CN117693021A - 一种波束管理方法 - Google Patents
一种波束管理方法 Download PDFInfo
- Publication number
- CN117693021A CN117693021A CN202211093850.1A CN202211093850A CN117693021A CN 117693021 A CN117693021 A CN 117693021A CN 202211093850 A CN202211093850 A CN 202211093850A CN 117693021 A CN117693021 A CN 117693021A
- Authority
- CN
- China
- Prior art keywords
- input
- prediction result
- adaptation layer
- pattern
- information
- 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
- 238000007726 management method Methods 0.000 title abstract description 29
- 230000006978 adaptation Effects 0.000 claims abstract description 252
- 238000000034 method Methods 0.000 claims abstract description 147
- 238000005259 measurement Methods 0.000 claims abstract description 133
- 238000004891 communication Methods 0.000 claims abstract description 85
- 238000013507 mapping Methods 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 description 122
- 238000013528 artificial neural network Methods 0.000 description 40
- 238000012545 processing Methods 0.000 description 33
- 230000008569 process Effects 0.000 description 31
- 210000002569 neuron Anatomy 0.000 description 21
- 230000005540 biological transmission Effects 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 16
- 238000013461 design Methods 0.000 description 15
- 230000004913 activation Effects 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000011664 signaling Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 239000013256 coordination polymer Substances 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000002787 reinforcement Effects 0.000 description 6
- 101100261000 Caenorhabditis elegans top-3 gene Proteins 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 4
- 230000008054 signal transmission Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 102100022734 Acyl carrier protein, mitochondrial Human genes 0.000 description 2
- 101000678845 Homo sapiens Acyl carrier protein, mitochondrial Proteins 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 101100194706 Mus musculus Arhgap32 gene Proteins 0.000 description 1
- 101100194707 Xenopus laevis arhgap32 gene Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/046—Wireless resource allocation based on the type of the allocated resource the resource being in the space domain, e.g. beams
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开提供了波束管理方法,包括:通信设备,如终端设备或接入网设备,利用输入适配层将参考信号测量量映射为输入适配信息,其中,参考信号测量量对应的波束图样为第一波束图样;并利用波束预测模型得到第一波束预测结果,其中,波束预测模型的输入包括输入适配信息,波束预测模型的输入与第二波束图样匹配,第一波束图样和第二波束图样不同。通过该方法,可以降低系统开销。
Description
技术领域
本申请涉及通信技术领域,尤其涉及波束管理方法及装置。
背景技术
在无线通信网络中,例如在移动通信网络中,网络支持的业务越来越多样,因此需要满足的需求越来越多样。例如,网络需要能够支持超高速率、超低时延、和/或超大连接。该特点使得网络规划、网络配置、和/或资源调度越来越复杂。此外,由于网络的功能越来越强大,例如支持的频谱越来越高、支持高阶多入多出(multiple input multiple output,MIMO)技术、支持波束赋形、和/或支持波束管理等新技术,使得网络节能成为了热门研究课题。这些新需求、新场景和新特性给网络规划、运维和高效运营带来了前所未有的挑战。为了迎接该挑战,可以将人工智能技术引入无线通信网络中,从而实现网络智能化。基于此,如何在网络中有效地实现人工智能是一个值得研究的问题。
发明内容
本公开提供一种波束管理方法及装置,用于降低波束管理过程中的开销。
第一方面,提供了波束管理方法。该方法可以在参考信号接收端实现,例如可以由终端设备、接入网设备、接入网设备的模块(如DU、近实时RIC)、或非实时RIC等执行该方法。
一种可能的实现中,该方法包括:利用输入适配层将参考信号测量量映射为输入适配信息,其中,所述参考信号测量量对应的波束图样为第一波束图样;利用波束预测模型得到第一波束预测结果,其中,所述波束预测模型的输入包括所述输入适配信息,所述波束预测模型的输入与第二波束图样匹配,所述第一波束图样和所述第二波束图样不同。
一种可能的实现中,该方法包括:利用波束预测模型得到第一波束预测结果,其中,所述波束预测模型的输入包括参考信号测量量,所述参考信号测量量对应的波束图样为第二波束图样;利用输出适配层将所述第一波束预测结果映射为第二波束预测结果。
一种可能的实现中,该方法包括:利用输入适配层将参考信号测量量映射为输入适配信息,其中,所述参考信号测量量对应的波束图样为第一波束图样;利用波束预测模型得到第一波束预测结果,其中,所述波束预测模型的输入包括所述输入适配信息,所述波束预测模型的输入与第二波束图样匹配,所述第一波束图样和所述第二波束图样不同;利用输出适配层将所述第一波束预测结果映射为第二波束预测结果。
通过上述方法,当系统中支持多个稀疏波束图样时,可以设置少量的波束预测模型以及规模小于波束预测模型的输入适配层和/或输出适配层进行波束管理,而不必为每个稀疏波束图样分别设置一个波束预测模型。通过该方法,可以降低波束预测模型的存储开销。当波束预测模型的信息需要在不同网元之间进行交互时,还可以进一步降低信令开销。
一种可能的设计中,所述第一波束预测结果包括所述第一波束图样或所述第二波束图样对应的全波束中的最优K1个波束,其中,K1为正整数。
一种可能的设计中,所述第二波束预测结果包括所述第一波束图样或所述第二波束图样对应的全波束中的最优K2个波束,其中,K2为正整数。
通过该方法,扫描稀疏波束图样,利用波束预测模型便可以预测出全波束中的最优波束,而不必扫描全波束得到全波束中的最优波束,可以降低波束管理过程的时延开销和参考信号开销。
一种可能的设计中,接收所述波束预测模型的信息。通过该方法,可以灵活配置波束预测模型。
一种可能的设计中,所述波束预测模型包括于候选波束预测模型集合中,所述候选波束预测模型集合中的每个波束预测模型对应一个波束图样,所述波束预测模型对应于所述第二波束图样。可选的,候选波束预测模型集合中每个波束预测模型的信息是协议约定的或者从发送端接收到的。可选的,候选波束预测模型集合中的波束预测模型与(稀疏)波束图样的对应关系是协议约定的或者从发送端接收到的。可选的,接收用于指示所述第二波束图样的信息。通过该方法,可以降低配置波束预测模型的信令开销。
一种可能的设计中,接收所述输入适配层的信息或所述输出适配层的信息。通过该方法,可以灵活配置输入适配层和/或输出适配层。
一种可能的设计中,所述输入适配层或所述输出适配层是通过训练得到的。
可选的,根据全波束测量量得到理想波束预测结果,利用输入适配层将所述第一波束图样的稀疏波束测量量映射为输入适配信息,根据所述输入适配信息和所述波束预测模型得到实际波束预测结果,根据所述理想波束预测结果和所述实际波束预测结果调整所述输入适配层的参数,使得所述理想波束预测结果和所述实际波束预测结果之间的差异小于阈值。
可选的,根据全波束测量量得到理想波束预测结果,根据所述第二波束图样的稀疏波束测量、所述波束预测模型和输出适配层得到实际波束预测结果,根据所述理想波束预测结果和所述实际波束预测结果调整所述输出适配层的参数,使得所述理想波束预测结果和所述实际波束预测结果之间的差异小于阈值。
可选的,根据全波束测量量得到理想波束预测结果,利用输入适配层将所述第一波束图样的稀疏波束测量量映射为输入适配信息,根据所述输入适配信息、所述波束预测模型和输出适配层得到实际波束预测结果,根据所述理想波束预测结果和所述实际波束预测结果调整所述输入适配层的参数和所述输出适配层的参数中的至少一种,使得所述理想波束预测结果和所述实际波束预测结果之间的差异小于阈值。
通过该方法,可以根据信道条件灵活调整输入适配层和/或输出适配层,使得输入适配层和/或输出适配层更加匹配当前信道条件,匹配性能更加。
第二方面,提供了波束管理方法。该方法可以在参考信号发送端实现,例如可以由终端设备、接入网设备、接入网设备的模块(如DU、近实时RIC)、或非实时RIC等执行该方法。
一种可能的实现中,该方法包括:发送输入适配层的信息,其中,所述输入适配层用于对参考信号测量量进行适配得到波束预测模型的输入,所述参考信号测量量对应的波束图样为第一波束图样,所述波束预测模型的输入与第二波束图样匹配,所述第一波束图样和所述第二波束图样不同。
一种可能的实现中,该方法包括:发送输出适配层的信息,其中,所述输出适配层用于将波束预测模型输出的第一波束预测结果映射为第二波束预测结果,所述第一波束预测结果和所述第二波束预测结果不同。
一种可能的实现中,该方法包括:发送输入适配层的信息和输出适配层的信息,其中,所述输入适配层用于对参考信号测量量进行适配得到波束预测模型的输入,所述参考信号测量量对应的波束图样为第一波束图样,所述波束预测模型的输入与第二波束图样匹配,所述第一波束图样和所述第二波束图样不同,所述输出适配层用于将波束预测模型输出的第一波束预测结果映射为第二波束预测结果,所述第一波束预测结果和所述第二波束预测结果不同。
一种可能的设计中,所述方法还包括:从候选波束预测模型集合中指示所述波束预测模型,其中,所述候选波束预测模型集合中的每个波束预测模型对应一个波束图样。可选的,候选波束预测模型集合中每个波束预测模型的信息是协议约定的,或者所述方法包括:发送候选波束预测模型集合中每个波束预测模型的信息。可选的,候选波束预测模型集合中的波束预测模型与(稀疏)波束图样的对应关系是协议约定的,或者所述方法包括:发送候选波束预测模型集合中的波束预测模型与(稀疏)波束图样的对应关系。可选的,所述方法包括:发送用于指示所述第二波束图样的信息。
第三方面,提供一种通信装置。所述通信装置可以实现上述第一方面所述的方法。
在一种可选的实现方式中,该装置可以包括执行第一方面所描述的方法/操作/步骤/动作所一一对应的模块,该模块可以是硬件电路,也可是软件,也可以是硬件电路结合软件实现。在一种可选的实现方式中,所述通信装置包括基带装置和射频装置。在另一种可选的实现方式中,所述通信装置包括处理单元(有时也称为处理模块)和收发单元(有时也称为收发模块)。收发单元能够实现发送功能和接收功能,在收发单元实现发送功能时,可称为发送单元(有时也称为发送模块),在收发单元实现接收功能时,可称为接收单元(有时也称为接收模块)。发送单元和接收单元可以是同一个功能模块,该功能模块称为收发单元,该功能模块能实现发送功能和接收功能;或者,发送单元和接收单元可以是不同的功能模块,收发单元是对这些功能模块的统称。
例如,所述处理单元,用于利用输入适配层将参考信号测量量映射为输入适配信息,其中,所述参考信号测量量对应的波束图样为第一波束图样;利用波束预测模型得到第一波束预测结果,其中,所述波束预测模型的输入包括所述输入适配信息,所述波束预测模型的输入与第二波束图样匹配,所述第一波束图样和所述第二波束图样不同。其中,所述参考信号是通过接收单元接收的。
例如,所述处理单元,用于利用波束预测模型得到第一波束预测结果,其中,所述波束预测模型的输入包括参考信号测量量,所述参考信号测量量对应的波束图样为第二波束图样;利用输出适配层将所述第一波束预测结果映射为第二波束预测结果。其中,所述参考信号是通过接收单元接收的。
例如,所述处理单元,用于利用输入适配层将参考信号测量量映射为输入适配信息,其中,所述参考信号测量量对应的波束图样为第一波束图样;利用波束预测模型得到第一波束预测结果,其中,所述波束预测模型的输入包括所述输入适配信息,所述波束预测模型的输入与第二波束图样匹配,所述第一波束图样和所述第二波束图样不同;利用输出适配层将所述第一波束预测结果映射为第二波束预测结果。
关于所述第一波束预测结果、第二波束预测结果的介绍可以参见第一方面,此处不再赘述。
一种可能的设计中,所述接收单元用于接收所述波束预测模型的信息。
一种可能的设计中,所述波束预测模型包括于候选波束预测模型集合中,所述候选波束预测模型集合中的每个波束预测模型对应一个波束图样,所述波束预测模型对应于所述第二波束图样。可选的,候选波束预测模型集合中每个波束预测模型的信息是协议约定的或者通过所述接收单元从发送端接收到的。可选的,候选波束预测模型集合中的波束预测模型与(稀疏)波束图样的对应关系是协议约定的或者通过所述接收单元从发送端接收到的。可选的,所述接收单元用于接收用于指示所述第二波束图样的信息。
一种可能的设计中,所述接收单元用于接收所述输入适配层的信息或所述输出适配层的。
一种可能的设计中,所述处理单元用于训练得到所述输入适配层或所述输出适配层。具体的训练方法请参见第一方面,此处不再赘述。
另一种可能的实现中,所述通信装置包括处理器,用于实现上述第一方面描述的方法。所述装置还可以包括存储器,用于存储指令和/或数据。所述存储器与所述处理器耦合,所述处理器执行所述存储器中存储的程序指令时,可以实现上述第一方面描述的方法。所述装置还可以包括通信接口,所述通信接口用于该装置和其它设备进行通信。示例性地,通信接口可以是收发器、电路、总线、模块、管脚或其它类型的通信接口,其它设备可以为模型推理节点等。所述处理器的功能类似上述处理单元,所述通信接口的功能类似上述收发单元,此处不再赘述。
第四方面,提供一种通信装置。所述通信装置可以实现上述第二方面所述的方法。
在一种可选的实现方式中,该装置可以包括执行第二方面所描述的方法/操作/步骤/动作所一一对应的模块,该模块可以是硬件电路,也可是软件,也可以是硬件电路结合软件实现。在一种可选的实现方式中,所述通信装置包括基带装置、或者包括基带装置和射频装置。在另一种可选的实现方式中,所述通信装置包括处理单元(有时也称为处理模块)和收发单元(有时也称为收发模块)。收发单元能够实现发送功能和接收功能,在收发单元实现发送功能时,可称为发送单元(有时也称为发送模块),在收发单元实现接收功能时,可称为接收单元(有时也称为接收模块)。发送单元和接收单元可以是同一个功能模块,该功能模块称为收发单元,该功能模块能实现发送功能和接收功能;或者,发送单元和接收单元可以是不同的功能模块,收发单元是对这些功能模块的统称。
例如,所述发送单元用于发送输入适配层的信息,其中,所述输入适配层用于对参考信号测量量进行适配得到波束预测模型的输入,所述参考信号测量量对应的波束图样为第一波束图样,所述波束预测模型的输入与第二波束图样匹配,所述第一波束图样和所述第二波束图样不同。所述输入适配层的信息是所述处理单元确定的。
例如,所述发送单元用于发送输出适配层的信息,其中,所述输出适配层用于将波束预测模型输出的第一波束预测结果映射为第二波束预测结果,所述第一波束预测结果和所述第二波束预测结果不同。所述输出适配层的信息是所述处理单元确定的。
例如,所述发送单元用于发送输入适配层的信息和输出适配层的信息,其中,所述输入适配层用于对参考信号测量量进行适配得到波束预测模型的输入,所述参考信号测量量对应的波束图样为第一波束图样,所述波束预测模型的输入与第二波束图样匹配,所述第一波束图样和所述第二波束图样不同,所述输出适配层用于将波束预测模型输出的第一波束预测结果映射为第二波束预测结果,所述第一波束预测结果和所述第二波束预测结果不同。所述输入适配层的信息和所述输出适配层的信息是所述处理单元确定的。
一种可能的设计中,所述发送单元还用于从候选波束预测模型集合中指示所述波束预测模型,其中,所述候选波束预测模型集合中的每个波束预测模型对应一个波束图样。可选的,候选波束预测模型集合中每个波束预测模型的信息是协议约定的,或者所述发送单元还用于发送候选波束预测模型集合中每个波束预测模型的信息。可选的,候选波束预测模型集合中的波束预测模型与(稀疏)波束图样的对应关系是协议约定的,或者所述发送单元还用于发送候选波束预测模型集合中的波束预测模型与(稀疏)波束图样的对应关系。可选的,所述发送单元还用于发送用于指示所述第二波束图样的信息。
另一种可能的实现中,所述通信装置包括处理器,用于实现上述第二方面描述的方法。所述装置还可以包括存储器,用于存储指令和/或数据。所述存储器与所述处理器耦合,所述处理器执行所述存储器中存储的程序指令时,可以实现上述第二方面描述的方法。所述装置还可以包括通信接口,所述通信接口用于该装置和其它设备进行通信。示例性地,通信接口可以是收发器、电路、总线、模块、管脚或其它类型的通信接口,其它设备可以为模型推理节点等。所述处理器的功能类似上述处理单元,所述通信接口的功能类似上述收发单元,此处不再赘述。
第五方面,提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行第一方面或第二方面任一方面的方法。
第六方面,提供一种芯片系统,该芯片系统包括处理器,还可以包括存储器,用于实现第一方面或第二方面任一方面的方法。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。
第七方面,提供一种计算机程序产品,包括指令,当其在计算机上运行时,使得计算机执行第一方面或第二方面任一方面的方法。
第八方面,提供一种通信系统,该系统中包括第三方面的装置和第四方面的装置。
附图说明
图1所示为本公开提供的通信系统1000的架构示意图;
图2A所示为本公开提供的神经元结构的示意图;
图2B所示为本公开提供的FNN网络的示意图;
图3A至图3D所示为本公开提供的AI在通信系统中的应用框架的示例图;
图4所示为本公开提供的基于AI的波束管理方法;
图5所示为本公开提供的最佳波束示例图;
图6所示为本公开提供的64全波束下的4种不同的稀疏波束图样;
图7所示为本公开提供的波束管理方法;
图8和图9所示为本公开提供的波束预测流程;
图10A所示为本公开提供的输入适配层的训练方法;
图10B所示为本公开提供的输出适配层的训练方法;
图10C所示为本公开提供的输入适配层和/或输出适配层的训练方法;
图11和图12所示为本公开提供的装置示例图。
具体实施方式
图1所示是本公开能够应用的通信系统1000的架构示意图。如图1所示,该通信系统包括无线接入网(radio access network,RAN)100和核心网(core network,CN)200。可选的,通信系统1000还可以包括互联网300。其中,无线接入网100中可以包括至少一个接入网设备(如图1中的110a和110b),还可以包括至少一个终端设备(如图1中的120a-120j)。终端设备通过无线的方式与接入网设备相连。接入网设备通过无线或有线方式与核心网连接。核心网设备与接入网设备可以是独立的不同的物理设备,或者可以将核心网设备的功能与接入网设备的逻辑功能集成在同一个物理设备上,或者可以是一个物理设备上集成了部分核心网设备的功能和部分的接入网设备的功能。本公开不限制核心网设备和接入网设备的物理存在形式。终端设备和终端设备之间可以通过无线的方式相互连接。接入网设备和接入网设备之间可以通过有线或无线的方式相互连接。图1只是示意图,不作为对本公开的限制,例如该通信系统中还可以包括其它网络设备,如还可以包括无线中继设备和无线回传设备等。
接入网设备可以是基站(base station)、演进型基站(evolved NodeB,eNodeB)、发送接收点(transmission reception point,TRP)、第五代(5th generation,5G)移动通信系统中的下一代基站(next generation NodeB,gNB)、开放无线接入网(open radioaccess network,O-RAN)中的接入网设备、第六代(6th generation,6G)移动通信系统中的下一代基站、未来移动通信系统中的基站或无线保真(wireless fidelity,WiFi)系统中的接入节点等。其中,5G还可以被称为新无线(new radio,NR)。或者,接入网设备可以是完成基站部分功能的模块或单元。例如,接入网设备可以是集中式单元(central unit,CU)、分布式单元(distributed unit,DU)、集中单元控制面(CU control plane,CU-CP)模块、或集中单元用户面(CU user plane,CU-UP)模块等。接入网设备可以是宏基站(如图1中的110a),或者可以是微基站或室内站(如图1中的110b),或者可以是中继节点或施主节点等。本公开对接入网设备所采用的具体技术和具体设备形态不做限定。
本公开中,用于实现接入网设备的功能的装置可以是接入网设备;也可以是能够支持接入网设备实现该功能的装置,例如芯片系统、硬件电路、软件模块、或硬件电路加软件模块等。该装置可以被安装在接入网设备中或与接入网设备匹配使用。本公开中,芯片系统可以由芯片构成,也可以包括芯片和其他分立器件。为了便于描述,下文以用于实现接入网设备的功能的装置是接入网设备为例,描述本公开提供的技术方案。
(1)协议层结构。
接入网设备和终端设备之间的通信可以遵循一定的协议层结构。示例性地,该协议层结构可以包括控制面协议层结构和用户面协议层结构。例如,控制面协议层结构可以包括以下至少一项:无线资源控制(radio resource control,RRC)层、分组数据汇聚层协议(packet data convergence protocol,PDCP)层、无线链路控制(radio link control,RLC)层、媒体接入控制(media access control,MAC)层、或物理(physical,PHY)层等。例如,用户面协议层结构可以包括以下至少一项:业务数据适配协议(service dataadaptation protocol,SDAP)层、PDCP层、RLC层、MAC层、或物理层等。
上述接入网设备和终端设备之间的协议层结构可以看作接入层(accessstratum,AS)结构。可选的,在AS之上,还可以存在非接入层(non-access stratum,NAS),用于接入网设备向终端设备转发来自核心网设备的信息,或者用于接入网设备向核心网设备转发来自终端设备的信息。此时,可以认为终端设备和核心网设备之间存在逻辑接口。可选的,接入网设备可以通过透传的方式转发终端设备和核心网设备之间的信息。例如,NAS消息可以映射到或者包含于RRC信令中,作为RRC信令的元素。
可选的,接入网设备和终端设备之间的协议层结构还可以包括人工智能(artificial intelligence,AI)层,用于传输AI功能相关的数据。
接入网设备可以包括CU和DU。该设计可以称为CU和DU分离。多个DU可以由一个CU集中控制。作为示例,CU和DU之间的接口称为F1接口。其中,控制面(control panel,CP)接口可以为F1-C,用户面(user panel,UP)接口可以为F1-U。本公开不限制各接口的具体名称。CU和DU可以根据无线网络的协议层划分:比如,PDCP层及以上协议层(例如RRC层和SDAP层等)的功能设置在CU,PDCP层以下协议层(例如RLC层、MAC层和PHY层等)的功能设置在DU;又比如,PDCP层以上协议层的功能设置在CU,PDCP层及以下协议层的功能设置在DU,不予限制。
上述对CU和DU的处理功能按照协议层的划分仅仅是一种举例,也可以按照其他的方式进行划分。例如,可以将CU或者DU划分为具有更多协议层的功能,又例如将CU或DU划分为具有协议层的部分处理功能。例如,将RLC层的部分功能和RLC层以上的协议层的功能设置在CU,将RLC层的剩余功能和RLC层以下的协议层的功能设置在DU。再例如,可以按照业务类型或者其他系统需求对CU或者DU的功能进行划分,例如按时延划分,将处理时间需要满足时延要求的功能设置在DU,不需要满足该时延要求的功能设置在CU。
可选的,CU可以具有核心网的一个或多个功能。
可选的,可以将DU的无线单元(radio unit,RU)拉远设置。其中,RU具有射频功能。示例性的,DU和RU可以在PHY层进行划分。例如,DU可以实现PHY层中的高层功能,RU可以实现PHY层中的低层功能。其中,用于发送时,PHY层的功能可以包括以下至少一项:添加循环冗余校验(cyclic redundancy check,CRC)位、信道编码、速率匹配、加扰、调制、层映射、预编码、资源映射、物理天线映射、或射频发送功能。用于接收时,PHY层的功能可以包括以下至少一项:CRC校验、信道解码、解速率匹配、解扰、解调、解层映射、信道检测、资源解映射、物理天线解映射、或射频接收功能。其中,PHY层中的高层功能可以包括PHY层的一部分功能,该部分功能更加靠近MAC层;PHY层中的低层功能可以包括PHY层的另一部分功能,例如该部分功能更加靠近射频功能。例如,PHY层中的高层功能可以包括添加CRC位、信道编码、速率匹配、加扰、调制、和层映射,PHY层中的低层功能可以包括预编码、资源映射、物理天线映射、和射频发送功能;或者,PHY层中的高层功能可以包括添加CRC位、信道编码、速率匹配、加扰、调制、层映射和预编码,PHY层中的低层功能可以包括资源映射、物理天线映射、和射频发送功能。例如,PHY层中的高层功能可以包括CRC校验、信道解码、解速率匹配、解码、解调、和解层映射,PHY层中的低层功能可以包括信道检测、资源解映射、物理天线解映射、和射频接收功能;或者,PHY层中的高层功能可以包括CRC校验、信道解码、解速率匹配、解码、解调、解层映射、和信道检测,PHY层中的低层功能可以包括资源解映射、物理天线解映射、和射频接收功能。
可选的,可以对CU的功能进一步划分,将控制面和用户面分离并通过不同实体来实现。分离出的实体分别为控制面CU实体(即CU-CP实体)和用户面CU实体(即CU-UP实体)。该CU-CP实体和CU-UP实体可以分别与DU相连接。本公开中,实体可以被理解为模块或者单元,其存在形式可以是硬件结构、软件模块、或者是硬件结构加软件模块,不予限制。
可选的,上述CU、CU-CP、CU-UP、DU和RU中的任一个可以是软件模块、硬件结构、或者软件模块加硬件结构,不予限制。其中,不同实体的存在形式可以相同,也可以不同的。例如CU、CU-CP、CU-UP和DU是软件模块,RU是硬件结构。为了描述简洁,此处不再一一罗列所有可能的组合形式。这些模块及其执行的方法也在本公开的保护范围内。例如,本公开的方法由接入网设备执行时,具体可以由CU、CU-CP、CU-UP、DU、RU或下文介绍的近实时RIC中的至少一项执行。
本公开中,当接入网设备的功能是由接入网设备的模块完成时,例如由DU向终端设备发送信号时,如参考信号,可以理解为该信号的目的地是终端设备,是逻辑上的发送,而不是局限于物理上由DU直接将该参考信号发送给终端设备。
本公开中,模块A向终端发送信息包括:模块A通过空口向终端发送该信息,可选的,模块A可以对该信息进行基带和/或中射频操作;或,模块A将该信息递交至模块B,由模块B向终端发送该信息。其中,模块B向终端发送该信息时,可以是透传该信息、将该信息分段后发送该信息、将该信息与其他信息复用后发送该信息。可选地,模块B可以对该信息进行基带和/或中射频操作后发送该信息等。可选的,模块B可以将该信息封装在数据包中。可选的,模块B还可以为该数据包添加包头和/或填充比特等。
本公开中,当接入网设备的功能是由接入网设备的模块完成时,例如由DU从终端设备接收信号时,如参考信号,可以理解为该信号的发源地是终端设备,是逻辑上的传输,而不局限于物理上由终端设备直接将该参考信号发送给DU。
本公开中,从终端设备接收信息可以理解为该信息的发源地是终端设备。例如,模块A从终端设备接收信息包括:模块A通过空口从终端接收该信息,可选的,模块A可以对该信息进行基带和/或中射频操作;或,模块B通过空口从终端接收该信息,并将该信息递交至模块A。其中,模块B将该信息递交至模块A,包括:将接收到的该信息透明地递交至模块A、将接收到的多个分段组合成该信息后递交至模块A、或从复用信息中提取出该信息后递交至模块A。可选地,模块B可以对接收到的信息进行基带和/或中射频操作后发送该信息等。可选的,模块B接收到的该信息被封装在数据包中。可选的,该数据包包括包头和/或填充比特等。
上述模块A或B可以是一个模块,或者是依次耦合的多个模块,不予限制。例如,模块A是DU模块,模块B是RU模块;再例如,模块A是CU-CP模块,模块B是DU模块和RU模块。
终端设备也可以称为终端、用户设备(user equipment,UE)、移动台、或移动终端等。终端设备可以广泛应用于各种场景进行通信。例如,该场景包括但不限于以下至少一个:增强移动宽带(enhanced mobile broadband,eMBB)、超高可靠性超低时延通信(ultra-reliable low-latency communication,URLLC)、大规机器类型通信(massive machine-type communications,mMTC)、设备到设备(device-to-device,D2D)、车联网(vehicle toeverything,V2X)、机器类型通信(machine-type communication,MTC)、物联网(internetof things,IOT)、虚拟现实、增强现实、工业控制、自动驾驶、远程医疗、智能电网、智能家具、智能办公、智能穿戴、智能交通、或智慧城市等。终端设备可以是手机、平板电脑、带无线收发功能的电脑、可穿戴设备、车辆、无人机、直升机、飞机、轮船、机器人、机械臂、或智能家居设备等。本公开对终端设备所采用的具体技术和具体设备形态不做限定。
本公开中,用于实现终端设备的功能的装置可以是终端设备;也可以是能够支持终端设备实现该功能的装置,例如芯片系统、硬件电路、软件模块、或硬件电路加软件模块,该装置可以被安装在终端设备中或可以与终端设备匹配使用。为了便于描述,下文以用于实现终端设备的功能的装置是终端设备为例,描述所提供的技术方案。
本公开中,接入网设备和/或终端设备可以是固定位置的,或者是可移动的。接入网设备和/或终端设备可以部署在陆地上,包括室内或室外、手持或车载;也可以部署在水面上;还可以部署在空中的飞机、气球和人造卫星上。本公开对接入网设备和终端设备的应用场景不做限定。接入网设备和终端设备可以部署在相同的场景或不同的场景,例如,接入网设备和终端设备同时部署在陆地上;或者,接入网设备部署在陆地上,终端设备部署在水面上等,不再一一举例。
接入网设备和终端设备的角色可以是相对的。例如,图1中的直升机或无人机120i可以被配置成移动接入网设备,对于那些通过120i接入到无线接入网100的终端设备120j来说,终端设备120i是接入网设备;但对于基站110a来说,120i是终端设备,即110a与120i之间是通过无线空口协议进行通信的。110a与120i之间也可以是通过基站与基站之间的接口协议进行通信的,此时,相对于110a来说,120i也是接入网设备。因此,接入网设备和终端设备都可以统一称为通信装置,图1中的110a和110b可以称为具有接入网设备功能的通信装置,图1中的120a-120j可以称为具有终端设备功能的通信装置。
在传统的通信系统中,主要利用6吉赫兹(giga hertz,GHz)以下中低频段频谱进行通信。然而,6GHz以下中低频段的频谱资源相对短缺。因此。5G通信系统中,为了引入更多的资源以提高通信速率,引入了高频段(例如毫米波(millimeter wave,mmW)频段)用于无线通信。为了应对高频信号较弱的穿透能力、和较强的路径衰落效应,发射端在发射高频信号时,可以通过波束赋形技术提高信号的传输质量。为了提高波束赋形技术的性能,本公开将人工智能(artificial intelligence,AI,AI)引入波束赋形技术中。
人工智能,可以让机器具有人类的智能,例如可以让机器应用计算机的软硬件来模拟人类某些智能行为。为了实现人工智能,可以采用机器学习方法。机器学习方法中,机器利用训练数据学习(或训练)得到模型。该模型表征了从输入到输出之间的映射。学习得到的模型可以用于进行推理(或预测),即可以利用该模型预测出给定输入所对应的输出。其中,该输出还可以称为推理结果。
机器学习可以包括监督学习、非监督学习、和强化学习。
监督学习依据已采集到的样本值和样本标签,利用机器学习算法学习样本值到样本标签的映射关系,并用AI模型来表达学到的映射关系。训练机器学习模型的过程就是学习这种映射关系的过程。在训练过程中,将样本值输入模型得到模型的预测值,通过计算模型的预测值与样本标签(理想值)之间的误差来优化模型参数。映射关系学习完成后,就可以利用学到映射来预测新的样本标签。监督学习学到的映射关系可以包括线性映射或非线性映射。根据标签的类型可将学习的任务分为分类任务和回归任务。
无监督学习依据采集到的样本值,利用算法自行发掘样本的内在模式。无监督学习中有一类算法将样本自身作为监督信号,即模型学习从样本到样本的映射关系,称为自监督学习。训练时,通过计算模型的预测值与样本本身之间的误差来优化模型参数。自监督学习可用于信号压缩及解压恢复的应用,常见的算法包括自编码器和对抗生成型网络等。
强化学习不同于监督学习,是一类通过与环境进行交互来学习解决问题的策略的算法。与监督、无监督学习不同,强化学习问题并没有明确的“正确的”动作标签数据,算法需要与环境进行交互,获取环境反馈的奖励信号,进而调整决策动作以获得更大的奖励信号数值。如下行功率控制中,强化学习模型根据无线网络反馈的系统总吞吐率,调整各个用户的下行发送功率,进而期望获得更高的系统吞吐率。强化学习的目标也是学习环境状态与最优决策动作之间的映射关系。但因为无法事先获得“正确动作”的标签,所以不能通过计算动作与“正确动作”之间的误差来优化网络。强化学习的训练是通过与环境的迭代交互而实现的。
神经网络(neural network,NN)是机器学习技术中的一种具体的模型。根据通用近似定理,神经网络在理论上可以逼近任意连续函数,从而使得神经网络具备学习任意映射的能力。传统的通信系统需要借助丰富的专家知识来设计通信模块,而基于神经网络的深度学习通信系统可以从大量的数据集中自动发现隐含的模式结构,建立数据之间的映射关系,获得优于传统建模方法的性能。
神经网络的思想来源于大脑组织的神经元结构。例如,每个神经元都对其输入值进行加权求和运算,通过一个激活函数输出运算结果。如图2A所示,为神经元结构的一种示意图。假设神经元的输入为x=[x0,x1,…,xn],与各个输入对应的权值分别为w=[w,w1,…,wn],其中,n为正整数,wi和xi可以是小数、整数(例如0、正整数或负整数等)、或复数等各种可能的类型。wi作为xi的权值,用于对xi进行加权。根据权值对输入值进行加权求和的偏置例如为b。激活函数的形式可以有多种,假设一个神经元的激活函数为:y=f(z)=max(0,z),则该神经元的输出为:再例如,一个神经元的激活函数为:y=f(z)=z,则该神经元的输出为:/> 其中,b可以是小数、整数(例如0、正整数或负整数)、或复数等各种可能的类型。神经网络中不同神经元的激活函数可以相同或不同。
神经网络一般包括多个层,每层可包括一个或多个神经元。通过增加神经网络的深度和/或宽度,能够提高该神经网络的表达能力,为复杂系统提供更强大的信息提取和抽象建模能力。其中,神经网络的深度可以是指神经网络包括的层数,每层包括的神经元个数可以称为该层的宽度。在一种实现方式中,神经网络包括输入层和输出层。神经网络的输入层将接收到的输入信息经过神经元处理,将处理结果传递给输出层,由输出层得到神经网络的输出结果。在另一种实现方式中,神经网络包括输入层、隐藏层和输出层,可参考图2B。神经网络的输入层将接收到的输入信息经过神经元处理,将处理结果传递给中间的隐藏层,隐藏层对接收的处理结果进行计算,得到计算结果,隐藏层将计算结果传递给输出层或者下一个相邻的隐藏层,最终由输出层得到神经网络的输出结果。其中,一个神经网络可以包括一个隐藏层,或者包括多个依次连接的隐藏层,不予限制。
本公开涉及的神经网络例如为深度神经网络(deep neural network,DNN)。根据网络的构建方式,DNN可以包括前馈神经网络(feedforward neural network,FNN)、卷积神经网络(convolutional neural networks,CNN)和递归神经网络(recurrent neuralnetwork,RNN)。
FNN网络的特点为相邻层的神经元之间两两完全相连。该特点使得FNN通常需要大量的存储空间、导致较高的计算复杂度。图2B所示为一种FNN网络。
CNN是一种专门来处理具有类似网格结构的数据的神经网络。例如,时间序列数据(时间轴离散采样)和图像数据(二维离散采样)都可以认为是类似网格结构的数据。CNN并不一次性利用全部的输入信息做运算,而是采用一个固定大小的窗截取部分信息做卷积运算,这就大大降低了模型参数的计算量。另外根据窗截取的信息类型的不同(如同一副图中的人和物为不同类型信息),每个窗可以采用不同的卷积核运算,这使得CNN能更好的提取输入数据的特征。
RNN是一类利用反馈时间序列信息的DNN网络。它的输入包括当前时刻的新的输入值和自身在前一时刻的输出值。RNN适合获取在时间上具有相关性的序列特征,特别适用于语音识别、信道编译码等应用。
如前文所述,模型训练过程中,可以定义损失函数。损失函数描述了模型的输出值和理想目标值之间的差距或差异。本公开不限制损失函数的具体形式。模型训练过程可以看作以下过程:通过调整模型的部分或全部参数,使得损失函数的值小于门限值或者满足目标需求。
