时间内的BLER值的最高值;
至少一个未来时间对应的波束失败时间;
至少一个未来时间对应的新波束的标识。
19.根据权利要求7、13或18中任意一项所述的方法,其特征在于,所述第一AI模型输出信息对应的测量信息,包括以下至少一项:
测量的至少一个未来时间对应的指定时间时的无线链路质量值对应的测量值;
测量的至少一个未来时间对应的指定时间内的第一概率值对应的测量值;
测量的至少一个未来时间对应的指定时间时的BLER值对应的测量值;
测量的至少一个未来时间对应的指定时间内的无线链路质量值的最低值对应的测量值;
测量的至少一个未来时间对应的指定时间内的BLER值的最高值对应的测量值;
测量的至少一个未来时间对应的波束失败时间对应的测量值;
测量的至少一个未来时间对应的新波束的标识对应的测量值。
20.根据权利要求7或13所述的方法,其特征在于,所述第一AI模型输出信息,包括以下至少一项:
至少一个未来时间对应的指定时间时的无线链路质量值;
至少一个未来时间对应的指定时间内的第一概率值,所述第一概率值为无线链路质量值低于第二质量阈值的概率值;
至少一个未来时间对应的指定时间时的BLER值;
至少一个未来时间对应的指定时间内的无线链路质量值的最低值;
至少一个未来时间对应的指定时间内的BLER值的最高值;
至少一个未来时间对应的波束失败时间;
至少一个未来时间对应的新波束的标识;
至少一个未来时间对应的第一波束集合中最佳K个波束或波束对标识;
至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-RSRP;
至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-SINR;
至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-RSRP;
至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-SINR。
21.根据权利要求7、13或20所述的方法,其特征在于,所述第一AI模型输出信息对应的测量信息,包括以下至少一项:
测量的至少一个未来时间对应的指定时间时的无线链路质量值对应的测量值;
测量的至少一个未来时间对应的指定时间内的第一概率值对应的测量值;
测量的至少一个未来时间对应的指定时间时的BLER值对应的测量值;
测量的至少一个未来时间对应的指定时间内的无线链路质量值的最低值对应的测量值;
测量的至少一个未来时间对应的指定时间内的BLER值的最高值对应的测量值;
测量的至少一个未来时间对应的波束失败时间对应的测量值;
测量的至少一个未来时间对应的新波束的标识对应的测量值;
测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对标识对应的测量值;
测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-RSRP对应的测量值;
测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-SINR对应的测量值;
测量的至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-RSRP对应的测量值;
测量的至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-SINR对应的测量值。
22.根据权利要求3至21中任意一项所述的方法,其特征在于,无线链路质量基于以下至少一项确定:
基于一个波束的信噪比SNR;
基于一个波束的信号干扰噪声比SINR;
基于两个波束接收物理下行控制信道PDCCH的情况确定的SNR或SINR。
23.根据权利要求8至21中任意一项所述的方法,其特征在于,第一波束质量阈值,指定时间以及第二波束质量阈值中的至少一项,基于以下至少一项确定:
无线资源控制RRC信令;
广播信息;
系统信息;
协议规定默认值。
24.根据权利要求2所述的方法,其特征在于,所述第一信息包括以下至少一项:
激活所述第一AI模型的信息;
去激活所述第一AI模型的信息;
切换所述第一AI模型的信息;
回退至非AI模式的信息。
25.一种通信方法,其特征在于,所述方法包括:
接收第一报告,所述第一报告用于第一人工智能AI模型性能监测,所述第一AI模型用于波束或波束对失败预测;
所述第一报告由终端基于至少一个参考信号资源的波束测量结果确定。
26.根据权利要求25所述的方法,其特征在于,所述第一报告包括以下至少一项:
第一AI模型的性能值;
第一数据,所述第一数据为用于计算所述第一AI模型的性能值的数据;
第一事件,所述第一事件基于第一AI模型的性能值与门限值的比较结果触发;
第一信息,所述第一信息用于表示模型管理操作。
27.根据权利要求26所述的方法,其特征在于,所述第一AI模型的性能值,包括以下至少一项性能指标对应的值:
波束失败或波束对失败概率预测准确性;
无线链路质量的差异度,所述无线链路质量的差异度为预测的无线链路质量与测量的无线链路质量的差异度;
误码率BLER的差异度,所述BLER的差异度为预测的BLER与测量的BLER的差异度;
波束或波束对失败时间的差异度,所述波束或波束对失败时间的差异度为预测的波束或波束对失败的时间与测量的波束或波束对失败的时间的差异度;
波束或波束对失败时间的预测准确性;
新波束或新波束对的预测准确性;
层1参考信号接收功率L1-RSRP差值在第一阈值内的波束或波束对预测准确度,所述L1-RSRP差值为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差值;
L1-RSRP差异度,所述L1-RSRP差异度为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差异度,其中,所述差异度包括以下至少一项:L1-RSRP的差值的平均值、L1-RSRP的差值的累积分布函数、L1-RSRP的差值小于或等于第二阈值的比例以及L1-RSRP的差值大于第三阈值的比例,其中所述L1-RSRP的差值为最佳预测波束或波束对的测量L1-RSRP与测量最佳波束或波束对的测量L1-RSRP的差值;
预测L1-RSRP差异度,所述预测L1-RSRP差异度为最佳预测波束或波束对的预测L1-RSRP与最佳预测波束或波束对的测量L1-RSRP之间的差异度,其中,所述预测L1-RSRP差异度包括以下至少一项:预测L1-RSRP的差值的平均值、预测L1-RSRP的差值的累积分布函数、预测L1-RSRP的差值小于或等于第二阈值的比例以及L1-RSRP的差值大于第三阈值的比例,其中所述预测L1-RSRP的差值为最佳预测波束或波束对的预测L1-RSRP与最佳预测波束或波束对的测量L1-RSRP的差值;
终端吞吐量;
参考信号开销;
上行控制信息开销;
预测时延。
28.根据权利要求26或27所述的方法,其特征在于,无线链路质量的差异度,包括以下至少一项:
指定时间内预测的无线链路质量值与指定时间内测量的无线链路质量值的差值,或指定时间内预测的无线链路质量值最小值与指定时间内测量的无线链路质量值最小值的差值。
29.根据权利要求26或27所述的方法,其特征在于,BLER的差异度包括以下至少一项:指定时间内预测的BLER值与指定时间内测量的BLER值的差值,或指定时间内预测的BLER值最大值与指定时间内测量的BLER至最大值的差值。
30.根据权利要求26或27所述的方法,其特征在于,所述波束或波束对失败的时间差异度包括以下至少一项:指定时间内预测的波束或波束对失败时间与指定时间内测量的波束或波束对失败时间的差值。
31.根据权利要求26至30中任意一项所述方法,其特征在于,所述第一数据,包括以下至少一项:
在所述第一AI模型部署在终端侧的情况下,所述第一数据包括:第一AI模型输出信息以及第一AI模型输出信息对应的测量信息中的至少一项;
在所述第一AI模型部署在网络侧的情况下,所述第一数据包括:第一AI模型输入信息以及第一AI模型输出信息对应的测量信息中的至少一项。
32.根据权利要求31所述的方法,其特征在于,所述第一AI模型输入信息,包括以下至少一项:
测量的第一AI模型输入信息;
预测当前的第一AI模型输入信息,所述预测当前的第一AI模型输入信息基于第二AI模型预测得到;
预测未来时间的第一AI模型输入信息,所述预测未来时间的第一AI模型输入信息基于第三AI模型预测得到;
指定时间;
第一波束质量阈值。
33.根据权利要求31或32所述的方法,其特征在于,所述测量的第一AI模型输入信息,包括以下至少一项:
测量的第一波束集合中最佳K个波束或波束对的标识;
测量的第一波束集合中最佳K个波束或波束对的L1-RSRP;
测量的第一波束集合中最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;
测量的第一波束集合中全部L个波束或波束对的L1-SINR,其中L大于或等于1;
测量的第一波束集合中全部L个波束或波束对的L1-RSRP;
测量的第一波束集合中指定M个波束或波束对的L1-RSRP,其中M为大于或等于1的整数,并且M小于L;
测量的第一波束集合中指定M个波束或波束对的L1-SINR;
测量的第一波束集合中随机N个波束或波束对的L1-RSRP,其中N为大于或等于1的整数,并且N小于L;
测量的第一波束集合中随机N个波束或波束对的L1-SINR;
测量的第一波束集合中随机N个波束或波束对的标识;
其中,所述至少一个参考信号资源包含于第一参考信号资源集合中,所述第一波束集合是基于所述第一参考信号资源集合确定的。
34.根据权利要求31或32所述的方法,其特征在于,所述预测当前的第一AI模型输入信息,包括以下至少一项:
预测的第一波束集合中最佳K个波束或波束对的标识;
预测的第一波束集合中最佳K个波束或波束对的L1-RSRP;
预测的第一波束集合中最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;
预测的第一波束集合中全部L个波束或波束对的L1-RSRP;
预测的第一波束集合中指定M个波束或波束对的L1-RSRP,其中M为大于或等于1的整数,并且M小于L;
预测的第一波束集合中指定M个波束或波束对的L1-SINR;
预测的第一波束集合中随机N个波束或波束对的L1-RSRP,其中N为大于或等于1的整数,并且N小于L;
预测的第一波束集合中随机N个波束或波束对的L1-SINR;
预测的第一波束集合中随机N个波束或波束对的标识;
其中,所述至少一个参考信号资源包含于第一参考信号资源集合中,所述第一波束集合基于所述第一参考信号资源集合确定的。
35.根据权利要求31或32所述的方法,其特征在于,所述第一AI模型输入信息,包括以下至少一项:
测量的第二波束集合中多个波束或波束对的标识,所述第二波束集合的第二波束信息用于输入至所述第一AI模型,其中第二波束信息包括标识,L1-RSRP和L1-SINR中的至少一项;
测量的第二波束集合中多个波束或波束对的L1-RSRP;
测量的第二波束集合中多个波束或波束对的L1-SINR;
指定时间;
第一波束质量阈值;
其中,所述至少一个参考信号资源包含于第二参考信号资源集合中,所述第二波束集合是基于所述第二参考信号资源集合确定的。
36.根据权利要求31或32所述的方法,其特征在于,所述预测未来时间的第一AI模型输入信息,包括以下至少一项:
至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的标识;
至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的L1-RSRP;
至少一个未来时间对应的第一波束集合中预测最佳K个波束或波束对的层1信号干扰噪声比L1-SINR;
至少一个未来时间对应的第一波束集合中预测第一波束集合中全部L个波束或波束对的L1-SINR;
至少一个未来时间对应的第一波束集合中预测第一波束集合中全部L个波束或波束对的L1-RSRP;
至少一个未来时间对应的第一波束集合中预测第一波束集合中指定M个波束或波束对的L1-RSRP;
至少一个未来时间对应的第一波束集合中预测第一波束集合中指定M个波束或波束对的L1-SINR;
至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的L1-RSRP;
至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的L1-SINR;
至少一个未来时间对应的第一波束集合中预测第一波束集合中随机N个波束或波束对的标识;
至少一个未来时间对应的指定时间;
至少一个未来时间对应的第一波束质量阈值;
其中,所述至少一个参考信号资源包含于第一参考信号资源集合中,所述第一波束集合是基于所述第一参考信号资源集合确定的。
37.根据权利要求31或32所述的方法,其特征在于,所述第一AI模型输入信息或第三AI模型输入信息,包括以下至少一项:
多个历史时间中测量的第二波束集合中多个波束或波束对的标识;
多个历史时间中测量的多个第二波束集合中多个波束或波束对的L1-RSRP;
多个历史时间中测量的多个第二波束集合中多个波束或波束对的L1-SINR;
至少一个未来时间对应的指定时间;
至少一个未来时间对应的第一波束质量阈值;
其中,所述至少一个参考信号资源包含于第二参考信号资源集合中,所述第二波束集合是基于所述第二参考信号资源集合确定的。
38.根据权利要求31至34中任意一项所述的方法,其特征在于,所述第一AI模型输出信息,包括以下至少一项:
指定时间时的无线链路质量值;
指定时间内的第一概率值,所述第一概率值为无线链路质量值低于第二质量阈值的概率值;
指定时间时的BLER值;
指定时间内的无线链路质量值的最低值;
指定时间内的BLER值的最高值;
波束失败时间;
新波束的标识。
39.根据权利要求31至34、38中任意一项所述的方法,其特征在于,所述第一AI模型输出信息对应的测量信息,包括以下至少一项:
测量的指定时间时的无线链路质量值对应的测量值;
测量的指定时间内的第一概率值对应的测量值;
测量的指定时间时的BLER值对应的测量值;
测量的指定时间内的无线链路质量值的最低值对应的测量值;
测量的指定时间内的BLER值的最高值对应的测量值;
测量的波束失败时间对应的测量值;
测量的新波束的标识对应的测量值。
40.根据权利要求31或35所述的方法,其特征在于,所述第一AI模型输出信息,包括以下至少一项:
指定时间时的无线链路质量值;
指定时间内的第一概率值,所述第一概率值为无线链路质量值低于第二质量阈值的概率值;
指定时间时的BLER值;
指定时间内的无线链路质量值的最低值;
指定时间内的BLER值的最高值;
波束失败时间;
新波束的标识;
第一波束集合中最佳K个波束或波束对标识;
第一波束集合中最佳K个波束或波束对的L1-RSRP;
第一波束集合中最佳K个波束或波束对的L1-SINR;
第一波束集合中全部L个波束或波束对的L1-RSRP;
第一波束集合中全部L个波束或波束对的L1-SINR。
41.根据权利要求31、35或40所述的方法,其特征在于,所述第一AI模型输出信息对应的测量信息,包括以下至少一项:
测量的指定时间时的无线链路质量值对应的测量值;
测量的指定时间内的第一概率值对应的测量值;
测量的指定时间时的BLER值对应的测量值;
测量的指定时间内的无线链路质量值的最低值对应的测量值;
测量的指定时间内的BLER值的最高值对应的测量值;
测量的波束失败时间对应的测量值;
测量的新波束的标识对应的测量值;
测量的第一波束集合中最佳K个波束或波束对标识对应的测量值;
测量的第一波束集合中最佳K个波束或波束对的L1-RSRP对应的测量值;
测量的第一波束集合中最佳K个波束或波束对的L1-SINR对应的测量值;
测量的第一波束集合中全部L个波束或波束对的L1-RSRP对应的测量值;
测量的第一波束集合中全部L个波束或波束对的L1-SINR对应的测量值。
42.根据权利要求31或36所述的方法,其特征在于,所述第一AI模型输出信息,包括以下至少一项:
至少一个未来时间对应的指定时间时的无线链路质量值;
至少一个未来时间对应的指定时间内的第一概率值,所述第一概率值为无线链路质量值低于第二质量阈值的概率值;
至少一个未来时间对应的指定时间时的BLER值;
至少一个未来时间对应的指定时间内的无线链路质量值的最低值;
至少一个未来时间对应的指定时间内的BLER值的最高值;
至少一个未来时间对应的波束失败时间;
至少一个未来时间对应的新波束的标识。
43.根据权利要求31、36或42所述的方法,其特征在于,所述第一AI模型输出信息对应的测量信息,包括以下至少一项:
测量的至少一个未来时间对应的指定时间时的无线链路质量值对应的测量值;
测量的至少一个未来时间对应的指定时间内的第一概率值对应的测量值;
测量的至少一个未来时间对应的指定时间时的BLER值对应的测量值;
测量的至少一个未来时间对应的指定时间内的无线链路质量值的最低值对应的测量值;
测量的至少一个未来时间对应的指定时间内的BLER值的最高值对应的测量值;
测量的至少一个未来时间对应的波束失败时间对应的测量值;
测量的至少一个未来时间对应的新波束的标识对应的测量值。
44.根据权利要求31或37所述的方法,其特征在于,所述第一AI模型输出信息,包括以下至少一项:
至少一个未来时间对应的指定时间时的无线链路质量值;
至少一个未来时间对应的指定时间内的第一概率值,所述第一概率值为无线链路质量值低于第二质量阈值的概率值;
至少一个未来时间对应的指定时间时的BLER值;
至少一个未来时间对应的指定时间内的无线链路质量值的最低值;
至少一个未来时间对应的指定时间内的BLER值的最高值;
至少一个未来时间对应的波束失败时间;
至少一个未来时间对应的新波束的标识;
至少一个未来时间对应的第一波束集合中最佳K个波束或波束对标识;
至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-RSRP;
至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-SINR;
至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-RSRP;
至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-SINR。
45.根据权利要求31、37或44所述的方法,其特征在于,所述第一AI模型输出信息对应的测量信息,包括以下至少一项:
测量的至少一个未来时间对应的指定时间时的无线链路质量值对应的测量值;
测量的至少一个未来时间对应的指定时间内的第一概率值对应的测量值;
测量的至少一个未来时间对应的指定时间时的BLER值对应的测量值;
测量的至少一个未来时间对应的指定时间内的无线链路质量值的最低值对应的测量值;
测量的至少一个未来时间对应的指定时间内的BLER值的最高值对应的测量值;
测量的至少一个未来时间对应的波束失败时间对应的测量值;
测量的至少一个未来时间对应的新波束的标识对应的测量值;
测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对标识对应的测量值;
测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-RSRP对应的测量值;
测量的至少一个未来时间对应的第一波束集合中最佳K个波束或波束对的L1-SINR对应的测量值;
测量的至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-RSRP对应的测量值;
测量的至少一个未来时间对应的第一波束集合中全部L个波束或波束对的L1-SINR对应的测量值。
46.根据权利要求27至45中任意一项所述的方法,其特征在于,无线链路质量基于以下至少一项确定:
基于一个波束的信噪比SNR;
基于一个波束的信号干扰噪声比SINR;
基于两个波束接收物理下行控制信道PDCCH的情况确定的SNR或SINR。
47.根据权利要求28至45中任意一项所述的方法,其特征在于,第一波束质量阈值,指定时间以及第二波束质量阈值中的至少一项,基于以下至少一项确定:
无线资源控制RRC信令;
广播信息;
系统信息;
协议规定默认值。
48.根据权利要求26所述的方法,其特征在于,所述第一信息包括以下至少一项:
激活所述第一AI模型的信息;
去激活所述第一AI模型的信息;
切换所述第一AI模型的信息;
回退至非AI模式的信息。
49.一种通信方法,其特征在于,所述方法包括:终端确定至少一个参考信号资源,所述至少一个参考信号资源用于波束测量;基于所述至少一个参考信号资源的波束测量结果,确定第一报告,所述第一报告用于第一人工智能AI模型性能监测,所述第一AI模型用于进行波束或波束对失败预测;向网络设备发送所述第一报告。
50.一种终端,其特征在于,包括:
处理模块,用于确定至少一个参考信号资源,所述至少一个参考信号资源用于波束测量;
基于所述至少一个参考信号资源的波束测量结果,确定第一报告,所述第一报告用于第一人工智能AI模型性能监测,所述第一AI模型用于进行波束或波束对失败预测;
收发模块,用于发送所述第一报告。
51.一种网络设备,其特征在于,包括:
收发模块,用于接收第一报告,所述第一报告用于第一人工智能AI模型性能监测,所述第一AI模型用于波束或波束对失败预测;
所述第一报告由终端基于至少一个参考信号资源的波束测量结果确定。
52.一种终端,其特征在于,包括:
一个或多个处理器;
其中,所述处理器用于执行权利要求1至24中任一项所述的通信方法。
53.一种网络设备,其特征在于,包括:
一个或多个处理器;
其中,所述处理器用于执行权利要求25至48中任一项所述的通信方法。
54.一种通信系统,其特征在于,包括终端和网络设备,其中,所述终端被配置为实现权利要求1至24中任一项所述的通信方法,所述网络设备被配置为实现权利要求25至48中任一项所述的通信方法。
55.一种存储介质,所述存储介质存储有指令,其特征在于,当所述指令在通信设备上运行时,使得所述通信设备执行如权利要求1至24或25至48中任一项所述的通信方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2023120825 | 2023-09-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117546512A true CN117546512A (zh) | 2024-02-09 |
Family
ID=89786586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202380011257.4A Pending CN117546512A (zh) | 2023-09-22 | 2023-09-22 | 通信方法、终端、网络设备以及通信系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117546512A (zh) |
-
2023
- 2023-09-22 CN CN202380011257.4A patent/CN117546512A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117223375A (zh) | 通信处理方法、终端、设备、通信系统及存储介质 | |
CN117546512A (zh) | 通信方法、终端、网络设备以及通信系统 | |
CN117581581A (zh) | 通信方法、终端、网络设备、以及通信系统 | |
CN117378237A (zh) | 通信方法、终端、网络设备以及通信系统 | |
CN117280731A (zh) | 传输配置信息的方法、终端、网络设备、通信系统及介质 | |
CN117546515A (zh) | 通信方法、设备、系统及存储介质 | |
CN117121455A (zh) | 模型测试方法、设备和存储介质 | |
US20240031865A1 (en) | Machine learning-based pcell and scell throughput distribution | |
CN117480801A (zh) | 通信方法、终端、网络设备以及通信系统 | |
CN117296362A (zh) | 通信方法、网络设备、终端、通信系统及存储介质 | |
CN117546567A (zh) | 频段切换方法、终端、网络设备以及存储介质 | |
CN118104268A (zh) | 通信方法、终端、节点设备及通信系统 | |
CN117015952A (zh) | 信息指示方法、终端、通信系统和存储介质 | |
CN117678308A (zh) | 信息传输方法及装置、通信设备、通信系统及存储介质 | |
CN117337607A (zh) | 频段切换方法、终端、网络设备以及存储介质 | |
CN117546514A (zh) | 定位测量处理方法及装置、存储介质 | |
CN117204011A (zh) | 信息指示方法、终端、网络设备、通信系统和存储介质 | |
CN117413469A (zh) | 通信方法、终端、网络设备及存储介质 | |
CN117099396A (zh) | 传输信息的方法、终端、网络设备、通信系统及介质 | |
CN117044156A (zh) | 通信方法、第一节点、第二节点及通信系统 | |
CN117999816A (zh) | 与邻小区测量相关的信息处理方法、通信设备及存储介质 | |
CN117693986A (zh) | 功率控制方法、终端、网络设备以及通信系统 | |
CN117204023A (zh) | 信息传输方法及装置、存储介质 | |
CN117121549A (zh) | 信息处理方法、终端、通信系统及存储介质 | |
CN116724594A (zh) | 通信方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |