CN117957792A - 用于多输入多输出信道状态信息反馈的方法和装置 - Google Patents

Abstract

本申请提供了用于CSI反馈的方法。在一种方法中，在UE处收集UE和BS之间的信道的CSI数据。UE配置有用于压缩CSI的编码器模型，BS配置有用于解压CSI的解码器模型。基于所收集的CSI数据在UE处对包括所述编码器模型和解码器模型的先前训练的编码器‑解码器模型对进行在线训练以分别生成编码器模型和解码器模型的更新模型。在另一种方法中，在BS处收集CSI数据并且在BS处基于CSI数据进行在线训练。在另一种方法中，在服务器处收集UE和BS之间的信道的CSI数据并且在服务器处基于CSI数据进行在线训练。

Description

用于多输入多输出信道状态信息反馈的方法和装置

交叉引用

本申请要求对2022年2月24日提交的美国临时申请号63/313,299的优先权，其主题内容通过引用并入本文中。

技术领域

本申请涉及无线通信，特别是涉及发送器和接收器之间的信道状态信息反馈过程。

背景技术

在无线通信中，信道状态信息(channel state information，CSI)可以估计发送器和接收器之间通信链路的信道属性。在相关技术中，接收器可以估计通信链路的CSI并将原始CSI反馈给发送器。这个过程会消耗大量的通信资源，并对使用现代多输入多输出(multiple-input and multiple-output，MIMO)技术的无线网络造成巨大的压力。

发明内容

本申请的各个方面提供了一种用于CSI反馈的方法。在所述方法中，在用户设备(user equipment，UE)处收集UE和基站(base station，BS)之间的信道的CSI数据。UE配置有用于压缩CSI的编码器模型，BS配置有用于解压CSI的解码器模型。基于所收集的CSI数据，在UE处对包括编码器模型和解码器模型的先前训练的编码器-解码器模型对进行在线训练(online training)，以分别生成编码器模型的更新模型和解码器模型的更新模型。

在一个实施例中，从UE向BS发送解码器模型的更新模型。在UE处基于编码器模型的更新模型来更新UE的编码器模型。在UE处基于更新的编码器模型将CSI元素压缩。

在一个实施例中，在BS处从UE接收解码器模型的更新模型。在BS处基于解码器模型的更新模型来更新BS的解码器模型。在BS处基于BS的更新的解码器模型对压缩的CSI元素进行解压。

在一个实施例中，更新的模型包括编码器模型和解码器模型的至少部分参数。

在一个实施例中，在UE处接收来自BS的参考信号。在UE处，根据参考信号测量CSI数据。

本申请的各个方面提供了一种用于CSI反馈的UE。UE包括处理电路，用于收集BS和UE之间的信道的CSI数据。UE配置有用于压缩CSI的编码器模型，BS配置有用于解压CSI的解码器模型。基于所收集的CSI数据，处理电路对包括编码器模型和解码器模型的先前训练的编码器-解码器模型对进行在线训练，以分别生成编码器模型的更新模型和解码器模型的更新模型。

在一个实施例中，处理电路基于编码器模型的更新模型更新UE的编码器模型。处理电路基于UE更新的编码器模型将CSI元素压缩成压缩CSI元素。从UE向BS发送CSI元素和解码器模型的更新模型。BS使用接收到的解码器模型的更新模型来更新BS的解码器模型。压缩CSI元素由BS基于BS的更新的解码器模型进行解压。

在一个实施例中，更新的模型包括编码器模型和解码器模型的至少部分参数。

在一个实施例中，在UE处接收来自BS的参考信号。在UE处根据参考信号测量CSI数据。

本申请的各个方面提供了一种用于CSI反馈的方法。在所述方法中，在BS处收集BS和UE之间的信道的CSI数据。UE配置有用于压缩CSI的编码器模型，BS配置有用于解压CSI的解码器模型。基于所收集的CSI数据，在BS处对包括编码器模型和解码器模型的先前训练的编码器-解码器模型对进行在线训练，以分别生成编码器模型的更新模型和解码器模型的更新模型。

在一个实施例中，从BS向UE发送编码器模型的更新模型。在BS处，基于解码器模型的更新模型来更新BS的解码器模型。在BS处基于更新的解码器模型对压缩CSI元素进行解压。

在一个实施例中，在UE处收到来自BS的编码器模型的更新模型。基于编码器模型的更新模型在UE处更新UE的编码器模型。在UE处基于UE更新的编码器模型压缩CSI元素。

在一个实施例中，更新的模型包括编码器模型和解码器模型的至少部分参数。

在一个实施例中，在BS处接收来自UE的参考信号。在BS处根据参考信号测量CSI数据。

在一个实施例中，BS向UE发送参考信号。在BS处从UE接收CSI报告。CSI报告包括由UE基于参考信号生成的CSI数据。

本申请的各个方面提供了一种用于CSI反馈的BS。BS包括处理电路，用于收集BS和UE之间的信道的CSI数据。UE配置有用于压缩CSI的编码器模型，BS配置有用于解压CSI的解码器模型。基于所收集的CSI数据，处理电路对包括编码器模型和解码器模型的先前训练的编码器-解码器模型对进行在线训练，以分别生成编码器模型的更新模型和解码器模型的更新模型。

在一个实施例中，处理电路基于解码器模型的更新模型更新BS的解码器模型。编码器模型的更新模型从BS发送至UE。UE使用接收到的编码器模型的更新模型来更新UE的编码器模型。基于UE的更新的编码器模型，CSI元素在UE处被压缩成压缩CSI元素。压缩CSI元素从UE发送至BS。在BS处基于BS更新的解码器模型来解压BS接收到的压缩CSI元素。

在一个实施例中，更新的模型包括编码器模型和解码器模型的至少部分参数。

在一个实施例中，在BS处接收来自UE的参考信号。在BS处基于参考信号测量CSI数据。

在一个实施例中，从BS向UE发送参考信号。在BS处从UE接收CSI报告，CSI报告包括由UE基于参考信号生成的CSI数据。

本申请的各个方面提供了一种用于CSI反馈的方法。在所述方法中，在服务器处收集UE和BS之间的信道的CSI数据。UE配置有用于压缩CSI的编码器模型，BS配置有用于解压CSI的解码器模型。在所述方法中，基于所收集的CSI数据，在服务器处对包括编码器模型和解码器模型的先前训练的编码器-解码器模型对进行在线训练，以分别生成编码器模型的更新模型和解码器模型的更新模型。

在一个实施例中，编码器模型和解码器模型的更新模型从服务器发送至BS。在BS上从服务器接收编码器模型和解码器模型的更新模型。在BS处基于解码器模型的更新模型更新BS的解码器模型。编码器模型的更新模型从BS发送至UE。在UE处从BS处接收编码器模型的更新模型。UE的编码器模型在UE处基于编码器模型的更新模型进行更新。

在一个实施例中，编码器模型和解码器模型的更新模型从服务器发送至UE。编码器模型和解码器模型的更新模型在UE上从服务器接收。基于编码器模型的更新模型在UE处更新UE的编码器模型。解码器模型的更新模型从UE发送至BS。在BS处从UE处接收解码器模型的更新模型。BS的解码器模型在BS处基于解码器模型的更新模型进行更新。

在一个实施例中，解码器模型的更新模型从服务器发送至BS，编码器模型的更新模型从服务器发送至UE。

在一个实施例中，在服务器处，从BS和UE中的至少一个收集CSI数据。

本申请的各个方面提供了一种用于CSI反馈的服务器。服务器包括处理电路，用于收集BS和UE之间的信道的CSI数据。UE配置有用于压缩CSI的编码器模型，BS配置有用于解压CSI的解码器模型。基于所收集的CSI数据，处理电路对包括编码器模型和解码器模型的先前训练的编码器-解码器模型对进行在线训练，以分别生成编码器模型的更新模型和解码器模型的更新模型。

在一个实施例中，从服务器向BS发送编码器模型和解码器模型的更新模型。编码器模型和解码器模型的更新模型在BS上从服务器接收。在BS处基于解码器模型的更新模型更新BS的解码器模型。编码器模型的更新模型从BS发送至UE。编码器模型的更新模型在UE处从BS处接收。在UE处基于编码器模型的更新模型更新UE的编码器模型。

在一个实施例中，编码器模型和解码器模型的更新模型从服务器发送至UE。在UE处从服务器接收编码器模型和解码器模型的更新模型。在UE处基于编码器模型的更新模型更新UE的编码器模型。解码器模型的更新模型从UE发送至BS。解码器模型的更新模型在BS处从UE处接收。在BS处基于解码器模型的更新模型更新BS的解码器模型。

在一个实施例中，解码器模型的更新模型从服务器发送至BS，编码器模型的更新模型从服务器发送至UE。

在一个实施例中，在服务器处，从BS和UE中的至少一个收集CSI数据。

附图说明

本发明提出一些实施方式以作为示范，以下将参考附图进行细节描述，其中相同的编号代表相同的元件，其中：

图1为本申请实施例提供的一种CSI反馈过程。

图2为本申请实施例提供的另一种CSI反馈过程。

图3A-3E为本申请实施例提供的在线训练CSI数据的过程。

图4A-4C为本申请实施例提供的概述各种过程的流程图。

图5为本申请实施例提供的一种装置。

图6为本申请实施例提供的一种计算机系统。

具体实施方式

以下与附图有关的详细描述旨在作为各种配置的描述，且不代表可实施本文概念的唯一配置。详细描述包括具体细节，从而提供对各种概念的理解。然而，这些概念可以在没有这些具体细节的情况下进行实践。

下面将参照各种装置和方法来介绍电信系统的几个方面的内容。这些装置和方法将在下面的详细描述中被描述，并在图式中通过各种块、组件、电路、过程、算法等(统称为“元素”)来说明。这些元素可以使用电子硬件、计算机软件、或其任何组合来实现。这些元素是作为硬件还是作为软件来实现，取决于特定的应用和对整个系统施加的设计约束。

在无线通信中，CSI可以估计发送器和接收器之间通信链路的信道属性。例如，CSI可以描述信号如何从发送器传播到接收器，并代表诸如散射、衰减、功率随距离损失等现象的综合效果。因此，CSI也可以被称为信道估计。CSI可以使发送器和接收器之间的传输适应当前的信道条件，因此是需要在发送器和接收器之间共享的关键信息，从而实现高质量的信号接收。

在一个示例中，发送器和接收器(或收发器)可以依靠CSI来计算其发送预编码和接收组合矩阵，以及其他重要参数。没有CSI，无线链路可能存在低信号质量和/或来自其他无线链路的高干扰的问题。

为了估计CSI，发送器可以向接收器发送预定义信号。也就是说，预定义信号对发送器和接收器都是已知的。然后，接收器可以应用各种算法来进行CSI估计。在这个阶段，CSI只为接收器所知。发送器可以依靠接收器的反馈来获取CSI信息。

然而，原始CSI反馈可能需要大量的开销，这可能会降低整体系统的性能并导致大量延迟。因此，通常要避免使用原始CSI反馈。

或者，接收器可以为发送器操作从CSI提取一些重要或必要的信息，例如预编码权重、秩指示符(rank indicator，RI)、信道质量指示符(channel quality indicator，CQI)、调制和编码方案(modulational and coding scheme，MCS)等。提取的信息可以比原始CSI小得多，接收器只能将这些小的信息反馈给发送器。

为了进一步减少开销，接收器可以估计通信链路的CSI，并基于估计的CSI从预定义的码本中选择最佳的发送预编码器。此外，接收器可以将与所选的最佳发送预编码器有关的信息反馈给发送器，例如来自这种码本的预编码矩阵指示符(Precoding MatrixIndicator，PMI)。该过程会消耗大量的通信资源，并对使用现代MIMO技术的无线网络造成巨大的压力。

图1示出了本申请实施例提供的一种CSI反馈过程100。在过程100中，发送器110和接收器120中的每一个可以是UE或BS。

在步骤S150中，发送器110可以向接收器120发送参考信号(reference signal，RS)。在接收器120接收到RS之前，接收器120也知道该RS。在一个实施例中，RS特定被设备用于获取CSI，因此称为CSI-RS。

在步骤S151中，在接收到CSI-RS之后，接收器120可以通过比较接收的CSI-RS和已经被接收器120所知的传输的CSI-RS来生成原始CSI。

在步骤S152中，接收器120可以基于原始CSI从预定义的码本中选择最佳的发送预编码器。

在步骤S153中，接收器120可以将所选择的预编码器PMI以及相关信息如CQI、RI、MCS等，一起发送回发送器110。

在步骤S154中，在接收到PMI和相关信息之后，发送器110可以确定传输参数并基于由PMI指示的所选择的预编码器预编码信号。

需要指出的是，预编码器的选择被限制在过程100中的预定义码本中。然而，将预编码器的选择限制在预定义的码本中会限制可实现的系统性能。不同的预编码器码本(例如，3GPP NR下行链路Type I-单面板/多面板、Type II、eType II、或上行链路码本)具有不同的预设反馈开销。如果网络在接收器处估计原始CSI之前指定预设码本，接收器则无法根据反馈开销和系统性能之间的权衡进一步优化码本选择。

本申请的各个方面提供了将原始CSI的压缩版本反馈给发送器的方法和实施例。基于压缩CSI，发送器能够最佳地计算用于预编码发送信号的预编码器，并且最佳地决定其他传输参数，如RI、MCS等。此外，用于压缩原始CSI的压缩率可以在原始CSI被估计后动态地决定，以允许反馈开销和系统性能之间的最佳权衡。

图2示出了本申请实施例提供的一种CSI反馈过程200。在过程200中，发送器210和接收器220中的每一个可以是UE或BS，并且步骤S250和S251分别与第1图的过程100中的步骤S150和S151类似。

在步骤S252中，接收器220可以将原始CSI编码(或压缩)为压缩CSI。

在步骤S253中，接收器220可以将压缩CSI发回给发送器210。

在步骤S254中，发送器210可以将压缩CSI解码(或解压)为解压CSI。

在步骤S255中，发送器210可以确定传输参数并基于解压CSI预编码信号。

根据本申请的各个方面，大规模MIMO系统可以增加无线系统中的下行链路(downlink，DL)吞吐量，并且由于基站的大量天线，下行链路CSI反馈开销可以显著增加。相应地，CSI压缩可以帮助减少CSI反馈开销。

有多种算法可以实现CSI压缩，例如基于压缩感应的CSI压缩和基于深度学习(或机器学习)的CSI压缩。与基于压缩感应的CSI压缩相比，基于深度学习的解决方案可以在基站提供更好的重建性能，例如，在平均平方误差方面。在一个实施例中，编码器可以在UE处使用深度神经网络来压缩原始CSI，并且解码器可以在基站处使用深度神经网络来解压压缩CSI并重建CSI。

在基于深度学习(或机器学习)的CSI压缩中，CSI矩阵可以转换为多维强度矩阵(或CSI图像)，其可以被认为是彩色图像。然而，与图像处理中使用的彩色图像相比，CSI图像相对更简单。例如，CSI矩阵(或图像)的维数可能较少，或者比图像处理中使用的彩色图像更稀疏。因此，基于深度学习的CSI压缩可能在训练好的神经网络模型中存在过拟合(overfitting)问题。也就是说，训练好的神经网络模型可能只对CSI训练数据表现良好，但对CSI测试数据的表现相对较差。经过训练的神经网络模型可以很容易地找到最佳函数来压缩训练过的CSI图像。然而，训练过的神经网络模型只能很好地适应训练过的CSI图像，很难很好地适应测试CSI图像。

为了克服过拟合问题，可以使用各种正则化(regularization)或剔除(dropout)方法。此外，还可以使用在线训练，在训练好的神经网络模型已经部署在现场后，收集更多的数据并进行训练。在线训练还可以帮助调整训练好的神经网络模型，以适应更多样化的信道环境。

本申请提供了将在线训练应用于基于深度学习(或机器学习)的CSI压缩的方法和实施例。在在线训练中，可以一起自动训练编码器模型(或结构)与解码器模型，以形成自动训练的编码器-解码器模型对。编码器模型和/或解码器模型可以是基于深度学习(或机器学习)的模型。根据本申请内容的各个方面，编码器模型和/或解码器模型可以首先进行脱机训练，然后进行在线训练。脱机和在线训练都可以基于各种人工智能(artificialintelligence，AI)和/或机器学习(machine learning，ML)算法。

根据本申请的各个方面，在线训练可以由UE、BS或诸如云服务器的服务器执行。图3A-3E示出了本申请实施例提供的在线训练CSI数据的多种过程。

图3A示出了本申请实施例提供的一种在线训练CSI数据的过程300。在过程300中，UE 301配置有经过训练的编码器模型(或压缩模型)303，并且基于该经过训练的编码器(或压缩模型)303将原始CSI数据编码(或压缩)为压缩CSI。UE 301可以将压缩CSI发送到配置有经过训练的解码器模型(或解压模型)304的BS 302。BS 302可以基于该经过训练的解码器模型(或解压模型)304对压缩CSI进行解码(或解压)以重建估计的CSI。

为了执行在线训练，UE 301进一步配置有包括编码器模型303和解码器模型304的编码器-解码器模型对。在UE 301处收集新的CSI数据之后，UE 301可以执行在线训练从而用新的CSI数据训练整个编码器-解码器模型对。在在线训练之后，UE 301可以将解码器模型304的更新模型发送到BS 302。然后，BS 302可以基于解码器模型304的更新模型执行CSI数据的解码。

具体而言，在步骤S310中，UE 301可以收集信道数据。例如，UE 301可以接收诸如从BS 302传输的CSI-RS的参考信号，并且基于接收的参考信号测量信道数据。

在步骤S312中，在收集信道数据之后，UE 301可以通过基于收集的信道数据训练整个编码器-解码器对来执行在线训练，以获得编码器模型303的更新模型和解码器模型304的更新模型。例如，通过在线训练，UE 301可以获得编码器-解码器模型对的至少部分权重的更新值。然后，UE 301可以根据编码器303的更新模型来更新编码器303。例如，UE 301可以基于编码器模型303的至少部分权重的更新值来更新编码器303。

在步骤S314中，UE 301可以将用于解码器模型304的更新模型发送到BS 302。例如，UE 301可以将用于解码器模型304的至少部分权重的更新值发送给BS 302。

在步骤S316中，BS 302可以基于收到的更新模型来更新解码器模型304。例如，BS302可以基于解码器模型304的至少部分权重的更新值来更新解码器模型304。

在在线训练之后，UE 301可以基于更新的编码器模型303压缩原始CSI，并且BS302可以基于更新的解码器模型304来解压压缩的CSI。通过在线训练，可以减少用于压缩CSI的开销和复杂度。

图3B示出了本申请实施例提供的一种在线训练CSI数据的过程320。在过程320中，BS 302配置有包括编码器模型303和解码器模型304的编码器-解码器模型对，从而执行在线训练。

具体而言，在步骤S330中，BS 302可以收集信道数据。在时分双工(Time DivisionDuplexing，TDD)的示例中，BS 302可以通过信道互易性来收集信道数据。也就是说，BS 302可以从UE 301接收诸如CSI-RS的参考信号，并且基于接收的参考信号测量信道数据。或者，在频分双工(Frequency Division Duplexing，FDD)的另一个示例中，UE 301可以测量信道数据并向BS 302报告。

在步骤S332中，在收集信道数据之后，BS 302可以基于收集的信道数据训练整个编码器-解码器模型对，从而执行在线训练，以获得编码器模型303的更新模型和解码器模型304的更新模型。例如，通过在线训练，BS 302可以获得编码器-解码器模型对的至少部分权重的更新值。然后，BS 302可以根据解码器模型304的更新模型来更新解码器304。例如，BS 302可以基于解码器模型304的至少部分权重的更新值来更新解码器304。

在步骤S334中，BS 302可以将编码器模型303的更新模型发送到UE 301。例如，BS302可以将编码器模型303的至少部分权重的更新值发送给UE 301。

在步骤S336中，UE 301可以基于收到的更新模型来更新编码器模型303。例如，UE301可以基于编码器模型303的至少部分权重的更新值来更新编码器模型303。

在在线训练之后，UE 301可以基于更新的编码器模型303压缩原始CSI，并且BS302可以基于更新的解码器模型304来解压压缩的CSI。通过在线训练，可以减少用于压缩CSI的开销和复杂度。

图3C示出了本申请实施例提供的一种在线训练CSI数据的过程330。在过程330中，可以在诸如云服务器305的服务器上执行在线训练，服务器配置有包括编码器模型303和解码器模型304的编码器-解码器模型对。

具体而言，在步骤S331中，BS 302可以收集信道数据。在TDD中的示例中，BS 302可以通过信道互易性来收集信道数据。也就是说，BS 302可以从UE 301接收诸如CSI-RS的参考信号，并且基于接收的参考信号测量信道数据。或者，在FDD的另一个示例中，UE 301可以测量信道数据并向BS 302报告。

在步骤S332中，在收集信道数据之后，BS 302可以将信道数据传输到云服务器305。

在步骤S333中，云服务器305可以基于收集的信道数据训练整个编码器-解码器模型对，从而执行在线训练，以获得编码器模型303的更新模型和解码器模型304的更新模型。例如，通过在线训练，云服务器305可以获得用于编码器-解码器模型对的至少部分权重的更新值。

在步骤S334中，在整个编码器-解码器模型对被训练和更新之后，云服务器305可以将编码器模型303的更新模型和解码器模型304的更新模型发送到BS 302。

在步骤S335中，在接收编码器模型303的更新模型和解码器模型304的更新模型之后，BS 302可以基于解码器304的更新模型来更新解码器304。例如，BS 302可以基于解码器模型304的至少部分权重的更新值来更新解码器304。

在步骤S336中，BS 302可以将编码器模型303的更新模型传送到UE 301。例如，BS302可以将编码器模型303的至少部分权重的更新值发送给UE 301。

在步骤S337中，UE 301可以基于收到的更新模型来更新编码器模型303。例如，UE301可以基于编码器模型303的至少部分权重的更新值来更新编码器模型303。

在在线训练之后，UE 301可以基于更新的编码器模型303压缩原始CSI，并且BS302可以基于更新的解码器模型304来解压压缩的CSI。通过在线训练，可以减少用于压缩CSI的开销和复杂度。

图3D示出了本申请实施例提供的一种在线训练CSI数据的过程340。在过程340中，可以在诸如云服务器305的服务器上执行在线训练，服务器配置有包括编码器模型303和解码器模型304的编码器-解码器模型对。

具体而言，在步骤S341中，UE 301可以收集信道数据。例如，UE 301可以接收诸如从BS 302传输的CSI-RS的参考信号，并且基于接收的参考信号测量信道数据。

在步骤S342中，在收集信道数据之后，UE 301可以将信道数据传输到云服务器305。

在步骤S343中，云服务器305可以基于收集的信道数据训练整个编码器-解码器模型对，从而执行在线训练，以获得编码器模型303的更新模型和解码器模型304的更新模型。例如，通过在线训练，云服务器305可以获得用于编码器-解码器模型对的至少部分权重的更新值。

在步骤S344中，在整个编码器-解码器模型对被训练和更新之后，云服务器305可以将编码器模型303的更新模型和解码器模型304的更新模型发送到UE 301。

在步骤S345中，在接收到编码器模型303的更新模型和解码器模型304的更新模型之后，UE 301可以基于编码器303的更新模型来更新编码器303。例如，UE 301可以基于编码器模型303的至少部分权重的更新值来更新编码器303。

在步骤S346中，UE 301可以将解码器模型304的更新模型传送到BS 302。例如，UE301可以将解码器模型304的至少部分权重的更新值发送给BS 302。

在步骤S347中，BS 302可以基于收到的更新模型更新解码器模型304。例如，BS302可以基于解码器模型304的至少部分权重的更新值来更新解码器模型304。

在在线训练之后，UE 301可以基于更新的编码器模型303压缩原始CSI，并且BS302可以基于更新的解码器模型304来解压压缩的CSI。通过在线训练，可以减少用于压缩CSI的开销和复杂度。

在图3C的示例中，服务器305从BS 302接收信道数据并将编码器模型303和解码器模型304的更新模型传送到BS 302。然后，BS 302向UE 301传送编码器303的更新模型。

在图3D的示例中，服务器305接收来自UE 301的信道数据并向UE 301传送编码器模型303的更新模型和解码器模型304的更新模型。然后，UE 301向BS 302传送解码器304的更新模型。

根据本申请内容的各个方面，服务器305可以从UE 301和BS 302接收信道数据，并将编码器模型303的更新模型和解码器模型304的更新模型分别传送到UE 301和BS 302。

图3E示出了本申请实施例提供的一种在线训练CSI数据的过程350。在过程350中，可以在诸如云服务器305的服务器上执行在线训练，服务器配置有包括编码器模型303和解码器模型304的编码器-解码器模型对。UE 301和BS 302中的每一个可以收集信道数据并报告给云服务器305。例如，UE 301可以在步骤S351收集信道数据并在步骤S352向云服务器305报告。BS 304可以在步骤S353收集信道数据并在步骤S354向云服务器305报告。

在接收信道数据之后，云服务器305可以在步骤S355执行在线训练，并在步骤S356和S357分别将更新模型发送到UE 301和BS 302。然后，UE 301和BS 302可以分别在步骤S358和S359更新编码器模型303和解码器模型304。

需要提出的是，本申请并不限制云服务器305是否可以在从UE 301和BS 302两者或其中之一接收信道数据之后执行在线训练。在一个示例中，在接收来自UE 301和BS 302两者的信道数据之后，云服务器305可以执行在线训练。在一个示例中，在从UE 301和BS302中的任何一个接收信道数据之后，云服务器305可以执行在线训练。

图4A示出了本申请实施例提供的一种过程410的流程图。过程410可以由装置500的处理电路510执行。过程410也可以由计算机系统600的中央处理单元(centralprocessing unit，CPU)641、图形处理单元(Graphics Processing Unit，GPU)642、现场可编程设计门阵列(field programmable gate array，FPGA)643、或加速器644中的至少一个执行。过程410可以用软件指令实现，并且当处理电路510或CPU 641、GPU 642、FPGA 643、或加速器644中的至少一个执行软件指令时，处理电路510或CPU 641、GPU 642、FPGA 643、或加速器644中的至少一个执行过程410。

过程410通常可以在步骤411开始。其中，过程410在UE处收集UE和BS之间的信道的CSI数据。UE配置有用于压缩CSI的编码器模型，BS配置有用于解压CSI的解码器模型。然后，过程410进行到步骤S412。

在步骤S412中，过程410在UE处基于所收集的CSI数据对包括编码器模型和解码器模型的先前训练的编码器-解码器模型对进行在线训练，以分别生成编码器模型和解码器模型的更新模型。然后，过程410结束。

在一个实施例中，过程410从UE向BS发送解码器模型的更新模型。从UE发送的解码器模型的更新模型被BS用来更新BS的解码器模型。过程410在UE处基于编码器模型的更新模型更新UE的编码器模型。过程410在UE处基于更新的编码器模型将CSI元素压缩成压缩CSI元素。过程410将压缩CSI元素从UE发送至BS。压缩CSI元素由BS基于更新的解码器模型进行解压。

在一个实施例中，更新模型包括编码器模型和解码器模型的至少部分参数。

在一个实施例中，过程410在UE处接收来自BS的参考信号，并且在UE处基于参考信号测量CSI数据。

图4B示出了本申请实施例提供的一种过程420的流程图。过程420可以由装置500的处理电路510执行。过程420也可以由计算机系统600的CPU 641、GPU 642、FPGA 643、或加速器644中的至少一个执行。过程420可以用软件指令实现，并且当处理电路510或CPU 641、GPU 642、FPGA643、或加速器644中的至少一个执行软件指令时，处理电路510或CPU 641、GPU 642、FPGA643、或加速器644中的至少一个执行过程420。

过程420通常可以在步骤421开始。其中，过程420在BS处收集UE和BS之间的信道的CSI数据。UE配置有用于压缩CSI的编码器模型，BS配置有用于解压CSI的解码器模型。然后，过程420进行到步骤S422。

在步骤S422中，过程420在BS处基于所收集的CSI数据对包括编码器模型和解码器模型的先前训练的编码器-解码器模型对进行在线训练，以分别生成编码器模型的更新模型和解码器模型的更新模型。然后，过程420结束。

在一个实施例中，过程420从BS向UE发送编码器模型的更新模型。从BS发送的编码器模型的更新模型被UE用来更新UE的编码器。基于更新的编码器模型，UE将CSI元素压缩成压缩CSI元素。压缩CSI元素从UE发送到BS。过程420在BS处基于解码器模型的更新模型，更新BS的解码器模型。过程420在BS处基于更新的解码器模型对压缩CSI元素进行解压。

在一个实施例中，更新模型包括编码器模型和解码器模型的至少部分参数。

在一个实施例中，过程420在BS处接收来自UE的参考信号，并且在BS处基于参考信号测量CSI数据。

在一个实施例中，过程420从BS向UE发送参考信号，并且在BS和从UE接收包括由UE基于参考信号生成的CSI数据的CSI报告。

图4C示出了本申请实施例提供的一种过程430的流程图。过程430可以由装置500的处理电路510执行。过程430也可以由计算机系统600的CPU 641、GPU 642、FPGA643、或加速器644中的至少一个执行。过程430可以用软件指令实现，并且当处理电路510或CPU 641、GPU 642、FPGA643、或加速器644中的至少一个执行软件指令时，处理电路510或CPU 641、GPU 642、FPGA643、或加速器644中的至少一个执行过程430。

过程430通常可以在步骤431开始。其中，过程430在服务器处收集UE和BS之间的信道的CSI数据。UE配置有用于压缩CSI的编码器模型，BS配置有用于解压CSI的解码器模型。然后，过程430进行到步骤S432。

在步骤S432中，过程430在服务器处基于所收集的CSI数据对包括编码器模型和解码器模型的先前训练的编码器-解码器模型对进行在线训练，以分别生成编码器模型的更新模型和解码器模型的更新模型。然后，过程430结束。

在一个实施例中，过程430从服务器向BS发送编码器模型的更新模型和解码器模型的更新模型。解码器模型的更新模型被BS用来更新BS的解码器模型。编码器模型的更新模型从BS发送到UE。从BS传送的编码器模型的更新模型被UE用来更新UE的编码器模型。

在一个实施例中，过程430从服务器向UE发送编码器模型的更新模型和解码器模型的更新模型。编码器模型的更新模型被UE用来更新UE的编码器模型。解码器模型的更新模型由UE传送给BS。从UE传送的解码器模型的更新模型被BS用来更新BS的解码器模型。

在一个实施例中，过程430从服务器向BS发送解码器模型的更新模型，并且从服务器向UE发送编码器模型的更新模型。

在一个实施例中，过程430在服务器处收集来自BS和UE中至少一个的CSI数据。在一个示例中，过程430在服务器处收集来自BS或UE的CSI数据。在一个示例中，过程430在服务器处收集来自BS和UE两者的CSI数据。

图5示出了本申请实施例提供的一种装置500。装置500可以配置为根据本文描述的一个或多个实施例或示例执行各种功能。因此，装置500可以提供实现本文技术、过程、功能、组件、系统的手段。例如，装置500可用于实现本文描述的各种实施例和示例中的UE或BS(例如，gNB)的功能。装置500可以包括通用处理器或专门设计的电路，以在各种实施例中实现本文的各种功能、组件或过程。装置500包括处理电路510、存储器520、和射频(radiofrequency，RF)模块530。

在各种实施例中，处理电路510包括用于结合软件或不结合软件来执行本文的功能和过程的电路。在各种示例中，处理电路510可以是数字信号处理器(digital signalprocessor，DSP)、特定应用集成电路(application specific integrated circuit，ASIC)、可程序设计逻辑器件(programmable logic device，PLD)、FPGA、数字增强电路或类似器件或其组合。

在其他示例中，处理电路510可以是CPU，配置为执行程序指令以执行本文的各种功能和过程。相应地，存储器520配置为存储程序指令。处理电路510在执行程序指令时，可以执行功能和过程。存储器520可以进一步存储其他程序或数据，如操作系统、应用程序等。存储器520可以包括只读存储器(read only memory，ROM)、随机接入存储器(randomaccess memory，RAM)、闪存、固态存储器、硬盘驱动器、光盘驱动器等。

射频模块530从处理电路510接收经过处理的数据信号，并将数据信号转换为波束成形无线信号，然后通过天线面板540和/或550传输，反之亦然。射频模块530包括数字模拟转换器(digital to analog convertor，DAC)、模拟数字转换器(analog to digitalconvertor，ADC)、升频转换器、降频转换器、滤波器和放大器，用于接收和传输操作。射频模块530可以包括用于波束成形操作的多天线电路。例如，多天线电路可以包括上行空间滤波电路和下行空间滤波电路，用于转移模拟信号相位或缩放模拟信号振幅。天线面板540和550中的每一个可以包括一个或多个天线阵列。

在一个实施例中，所有天线板540/550的一部分以及RF模块530的部分或全部功能实现为一个或多个发送接收点(transmission and reception point，TRP)，装置500的其余功能实现为BS。相应地，多个TRP可以与BS共处一地(co-located)，或者可以远离BS部署。

可选地，装置500可包括其他组件，例如输入和输出设备、附加或信号处理电路等。相应地，装置500可执行其他附加功能，例如执行应用程序，以及处理替代通信协议。

本文所描述的进程和功能可以作为计算机程序实施，其中计算机程序在由一个或多个处理器执行时，可使一个或多个处理器执行相应进程和功能。计算机程序可以存储或分布在合适的介质上，诸如与其他硬件一起提供或作为其一部分来提供的光学存储介质或者固态介质。计算机程序也可以以其他形式分布，诸如经由因特网或其他有线或无线电讯系统。例如，计算机程序可以被获取并加载到装置中，包括通过实体介质或分布式系统(例如连接至因特网的服务器)获取所述计算机程序。

计算机程序可以从计算机可读介质接入，其中计算机可读介质用于提供由计算机或任何指令执行系统使用或与其连接使用的程序指令。所述计算机可读介质可以包括任何存储、通信、传播或传输计算机程序以供指令执行系统、装置或设备使用或与其连接使用的装置。所述计算机可读介质可以是磁性、光学、电子、电磁、红外或半导体系统(或装置或设备)或传播介质。所述计算机可读介质可以包括计算机可读的非暂存性存储介质，诸如半导体或固态存储器、磁带、可移动计算机磁盘、随机接入存储器(RAM)、只读存储器(ROM)、磁盘和光盘等。所述计算机可读的非暂存性存储介质可以包括所有种类的计算机可读介质，包括磁性存储介质、光学存储介质、闪存介质和固态存储介质。

可以理解的是，所披露的过程/流程图中的步骤的具体顺序或层次是对示范性方法的说明。基于设计偏好，可以理解的是，可以重新安排流程/流程图中的步骤的具体顺序或层次。此外，可以合并或省略一些步骤。随附的方法申请专利范围以示例性的顺序提出了各种步骤的元素，然而并不意味着被限制在所提出的具体顺序或层次上。

可以使用计算机可读指令作为计算机软件来实现上述技术，并物理地存储在一个或多个计算机可读介质中。例如，图6示出了一种可实现所公开主题的实施例的计算机系统600。

计算机软件可以使用任何合适的机器码或计算机语言进行编码，该机器码或计算机语言可以受制于汇编、编译、连结或类似机制，以创建包括指令的代码，该指令可由一个或多个计算机CPU、GPU等直接执行或通过解释、微代码执行等。

该指令可以在各种类型的计算机或其组件上执行，包括例如个人计算机、平板计算机、服务器、智能手机、游戏设备、物联网设备等。

图6中所示的用于计算机系统600的组件是示例性的，不旨在暗示对实现本申请内容的实施例的计算机软件的使用范围或功能的任何限制。组件的配置也不应被解释为具有与计算机系统600的示例性实施例中说明的任何一个或组合的组件有关的任何依赖性或要求。

计算机系统600可以包括人机界面输入设备。这样的人机界面输入设备可以对一个或多个人类用户通过例如触觉输入(例如：按键、刷卡、数据手套运动(data glovemovements))、音频输入(例如：声音、拍手)、视觉输入(例如：手势)、嗅觉输入(未显示)的输入做出回应。人机界面装置也可用于捕捉某些与人的有意识输入不一定直接相关的媒体，如音频(如：语音、音乐、环境声)、图像(如：扫描图像、从静止图像相机获得的摄影图像)、视频(如二维视频、三维视频包括立体视频)。

人机界面输入设备可以包括以下一项或多项(每项只描绘了一个)：键盘601、鼠标602、触摸板603、触摸屏610、数据手套(未显示)、操纵杆605、麦克风606、扫描仪607和照相机608。

计算机系统600还可以包括某些人机接口输出装置。这样的人机接口输出装置可以通过如触觉输出、声音、光和嗅觉/味道来刺激一个或多个人类用户的感官。人机接口输出装置可包括触觉输出装置(例如由触摸屏610、数据手套(未显示)、或操纵杆605提供的触觉反馈，但也可以有不作为输入设备的触觉反馈设备)，音频输出设备(例如扬声器609、耳机(未显示)、视觉输出装置(如屏幕610，包括CRT屏幕、LCD屏幕、等离子屏幕、OLED屏幕，每个屏幕都有或没有触摸屏输入功能，每个屏幕都有或没有触觉反馈功能，且其中一些设备可以通过立体输出等方式输出二维视觉输出或三维以上的输出；虚拟现实眼镜(未显示)、全息显示器和烟雾罐(未显示)，以及打印机(未显示))。这些视觉输出装置(例如屏幕610)可以通过图形适配器650连接到系统总线648。

计算机系统600还包括人类可访问的存储设备及相关介质，例如包括CD/DVD ROM/RW 620与CD/DVD或类似介质621的光学介质、闪存盘622、可移动硬盘或固态驱动器623、传统的磁介质，例如磁带和软盘(未显示)、基于ROM/ASIC/PLD的专用设备，例如安全加密器(未显示)，以及类似设备。

本领域技术人员还应该理解，与本发明公开的主题相关的术语“计算机可读介质”不包括传输介质、载波或其他短暂信号。

计算机系统600还可以包括连接到一个或多个通信网络655的网络接口654。例如，该一个或多个通信网络655可以是无线的、有线的、光学的。该一个或多个通信网络655可以进一步是本地的、广域的、都市的、车辆的和工业的、实时的、延迟容忍的等。该一个或多个通信网络655的示例包括局域网络，如以太网、无线局域网、蜂窝网络，包括GSM、3G、4G、5G、LTE等、电视有线或无线广域数字网络，包括有线电视、卫星电视和地面广播电视、车辆和工业，包括CANBus等等。某些网络通常需要连接到某些通用数据端口或外围总线649的外部网络接口适配器(例如，计算机系统600的USB端口)；其他网络通常通过连接到下文该的系统总线而集成到计算机系统600的核心中(例如，以太网接口到PC计算机系统，或蜂窝网络接口到智能电话计算机系统)。通过使用这些网络中的任何一种，计算机系统600可以与其他实体通信。这种通信可以是单向的，只接收(例如广播电视)，只发送(例如CANbus到某些CANbus设备)；或双向的，例如使用本地或广域数字网络到其他计算机系统。可以在上述的每个网络和网络接口上使用一些协议和协议堆叠。

前述的人机接口设备、人类可访问的存储设备、和网络接口可以连接到计算机系统600的核心640。

核心640可以包括一个或多个CPU 641、GPU 642、FPGA形式的专用可程序设计处理单元643、用于某些任务的硬件加速器644、图形适配器650等。这些设备以及ROM 645、RAM646、内部大容量存储647，如内部非用户可访问的硬盘、SSD等，可以通过系统总线648连接。在一些计算机系统中，系统总线648可以以一个或多个实体插头的形式接入，以便通过额外的CPU、GPU等实现扩展。外围设备可以直接或通过外围总线649连接到核心的系统总线648。在一个示例中，屏幕610可以被连接到图形适配器650。外围总线的架构包括PCI、USB等。

CPU 641、GPU 642、FPGA 643和加速器644可以执行指令，这些指令组合起来可以构成上述计算机代码。该计算机代码可以存储在ROM 645或RAM 646中。过渡性数据也可以存储在RAM 646中，而永久性数据可以存储在例如内部大容量存储647中。可以通过使用缓存存储器来实现对任何存储设备的快速存储和检索，该缓存存储器可以与一个或多个CPU641、GPU 642、内部大容量存储647、ROM 645、RAM 646等紧密相关。

计算机可读介质可以在存储用于执行各种计算机实现的操作的计算机代码。该介质和计算机代码可以是为本申请的目的而特别设计和构造的，或者它们可以是计算机软件技术领域的技术人员可获得的。

作为示例而不是限制，具有架构的计算机系统600，特别是核心640可以提供功能，因为处理器(包括CPU、GPU、FPGA、加速器等)执行体现在一个或多个有形、计算机可读介质中的软件。这种计算机可读介质可以是与上文介绍的用户可访问的大容量存储相关的介质，以及核心640的某些非临时性的存储器，如核心内部大容量存储647或ROM 645。实现本申请的各种实施方案的软件可以存储在这种设备中，并由核心640执行。根据特定需要，计算机可读介质可以包括一个或多个存储设备或芯片。软件可以使核心640，具体是其中的处理器(包括CPU、GPU、FPGA等)执行本文的特定过程或特定过程的特定部分，包括定义存储在RAM 646中的数据结构并根据软件所定义的过程修改此类数据结构。此外或可选地，计算机系统可以提供功能，作为硬接线或以其他方式体现在电路(例如，加速器644)中的逻辑的结果，它可以代替或与软件一起操作，以执行本文的特定过程或特定过程的特定部分。在适当情况下，对软件的提及可以包括逻辑，反之亦然。在适当情况下，对计算机可读介质的提及可以包括存储用于执行的软件的电路(如集成电路(integrated circuit，IC))、体现用于执行的逻辑的电路、或以上两者。本申请内容包括硬件和软件的任何适当组合。

虽然本申请内容已经描述了若干示范性的实施方案，但还有一些改变、排列组合和各种替代的等价物，它们都属于本申请内容的范围。因此，可以理解的是，本领域技术人员将能够设计出许多系统和方法，这些系统和方法虽然在此没有明确显示或描述，但体现了本申请的原则，因此属于其精神和范围。

上述描述是为了使本领域技术人员能够实践本文的各个方面。对这些方面的各种修改对于本领域技术人员来说将是显而易见的，而且这里定义的通用原则可以应用于其他方面。因此，申请专利范围并不旨在局限于本文所示的方面，而是给予与申请专利范围语言相一致的全部范围，其中提及单数的元素并不意味着“一个且只有一个”，除非特别说明，而是“一个或多个”。所使用的“示例性的”一词是指“作为一个示例、实例或说明”。此处描述为“示例性的”的任何方面不一定被理解为比其他方面更优选或有利。除非特别说明，术语“一些”是指一个或多个。例如“A、B或C中的至少一个”、“A、B或C中的一个或多个”、“A、B和C中的至少一个”、“A、B、和C中的一个或多个”、以及“A、B、C或其任何组合”的组合包括A、B和/或C的任何组合，并且可以包括多个A、多个B、或多个C。具体而言，诸如“A、B、或C中的至少一个”、“A、B或C中的一个或多个”、“A、B和C中的至少一个”、“A、B和C中的一个或多个”、以及“A、B、C或其任何组合”的组合可以是只有A、只有B、只有C、A和B、A和C、或A和B和C；其中，任何此类组合可以包含A、B、或C的至少一个或多个。本申请内容中所描述的各方面元素的所有结构和功能上的等价设置，且对于本领域技术人员来说是已知的或后来才知道的，在此明确纳入参考，并包含在申请专利范围中。此外，本文所披露的任何内容都不旨在奉献给公众，无论这种披露是否明确地在申请专利范围中被提及。“模块”、“机制”、“元素”、“设备”等词语不能代替“手段”一词。因此，除非使用“用于…的手段”这一短语明确叙述，否则任何申请专利范围要素都不能被理解为手段加功能。

Claims (20)

1.一种用于信道状态信息反馈的方法，包括：

在用户设备处收集所述用户设备和基站之间的通信信道的信道状态信息数据，其中，所述用户设备配置有用于压缩信道状态信息的编码器模型，所述基站配置有用于解压信道状态信息的解码器模型；以及

基于收集的所述信道状态信息数据，在所述用户设备处对包括所述编码器模型和所述解码器模型的先前训练的编码器-解码器模型对进行在线训练，以分别生成所述编码器模型和所述解码器模型的更新模型。

2.如权利要求1所述的方法，进一步包括：

从所述用户设备向所述基站发送所述解码器模型的所述更新模型；

在所述用户设备处，基于所述编码器模型的所述更新模型来更新所述用户设备的所述编码器模型；以及

在所述用户设备处，基于更新的编码器模型，将信道状态信息元素压缩成压缩信道状态信息元素。

3.如权利要求2所述的方法，其特征在于，基于从所述用户设备发送的所述解码器模型的所述更新模型来更新所述基站的所述解码器模型，并且所述压缩信道状态信息元素由所述基站基于更新的所述解码器模型来解压。

4.如权利要求1所述的方法，其特征在于，更新的所述模型至少包括所述编码器模型和所述解码器模型的部分参数。

5.如权利要求4所述的方法，其特征在于，所述收集包括：

在所述用户设备处接收来自所述基站的参考信号；以及

在所述用户设备处，基于所述参考信号测量所述信道状态信息数据。

6.一种用于信道状态信息反馈的方法，包括：

在基站处收集所述基站和用户设备之间的通信信道的信道状态信息数据，其中，所述用户设备配置有用于压缩信道状态信息的编码器模型，所述基站配置有用于解压信道状态信息的解码器模型；以及

基于收集的所述信道状态信息数据，在所述基站处对包括所述编码器模型和所述解码器模型的先前训练的编码器-解码器模型对进行在线训练，以分别生成所述编码器模型和所述解码器模型的更新模型。

7.如权利要求6所述的方法，进一步包括：

从所述基站向所述用户设备发送所述编码器模型的所述更新模型；

在所述基站处，基于所述解码器模型的所述更新模型来更新所述基站的所述解码器模型；以及

在所述基站处，基于更新的解码器模型对压缩信道状态信息元素进行解压。

8.如权利要求7所述的方法，其特征在于，基于从所述基站发送的所述编码器模型的所述更新模型来更新所述用户设备的所述编码器模型，并且所述压缩信道状态信息元素由所述用户设备基于更新的编码器模型生成。

9.如权利要求6所述的方法，其特征在于，所述更新模型至少包括所述编码器模型和所述解码器模型的部分参数。

10.如权利要求6所述的方法，其特征在于，所述收集包括：

在所述基站处接收来自所述用户设备的参考信号；以及

在所述基站处，基于所述参考信号测量所述信道状态信息数据。

11.如权利要求6所述的方法，其特征在于，所述收集包括：

从所述基站向所述用户设备发送参考信号；以及

在所述基站处从所述用户设备接收信道状态信息报告，所述信道状态信息报告包括由所述用户设备基于所述参考信号生成的所述信道状态信息数据。

12.一种用于信道状态信息反馈的方法，包括：

在服务器处收集用户设备和基站之间的通信信道的信道状态信息数据，其中，所述用户设备配置有用于压缩信道状态信息的编码器模型，所述基站配置有用于解压信道状态信息的解码器模型；以及

基于收集的所述信道状态信息数据，在所述服务器处对包括所述编码器模型和所述解码器模型的先前训练的编码器-解码器模型对进行在线训练，以分别生成所述编码器模型和所述解码器模型的更新模型。

13.如权利要求12所述的方法，进一步包括：

从所述服务器向所述基站发送所述编码器模型的所述更新模型和所述解码器模型的所述更新模型。

14.如权利要求13所述的方法，其特征在于，从所述服务器发送的所述解码器模型的所述更新模型由所述基站用于更新所述基站的所述解码器模型，从所述服务器发送的所述编码器模型的所述更新模型由所述基站发送到所述用户设备。

15.如权利要求14所述的方法，其特征在于，所述用户设备使用从所述基站发送的所述编码器模型的所述更新模型来更新所述用户设备的所述编码器模型。

16.如权利要求12所述的方法，进一步包括：

从所述服务器向所述用户设备发送所述编码器模型和所述解码器模型的所述更新模型。

17.如权利要求16所述的方法，其特征在于，从所述服务器发送的所述编码器模型的所述更新模型由所述用户设备用于更新所述用户设备的所述编码器模型，从所述服务器发送的所述解码器模型的所述更新模型由所述用户设备发送到所述基站。

18.如权利要求17所述的方法，其特征在于，所述基站使用从所述用户设备发送的所述解码器模型的所述更新模型来更新所述基站的所述解码器模型。

19.如权利要求12所述的方法，进一步包括：

从所述服务器向所述基站发送所述解码器模型的所述更新模型；以及

从所述服务器向所述用户设备发送所述编码器模型的所述更新模型。

20.如权利要求12所述的方法，其特征在于，所述收集包括：

在所述服务器处收集来自所述基站和所述用户设备中至少一个的所述信道状态信息数据。