模型还可以称为AI模型、规则或者其他名称,不予限制。AI模型可以认为是实现AI功能的具体方法。AI模型表征了模型的输入和输出之间的映射关系或者函数。AI功能可以包括以下至少一项:数据收集、模型训练(或模型学习)、模型信息发布、模型推断(或称为模型推理、推理、或预测等)、模型监控或模型校验、或推理结果发布等。AI功能还可以称为AI(相关的)操作、或AI相关的功能。
本公开中,可以在前述图1所示的通信系统中引入独立的网元(如称为AI网元、AI节点、或AI设备等)来实现部分或全部AI相关的操作。AI网元可以和接入网设备直接连接,或者可以通过第三方网元和接入网设备实现间接连接。可选的,第三方网元可以是核心网网元。或者,可以在通信系统中的其他网元内配置或设置AI实体,用于实现AI相关的操作。其中,AI实体还可以称为AI模块、AI单元或其他名称,主要用于实现部分或全部AI功能,本公开不限制其具体名称。可选的,该其他网元可以是接入网设备、核心网设备、云服务器、或网管(operation,administration and maintenance,OAM)等。在这种情况下,执行AI相关的操作的网元为内置AI功能的网元。由于AI网元和AI实体都是实现AI相关的功能,为了便于描述,以下将AI网元和内置AI功能的网元统一描述为AI功能网元。
本公开中,OAM用于操作、管理和/或维护核心网设备(核心网设备的网管),和/或,用于操作、管理和/或维护接入网设备(接入网设备的网管)。例如,本公开中包括第一OAM和第二OAM,第一OAM是核心网设备的网管,第二OAM是接入网设备的网管。可选的,第一OAM和/或第二OAM中包括AI实体。再例如,本公开中包括第三OAM,第三OAM同时是核心网设备和接入网设备的网管。可选的,第三OAM中包括AI实体。
可选的,为了匹配支持AI功能,终端或终端芯片中可以集成AI实体。
如图3A至图3D所示为AI在通信系统中的应用框架的示例图。
可选的,如图3A所示,核心网设备、接入网设备、终端或OAM中的至少一个设备中部署有AI模型,利用该AI模型实现相应的功能。在本公开中,不同节点中部署的AI模型可以相同或不同。本公开中,模型不同包括以下至少一项不同:模型的结构参数(例如神经网络层数、神经网络宽度、层间的连接关系、神经元的权值、神经元的激活函数、或激活函数中的偏置中的至少一项)、模型的输入参数(例如输入参数的类型和/或输入参数的维度)、或模型的输出参数(例如输出参数的类型和/或输出参数的维度)。其中,模型的输入参数和/或模型的输出参数不同可以描述为模型的功能不同。与上述图3A不同的是,在图3B中,将接入网设备的功能拆分为CU和DU。CU中可以部署有一个或多个AI模型。和/或,DU中可以部署有一个或多个AI模型。可选的,还可以进一步将图3B中的CU拆分为CU-CP和CU-UP。可选的,CU-CP中可以部署有一个或多个AI模型。和/或,CU-UP中可以部署有一个或多个AI模型。可选的,还可以进一步将图3A或图3B中的OAM拆分为接入网设备的OAM和核心网设备的OAM。
可选的,如图3C所示,一种可能的实现中,接入网设备中包括近实时接入网智能控制(RAN intelligent controller,RIC)模块,用于进行模型训练和推理。例如,近实时RIC可以用于训练AI模型,利用该AI模型进行推理。例如,近实时RIC可以从CU、DU、RU或终端设备中的至少一项获得网络侧和/或终端侧的信息,该信息可以作为训练数据或者推理数据。可选的,近实时RIC可以将推理结果递交至CU、DU、RU或终端设备中的至少一项。可选的,CU和DU之间可以交互推理结果。可选的,DU和RU之间可以交互推理结果,例如近实时RIC将推理结果递交至DU,由DU转发给RU。
可选的,如图3C所示,另一种可能的实现中,接入网之外包括非实时RIC(可选的,非实时RIC可以位于OAM中、云服务器中、或者核心网设备中),用于进行模型训练和推理。例如,非实时RIC用于训练AI模型,利用该模型进行推理。例如,非实时RIC可以从CU、DU、RU或终端设备中的至少一项获得网络侧和/或终端侧的信息,该信息可以作为训练数据或者推理数据,该推理结果可以被递交至CU、DU、RU或终端设备中的至少一项。可选的,CU和DU之间可以交互推理结果。可选的,DU和RU之间可以交互推理结果,例如非实时RIC将推理结果递交至DU,由DU转发给RU。
可选的,如图3C所示,另一种可能的实现中,接入网设备中包括近实时RIC,且接入网设备之外包括非实时RIC(可选的,非实时RIC可以位于OAM中、云服务器中、或者核心网设备中)。同上述第二种可能的实现,非实时RIC可以用于进行模型训练和推理。和/或,同上述第一种可能的实现,近实时RIC可以用于进行模型训练和推理。和/或,非实时RIC进行模型训练,近实时RIC可以从非实时RIC获得AI模型信息,并从CU、DURU、或终端设备中的至少一项获得网络侧和/或终端侧的信息,利用该信息和该AI模型信息得到推理结果。可选的,近实时RIC可以将推理结果递交至CU、DU、RU或终端设备中的至少一项。可选的,CU和DU之间可以交互推理结果。可选的,DU和RU之间可以交互推理结果,例如近实时RIC将推理结果递交至DU,由DU转发给RU。例如,近实时RIC用于训练模型A,利用模型A进行推理。例如,非实时RIC用于训练模型B,利用模型B进行推理。例如,非实时RIC用于训练模型C,将模型C的信息发送给近实时RIC,近实时RIC利用模型C进行推理。
本公开中,一个模型可以推理得到一个输出,该输出包括一个参数或者多个参数。不同模型的学习过程或训练过程可以部署在不同的设备或节点中,或者可以部署在相同的设备或节点中。不同模型的推理过程可以部署在不同的设备或节点中,或者可以部署在相同的设备或节点中。本公开不予限制。
本公开中,所涉及的网元可以执行该网元相关的部分或全部步骤或操作。这些步骤或操作仅是示例,本公开还可以执行其它操作或者各种操作的变形。此外,各个步骤可以按照本公开呈现的不同的顺序来执行,并且有可能并非要执行本公开中的全部操作。
在本公开的各个示例中,如果没有特殊说明和逻辑冲突,不同的示例之间的术语和/或描述可以相互引用,不同的示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示例。
本公开中,至少一个(项)还可以描述为一个(项)或多个(项),多个(项)可以是两个(项)、三个(项)、四个(项)或者更多个(项),不予限制。“/”可以表示前后关联的对象是一种“或”的关系,例如,A/B可以表示A或B;“和/或”可以用于描述关联对象存在三种关系,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。为了便于描述本公开的技术方案,可以采用“第一”、“第二”、“A”、或“B”等字样对功能相同或相似的技术特征进行区分。该“第一”、“第二”、“A”、或“B”等字样并不对数量和执行次序进行限定。并且,“第一”、“第二”、“A”、或“B”等字样也并不限定一定不同。“示例性的”或者“例如”等词用于表示例子、例证或说明,被描述为“示例性的”或者“例如”的任何设计方案不应被解释为比其它设计方案更优选或更具优势。使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念,便于理解。
本公开描述的网络架构以及业务场景是为了更加清楚的说明本公开的技术方案,并不构成对于本公开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,本公开提供的技术方案对于类似的技术问题,同样适用。
如前文所述,在支持多天线技术的通信系统中,可以通过波束赋形技术提高信号的传输质量。接入网设备向终端设备发送信号时,可以进行接入网设备侧的波束赋形,即接入网设备将信号的发送波束的赋型方向对准信道的主要径的出射角度,终端设备可以获取大部分的信号传输能量。可选的,如果终端设备也支持多天线技术,则终端设备也可以进行波束赋形,即终端设备将信号的接收波束的赋型方向对准信道的主要径的入射角度。再例如,接入网设备从终端设备接收信号时,可以进行接入网设备侧的波束赋形,接入网设备将信号的接收波束的赋形方向对准信道主要径的入射角度,接入网设备可以获取大部分的信号传输能量。可选的,如果终端设备也支持多天线技术,终端设备也可以进行波束赋形,终端设备可以将信号的发送波束的赋型方向对准信道的主要径的出射角度。通过波束赋形技术,可以高质量地完成信号的传输,提高接收端接收到的信号能量。
为了实现发送端的波束赋形技术,信号的发送端可以通过预编码技术,使得发出的信号具有波束赋形的效果。类似的,为了实现接收端的波束赋形技术,信号的接收端可以通过预编码技术,使得接收的信号具有波束赋形的效果。例如,对于信号的传播模型可以表示为:
Y=V*H*W*X+N,(公式一)
其中,N为噪声,X为发射信号,W为发送端预编码矩阵。X经过W的预编码后得到信号为W*X。W*X是发送端最终的发射信号。W*X在空间中具有波束赋型的效果。经过信道传播后到达接收端的信号为H*W*X。V为接收端预编码矩阵。H*W*X经过V的预编码后得到信号为V*H*W*X。V*H*W*X+N是接收端最终的接收信号,V*H*W*X在空间中具有波束赋型的效果。预编码矩阵的数据形式通常为复数,本公开不排除其他的数据形式。本公开中,预编码矩阵还可以称为码本,一个预编码矩阵对应一个码本。
上述波束赋形技术中,W对应于发送端的发送波束,V对应于接收端的接收波束。由于不同信道主要径的角度可以分布在一个很宽的范围内,如水平0~360度和垂直-90~90度范围中,而一个预编码矩阵对应的一个波束在空间中可能只覆盖有限的角度范围,故系统中可以支持多个预编码矩阵从而支持多个波束,用于保证较好的信号覆盖效果。在多波束系统中确定W和/或V的过程可以称为波束管理过程,或者描述为确定W对应的波束和/或V对应的波束的过程可以称为波束管理过程。假设发送端的候选波束共T个,即发送端共有T个候选的预编码矩阵W,分别记为Wi,i取值为0至T-1;接收端的候选波束共R个,即接收端供有R个候选的预编码矩阵V,分别记为Vj,j的取值为0至R-1。其中,T为正整数,例如为4、8、16、32或64等2的倍数或者2的幂次方,或者,T的取值为其他可能的整数,如5、6、10或12等,不予限制。R为正整数,例如为1、2、或4等。波束管理过程中,从上述T个预编码矩阵Wi和R个预编码矩阵Vj中确定发送端和接收端通信的最佳的W和V,即确定最佳波束对。该过程中,通过T*R轮波束轮询,可以确定出该最佳波束对。该T*R轮波束轮询可以是时分进行的。
例如,在第e轮波束轮询中,发送端通过第i个波束向接收端设备发送参考信号,接收端通过第j个波束接收该参考信号。接收端接收参考信号Yi:
Yi=Vj*H*Wi*X+N,(公式二)
其中,X为发送端发送的参考信号,Wi发送端预编码矩阵,H为信道响应,Vj为接收端预编码矩阵,N为噪声,e=i*R+j(对应于先轮询接收端波束再轮询发送端波束),或者e=j*T+i(对应于先轮询发送端波束再轮询接收端波束),e的取值为0至T*R-1。接收端接收到参考信号Yi后,可以估计得到第e个测量量。通过T*R轮波束轮询,接收端可以得到参考信号的T*R个测量量(或称为测量值、估计值等)。本公开中,参考信号的测量量例如为测量得到的参考信号接收功率(reference signal received power,RSRP)、信号干扰噪声比(signalto interference plus noise ratio,SINR)或其他可能的估计值。接收端从该T*R个测量量中选择指标最佳的一个测量量,将该测量量对应的波束作为最优波束。接收端将该测量量对应的发送端波束的索引(或预编码矩阵索引)发送给发送端,则发送端可以利用该波束(或预编码矩阵)和接收端进行通信。此外,接收端可以利用该测量量对应的接收端波束和该发送端进行通信。
本公开中,针对不同的接收端,如终端设备,发送端,如接入网设备,的T个候选波束可以相同也可以不同。即,在一个小区中,针对不同的终端设备,接入网设备和终端设备通信时的候选波束可以相同也可以不同,本公开不予限制。针对一个终端设备,接入网设备侧能够用于和该终端设备通信的T个候选波束可以称为该终端设备的全波束。其中,如前文所述,一个波束对应一个预编码矩阵,波束的索引也可以看做预编码矩阵的索引。
该方法中,发送端和接收端是相对参考信号而言的,针对其他信号,比如由该接收端发送给该发送端的信号而言,接收端和发送端的名称可以互换。
上述参考信号的类型不做限制,其特征在于接收端提前预知该参考信号的值,从而可以对该参考信号进行测量。例如,该参考信号的值为协议约定的,或者为接收端预先告知发送端的,不予限制。
例如,当发送端为接入网设备,接收端为终端设备时,该参考信号为物理下行控制信道(physical downlink control channel,PDCCH)的解调参考信号(demodulationreference signal,DMRS)、物理下行共享信道(physical downlink shared channel,PDSCH)的DMRS、信道状态信息参考信号(channel state information reference signal,CSI-RS)、同步信号(例如主同步信号(primary synchronization signal,PSS)和/或辅同步信号(secondary synchronization signal,SSS)、同步信号的DMRS、相位跟踪参考信号(phase tracking reference signal,PTRS)或其他可能的下行信号。
例如,当发送端为终端设备,接收端为接入网设备时,该参考信号为物理上行共享信道(physical uplink shared channel,PUSCH)的DMRS、物理上行控制信道(physicaluplink control channel,PUCCH)的DMRS、随机接入前导(preamble)、信道探测参考信号(sounding reference signal,SRS)或其他可能的上行信号。
上述方法中,通过T轮波束轮询,可以从候选T个波束中测量出发送端的最优波束。通过R轮波束轮询,可以从候选R个波束中测量出接收端的最优波束。这种扫描过程可以称为全波束扫描,即每个候选波束都被扫描。该过程中,发送端和接收端通过遍历扫描全码本实现收发双端的角度对准。例如发送端的码本中有64个预编码矩阵分别对应64个赋型波束,接收端码本有4个预编码矩阵分别对应4个赋型波束,则总共需要扫描256次才能确定一对最优的收、发端赋型波束,扫描开销和时延非常大。
对于每个发送端的赋型波束来说,任何一个接收端赋型波束都可能与之形成一个收发波束对,故确定最优收发波束对的过程可以拆解成对于某个发送端波束,进行接收端波束扫描以确定与发送端波束匹配的最优接收端波束。然后,将此过程对其余T-1个发送端波束分别重复一遍即可确定全局最优的收发波束对。同样的,对于每个接收端波束来说,任何一个发送端波束都可能与之形成一个收发波束对,故确定最优收发波束对的过程可以拆解成对于某个接收端波束,进行发送端波束扫描以确定与该接收端波束匹配的最优发送端波束,然后将此过程对其余R-1个接收端波束分别重复一遍即可确定全局最优的收发波束对。由于接收端波束扫描和发送端波束扫描的原理是类似的,本文可以以发送端波束扫描为例描述本公开提供的波束管理方法。
上述全波束扫描方法中,每个候选波束都被扫描,会带来较大的系统开销和较长的时延。为了降低开销,本公开引入AI技术,通过稀疏的波束扫描和波束预测模型来实现波束管理。如图4所示为该基于AI的波束管理方法。作为示例而非限制,图4中T=64,实际中,候选波束的个数T的取值还可以是其他可能的取值,不予限制。
S401,发送端利用稀疏波束图样扫描稀疏波束。
如S401的稀疏波束图样所示,在64个候选波束中,发送端共扫描其中的16个波束。对于全波束即64个波束来说,16个波束相当于全波束中的部分稀疏波束。为了便于理解,S401中以水平方向和垂直方向来展示各波束的空间方向。实际中,波束间的划分可以基于二维平面方向,或者可以基于三维空间方向,或者可以基于其他可能的方式,不予限制。
在S401中,类似前文公式一所述,发送端通过黑色方框显示的16个波束中的每个波束时分地进行波束轮询。发送端利用该16个波束对应的16个预编码矩阵,分别对参考信号进行波束赋形,将波束赋形后的参考信号时分地发送给接收端。
S402,接收端利用稀疏波束图样接收参考信号,进行波束预测。
接收端接收16个波束对应的参考信号,共可以得到16个测量量,该16个测量量称为S401的稀疏波束图样对应的测量量。接收端将该16个测量量输入波束预测模型,推理得到全波束中的Top-K(最优K)波束,即预测得到64个全波束中的最优K波束的索引。其中,K为正整数,例如1、3、4、6、8或其他可能的取值。S402中以K=3,通过斜线填充的方框示出。
接收端可以将该K个波束的索引或者该K个波束对应的K个预编码矩阵的索引发送给发送端。可选的,发送端可以利用该K个波束中的任一个波束和接收端进行通信。或者,当K大于1时,发送端还可以通过S403和S404,从该K个波束中进一步确定出最优波束。
S403,发送端扫描Top-K波束。
以K=3为例,类似上述公式一,发送端通过斜线填充的3个方框显示的Top-3个波束中的每个波束轮询参考信号,即利用该3个波束对应的3预编码矩阵(码本),分别对参考信号进行波束赋形,将波束赋形后的参考信号时分地发送给接收端。
S404,接收端确定最优波束。
接收端接收Top-3波束赋形后的3个参考信号,共可以得到3个测量量。接收端可以确定该3个测量量中的最优测量量。该最优测量量对应的波束为最优波束。接收端可以将该最优波束的索引或者该最优波束对应的预编码矩阵的索引发送给发送端。
如图5所示,以发送端是接入网设备,接收端是终端设备为例,假设Top3波束为波束0、波束1和波束2,接入网设备通过扫描该3个波束,终端设备可以测量得到最佳波束为波束1。
确定了最优波束后,发送端和接收端可以利用该波束进行数据信道的传输。例如,接入网设备可以利用最优波束向终端设备发送下行数据,例如发送PDSCH;和/或,接入网设备可以利用最优波束从终端设备接收下行数据,例如接收PUSCH。本公开中,利用波束发送数据信道的数据可以理解为利用该波束对应的预编码矩阵对该数据进行预编码。
通过图4所示的基于AI模型的波束管理方法,可以减少波束轮询的次数,从时分地轮询64次降低为时分地轮询16次或者16+3=19次,从而可以在降低时延的同时降低系统开销。
上述波束预测模型进行推理时的性能是与训练该波束预测模型时使用的稀疏波束图样相关的。例如,训练该波束预测模型时,以稀疏波束图样1对应的测量量确定波束预测模型的输入,使得波束预测模型输出的Top-K结果和全波束扫描时得到的Top-K结果的差异小于阈值。那么,利用训练得到的波束预测模型进行推理时,输入波束预测模型的可能是稀疏波束图样2对应的测量量。此时,稀疏波束图样2与该波束预测模型不对应或不匹配,不但输出结果可能不够准确,甚至可能由于输入维度不满足需求而无法输入该模型,例如稀疏波束图样1指示扫描8个波束而稀疏波束图样2指示扫描16个波束。
实际中的信道环境复杂多变,不同信道环境下可能会使用不同的稀疏波束图样,甚至可能是不规则的稀疏波束图样。因此,实际中需要用到十几、几十甚至上百个不同的稀疏波束图样。如图6所示为64全波束下的4种不同的稀疏波束图样。当全波束图样不同或者系统支持多种全波束图样时,例如全波束图样为128波束时、或者系统支持64全波束图样和128波束图样时,稀疏波束图样的个数更多。因此,为了满足实际应用需求,可能需要针对每个稀疏波束图样配置一个波束预测模型。此时,接收端需要消耗较多的存储资源来存储该多个波束预测模型,或者需要消耗较多的空口资源和发送端交互该多个波束预测模型。
为了降低资源消耗,本公开提出了一种波束管理方法,该方法可以减少系统中的波束预测模型的个数。该方法引入结构相对简单的输入适配层(或称为输入适配模型)和/或输出适配层(或称为输出适配模型),可以通过少量的波束预测模型支持系统的多样需求,从而可以节省系统开销。其中,该波束预测模型可以称为参考波束预测模型、基础波束预测模型。该少量的个数不做限制,例如可以是2个、3个、5个、6个、8个或者其他可能的数值,不予限定。
图7所示通过四个场景分别说明本公开提供的方法。
场景一:稀疏波束图样与波束预测模型匹配。
类似图4中的S401和S402,发送端利用图样A发送参考信号,时分地扫描图样A中的16个波束。接收端根据参考信号测量量和波束预测模型,预测得到全波束中的Top-K1的波束索引。其中,图7以全波束包括64个波束,K1=5为例示出。即,与图7中的波束预测模型匹配的稀疏波束图样为图样A,波束预测模型匹配的的输出为全波束中的Top-5个波束的索引。
场景二:稀疏波束图样(输入格式)与波束预测模型不匹配。
场景二对应的方法可以描述为:接收端利用输入适配层将参考信号测量量映射为输入适配信息,其中,参考信号测量量对应的波束图样为第一波束图样,适配信息对应于第二波束图样,所述第一波束图样和所述第二波束图样不同;接收端利用波束预测模型得到第一波束预测结果,其中,波束预测模型的输入包括适配信息。或者,场景二对应的方法可以描述为:接收端利用输入适配层将参考信号测量量映射为输入适配信息,其中,参考信号测量量对应的波束图样为第一波束图样;接收端利用波束预测模型得到第一波束预测结果,其中,波束预测模型的输入包括适配信息,波束预测模型的输入与第二波束图样匹配,所述第一波束图样和所述第二波束图样不同。
本公开中,当描述模型的输入包括某一或某几个特征,如描述波束预测模型的输入包括参考信号测量量或者输入适配信息时,并没有排除模型的输入还可以包括其他特征。
和场景一不同的是,场景二中发送端利用图样B发送参考信号。然而,和波束预测模型匹配的是图样A。因此,发送端获得图样B对应的参考信号测量量后,利用输入适配层将该参考信号测量量映射为输入适配信息。发送端将该输入适配信息输入波束预测模型,输出得到全波束中的Top-K1个波束的索引。
场景三:输出格式与波束预测模型不匹配。
场景三对应的方法可以描述为:接收端将参考信号的测量量输入波束预测模型,得到第一波束预测结果。接收端利用输出适配层将第一波束预测结果映射为第二波束预测结果。
和场景一不同的是,场景三中要求的波束预测结果为Top-K2,如Top-5波束的索引。然而,和波束预测模型匹配的波束预测结果为Top-K1,如Top-3波束的索引。因此,发送端利用波束预测模型推理得到Top-5波束索引后,利用输出适配层将Top-5波束索引映射为Top-3波束索引。
场景四:稀疏波束图样(输入格式)、输出格式与波束预测模型不匹配。
场景四可以理解为场景二和场景三的结合。场景四对应的方法可以描述为:接收端利用输入适配层将参考信号测量量映射为输入适配信息,其中,参考信号测量量对应的波束图样为第一波束图样,适配信息对应于第二波束图样,第一波束图样和所述第二波束图样不同;接收端利用波束预测模型得到第一波束预测结果,其中,波束预测模型的输入包括适配信息,并利用输出适配层将第一波束预测结果映射为第二波束预测结果。或者,场景四对应的方法还可以描述为:接收端利用输入适配层将参考信号测量量映射为输入适配信息,其中,参考信号测量量对应的波束图样为第一波束图样;接收端利用波束预测模型得到第一波束预测结果,其中,波束预测模型的输入包括适配信息,波束预测模型的输入与第二波束图样匹配,第一波束图样和所述第二波束图样不同;接收端利用输出适配层将第一波束预测结果映射为第二波束预测结果。
本公开中,输入适配层主要用于将参考信号的测量量映射为与波束预测模型的输入匹配的格式。本公开不限制输入适配层的名称,例如还可以称为输入适配模型、第一模型或者其他名称。本公开不限制输入适配层的结构。可选的,所述输入适配层的结构为神经网络。例如,输入适配层包括以下至少一项:一个或多个全连接层、一个或多个CNN层、或一个或多个RNN层。图8所示为输入适配层的一种可能的结构。例如,输入适配层的输入维度可以表示为[Nin,Nsc],输出维度可以表示为[Nout,Nsc],其中Nin为映射前稀疏波束图样中赋型波束的个数,Nout为与波束预测模型匹配的稀疏波束图样中赋型波束的个数,Nsc为参考信号占据的资源个数,例如子载波个数或者资源元素(resource element,RE)个数。Nin、Nout和Nsc为正整数。Nin和Nout的取值可以相同,例如分别对应图6所示的图样1和图样2,或者,Nin和Nout的取值可以不同,例如分别对应图6所示的图样3和图7所示的图样A。可选的,当Nin和Nout分别对应图6所示的图样3和图7所示的图样A,由于图6所示的图样3中的扫描波束包括了图7所示的图样A所示的扫描波束,输入适配层可以通过执行下采样操作来进行适配。
本公开中,波束预测模型主要根据参考信号测量量预测波束预测结果。下文以波束预测结果是全波束中的最优波束为例进行描述。如前文所述,针对小区中的不同终端设备,全波束图样可以是相同的,或者可以是不同的,不予限制。例如,全波束图样为小区级信息,则对于小区中的不同终端设备是相同的。或者,全波束图样为终端设备级信息或者终端设备组级信息,则对于小区中的不同终端设备可能是不同的。可扩展地,本公开的波束预测模型还可以预测其他类型的结果,原理是类似的。例如可以预测全波束的波束子集中的最优波束、全波束的最优波束子集、全波束或全波束的子集中测量量低于门限的波束、或全波束或全波束的子集中测量量高于门限的波束,不予限制。本公开不限制波束预测模型的名称,例如还可以称为第二模型或者其他名称。
本公开中,输出适配层主要用于将第一波束预测结果映射为第二波束预测结果,例如将Top-K1波束索引映射为Top-K2波束索引。其中,K1和K2为正整数,K1和K2的取值不同。本公开不限制输出适配层的名称,例如还可以称为输出适配模型、第三模型或者其他名称。本公开不限制输出适配层的结构。可选的,所述输出适配层的结构为神经网络。例如,输出适配层包括以下至少一项:一个或多个全连接层、CNN层、或RNN层。图9所示为输出适配层的一种可能的结构。输出适配层的输入为第一波束预测结果:例如Top-K1波束索引,输出为第二波束预测结果:例如Top-K2波束索引。
图10所示为本公开提供的一种具体的波束预测流程。其中,该流程以发送端为接入网设备,接收端为终端设备为例进行描述。当网络侧天线个数或者天线端口数远大于终端侧时,其赋型波束个数也会远大于终端侧的波束个数,在网络侧做波束稀疏扫描带来的潜在开销和时延降低的空间更大。当然,如前文所述,本公开中发送端也可以为终端设备,接收端为接入网设备,以进行终端设备侧的波束管理。
可选的,1001,终端设备向接入网设备上报能力信息。
终端设备可以基于接入网设备的查询请求,或者在接入网络时主动向接入网设备上报能力信息,本公开不限制终端设备上报能力信息的具体时间或者具体触发事件。
终端设备可以向接入网设备上报以下能力信息中的至少一项:
终端设备是否支持运行机器学习模型或者是否具有AI能力;
终端设备设备支持的机器学习模型类型,例如终端设备可以上报其支持以下至少一类机器学习模型:CNN、RNN或随机森林模型等;
终端设备可用于存储机器学习模型的内存空间大小;
终端设备的算力信息,用于指示以下至少一项:
■终端设备运行模型的计算能力,例如终端设备的以下至少一项:处理器的运算速度、或处理器能够处理的数据量大小等信息;或,
■终端设备的能耗信息,例如终端设备的以下至少一项:芯片的运行功耗、或电池容量;
终端设备的硬件信息,包括但不限于以下至少一项:天线信息(如天线个数、和/或极化方向等)、或射频通道;
终端设备已存储的波束预测模型。
当终端设备支持运行机器学习模型时或具有AI能力时,接入网设备可以向终端设备配置AI模型,从而可以运行本公开的方法。接入网设备根据终端设备支持的机器学习模型类型、用于存储机器学习模型的内存空间大小、算力信息、和硬件信息等,可以为终端设备配置合适的AI模型。接入网设备根据终端设备已存储的波束预测模型,可以了解终端设备侧已有的波束预测模型、和/或可以确定是否还需要为终端设备配置新的波束预测模型等。
S1001是可选步骤,例如当协议约定了终端设备的某项能力时,终端设备无需通过S1001上报该项能力。或者,当终端设备之前已经向接入网设备上报过某项能力,且该项能力信息相对固定时,在一次具体的波束预测过程中,终端设备可以无需再次通过S1001上报该项能力。
可选的,S1002,接入网设备向终端设备发送波束预测模型的信息。
一种可能的实现中,由协议约定终端设备的波束预测模型。此时,无需通过S1002由接入网设备向终端设备配置波束预测模型。可选的,针对不同的终端设备,协议约定的波束预测模型可以相同,也可以不同,不予限制。
一种可能的实现中,接入网设备可以向终端设备发送波束预测模型的信息。其中,该波束预测模型用于该终端设备预测波束。该信息用于指示该波束预测模型的具体结构信息。可选的,接入网设备为不同终端设备配置的波束预测模型可以相同,也可以不同,不予限制。
本公开中,如果波束预测模型的结构为神经网络,波束预测模型的信息可以包括以下至少一项信息:该模型的索引(或标识)、模型的结构参数(例如神经网络层数、神经网络宽度、层间的连接关系、神经元的权值、神经元的激活函数、或激活函数中的偏置中的至少一项)、模型的输入参数(例如输入参数的类型和/或输入参数的维度)、或模型的输出参数(例如输出参数的类型和/或输出参数的维度)。
本公开中,接入网设备向终端设备发送信息的方式可以是广播或者多播,不予限制。不同信息的发送方式可以相同,也可以不同,不予限制。
本公开中,接入网设备向终端设备指示的模型可以是接入网设备训练得到的,例如通过近实时RIC、CU、DU或接入网设备中的其他模型训练得到的;或者是接入网设备从第三方网站下载得到的;或者是非实时RIC训练后发送给接入网设备的;或者是OAM训练后发送给接入网设备的;或者是核心网设备训练后发送给接入网设备的,不予限制。
一种可能的实现中,接入网设备可以从多个候选波束预测模型中向终端设备指示一个模型。该多个候选波束预测模型还可以称为候选波束预测模型集合。对于该多个候选波束预测模型中的每个模型,该模型的信息可以是协议约定的,或者是接入网设备预先通过信令发送给终端设备的,不予限制。
方法A1:可以配置E1个稀疏波束图样{F1,F2,…FE1}和E2个候选波束预测模型{S1,S2,…SE2}之间的对应关系。其中,该对应关系可以由协议约定或者由接入网设备预先通过信令通知终端设备。E1和E2为正整数,E2小于或等于E1。例如E1和E2相等,Fi对应Si,i取值为1至E1。该E2个候选波束预测模型可以称为参考波束预测模型、基础波束预测模型或者其他的名称,本公开不做限制。可以由协议约定或者由接入网设备预先通过信令通知终端设备该E2个候选波束预测模型中每个波束预测模型的信息。其中,每个波束预测模型对应一个索引。一个或多个稀疏波束图样可以对应于一个候选波束预测模型。终端设备可以存储{F1,F2,…FE1}和{S1,S2,…SE2}之间的对应关系以及{S1,S2,…SE2}。当接入网设备从该E2个波束预测模型中向终端设备指示一个模型A时,接入网设备可以指示模型A的索引或标识;或者,接入网设备可以指示稀疏波束图样A,该图样A为{F1,F2,…FE1}中的一个图样,则终端设备可以根据{F1,F2,…FE1}和{S1,S2,…SE2}之间的对应关系确定图样A对应的模型A。
方法A2:接入网设备从多个候选波束预测模型,例如E2个候选波束预测模型{S1,S2,…SE2},中向终端设备指示为该终端设备配置的波束预测模型的索引。如表1所述,有5个候选波束预测模型,每个候选波束预测模型对应一个索引,接入网设备可以从该5个索引中向终端设备指示一个索引,从而指示为该终端设备配置的模型。
表1
可选的,S1003,接入网设备向终端设备发送适配层的信息。
接入网设备想要通过上述{F1,F2,…FE1}中的波束图样进行波束管理时,由于这些波束图样存在对应的基础波束预测模型,不需要输入适配层,则无需执行S1003配置输入适配层。或者,接入网设备想要通过上述{F1,F2,…FE1}中的波束图样之外的波束图样进行波束管理时,需要输入适配层,接入网设备可以通过S1003向终端设备发送输入适配层的信息。例如,可以由协议约定输入适配层的信息。此时,无需执行S1003。或者,接入网设备可以将输入适配层的信息发送端终端设备。或者,接入网设备从多个候选的输入适配层中向终端设备指示一个输入适配层。其中,该多个候选的输入适配层中的每个输入适配层的信息可以是协议约定的,或者接入网设备预先通过信令发送给终端设备的,不做限制。
当终端设备的波束预测模型的输出满足需求时,不需要输出适配层进行结果的适配,则无需通过S1003配置输出适配层。当终端设备的波束预测模型的输出不满足需求时,可以由协议约定输出适配层的信息,此时,无需执行S1003配置输出适配层。或者,接入网设备可以将输出适配层的信息发送端终端设备。或者,接入网设备从多个候选的输出适配层中向终端设备指示一个输出适配层。其中,该多个候选的输出适配层中的每个输出适配层的信息可以是协议约定的,或者接入网设备预先通过信令发送给终端设备的,不做限制。
其中,输入适配层和输出适配层可以通过一条消息由接入网设备指示给终端设备,也可以通过两条消息进行指示,本公开不做限制。可选的,输入适配层和输出适配层可以通过两个步骤发送,例如S1003拆分为S1003a和S1003b,S1003a用来发送输入适配层,S1003b用来发送输入适配层。
可选的,输入适配层的结构为神经网络,输入适配层的信息可以包括以下至少一项信息:该模型的索引(或标识)、模型的结构参数(例如神经网络层数、神经网络宽度、层间的连接关系、神经元的权值、神经元的激活函数、或激活函数中的偏置中的至少一项)、模型的输入参数(例如输入参数的类型和/或输入参数的维度)、或模型的输出参数(例如输出参数的类型和/或输出参数的维度)。
可选的,输出适配层的结构为神经网络,输出适配层的信息可以包括以下至少一项信息:该模型的索引(或标识)、模型的结构参数(例如神经网络层数、神经网络宽度、层间的连接关系、神经元的权值、神经元的激活函数、或激活函数中的偏置中的至少一项)、模型的输入参数(例如输入参数的类型和/或输入参数的维度)、或模型的输出参数(例如输出参数的类型和/或输出参数的维度)。
S1004,接入网设备扫描波束。
可能的场景一:
接入网设备利用第二波束图样向终端设备发送参考信号,终端设备根据第二波束图样接收该参考信号,并估计出参考信号的测量量。终端设备可以采用图7所示的场景一的方法,利用S1002中接入网设备为该终端设备配置的波束预测模型,预测出Top-K1波束的索引。此时,第二波束图样是与终端设备的波束预测模型匹配的图样,且要求的波束预测结果和波束预测模型的输出结果匹配。
可选的,可以由协议约定或者由接入网设备通过信令为终端设备配置第二波束图样的索引、或第二波束图样对应的预编码矩阵(码本)的索引。通过该配置,终端设备可以确定第二波束图样。终端设备根据第二波束图样接收该参考信号。
如果接入网设备通过S1002中的方法A1为终端设备配置波束预测模型,第二波束图样为{F1,F2,…FE1}中的一个波束图样,终端设备可以根据第二波束图样、以及E1个稀疏波束图样{F1,F2,…FE1}和E2个候选波束预测模型{S1,S2,…SE2}之间的对应关系,确定该终端设备的波束预测模型。
本公开中,要求的波束预测结果可以是协议约定的、终端设备自行确定的(例如根据信道质量等参数确定的)、或者是接入网设备配置给终端设备的,不予限制。
可能的场景二:
接入网设备利用第一波束图样向终端设备发送参考信号。终端设备根据第一波束图样接收该参考信号,并估计出参考信号的测量量。终端设备可以采用图7所示的场景二的方法,利用S1002中接入网设备为该终端设备配置的波束预测模型,预测出Top-K1波束的索引。此时,第二波束图样是与终端设备的波束预测模型匹配的图样。第一波束图样和第二波束图样不同。第一波束图样与终端设备的波束预测模型不匹配,但要求的波束预测结果和波束预测模型的输出结果匹配。
可选的,可以由协议约定或者由接入网设备通过信令为终端设备配置第一波束图样的索引、或第一波束图样对应的预编码矩阵(码本)的索引。通过该配置,终端设备可以确定第一波束图样。终端设备根据第一波束图样接收该参考信号。
关于为终端设备配置波束预测模型等请参考上述可能的场景一,这里不再赘述。
可能的场景三:
与上述可能的场景一不同的是,在可能的场景三中,要求的波束预测结果和波束预测模型的输出结果不匹配。此时,终端设备采用图7所示的场景三所示的方法,利用输出适配层将Top-K1波束的索引映射为Top-K2的波束索引。
关于第二波束图样、为终端设备配置波束预测模型等请参考上述可能的场景一,这里不再赘述。
可能的场景四:
与上述可能的场景二不同的是,在可能的场景四中,要求的波束预测结果和波束预测模型的输出结果不匹配。此时,终端设备采用图7所示的场景四所示的方法,利用输出适配层将Top-K1波束的索引映射为Top-K2的波束索引。
关于第一波束图样、为终端设备配置输入适配层等请参考上述可能的场景二,这里不再赘述。关于为终端设备配置输出适配层请参考上述可能的场景三,这里不再赘述。
S1005,终端设备反馈波束索引。
终端设备将S1003中得到的满足要求的波束预测结果上报给接入网设备。
图11所示为本公开提供的另一种具体的波束预测流程。在图10所示的流程中,适配层是由接入网设备指示给终端设备的,然而,在图11所示的流程中,适配层是由终端设备训练得到的。
可选的,S1101,终端设备向接入网设备上报能力信息。
同S1001。
可选的,S1002,接入网设备向终端设备发送波束预测模型的信息。
同S1002。
可选的,S1103,接入网设备扫描全波束。可选的,S1104,终端设备训练适配层。
可能的场景一:
类似S1004中可能的场景一,如果接入网设备准备利用第二波束图样和终端设备进行通信,其中,第二波束图样是与终端设备的波束预测模型匹配的图样,且要求的波束预测结果和波束预测模型的输出结果匹配,无需执行S1103和S1104。
关于第二波束图样的配置方法同S1003中的场景一,此处不再赘述。
可能的场景二:
类似S1003中可能的场景二,如果接入网设备准备利用第一波束图样和终端设备进行通信。其中,第二波束图样与终端设备的波束预测模型匹配,第一波束图样与终端设备的波束预测模型不匹配,但要求的波束预测结果和波束预测模型的输出结果匹配。关于第一波束图样的配置方法同S1003中的场景二,此处不再赘述。此时,可以终端设备可以通过图12A所示的方法训练得到输入适配层。
如图12A所示,接入网设备通过S1103进行全波束扫描。
终端设备通过S1104训练输入适配层。
操作1:终端设备根据全波束测量量得到理想波束预测结果。
终端设备根据全波束(共T个波束)图样接收该参考信号,并估计出参考信号的T个第一测量量。终端设备可以获得该T个第一测量量中最优的K1个第一测量量,将该T1个第一测量量对应的K1个波束作为理想的K1个最优波束。
操作2:终端设备利用输入适配层将第一波束图样的稀疏波束测量量映射为输入适配信息,根据输入适配信息和波束预测模型得到实际波束预测结果。
终端设备根据全波束的T个第二测量量,以及全波束图样和稀疏波束图样,可以从该T个第二测量量中提取出稀疏波束图样对应的t个第二测量量,其中,t为稀疏波束图样中需要扫描的波束个数。或者,终端设备根据全波束图样和稀疏波束图样,估计得到稀疏波束的t个第二测量量。其中,第一测量量和第二测量量的类型可以相同,也可以不同。例如,第一测量量和第二测量量可以为RSRP、SINR、估计的信道状态信息(CSI)或者其他可能的测量量,不予限制。例如,二者都是RSRP或者都是CSI,或者其中一个是RSRP另一个是CSI终端设备将t个第二测量量作为输入适配层的输入,类似图7的场景二,得到输入适配信息,再由波束预测模型根据输入适配信息得到Top-K1波束的索引。
操作3:终端设备根据理想波束预测结果和实际波束预测结果训练输入适配层。即,根据理想波束预测结果和实际波束预测结果调整所述输入适配层的参数,使得根据理想波束预测结果和实际波束预测结果之间的差异小于阈值。
终端设备根据上述测量得到的理想的K1个最优波束的索引和波束预测模型输出的Top-K1波束的索引计算损失函数。如果该损失函数满足需求,例如该损失函数指示理想的K1个最优波束的索引(标签)和波束预测模型输出的Top-K1波束的索引之间的差异小于(或小于等于)阈值,则,认为该输入适配层训练完成,训练过程结束,以该输入适配层作为后续实际用于预测波束的输入适配层;否则,更新输入适配层的模型参数,返回上述操作2。
输入适配层的初始模型信息可以是协议约定的,或者是接入网设备指示为终端设备的,不予限制。
可能的场景三:
类似S1003中可能的场景三,如果接入网设备准备利用第二波束图样向终端设备发送参考信号。第二波束图样与终端设备的波束预测模型匹配,但要求的波束预测结果和波束预测模型的输出结果匹配。关于第二波束图样的配置方法同S1003中的场景三,此处不再赘述。此时,可以终端设备可以通过图12B所示的方法训练得到输入适配层。
如图12B所示,接入网设备通过S1103进行全波束扫描。
终端设备通过S1104训练输出适配层。
操作1:终端设备根据全波束测量量得到理想波束预测结果。
终端设备根据全波束(共T个波束)图样接收该参考信号,并估计出参考信号的T个第一测量量。终端设备可以获得该T个第一测量量中最优的K2个第一测量量,将该T1个第一测量量对应的K2个波束作为理想的K2个最优波束。关于第一测量量和第二测量量的介绍同上述12A,此处不再赘述。
操作2:终端设备根据第二波束图样的稀疏波束测量量和波束预测模型得到第一波束预测结果,并利用输出适配层将第一波束预测结果映射为实际波束预测结果。
终端设备根据全波束的T个第二测量量,以及全波束图样和稀疏波束图样,可以从该T个第二测量量中提取出稀疏波束图样对应的t个第二测量量,其中,t为稀疏波束图样中需要扫描的波束个数。或者,终端设备根据全波束图样和稀疏波束图样,估计得到稀疏波束的t个第二测量量。终端设备将t个第二测量量输入波束预测模型,得到Top-K1波束的索引。终端设备将该Top-K1波束的索引输入输出适配层,得到Top-K2波束的索引。
操作3:终端设备根据理想波束预测结果和实际波束预测结果训练输出适配层。即,根据理想波束预测结果和实际波束预测结果调整所述输出适配层的参数,使得根据理想波束预测结果和实际波束预测结果之间的差异小于阈值。
终端设备根据上述测量得到的理想的K2个最优波束的索引和输出适配层输出的Top-K2波束的索引计算损失函数。如果该损失函数满足需求,例如该损失函数指示理想的K2个最优波束的索引(标签)和波束预测模型输出的Top-K2波束的索引之间的差异小于(或小于等于)阈值,则,认为输出适配层已经训练完成,训练过程结束,以该输出适配层作为后续实际用于预测波束的输出适配层;否则,更新输出适配层的模型参数,返回上述操作2。
输出适配层的初始模型信息可以是协议约定的,或者是接入网设备指示为终端设备的,不予限制。
可能的场景四:
类似S1003中可能的场景四,如果接入网设备准备利用第一波束图样向终端设备发送参考信号。其中,第一波束图样与终端设备的波束预测模型不匹配,且要求的波束预测结果和波束预测模型的输出结果匹配。关于第一波束图样的配置方法同S1003中的场景四,此处不再赘述。此时,可以终端设备可以通过图12C所示的方法训练得到输入适配层。
如图12C所示,接入网设备通过S1103进行全波束扫描。
终端设备通过S1104训练输入适配层和/或输出适配层。
操作1:终端设备根据全波束测量量得到理想波束预测结果。
终端设备根据全波束(共T个波束)图样接收该参考信号,并估计出参考信号的T个第一测量量。终端设备可以获得该T个第一测量量中最优的K2个第一测量量,将该K2个第一测量量对应的K2个波束作为理想的K2个最优波束。关于第一测量量和第二测量量的介绍同上述12A,此处不再赘述。
操作2:终端设备利用输入适配信息将第一波束图样的稀疏波束测量量映射为输入适配信息,根据输入适配信息和波束预测模型得到第一波束预测结果,并利用输出适配层将第一波束预测结果映射为实际波束预测结果。
终端设备根据全波束的T个第二测量量,以及全波束图样和稀疏波束图样,可以从该T个第二测量量中提取出稀疏波束图样对应的t个测量量,其中,t为稀疏波束图样中需要扫描的波束个数。或者,终端设备根据全波束图样和稀疏波束图样,估计得到稀疏波束的t个第二测量量。终端设备将t个测量量作为输入适配层的输入,得到输入适配信息,再由波束预测模型根据输入适配信息得到Top-K1波束的索引。终端设备将该Top-K1波束的索引输入输出适配层,得到Top-K2波束的索引。
操作3:终端设备根据理想波束预测结果和实际预测结果训练输入适配层和/或输出适配层。
终端设备根据上述测量得到的理想的K2个最优波束的索引和波束预测模型输出的Top-K2波束的索引计算损失函数。如果该损失函数满足需求,例如该损失函数指示理想的K2个最优波束的索引(标签)和波束预测模型输出的Top-K2波束的索引之间的差异小于(或小于等于)阈值,则,认为该输入适配层和输出适配层训练完成,训练过程结束,以该输入适配层作为后续实际用于预测波束的输入适配层;否则,更新输入适配层和/或输出适配层的模型参数,返回上述操作2。其中,由于更新输入适配层的参数、更新输出适配层的参数、或者二者都更新都有可能引起训练过程的损失函数的值,所以在某一轮训练中,可以更新二者之一或者都更新后返回操作2。
可选的,S1105,终端设备向接入网设备发送训练完成的指示。
通过该指示,接入网设备可以了解到终端设备已经训练完成,可以利用训练完成的输入适配层和/或输出适配层进行波束管理。该步骤是可选的,例如协议约定终端设备完成训练的时间段,或者接入网设备指示终端设备完成训练的时间段,则无需执行S1105。
可选的,S1106,接入网设备扫描波束。可选的,S1107,终端设备反馈波束索引。
类似S1004和S1005,接入网设备和终端设备可以进行稀疏波束扫描,并由终端设备反馈波束索引。其中,S1004和S1005中用到的输入适配层和输出适配层与S1106和S1107中用到的输入适配层和输出适配层的确定方式不同。
可以理解的是,为了实现上述方法中的功能,接入网设备、接入网设备的模块、终端设备和AI功能网元等包括了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本公开描述的各示例的单元及方法步骤,本公开能够以硬件或硬件和计算机软件相结合的形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用场景和设计约束条件。
图13和图14为本公开提供的可能的通信装置的结构示意图。这些通信装置可以用于实现上述方法中接入网设备、接入网设备的模块(如DU、RU、和/或近实时RIC等)、终端设备和AI功能网元等的功能,因此也能实现上述方法所具备的有益效果。
如图13所示,通信装置1300包括处理单元1310和通信单元1320。通信装置1300用于实现前文所示的方法。
当通信装置1300用于实现参考信号接收端的方法时,处理单元1310利用输入适配层将参考信号测量量映射为输入适配信息,其中,参考信号测量量对应的波束图样为第一波束图样;处理单元1310利用波束预测模型得到第一波束预测结果,其中,波束预测模型的输入包括适配信息,波束预测模型的输入与第二波束图样匹配,第一波束图样和第二波束图样不同。其中,参考信号是通过通信单元1320接收的。
或者,当通信装置1300用于实现参考信号接收端的方法时,处理单元1310利用波束预测模型得到第一波束预测结果,其中,波束预测模型的输入包括参考信号测量量,参考信号测量量对应的波束图样为第二波束图样;处理单元1310利用输出适配层将第一波束预测结果映射为第二波束预测结果。其中,参考信号是通过通信单元1320接收的。
或者,当通信装置1300用于实现参考信号接收端的方法时,处理单元1310利用输入适配层将参考信号测量量映射为输入适配信息,其中,参考信号测量量对应的波束图样为第一波束图样;处理单元1310利用波束预测模型得到第一波束预测结果,其中,波束预测模型的输入包括输入适配信息,波束预测模型的输入与第二波束图样匹配,第一波束图样和所述第二波束图样不同;处理单元1310利用输出适配层将第一波束预测结果映射为第二波束预测结果。其中,参考信号是通过通信单元1320接收的。
当通信装置1300用于实现参考信号发送端的方法时,通信单元1320用于发送输入适配层的信息,其中,输入适配层用于对参考信号测量量进行适配得到波束预测模型的输入,参考信号测量量对应的波束图样为第一波束图样,波束预测模型的输入与第二波束图样匹配,第一波束图样和第二波束图样不同。输入适配层的信息是处理单元1310确定的。
或者,当通信装置1300用于实现参考信号发送端的方法时,通信单元1320用于发送输出适配层的信息,其中,输出适配层用于将波束预测模型输出的第一波束预测结果映射为第二波束预测结果,第一波束预测结果和第二波束预测结果不同。输出适配层的信息是处理单元1310确定的。
或者,当通信装置1300用于实现参考信号发送端的方法时,通信单元1320用于发送输入适配层的信息和输出适配层的信息,其中,输入适配层用于对参考信号测量量进行适配得到波束预测模型的输入,参考信号测量量对应的波束图样为第一波束图样,波束预测模型的输入与第二波束图样匹配,第一波束图样和第二波束图样不同,输出适配层用于将波束预测模型输出的第一波束预测结果映射为第二波束预测结果,第一波束预测结果和第二波束预测结果不同。输入适配层的信息和输出适配层的信息是处理单元1310确定的。
有关上述处理单元1310和通信单元1320更详细的功能描述可以参考前文的方法中的相关描述,这里不加赘述。
如图14所示,通信装置1400包括处理器1410和接口电路1420,用于实现前文描述的发送端或接收端的方法。处理器1410和接口电路1420之间相互耦合。可以理解的是,接口电路1420可以为收发器、管脚、输入输出接口或其他通信接口。可选的,通信装置1400还可以包括存储器1430,用于存储以下至少一项:处理器1410执行的指令、处理器1410运行指令所需要的输入数据、或处理器1410运行指令后产生的数据。
可选的,处理器1410运行的指令可以存储在处理器1410中、存储在存储器1430中、和/或由处理器1410从第三方网站下载等,本公开不限制该指令获取的方法。存储器1430中的指令可以是预先存储的,或者是后续加载,或者是处理器1410从第三方网站下载后存储在存储器1430中。
当通信装置1400用于实现上述方法时,处理器1410用于实现上述处理单元1310的功能,接口电路1420用于实现上述通信单元1320的功能。
当上述通信装置为应用于终端设备的芯片时,该终端设备芯片实现上述方法中终端设备的功能。该终端设备芯片从终端设备中的其它模块(如射频模块或天线)接收信息,该信息是接入网设备等发送给终端设备的;或者,该终端设备芯片向终端设备中的其它模块(如射频模块或天线)发送信息,该信息是终端设备发送给接入网设备等的。
当上述通信装置为应用于接入网设备的模块时,该接入网设备模块实现上述方法中接入网设备的功能。该接入网设备模块从接入网设备中的其它模块(如射频模块或天线)接收信息,该信息是终端设备等发送给接入网设备的;或者,该接入网设备模块向接入网设备中的其它模块(如射频模块或天线)发送信息,该信息是接入网设备发送给终端设备等的。这里的接入网设备模块可以是接入网设备的基带芯片,也可以是近实时RIC、CU、DU或其他模块。这里的近实时RIC、CU和DU可以是O-RAN架构下的近实时RIC、CU和DU。
本公开中,处理器可以包括一个或多个处理器,以作为计算设备的组合。处理器可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、或分立硬件组件等,用于实现或者执行本公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
本公开中,接口电路可以包括用于使能与一个或多个计算机设备(例如本公开的网元)通信的任何合适硬件或软件。例如,在一些实施例中,接口电路可以包括用于耦合有线连接的电线或耦合无线连接的无线收发器的端子和/或引脚。在一些实施例中,接口电路可以包括发射器、接收器、收发器和/或天线。该接口可以被配置为使用任何可用的协议(例如第三代合作伙伴计划(3rd generation partnership project,3GPP)标准协议)使能计算机设备(例如本公开的网元)之间的通信。
本公开中,存储器可以使用任何合适的存储技术来实现。例如,存储器可以是处理器和/或计算机可以访问的任何可用存储介质。存储介质的非限制性示例有:随机存取存储器(random access memory,RAM)、只读存储器(read-only memory,ROM)、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)、可移动介质、光盘存储器、磁盘存储介质、磁存储设备、闪存、寄存器、状态存储器、远程安装存储器、本地或远程存储器组件,或任何其他可以携带或存储软件、数据或信息并可由处理器/计算机访问的介质。
本公开中的存储器和处理器可以分开设置,也可以集成在一起。处理器可以从存储器读取信息,存储和/或写入存储器中的信息。存储器可以集成在处理器中。处理器和存储器可以设置在集成电路(例如专用集成电路(application-specific integratedcircuit,ASIC))中。所述集成电路可以设置在本公开的网元或其他网络节点中。
本公开中的指令还可以称为程序,是指广泛意义上的软件。所述软件可以是程序代码、程序、子程序、指令集、代码、代码段、软件模块、应用程序、软件应用程序等。该程序可以在处理器和/或计算机中运行,以执行本公开中描述的各种功能和/或过程。
本公开中的方法可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时,全部或部分地执行本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、接入网设备、终端设备、核心网设备、AI功能网元或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,例如,软盘、硬盘、磁带;也可以是光介质,例如,数字视频光盘;还可以是半导体介质,例如,固态硬盘。该计算机可读存储介质可以是易失性或非易失性存储介质,或可包括易失性和非易失性两种类型的存储介质。
以上所述,仅为本发明的具体示例,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (20)
1.一种波束管理方法,其特征在于,包括:
利用输入适配层将参考信号测量量映射为输入适配信息,其中,所述参考信号测量量对应的波束图样为第一波束图样;
利用波束预测模型得到第一波束预测结果,其中,所述波束预测模型的输入包括所述输入适配信息,所述波束预测模型的输入与第二波束图样匹配,所述第一波束图样和所述第二波束图样不同。
2.一种波束管理方法,其特征在于,包括:
利用波束预测模型得到第一波束预测结果,其中,所述波束预测模型的输入包括参考信号测量量,所述参考信号测量量对应的波束图样为第二波束图样;
利用输出适配层将所述第一波束预测结果映射为第二波束预测结果。
3.一种波束管理方法,其特征在于,包括:
利用输入适配层将参考信号测量量映射为输入适配信息,其中,所述参考信号测量量对应的波束图样为第一波束图样;
利用波束预测模型得到第一波束预测结果,其中,所述波束预测模型的输入包括所述输入适配信息,所述波束预测模型的输入与第二波束图样匹配,所述第一波束图样和所述第二波束图样不同;
利用输出适配层将所述第一波束预测结果映射为第二波束预测结果。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述第一波束预测结果包括所述第一波束图样或所述第二波束图样对应的全波束中的最优K1个波束,其中,K1为正整数。
5.根据权利要求2-4任一项所述的方法,其特征在于,所述第二波束预测结果包括所述第一波束图样或所述第二波束图样对应的全波束中的最优K2个波束,其中,K2为正整数。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述波束预测模型包括于候选波束预测模型集合中,所述候选波束预测模型集合中的每个波束预测模型对应一个波束图样,所述波束预测模型对应于所述第二波束图样。
7.根据权利要求6所述的方法,其特征在于,接收用于指示所述第二波束图样的信息。
8.根据权利要求1-7任一项所述的方法,其特征在于,接收所述输入适配层的信息或所述输出适配层的信息。
9.根据权利要求1-7任一项所述的方法,其特征在于,所述输入适配层或所述输出适配层是通过训练得到的。
10.根据权利要求9所述的方法,其特征在于,所述方法包括:
根据全波束测量量得到理想波束预测结果,利用输入适配层将所述第一波束图样的稀疏波束测量量映射为输入适配信息,根据所述输入适配信息和所述波束预测模型得到实际波束预测结果,根据所述理想波束预测结果和所述实际波束预测结果调整所述输入适配层的参数,使得所述理想波束预测结果和所述实际波束预测结果之间的差异小于阈值;或者,
根据全波束测量量得到理想波束预测结果,根据所述第二波束图样的稀疏波束测量、所述波束预测模型和输出适配层得到实际波束预测结果,根据所述理想波束预测结果和所述实际波束预测结果调整所述输出适配层的参数,使得所述理想波束预测结果和所述实际波束预测结果之间的差异小于阈值;或者,
根据全波束测量量得到理想波束预测结果,利用输入适配层将所述第一波束图样的稀疏波束测量量映射为输入适配信息,根据所述输入适配信息、所述波束预测模型和输出适配层得到实际波束预测结果,根据所述理想波束预测结果和所述实际波束预测结果调整所述输入适配层的参数和所述输出适配层的参数中的至少一种,使得所述理想波束预测结果和所述实际波束预测结果之间的差异小于阈值。
11.一种波束管理方法,其特征在于,包括:
发送输入适配层的信息,其中,所述输入适配层用于对参考信号测量量进行适配得到波束预测模型的输入,所述参考信号测量量对应的波束图样为第一波束图样,所述波束预测模型的输入与第二波束图样匹配,所述第一波束图样和所述第二波束图样不同。
12.一种波束管理方法,其特征在于,包括:
发送输出适配层的信息,其中,所述输出适配层用于将波束预测模型输出的第一波束预测结果映射为第二波束预测结果,所述第一波束预测结果和所述第二波束预测结果不同。
13.根据权利要求11或12所述的方法,其特征在于,还包括:
从候选波束预测模型集合中指示所述波束预测模型,其中,所述候选波束预测模型集合中的每个波束预测模型对应一个波束图样。
14.一种通信装置,其特征在于,用于实现权利要求1-10任一项所述的方法。
15.一种通信装置,其特征在于,包括处理器和存储器,所述存储器和所述处理器耦合,所述处理器用于执行如权利要求1-10任一项所述的方法。
16.一种通信装置,其特征在于,用于实现权利要求11-13任一项所述的方法。
17.一种通信装置,其特征在于,包括处理器和存储器,所述存储器和所述处理器耦合,所述处理器用于执行如权利要求11-13任一项所述的方法。
18.一种通信系统,其特征在于,包括权利要求14或15所述的通信装置,和权利要求16或17所述的通信装置。
19.一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用于存储指令,当所述指令在计算机上运行时,使得所述计算机执行如权利要求1-13任一项所述的方法。
20.一种计算机程序产品,其特征在于,包括指令,当所述指令在计算机上运行时,使得所述计算机执行如权利要求1-13任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211093850.1A CN117693021A (zh) | 2022-09-08 | 2022-09-08 | 一种波束管理方法 |
PCT/CN2023/117583 WO2024051789A1 (zh) | 2022-09-08 | 2023-09-07 | 一种波束管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211093850.1A CN117693021A (zh) | 2022-09-08 | 2022-09-08 | 一种波束管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117693021A true CN117693021A (zh) | 2024-03-12 |
Family
ID=90127085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211093850.1A Pending CN117693021A (zh) | 2022-09-08 | 2022-09-08 | 一种波束管理方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117693021A (zh) |
WO (1) | WO2024051789A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118413454A (zh) * | 2024-06-27 | 2024-07-30 | 新华三人工智能科技有限公司 | 一种网络设备的异常预测方法、装置及电子设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220190883A1 (en) * | 2019-04-17 | 2022-06-16 | Nokia Technologies Oy | Beam prediction for wireless networks |
CN117835259A (zh) * | 2019-05-16 | 2024-04-05 | 北京三星通信技术研究有限公司 | 波束管理方法、装置、电子设备及计算机可读存储介质 |
KR20220103124A (ko) * | 2019-12-03 | 2022-07-21 | 엘지전자 주식회사 | 무선 통신 시스템에서 인공 지능 기반의 빔 관리 방법 및 이에 대한 장치 |
CN112911610B (zh) * | 2021-01-25 | 2022-07-12 | 东南大学 | 一种面向无线通信网络优化的信道波束图样拓展方法 |
CN112512069B (zh) * | 2021-02-02 | 2021-05-28 | 网络通信与安全紫金山实验室 | 基于信道波束图样的网络智能优化方法及装置 |
-
2022
- 2022-09-08 CN CN202211093850.1A patent/CN117693021A/zh active Pending
-
2023
- 2023-09-07 WO PCT/CN2023/117583 patent/WO2024051789A1/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118413454A (zh) * | 2024-06-27 | 2024-07-30 | 新华三人工智能科技有限公司 | 一种网络设备的异常预测方法、装置及电子设备 |
CN118413454B (zh) * | 2024-06-27 | 2024-09-17 | 新华三人工智能科技有限公司 | 一种网络设备的异常预测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2024051789A1 (zh) | 2024-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020080989A1 (en) | Handling of machine learning to improve performance of a wireless communications network | |
US20240211770A1 (en) | Communication method and apparatus | |
EP4443939A1 (en) | Communication method and device | |
WO2024051789A1 (zh) | 一种波束管理方法 | |
US20240171429A1 (en) | Communication method and apparatus | |
WO2024164641A1 (zh) | 一种csi发送和接收方法及装置 | |
WO2024017001A1 (zh) | 模型的训练方法及通信装置 | |
KR20240117116A (ko) | 통신 방법 및 통신 장치 | |
CN115827337A (zh) | 一种模型测试方法及装置 | |
WO2024169600A1 (zh) | 一种通信方法及装置 | |
US20240354591A1 (en) | Communication method and apparatus | |
Hydher et al. | Recent Results of Machine Learning InspiredWireless Communications | |
US20240346384A1 (en) | Communication method and apparatus | |
US20240211769A1 (en) | Communication method and apparatus | |
WO2024008004A1 (zh) | 一种通信方法及装置 | |
WO2024138692A1 (zh) | 空间滤波器预测方法、终端设备及网络设备 | |
WO2023093777A1 (zh) | 一种通信方法及装置 | |
WO2024109682A9 (zh) | 一种用于定位的方法及装置 | |
WO2024046215A1 (zh) | 一种通信方法及装置 | |
WO2024027424A1 (zh) | 一种数据质量度量方法及装置 | |
WO2023088396A1 (zh) | 通信方法及装置 | |
WO2023231881A1 (zh) | 一种模型应用方法及装置 | |
US20240040420A1 (en) | Apparatus and method for reporting csi in wireless communication system | |
CN118509903A (zh) | 一种通信方法及装置 | |
CN116418686A (zh) | 模型的数据处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |