CN117835264A - 通信方法及相关装置 - Google Patents
通信方法及相关装置 Download PDFInfo
- Publication number
- CN117835264A CN117835264A CN202211180894.8A CN202211180894A CN117835264A CN 117835264 A CN117835264 A CN 117835264A CN 202211180894 A CN202211180894 A CN 202211180894A CN 117835264 A CN117835264 A CN 117835264A
- Authority
- CN
- China
- Prior art keywords
- information
- function
- terminal device
- network
- indication 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
- 238000000034 method Methods 0.000 title claims abstract description 142
- 238000004891 communication Methods 0.000 title claims abstract description 128
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 302
- 238000005259 measurement Methods 0.000 claims description 166
- 230000015654 memory Effects 0.000 claims description 40
- 238000003860 storage Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 description 51
- 238000007726 management method Methods 0.000 description 32
- 230000015556 catabolic process Effects 0.000 description 24
- 238000006731 degradation reaction Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 24
- 238000012549 training Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 17
- 230000005540 biological transmission Effects 0.000 description 10
- 230000011664 signaling Effects 0.000 description 10
- 239000013256 coordination polymer Substances 0.000 description 9
- 238000013461 design Methods 0.000 description 9
- 238000011084 recovery Methods 0.000 description 9
- 230000002829 reductive effect Effects 0.000 description 9
- 238000005457 optimization Methods 0.000 description 8
- 230000006835 compression Effects 0.000 description 7
- 238000007906 compression Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 229910044991 metal oxide Inorganic materials 0.000 description 5
- 150000004706 metal oxides Chemical class 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000009849 deactivation Effects 0.000 description 4
- 238000004134 energy conservation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000020411 cell activation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 229910000577 Silicon-germanium Inorganic materials 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 102100022734 Acyl carrier protein, mitochondrial Human genes 0.000 description 1
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 1
- 101000678845 Homo sapiens Acyl carrier protein, mitochondrial Proteins 0.000 description 1
- LEVVHYCKPQWKOP-UHFFFAOYSA-N [Si].[Ge] Chemical compound [Si].[Ge] LEVVHYCKPQWKOP-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 150000003071 polychlorinated biphenyls Chemical class 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供了一种通信方法及相关装置。其中,该方法包括:终端设备接收来自网络设备的人工智能(artificial intelligence,AI)功能的配置信息;根据配置信息确定是否开启AI功能。通过本申请提供的技术方案,可以提升网络性能。
Description
技术领域
本申请涉及无线通信技术领域,尤其涉及一种通信方法及相关装置。
背景技术
近年来,人工智能与无线通信系统融合成为发展趋势。以无线网络大数据为基础,借助人工智能(artificial intelligence,AI)算法有望突破传统模块化系统建模和模型近似带来的性能瓶颈,典型的如信道估计、导频检测、信号均衡以及用户调度。此外,在网络部署和优化方面,AI算法可以在信道状态信息(channel state information,CSI)反馈增强、波束管理、定位精度增强、节能、移动性优化以及负载均衡等方面提升网络性能。
AI模型通常可以部署于基站侧或者终端侧,如何提升AI模型的开启时的网络性能是亟待解决的问题。
发明内容
本申请实施例提供一种通信方法及相关装置,可以提升网络性能。
第一方面,本申请提供了一种通信方法,该方法可以应用于终端设备,也可以应用于终端设备中的装置(例如,芯片,或者芯片系统,或者电路),或者是能够和终端设备匹配使用的装置,下面以应用于终端设备为例进行描述。该方法可以包括:终端设备接收来自网络设备的AI功能的配置信息;根据配置信息确定是否开启AI功能。
在本申请提供的方案中,可以通过网络设备管理终端设备侧AI功能的开启与否,例如根据来自网络设备的配置信息确定是否开启AI功能,可以提升网络侧对网络性能的管控,减少终端设备侧AI功能的开启对网络性能带来的影响。
一种可能的实现方式,AI功能包括至少一种类型的AI功能,不同类型的AI功能对应的网络设备与终端设备协作程度不同。例如,按照网络设备与终端设备的协作程度依次加强,AI功能可以包括level 0 AI协作功能、level 1 AI协作功能和level 2 AI协作功能。
一种可能的实现方式,配置信息包括第一指示信息,第一指示信息用于指示终端设备是否开启AI功能;根据配置信息确定是否开启AI功能,包括:根据第一指示信息确定是否开启AI功能。
一种可能的实现方式,配置信息包括第一条件阈值;根据配置信息确定是否开启AI功能,包括:在终端设备的AI推理结果满足第一条件阈值的情况下,确定开启AI功能。
在本申请提供的方案中,终端设备可以根据第一条件阈值确定是否开启AI功能,例如,终端设备的AI推理结果满足第一条件阈值,则开启AI功能。由终端设备根据AI推理结果判断是否开启AI功能,更符合终端设备的通信状况,判断结果更为准确。
一种可能的实现方式,第一条件阈值包括AI推理结果可信度门限值、AI推理结果与实际测量信息的偏差门限值中的任一项。
一种可能的实现方式,配置信息包括区域信息,区域信息用于指示允许终端设备开启AI功能的区域;根据配置信息确定是否开启AI功能,包括:在所述区域信息所指示的区域内开启AI功能。
在本申请提供的方案中,终端设备可以根据区域信息确定是否开启AI功能,例如,终端设备在所述区域信息所指示的区域内开启AI功能,能够更精准地开启AI功能,节约终端计算资源。
一种可能的实现方式,配置信息还包括区域信息,区域信息用于指示允许终端设备开启AI功能的区域;根据配置信息确定是否开启AI功能,包括:在第一指示信息指示终端设备开启AI功能的情况下,确定在区域信息所指示的区域内开启AI功能。
一种可能的实现方式,在根据配置信息确定开启AI功能的情况下,该通信方法还包括:开启用于实现AI功能的AI模型;接收来自网络设备的测量配置;根据测量配置和AI模型得到AI推理结果;向网络设备发送测量报告,该测量报告包括AI推理结果。
在本申请提供的方案中,在根据配置信息确定开启AI功能的情况下,终端设备开启AI模型,该AI模型可以实现AI功能,根据来自于网络设备的测量配置和AI模型得到AI推理结果,并向网络设备发送包括AI推理结果的测量报告。在网络性能下降的情况下,网络设备可以根据测量报告确定网络性能下降是由于网络侧的测量配置不合理导致的,还是由于终端设备侧的AI推理结果不准确导致的。从而网络设备可以确定网络性能下降的原因,对应地采取策略解决网络性能下降的问题,如调整并重新向终端设备发送测量配置或者向终端设备发送用于指示终端设备关闭AI功能的指示信息,提升网络侧对网络性能的管控,减少终端设备侧AI功能的开启对网络性能带来的影响。
一种可能的实现方式,测量报告还包括第二指示信息、第三指示信息和第四指示信息中的至少一项,其中,第二指示信息用于指示AI推理结果是基于AI模型推理得到的结果,第三指示信息用于指示AI推理结果与实际测量信息是否符合,第四指示信息用于指示AI模型的部署节点信息以及协作等级信息。
在本申请提供的方案中,测量报告不仅可以包括AI推理结果,还可以包括更多上述信息(例如第二指示信息、第三指示信息和第四指示信息),以使网络设备根据更多的信息确定网络性能下降的原因,可以提高网络设备确定网络性能下降的原因的准确性。
一种可能的实现方式,测量报告还包括建议是否关闭AI功能的指示信息、关键性能指标(key performance indicator,KPI)反馈信息中的一项或多项。
在本申请提供的方案中,测量报告不仅可以包括AI推理结果,还可以包括更多上述信息(例如建议是否关闭AI功能的指示信息、KPI反馈信息),以使网络设备根据更多的信息确定网络性能下降的原因,还可以根据来自终端设备的建议确定是否指示终端设备关闭AI功能,从而不仅可以提高网络设备确定网络性能下降的原因的准确性,还可以提高网络侧对网络性能的管控的准确性。
一种可能的实现方式,该通信方法还包括:接收来自网络设备的第五指示信息,第五指示信息用于指示终端设备关闭AI功能;根据第五指示信息关闭AI功能。
在本申请提供的方案中,网络设备接收来自终端设备的测量报告后,可以根据测量报告确定网络性能下降是由于网络侧的测量配置不合理导致的,还是由于终端设备侧的AI推理结果不准确所导致的。一种可能的实现方式,若是由于终端设备侧的AI推理结果不准确导致网络性能下降,网络设备可以向终端设备发送用于指示终端设备关闭AI功能的第五指示信息,终端设备接收来自网络设备的第五指示信息后,根据第五指示信息确定关闭AI功能。终端设备关闭AI功能,转而采用传统测量方法获得测量报告后上报给网络设备用于调整移动性参数,可以使得网络性能的下降有所解决,从而可以提高网络性能。
第二方面,本申请提供了一种通信方法,该方法可以应用于网络设备,也可以应用于网络设备中的装置(例如,芯片,或者芯片系统,或者电路),或者是能够和网络设备匹配使用的装置,下面以应用于网络设备为例进行描述。该方法可以包括:网络设备获取终端设备的AI能力信息,确定终端设备支持AI功能;向终端设备发送AI功能的配置信息,该配置信息用于指示终端设备是否开启AI功能。
在本申请提供的方案中,可以通过网络设备管理终端设备侧AI功能的开启与否,例如根据来自网络设备的配置信息确定是否开启AI功能,可以提升网络侧对网络性能的管控,减少终端设备侧AI功能的开启对网络性能带来的影响。
应理解,第二方面的执行主体可以为网络设备,第二方面的具体内容与第一方面的内容对应,第二方面相应特征以及达到的有益效果可以参考第一方面的描述,为避免重复,此处适当省略详细描述。
一种可能的实现方式,AI功能包括至少一种类型的AI功能,不同类型的AI功能对应的网络设备与终端设备协作程度不同。
一种可能的实现方式,配置信息包括第一指示信息,第一指示信息用于指示终端设备是否开启AI功能。
一种可能的实现方式,配置信息包括第一条件阈值。
一种可能的实现方式,第一条件阈值包括AI推理结果可信度门限值、AI推理结果与实际测量信息的偏差门限值中的任一项。
一种可能的实现方式,配置信息包括区域信息,区域信息用于指示允许终端设备开启AI功能的区域。
一种可能的实现方式,在配置信息用于指示终端设备开启AI功能的情况下,该通信方法还包括:向终端设备发送测量配置;接收来自终端设备的测量报告,该测量报告包括AI推理结果,该AI推理结果根据测量配置和用于实现AI功能的AI模型得到。
一种可能的实现方式,测量报告还包括第二指示信息、第三指示信息和第四指示信息中的至少一项,其中,第二指示信息用于指示AI推理结果是基于AI模型推理得到的结果,第三指示信息用于指示AI推理结果与实际测量信息是否符合,第四指示信息用于指示AI模型的部署节点信息以及协作等级信息。
一种可能的实现方式,测量报告还包括建议是否关闭AI功能的指示信息、KPI反馈信息中的一项或多项。
一种可能的实现方式,该通信方法还包括:向终端设备发送第五指示信息,第五指示信息用于指示终端设备关闭AI功能。
第三方面,本申请提供了一种通信方法,该方法可以应用于终端设备,也可以应用于终端设备中的装置(例如,芯片,或者芯片系统,或者电路),或者是能够和终端设备匹配使用的装置,下面以应用于终端设备为例进行描述。该方法可以包括:开启用于实现AI功能的AI模型;接收来自网络设备的测量配置;根据测量配置和AI模型得到AI推理结果;向网络设备发送测量报告,该测量报告包括AI推理结果。
在本申请提供的方案中,终端设备可以不依赖于来自网络设备的配置信息,自行开启用于实现AI功能的AI模型。开启AI功能后,将包括AI推理结果的测量报告进行上报,在网络性能下降的情况下,网络设备可以根据测量报告确定网络性能下降是由于网络侧的测量配置不合理导致的,还是由于终端设备侧的AI推理结果不准确导致的。从而网络设备可以确定网络性能下降的原因,对应地采取策略解决网络性能下降的问题,如调整并重新向终端设备发送测量配置或者向终端设备发送用于指示终端设备关闭AI功能的指示信息,提升网络设备对网络性能的管控,可以减少终端设备侧AI功能的开启对网络性能带来的影响。
一种可能的实现方式,测量报告还包括第二指示信息、第三指示信息和第四指示信息中的至少一项,其中,第二指示信息用于指示AI推理结果是基于AI模型推理得到的结果,第三指示信息用于指示AI推理结果与实际测量信息是否符合,第四指示信息用于指示AI模型的部署节点信息以及协作等级信息。
在本申请提供的方案中,测量报告不仅可以包括AI推理结果,还可以包括更多上述信息(例如第二指示信息、第三指示信息和第四指示信息),以使网络设备根据更多的信息确定网络性能下降的原因,可以提高网络设备确定网络性能下降的原因的准确性。
一种可能的实现方式,测量报告还包括建议是否关闭AI功能的指示信息、KPI反馈信息中的一项或多项。
在本申请提供的方案中,测量报告不仅可以包括AI推理结果,还可以包括更多上述信息(例如建议是否关闭AI功能的指示信息、KPI反馈信息),以使网络设备根据更多的信息确定网络性能下降的原因,还可以根据来自终端设备的建议确定是否指示终端设备关闭AI功能,从而不仅可以提高网络设备确定网络性能下降的原因的准确性,还可以提高网络侧对网络性能的管控的准确性。
一种可能的实现方式,该通信方法还包括:接收来自网络设备的第五指示信息,第五指示信息用于指示终端设备关闭AI功能;根据第五指示信息关闭AI功能。
在本申请提供的方案中,网络设备接收来自终端设备的测量报告后,可以根据测量报告确定网络异常或网络性能下降是由于网络侧的配置不合理导致的,还是由于终端设备侧的AI推理结果不准确所导致的。一种可能的实现方式,若是由于终端设备侧的AI推理结果不准确导致网络性能下降,网络设备可以向终端设备发送用于指示终端设备关闭AI功能的第五指示信息,终端设备接收来自网络设备的第五指示信息后,根据第五指示信息确定关闭AI功能。终端设备关闭AI功能,转而采用传统测量方法获得测量报告后上报给网络设备用于调整移动性参数,可以使得网络性能的下降有所解决,从而可以提高网络性能。
第四方面,本申请提供了一种通信方法,该方法可以应用于网络设备,也可以应用于网络设备中的装置(例如,芯片,或者芯片系统,或者电路),或者是能够和网络设备匹配使用的装置,下面以应用于网络设备为例进行描述。该方法可以包括:向终端设备发送测量配置;接收来自终端设备的测量报告,该测量报告包括AI推理结果,AI推理结果根据上述测量配置和用于实现AI功能的AI模型得到。
在本申请提供的方案中,终端设备可以不依赖于来自网络设备的配置信息,自行开启用于实现AI功能的AI模型。开启AI功能后,将包括AI推理结果的测量报告进行上报,在网络性能下降的情况下,网络设备可以根据测量报告确定网络性能下降是由于网络侧的测量配置不合理导致的,还是由于终端设备侧的AI推理结果不准确导致的。从而网络设备可以确定网络性能下降的原因,对应地采取策略解决网络性能下降的问题,如调整并重新向终端设备发送测量配置或者向终端设备发送用于指示终端设备关闭AI功能的指示信息,提升网络设备对网络性能的管控,可以减少终端设备侧AI功能的开启对网络性能带来的影响。
应理解,第四方面的执行主体可以为网络设备,第四方面的具体内容与第三方面的内容对应,第四方面相应特征以及达到的有益效果可以参考第三方面的描述,为避免重复,此处适当省略详细描述。
一种可能的实现方式,测量报告还包括第二指示信息、第三指示信息和第四指示信息中的至少一项,其中,第二指示信息用于指示AI推理结果是基于AI模型推理得到的结果,第三指示信息用于指示AI推理结果与实际测量信息是否符合,第四指示信息用于指示AI模型的部署节点信息以及协作等级信息。
一种可能的实现方式,测量报告还包括建议是否关闭AI功能的指示信息、KPI反馈信息中的一项或多项。
一种可能的实现方式,该通信方法还包括:向终端设备发送第五指示信息,第五指示信息用于指示终端设备关闭AI功能。
第五方面,本申请实施例提供一种通信装置,该通信装置可以为终端设备,也可以为终端设备中的装置(例如,芯片,或者芯片系统,或者电路),还可以应用于能实现全部或部分终端设备功能的逻辑模块或软件。所述通信装置具有实现上述第一方面的方法实例中行为的功能。例如,一种可能的实现方式,该通信装置包括:
接收单元,用于接收来自网络设备的AI功能的配置信息;
处理单元,用于根据配置信息确定是否开启AI功能。
所述功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。有益效果可以参见第一方面的描述,此处不再赘述。
第六方面,本申请实施例提供一种通信装置,该通信装置可以为网络设备,也可以为网络设备中的装置(例如,芯片,或者芯片系统,或者电路),还可以应用于能实现全部或部分网络设备功能的逻辑模块或软件。所述通信装置具有实现上述第二方面的方法实例中行为的功能。例如,一种可能的实现方式,该通信装置包括:
获取单元,用于获取终端设备的AI能力信息,确定终端设备支持AI功能;
发送单元,用于向终端设备发送AI功能的配置信息,该配置信息用于指示终端设备是否开启AI功能。
所述功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。有益效果可以参见第二方面的描述,此处不再赘述。
第七方面,本申请实施例提供一种通信装置,该通信装置可以为终端设备,也可以为终端设备中的装置(例如,芯片,或者芯片系统,或者电路),还可以应用于能实现全部或部分终端设备功能的逻辑模块或软件。所述通信装置具有实现上述第三方面的方法实例中行为的功能。例如,一种可能的实现方式,该通信装置包括:
处理单元,用于开启用于实现AI功能的AI模型;
接收单元,用于接收来自网络设备的测量配置;
处理单元,还用于根据测量配置和AI模型得到AI推理结果;
发送单元,用于向网络设备发送测量报告,该测量报告包括AI推理结果。
所述功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。有益效果可以参见第三方面的描述,此处不再赘述。
第八方面,本申请实施例提供一种通信装置,该通信装置可以为网络设备,也可以为网络设备中的装置(例如,芯片,或者芯片系统,或者电路),还可以应用于能实现全部或部分网络设备功能的逻辑模块或软件。例如,一种可能的实现方式,该通信装置包括:
发送单元,用于向终端设备发送测量配置;
接收单元,用于接收来自终端设备的测量报告,该测量报告包括AI推理结果,AI推理结果根据上述测量配置和用于实现AI功能的AI模型得到。
所述通信装置具有实现上述第四方面的方法实例中行为的功能。所述功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。有益效果可以参见第四方面的描述,此处不再赘述。
第九方面,提供了一种通信装置,该通信装置可以为终端设备,也可以为终端设备中的装置(例如,芯片,或者芯片系统,或者电路)。该装置可以包括处理器、存储器、输入接口和输出接口,所述输入接口用于接收来自所述通信装置之外的其它通信装置的信息,所述输出接口用于向所述通信装置之外的其它通信装置输出信息,所述处理器调用所述存储器中存储的计算机程序执行第一方面或第一方面的任一实施方式、第三方面或第三方面的任一实施方式提供的通信方法。
第十方面,提供了一种通信装置,该通信装置可以为网络设备,也可以为网络设备中的装置(例如,芯片,或者芯片系统,或者电路)。该装置可以包括处理器、存储器、输入接口和输出接口,所述输入接口用于接收来自所述通信装置之外的其它通信装置的信息,所述输出接口用于向所述通信装置之外的其它通信装置输出信息,所述处理器调用所述存储器中存储的计算机程序执行第二方面或第二方面的任一实施方式、第四方面或第四方面的任一实施方式提供的通信方法。
第十一方面,本申请提供了一种通信系统,该通信系统包括至少一个终端设备和至少一个网络设备,当至少一个前述的终端设备和至少一个前述的网络设备在该通信系统中运行时,用于执行上述第一方面至第四方面所述的任一种通信方法。
第十二方面,本申请提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,当该计算机程序或计算机指令运行时,使得上述第一方面及其任一种可能的实现、第二方面及其任一种可能的实现、第三方面及其任一种可能的实现和第四方面及其任一种可能的实现中所述方法被执行。
第十三方面,本申请提供了一种包括可执行指令的计算机程序产品,当所述计算机程序产品在通信设备上运行时,使得上述第一方面及其任一种可能的实现、第二方面及其任一种可能的实现第三方面及其任一种可能的实现、第四方面及其任一种可能的实现中所述方法被执行。
第十四方面,本申请提供了一种通信装置,该通信装置包括处理器,还可以包括存储器,用于实现上述第一方面及其任一种可能的实现、第二方面及其任一种可能的实现、第三方面及其任一种可能的实现、第四方面及其任一种可能的实现中的方法。该通信装置可以是芯片系统,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。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1是本申请实施例提供的一种网络架构的示意图;
图2是本申请实施例提供的一种网络设备的网络架构示意图;
图3是本申请实施例提供的一种NR中AI功能的应用框架示意图;
图4是本申请实施例提供的一种通信方法的交互示意图;
图5是本申请实施例提供的另一种通信方法的交互示意图;
图6是本申请实施例提供的又一种通信方法的交互示意图;
图7是本申请实施例提供的一种通信装置的结构示意图;
图8是本申请实施例提供的另一种通信装置的结构示意图;
图9是本申请实施例提供的又一种通信装置的结构示意图;
图10是本申请实施例提供的又一种通信装置的结构示意图;
图11是本申请实施例提供的又一种通信装置的结构示意图;
图12是本申请实施例提供的一种终端设备的结构示意图。
具体实施方式
在本申请的描述中,除非另有说明,“/”表示“或”的意思,例如,A/B可以表示A或B。本申请中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。此外,“至少一个”可以指一个或多个,“多个”可以指两个或两个以上。“……中的至少一个”表示所列出的各项及其任意组合,例如,“A、B和C中的至少一项”或“A、B或C中的至少一项”,可以表示:单独存在A,单独存在B,单独存在C,同时存在A和B,同时存在B和C,同时存在A和C,同时存在A、B和C这六种情况。“第一”、“第二”等并不对数量和执行次序进行限定,并且“第一”、“第二”等也不限定一定不同。
需要说明的是,本申请中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被理解为比其他实施例或设计方案更有选或更具优势。确切而言,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。
在本申请的描述中,“指示”可以包括直接指示和间接指示,也可以包括显示指示和隐式指示。将某一信息(如下文所述的指示信息)所指示的信息称为待指示信息,则具体实现过程中,对所述待指示信息进行指示的方式有很多种。例如,可以直接指示所述待指示信息,如指示所述待指示信息本身或者所述待指示信息的索引等。又例如,也可以通过指示其他信息来间接指示待指示信息,指示的其他信息与待指示信息之间存在关联关系。又例如,还可以仅仅指示待指示信息的一部分,而待指示信息的其他部分则是已知的或者提前约定的。另外,还可以借助预先约定(如协议规定)的各个信息的排列顺序来实现对特定信息的指示,从而在一定程度上降低指示开销。
下面先对本申请实施例适用的网络架构进行举例描述。
请参阅图1,图1是本申请实施例提供的一种网络架构的示意图。如图1所示,该网络架构可以包括终端设备101、网络设备102和核心网设备103。其中,终端设备101可以通过无线方式与网络设备102相连,并可以通过网络设备102接入到核心网设备103中。终端设备101可以是固定位置的,也可以是可移动的。
本申请实施例的技术方案可以应用于各种通信系统,例如:全球移动通信系统(global system for mobile communication,GSM)系统、码分多址(code divisionmultiple access,CDMA)系统、宽带码多分址(wideband code division multipleaccess,WCDMA)系统、通用分组无线业务(general packet radio service,GPRS)、LTE系统、LTE频分双工(frequency division duplex,FDD)系统、LTE时分双工(time divisionduplex,TDD)系统、通用移动通信(universal mobile telecommunications system,UMTS)系统、增强型数据速率GSM演进(enhanced data rate for GSM evolution,EDGE)系统、全球互联微波接入(worldwide interoperability for microwave access,WiMAX)系统。本申请实施例的技术方案还可以应用于其他通信系统,例如公共陆地移动网络(public landmobile network,PLMN)系统,高级的长期演进(LTE advanced,LTE-A)系统、5G系统、NR系统、机器与机器通信(machine to machine,M2M)系统、或者未来演进的其它通信系统等,本申请实施例对此不作限定。
终端设备101,是用户侧的一种用于接收或发射信号的实体,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(如轮船等);还可以部署在空中(例如飞机、气球和卫星上等)。所述终端设备可以是手机(mobile phone)、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、远程医疗(telemedicine)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、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,以及还可以是用户设备(user equipment,UE)等。
网络设备102,可以是用于发射或接收信号的实体,可以是用于与终端设备通信的设备,该网络设备可以是全球移动通信(global system for mobile communications,GSM)系统或码分多址(code division multiple access,CDMA)中的基站(basetransceiver station,BTS),也可以是宽带码分多址(wideband code division multipleaccess,WCDMA)系统中的基站(NodeB,NB),还可以是LTE系统中的演进型基站(evolvedNodeB,eNB或eNodeB),还可以是云无线接入网络(cloud radio access network,CRAN)场景下的无线控制器,或者该网络设备可以为中继站、接入点、车载设备、可穿戴设备以及5G网络中的网络设备或者未来演进的PLMN网络中的网络设备等,本申请实施例并不限定。网络设备可以是无线网络中的设备,例如将终端接入到无线网络的无线接入网(radioaccess network,RAN)节点。目前,一些RAN节点的举例为:基站、下一代基站(nextgeneration Node B,gNB)、发送接收点(transmission reception point,TRP)、eNB、家庭基站、基带单元(baseband unit,BBU),或WiFi系统中的接入点(access point,AP)等。在本申请提供的网络结构中,网络设备可以是包括集中单元(centralized unit,CU)节点、或分布单元(distributed unit,DU)节点、或包括CU节点和DU节点的RAN设备。
操作维护管理(operation administration and maintenance,OAM)是指根据运营商网络运营的实际需要,通常将网络的管理工作划分为3大类:操作(operation)、管理(administration)、维护(maintenance)。操作主要完成日常网络和业务进行的分析、预测、规划和配置工作;维护主要是对网络及其业务的测试和故障管理等进行的日常操作活动,OAM可以检测网络运行状态、优化网络连接和性能,提升网络运行稳定性,降低网络维护成本。
AI模型为具备机器学习计算能力的模块。在无线通信系统中,AI模块可位于OAM中,也可位于网络设备中,若网络设备采用CU-DU分离架构,AI模块可以位于CU中,AI模块也可以位于UE中,也可以单独成为一个网元实体,如RAN侧智能控制中心(RAN IntelligentController,RIC)。AI模块在无线通信系统中主要功能为根据输入数据(在无线通信系统中,输入数据一般指RAN侧提供的、或OAM监测的网络运行数据,例如网络负载、信道质量等),进行模型建立、训练逼近、强化学习等一系列AI计算。AI模块提供的已训练完成的模型,具备针对RAN侧网络变化的预测功能,通常可以用于负载预测,UE轨迹预测等。此外,AI模块还可以根据训练完成的模型对RAN网络性能的预测结果,从网络节能、移动性优化等角度进行策略推理,以得到合理高效的节能策略、移动性优化策略等。当AI模块位于OAM中时,其与网络设备的通信,可以复用当前的北向接口;当AI模块位于网络设备或CU中时,可以复用当前的F1、Xn、Uu等接口;当AI模块独立成一个网络实体时,需要重新建立到OAM和RAN侧等的通信链路,例如基于有线链路,或无线链路。
进一步地,请参阅图2,图2是本申请实施例提供的一种网络设备的网络架构示意图。如图2所示,网络设备也可以称为接入网设备,接入网设备可以通过NG接口连接核心网设备(例如可以是LTE核心网,也可以是5G核心网等),接入网设备之间可以通过Xn-C接口连接。其中,网络设备可以采用CU-DU分离结构,CU和DU可以理解为是对基站从逻辑功能角度的划分。CU和DU在物理上可以是分离的也可以是部署在一起的。多个DU可以共用一个CU。一个DU也可以连接多个CU(图中未示出)。CU和DU之间可以通过接口相连,例如可以是F1接口。CU和DU可以根据无线网络的协议层划分。例如其中一种可能的划分方式是:CU用于执行无线资源控制(radio resource control,RRC)层、业务数据适配协议(service dataadaptation protocol,SDAP)层以及分组数据汇聚层协议(packet data convergenceprotocol,PDCP)层的功能,而DU用于执行无线链路控制(radio link control,RLC)层,媒体接入控制(media access control,MAC)层,物理(physical)层等的功能。可以理解对CU和DU处理功能按照这种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。例如,CU或DU还可以划分为具有协议层的部分处理功能。在一种设计中,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。在另一种设计中,还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。在另一种设计中,CU也可以具有核心网的一个或多个功能。一个或者多个CU可以集中设置,也分离设置。例如CU可以设置在网络侧方便集中管理。DU可以具有多个射频功能,也可以将射频功能拉远设置。
CU的功能可以由一个实体来实现也可以由不同的实体实现。例如,可以对CU的功能进行进一步切分,例如,将控制面(control plane,CP)和用户面(user plane,UP)分离,即CU的控制面(CU-CP)和CU用户面(CU-UP)。例如,CU-CP和CU-UP可以由不同的功能实体来实现,并通过E1接口相连,所述CU-CP和CU-UP可以与DU相耦合,共同完成基站的功能。CU的控制面CU-CP还包括一种进一步切分的架构,即把现有的CU-CP进一步切分为CU-CP1和CU-CP2。其中CU-CP1包括各种无线资源管理功能,CU-CP2仅包括RRC功能和PDCP-C功能(即控制面信令在PDCP层的基本功能)。
在本申请实施例中,终端设备或网络设备包括硬件层、运行在硬件层之上的操作系统层,以及运行在操作系统层上的应用层。该硬件层包括中央处理器(centralprocessing unit,CPU)、内存管理单元(memory management unit,MMU)和内存(也称为主存)等硬件。该操作系统可以是任意一种或多种通过进程(process)实现业务处理的计算机操作系统,例如,Linux操作系统、Unix操作系统、Android操作系统、iOS操作系统或windows操作系统等。该应用层包含浏览器、通讯录、文字处理软件、即时通信软件等应用。并且,本申请实施例并未对本申请实施例提供的方法的执行主体的具体结构特别限定,只要能够通过运行记录有本申请实施例的提供的方法的代码的程序,以根据本申请实施例提供的方法进行通信即可,例如,本申请实施例提供的方法的执行主体可以是终端设备或网络设备,或者,是终端设备或网络设备中能够调用程序并执行程序的功能模块。
另外,本申请的各个方面或特征可以实现成方法、装置或使用标准编程和/或工程技术的制品。本申请中使用的术语“制品”涵盖可从任何计算机可读器件、载体或介质访问的计算机程序。例如,计算机可读介质可以包括,但不限于:磁存储器件(例如,硬盘、软盘或磁带等),光盘(例如,压缩盘(compact disc,CD)、数字通用盘(digital versatile disc,DVD)等),智能卡和闪存器件(例如,可擦写可编程只读存储器(erasable programmableread-only memory,EPROM)、卡、棒或钥匙驱动器等)。另外,本文描述的各种存储介质可代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可包括但不限于,无线信道和能够存储、包含和/或承载指令和/或数据的各种其它介质。
需要说明的是,图1所示的网络架构中所包含的网络设备、终端设备和核心网设备的数量和类型仅仅是一种举例,本申请实施例并不限制于此。例如,还可以包括更多的或者更少的与网络设备进行通信的终端设备,例如,还可以包括更多的或者更少的与网络设备进行通信的核心网设备。为简明描述,不在附图中一一描述。此外,在如图1所示的网络架构中,尽管示出了网络设备、终端设备和核心网设备,但是该应用场景中可以并不限于包括网络设备、终端设备和核心网设备,例如还可以包括用于承载虚拟化网络功能的设备等,这些对于本领域技术人员而言是显而易见的,在此不再一一赘述。
下面先给出本申请实施例可能出现的技术术语的定义,本申请的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释,而非旨在限定本申请。
(1)AI功能
请参阅图3,图3是本申请实施例提供的一种NR中AI功能的应用框架示意图。如图3所示,数据采集(data collection)存储可以来自包括网络设备,CU,DU,终端设备或其它管理实体在内的数据输入,作为AI模型训练和数据分析推理的数据库。模型训练(modeltraining)通过对数据采集提供的训练数据(training data)进行分析,给出最优的AI模型。模型推理(model inference)使用AI模型,基于数据采集提供的数据,对网络运行给出基于AI的合理推测,或是指导网络做出策略调整。相关的策略调整,由触发执行实体(Actor)负责执行。同时,应用了相关策略后,网络的具体表现,例如各种性能参数,会被再次输入到数据库存储起来。
(2)AI模型的协作等级(collaboration level)
考虑到AI模型的部署,以及终端设备与网络设备之间的交互,可能的协作等级(collaboration level)可以分为三种:Level 0 AI协作功能(简称为Level 0),Level 1AI协作功能(简称为Level 1),Level 2 AI协作功能(简称为Level 2)。
Level 0:也称为无协作(No collaboration)。在Level 0中,网络设备的AI模型对终端设备完全不可见,AI模型的训练和推理都在网络设备内部完成,不会在空口向终端设备发送模型的信息或模型实例的信息。
Level 1:也称为无模型交互的基于信令的协作(signaling-basedcollaboration without model transfer)。在Level 1中,一种可能的实现方式下,网络设备向终端设备发送AI模型的实例,即字典,终端设备使用该字典协助网络设备进行AI推理,对空口有影响。终端设备根据该字典进行信道压缩编码。可选的,终端设备内部也可以部署有AI模型,当终端设备部署有AI模型,则终端设备根据该AI模型以及从网络设备收到的字典,进行信道压缩编码。终端设备和网络设备可以联合训练模型,例如通过联邦学习方式训练模型。终端设备与网络设备在空口上不会直接传递模型,但可以传递模型参数、权值等。
Level 2:也称为有模型交互的基于信令的协作(signaling-basedcollaboration with model transfer)。在Level 2中,网络设备与终端设备均部署有AI模型,都可以进行推理,且空口上可以交互AI模型的信息。Level 2与Level 1的区别包括:Level 2在空口上可以传递AI模型的信息。
可以理解,上述Level 0/1/2名称仅为示意,例如Level 0也可以用Level x表示,Level 1也可以用Level y表示,Level 2也可以用Level z表示,本申请对此不做限定。
(3)AI应用案例(use case)
AI应用案例也称为AI应用场景或AI功能。AI应用案例包括但不限于:信道状态信息(channel status information,CSI)反馈增强(CSI feedback enhancement)、波束管理增强(beammanagement enhancement)、定位增强(positioning accuracy enhancement)、网络节能(network energy saving)、负载均衡(load balancing)、移动性优化(mobilityoptimization)。下面分别说明。示例性的,一个AI功能可以包括多个AI子功能。
1、CSI反馈增强
CSI是通信链路的信道属性,是终端设备上报给网络设备的信道质量信息,终端设备通过将信道质量信息上报给网络设备,以便为终端设备选择合适的调制与编码策略(modulation and coding scheme,MCS),从而可以适应变换的无线信道。例如终端设备根据接收的信道状态信息参考信号(channel state information-reference signal,CSI-RS)做信道估计,然后反馈信道质量信息给网络设备,该信息作为网络设备的模型的输入,以使网络设备实现AI模型训练。通过将AI应用到CSI反馈增强,可以减少开销、提高精度以及实现预测等。
CSI-RS反馈增强可以包括至少一个子功能,比如分别为:CSI压缩,CSI预测,CSI-RS配置信令减少。其中,CSI压缩又可以分为在空域、时域和频域至少一种域上的CSI压缩。
2、波束管理增强
BM主要是要发现最强的发射/接收波束对(beam pair)。基于AI的稀疏波束预测,可以提升准确度。根据AI训练和推理,可以分为网络侧的AI稀疏波束预测和终端设备侧的AI稀疏波束预测。以终端设备侧的AI稀疏波束预测为例,终端设备侧的预先训练好的AI模型可以是网络侧下发的,也可以是终端设备侧预先存储的。在训练阶段,网络设备扫描所有可能的波束,然后网络上报需要将发射波束图样告诉终端设备。当模型训练完成时,网络只需要扫描一小部分波束,随后终端设备反馈推理结果给网络。基于AI的波束管理,可以实现例如时间和/或空间域中的波束预测,以减少开销和延迟,提高波束选择精度。
波束管理增强可以包括至少一个子功能,比如分别为:波束扫描矩阵预测、最优波束预测。
3、定位增强
在视线传输(line of sight,LOS)或非视线传输(not line of sight,NLOS)的场景中,基于AI的定位,可以在较少数量的TRP天线下改进定位准确度。定位增强可以包括至少一个子功能,比如分别为:基于接入网设备的定位增强、基于定位管理功能网元的定位增强、基于终端设备的定位增强。
4、网络节能
网络节能可以通过小区激活/去激活(cell activation/deactivation)、减少负载、改进覆盖或者其它RAN设置调整。AI技术可用于通过利用在RAN网络中收集的数据来优化节能决策。AI算法可以预测下一个周期的能效和负载状态,这可以用于辅助决策小区激活/去激活,以节省能源。基于预测的负载,系统可以动态配置节能策略,以保持系统性能和能效之间的平衡,并降低能耗。
5、负载均衡
负载均衡可以使得负载在小区之间和小区内各区域之间均匀分布,或将部分流量从拥塞小区转移,或让用户在一个小区、载波或接入制式上进行分流,以提高网络性能。基于AI模型来提高负载均衡性能,如将终端设备和网络节点的各种测量和反馈、历史数据等输入AI模型来提高负载均衡性能,可以提供更高质量的用户体验,提高系统容量。
6、移动性管理
移动性管理是通过最大限度地减少掉话、无线链路失败(radio link failure,RLF)、不必要的切换和乒乓效应来保证终端设备移动期间业务连续性的方案。基于AI可以增强移动性管理,例如降低意外事件发生的概率、进行终端设备位置/移动性/性能预测以及流量引导等。
(4)无线资源控制(radio resource control,RRC)状态
连接(connected)态:终端设备与网络设备建立RRC连接,可以进行数据传输。
空闲(idle)态:终端设备没有与网络设备建立RRC连接,网络设备没有该终端设备的上下文。如果终端设备需要从空闲态进入连接态,需要发起RRC连接建立过程。
去活动(inactive)态:终端设备之前进入连接态,之后网络设备释放RRC连接,网络设备和终端设备保存了上下文。如果终端设备需要从去活动态进入连接态,需要发起RRC连接恢复过程,RRC恢复过程相对于RRC建立过程,时延更短,信令开销更小。
应理解,上述各个技术术语的定义仅为举例。例如随着技术的不断发展,上述定义的范围也有可能发生变化,本申请各实施例不作限制。
从上述对AI应用案例的描述可知,AI可以广泛用于信道状态信息(channel stateinformation,CSI)反馈增强、波束管理、定位精度增强、节能、移动性优化以及负载均衡等方面以提升网络性能。AI模型通常可以部署于网络侧或者终端侧,如何提升AI模型的开启时的网络性能是亟待解决的问题。
本申请实施例所要解决的技术问题可以包括:(1)如何通过网络设备管理终端设备侧的AI模型的开启/关闭;(2)如何提升网络侧对网络性能的管控,从而可以减少终端设备侧的AI模型开启对网络性能带来的影响。
本申请提出一种通信方法,下面将分别通过如下各实施例进行描述。应理解的是,这些通信方法可以相互结合使用。
应理解的是,AI演进有可能会随着技术方案的演进而发生变化,本申请提供的技术方案并不限于下面描述的过程。进一步地,本申请实施例中对场景的描述仅为举例,并不限定本申请实施例的方案仅能运用为描述场景中,同样适用于存在类似问题的场景等。
本申请实施例(如下述图4-图5对应的实施例)中的终端设备可以是图2所示的网络架构中的终端设备,本实施例中由终端设备执行的功能也可以由终端设备中的装置(例如,芯片,或者芯片系统,或者电路)来执行。本实施例中的网络设备可以是图2所示的网络架构中的网络设备,本实施例中由网络设备执行的功能也可以由网络设备中的装置(例如,芯片,或者芯片系统,或者电路)来执行。本申请实施例在这里做统一说明,后续不再赘述。
需要说明的是,图4-图5是以网络设备向单个终端设备下发配置信息为例进行说明,本实施例不限于单个终端设备,多个终端设备的AI功能开启管理配置以及后续流程,皆可参考如图4-图5所示的流程图。
结合上述的网络架构,下面对本申请实施例提供的一种通信方法进行描述。请参阅图4,图4是本申请实施例提供的一种通信方法的交互示意图。如图4所示,该通信方法可以包括S401-S402。
S401:网络设备向终端设备发送AI功能的配置信息。相应地,终端设备接收来自网络设备的AI功能的配置信息。
其中,AI功能可以包括至少一种类型的AI功能,不同类型的AI功能对应的网络设备与终端设备协作程度不同。可以理解,不同类型的AI功能也可以称为不同的AI协作等级。例如,AI功能可以包括level 0、level 1和level 2,关于AI协作等级的详细介绍可以参考前述相关内容。
配置信息可以来自于核心网设备、网络设备或者是OAM。配置信息可以是网络设备通过RRC重配消息(RRCReconfiguration message)或者RRC释放消息(RRC Releasemessage)向终端设备下发的。
S402:终端设备根据配置信息确定是否开启AI功能。
终端设备接收来自网络设备的AI功能的配置信息后,可以根据配置信息确定是否开启AI功能。终端设备可以支持一种或多种类型的AI功能,例如终端设备可以支持level0,或者终端设备可以支持level 1,或者终端设备可以支持level 2,或者终端设备可以支持level 0和level 1,或者终端设备可以支持level 0、level 1和level 2等等。
终端设备在根据配置信息确定是否开启AI功能时,可以处于RRC连接态,也可以处于RRC空闲态。若终端设备处于RRC连接态,则其可以从RRC重配置消息中获取配置信息,若终端设备处于RRC空闲态,则其可以从RRC释放消息中获取配置信息。
终端设备根据配置信息确定是否开启AI功能可以采用以下任一可能的实现方式:
第一种可能的实现方式:配置信息包括第一指示信息,第一指示信息用于指示终端设备是否开启AI功能。示例性的,第一指示信息可以包含一个或多个比特位,例如采用一个比特位指示终端设备是否开启AI功能,如该比特位取值为“0”,指示终端设备不开启AI功能,该比特位取值为“1”,指示终端设备开启AI功能。又例如,第一指示信息可以是布尔值,例如。若第一指示信息的取值是“True”,指示终端设备开启AI功能;若第一指示信息的取值是“False”,指示终端设备不开启AI功能。
终端设备根据配置信息确定是否开启AI功能,可以理解为,终端设备根据第一指示信息确定是否开启AI功能。例如,第一指示信息是一个比特位,若第一指示信息取值为“0”,终端设备确定不开启AI功能,若第一指示信息取值为“1”,终端设备确定开启AI功能。
第二种可能的实现方式:第一指示信息指示终端设备开启AI功能,终端设备接收到来自网络设备的第一指示信息,确定开启AI功能。如果网络设备确定不指示终端设备开启AI功能,则不向终端设备发送第一指示信息,相应地,若终端设备在预设时间内没有接收的来自网络设备的第一指示信息,则确定不开启AI功能。示例性的,可以在终端设备内设置一个定时器,若该定时器超时,终端设备未收到第一指示信息,则终端设备确定不开启AI功能。
第三种可能的实现方式:配置信息包括第一条件阈值。其中,第一条件阈值可以包括AI推理结果可信度门限值、AI推理结果与实际测量信息的偏差门限值中的任一项。其中:
AI推理结果可信度门限值,可以是一个比例值,可以理解为AI推理结果的准确率门限值,例如AI推理结果的准确率门限值为90%。AI推理结果与实际测量信息的偏差门限值,可以理解为AI推理结果与实际测量信息之间的差的绝对值、方差、均方误差等门限值,AI推理结果与实际测量信息可以包括参考信号接收功率(reference signal receivingpower,RSRP)、参考信号接收质量(reference signal receiving quality,RSRQ)、服务小区的可用信号与干扰加噪声比(signal to interfere plus noise ratio,SINR)、下行速率等中的一项或多项。另外,偏差门限值可以用契合程度门限值替代,契合程度门限值可以是一个比例值,可以理解为,AI推理结果与实际测量信息之间的差的绝对值与偏差门限值越接近,其契合程度越高。
终端设备根据配置信息确定是否开启AI功能,可以理解为,在终端设备的AI推理结果满足第一条件阈值的情况下,终端设备确定开启AI功能,在终端设备的AI推理结果不满足第一条件阈值的情况下,终端设备确定不开启AI功能。
示例性的,第一条件阈值是AI推理结果可信度门限值,假设为90%。终端设备的AI推理结果中包括AI推理的准确率,将其与90%做对比,若大于等于(或者大于)90%,终端设备确定开启AI功能,若小于(或者小于等于)90%,终端设备确定不开启AI功能。
示例性的,第一条件阈值是AI推理结果与实际测量信息的偏差门限值。例如,对于CSI反馈增强而言,AI推理结果与实际测量信息可以是RSRP,如偏差门限值为10dB。若AI推理得到的RSRP与实际测量得到的RSRP之间的差的绝对值小于(或者小于等于)10dB,终端设备确定开启AI功能,若大于(或者大于等于)10dB,终端设备确定不开启AI功能。如AI推理得到的RSRP为-101dB,终端设备实际测量到的RSRP为-90dB,AI推理得到的RSRP与实际测量得到的RSRP之间的差的绝对值为11dB,大于10dB,终端设备确定不开启AI功能。
又例如,对于CSI反馈增强而言,AI推理结果可以是预测的CSI信息,即无需网络设备下发CSI-RS,终端设备可以向网络设备上报预测的CSI信息,网络设备根据接收到的CSI信息确定下发数据的MCS和下行速率。网络设备向终端设备发送该下行速率以及基于经验或统计(legacy)的下行速率与RSRP的对应关系,用于终端设备评估AI推理结果。终端设备根据实际测量的RSRP以及下行速率与RSRP的对应关系可以确定实际测量的RSRP对应的下行速率是多少,假设实际测量的RSRP为-90dB,其对应的下行速率为100M。假设AI推理结果下行速率与实际测量RSRP对应的下行速率之间的偏差门限值为5M,则当终端设备的AI推理结果中的下行速率大于(或者大于等于)95M时,确定开启AI功能,当终端设备的AI推理结果中的下行速率小于(或者小于等于)95M时,确定不开启AI功能。
第四种可能的实现方式:配置信息包括区域信息,该区域信息用于指示允许终端设备开启AI功能的区域。例如,该区域可以包括一个或多个小区。可以理解,有些小区可以支持终端设备开启AI功能,有些小区不支持终端设备开启AI功能,区域信息可以包括网络设备管理范围下的支持终端设备开启AI功能的小区标识列表(cell ID list),跟踪区列表(tracking area,TA list)以及PLMN范围(PLMN wide)等信息。例如,区域信息可以指示cell0、cell1和cell2,表示这些小区可以支持终端设备开启AI功能。
终端设备根据配置信息确定是否开启AI功能,可以理解为,终端设备根据区域信息确定是否开启AI功能。例如,终端设备处于cell0或cell1或cell2时,可以自动开启AI功能。
需要说明的是,在配置信息包括区域信息的情况下,终端设备确定是否开启AI功能,可以不依赖于来自网络设备的指示是否开启AI功能的第一指示信息,即默认区域信息包括的区域支持终端设备开启AI功能,当终端设备处于区域信息指示的区域时,开启AI功能。
第五种可能的实现方式:配置信息包括第一指示信息和区域信息。即网络设备可以向终端设备一起指示第一指示信息和区域信息,第一指示信息和区域信息共同决定终端设备是否开启AI功能。
终端设备根据配置信息确定是否开启AI功能,可以理解为,终端设备根据第一指示信息和区域信息确定是否开启AI功能。例如在第一指示信息指示所述终端设备开启AI功能的情况下,终端设备确定在所述区域信息所指示的区域内开启AI功能。当终端设备处于区域信息所指示的区域内时,若第一指示信息指示终端设备不开启AI功能,则终端设备确定不开启AI功能。
需要说明的是,在配置信息包括第一指示信息和区域信息的情况下,终端设备确定是否开启AI功能,依赖于第一指示信息。即使区域信息指示的区域支持终端设备开启AI功能,当第一指示信息指示开启AI功能,终端设备才能确定开启AI功能。
在本实施例中,可以通过网络设备管理终端设备侧AI功能的开启与否,提升网络侧对网络性能的管控,可以减少终端设备侧AI功能的开启对网络性能带来的影响。
结合上述图4的实施例,下面对本申请实施例提供的另一种通信方法进行描述。应理解,本申请中不同实施例的术语解释可以互相参考,为避免描述冗余,不同实施例可以不对同一术语赘述。请参阅图5,图5是本申请实施例提供的另一种通信方法的交互示意图。如图5所示,该通信方法可以包括S501-S508。其中,S508是可选的步骤。
S501:网络设备获取终端设备的AI能力信息,确定终端设备支持AI功能。
终端设备的AI能力信息可以指的是终端设备是否支持AI功能。终端设备可以支持一种或多种类型的AI功能,关于各种类型的AI功能的描述可以参考前述相关内容。
网络设备可以获取终端设备的AI能力信息。可选地,网络设备还可以获取终端设备的协作等级信息。例如终端设备是否支持AI功能,在支持AI功能的情况下,终端设备支持哪些类型的AI功能,即AI功能的类型可以对应终端设备的协作等级信息。
网络设备可以从终端设备或者OAM获取终端设备的AI能力信息和协作等级信息。例如,终端设备的AI能力信息和协作等级信息可以与终端设备的型号对应,在终端设备与网络设备连接通信时,网络设备可以根据终端设备的型号确定该终端设备的AI能力信息和协作等级信息。或者,网络设备可以向OAM发送请求终端设备的AI能力信息和协作等级信息的请求信息,以获取终端设备的AI能力信息和协作等级信息。
在一个实施方式中,网络设备可以向终端设备发送终端设备能力询问消息(UECapabilityEnquiry message)来询问终端设备的AI能力和协作等级信息(此时终端设备可以处于RRC连接态),终端设备向网络设备发送终端设备能力信息消息(UECapabilityInformation message)来上报其AI能力信息以及协作等级信息,网络设备基于此可以确定终端设备是否支持AI功能以及支持什么协作等级的AI功能,例如确定终端设备支持level 0。一种可能的实现方式,当网络设备为CU-DU分离架构,其CU进一步切分为CU-CP和CU-UP,且CU-CP进一步切分为CU-CP1和CU-CP2时,CU-CP2接收来自终端设备的终端设备能力信息消息,将该消息转发给CU-CP1,然后CU-CP1确认是否终端设备是否支持AI功能以及支持什么协作等级的AI功能。
网络设备获取终端设备的AI能力信息后,可以确定终端设备支持AI功能。
S502:网络设备向终端设备发送AI功能的配置信息。相应地,终端设备接收来自网络设备的AI功能的配置信息。
可以理解,具体步骤S502的描述可以参考上述步骤S401,不加赘述。
S503:终端设备根据配置信息确定是否开启AI功能。
可以理解,具体步骤S503的描述可以参考上述步骤S402,不加赘述。
在终端设备根据配置信息确定开启AI功能的情况下,执行步骤S504。
S504:终端设备开启用于实现AI功能的AI模型。
终端设备支持AI功能,可以通过开启AI模型来实现AI功能。例如,AI功能为CSI压缩,终端设备可以采用自编码器(auto-encoder)AI模型来训练自己的CSI编码器,从而实现CSI压缩的AI功能;又例如,AI功能为负载均衡,则终端设备可以采用基于反向传播的深度神经网络AI模型实现负载均衡的AI功能。
可以理解的,终端设备开启/激活的AI模型可以是至少一个实现AI功能的AI模型。协作等级可以是一种或多种,例如终端设备可以开启level 0,或者终端设备可以开启level 0和level 1,或者终端设备可以开启level 0、level 1和level 2等等。终端设备开启的AI模型可以是原始AI模型,也可以是训练优化后的AI模型。
S505:网络设备向终端设备发送测量配置。相应地,终端设备接收来自网络设备的测量配置。
网络设备可以向终端设备发送测量配置,终端设备可以根据该测量配置进行测量,得到实际测量结果。
示例性的,网络设备可以进行全波束扫描,或者进行同步信号和物理广播信道(physical broadcast channel,PBCH)块(synchronization signal and PBCH block,SSB)波束扫描,得到测量配置。例如对于CSI场景,测量配置可以包括CSI-RS,对于波束管理场景,测量配置可以包括SSB波束扫描,对于定位精度增强场景,测量配置可以包括定位参考信号。
需要说明的是,步骤S505和步骤S501与S502的执行顺序可以不分先后。
S506:终端设备根据测量配置和AI模型得到AI推理结果。
以波束管理增强为例进行说明,当AI模型的训练和推理节点都在终端设备内部闭环时(UE-oriented AI/ML BM),在终端设备开启用于实现AI功能的AI模型以后,接收来自网络设备的测量配置作为训练输入(例如SSB波束扫描等),在终端设备内部完成模型训练,终端设备可以根据AI推理结果生成最优的k(k为正整数)个波束信息,后续终端设备可以向网络设备反馈基于AI推理结果的最优的k个波束信息以及最优的CSI-RS的标识等信息。
以CSI增强为例进行说明,当AI模型的训练和推理节点都在终端设备内部闭环时,在终端设备开启用于实现AI功能的AI模型以后,终端设备将从网络设备接收的CSI-RS等测量配置作为训练输入,RS,在终端设备内部完成模型训练,得到基于AI推理结果的优化的CQI、预编码矩阵指示(precoding matrix indicator,PMI)、CSI-RS资源指示(CSI-RSresource indicator,CRI)等信息。
需要说明的是,AI功能并不局限于上述案例,终端设备开启AI功能后的AI推理结果也可以是针对不同目标的,比如网络节能、移动性优化等的具体预测结果、策略指令等。例如针对网络节能,AI推理结果可以包括节能措施、持续时间、进出节能状态的负载门限等。
S507:终端设备向网络设备发送测量报告,测量报告包括AI推理结果。
示例性的,测量报告的发送方式可以是事件触发/周期发送或者根据指示发送等,例如,终端设备得到AI推理结果后,即可向网络设备发送测量报告,或者终端设备可以周期性地向网络设备发送测量报告,周期可以是0.5s/次、1s/次、5s/次等,或者终端设备接收到来自网络设备的用于指示发送测量报告的指示信息后,根据该指示信息向网络设备发送测量报告,本实施例对终端设备发送测量报告的实现方式不作限定。此外,本申请对携带测量报告的消息不做限定,例如终端设备可以通过MeasurementReport message向网络设备发送测量报告。
测量报告包括AI推理结果,例如对于波束管理增强,测量报告可以包括基于AI推理结果的最优的k个波束信息以及最优CSI-RS ID等信息。例如对于CSI增强,测量报告可以包括基于AI推理结果的优化的CQI、PMI以及CSI-RS CRI等信息。
示例性的,测量报告还可以包括以下任一项或多项:
第二指示信息,第二指示信息用于指示AI推理结果是基于AI模型推理得到的结果;
第三指示信息,第三指示信息用于指示AI推理结果与实际测量结果是否符合;
第四指示信息,第四指示信息用于指示AI模型的部署节点信息(如AI模型部署在终端设备侧)以及协作等级信息。
示例性的,测量报告还可以包括AI模型类型(如原始AI模型还是训练优化后的AI模型)、AI模型的参数调整信息(如训练优化后的AI模型相较于原始AI模型的参数调整信息)、建议是否关闭AI功能的指示信息、KPI反馈信息中的一项或多项。其中,终端设备得到AI推理结果后,可以自行判断该AI推理结果与实际测量结果是否符合,或者AI推理结果与实际测量结果的偏差是否超出偏差门限值,可以上报建议是否关闭AI功能的指示信息。KPI反馈信息可以指的是终端设备基于实际测量得到的信息,例如对于CSI反馈增强场景来说,KPI反馈信息可以包括下行速率等,又例如对于波束管理增强场景来说,KPI反馈信息可以包括最优的K个波束的预测准确度等,又例如对于定位精度增强场景来说,KPI反馈信息可以包括LOS路径的信道到达时间(TOA)的指示信息等,或者包括AI模型推理得到的LOS/NLOS状态是否准确的指示信息等。
网络设备接收来自终端设备的KPI反馈信息后,可以根据KPI反馈信息确定AI模型的AI推理结果是否准确,从而判断是否关闭终端设备的AI功能。
在一个实施方式中以波束管理增强为例进行说明,终端设备可以基于AI推理结果确定用于发送随机接入过程中的消息1(msg1)的SSB,但使用该SSB导致随机接入信道(random access channel,RACH)时延变大或者RACH失败,终端设备可以在记录的随机接入报告(RACH report)中包括指示确定的上行SSB是基于AI推理结果得到的指示信息。或者,终端设备检测到波束失败(beam failure),根据AI推理结果在可用于进行波束失败恢复(beam failure recovery,BFR)的候选波束中确定恢复波束,即终端设备不执行测量,使用AI推理结果选择恢复波束进行BFR,若BFR失败,终端设备上报测量报告,并向网络设备指示终端设备选择的恢复波束是基于AI推理结果得到的。这样可以使得网络设备确定波束失败恢复的原因是由于终端设备侧的AI模型不合理导致选择的波束不适用于进行波束失败恢复,从而,网络设备可以指示终端设备优化或者关闭终端设备侧的AI模型。
网络设备接收来自终端设备的测量报告后,可以根据测量报告确定网络异常或网络性能下降是由于网络侧的配置不合理导致的,还是由于终端设备侧的AI推理结果不准确所导致的。
一种可能的实现方式,若是由于网络侧的测量配置不合理导致的,网络设备可以调整并重新向终端设备发送测量配置。
一种可能的实现方式,若是由于终端设备侧的AI推理结果不准确所导致的,网络设备可以向终端设备发送用于指示终端设备关闭AI功能的指示信息,终端设备根据该指示信息确定关闭AI功能。在该实施方式中,所述方法还包括S508:网络设备向终端设备发送第五指示信息,第五指示信息用于指示终端设备关闭AI功能。相应地,终端设备接收来自网络设备的第五指示信息。
在本实施例中,提出在终端设备根据来自网络设备的配置信息确定开启AI功能后,将包括AI推理结果的测量报告进行上报,在网络性能下降的情况下,网络设备可以根据测量报告确定网络性能下降是由于网络侧的测量配置不合理导致的,还是由于终端设备侧的AI推理结果不准确导致的。从而网络设备可以确定网络性能下降的原因,对应地采取策略解决网络性能下降的问题,如调整并重新向终端设备发送测量配置或者向终端设备发送用于指示终端设备关闭AI功能的指示信息,提升网络侧对网络性能的管控,减少终端设备侧AI功能的开启对网络性能带来的影响。
基于以上图4-图5所示的实施例,当网络设备为分离架构时,例如网络设备包括CU和DU,在一种可能的实现方式中,DU向CU发送AI功能的配置信息,CU接收来自DU的AI功能的配置信息。其中,配置信息可以来自于核心网设备、网络设备或者来自于OAM。CU向终端设备发送AI功能的配置信息。终端设备接收来自CU的AI功能的配置信息。终端设备根据配置信息确定是否开启AI功能。在另一个实施方式中,当网络设备的CU被切分为CU-CP和CU-UP,且其CU-CP进一步切分为CU-CP1和CU-CP2时,由CU-CP2接收核心网设备发送的配置信息,并生成包含配置信息的空口RRC信令。也存在另一种可能,即网络设备可以独立为终端设备确定配置信息,由CU-CP1根据例如性能和终端设备能力等确定配置信息,由CU-CP2确认空口RRC信令,并通过RRC信令向终端设备发送配置信息。关于终端设备接收配置信息以及接收配置信息后的操作,可以参考前述图4实施例中的步骤S401-S402,以及图5实施例中的步骤S502-S506,不做赘述。
结合上述图1-图3描述的网络架构,下面对本申请实施例提供的又一种通信方法进行描述。请参阅图6,图6是本申请实施例提供的又一种通信方法的交互示意图。如图6所示,该通信方法可以包括S601-S605。其中,S605是可选的步骤。
需要说明的是,图6所示的实施例与上述图4或图5所示的实施例,区别在于终端设备开启用于实现AI功能的AI模型,可以不依赖于来自网络设备的配置信息(具体可见上述步骤S501-S503),可以自行开启用于实现AI功能的AI模型。
S601:终端设备开启用于实现AI功能的AI模型。
S602:网络设备向终端设备发送测量配置。相应地,终端设备接收来自网络设备的测量配置。
S603:终端设备根据测量配置和AI模型得到AI推理结果。
S604:终端设备向网络设备发送测量报告,测量报告包括AI推理结果。
S605:网络设备向终端设备发送第五指示信息,第五指示信息用于指示终端设备关闭AI功能。相应地,终端设备接收来自网络设备的第五指示信息。
具体步骤S601-S605的描述可以参考上述步骤S504-S508,不做赘述。
上面描述了本申请实施例提供的方法实施例,下面对本申请实施例涉及的装置实施例进行描述。
请参阅图7,图7是本申请实施例提供的一种通信装置的结构示意图,该通信装置可以为终端设备,也可以为终端设备中的装置(例如,芯片,或者芯片系统,或者电路)。如图7所示,该通信装置700,至少包括:接收单元701、处理单元702和发送单元703;其中:
接收单元701,用于接收来自网络设备的AI功能的配置信息;
处理单元702,用于根据配置信息确定是否开启AI功能。
在一个实施方式中,AI功能包括至少一种类型的AI功能,不同类型的AI功能对应的网络设备与终端设备协作程度不同。
在一个实施方式中,配置信息包括第一指示信息,第一指示信息用于指示终端设备是否开启AI功能;处理单元702根据配置信息确定是否开启AI功能,具体用于:根据第一指示信息确定是否开启AI功能。
在一个实施方式中,配置信息包括第一条件阈值;处理单元702根据配置信息确定是否开启AI功能,具体用于:在终端设备的AI推理结果满足第一条件阈值的情况下,确定开启AI功能。
在一个实施方式中,第一条件阈值包括AI推理结果可信度门限值、AI推理结果与实际测量信息的偏差门限值中的任一项。
在一个实施方式中,配置信息包括区域信息,区域信息用于指示允许终端设备开启AI功能的区域;处理单元702根据配置信息确定是否开启AI功能,具体用于:在所述区域信息所指示的区域内开启AI功能。
在一个实施方式中,配置信息还包括区域信息,区域信息用于指示允许终端设备开启AI功能的区域;处理单元702根据配置信息确定是否开启AI功能,具体用于:在第一指示信息指示终端设备开启AI功能的情况下,确定在区域信息所指示的区域内开启AI功能。
在一个实施方式中,在根据配置信息确定开启AI功能的情况下,处理单元702,还用于:开启用于实现AI功能的AI模型;
接收单元701,还用于接收来自网络设备的测量配置;
处理单元702,还用于:根据测量配置和AI模型得到AI推理结果;
该通信装置还包括:
发送单元703,用于向网络设备发送测量报告,该测量报告包括AI推理结果。
在一个实施方式中,测量报告还包括第二指示信息、第三指示信息和第四指示信息中的至少一项,其中,第二指示信息用于指示AI推理结果是基于AI模型推理得到的结果,第三指示信息用于指示AI推理结果与实际测量信息是否符合,第四指示信息用于指示AI模型的部署节点信息以及协作等级信息。
在一个实施方式中,测量报告还包括建议是否关闭AI功能的指示信息、KPI反馈信息中的一项或多项。
在一个实施方式中,接收单元701,还用于:接收来自网络设备的第五指示信息,第五指示信息用于指示终端设备关闭AI功能;
处理单元702,还用于:根据第五指示信息关闭AI功能。
有关上述接收单元701、处理单元702和发送单元703更详细的描述可以直接参考上述图4-图6所示的方法实施例中终端设备的相关描述,这里不加赘述。
请参阅图8,图8是本申请实施例提供的另一种通信装置的结构示意图,该通信装置可以为网络设备,也可以为网络设备中的装置(例如,芯片,或者芯片系统,或者电路)。如图8所示,该通信装置800,至少包括:获取单元801、发送单元802和接收单元803;其中:
获取单元801,用于获取终端设备的AI能力信息,确定终端设备支持AI功能;
发送单元802,用于向终端设备发送AI功能的配置信息,该配置信息用于指示终端设备是否开启AI功能。
在一个实施方式中,AI功能包括至少一种类型的AI功能,不同类型的AI功能对应的网络设备与终端设备协作程度不同。
在一个实施方式中,配置信息包括第一指示信息,第一指示信息用于指示终端设备是否开启AI功能。
在一个实施方式中,配置信息包括第一条件阈值。
在一个实施方式中,第一条件阈值包括AI推理结果可信度门限值、AI推理结果与实际测量信息的偏差门限值中的任一项。
在一个实施方式中,配置信息包括区域信息,区域信息用于指示允许终端设备开启AI功能的区域。
在一个实施方式中,在配置信息用于指示终端设备开启AI功能的情况下,发送单元802,还用于:向终端设备发送测量配置;
该通信装置还包括:
接收单元803,用于接收来自终端设备的测量报告,该测量报告包括AI推理结果,该AI推理结果根据测量配置和用于实现AI功能的AI模型得到。
在一个实施方式中,测量报告还包括第二指示信息、第三指示信息和第四指示信息中的至少一项,其中,第二指示信息用于指示AI推理结果是基于AI模型推理得到的结果,第三指示信息用于指示AI推理结果与实际测量信息是否符合,第四指示信息用于指示AI模型的部署节点信息以及协作等级信息。
在一个实施方式中,测量报告还包括建议是否关闭AI功能的指示信息、KPI反馈信息中的一项或多项。
在一个实施方式中,发送单元802还用于:向终端设备发送第五指示信息,第五指示信息用于指示终端设备关闭AI功能。
有关上述获取单元801、发送单元802和接收单元803更详细的描述可以直接参考上述图4-图6所示的方法实施例中网络设备的相关描述,这里不加赘述。
请参阅图9,图9是本申请实施例提供的又一种通信装置的结构示意图,该通信装置可以为终端设备,也可以为终端设备中的装置(例如,芯片,或者芯片系统,或者电路)。如图9所示,该通信装置900,至少包括:处理单元901、接收单元902和发送单元903;其中:
处理单元,用于开启用于实现AI功能的AI模型;
接收单元,用于接收来自网络设备的测量配置;
处理单元,还用于根据测量配置和AI模型得到AI推理结果;
发送单元,用于向网络设备发送测量报告,该测量报告包括AI推理结果。
在一个实施方式中,测量报告还包括第二指示信息、第三指示信息和第四指示信息中的至少一项,其中,第二指示信息用于指示AI推理结果是基于AI模型推理得到的结果,第三指示信息用于指示AI推理结果与实际测量信息是否符合,第四指示信息用于指示AI模型的部署节点信息以及协作等级信息。
在一个实施方式中,测量报告还包括建议是否关闭AI功能的指示信息、KPI反馈信息中的一项或多项。
在一个实施方式中,接收单元902,还用于接收来自网络设备的第五指示信息,第五指示信息用于指示终端设备关闭AI功能;
处理单元901,还用于根据第五指示信息关闭AI功能。
有关上述处理单元901、接收单元902和发送单元903更详细的描述可以直接参考上述图4-图6所示的方法实施例中终端设备的相关描述,这里不加赘述。
请参阅图10,图10是本申请实施例提供的又一种通信装置的结构示意图,该通信装置可以为网络设备,也可以为网络设备中的装置(例如,芯片,或者芯片系统,或者电路)。如图10所示,该通信装置1000,至少包括:发送单元1001和接收单元1002;其中:
发送单元1001,用于向终端设备发送测量配置;
接收单元1002,用于接收来自终端设备的测量报告,该测量报告包括AI推理结果,AI推理结果根据上述测量配置和用于实现AI功能的AI模型得到。
在一个实施方式中,测量报告还包括第二指示信息、第三指示信息和第四指示信息中的至少一项,其中,第二指示信息用于指示AI推理结果是基于AI模型推理得到的结果,第三指示信息用于指示AI推理结果与实际测量信息是否符合,第四指示信息用于指示AI模型的部署节点信息以及协作等级信息。
在一个实施方式中,测量报告还包括建议是否关闭AI功能的指示信息、KPI反馈信息中的一项或多项。
在一个实施方式中,发送单元1001,还用于向终端设备发送第五指示信息,第五指示信息用于指示终端设备关闭AI功能。
有关上述发送单元1001和接收单元1002更详细的描述可以直接参考上述图4-图6所示的方法实施例中终端设备的相关描述,这里不加赘述。
基于上述网络架构,请参阅图11,图11是本申请实施例提供的又一种通信装置的结构示意图。如图11所示,该装置1100可以包括一个或多个处理器1101,处理器1101也可以称为处理单元,可以实现一定的控制功能。处理器1101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、终端芯片,DU或CU等)进行控制,执行软件程序,处理软件程序的数据。
在一种可选的设计中,处理器1101也可以存有指令1103和/或数据,所述指令1103和/或数据可以被所述处理器运行,使得所述装置1100执行上述方法实施例中描述的方法。
在另一种可选的设计中,处理器1101中可以包括用于实现接收和发送功能的收发单元。例如该收发单元可以是收发电路,或者是接口,或者是接口电路,或者是通信接口。用于实现接收和发送功能的收发电路、接口或接口电路可以是分开的,也可以集成在一起。上述收发电路、接口或接口电路可以用于代码/数据的读写,或者,上述收发电路、接口或接口电路可以用于信号的传输或传递。
在又一种可能的设计中,装置1100可以包括电路,所述电路可以实现前述方法实施例中发送或接收或者通信的功能。
可选的,所述装置1100中可以包括一个或多个存储器1102,其上可以存有指令1104和/或数据,所述指令1104和/或数据可在所述处理器上被运行,使得所述装置1100执行上述方法实施例中描述的方法。可选的,所述存储器中还可以存储有数据。可选的,处理器中也可以存储指令和/或数据。所述处理器和存储器可以单独设置,也可以集成在一起。例如,上述方法实施例中所描述的对应关系可以存储在存储器中,或者存储在处理器中。
可选的,所述装置1100还可以包括收发器1105和/或天线1106。所述处理器1101可以称为处理单元,对所述装置1100进行控制。所述收发器1105可以称为收发单元、收发机、收发电路、收发装置或收发模块等,用于实现收发功能。
可选的,本申请实施例中的装置1100可以用于执行本申请实施例中图4-图6描述的方法。
在一个实施方式中,该通信装置1100可以为终端设备,也可以为终端设备中的装置(例如,芯片,或者芯片系统,或者电路),存储器1102中存储的计算机程序指令被执行时,该处理器1101用于执行上述实施例中处理单元702执行的操作,或者执行上述实施例中处理单元901执行的操作,收发器1105用于执行上述实施例中接收单元701和发送单元703执行的操作,或者执行上述实施例中接收单元902和发送单元903执行的操作,收发器1105还用于向该通信装置之外的其它通信装置发送信息。上述终端设备或者终端设备内的装置还可以用于执行上述图4-图6方法实施例中终端设备执行的各种方法,不再赘述。
在一个实施方式中,该通信装置1100可以为网络设备,也可以为网络设备中的装置(例如,芯片,或者芯片系统,或者电路),存储器1102中存储的计算机程序指令被执行时,该处理器1101用于执行上述实施例中获取单元801执行的操作,收发器1105用于执行上述实施例中发送单元802和接收单元803执行的操作,或者执行上述实施例中发送单元1001和接收单元1002执行的操作,收发器1105还用于接收来自该通信装置之外的其它通信装置的信息。上述网络设备或者网络设备内的装置还可以用于执行上述图4-图6方法实施例中网络设备执行的各种方法,不再赘述。
本申请中描述的处理器和收发器可实现在集成电路(integrated circuit,IC)、模拟IC、射频集成电路(radiofrequencyinterfacechip,RFIC)、混合信号IC、专用集成电路(application specific integrated circuit,ASIC)、印刷电路板(printed circuitboard,PCB)、电子设备等上。该处理器和收发器也可以用各种IC工艺技术来制造,例如互补金属氧化物半导体(complementary metal oxide semiconductor,CMOS)、N型金属氧化物半导体(nMetal-oxide-semiconductor,NMOS)、P型金属氧化物半导体(positive channelmetal oxide semiconductor,PMOS)、双极结型晶体管(Bipolar Junction Transistor,BJT)、双极CMOS(BiCMOS)、硅锗(SiGe)、砷化镓(GaAs)等。
以上实施例描述中的装置可以是第一通信设备或者第二通信设备,但本申请中描述的装置的范围并不限于此,而且装置的结构可以不受图11的限制。装置可以是独立的设备或者可以是较大设备的一部分。例如所述装置可以是:
(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,可选的,该IC集合也可以包括用于存储数据和/或指令的存储部件;
(3)ASIC,例如调制解调器(MSM);
(4)可嵌入在其他设备内的模块;
(5)接收机、终端、智能终端、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、机器设备、家居设备、医疗设备、工业设备等等;
(6)其他等等。
请参阅图12,图12是本申请实施例提供的一种终端设备的结构示意图。为了便于说明,图12仅示出了终端设备的主要部件。如图12所示,终端设备1200包括处理器、存储器、控制电路、天线、以及输入输出装置。处理器主要用于对通信协议以及通信数据进行处理,以及对整个终端进行控制,执行软件程序,处理软件程序的数据。存储器主要用于存储软件程序和数据。射频电路主要用于基带信号与射频信号的转换以及对射频信号的处理。天线主要用于收发电磁波形式的射频信号。输入输出装置,例如触摸屏、显示屏,键盘等主要用于接收用户输入的数据以及对用户输出数据。
当终端开机后,处理器可以读取存储单元中的软件程序,解析并执行软件程序的指令,处理软件程序的数据。当需要通过无线发送数据时,处理器对待发送的数据进行基带处理后,输出基带信号至射频电路,射频电路将基带信号进行处理后得到射频信号并将射频信号通过天线以电磁波的形式向外发送。当有数据发送到终端时,射频电路通过天线接收到射频信号,该射频信号被进一步转换为基带信号,并将基带信号输出至处理器,处理器将基带信号转换为数据并对该数据进行处理。
为了便于说明,图12仅示出了一个存储器和处理器。在实际的终端中,可以存在多个处理器和存储器。存储器也可以称为存储介质或者存储设备等,本申请实施例对此不做限制。
作为一种可选的实现方式,处理器可以包括基带处理器和中央处理器,基带处理器主要用于对通信协议以及通信数据进行处理,中央处理器主要用于对整个终端进行控制,执行软件程序,处理软件程序的数据。图12中的处理器集成了基带处理器和中央处理器的功能,本领域技术人员可以理解,基带处理器和中央处理器也可以是各自独立的处理器,通过总线等技术互联。本领域技术人员可以理解,终端可以包括多个基带处理器以适应不同的网络制式,终端可以包括多个中央处理器以增强其处理能力,终端的各个部件可以通过各种总线连接。所述基带处理器也可以表述为基带处理电路或者基带处理芯片。所述中央处理器也可以表述为中央处理电路或者中央处理芯片。对通信协议以及通信数据进行处理的功能可以内置在处理器中,也可以以软件程序的形式存储在存储单元中,由处理器执行软件程序以实现基带处理功能。
在一个例子中,可以将具有收发功能的天线和控制电路视为终端设备1200的收发单元1201,将具有处理功能的处理器视为终端设备1200的处理单元1202。如图12所示,终端设备1200包括收发单元1201和处理单元1202。收发单元也可以称为收发器、收发机、收发装置等。可选的,可以将收发单元1201中用于实现接收功能的器件视为接收单元,将收发单元1201中用于实现发送功能的器件视为发送单元,即收发单元1201包括接收单元和发送单元。示例性的,接收单元也可以称为接收机、接收器、接收电路等,发送单元可以称为发射机、发射器或者发射电路等。可选的,上述接收单元和发送单元可以是集成在一起的一个单元,也可以是各自独立的多个单元。上述接收单元和发送单元可以在一个地理位置,也可以分散在多个地理位置。
在一个实施方式中,处理单元1202用于执行上述实施例中处理单元702执行的操作,或者执行上述实施例中处理单元901执行的操作,收发单元1201用于执行上述实施例中接收单元701和发送单元703执行的操作,或者执行上述实施例中接收单元902和发送单元903执行的操作。该终端设备1200还可以用于执行上述图4-图6方法实施例中终端设备执行的各种方法,不再赘述。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可以实现上述方法实施例提供的传输模式确定方法中与终端设备相关的流程。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可以实现上述方法实施例提供的传输模式确定方法中与网络设备相关的流程。
本申请实施例还提供了一种计算机程序产品,当其在计算机或处理器上运行时,使得计算机或处理器执行上述任一个传输模式确定方法中的一个或多个步骤。上述所涉及的设备的各组成模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在所述计算机可读取存储介质中。
本申请实施例还提供一种芯片系统,包括至少一个处理器和通信接口,所述通信接口和所述至少一个处理器通过线路互联,所述至少一个处理器用于运行计算机程序或指令,以执行包括上述图4-图6对应的方法实施例中记载的任意一种的部分或全部步骤。该芯片系统,可以由芯片构成,也可以包含芯片和其他分立器件。
本申请实施例还公开一种通信系统,该系统包括终端设备和网络设备,具体描述可以参考图4-图6所示的传输模式确定方法。
应理解,本申请实施例中提及的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是硬盘(hard diskdrive,HDD)、固态硬盘(solid-state drive,SSD)、只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static rAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronous dRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DRRAM)。存储器是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
还应理解,本申请实施例中提及的处理器可以是中央处理单元(centralprocessing unit,CPU),还可以是其他通用处理器、数字信号处理器(digital signalprocessor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
需要说明的是,当处理器为通用处理器、DSP、ASIC、FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件时,存储器(存储模块)集成在处理器中。
应注意,本文描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所提供的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本申请实施例装置中的模块/单元可以根据实际需要进行合并、划分和删减。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (28)
1.一种通信方法,其特征在于,所述方法用于终端设备,所述方法包括:
接收来自网络设备的人工智能AI功能的配置信息;
根据所述配置信息确定是否开启所述AI功能。
2.根据权利要求1所述的方法,其特征在于,所述AI功能包括至少一种类型的AI功能,不同类型的AI功能对应的所述网络设备与所述终端设备协作程度不同。
3.根据权利要求1或2所述的方法,其特征在于,所述配置信息包括第一指示信息,所述第一指示信息用于指示所述终端设备是否开启AI功能;
所述根据所述配置信息确定是否开启所述AI功能,包括:
根据所述第一指示信息确定是否开启所述AI功能。
4.根据权利要求1或2所述的方法,其特征在于,所述配置信息包括第一条件阈值;
所述根据所述配置信息确定是否开启所述AI功能,包括:
在所述终端设备的AI推理结果满足所述第一条件阈值的情况下,确定开启AI功能。
5.根据权利要求4所述的方法,其特征在于,所述第一条件阈值包括AI推理结果可信度门限值、AI推理结果与实际测量信息的偏差门限值中的任一项。
6.根据权利要求1或2所述的方法,其特征在于,所述配置信息包括区域信息,所述区域信息用于指示允许所述终端设备开启AI功能的区域;
所述根据所述配置信息确定是否开启所述AI功能,包括:
在所述区域信息所指示的区域内开启AI功能。
7.根据权利要求3所述的方法,其特征在于,所述配置信息还包括区域信息,所述区域信息用于指示允许所述终端设备开启AI功能的区域;
所述根据所述配置信息确定是否开启所述AI功能,包括:
在第一指示信息指示所述终端设备开启AI功能的情况下,确定在所述区域信息所指示的区域内开启AI功能。
8.根据权利要求1-7任一项所述的方法,其特征在于,在根据所述配置信息确定开启所述AI功能的情况下,所述方法还包括:
开启用于实现所述AI功能的AI模型;
接收来自所述网络设备的测量配置;
根据所述测量配置和所述AI模型得到AI推理结果;
向所述网络设备发送测量报告,所述测量报告包括所述AI推理结果。
9.根据权利要求8所述的方法,其特征在于,所述测量报告还包括第二指示信息、第三指示信息和第四指示信息中的至少一项,其中,所述第二指示信息用于指示所述AI推理结果是基于所述AI模型推理得到的结果,所述第三指示信息用于指示所述AI推理结果与实际测量信息是否符合,所述第四指示信息用于指示所述AI模型的部署节点信息以及协作等级信息。
10.根据权利要求9所述的方法,其特征在于,所述测量报告还包括建议是否关闭所述AI功能的指示信息、关键性能指标KPI反馈信息中的一项或多项。
11.根据权利要求8-10任一项所述的方法,其特征在于,所述方法还包括:
接收来自所述网络设备的第五指示信息,所述第五指示信息用于指示所述终端设备关闭所述AI功能;
根据所述第五指示信息关闭所述AI功能。
12.一种通信方法,其特征在于,所述方法用于网络设备,所述方法包括:
获取终端设备的人工智能AI能力信息,确定所述终端设备支持AI功能;
向所述终端设备发送所述AI功能的配置信息,所述配置信息用于指示所述终端设备是否开启所述AI功能。
13.根据权利要求12所述的方法,其特征在于,所述AI功能包括至少一种类型的AI功能,不同类型的AI功能对应的所述网络设备与所述终端设备协作程度不同。
14.根据权利要求12或13所述的方法,其特征在于,所述配置信息包括第一指示信息,所述第一指示信息用于指示所述终端设备是否开启AI功能。
15.根据权利要求12或13所述的方法,其特征在于,所述配置信息包括第一条件阈值。
16.根据权利要求15所述的方法,其特征在于,所述第一条件阈值包括AI推理结果可信度门限值、AI推理结果与实际测量信息的偏差门限值中的任一项。
17.根据权利要求12-14所述的方法,其特征在于,所述配置信息包括区域信息,所述区域信息用于指示允许所述终端设备开启AI功能的区域。
18.根据权利要求12-17任一项所述的方法,其特征在于,在所述配置信息用于指示所述终端设备开启所述AI功能的情况下,所述方法还包括:
向所述终端设备发送测量配置;
接收来自所述终端设备的测量报告,所述测量报告包括AI推理结果,所述AI推理结果根据所述测量配置和用于实现所述AI功能的AI模型得到。
19.根据权利要求18所述的方法,其特征在于,所述测量报告还包括第二指示信息、第三指示信息和第四指示信息中的至少一项,其中,所述第二指示信息用于指示所述AI推理结果是基于所述AI模型推理得到的结果,所述第三指示信息用于指示所述AI推理结果与实际测量信息是否符合,所述第四指示信息用于指示所述AI模型的部署节点信息以及协作等级信息。
20.根据权利要求19所述的方法,其特征在于,所述测量报告还包括建议是否关闭所述AI功能的指示信息、关键性能指标KPI反馈信息中的一项或多项。
21.根据权利要求18-20任一项所述的方法,其特征在于,所述方法还包括:
向所述终端设备发送第五指示信息,所述第五指示信息用于指示所述终端设备关闭所述AI功能。
22.一种通信装置,其特征在于,包括用于执行如权利要求1-11中任意一项所述方法的单元。
23.一种通信装置,其特征在于,包括用于执行如权利要求12-21中任意一项所述方法的单元。
24.一种通信装置,其特征在于,包括处理器、存储器、输入接口和输出接口,所述输入接口用于接收来自所述通信装置之外的其它通信装置的信息,所述输出接口用于向所述通信装置之外的其它通信装置输出信息,当所述存储器中存储的存储计算机程序被所述处理器调用时,使得如权利要求1-11任意一项所述的方法被实现,或者如权利要求12-21任意一项所述的方法被实现。
25.一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中存储有计算机程序或计算机指令,当所述计算机程序或计算机指令被处理器执行时,使得如权利要求1-11任意一项所述的方法被实现,或者如权利要求12-21任意一项所述的方法被实现。
26.一种计算机程序产品,其特征在于,所述计算机程序产品包括指令,当所述指令被处理器运行时,使得如权利要求1-11任意一项所述的方法被实现,或者如权利要求12-21任意一项所述的方法被实现。
27.一种芯片系统,其特征在于,包括至少一个处理器、存储器和接口电路,所述存储器、所述接口电路和所述至少一个处理器通过线路互联,所述至少一个存储器中存储有指令,所述指令被所述处理器执行时,使得如权利要求1-11任意一项所述的方法被实现;或者如权利要求12-21任意一项所述的方法被实现。
28.一种通信系统,其特征在于,包括如权利要求22所述的通信装置和如权利要求23所述的通信装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211180894.8A CN117835264A (zh) | 2022-09-27 | 2022-09-27 | 通信方法及相关装置 |
PCT/CN2023/118629 WO2024067104A1 (zh) | 2022-09-27 | 2023-09-13 | 通信方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211180894.8A CN117835264A (zh) | 2022-09-27 | 2022-09-27 | 通信方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117835264A true CN117835264A (zh) | 2024-04-05 |
Family
ID=90476096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211180894.8A Pending CN117835264A (zh) | 2022-09-27 | 2022-09-27 | 通信方法及相关装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117835264A (zh) |
WO (1) | WO2024067104A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113243124A (zh) * | 2018-12-13 | 2021-08-10 | 株式会社Ntt都科摩 | 用户终端以及通信控制方法 |
CN111954206B (zh) * | 2019-05-17 | 2024-04-09 | 株式会社Ntt都科摩 | 终端和基站 |
EP4224374A4 (en) * | 2020-10-22 | 2023-11-22 | Huawei Technologies Co., Ltd. | COMMUNICATION METHOD AND DEVICE |
CN114697984A (zh) * | 2020-12-28 | 2022-07-01 | 中国移动通信有限公司研究院 | 信息传输方法、终端及网络设备 |
-
2022
- 2022-09-27 CN CN202211180894.8A patent/CN117835264A/zh active Pending
-
2023
- 2023-09-13 WO PCT/CN2023/118629 patent/WO2024067104A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024067104A1 (zh) | 2024-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12003993B2 (en) | Radio resource measurement method, radio resource selection method, and apparatus | |
US11490313B2 (en) | Managing communication in a wireless communications network | |
TWI732416B (zh) | 波束失敗恢復方法、終端、基地台及電腦可讀存儲介質 | |
EP4186193A2 (en) | Methods and apparatus for user equipment-anticipated common beam switching | |
US20220038991A1 (en) | Data sending method and communication apparatus | |
KR20230156362A (ko) | 무선 통신 시스템에서 채널 추정 및 이동성 향상을 위한 방법 및 장치 | |
US20240056966A1 (en) | Energy saving method and apparatus | |
US20210127286A1 (en) | Method for wireless communication, terminal, and non-transitory computer-readable storage medium | |
CN111698735A (zh) | 一种无线通信技术领域中的通信方法和通信装置 | |
US20230403591A1 (en) | Group based beam reporting | |
US20220232440A1 (en) | Configuration of carriers for non-mobility related purposes | |
CN111492592B (zh) | 用户装置以及基站装置 | |
EP4307757A1 (en) | Communication method and communication apparatus | |
WO2024067104A1 (zh) | 通信方法及相关装置 | |
CN114867069B (zh) | 一种资源配置方法及设备 | |
WO2023197846A1 (zh) | 一种通信方法、通信装置及通信系统 | |
US20240214941A1 (en) | Dynamic measurement reporting based on user equipment conditions | |
FI130871B1 (en) | DETERMINATION OF A TRANSMITTER LOB | |
US11979777B2 (en) | System and method for optimizing use of wireless communication protocols | |
WO2023019414A1 (en) | Sensing information assisted beam management | |
WO2024022716A1 (en) | Enhancements to beam management | |
CN117014958A (zh) | 信息传输方法、装置及网络设备 | |
WO2024097242A1 (en) | Managing machine learning based channel state information reporting at a user equipment | |
WO2022031295A1 (en) | Covariance matrix updates | |
CN117546512A (zh) | 通信方法、终端、网络设备以及通信系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |