WO2023079946A1 - 無線端末、無線アクセスネットワークノード、及びこれらの方法 - Google Patents

無線端末、無線アクセスネットワークノード、及びこれらの方法 Download PDF

Info

Publication number
WO2023079946A1
WO2023079946A1 PCT/JP2022/038758 JP2022038758W WO2023079946A1 WO 2023079946 A1 WO2023079946 A1 WO 2023079946A1 JP 2022038758 W JP2022038758 W JP 2022038758W WO 2023079946 A1 WO2023079946 A1 WO 2023079946A1
Authority
WO
WIPO (PCT)
Prior art keywords
wireless terminal
control information
specific action
machine learning
radio access
Prior art date
Application number
PCT/JP2022/038758
Other languages
English (en)
French (fr)
Inventor
尚 二木
Original Assignee
日本電気株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to JP2023557930A priority Critical patent/JPWO2023079946A1/ja
Publication of WO2023079946A1 publication Critical patent/WO2023079946A1/ja

Links

Images

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
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/34—Reselection control
    • H04W36/36—Reselection control by user or terminal equipment
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/16—Discovering, processing access restriction or access information

Definitions

  • the present disclosure relates to wireless communication networks, and in particular to applying artificial intelligence (AI) to wireless communication networks.
  • AI artificial intelligence
  • the 3rd Generation Partnership Project (3GPP®) discusses the application or introduction of AI or machine learning (ML) to 5G. (internal functions) and air interface (i.e., Uu) In 3GPP Release 17, the Radio Access Network (RAN) Working Group #3 (RAN3) has no User Equipment (UE) involvement.
  • RAN3 Radio Access Network
  • UE User Equipment
  • network-based AI/ML examples of targets here include energy saving, load balancing, and mobility optimization (e.g. See Non-Patent Documents 1 and 2.)
  • the network performs AI/ML inference, which is prediction or prediction based on a trained machine learning model.
  • Implying decision AI/ML inference capabilities may be deployed in the Next Generation Radio Access Network (NG-RAN) (e.g., gNB) Machine learning model training may occur in NG-RAN Alternatively, Operation, Administration and Maintenance (OAM) can train a machine learning model and feed the trained machine learning model (i.e., trained parameters) to NG-RAN (e.g., gNB). good.
  • NG-RAN Next Generation Radio Access Network
  • OAM Operation, Administration and Maintenance
  • UE-based AI/ML the UE performs AI/ML inference.
  • Potential use cases of AL/ML for the air interface are Channel State Information (CSI) feedback compression, beam management, positioning, reference signal (RS) overhead reduction, and mobility including.
  • CSI Channel State Information
  • RS reference signal
  • the UE-based AI/ML the UE runs AI models (i.e., trained machine learning models) and obtains AI inference results locally. For example, the UE can predict future events or measurements based on past measurements. The UE can feed back the predicted results (e.g., mobility or beam prediction) to the network (e.g., gNB).
  • the network e.g., gNB
  • CMCC "Revised SID: Study on enhancement for data collection for NR and ENDC", RP-201620, 3GPP TSG-RAN Meeting #89e, Electronic meeting, September 14-18, 2020 3GPP TR 37.817 V0.3.0 (2021-08) "3rd Generation Partnership Project; Technical Specification Group RAN; Evolved Universal Terrestrial Radio Access (E-UTRA) and NR; Study on enhancement for Data Collection for NR and EN-DC (Release 17 )", September 23, 2021 Ericsson, "Views on Rel-18 AI/ML on Air-Interface", RP-212346, 3GPP TSG-RAN Meeting#93e, Electronic meeting, September 13-17, 2021 ZTE, "Support of Artificial Intelligence Applications for 5G Advanced", RP-212383, 3GPP TSG-RAN Meeting#93e, Electronic meeting, September 13-17, 2021 Huawei, "Mobility enhancement by UE based AI", RP-211787, 3GPP TSG-RAN Meeting#93e, Electronic meeting,
  • the UE performs some action based on predictions or decisions made using machine learning models.
  • this UE action may result in interaction with the network or affect network performance, it may not be appropriate for the UE to freely perform the action.
  • Actions triggered by rules (or criteria or formulas) defined in 3GPP specifications are e.g. sending measurement reports for handover, performing conditional mobility, beam selection and cell (re)selection. including.
  • One of the objectives that the embodiments disclosed herein seek to achieve is a device that contributes to solving at least one of a plurality of problems related to UE-based AI/ML, including the problems described above; It is to provide a method and a program. It should be noted that this objective is only one of the objectives that the embodiments disclosed herein seek to achieve. Other objects or problems and novel features will become apparent from the description of the specification or the accompanying drawings.
  • a wireless terminal includes at least one memory and at least one processor coupled to the at least one memory.
  • the at least one processor is configured to receive control information from a network indicating whether the wireless terminal is permitted to take a particular action based on machine learning-based artificial intelligence inference results.
  • the at least one processor is configured to make predictions or decisions using a trained machine learning model.
  • the at least one processor is configured to take the specific action triggered by the prediction or determination if the control information permits execution of the specific action based on the inference result.
  • a method performed by a wireless terminal includes the following steps: (a) receiving control information from a network indicating whether the wireless terminal is permitted to take a particular action based on machine learning-based artificial intelligence inference results; (b) making a prediction or determination using a trained machine learning model; and (c) if said control information permits said specific action to be performed based on said inference result, said prediction or determination Taking said specific action that has been triggered.
  • a radio access network (RAN) node includes at least one memory and at least one processor coupled to said at least one memory.
  • the at least one processor is configured to send control information to the wireless terminal indicating whether the wireless terminal is permitted to take a particular action based on the inference results of the machine learning-based artificial intelligence. If the control information permits execution of the specific action based on the inference result, the control information performs the specific action triggered by prediction or determination using a trained machine learning model. to the wireless terminal.
  • a method performed by a RAN node includes providing control information to the wireless terminal indicating whether the wireless terminal is permitted to perform a particular action based on the inference results of machine learning-based artificial intelligence. Including sending. If the control information permits execution of the specific action based on the inference result, the control information performs the specific action triggered by prediction or determination using a trained machine learning model. to the wireless terminal.
  • the fifth aspect is directed to the program.
  • the program includes a group of instructions (software code) for causing the computer to perform the method according to the above second or fourth aspect when read into the computer.
  • FIG. 1 is a diagram illustrating a configuration example of a radio communication system according to an embodiment
  • FIG. FIG. 4 is a sequence diagram showing an example of operations of a radio terminal and a radio access network node according to an embodiment
  • 4 is a flow chart showing an example of the operation of the wireless terminal according to the embodiment
  • FIG. 4 is a diagram showing a specific example of a format of control information according to the embodiment
  • FIG. 4 is a diagram showing a specific example of a format of control information according to the embodiment
  • FIG. 4 is a sequence diagram showing an example of operations of a radio terminal and a radio access network node according to an embodiment
  • FIG. 10 is a diagram showing a specific example of the format of AI interest display according to the embodiment; 4 is a flowchart illustrating an example of operation of a radio access network node according to an embodiment; 1 is a block diagram showing a configuration example of a wireless terminal according to an embodiment; FIG. 1 is a block diagram showing a configuration example of a radio access network node according to an embodiment; FIG.
  • ⁇ if'' is ⁇ when'', ⁇ at or around the time'', ⁇ after ( “after”, “upon”, “in response to determining", “in accordance with a determination", or “detecting may be interpreted to mean “in response to detecting”. These expressions may be interpreted to have the same meaning depending on the context.
  • FIG. 1 shows a configuration example of a wireless communication system according to multiple embodiments.
  • the wireless communication system includes a wireless terminal (i.e., UE) 1 and a radio access network (RAN) node (e.g., gNB) 2.
  • RAN radio access network
  • Each element (network function) shown in FIG. 1 can be, for example, as a network element on dedicated hardware, as a software instance running on dedicated hardware, or on an application platform. It can be implemented as an instantiated virtualization function.
  • UE1 has at least one radio transceiver and is configured to conduct radio communication with RAN node2.
  • UE 1 is connected to RAN node 2 via air interface 101 .
  • a RAN node 2 is configured to manage cells and communicate wirelessly with multiple UEs, including UE1, using cellular communication technology (e.g., NR Radio Access Technology (RAT)).
  • UE1 may be connected to multiple RAN nodes simultaneously for Dual Connectivity (DC).
  • DC Dual Connectivity
  • RAN node 2 may be a Central Unit (e.g. gNB-CU) in a cloud RAN (C-RAN) deployment, or a combination of a CU and one or more Distributed Units (e.g. gNB-DUs). may C-RAN is also called CU/DU split. Additionally, a CU may include a Control Plane (CP) Unit (e.g. gNB-CU-CP) and one or more User Plane (UP) Units (e.g. gNB-CU-UP). Therefore, RAN node 2 may be a CU-CP or a combination of CU-CP and CU-UP.
  • CP Control Plane
  • UP User Plane
  • a CU may be a logical node that hosts the gNB's Radio Resource Control (RRC), Service Data Adaptation Protocol (SDAP), and Packet Data Convergence Protocol (PDCP) protocols (or the gNB's RRC and PDCP protocols).
  • RRC Radio Resource Control
  • SDAP Service Data Adaptation Protocol
  • PDCP Packet Data Convergence Protocol
  • a DU may be a logical node that hosts the gNB's Radio Link Control (RLC), Medium Access Control (MAC), and Physical (PHY) layers.
  • RRC Radio Resource Control
  • SDAP Service Data Adaptation Protocol
  • PDCP Packet Data Convergence Protocol
  • a DU may be a logical node that hosts the gNB's Radio Link Control (RLC), Medium Access Control (MAC), and Physical (PHY) layers.
  • RLC Radio Link Control
  • MAC Medium Access Control
  • PHY Physical
  • UE1 may execute AI/ML inference locally. This AI/ML reasoning may also relate to radio access network optimization. UE1 may run AI inference on the trained machine learning model and take one or more actions according to predictions or decisions based on the AI inference.
  • a machine learning model may be any model known in the field of machine learning, including deep learning. The machine learning model may be, for example but not limited to, a neural network model, a support vector machine model, a decision tree model, a random forest model, or a K-nearest neighbor model. good.
  • predictions or decisions based on AI inference by UE1 and one or more actions triggered thereby relate to beam management or mobility or both.
  • the one or more actions include, but are not limited to, at least one of cell reselection, sending measurement reports, performing conditional mobility, and downlink beam selection.
  • a downlink beam may be a Synchronization Signal (SS)/Physical Broadcast Channel (PBCH) block (SSB) beam.
  • SS Synchronization Signal
  • PBCH Physical Broadcast Channel
  • the machine learning model may output a prediction result of a candidate cell for cell reselection, a target cell or node for handover, a candidate cell or node for conditional mobility, a candidate beam for beam selection, or a UE trajectory. good. Additionally or alternatively, the machine learning model may predict or determine when to perform actions for mobility or beam management.
  • Cell reselection may be performed when UE1 is RRC_IDLE or RRC_INACTIVE.
  • Mobility may be performed when UE1 is RRC_CONNECTED. Mobility in RRC_CONNECTED may be handover. The handover may be a Dual Active Protocol Stack (DAPS) handover. Additionally or alternatively, mobility in RRC_CONNECTED may relate to different mobility in DC. Specifically, mobility includes changing the primary cell of the Master Cell Group (MCG) at the DC, inter-Master Node (MN) handover at the DC, and secondary node at the DC. change, or addition or change of the primary cell of the secondary cell group at the DC.
  • MCG Master Cell Group
  • MN inter-Master Node
  • secondary node at the DC. Change, or addition or change of the primary cell of the secondary cell group at the DC.
  • Conditional mobility may be performed when UE1 is RRC_CONNECTED.
  • Conditional mobility may be conditional handover. Additionally or alternatively, conditional mobility may relate to different mobilities at DC. Specifically, conditional mobility includes primary cell change of the Master Cell Group (MCG) at DC, inter-Master Node (MN) handover at DC, and inter-Master Node (MN) handover at DC. It may be secondary node change, or addition or change of primary cell of secondary cell group at DC.
  • MCG Master Cell Group
  • MN inter-Master Node
  • MN inter-Master Node
  • Downlink beam selection may be performed in a beam failure recovery (BFR) procedure.
  • BFR beam failure recovery
  • Machine learning model training for AI/ML inference by UE1 may be performed by UE1 or by the network (e.g., OAM, RAN node 2).
  • the training method may be offline learning, online learning, or a combination thereof.
  • RAN node 2 may perform AI/ML inference. This AI/ML reasoning may also relate to radio access network optimization.
  • the RAN node 2 may run AI inference on the trained machine learning model and take one or more actions according to predictions or decisions based on the AI inference.
  • a machine learning model may be any model known in the field of machine learning, including deep learning.
  • the machine learning model may be, for example, without limitation, a neural network model, a support vector machine model, a decision tree model, a random forest model, or a K-neighbors model.
  • predictions or decisions based on AI inference by RAN node 2 and one or more actions triggered thereby may include energy saving, load balancing, mobility optimization ), CSI feedback enhancement, and positioning accuracy enhancement.
  • the machine learning model's predictions or decisions relate to one or both of energy conservation strategies and mobility strategies.
  • the machine learning model may output prediction results for target cell or node for handover, candidate cell or node for conditional mobility, or UE trajectory.
  • the training of the machine learning model for AI/ML inference by the RAN node 2 may be performed by the RAN node 2 or may be performed by OAM.
  • the training method may be offline learning, online learning, or a combination thereof.
  • a configuration example of the wireless communication system according to this embodiment may be the same as the example shown in FIG. FIG. 2 shows an example of the operation of UE1 and RAN node 2 for UE-based AI/ML, ie for UE1 to perform AI inference on machine learning models.
  • RAN node 2 sends control information to UE1.
  • the control information may be transmitted via broadcast (eg, system information).
  • the system information may be any System Information Block.
  • the control information may be sent via dedicated signaling for UE1.
  • the dedicated signaling may be dedicated RRC signaling, eg RRC Reconfiguration message, RRC Reestablishment message, RRC Resume message or RRC Setup message.
  • the control information may be an information element contained in the SIB or dedicated RRC signaling.
  • the name of the information element is not limited, but may be, for example, "AI configuration".
  • the control information indicates whether UE1 is permitted to perform a specific action based on the inference results of machine learning-based artificial intelligence. In other words, the control information indicates whether UE1 is allowed to take a specific action triggered by a prediction or decision using a trained machine learning model. If the control information indicates that it allows it, the control information causes UE1 to take a specific action triggered by a prediction or decision using a trained machine learning model.
  • RAN node 2 may send control information (step 201) only if execution of a specific action based on AI/ML inference results at UE1 is permitted. In this case, the transmission of control information may implicitly indicate permission to perform a specific action based on AI/ML inference results at UE1.
  • the term "inference result of machine learning-based artificial intelligence” may be interchanged with inference result by artificial intelligence, estimation result of self-learning (by UE), estimation result of self-correction, or estimation result of optimization (algorithm).
  • the expression "performing a specific action based on the inference results of machine learning-based artificial intelligence” refers to self-optimization (by the UE) for a specific action, applying the inference result of the artificial intelligence to the specific action. or apply an optimization (algorithm) to a particular action.
  • optimization of the radio access network refers, for example, to the optimization of the function or processing of the radio network (e.g., one or more RAN nodes), or the radio network's It may mean optimizing the value of the wireless parameter to be set or the content of the setting.
  • the specific action triggered by the prediction or determination using the machine learning model in UE1 relates to at least one of beam management, mobility, CSI feedback, and positioning (or position estimation).
  • Specific actions include, but are not limited to, at least one of cell reselection, sending measurement reports, performing conditional mobility, and downlink beam selection.
  • the transmission of measurement reports may trigger a decision to initiate mobility (e.g., handover) by the network (e.g., RAN node 2).
  • specific actions relate to CSI feedback.
  • a specific action may be adjusting the timing (e.g., period) of CSI reporting. Additionally or alternatively, the specific action may be to reduce or compress the amount of information in the CSI report (e.g., beam information, channel matrix, precoding matrix).
  • the specific action relates to positioning (or position estimation) of UE1.
  • a particular action may be correction of information used for position estimation or correction to position estimation results.
  • the specific action is to send assistance information (e.g., UE assistance information) to the network (e.g., RAN node 2) indicating the outcome of the prediction or decision using the first machine learning model at UE1.
  • the assistance information may be used for training a second machine learning model for radio access network optimization.
  • the aiding information may be used for inference execution in the second trained machine learning model for radio access network optimization.
  • the second machine learning model and the second trained machine learning model may be deployed in RAN node 2 or OAM.
  • the assistance information may be used for training of a first machine learning model located in UE1 (eg offline reinforcement learning).
  • the predefined rules may be rules predefined in 3GPP specifications.
  • the predefined rules may be rules preset by the network (e.g., RAN node 2). More specifically, the predefined rules include cell reselection rules (or criteria or formulas), measurement reporting rules (or criteria or formulas), conditional It may be a mobility execution rule (or criterion or formula), a beam selection rule (or criterion or formula). These rules (or criteria or formulas) are generally based on comparing cell or beam quality (e.g., Reference Signal Received Power (RSRP)) to a threshold.
  • RSRP Reference Signal Received Power
  • the control information may collectively indicate to UE1 permission to use machine learning-based artificial intelligence (i.e., UE-based AI/ML) for multiple actions, including a specific action. Alternatively, the control information may individually indicate to UE1 whether each of the multiple actions, including the specific action described above, is allowed.
  • the control information may indicate actions or categories (or groups) of actions for which application of UE-based AI/ML is permitted.
  • the control information may indicate functions or features (eg mobility, power saving) for which UE-based AI/ML is allowed to apply.
  • the control information may indicate which sub-functions or sub-features (eg cell selection, handover, beam management) are allowed to apply UE-based AI/ML.
  • the control information may indicate the procedures for which UE-based AI/ML is allowed to apply (eg, RRC re-establishment, beam failure recovery (BFR)).
  • the control information may indicate the RRC configuration (eg, information element or field level in Abstract Syntax Notation One (ASN.1)) for which UE-based AI/ML is allowed to apply.
  • RRC configuration eg, information element or field level in Abstract Syntax Notation One (ASN.1)
  • the control information may indicate conditions under which execution of specific actions based on AI/ML inference results is permitted.
  • UE1 may take specific actions triggered by predictions or decisions of machine learning models (i.e., UE-based AI/ML) only when the indicated conditions are met.
  • the conditions under which the particular action is permitted to be performed may indicate restrictions regarding at least one of frequency band, location, and time.
  • the conditions may indicate where (e.g., geographic areas, cells, or sets of cells) where specific actions based on AI/ML inference results are permitted to be performed. Such conditions may indicate times or durations during which certain actions based on AI/ML inference results are permitted to be performed. Such conditions may indicate one or more frequency bands in which certain actions are permitted to be performed based on AI/ML inference results.
  • the condition may be that a consistent fault has been detected.
  • the condition may be specified based on AI/ML inference results if a given fault is repeatedly detected in the same or similar circumstances (e.g., location, cell, pair of cells, time, frequency band, time).
  • UE1 may be permitted to execute actions.
  • a predetermined failure may be, for example, a handover failure or a beam failure.
  • the context may be at least one of location, cell, pair of cells, time, frequency band, and time.
  • the condition may be that UE1 receives a signal indicating a predetermined identifier from the network (e.g., RAN node 2).
  • the predetermined identifier may be, but is not limited to, a Config Set Number or ID, an AI Set Number or ID, or a Combination Set Number or ID.
  • the predefined identifier may be set by the network to represent the same or similar situations (e.g., RAN node 2 transmit power, antenna tilt, number of downlink beams, or other physical layer settings).
  • FIG. 3 shows an example of the operation of UE1.
  • UE1 receives the above control information.
  • UE1 makes a prediction or decision using a trained machine learning model.
  • UE1 if the control information indicates that it allows it, UE1 takes a specific action triggered by a prediction or decision based on the machine learning model.
  • UE1 may consider the conditions indicated in the control information.
  • the condition may be a condition for allowing UE1 to execute a specific action based on the AI/ML inference result.
  • UE1 may take specific actions triggered by predictions or decisions of machine learning models (i.e., UE-based AI/ML) only when the indicated conditions are met.
  • machine learning models i.e., UE-based AI/ML
  • FIG. 4A shows an example of the format of control information (steps 201 and 301).
  • the Ai-configuration Information Element (IE) 401 shown in FIG. 4A may be sent from RAN node 2 to UE 1 in SIB or dedicated RRC message.
  • Ai-configuration IE 401 can include AI-ML-ConfigList IE 402 .
  • AI-ML-ConfigList IE 402 contains one or more AI-ML-Config IEs 403 .
  • Each AI-ML-Config IE 403 can include one or any combination of targetFeature IE 404, targetArea IE 405, and condition IE 406.
  • the targetFeature IE 404 may indicate one or more categories (or groups) of actions for which application of UE-based AI/ML is permitted.
  • Action categories include, for example, one or more of “mobilityConnected”, “mobilityIdleInactive”, “beamManagement”, “energySaving”, “rrmMeasurement”, “csiFeedback”, and “positioningAccuracy”.
  • mobilityConnected indicates, for example, that UE1 is permitted to apply UE-based AI/ML to mobility functions performed in the RRC_Connected state.
  • the application of UE-based AI/ML to mobility functions in RRC_Connected state may be handover related adjustments or Conditional Handover (CHO) related adjustments.
  • Adjustments related to handover may be adjustment of measurement report (MR) reporting timing, or adjustment of MR event offset values or thresholds.
  • the adjustment of CHO-related processing may be adjustment of the offset value or threshold of the CHO execution condition.
  • the application of UE-based AI/ML to mobility functions in the RRC_Connected state may be adjusted in relation to the addition or modification of Multi-Radio Dual Connectivity (MR-DC) PSCells or conditional PSCells. It may be an adjustment related to addition or change (Conditional PSCell Addition/Change (CPAC)).
  • MR-DC Multi-Radio Dual Connectivity
  • CPAC Conditional PSCell Addition/Change
  • PSCell is an abbreviation for Primary SCell or Primary Secondary Cell Group (SCG) Cell.
  • the targetFeature IE 404 is set to "mobilityIdleInactive"
  • Application of UE-based AI/ML to mobility functions in RRC_IDLE state or RRC_INACTIVE state may imply adjustments related to cell reselection.
  • Adjustments related to cell reselection may be adjustments to parameters used in the cell reselection process. For example, this may be adjustment of offset values or thresholds, adjustment of priority per frequency or between frequencies, or adjustment of priority per network slice or between network slices.
  • BeamManagement is set in the targetFeature IE 404, this indicates, for example, that UE1 is allowed to apply UE-based AI/ML to the beam management function.
  • the application of UE-based AI/ML to beam management functions can be adjusted in relation to UE1's beam selection, beam failure detection (BFD), or beam failure recovery (BFD).
  • Beam selection related adjustments may refer to offset values or thresholds for radio quality (e.g. RSRP, Reference Signal Received Quality (RSRQ), Received Signal Strength Indicator (RSSI)). It may be an adjustment, and it may be an adjustment of priority for each beam or between beams.
  • the adjustment related to beam failure detection may be an adjustment of the threshold for determining BFD.
  • Adjustments related to the restoration of BFR may be adjustments of beam selection criteria (e.g., threshold or reference signal (RS) type (e.g. SSB or CSI-RS)) for BFR.
  • RSRP Reference Signal Received Quality
  • RSSI Received Signal Strength Indicator
  • UE-based AI/ML applies UE-based AI/ML to functions related to power consumption reduction.
  • the measurements may be either or both Radio Link Monitoring (RLM) measurements and Radio Resource Management (RRM) measurements.
  • RLM Radio Link Monitoring
  • RRM Radio Resource Management
  • UE-based AI/ML may be adjustment of timing of measurement for power consumption reduction as described above. Additionally or alternatively, this may be an adjustment of criteria in the frequency of RRM measurements or in the relaxation of assumptions (i.e., RRM relaxation). For example, thresholds for not-at-cell edge or low-mobility decisions may be adjusted. For example, if UE1 determines itself to be not-at-cell edge or low-mobility, UE1 may be permitted to lengthen the period of RRM measurement or reduce the target frequency.
  • targetFeature IE 404 is set to "csiFeedback"
  • Application of UE-based AI/ML to CSI feedback function may be adjustment of timing (e.g., period) of CSI reporting to RAN node 2. Additionally or alternatively, the application of UE-based AI/ML to CSI feedback functions may be to reduce or compress the amount of information in CSI reports (e.g., beam information, channel matrix, precoding matrix). .
  • positioningAccuracy is set in the targetFeature IE 404, this indicates that, for example, UE1 is allowed to apply UE-based AI/ML to functions related to improving positioning accuracy. Applying UE-based AI/ML to functions related to improving positioning accuracy may mean correcting information used for position estimation or correcting position estimation results.
  • the targetArea IE 405 may indicate one or more areas where application of UE-based AI/ML is permitted (that is, functional areas to be permitted).
  • the area includes, for example, one or more of "intraFreq”, “interFreq”, “intraAndInterFreq”, “interRAT”, and “any”.
  • intraFreq means cell reselection or handover within the same frequency band.
  • interFreq means cell reselection or handover between different frequency bands.
  • intraAndInterFreq means cell reselection or handover within the same frequency band and between different frequency bands.
  • interRAT means cell selection or handover between different radio access technologies.
  • any means that the area is unlimited.
  • targetArea IE 405 is not included in the AI-ML-Config IE 403 may mean that the area is unlimited.
  • targetArea is defined as targetFunc (targetFunction), targetScope, or applicableTarget, which are respectively one or more target functions (target functions) that are permitted to apply UE-based AI/ML, one or more A scope may be indicated, or one or more applicability targets.
  • the condition IE 406 may indicate the circumstances under which the application of UE-based AI/ML is permitted.
  • the status includes one or more of “consistentFailure”, “predictable”, “lowBattery”, “gnssAvailable”, and “nlos”.
  • ConsistentFailure means a situation in which a given failure is repeatedly detected in the same or similar situations.
  • predictable means a situation that is predictable based on history.
  • lowBattery means that the remaining battery power of UE1 is low.
  • “gnssAvailable” means a situation in which location information can be obtained by the Global Navigation Satellite System (GNSS).
  • GNSS Global Navigation Satellite System
  • GNSS may be, for example, one of Global Positioning System (GPS), Galileo, and Global Navigation Satellite System (GLONASS).
  • GPS Global Positioning System
  • GLONASS Global Navigation Satellite System
  • “nlos” means that the radio wave environment (or communication environment) of UE1 is a Non-Line Of Sight (NLOS) environment.
  • NLOS Non-Line Of Sight
  • FIG. 4B shows another example of the format of the control information (steps 201, 301).
  • the Ai-configuration Information Element (IE) 421 shown in FIG. 4B may be sent from RAN node 2 to UE 1 in SIB or dedicated RRC message.
  • Ai-configuration IE 421 can include AI-ML-ConfigList IE 422 .
  • AI-ML-ConfigList IE 422 contains one or more AI-ML-Config IEs 423 .
  • Each AI-ML-Config IE 423 may include one or any combination of mobility IE 424, energySaving IE 425, and positioning Accuracy IE 426.
  • the mobility IE 424 specifies the target function (targetFuncMob IE) and target scope (targetScopeMob IE) related to mobility.
  • a target function may indicate one or more categories (or groups) of actions for which UE-based AI/ML is allowed to apply. Action categories include, for example, one or more of “mobilityConnected”, “mobilityIdleInactive”, “beamManagement”, and “rrmMeasurement”.
  • a target scope may indicate one or more scopes where application of UE-based AI/ML is permitted.
  • the target scope includes, for example, one or more of "intraFreq", “interFreq”, “intraAndInterFreq", "interRAT", and "any”.
  • the energySaving IE 425 specifies the target function (targetFuncES IE) and target scope (targetScopeES IE) related to power consumption reduction.
  • a target function may indicate one or more categories (or groups) of actions for which UE-based AI/ML is allowed to apply. Action categories include, for example, one or more of “rrmMeasurement” and “csiFeedback”.
  • a target scope may indicate one or more scopes where application of UE-based AI/ML is permitted.
  • the target scope includes, for example, one or more of "intraFreq”, “interFreq”, “intraAndInterFreq”, "interRAT”, "any", "pCell", “sCell”, and “servCell”.
  • pCell means a carrier aggregation primary cell or a DC MCG or SCG primary cell.
  • sCell means a secondary cell of DC or carrier aggregation.
  • servingCell means the serving cell of UE1.
  • the positioningAccuracyIE 426 specifies the target function (targetFuncPosiIE) and target scope (targetScopePosiIE) related to positioning accuracy.
  • a target function may indicate one or more categories (or groups) of actions for which UE-based AI/ML is allowed to apply. Action categories include, for example, one or more of "nlosMitigation”, “multipathMitigation”, and “propagationDelayCompensation”.
  • nlosMitigation means correcting the positioning result (or UL transmission timing) when UE1 is in NLOS environment.
  • MultipathMitigation means correcting the positioning result (or UL transmission timing) when UE1 is in a multipath environment.
  • PropagationDelayCompensation means to compensate for propagation delay effects (e.g. UL transmission timing).
  • a target scope may indicate one or more scopes where application of UE-based AI/ML is permitted.
  • the target scope includes, for example, one or more of "positioning” and “timingAdvance”.
  • Positioning means acquisition of position information by the positioning function.
  • TimingAdvance means calculation of a transmission timing adjustment value (Timing Advance (TA)) applied by UE 1 in uplink transmission.
  • the TA calculation result by UE1 may be reflected, for example, in the UL transmission timing of UE1 in a Non-Terrestrial Network (NTN), or the TA calculation result may be reported from UE1 to the RAN node 2 .
  • NTN Non-Terrestrial Network
  • RAN node 2 can be controlled. For example, if an action of UE1 triggered by AI inference may result in interaction with the network or affect network performance, it may not be appropriate for UE1 to freely perform the action. Alternatively, it may not be appropriate for UE1 to freely take actions triggered by AI inference instead of triggered by rules (or criteria or formulas) defined in 3GPP specifications.
  • the operations of UE 1 and RAN node 2 described with reference to FIGS. 2-4B can help solve these problems.
  • FIG. 5 shows an example of the operation of UE1 and RAN node 2 for UE-based AI/ML, ie for UE1 to perform AI inference on machine learning models.
  • UE1 sends an AI interest indication to RAN node2.
  • UE1 may send an AI expression of interest during RRC connection setup, resume, or re-establishment procedures.
  • RAN node 2 may request UE1 to send an AI expression of interest.
  • the AI interest indication may indicate to RAN node 2 that UE1 supports machine learning-based artificial intelligence.
  • the AI interest indication may indicate to RAN node 2 that UE1 is interested in performing UE-based AI/ML.
  • the AI Indication of Interest may indicate to the RAN node 2 that UE1 seeks permission to perform UE-based AI/ML.
  • AI Indications of Interest may be included in the UE Capability Information.
  • the AI Indication of Interest may indicate to the RAN node 2 that the UE 1 wishes to perform a specific action based on the inference results of the machine learning-based artificial intelligence.
  • the AI Indication of Interest may indicate to RAN node 2 that execution of UE-based AI/ML by UE1 is expected to be beneficial for performance improvement.
  • the AI interest indication may indicate the category of AI/ML estimation that UE1 wishes to perform.
  • the AI Indication of Interest may indicate an action or category of actions that UE1 wishes to be allowed to apply UE-based AI/ML.
  • the AI interest indication may indicate the functions or features (eg mobility, power saving) that UE1 wishes to be allowed to apply UE-based AI/ML.
  • the AI Interest Indication may indicate sub-functions or sub-features (eg cell selection, handover, beam management) that UE1 wishes to be allowed to apply UE-based AI/ML.
  • the AI Indication of Interest may indicate procedures (eg, RRC re-establishment, beam failure recovery (BFR)) for which UE1 wishes to be allowed to apply UE-based AI/ML.
  • the AI Indication of Interest may also indicate the RRC configuration (e.g. level of information elements or fields in Abstract Syntax Notation One (ASN.1)) that UE1 wishes to be allowed to apply UE-based AI/ML to. good.
  • the AI interest indication may indicate the magnitude or level of the effect expected from execution of AI/ML estimation by UE1.
  • Step 502 is similar to step 201 in FIG.
  • RAN node 2 sends control information to UE1. Details of the control information (e.g., transmission method, content) are the same as those described in the first embodiment, so description of the control information is omitted here.
  • the RAN node 2 may decide whether to send the control information (502) based on the AI Indication of Interest (501).
  • the RAN Node 2 may determine the content of the Control Information (502) based on the AI Indication of Interest (501).
  • Fig. 6 shows an example of the format of the AI expression of interest.
  • the ai-ML-Assistance IE 602 shown in FIG. 6 corresponds to the AI Indication of Interest.
  • the ai-ML-Assistance IE 602 may be included in the UE AssistanceInformation IE 601.
  • the UE AssistanceInformation IE 601 may be sent to the RAN node 2 via RRC messages (e.g., RRC Setup Request, RRC Setup Complete, RRC Resume Request, RRC Resume Complete, RRC Re-establishment Request, RRC Re-establishment Complete).
  • the ai-ML-Assistance IE 602 may include the ai-ML-InterestIndication IE 603 or 604.
  • the ai-ML-InterestIndication IE 603 indicates, for example, that UE1 is interested in executing UE-based AI/ML.
  • UE1 may include ai-ML-InterestIndication IE 603 in UE AssistanceInformation IE 601 when UE 1 wishes to allow execution of UE-based AI/ML.
  • ai-ML-InterestIndication IE 604 indicates the category of AI/ML inference that UE1 wants to perform.
  • ai-ML-InterestIndication IE 604 indicates the action or category of actions that UE1 wishes to be allowed to apply UE-based AI/ML. Categories include, for example, one or more of “mobilityConnected”, “mobilityIdleInactive”, “beamManagement”, “energySaving”, “rrmMeasurement”, “csiFeedback”, and “positioningAccuracy”. The content that each of these means (indicates) may be as described above.
  • FIG. 7 is a flow chart showing an example of the operation of the RAN node 2.
  • RAN node 2 receives an AI Indication of Interest from UE1.
  • RAN node 2 determines whether UE1 is allowed to take a certain action based on the inference result of machine learning-based artificial intelligence.
  • RAN node 2 sends control information to UE1.
  • the control information in step 703 indicates whether UE1 is permitted to take a specific action based on the inference results of machine learning-based artificial intelligence. Details of the control information (e.g., transmission method, content) are the same as those described in the first embodiment, so description of the control information is omitted here.
  • RAN node 2 sends control information (steps 502, 703) for permission to perform UE-based AI/ML.
  • an AI expression of interest can be received from UE1.
  • RAN node 2 can determine whether to allow UE1 to perform UE-based AI/ML based on the AI expression of interest received from UE1.
  • RAN node 2 may determine one or more actions (or categories of actions) that UE1 is allowed to apply UE-based AI/ML based on the AI expression of interest received from UE1. .
  • FIG. 8 is a block diagram showing a configuration example of UE1.
  • a Radio Frequency (RF) transceiver 801 performs analog RF signal processing to communicate with RAN nodes.
  • RF transceiver 801 may include multiple transceivers.
  • Analog RF signal processing performed by RF transceiver 801 includes frequency upconversion, frequency downconversion, and amplification.
  • RF transceiver 801 is coupled with antenna array 802 and baseband processor 803 .
  • RF transceiver 801 receives modulation symbol data (or OFDM symbol data) from baseband processor 803 , generates transmit RF signals, and provides transmit RF signals to antenna array 802 .
  • RF transceiver 801 also generates baseband received signals based on the received RF signals received by antenna array 802 and provides them to baseband processor 803 .
  • RF transceiver 801 may include analog beamformer circuitry for beamforming.
  • the analog beamformer circuit includes, for example, multiple phase shifters and multiple power amplifiers.
  • the baseband processor 803 performs digital baseband signal processing (data plane processing) and control plane processing for wireless communication.
  • Digital baseband signal processing consists of (a) data compression/decompression, (b) data segmentation/concatenation, (c) transmission format (transmission frame) generation/decomposition, and (d) channel coding/decoding. , (e) modulation (symbol mapping)/demodulation, and (f) generation of OFDM symbol data (baseband OFDM signal) by Inverse Fast Fourier Transform (IFFT).
  • control plane processing consists of layer 1 (e.g., transmit power control), layer 2 (e.g., radio resource management and hybrid automatic repeat request (HARQ) processing), and layer 3 (e.g., attach, mobility and call management). related signaling) communication management.
  • layer 1 e.g., transmit power control
  • layer 2 e.g., radio resource management and hybrid automatic repeat request (HARQ) processing
  • layer 3 e.g., attach, mobility and call management
  • digital baseband signal processing by the baseband processor 803 includes a Service Data Adaptation Protocol (SDAP) layer, a Packet Data Convergence Protocol (PDCP) layer, a Radio Link Control (RLC) layer, a Medium Access Control (MAC) layer, and a Physical (PHY) layer signal processing may be included.
  • SDAP Service Data Adaptation Protocol
  • PDCP Packet Data Convergence Protocol
  • RLC Radio Link Control
  • MAC Medium Access Control
  • PHY Physical
  • Control plane processing by the baseband processor 803 may also include processing of Non-Access Stratum (NAS) protocols, Radio Resource Control (RRC) protocols, MAC Control Elements (CEs), and Downlink Control Information (DCIs).
  • NAS Non-Access Stratum
  • RRC Radio Resource Control
  • CEs MAC Control Elements
  • DCIs Downlink Control Information
  • the baseband processor 803 may perform Multiple Input Multiple Output (MIMO) encoding and precoding for beamforming.
  • MIMO Multiple Input Multiple Output
  • the baseband processor 803 includes a modem processor (e.g., Digital Signal Processor (DSP)) that performs digital baseband signal processing and a protocol stack processor (e.g., Central Processing Unit (CPU) or Micro Processing Unit ( MPU)).
  • DSP Digital Signal Processor
  • a protocol stack processor e.g., Central Processing Unit (CPU) or Micro Processing Unit ( MPU)
  • the protocol stack processor that performs control plane processing may be shared with the application processor 804 described later.
  • the application processor 804 is also called CPU, MPU, microprocessor, or processor core.
  • the application processor 804 may include multiple processors (multiple processor cores).
  • the application processor 804 includes a system software program (Operating System (OS)) read from the memory 806 or a memory (not shown) and various application programs (e.g., call application, WEB browser, mailer, camera operation application, music playback, etc.).
  • OS Operating System
  • application programs e.g., call application, WEB browser, mailer, camera operation application, music playback, etc.
  • Various functions of the UE 1 are realized by executing the application).
  • the baseband processor 803 and application processor 804 may be integrated on one chip, as indicated by the dashed line (805) in FIG.
  • baseband processor 803 and application processor 804 may be implemented as one System on Chip (SoC) device 805 .
  • SoC devices are sometimes called system Large Scale Integration (LSI) or chipsets.
  • the memory 806 is volatile memory, non-volatile memory, or a combination thereof.
  • Memory 806 may include multiple physically independent memory devices. Volatile memory is, for example, Static Random Access Memory (SRAM) or Dynamic RAM (DRAM) or a combination thereof.
  • the non-volatile memory is masked Read Only Memory (MROM), Electrically Erasable Programmable ROM (EEPROM), flash memory, or hard disk drive, or any combination thereof.
  • memory 806 may include external memory devices accessible from baseband processor 803 , application processor 804 , and SoC 805 .
  • Memory 806 may include embedded memory devices integrated within baseband processor 803 , within application processor 804 , or within SoC 805 . Additionally, memory 806 may include memory within a Universal Integrated Circuit Card (UICC).
  • UICC Universal Integrated Circuit Card
  • the memory 806 may store one or more software modules (computer programs) 807 containing instructions and data for processing by the UE 1 as described in multiple embodiments above.
  • the baseband processor 803 or the application processor 804 reads the software module 807 from the memory 806 and executes it to perform the processing of the UE1 described with reference to the drawings in the above embodiments. may be configured.
  • control plane processing and operations performed by UE 1 as described in the above embodiments are performed by other elements apart from RF transceiver 801 and antenna array 802 : baseband processor 803 and/or application processor 804 and software module 807 . can be implemented by a memory 806 that stores the
  • FIG. 9 is a block diagram showing a configuration example of the RAN node 2 according to the above embodiment.
  • RAN node 2 includes Radio Frequency transceiver 901 , network interface 903 , processor 904 and memory 905 .
  • RF transceiver 901 performs analog RF signal processing to communicate with UEs, including UE1.
  • RF transceiver 901 may include multiple transceivers.
  • RF transceiver 901 is coupled with antenna array 902 and processor 904 .
  • RF transceiver 901 receives modulation symbol data from processor 904 , generates transmit RF signals, and provides the transmit RF signals to antenna array 902 .
  • RF transceiver 901 also generates baseband received signals based on the received RF signals received by antenna array 902 and provides them to processor 904 .
  • RF transceiver 901 may include analog beamformer circuitry for beamforming.
  • the analog beamformer circuit includes, for example, multiple phase shifters and multiple power amplifiers.
  • the network interface 903 is used to communicate with network nodes (e.g. other RAN nodes, and control and forwarding nodes of the core network).
  • Network interface 903 may include, for example, an IEEE 802.3 series compliant network interface card (NIC).
  • NIC network interface card
  • a processor 904 performs digital baseband signal processing (data plane processing) and control plane processing for wireless communication.
  • Processor 904 may include multiple processors.
  • the processor 904 includes a modem processor (e.g. Digital Signal Processor (DSP)) for digital baseband signal processing and a protocol stack processor (e.g. Central Processing Unit (CPU) or Micro Processing Unit (MPU) for control plane processing).
  • DSP Digital Signal Processor
  • a protocol stack processor e.g. Central Processing Unit (CPU) or Micro Processing Unit (MPU) for control plane processing.
  • Processor 904 may include a digital beamformer module for beamforming.
  • a digital beamformer module may include a Multiple Input Multiple Output (MIMO) encoder and precoder.
  • MIMO Multiple Input Multiple Output
  • the memory 905 is configured by a combination of volatile memory and non-volatile memory.
  • Volatile memory is, for example, Static Random Access Memory (SRAM) or Dynamic RAM (DRAM) or a combination thereof.
  • the non-volatile memory is masked Read Only Memory (MROM), Electrically Erasable Programmable ROM (EEPROM), flash memory, or hard disk drive, or any combination thereof.
  • Memory 905 may include storage remotely located from processor 904 . In this case, processor 904 may access memory 905 via network interface 903 or an I/O interface (not shown).
  • the memory 905 may store one or more software modules (computer programs) 906 containing instructions and data for processing by the RAN node 2 as described in multiple embodiments above.
  • the processor 904 may be configured to retrieve and execute the software module 906 from the memory 905 to perform the processing of the RAN node 2 described in the above embodiments.
  • the RAN node 2 is a CU (e.g., gNB-CU) or a CU-CP (e.g., gNB-CU-CP), the RAN node 2 does not need to include the RF transceiver 901 (and antenna array 902). good.
  • each of the processors of the UE 1 and the RAN node 2 includes a group of instructions for causing the computer to execute the algorithm described using the drawings.
  • One or more programs can be executed.
  • a program includes instructions (or software code) that, when read into a computer, cause the computer to perform one or more of the functions described in the embodiments.
  • the program may be stored in a non-transitory computer-readable medium or tangible storage medium.
  • computer readable media or tangible storage media may include random-access memory (RAM), read-only memory (ROM), flash memory, solid-state drives (SSD) or other memory technology, CDs - ROM, digital versatile disk (DVD), Blu-ray disc or other optical disc storage, magnetic cassette, magnetic tape, magnetic disc storage or other magnetic storage device.
  • the program may be transmitted on a transitory computer-readable medium or communication medium.
  • transitory computer readable media or communication media include electrical, optical, acoustic, or other forms of propagated signals.
  • Non-Terrestrial Networks NTN
  • V2X vehicle-to-everything
  • HSTs high-speed trains
  • UAVs unmanned aerial vehicles
  • UAVs uncrewed aerial vehicles
  • UAM urban air mobility
  • the RAN node 2 may be a secondary node (SN).
  • the SN may transmit and receive RRC messages to and from the UE1 directly using the signaling radio bearer (SRB3) in the SCG or via the master node (MN).
  • SRB3 signaling radio bearer
  • MN master node
  • RAN node 2 may be a master node (MN) and may be responsible for forwarding RRC messages between SN and UE1.
  • the RAN node 2 in the above embodiments may be implemented in a C-RAN arrangement.
  • RAN node 2 may include a CU (e.g. gNB-CU) and a DU (e.g. gNB-DU).
  • CU decides whether to allow UE1 to take a specific action based on the inference results of machine learning-based artificial intelligence, and sends control information (via DU) to UE1 indicating the result of the decision.
  • the DU determines whether to allow the wireless terminal to take a particular action based on the inference results of the machine learning-based artificial intelligence, and sends control information to the CU indicating the result of the determination. and the CU may send it to UE1.
  • the control by the above-described CU and DU may be selected or combined depending on the target permitted to the UE1 or its type or content.
  • (Appendix 1) a wireless terminal, at least one memory; at least one processor coupled to the at least one memory; The at least one processor receiving control information from the network indicating whether the wireless terminal is permitted to take a particular action based on machine learning-based artificial intelligence inference results; making a prediction or decision using a trained machine learning model, and if the control information permits execution of the specific action based on the inference result, the specific action triggered by the prediction or decision.
  • a wireless terminal configured as: (Appendix 2) The control information indicates whether execution of the specific action based on the inference result is permitted instead of or in addition to performing the specific action based on a predefined rule; The wireless terminal according to Appendix 1.
  • the predefined rules are rules predefined in Third Generation Partnership Project (3GPP) specifications or rules preset by the network.
  • the control information individually indicates whether each of a plurality of actions including the specific action is permitted;
  • the control information collectively indicates permission to use the machine learning-based artificial intelligence for multiple actions, including the specific action;
  • the control information indicates a condition under which execution of a specific action based on the inference result is permitted; the at least one processor is configured to take the specific action triggered by the prediction or determination only if the condition is met; The wireless terminal according to any one of Appendices 1 to 5.
  • the condition indicates a constraint on at least one of frequency band, location, and time;
  • the control information is sent by the network if execution of the specific action based on the inference result is permitted;
  • the at least one processor is configured to inform the network prior to receiving the control information that the wireless terminal supports machine learning-based artificial intelligence.
  • the wireless terminal according to any one of Appendices 1 to 8. The at least one processor is configured to inform the network prior to receiving the control information that the wireless terminal desires to perform the specific action based on machine learning-based artificial intelligence inference results.
  • the wireless terminal according to any one of Appendices 1 to 9. the specific action relates to beam management or mobility;
  • the specific action includes at least one of cell reselection, sending a measurement report, performing conditional mobility, and selecting a downlink beam;
  • the specific action includes sending supporting information to the network indicating results of predictions or decisions made using the trained machine learning model;
  • the wireless terminal according to any one of Appendices 1 to 12.
  • said aiding information is used for training a second machine learning model for radio access network optimization or for performing inference on said second trained machine learning model for radio access network optimization; 13.
  • a method performed by a wireless terminal comprising: Receiving control information from a network indicating whether the wireless terminal is permitted to take a particular action based on machine learning-based artificial intelligence inference results; making a prediction or decision using a trained machine learning model; and, if the control information permits execution of the specific action based on the inference result, the specific action triggered by the prediction or decision. to take action, How to prepare.
  • a program for causing a computer to perform a method for a wireless terminal comprising: The method includes: Receiving control information from a network indicating whether the wireless terminal is permitted to take a particular action based on machine learning-based artificial intelligence inference results; making a prediction or decision using a trained machine learning model; and, if the control information permits execution of the specific action based on the inference result, the specific action triggered by the prediction or decision. to take action, program.
  • (Appendix 17) at least one memory; coupled to the at least one memory and configured to transmit control information to the wireless terminal indicating whether the wireless terminal is permitted to take a particular action based on machine learning-based artificial intelligence inference results; at least one processor configured with with If the control information permits execution of the specific action based on the inference result, the control information performs the specific action triggered by prediction or determination using a trained machine learning model. causing the wireless terminal to radio access network node; (Appendix 18) The control information indicates whether execution of the specific action based on the inference result is permitted instead of or in addition to performing the specific action based on a predefined rule; A radio access network node according to clause 17.
  • the predefined rules are rules predefined in Third Generation Partnership Project (3GPP) specifications or rules preset by the network. 19.
  • the control information individually indicates whether each of a plurality of actions including the specific action is permitted; A radio access network node according to any one of clauses 17-19.
  • the control information collectively indicates permission to use the machine learning-based artificial intelligence for multiple actions, including the specific action; A radio access network node according to any one of clauses 17-19.
  • control information indicates a condition under which execution of a specific action based on the inference result is permitted; the control information causes the wireless terminal to take the specific action triggered by the prediction or determination only if the condition is met; A radio access network node according to any one of clauses 17-21.
  • the condition indicates a constraint on at least one of frequency band, location, and time; A radio access network node according to clause 22.
  • the at least one processor is configured to transmit the control information if execution of the specific action based on the inference result is permitted.
  • the specific action includes at least one of cell reselection, sending a measurement report, performing conditional mobility, and selecting a downlink beam; A radio access network node according to any one of clauses 17-27.
  • the specific action includes sending assistance information to the radio access network node indicating a prediction or determination result using the trained machine learning model; A radio access network node according to any one of clauses 17-28.
  • said aiding information is used for training a second machine learning model for radio access network optimization or for performing inference on said second trained machine learning model for radio access network optimization; A radio access network node according to clause 29.
  • control information transmitting control information to the wireless terminal indicating whether the wireless terminal is permitted to perform a specific action based on the inference results of the machine learning-based artificial intelligence; If the control information permits execution of the specific action based on the inference result, the control information performs the specific action triggered by prediction or determination using a trained machine learning model. causing the wireless terminal to A method performed by a radio access network node.
  • a program for causing a computer to perform a method for a radio access network node comprising: The method comprises transmitting control information to the wireless terminal indicating whether the wireless terminal is permitted to take a particular action based on machine learning-based artificial intelligence inference results; If the control information permits execution of the specific action based on the inference result, the control information performs the specific action triggered by prediction or determination using a trained machine learning model. causing the wireless terminal to program.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

無線端末（１）は、特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが無線端末（１）に許可されるか否かを示す制御情報をネットワークから受信する。無線端末（１）は、訓練された機械学習モデルを用いて予測又は決定を行う。受信した制御情報がそれを許可しているなら、無線端末（１）は、機械学習モデルによる予測又は決定によりトリガーされた特定のアクションを行う。これは、例えば、訓練された機械学習モデルによる予測又は決定に基づいてアクションを行うことが無線端末に許可されるか否かを制御することをネットワーク（ｅ．ｇ．，無線アクセスネットワーク（ＲＡＮ）ノード）に可能にすることに寄与する。

Description

無線端末、無線アクセスネットワークノード、及びこれらの方法
　本開示は、無線通信ネットワークに関し、特に無線通信ネットワークへの人工知能（artificial intelligence（AI））の適用に関する。
　3rd Generation Partnership Project (3GPP（登録商標）)は、AI又は機械学習（machine learning（ML）の5Gへの適用（application）又は導入(introduction)について議論している。AI/MLは、ネットワーク内部機能(internal functions)及びエアインタフェース（i.e., Uu）の両方のために考慮することができる。3GPP Release 17では、Radio Access Network (RAN) Working Group #3 (RAN3) は、User Equipment（UE）関与無しのネットワークベース（network-based）AI/MLについて議論しており、ここでのターゲットの例は、省エネルギー（energy saving）、負荷分散（load balancing）、及びモビリティ最適化（mobility optimization）を含む（例えば非特許文献１及び２を参照）。Network-based AI/MLでは、ネットワークがAI/ML推論（inference）を実行する。AI/ML推論は、訓練された（trained）機械学習モデルに基づく予測又は決定を意味する。AI/ML推論機能は、Next Generation Radio Access Network（NG-RAN）（e.g., gNB）に配置されてもよい。機械学習モデルのトレーニングは、NG-RANで行われてもよい。あるいは、Operation, Administration and Maintenance（OAM）が機械学習モデルをトレーニングし、訓練された機械学習モデル（i.e., 訓練されたパラメータ（parameters））をNG-RAN（e.g., gNB）に供給してもよい。
　さらに、3GPP Release 18のために、UE関与を伴うnetwork-based AI/ML及びUEベース（UE-based）のAI/MLが提案されている（例えば、非特許文献３－５を参照）。UE-based AI/MLでは、UEがAI/ML推論（inference）を実行する。エアインタフェースのためのAL/MLの可能性のあるユースケースは、Channel State Information（CSI）フィードバック圧縮（compression）、ビーム管理（management）、ポジショニング、Reference signal（RS）オーバヘッド削減（reduction）、及びモビリティを含む。UE-based AI/MLでは、UEは、AIモデル（i.e., 訓練された機械学習モデル）を実行（run）し、AI推論結果をローカルで取得する。例えば、UEは、過去の測定に基づいて将来のイベント又は測定（measurement）を予測できる。UEは、予測された結果（e.g., モビリティ又はビームの予測）をネットワーク（e.g., gNB）にフィードバックすることができる。
CMCC, "Revised SID: Study on enhancement for data collection for NR and ENDC", RP-201620, 3GPP TSG-RAN Meeting #89e, Electronic meeting, September 14-18, 2020 3GPP TR 37.817 V0.3.0 (2021-08) "3rd Generation Partnership Project; Technical Specification Group RAN; Evolved Universal Terrestrial Radio Access (E-UTRA) and NR; Study on enhancement for Data Collection for NR and EN-DC (Release 17)", September 23, 2021 Ericsson, "Views on Rel-18 AI/ML on Air-Interface", RP-212346, 3GPP TSG-RAN Meeting#93e, Electronic meeting, September 13-17, 2021 ZTE, "Support of Artificial Intelligence Applications for 5G Advanced", RP-212383, 3GPP TSG-RAN Meeting#93e, Electronic meeting, September 13-17, 2021 Xiaomi, "Mobility enhancement by UE based AI", RP-211787, 3GPP TSG-RAN Meeting#93e, Electronic meeting, September 13-17, 2021
　本件発明者は、UE-based AI/MLについて検討し、様々な課題を見出した。これらの課題の１つは、UE-based AI/MLの実行条件に関する。例えば、UEは、機械学習モデルを用いた予測又は決定に基づいて何らかのアクションを実行する。しかしながら、このUEのアクションがネットワークとのインタラクションをもたらす、又はネットワークの性能に影響を与える可能性がある場合、UEが当該アクションを自由に行うことは適切でないかもしれない。あるいは、3GPP仕様書に定義されたルール（又は基準又は数式）によってトリガーされる代わりに、AI推論によってトリガーされるアクションをUEが自由に行うことは適切でないかもしれない。3GPP仕様書に定義されたルール（又は基準又は数式）によってトリガーされるアクションは、例えば、ハンドオーバのための測定報告の送信、条件付き（conditional）モビリティの実行、ビーム選択、及びセル（再）選択を含む。
　本明細書に開示される実施形態が達成しようとする目的の１つは、上述された課題を含むUE-based AI/MLに関する複数の課題のうち少なくとも１つを解決することに寄与する装置、方法、及びプログラムを提供することである。なお、この目的は、本明細書に開示される複数の実施形態が達成しようとする複数の目的の１つに過ぎないことに留意されるべきである。その他の目的又は課題と新規な特徴は、本明細書の記述又は添付図面から明らかにされる。
　第１の態様では、無線端末は、少なくとも１つのメモリ、及び前記少なくとも１つのメモリに結合された少なくとも１つのプロセッサを含む。前記少なくとも１つのプロセッサは、特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが前記無線端末に許可されるか否かを示す制御情報をネットワークから受信するよう構成される。前記少なくとも１つのプロセッサは、訓練された機械学習モデルを用いて予測又は決定を行うよう構成される。前記少なくとも１つのプロセッサは、前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記予測又は決定によりトリガーされた前記特定のアクションを行うよう構成される。
　第２の態様では、無線端末により行われる方法は、以下のステップを含む：
（ａ）特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが前記無線端末に許可されるか否かを示す制御情報をネットワークから受信すること、
（ｂ）訓練された機械学習モデルを用いて予測又は決定を行うこと、及び
（ｃ）前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記予測又は決定によりトリガーされた前記特定のアクションを行うこと。
　第３の態様では、無線アクセスネットワーク（RAN）ノードは、少なくとも１つのメモリ、及び前記少なくとも１つのメモリに結合された少なくとも１つのプロセッサを含む。前記少なくとも１つのプロセッサは、特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが無線端末に許可されるか否かを示す制御情報を前記無線端末に送信するよう構成される。前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記制御情報は、訓練された機械学習モデルを用いた予測又は決定によりトリガーされた前記特定のアクションを行うことを前記無線端末に引き起こす。
　第４の態様では、RANノードにより行われる方法は、特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが無線端末に許可されるか否かを示す制御情報を前記無線端末に送信することを含む。前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記制御情報は、訓練された機械学習モデルを用いた予測又は決定によりトリガーされた前記特定のアクションを行うことを前記無線端末に引き起こす。
　第５の態様は、プログラムに向けられる。当該プログラムは、コンピュータに読み込まれた場合に、上述の第２又は第４の態様に係る方法をコンピュータに行わせるための命令群（ソフトウェアコード）を含む。
　上述の態様によれば、UE-based AI/MLに関する複数の課題のうち少なくとも１つを解決することに寄与する装置、方法、及びプログラムを提供できる。
実施形態に係る無線通信システムの構成例を示す図である。 実施形態に係る無線端末及び無線アクセスネットワークノードの動作の一例を示すシーケンス図である。 実施形態に係る無線端末の動作の一例を示すフローチャートである。 実施形態に係る制御情報のフォーマットの具体例を示す図である。 実施形態に係る制御情報のフォーマットの具体例を示す図である。 実施形態に係る無線端末及び無線アクセスネットワークノードの動作の一例を示すシーケンス図である。 実施形態に係るAI関心表示のフォーマットの具体例を示す図である。 実施形態に係る無線アクセスネットワークノードの動作の一例を示すフローチャートである。 実施形態に係る無線端末の構成例を示すブロック図である。 実施形態に係る無線アクセスネットワークノードの構成例を示すブロック図である。
　以下では、具体的な実施形態について、図面を参照しながら詳細に説明する。各図面において、同一又は対応する要素には同一の符号が付されており、説明の明確化のため、必要に応じて重複説明は省略される。
　以下に説明される複数の実施形態は、独立に実施されることもできるし、適宜組み合わせて実施されることもできる。これら複数の実施形態は、互いに異なる新規な特徴を有している。したがって、これら複数の実施形態は、互いに異なる目的又は課題を解決することに寄与し、互いに異なる効果を奏することに寄与する。
　以下に示される複数の実施形態は、3GPP第5世代移動通信システム（5G system）を主な対象として説明される。しかしながら、これらの実施形態は、他の無線通信システムに適用されてもよい。
　本明細書で使用される場合、文脈に応じて、「（もし）～なら（if）」は、「場合(when)」、「その時またはその前後（at or around the time）」、「後に（after）」、「に応じて（upon）」、「判定（決定）に応答して（in response to determining）」、「判定（決定）に従って（in accordance with a determination）」、又は「検出することに応答して（in response to detecting）」を意味するものとして解釈されてもよい。これらの表現は、文脈に応じて、同じ意味を持つと解釈されてもよい。
　初めに、複数の実施形態に共通である複数のネットワーク要素の構成及び動作が説明される。図１は、複数の実施形態に係る無線通信システムの構成例を示している。図１の例では、無線通信システムは、無線端末（i.e., UE）１及び無線アクセスネットワーク（RAN）ノード（e.g., gNB）２を含む。図１に示された各要素（ネットワーク機能）は、例えば、専用ハードウェア（dedicated hardware）上のネットワークエレメントとして、専用ハードウェア上で動作する（running）ソフトウェア・インスタンスとして、又はアプリケーション・プラットフォーム上にインスタンス化（instantiated）された仮想化機能として実装されることができる。
　UE１は、少なくとも１つの無線トランシーバを有し、RANノード２との無線通信を行うよう構成されている。UE１は、エアインタフェース１０１を介して、RANノード２に接続される。RANノード２は、セルを管理し、セルラー通信技術（e.g., NR Radio Access Technology（RAT））を用いて、UE１を含む複数のUEsと無線通信を行うよう構成されている。UE１は、デュアルコネクティビティ（Dual Connectivity（DC））のために複数のRANノードに同時に接続されてもよい。
　RANノード２は、cloud RAN（C-RAN）配置（deployment）におけるCentral Unit（e.g. gNB-CU）であってもよいし、CU及び１又は複数のDistributed Units（e.g. gNB-DUs）の組み合わせであってもよい。C-RANは、CU/DU splitとも呼ばれる。さらに、CUは、Control Plane (CP) Unit（e.g. gNB-CU-CP）及び１又はそれ以上のUser Plane (UP) Unit（e.g. gNB-CU-UP）を含んでもよい。したがって、RANノード２は、CU-CPであってもよく、CU-CP及びCU-UPの組み合わせであってもよい。CUは、gNBのRadio Resource Control（RRC）、Service Data Adaptation Protocol（SDAP）、及びPacket Data Convergence Protocol（PDCP）protocols（又はgNBのRRC及びPDCP protocols）をホストする論理ノードであってもよい。DUは、gNBのRadio Link Control（RLC）、Medium Access Control（MAC）、及びPhysical（PHY）layersをホストする論理ノードであってもよい。
　UE１は、AI/ML推論をローカルで実行してもよい。このAI/ML推論は、無線アクセスネットワークの最適化に関してもよい。UE１は、訓練された機械学習モデルにおいてAI推論を実行（run）し、AI推論に基づく予測又は決定に従って１又はそれ以上のアクションを行ってもよい。機械学習モデルは、深層学習を含む機械学習の分野で知られている任意のモデルであってもよい。機械学習モデルは、限定されないが例えば、ニューラルネットワーク・モデル、サポートベクタマシン・モデル、決定木（decision tree）モデル、ランダムフォレスト・モデル、又はK-近傍法（K-nearest neighbor）モデルであってもよい。
　限定でなく例として、UE１によるAI推論に基づく予測又は決定及びこれにトリガーされる１又はそれ以上のアクションは、ビーム管理若しくはモビリティ又は両方に関する。１又はそれ以上のアクションは、限定されないが例えば、セル再選択、測定報告の送信、条件付きモビリティの実行、及びダウンリンクビームの選択のうち少なくとも１つを含む。ダウンリンクビームは、Synchronization Signal (SS)/Physical Broadcast Channel (PBCH) block (SSB) ビームであってもよい。例えば、機械学習モデルは、セル再選択の候補セル、ハンドオーバのターゲットセル又はノード、条件付きモビリティの候補セル又はノード、ビーム選択の候補ビーム、又はUE軌道（trajectory）の予測結果を出力してもよい。さらに又はこれに代えて、機械学習モデルは、モビリティ又はビーム管理のためのアクションの実行タイミングを予測又は決定してもよい。
　セル再選択は、UE１がRRC_IDLE又はRRC_INACTIVEであるときに行われてもよい。
　モビリティは、UE１がRRC_CONNECTEDであるときに行われてもよい。RRC_CONNECTEDでのモビリティは、ハンドオーバであってもよい。ハンドオーバは、Dual Active Protocol Stack（DAPS）ハンドオーバであってもよい。さらに又はこれに代えて、RRC_CONNECTEDでのモビリティは、DCでの様々なモビリティに関係してもよい。具体的には、モビリティは、DCでのマスターセルグループ（Master Cell Group（MCG））のプライマリセルの変更、DCでのマスターノード間（inter-Master Node (MN)）ハンドオーバ、DCでのセカンダリノード変更、又はDCでのセカンダリセルグループのプライマリセルの追加若しくは変更であってもよい。
　条件付きモビリティは、UE１がRRC_CONNECTEDであるときに行われてもよい。条件付きモビリティは、条件付きハンドオーバであってもよい。さらに又はこれに代えて、条件付きモビリティは、DCでの様々なモビリティに関係してもよい。具体的には、条件付きモビリティは、DCでのマスターセルグループ（Master Cell Group（MCG））のプライマリセルの変更、DCでのマスターノード間（inter-Master Node (MN)）ハンドオーバ、DCでのセカンダリノード変更、又はDCでのセカンダリセルグループのプライマリセルの追加若しくは変更であってもよい。
　ダウンリンクビームの選択は、ビーム障害（failure）リカバリ（Beam Failure Recovery（BFR））手順において行われてもよい。
　UE１によるAI/ML推論のための機械学習モデルのトレーニングは、UE１により行われてもよいし、ネットワーク（e.g., OAM、RANノード２）により行われてもよい。当該トレーニングの方法は、オフライン学習であってもよいし、オンライン学習であってもよいし、これらの組み合わせであってもよい。
　同様に、RANノード２は、AI/ML推論を実行してもよい。このAI/ML推論は、無線アクセスネットワークの最適化に関してもよい。RANノード２は、訓練された機械学習モデルにおいてAI推論を実行（run）し、AI推論に基づく予測又は決定に従って１又はそれ以上のアクションを行ってもよい。機械学習モデルは、深層学習を含む機械学習の分野で知られている任意のモデルであってもよい。機械学習モデルは、限定されないが例えば、ニューラルネットワーク・モデル、サポートベクタマシン・モデル、決定木モデル、ランダムフォレスト・モデル、又はK-近傍法モデルであってもよい。
　限定でなく例として、RANノード２によるAI推論に基づく予測又は決定及びこれにトリガーされる１又はそれ以上のアクションは、省エネルギー（energy saving）、負荷分散（load balancing）、モビリティ最適化（mobility optimization）、CSIフィードバックの強化、及びポジショニング精度の強化のうち少なくとも１つに関する。例えば、機械学習モデルの予測又は決定は、省エネルギー戦略及びモビリティ戦略の一方又は両方に関する。モビリティ戦略に関して、機械学習モデルは、ハンドオーバのターゲットセル又はノード、条件付きモビリティの候補セル又はノード、又はUE軌道（trajectory）の予測結果を出力してもよい。
　RANノード２によるAI/ML推論のための機械学習モデルのトレーニングは、RANノード２により行われてもよいし、OAMにより行われてもよい。当該トレーニングの方法は、オフライン学習であってもよいし、オンライン学習であってもよいし、これらの組み合わせであってもよい。
＜第１の実施形態＞
　本実施形態に係る無線通信システムの構成例は、図１に示された例と同様であってもよい。図２は、UE-based AI/MLため、つまりUE１が機械学習モデルでのAI推論を実行するための、UE１及びRANノード２の動作の一例を示している。ステップ２０１では、RANノード２は、制御情報をUE１に送信する。当該制御情報は、ブロードキャスト（e.g., システム情報）を介して送信されてもよい。システム情報は、任意のシステム情報ブロック（System Information Block）であってもよい。これに代えて、当該制御情報は、UE１のために個別の（dedicated）シグナリングを介して送信されてもよい。個別のシグナリングは、個別RRCシグナリング、例えばRRC Reconfigurationメッセージ、RRC Reestablishmentメッセージ、RRC Resumeメッセージ、又はRRC Setupメッセージであってもよい。当該制御情報は、SIB又は個別RRCシグナリングに包含される情報要素であってもよい。当該情報要素の名称は、限定されないが例えば、“AI configuration”であってもよい。
　当該制御情報は、特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことがUE１に許可されるか否かを示す。言い換えると、当該制御情報は、訓練された機械学習モデルを用いた予測又は決定によりトリガーされた特定のアクションを行うことがUE１に許可されるか否かを示す。当該制御情報がそれを許可することを示しているなら、当該制御情報は、訓練された機械学習モデルを用いた予測又は決定によりトリガーされた特定のアクションを行うことをUE１に引き起こす。RANノード２は、UE１でのAI/ML推論結果に基づく特定のアクションの実行が許可される場合にのみに制御情報（ステップ２０１）を送信してもよい。この場合、制御情報の送信が、UE１でのAI/ML推論結果に基づく特定のアクションの実行の許可を暗示的に示すことができる。
　用語「機械学習ベース人工知能の推論結果」は、人工知能による推論結果、（UEによる）自己学習の推定結果、自己補正の推定結果、又は最適化（アルゴリズム）の推定結果と言い替えられてもよい。表現「特定のアクションを機械学習ベース人工知能の推論結果に基づいて行う」とは、特定のアクションに対して人工知能の推論結果を適用する、特定のアクションに対して（UEによる）自己最適化を行う、又は特定のアクションに対して最適化（アルゴリズム）を適用する、と言い替えられてもよい。用語「無線アクセスネットワークの最適化」は、例えば無線ネットワーク（e.g., １つ以上のRANノード）の機能又は処理の最適化、又は無線ネットワークが無線端末（e.g., １つ以上のUE）に対して設定する無線パラメータの値又は設定内容の最適化を意味してもよい。
　UE１によるAI推論に基づく予測又は決定及びこれにトリガーされる１又はそれ以上のアクションの具体例は、上述されたとおりである。限定でなく例として、UE１における機械学習モデルを用いた予測又は決定によりトリガーされる特定のアクションは、ビーム管理、モビリティ、CSIフィードバック、及びポジショニング（又は位置推定）のうち少なくとも１つに関する。特定のアクションは、限定されないが例えば、セル再選択、測定報告の送信、条件付きモビリティの実行、及びダウンリンクビームの選択のうち少なくとも１つを含む。測定報告の送信は、ネットワーク（e.g., RANノード２）によるモビリティ（e.g., ハンドオーバ）開始の決定をトリガーしてもよい。
　限定でなく例として、特定のアクションは、CSIフィードバックに関する。特定のアクションは、CSI報告のタイミング（e.g., 周期）の調整であってもよい。さらに又はこれに代えて、特定のアクションは、CSI報告（e.g., ビーム情報、channel matrix、precoding matrix）の情報量を削減又は圧縮することであってもよい。
　限定でなく例として、特定のアクションは、UE１のポジショニング（又は位置推定）に関する。特定のアクションは、位置推定に使用される情報の補正、又は位置推定結果に対する補正であってもよい。
　さらに又はこれに代えて、特定のアクションは、UE１での第１の機械学習モデルを用いた予測又は決定の結果を示す支援情報（e.g., UE assistance information）をネットワーク（e.g., RANノード２）に送信することを含んでもよい。当該支援情報は、無線アクセスネットワークの最適化に関する第２の機械学習モデルの訓練に使用されてもよい。当該支援情報は、無線アクセスネットワークの最適化に関する第２の訓練された機械学習モデルでの推論実行のために使用されてもよい。第２の機械学習モデル及び第２の訓練された機械学習モデルは、RANノード２又はOAMに配置されてもよい。さらに又はこれに代えて、当該支援情報は、UE１に配置される第１の機械学習モデルの訓練（例えば、オフライン強化学習）のために使用されてもよい。
　当該制御情報は、予め定義されたルール（又は基準又は数式）に基づく特定のアクションを行うことに代えて、又はこれに加えて、AI推論結果に基づく当該特定のアクションの実行が許可されるか否かを示してもよい。予め定義されたルールは、3GPP仕様書に予め規定されたルールであってもよい。あるいは、予め定義されたルールは、ネットワーク（e.g., RANノード２）により予め設定されたルールであってもよい。より具体的には、予め定義されたルールは、3GPP仕様書に規定された又はネットワークにより設定された、セル再選択ルール（又は基準又は数式）、測定報告ルール（又は基準又は数式）、条件付きモビリティの実行ルール（又は基準又は数式）、ビーム選択ルール（又は基準又は数式）であってもよい。これらのルール（又は基準又は数式）は、一般的に、セル又はビーム品質（e.g., Reference Signal Received Power（RSRP））と閾値との比較に基づく。
　当該制御情報は、特定のアクションを含む複数のアクションのために機械学習ベース人工知能（i.e., UE-based AI/ML）を使用することの許可を一括してUE１に示してもよい。これに代えて、当該制御情報は、上述の特定のアクションを含む複数のアクションのそれぞれが許可されるかを個別にUE１に示してもよい。当該制御情報は、UE-based AI/MLの適用が許可されるアクション又はアクションのカテゴリ（又はグループ）を示してもよい。当該制御情報は、UE-based AI/MLの適用が許可される機能又は特徴（例えばモビリティ、パワーセービング）を示してもよい。当該制御情報は、UE-based AI/MLの適用が許可されるサブ機能又はサブ特徴（例えば、セル選択、ハンドオーバ、ビーム管理）を示してもよい。当該制御情報は、UE-based AI/MLの適用が許可される手順（例えば、RRC再確立、ビーム障害リカバリ（BFR））を示してもよい。当該制御情報は、UE-based AI/MLの適用が許可されるRRC configuration（例えば、Abstract Syntax Notation One（ASN.1）での情報要素又はフィールドのレベル）を示してもよい。
　当該制御情報は、AI/ML推論結果に基づく特定のアクションの実行が許可される条件を示してもよい。この場合、UE１は、示された条件が満たされている場合にのみ、機械学習モデル（i.e., UE-based AI/ML）の予測又は決定によりトリガーされた特定のアクションを行ってもよい。当該特定のアクションの実行が許可される条件は、周波数バンド、場所、及び時間のうち少なくとも１つに関する制約を示してもよい。
　例えば、当該条件は、AI/ML推論結果に基づく特定のアクションの実行が許可される場所(e.g., 地理的エリア、セル、又はセルのセット)を示してもよい。当該条件は、AI/ML推論結果に基づく特定のアクションの実行が許可される時間又は期間を示してもよい。当該条件は、AI/ML推論結果に基づく特定のアクションの実行が許可される１又はそれ以上の周波数バンドを示してもよい。
　さらに又はこれに代えて、当該条件は、継続的な(consistent)障害が検出されていることであってもよい。例えば、当該条件は、所定の障害が繰り返し同じ又は類似の状況（e.g., 場所、セル、セルのペア、時間、周波数バンド、時間）で検出された場合に、AI/ML推論結果に基づく特定のアクションの実行をUE１に許可してもよい。所定の障害は、例えば、ハンドオーバ障害又はビーム障害であってもよい。状況は、場所、セル、セルのペア、時間、周波数バンド、及び時間のうち少なくとも１つであってもよい。
　さらに又はこれに代えて、当該条件は、UE１が所定の識別子を示す信号をネットワーク（e.g., RANノード２）から受信していることであってもよい。所定の識別子は、限定されないが、例えば、Config Set Number若しくはID、AI Set Number若しくはID、又はCombination Set Number若しくはIDであってもよい。所定の識別子は、同一又は類似の状況（e.g., RANノード２の送信電力、アンテナチルト、ダウンリンクビームの数、又はその他の物理レイヤ設定）を表すためにネットワークによって設定されてもよい。
　図３は、UE１の動作の一例を示している。ステップ３０１では、UE１は、上述の制御情報を受信する。ステップ３０２では、UE１は、訓練された機械学習モデルを用いて予測又は決定を行う。ステップ３０３では、制御情報がそれを許可することを示しているなら、UE１は、機械学習モデルに基づく予測又は決定によりトリガーされた特定のアクションを行う。ステップ３０３では、UE１は、制御情報に示された条件を考慮してもよい。上述のように、当該条件は、AI/ML推論結果に基づく特定のアクションのUE１による実行が許可されるための条件であってもよい。この場合、UE１は、示された条件が満たされている場合にのみ、機械学習モデル（i.e., UE-based AI/ML）の予測又は決定によりトリガーされた特定のアクションを行ってもよい。
　図４Ａは、制御情報（ステップ２０１、３０１）のフォーマットの一例を示している。図４Ａに示されたAi-configuration 情報要素（Information Element（IE））４０１は、SIB又は個別RRCメッセージでRANノード２からUE１に送信されてもよい。Ai-configuration IE４０１は、AI-ML-ConfigList IE４０２を含むことができる。AI-ML-ConfigList IE４０２は、１又はそれ以上のAI-ML-Config IEs４０３を含む。各AI-ML-Config IE４０３は、targetFeature IE４０４、targetArea IE４０５、及びcondition IE４０６のうち１つ又は任意の組み合わせを含むことができる。
　targetFeature IE４０４は、UE-based AI/MLの適用が許可される１又はそれ以上のアクションのカテゴリ（又はグループ）を示してもよい。アクションのカテゴリは、例えば、“mobilityConnected”、“mobilityIdleInactive”、“beamManagement”、“energySaving”、“rrmMeasurement”、“csiFeedback”、及び“positioningAccuracy”のうち１以上を含む。
　targetFeature IE４０４に“mobilityConnected”が設定されているなら、これは例えばUE１がRRC_Connected状態で行うモビリティ機能へのUE-based AI/MLの適用を許可されることを示す。RRC_Connected状態でのモビリティ機能へのUE-based AI/MLの適用は、ハンドオーバに関連する調整または条件付きハンドオーバ（Conditional Handover（CHO））に関する調整であってもよい。ハンドオーバに関連する調整は、measurement report（MR）の報告タイミングの調整、又はMRのイベントのオフセット値若しくは閾値の調整であってもよい。CHOに関する処理の調整は、CHO実行条件のオフセット値又は閾値の調整であってもよい。さらに又はこれに代えて、RRC_Connected状態でのモビリティ機能へのUE-based AI/MLの適用は、Multi-Radio Dual Connectivity（MR-DC）のPSCellの追加又は変更に関連する調整、又は条件付きPSCell追加又は変更（Conditional PSCell Addition/Change（CPAC））に関する調整であってもよい。PSCellは、Primary SCell又はPrimary Secondary Cell Group (SCG) Cellの略である。
　targetFeature IE４０４に“mobilityIdleInactive”が設定されているなら、これは例えばUE１がRRC_IDLE状態及びRRC_INACTIVE状態のいずれか又は両方で行うモビリティ機能へのUE-based AI/MLの適用を許可されることを示す。RRC_IDLE状態又はRRC_INACTIVE状態でのモビリティ機能へのUE-based AI/MLの適用は、セル再選択（Cell reselection）に関連する調整を意味してもよい。セル再選択に関連する調整は、セル再選択プロセスで使用されるパラメータの調整であってもよい。例えば、これは、オフセット値若しくは閾値の調整、周波数毎若しくは周波数間のプライオリティの調整、又はネットワークスライス毎若しくはネットワークスライス間のプライオリティの調整であってもよい。
　targetFeature IE４０４に“beamManagement”が設定されているなら、これは例えばUE１がビーム管理機能へのUE-based AI/MLの適用を許可されることを示す。ビーム管理機能へのUE-based AI/MLの適用は、UE１のビーム選択に関連する調整、ビーム失敗の検出（beam failure detection（BFD）に関連する調整、又はビーム失敗の回復（beam failure recovery（BFR））に関連する調整を意味してもよい。ビーム選択に関連する調整は、無線品質（e.g. RSRP, Reference Signal Received Quality (RSRQ), Received Signal Strength Indicator (RSSI)）のオフセット値若しくは閾値の調整であってもよいし、ビーム毎又はビーム間のプライオリティの調整であってもよい。ビーム失敗の検出に関連する調整は、BFDを判定するための閾値の調整であってもよい。ビーム失敗の回復に関連する調整は、BFRのためのビーム選択基準（e.g., 閾値又はreference signal(RS）の種類（e.g. SSB or CSI-RS）)の調整であってもよい。
　targetFeature IE４０４に“energySaving”が設定されているなら、これは例えばUE１が消費電力削減に関する機能へのUE-based AI/MLの適用を許可されることを示す。消費電力削減に関する機能へのUE-based AI/MLの適用は、サービングセル及び隣接セル（neighbour cell）のいずれか又は両方の測定のタイミング（e.g. 周期、対象周波数）を、消費電力の削減につながる（又は削減が期待される）ように調整することであってもよい。当該測定は、Radio Link Monitoring（RLM）測定及びRadio Resource Management（RRM）測定のいずれか又は両方であってもよい。
　targetFeature IE４０４に“rrmMeasurement”が設定されているなら、これは例えばUE１がRRM測定機能へのUE-based AI/MLの適用を許可されることを示す。RRM測定機能へのUE-based AI/MLの適用は、前述の消費電力削減のための測定のタイミングの調整であってもよい。さらに又はこれに代えて、これは、RRM測定の頻度又は想定対象の緩和（i.e., RRM relaxation）における判定基準の調整であってもよい。例えば、not-at-cell edge又はlow-mobilityの判定のための閾値が調整されてもよい。例えば、UE１が自身をnot-at-cell edge又はlow-mobilityであると判定した場合、RRM measurementの周期を通常より長くすること又は対象周波数を削減することがUE１に許可されてもよい。
　targetFeature IE４０４に“csiFeedback”が設定されているなら、これは例えばUE１がCSI feedback機能へのUE-based AI/MLの適用を許可されることを示す。CSI feedback機能へのUE-based AI/MLの適用は、RANノード２へのCSI報告のタイミング（e.g., 周期）の調整であってもよい。さらに又はこれに代えて、CSI feedback機能へのUE-based AI/MLの適用は、CSI報告（e.g., ビーム情報、channel matrix、precoding matrix）の情報量を削減又は圧縮することであってもよい。
　targetFeature IE４０４に“positioningAccuracy”が設定されているなら、これは例えばUE１がポジショニング精度の改善に関する機能へのUE-based AI/MLの適用を許可されることを示す。ポジショニング精度の改善に関する機能へのUE-based AI/MLの適用は、位置推定に使用される情報の補正、又は位置推定結果に対する補正を意味してもよい。
　targetArea IE４０５は、UE-based AI/MLの適用が許可される１又はそれ以上のエリア（つまり、許可される対象となる機能領域）を示してもよい。エリアは、例えば、“intraFreq”、“interFreq”、“intraAndInterFreq”、“interRAT”、及び“any”のうち１以上を含む。“intraFreq”は、同一周波数バンド内のセル再選択又はハンドオーバを意味する。“interFreq”は、異なる周波数バンド間のセル再選択又はハンドオーバを意味する。“intraAndInterFreq”は、同一周波数バンド内及び異なる周波数バンド間のセル再選択又はハンドオーバを意味する。“interRAT”は、異なる無線アクセス技術の間のセル選択又はハンドオーバを意味する。“any”は、エリアに制限のないことを意味する。これに代えて、targetArea IE４０５がAI-ML-Config IE４０３に包含されていないことがエリアに制限のないことを意味してもよい。なお、targetAreaは、targetFunc（targetFunction）、targetScope、又はapplicableTargetと規定され、これらはそれぞれUE-based AI/MLの適用が許可される１又はそれ以上のターゲット機能（対象機能）、１又はそれ以上のスコープ（対象範囲）、又は１又はそれ以上の適用ターゲット（適用可能対象）を示してもよい。
　condition IE４０６は、UE-based AI/MLの適用が許可される状況を示してもよい。例えば、状況は、“consistentFailure”、“predictable”、“lowBattery”、“gnssAvailable”、及び“nlos”のうち１以上を含む。“consistentFailure”は、所定の障害が繰り返し同じ又は類似の状況で検出されている状況を意味する。“predictable”は、履歴に基づいて予測可能な状況を意味する。“lowBattery”は、UE１のバッテリーの残り電力が少ない状況を意味する。“gnssAvailable”は、Global Navigation Satellite System（GNSS）による位置情報の取得が可能である状況を意味する。GNSSは、例えばGlobal Positioning System（GPS）、Galileo、及びGlobal Navigation Satellite System（GLONASS）のいずれかでもよい。“nlos”は、UE１の電波環境（又は通信環境）が見通し外（Non-Line Of Sight（NLOS））の環境であることを意味する。
　図４Ｂは、制御情報（ステップ２０１、３０１）のフォーマットの他の例を示している。図４Ｂに示されたAi-configuration 情報要素（Information Element（IE））４２１は、SIB又は個別RRCメッセージでRANノード２からUE１に送信されてもよい。Ai-configuration IE４２１は、AI-ML-ConfigList IE４２２を含むことができる。AI-ML-ConfigList IE４２２は、１又はそれ以上のAI-ML-Config IEs４２３を含む。各AI-ML-Config IE４２３は、mobility IE４２４、energySaving IE４２５、及びpositioningAccuracy IE４２６のうち１つ又は任意の組み合わせを含むことができる。
　mobility IE４２４は、モビリティに関連するターゲット機能（targetFuncMob IE）及びターゲットスコープ（targetScopeMob IE）を指定する。ターゲット機能は、UE-based AI/MLの適用が許可される１又はそれ以上のアクションのカテゴリ（又はグループ）を示してもよい。アクションのカテゴリは、例えば、“mobilityConnected”、“mobilityIdleInactive”、“beamManagement”、及び“rrmMeasurement”のうち１以上を含む。ターゲットスコープは、UE-based AI/MLの適用が許可される１又はそれ以上のスコープを示してもよい。ターゲットスコープは、例えば、“intraFreq”、“interFreq”、“intraAndInterFreq”、“interRAT”、及び“any”のうち１以上を含む。
　energySaving IE４２５は、消費電力削減に関連するターゲット機能（targetFuncES IE）及びターゲットスコープ（targetScopeES IE）を指定する。ターゲット機能は、UE-based AI/MLの適用が許可される１又はそれ以上のアクションのカテゴリ（又はグループ）を示してもよい。アクションのカテゴリは、例えば、“rrmMeasurement”及び“csiFeedback”のうち１以上を含む。ターゲットスコープは、UE-based AI/MLの適用が許可される１又はそれ以上のスコープを示してもよい。ターゲットスコープは、例えば、“intraFreq”、“interFreq”、“intraAndInterFreq”、“interRAT”、“any”、“pCell”、“sCell”、“servCell”のうち１以上を含む。“pCell”は、キャリアアグリゲーションのプライマリセル又はDCのMCG若しくはSCGプライマリセルを意味する。“sCell”は、DCまたはキャリアアグリゲーションのセカンダリセルを意味する。“servCell”は、UE１のサービングセルを意味する。
　positioningAccuracy IE４２６は、ポジショニング精度に関連するターゲット機能（targetFuncPosi IE）及びターゲットスコープ（targetScopePosi IE）を指定する。ターゲット機能は、UE-based AI/MLの適用が許可される１又はそれ以上のアクションのカテゴリ（又はグループ）を示してもよい。アクションのカテゴリは、例えば、“nlosMitigation”、“multipathMitigation”、“propagationDelayCompensation”のうち１以上を含む。“nlosMitigation”は、UE１がNLOS環境にいる場合にポジショニング結果（又はUL送信タイミグ）を補正することを意味する。“multipathMitigation”は、UE１がマルチパス環境にいる場合にポジショニング結果（又はUL送信タイミグ）を補正することを意味する。“propagationDelayCompensation”は、伝搬遅延による影響（e.g. UL送信タイミング）を補償することを意味する。ターゲットスコープは、UE-based AI/MLの適用が許可される１又はそれ以上のスコープを示してもよい。ターゲットスコープは、例えば、“positioning”及び“timingAdvance”のうち１以上を含む。“positioning”は、ポジショニング機能による位置情報の取得を意味する。“timingAdvance”は、UE１がアップリンク送信の際に適用する送信タイミングの調整値（Timing Advance（TA）)の算出を意味する。UE１によるTAの算出結果は、例えばNon-Terrestrial Network（NTN）におけるUE１のUL送信タイミングへ反映されてもよいし、当該TAの算出結果がUE１からRANノード２へ報告されてもよい。
　図２から図４Ｂを参照して説明されたUE１及びRANノード２の動作によれば、UE１がUE-based AI/MLによる予測又は決定に基づいてアクションを行うことが許可されるか否かをRANノード２が制御できる。例えば、AI推論によってトリガーされるUE１のアクションがネットワークとのインタラクションをもたらす、又はネットワークの性能に影響を与える可能性がある場合、UE１が当該アクションを自由に行うことは適切でないかもしれない。あるいは、3GPP仕様書に定義されたルール（又は基準又は数式）によってトリガーされる代わりに、AI推論によってトリガーされるアクションをUE１が自由に行うことは適切でないかもしれない。図２から図４Ｂを参照して説明されたUE１及びRANノード２の動作は、これらの問題の解決に寄与できる。
＜第２の実施形態＞
　本実施形態に係る無線通信システムの構成例は、図１に示された例と同様であってもよい。図５は、UE-based AI/MLため、つまりUE１が機械学習モデルでのAI推論を実行するための、UE１及びRANノード２の動作の一例を示している。ステップ５０１では、UE１は、AI関心表示（AI interest indication）をRANノード２に送信する。一例では、UE１はRRCコネクションのセットアップ、再開（resume）、又は再確立の手順においてAI関心表示を送信してもよい。RANノード２は、AI関心表示を送信するようUE１に要求してもよい。
　AI関心表示は、UE１が機械学習ベース人工知能をサポートしていることをRANノード２に示してもよい。AI関心表示は、UE１がUE-based AI/MLの実行に関心があることをRANノード２に示してもよい。AI関心表示は、UE-based AI/MLの実行の許可をUE１が求めることをRANノード２に示してもよい。AI関心表示は、UE Capability Informationに含まれてもよい。
　さらに又はこれに代えて、AI関心表示は、機械学習ベース人工知能の推論結果に基づく特定のアクションの実行をUE１が希望することをRANノード２に示してもよい。言い換えると、AI関心表示は、UE１によるUE-based AI/MLの実行が性能改善のために有益であると期待されることをRANノード２に示してもよい。
　AI関心表示は、UE１が実行したいAI/ML推定のカテゴリを示してもよい。言い換えると、AI関心表示は、UE-based AI/MLの適用を許可されることをUE１が希望するアクション又はアクションのカテゴリを示してもよい。AI関心表示は、UE-based AI/MLの適用を許可されることをUE１が希望する機能又は特徴（例えばモビリティ、パワーセービング）を示してもよい。AI関心表示は、UE-based AI/MLの適用を許可されることをUE１が希望するサブ機能又はサブ特徴（例えば、セル選択、ハンドオーバ、ビーム管理）を示してもよい。AI関心表示は、UE-based AI/MLの適用を許可されることをUE１が希望する手順（例えば、RRC再確立、ビーム障害リカバリ（BFR））を示してもよい。AI関心表示は、UE-based AI/MLの適用を許可されることをUE１が希望するRRC configuration（例えば、Abstract Syntax Notation One（ASN.1）での情報要素又はフィールドのレベル）を示してもよい。
　AI関心表示は、UE１によるAI/ML推定の実行によって期待される効果の大きさ又はレベルを示してもよい。
　ステップ５０２は、図２のステップ２０１と同様である。RANノード２は、制御情報をUE１に送信する。制御情報に関する詳細（e.g., 送信方法、内容）は、第１の実施形態で説明されたのと同様であるから、ここでは制御情報についての説明を省略する。RANノード２は、AI関心表示（５０１）に基づいて制御情報（５０２）を送信するか否かを決定してもよい。RANノード２は、AI関心表示（５０１）に基づいて制御情報（５０２）の内容を決定してもよい。
　図６は、AI関心表示のフォーマットの一例を示している。図６に示されたai-ML-Assistance IE６０２は、AI関心表示に相当する。ai-ML-Assistance IE６０２は、UEAssistanceInformation IE６０１に含まれてもよい。UEAssistanceInformation IE６０１は、RRCメッセージ（e.g., RRC Setup Request、RRC Setup Complete、RRC Resume Request、RRC Resume Complete、RRC Re-establishment Request、RRC Re-establishment Complete）を介してRANノード２に送信されてもよい。ai-ML-Assistance IE６０２は、ai-ML-InterestIndication IE６０３又は６０４を含んでもよい。
　ai-ML-InterestIndication IE６０３は、例えば、UE１がUE-based AI/MLの実行に関心があることを示す。UE-based AI/MLの実行の許可をUE１が希望する場合に、UE１は、ai-ML-InterestIndication IE６０３をUEAssistanceInformation IE６０１に含めてもよい。
　一方、ai-ML-InterestIndication IE６０４は、UE１が実行したいAI/ML推定のカテゴリを示す。言い換えると、ai-ML-InterestIndication IE６０４は、UE-based AI/MLの適用を許可されることをUE１が希望するアクション又はアクションのカテゴリを示す。カテゴリは、例えば、“mobilityConnected”、“mobilityIdleInactive”、“beamManagement”、“energySaving”、 “rrmMeasurement”、“csiFeedback”、及び“positioningAccuracy”のうち１以上を含む。これらそれぞれが意味する（示す）内容は、前述の通りでもよい。
　図７は、RANノード２の動作の一例を示すフローチャートである。ステップ７０１では、RANノード２は、AI関心表示をUE１から受信する。ステップ７０２では、RANノード２は、特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことがUE１に許可されるか否かを判定する。ステップ７０３では、RANノード２は、制御情報をUE１に送信する。ステップ７０３の制御情報は、特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことがUE１に許可されるか否かを示す。制御情報に関する詳細（e.g., 送信方法、内容）は、第１の実施形態で説明されたのと同様であるから、ここでは制御情報についての説明を省略する。
　図５から図７を参照して説明されたUE１及びRANノード２の動作によれば、RANノード２は、UE-based AI/MLの実行許可のための制御情報（ステップ５０２、７０３）を送信するより前に、AI関心表示（ステップ５０１、７０１）をUE１から受信できる。したがって、例えば、RANノード２は、UE１から受信したAI関心表示に基づいて、UE１にUE-based AI/MLの実行を許可するか否かを判定できる。あるいは、RANノード２は、UE１から受信したAI関心表示に基づいて、UE-based AI/MLのUE１による適用が許可される１又はそれ以上のアクション（又はアクションのカテゴリ）を決定することができる。
　続いて以下では、上述の複数の実施形態に係るUE１及びRANノード２の構成例について説明する。図８は、UE１の構成例を示すブロック図である。Radio Frequency（RF）トランシーバ８０１は、RANノードと通信するためにアナログRF信号処理を行う。RFトランシーバ８０１は、複数のトランシーバを含んでもよい。RFトランシーバ８０１により行われるアナログRF信号処理は、周波数アップコンバージョン、周波数ダウンコンバージョン、及び増幅を含む。RFトランシーバ８０１は、アンテナアレイ８０２及びベースバンドプロセッサ８０３と結合される。RFトランシーバ８０１は、変調シンボルデータ（又はOFDMシンボルデータ）をベースバンドプロセッサ８０３から受信し、送信RF信号を生成し、送信RF信号をアンテナアレイ８０２に供給する。また、RFトランシーバ８０１は、アンテナアレイ８０２によって受信された受信ＲＦ信号に基づいてベースバンド受信信号を生成し、これをベースバンドプロセッサ８０３に供給する。RFトランシーバ８０１は、ビームフォーミングのためのアナログビームフォーマ回路を含んでもよい。アナログビームフォーマ回路は、例えば複数の移相器及び複数の電力増幅器を含む。
　ベースバンドプロセッサ８０３は、無線通信のためのデジタルベースバンド信号処理（データプレーン処理）とコントロールプレーン処理を行う。デジタルベースバンド信号処理は、(a) データ圧縮／復元、(b) データのセグメンテーション／コンカテネーション、(c) 伝送フォーマット（伝送フレーム）の生成／分解、(d) 伝送路符号化／復号化、(e) 変調（シンボルマッピング）／復調、及び(f) Inverse Fast Fourier Transform（IFFT）によるOFDMシンボルデータ（ベースバンドOFDM信号）の生成などを含む。一方、コントロールプレーン処理は、レイヤ１（e.g., 送信電力制御）、レイヤ２（e.g., 無線リソース管理、及びhybrid automatic repeat request（HARQ）処理）、及びレイヤ３（e.g., アタッチ、モビリティ、及び通話管理に関するシグナリング）の通信管理を含む。
　例えば、ベースバンドプロセッサ８０３によるデジタルベースバンド信号処理は、Service Data Adaptation Protocol（SDAP）レイヤ、Packet Data Convergence Protocol（PDCP）レイヤ、Radio Link Control（RLC）レイヤ、Medium Access Control（MAC）レイヤ、およびPhysical（PHY）レイヤの信号処理を含んでもよい。また、ベースバンドプロセッサ８０３によるコントロールプレーン処理は、Non-Access Stratum（NAS）プロトコル、Radio Resource Control（RRC）プロトコル、MAC Control Elements（CEs）、及びDownlink Control Information（DCIs）の処理を含んでもよい。
　ベースバンドプロセッサ８０３は、ビームフォーミングのためのMultiple Input Multiple Output（MIMO）エンコーディング及びプリコーディングを行ってもよい。
　ベースバンドプロセッサ８０３は、デジタルベースバンド信号処理を行うモデム・プロセッサ（e.g., Digital Signal Processor（DSP））とコントロールプレーン処理を行うプロトコルスタック・プロセッサ（e.g., Central Processing Unit（CPU）又はMicro Processing Unit（MPU））を含んでもよい。この場合、コントロールプレーン処理を行うプロトコルスタック・プロセッサは、後述するアプリケーションプロセッサ８０４と共通化されてもよい。
　アプリケーションプロセッサ８０４は、CPU、MPU、マイクロプロセッサ、又はプロセッサコアとも呼ばれる。アプリケーションプロセッサ８０４は、複数のプロセッサ（複数のプロセッサコア）を含んでもよい。アプリケーションプロセッサ８０４は、メモリ８０６又は図示されていないメモリから読み出されたシステムソフトウェアプログラム（Operating System（OS））及び様々なアプリケーションプログラム（例えば、通話アプリケーション、WEBブラウザ、メーラ、カメラ操作アプリケーション、音楽再生アプリケーション）を実行することによって、UE１の各種機能を実現する。
　幾つかの実装において、図８に破線（８０５）で示されているように、ベースバンドプロセッサ８０３及びアプリケーションプロセッサ８０４は、１つのチップ上に集積されてもよい。言い換えると、ベースバンドプロセッサ８０３及びアプリケーションプロセッサ８０４は、１つのSystem on Chip（SoC）デバイス８０５として実装されてもよい。SoCデバイスは、システムLarge Scale Integration（LSI）またはチップセットと呼ばれることもある。
　メモリ８０６は、揮発性メモリ若しくは不揮発性メモリ又はこれらの組合せである。メモリ８０６は、物理的に独立した複数のメモリデバイスを含んでもよい。揮発性メモリは、例えば、Static Random Access Memory（SRAM）若しくはDynamic RAM（DRAM）又はこれらの組み合わせである。不揮発性メモリは、マスクRead Only Memory（MROM）、Electrically Erasable Programmable ROM（EEPROM）、フラッシュメモリ、若しくはハードディスクドライブ、又はこれらの任意の組合せである。例えば、メモリ８０６は、ベースバンドプロセッサ８０３、アプリケーションプロセッサ８０４、及びSoC８０５からアクセス可能な外部メモリデバイスを含んでもよい。メモリ８０６は、ベースバンドプロセッサ８０３内、アプリケーションプロセッサ８０４内、又はSoC８０５内に集積された内蔵メモリデバイスを含んでもよい。さらに、メモリ８０６は、Universal Integrated Circuit Card（UICC）内のメモリを含んでもよい。
　メモリ８０６は、上述の複数の実施形態で説明されたUE１による処理を行うための命令群およびデータを含む１又はそれ以上のソフトウェアモジュール（コンピュータプログラム）８０７を格納してもよい。幾つかの実装において、ベースバンドプロセッサ８０３又はアプリケーションプロセッサ８０４は、当該ソフトウェアモジュール８０７をメモリ８０６から読み出して実行することで、上述の実施形態で図面を参照して説明されたUE１の処理を行うよう構成されてもよい。
　なお、上述の実施形態で説明されたUE１によって行われるコントロールプレーン処理及び動作は、RFトランシーバ８０１及びアンテナアレイ８０２を除く他の要素、すなわちベースバンドプロセッサ８０３及びアプリケーションプロセッサ８０４の少なくとも一方とソフトウェアモジュール８０７を格納したメモリ８０６とによって実現されることができる。
　図９は、上述の実施形態に係るRANノード２の構成例を示すブロック図である。図９を参照すると、RANノード２は、Radio Frequencyトランシーバ９０１、ネットワークインターフェース９０３、プロセッサ９０４、及びメモリ９０５を含む。RFトランシーバ９０１は、UE１を含むUEsと通信するためにアナログRF信号処理を行う。RFトランシーバ９０１は、複数のトランシーバを含んでもよい。RFトランシーバ９０１は、アンテナアレイ９０２及びプロセッサ９０４と結合される。RFトランシーバ９０１は、変調シンボルデータをプロセッサ９０４から受信し、送信RF信号を生成し、送信RF信号をアンテナアレイ９０２に供給する。また、RFトランシーバ９０１は、アンテナアレイ９０２によって受信された受信RF信号に基づいてベースバンド受信信号を生成し、これをプロセッサ９０４に供給する。RFトランシーバ９０１は、ビームフォーミングのためのアナログビームフォーマ回路を含んでもよい。アナログビームフォーマ回路は、例えば複数の移相器及び複数の電力増幅器を含む。
　ネットワークインターフェース９０３は、ネットワークノード（e.g. 他のRANノード、並びにコアネットワークの制御ノード及び転送ノード）と通信するために使用される。ネットワークインターフェース９０３は、例えば、IEEE 802.3 seriesに準拠したネットワークインターフェースカード（NIC）を含んでもよい。
　プロセッサ９０４は、無線通信のためのデジタルベースバンド信号処理（データプレーン処理）とコントロールプレーン処理を行う。プロセッサ９０４は、複数のプロセッサを含んでもよい。例えば、プロセッサ９０４は、デジタルベースバンド信号処理を行うモデム・プロセッサ（e.g. Digital Signal Processor（DSP））とコントロールプレーン処理を行うプロトコルスタック・プロセッサ（e.g. Central Processing Unit（CPU）又はMicro Processing Unit（MPU））を含んでもよい。プロセッサ９０４は、ビームフォーミングのためのデジタルビームフォーマ・モジュールを含んでもよい。デジタルビームフォーマ・モジュールは、Multiple Input Multiple Output（MIMO）エンコーダ及びプリコーダを含んでもよい。
　メモリ９０５は、揮発性メモリ及び不揮発性メモリの組み合わせによって構成される。揮発性メモリは、例えば、Static Random Access Memory（SRAM）若しくはDynamic RAM（DRAM）又はこれらの組み合わせである。不揮発性メモリは、マスクRead Only Memory（MROM）、Electrically Erasable Programmable ROM（EEPROM）、フラッシュメモリ、若しくはハードディスクドライブ、又はこれらの任意の組合せである。メモリ９０５は、プロセッサ９０４から離れて配置されたストレージを含んでもよい。この場合、プロセッサ９０４は、ネットワークインターフェース９０３又は図示されていないI/Oインタフェースを介してメモリ９０５にアクセスしてもよい。
　メモリ９０５は、上述の複数の実施形態で説明されたRANノード２による処理を行うための命令群およびデータを含む１又はそれ以上のソフトウェアモジュール（コンピュータプログラム）９０６を格納してもよい。いくつかの実装において、プロセッサ９０４は、当該ソフトウェアモジュール９０６をメモリ９０５から読み出して実行することで、上述の実施形態で説明されたRANノード２の処理を行うよう構成されてもよい。
　なお、RANノード２がCU（e.g., gNB-CU）又はCU-CP（e.g., gNB-CU-CP）である場合、RANノード２は、RFトランシーバ９０１（及びアンテナアレイ９０２）を含まなくてもよい。
　図８及び図９を用いて説明したように、上述の実施形態に係るUE１及びRANノード２が有するプロセッサの各々は、図面を用いて説明されたアルゴリズムをコンピュータに行わせるための命令群を含む１又は複数のプログラムを実行することができる。プログラムは、コンピュータに読み込まれた場合に、実施形態で説明された１又はそれ以上の機能をコンピュータに行わせるための命令群（又はソフトウェアコード）を含む。プログラムは、非一時的なコンピュータ可読媒体又は実体のある記憶媒体に格納されてもよい。限定ではなく例として、コンピュータ可読媒体又は実体のある記憶媒体は、random-access memory（RAM）、read-only memory（ROM）、フラッシュメモリ、solid-state drive（SSD）又はその他のメモリ技術、CD-ROM、digital versatile disk（DVD）、Blu-ray（登録商標）ディスク又はその他の光ディスクストレージ、磁気カセット、磁気テープ、磁気ディスクストレージ又はその他の磁気ストレージデバイスを含む。プログラムは、一時的なコンピュータ可読媒体又は通信媒体上で送信されてもよい。限定ではなく例として、一時的なコンピュータ可読媒体又は通信媒体は、電気的、光学的、音響的、またはその他の形式の伝搬信号を含む。
＜その他の実施形態＞
　上述の実施形態は、Non-Terrestrial Network（NTN）に適用されてもよい。上述の実施形態は、vehicle-to-everything (V2X)、high-speed trains（HSTs）、unmanned aerial vehicles（UAVs）、uncrewed aerial vehicles（UAVs）、urban air mobility（UAM）等の様々な新たなアプリケーションに適用されてもよい。
　上述の実施形態は、Dual Connectivity（e.g. MR-DC）におけるセカンダリセルグループ（SCG）において適用されてもよい。この場合、RANノード２はセカンダリノード（Secondary Node (SN)）であってもよい。この場合、SNはUE１との間のRRCメッセージの送受信を、SCGにおいてシグナリング無線ベアラ（SRB3）を用いて直接行ってもよいし、マスターノード（MN）を介して行ってもよい。さらに又はこれに代えて、RANノード２は、マスターノード（MN）であってもよく、SNとUE１の間でRRC messagesを転送する役割をしてもよい。
　上述の実施形態におけるRANノード２は、C-RAN配置で実現されてもよい。例えば、RANノード２は、CU（e.g. gNB-CU）とDU（e.g. gNB-DU）を含んでもよい。CUは、特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことをUE１に許可するか否かを決定し、当該決定の結果を示す制御情報を（DU経由で）UE１へ送信してもよい。さらに又はこれに代えて、DUは特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことを無線端末に許可するか否かを決定し、当該決定の結果を示す制御情報をCUへ送信し、それをCUがUE１へ送信してもよい。なお、UE１に許可される対象、又はその種類や内容によって、上述のCU及びDUによる制御が選択又は組み合わされてもよい。
　さらに、上述した実施形態は本件発明者により得られた技術思想の適用に関する例に過ぎない。すなわち、当該技術思想は、上述した実施形態のみに限定されるものではなく、種々の変更が可能であることは勿論である。
　例えば、上記の実施形態の一部又は全部は、以下の付記のようにも記載され得るが、以下には限られない。
（付記１）
　無線端末であって、
　少なくとも１つのメモリと、
　前記少なくとも１つのメモリに結合された少なくとも１つのプロセッサを備え、
　前記少なくとも１つのプロセッサは、
　特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが前記無線端末に許可されるか否かを示す制御情報をネットワークから受信し、
　訓練された機械学習モデルを用いて予測又は決定を行い、及び
　前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記予測又は決定によりトリガーされた前記特定のアクションを行う、
よう構成される、無線端末。
（付記２）
　前記制御情報は、予め定義されたルールに基づく前記特定のアクションを行うことに代えて、又はこれに加えて、前記推論結果に基づく前記特定のアクションの実行が許可されるか否かを示す、
付記１に記載の無線端末。
（付記３）
　前記予め定義されたルールは、Third Generation Partnership Project (3GPP)仕様書に予め規定されたルール、又はネットワークにより予め設定されたルールである、
付記２に記載の無線端末。
（付記４）
　前記制御情報は、前記特定のアクションを含む複数のアクションのそれぞれが許可されるかを個別に示す、
付記１～３のいずれか１項に記載の無線端末。
（付記５）
　前記制御情報は、前記特定のアクションを含む複数のアクションのために前記機械学習ベース人工知能を使用することの許可を一括して示す、
付記１～３のいずれか１項に記載の無線端末。
（付記６）
　前記制御情報は、前記推論結果に基づく特定のアクションの実行が許可される条件を示し、
　前記少なくとも１つのプロセッサは、前記条件が満たされている場合にのみ、前記予測又は決定によりトリガーされた前記特定のアクションを行うよう構成される、
付記１～５のいずれか１項に記載の無線端末。
（付記７）
　前記条件は、周波数バンド、場所、及び時間のうち少なくとも１つに関する制約を示す、
付記６に記載の無線端末。
（付記８）
　前記制御情報は、前記推論結果に基づく前記特定のアクションの実行が許可される場合に前記ネットワークによって送信される、
付記１～７のいずれか１項に記載の無線端末。
（付記９）
　前記少なくとも１つのプロセッサは、前記無線端末が機械学習ベース人工知能をサポートしていることを、前記制御情報を受信するより前に前記ネットワークに知らせるよう構成される、
付記１～８のいずれか１項に記載の無線端末。
（付記１０）
　前記少なくとも１つのプロセッサは、機械学習ベース人工知能の推論結果に基づく前記特定のアクションの実行を前記無線端末が希望することを、前記制御情報を受信するより前に前記ネットワークに知らせるよう構成される、
付記１～９のいずれか１項に記載の無線端末。
（付記１１）
　前記特定のアクションは、ビーム管理又はモビリティに関する、
付記１～１０のいずれか１項に記載の無線端末。
（付記１２）
　前記特定のアクションは、セル再選択、測定報告の送信、条件付きモビリティの実行、及びダウンリンクビームの選択うち少なくとも１つを含む、
付記１～１１のいずれか１項に記載の無線端末。
（付記１３）
　前記特定のアクションは、前記訓練された機械学習モデルを用いた予測又は決定の結果を示す支援情報を前記ネットワークに送信することを含む、
付記１～１２のいずれか１項に記載の無線端末。
（付記１４）
　前記支援情報は、無線アクセスネットワークの最適化に関する第２の機械学習モデルの訓練又は前記無線アクセスネットワークの最適化に関する第２の訓練された機械学習モデルでの推論実行のために使用される、
付記１３に記載の無線端末。
（付記１５）
　無線端末により行われる方法であって、
　特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが前記無線端末に許可されるか否かを示す制御情報をネットワークから受信すること、
　訓練された機械学習モデルを用いて予測又は決定を行うこと、及び
　前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記予測又は決定によりトリガーされた前記特定のアクションを行うこと、
を備える方法。
（付記１６）
　無線端末のための方法をコンピュータに行わせるためのプログラムであって、
　前記方法は、
　特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが前記無線端末に許可されるか否かを示す制御情報をネットワークから受信すること、
　訓練された機械学習モデルを用いて予測又は決定を行うこと、及び
　前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記予測又は決定によりトリガーされた前記特定のアクションを行うこと、
を備える、プログラム。
（付記１７）
　少なくとも１つのメモリと、
　前記少なくとも１つのメモリに結合され、且つ特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが無線端末に許可されるか否かを示す制御情報を前記無線端末に送信するよう構成された少なくとも１つのプロセッサと、
を備え、
　前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記制御情報は、訓練された機械学習モデルを用いた予測又は決定によりトリガーされた前記特定のアクションを行うことを前記無線端末に引き起こす、
無線アクセスネットワークノード。
（付記１８）
　前記制御情報は、予め定義されたルールに基づく前記特定のアクションを行うことに代えて、又はこれに加えて、前記推論結果に基づく前記特定のアクションの実行が許可されるか否かを示す、
付記１７に記載の無線アクセスネットワークノード。
（付記１９）
　前記予め定義されたルールは、Third Generation Partnership Project (3GPP)仕様書に予め規定されたルール、又はネットワークにより予め設定されたルールである、
付記１８に記載の無線アクセスネットワークノード。
（付記２０）
　前記制御情報は、前記特定のアクションを含む複数のアクションのそれぞれが許可されるかを個別に示す、
付記１７～１９のいずれか１項に記載の無線アクセスネットワークノード。
（付記２１）
　前記制御情報は、前記特定のアクションを含む複数のアクションのために前記機械学習ベース人工知能を使用することの許可を一括して示す、
付記１７～１９のいずれか１項に記載の無線アクセスネットワークノード。
（付記２２）
　前記制御情報は、前記推論結果に基づく特定のアクションの実行が許可される条件を示し、
　前記制御情報は、前記条件が満たされている場合にのみ、前記予測又は決定によりトリガーされた前記特定のアクションを行うことを前記無線端末に引き起こす、
付記１７～２１のいずれか１項に記載の無線アクセスネットワークノード。
（付記２３）
　前記条件は、周波数バンド、場所、及び時間のうち少なくとも１つに関する制約を示す、
付記２２に記載の無線アクセスネットワークノード。
（付記２４）
　前記少なくとも１つのプロセッサは、前記推論結果に基づく前記特定のアクションの実行が許可される場合に前記制御情報を送信するよう構成される、
付記１７～２３のいずれか１項に記載の無線アクセスネットワークノード。
（付記２５）
　前記少なくとも１つのプロセッサは、前記無線端末が機械学習ベース人工知能をサポートしていることを、前記制御情報を送信するより前に前記無線端末から通知されるよう構成される、
付記１７～２４のいずれか１項に記載の無線アクセスネットワークノード。
（付記２６）
　前記少なくとも１つのプロセッサは、機械学習ベース人工知能の推論結果に基づく前記特定のアクションの実行を前記無線端末が希望することを、前記制御情報を送信するより前に前記無線端末から通知されるよう構成される、
付記１７～２５のいずれか１項に記載の無線アクセスネットワークノード。
（付記２７）
　前記特定のアクションは、ビーム管理又はモビリティに関する、
付記１７～２６のいずれか１項に記載の無線アクセスネットワークノード。
（付記２８）
　前記特定のアクションは、セル再選択、測定報告の送信、条件付きモビリティの実行、及びダウンリンクビームの選択うち少なくとも１つを含む、
付記１７～２７のいずれか１項に記載の無線アクセスネットワークノード。
（付記２９）
　前記特定のアクションは、前記訓練された機械学習モデルを用いた予測又は決定の結果を示す支援情報を前記無線アクセスネットワークノードに送信することを含む、
付記１７～２８のいずれか１項に記載の無線アクセスネットワークノード。
（付記３０）
　前記支援情報は、無線アクセスネットワークの最適化に関する第２の機械学習モデルの訓練又は前記無線アクセスネットワークの最適化に関する第２の訓練された機械学習モデルでの推論実行のために使用される、
付記２９に記載の無線アクセスネットワークノード。
（付記３１）
　特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが無線端末に許可されるか否かを示す制御情報を前記無線端末に送信することを備え、
　前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記制御情報は、訓練された機械学習モデルを用いた予測又は決定によりトリガーされた前記特定のアクションを行うことを前記無線端末に引き起こす、
無線アクセスネットワークノードにより行われる方法。
（付記３２）
　無線アクセスネットワークノードのための方法をコンピュータに行わせるためのプログラムであって、
　前記方法は、特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが無線端末に許可されるか否かを示す制御情報を前記無線端末に送信することを備え、
　前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記制御情報は、訓練された機械学習モデルを用いた予測又は決定によりトリガーされた前記特定のアクションを行うことを前記無線端末に引き起こす、
プログラム。
　この出願は、２０２１年１１月８日に出願された日本出願特願２０２１－１８２１０４を基礎とする優先権を主張し、その開示の全てをここに取り込む。
１　UE
２　RANノード
８０３　ベースバンドプロセッサ
８０４　アプリケーションプロセッサ
８０６　メモリ
８０７　モジュール（modules）
９０４　プロセッサ
９０５　メモリ
９０６　モジュール（modules）

Claims (32)

  1. 　無線端末であって、
    　少なくとも１つのメモリと、
    　前記少なくとも１つのメモリに結合された少なくとも１つのプロセッサを備え、
    　前記少なくとも１つのプロセッサは、
    　特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが前記無線端末に許可されるか否かを示す制御情報をネットワークから受信し、
    　訓練された機械学習モデルを用いて予測又は決定を行い、及び
    　前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記予測又は決定によりトリガーされた前記特定のアクションを行う、
    よう構成される、無線端末。
  2. 　前記制御情報は、予め定義されたルールに基づく前記特定のアクションを行うことに代えて、又はこれに加えて、前記推論結果に基づく前記特定のアクションの実行が許可されるか否かを示す、
    請求項１に記載の無線端末。
  3. 　前記予め定義されたルールは、Third Generation Partnership Project (3GPP)仕様書に予め規定されたルール、又はネットワークにより予め設定されたルールである、
    請求項２に記載の無線端末。
  4. 　前記制御情報は、前記特定のアクションを含む複数のアクションのそれぞれが許可されるかを個別に示す、
    請求項１～３のいずれか１項に記載の無線端末。
  5. 　前記制御情報は、前記特定のアクションを含む複数のアクションのために前記機械学習ベース人工知能を使用することの許可を一括して示す、
    請求項１～３のいずれか１項に記載の無線端末。
  6. 　前記制御情報は、前記推論結果に基づく特定のアクションの実行が許可される条件を示し、
    　前記少なくとも１つのプロセッサは、前記条件が満たされている場合にのみ、前記予測又は決定によりトリガーされた前記特定のアクションを行うよう構成される、
    請求項１～５のいずれか１項に記載の無線端末。
  7. 　前記条件は、周波数バンド、場所、及び時間のうち少なくとも１つに関する制約を示す、
    請求項６に記載の無線端末。
  8. 　前記制御情報は、前記推論結果に基づく前記特定のアクションの実行が許可される場合に前記ネットワークによって送信される、
    請求項１～７のいずれか１項に記載の無線端末。
  9. 　前記少なくとも１つのプロセッサは、前記無線端末が機械学習ベース人工知能をサポートしていることを、前記制御情報を受信するより前に前記ネットワークに知らせるよう構成される、
    請求項１～８のいずれか１項に記載の無線端末。
  10. 　前記少なくとも１つのプロセッサは、機械学習ベース人工知能の推論結果に基づく前記特定のアクションの実行を前記無線端末が希望することを、前記制御情報を受信するより前に前記ネットワークに知らせるよう構成される、
    請求項１～９のいずれか１項に記載の無線端末。
  11. 　前記特定のアクションは、ビーム管理又はモビリティに関する、
    請求項１～１０のいずれか１項に記載の無線端末。
  12. 　前記特定のアクションは、セル再選択、測定報告の送信、条件付きモビリティの実行、及びダウンリンクビームの選択うち少なくとも１つを含む、
    請求項１～１１のいずれか１項に記載の無線端末。
  13. 　前記特定のアクションは、前記訓練された機械学習モデルを用いた予測又は決定の結果を示す支援情報を前記ネットワークに送信することを含む、
    請求項１～１２のいずれか１項に記載の無線端末。
  14. 　前記支援情報は、無線アクセスネットワークの最適化に関する第２の機械学習モデルの訓練又は前記無線アクセスネットワークの最適化に関する第２の訓練された機械学習モデルでの推論実行のために使用される、
    請求項１３に記載の無線端末。
  15. 　無線端末により行われる方法であって、
    　特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが前記無線端末に許可されるか否かを示す制御情報をネットワークから受信すること、
    　訓練された機械学習モデルを用いて予測又は決定を行うこと、及び
    　前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記予測又は決定によりトリガーされた前記特定のアクションを行うこと、
    を備える方法。
  16. 　無線端末のための方法をコンピュータに行わせるためのプログラムを格納した非一時的なコンピュータ可読媒体であって、
    　前記方法は、
    　特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが前記無線端末に許可されるか否かを示す制御情報をネットワークから受信すること、
    　訓練された機械学習モデルを用いて予測又は決定を行うこと、及び
    　前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記予測又は決定によりトリガーされた前記特定のアクションを行うこと、
    を備える、非一時的なコンピュータ可読媒体。
  17. 　少なくとも１つのメモリと、
    　前記少なくとも１つのメモリに結合され、且つ特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが無線端末に許可されるか否かを示す制御情報を前記無線端末に送信するよう構成された少なくとも１つのプロセッサと、
    を備え、
    　前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記制御情報は、訓練された機械学習モデルを用いた予測又は決定によりトリガーされた前記特定のアクションを行うことを前記無線端末に引き起こす、
    無線アクセスネットワークノード。
  18. 　前記制御情報は、予め定義されたルールに基づく前記特定のアクションを行うことに代えて、又はこれに加えて、前記推論結果に基づく前記特定のアクションの実行が許可されるか否かを示す、
    請求項１７に記載の無線アクセスネットワークノード。
  19. 　前記予め定義されたルールは、Third Generation Partnership Project (3GPP)仕様書に予め規定されたルール、又はネットワークにより予め設定されたルールである、
    請求項１８に記載の無線アクセスネットワークノード。
  20. 　前記制御情報は、前記特定のアクションを含む複数のアクションのそれぞれが許可されるかを個別に示す、
    請求項１７～１９のいずれか１項に記載の無線アクセスネットワークノード。
  21. 　前記制御情報は、前記特定のアクションを含む複数のアクションのために前記機械学習ベース人工知能を使用することの許可を一括して示す、
    請求項１７～１９のいずれか１項に記載の無線アクセスネットワークノード。
  22. 　前記制御情報は、前記推論結果に基づく特定のアクションの実行が許可される条件を示し、
    　前記制御情報は、前記条件が満たされている場合にのみ、前記予測又は決定によりトリガーされた前記特定のアクションを行うことを前記無線端末に引き起こす、
    請求項１７～２１のいずれか１項に記載の無線アクセスネットワークノード。
  23. 　前記条件は、周波数バンド、場所、及び時間のうち少なくとも１つに関する制約を示す、
    請求項２２に記載の無線アクセスネットワークノード。
  24. 　前記少なくとも１つのプロセッサは、前記推論結果に基づく前記特定のアクションの実行が許可される場合に前記制御情報を送信するよう構成される、
    請求項１７～２３のいずれか１項に記載の無線アクセスネットワークノード。
  25. 　前記少なくとも１つのプロセッサは、前記無線端末が機械学習ベース人工知能をサポートしていることを、前記制御情報を送信するより前に前記無線端末から通知されるよう構成される、
    請求項１７～２４のいずれか１項に記載の無線アクセスネットワークノード。
  26. 　前記少なくとも１つのプロセッサは、機械学習ベース人工知能の推論結果に基づく前記特定のアクションの実行を前記無線端末が希望することを、前記制御情報を送信するより前に前記無線端末から通知されるよう構成される、
    請求項１７～２５のいずれか１項に記載の無線アクセスネットワークノード。
  27. 　前記特定のアクションは、ビーム管理又はモビリティに関する、
    請求項１７～２６のいずれか１項に記載の無線アクセスネットワークノード。
  28. 　前記特定のアクションは、セル再選択、測定報告の送信、条件付きモビリティの実行、及びダウンリンクビームの選択うち少なくとも１つを含む、
    請求項１７～２７のいずれか１項に記載の無線アクセスネットワークノード。
  29. 　前記特定のアクションは、前記訓練された機械学習モデルを用いた予測又は決定の結果を示す支援情報を前記無線アクセスネットワークノードに送信することを含む、
    請求項１７～２８のいずれか１項に記載の無線アクセスネットワークノード。
  30. 　前記支援情報は、無線アクセスネットワークの最適化に関する第２の機械学習モデルの訓練又は前記無線アクセスネットワークの最適化に関する第２の訓練された機械学習モデルでの推論実行のために使用される、
    請求項２９に記載の無線アクセスネットワークノード。
  31. 　特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが無線端末に許可されるか否かを示す制御情報を前記無線端末に送信することを備え、
    　前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記制御情報は、訓練された機械学習モデルを用いた予測又は決定によりトリガーされた前記特定のアクションを行うことを前記無線端末に引き起こす、
    無線アクセスネットワークノードにより行われる方法。
  32. 　無線アクセスネットワークノードのための方法をコンピュータに行わせるためのプログラムを格納した非一時的なコンピュータ可読媒体であって、
    　前記方法は、特定のアクションを機械学習ベース人工知能の推論結果に基づいて行うことが無線端末に許可されるか否かを示す制御情報を前記無線端末に送信することを備え、
    　前記推論結果に基づく前記特定のアクションの実行を前記制御情報が許可しているなら、前記制御情報は、訓練された機械学習モデルを用いた予測又は決定によりトリガーされた前記特定のアクションを行うことを前記無線端末に引き起こす、
    非一時的なコンピュータ可読媒体。
PCT/JP2022/038758 2021-11-08 2022-10-18 無線端末、無線アクセスネットワークノード、及びこれらの方法 WO2023079946A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023557930A JPWO2023079946A1 (ja) 2021-11-08 2022-10-18

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021182104 2021-11-08
JP2021-182104 2021-11-08

Publications (1)

Publication Number Publication Date
WO2023079946A1 true WO2023079946A1 (ja) 2023-05-11

Family

ID=86241484

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/038758 WO2023079946A1 (ja) 2021-11-08 2022-10-18 無線端末、無線アクセスネットワークノード、及びこれらの方法

Country Status (2)

Country Link
JP (1) JPWO2023079946A1 (ja)
WO (1) WO2023079946A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021044819A1 (ja) * 2019-09-04 2021-03-11 ソニー株式会社 通信制御装置、通信制御方法および通信制御プログラム
JP2021182104A (ja) 2020-05-20 2021-11-25 フリュー株式会社 写真作成ゲーム機、編集方法、およびプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021044819A1 (ja) * 2019-09-04 2021-03-11 ソニー株式会社 通信制御装置、通信制御方法および通信制御プログラム
JP2021182104A (ja) 2020-05-20 2021-11-25 フリュー株式会社 写真作成ゲーム機、編集方法、およびプログラム

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
INTEL CORPORATION: "AI/ML based mobility optimization", 3GPP DRAFT; R3-215270, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, vol. RAN WG3, no. Electronic meeting; 20211101 - 20211111, 22 October 2021 (2021-10-22), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France, XP052068252 *
NEC: "Views on AI/ML for NR physical layer", 3GPP DRAFT; RWS-210128, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, vol. TSG RAN, no. Electronic Meeting; 20210628 - 20210702, 7 June 2021 (2021-06-07), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France , XP052025690 *
XIAOMI: "Mobility enhancement by UE based AI", 3GPP DRAFT; RP-211787, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, 2 September 2021 (2021-09-02), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France, XP052046767 *

Also Published As

Publication number Publication date
JPWO2023079946A1 (ja) 2023-05-11

Similar Documents

Publication Publication Date Title
US11606707B2 (en) Measurement reporting configuration for aiding the sorting of beam/cell level measurements
EP4055758B1 (en) Signalling support for nr positioning with aperiodic srs configurations
US11916623B2 (en) Methods and apparatuses for cell-free massive MIMO communication
US20220104082A1 (en) Ue procedures for reducing rsrp/rsrq measurement in rrc idle mode and inactive state
TW201933847A (zh) 傳送和接收資料單元
US20230370893A1 (en) Network node, device and methods in a telecommunication network
KR102667233B1 (ko) 다운링크 클리어 채널 평가 실패의 표시
US20220361195A1 (en) Channel State Information Reporting for Multi-Transmission-Reception-Point Operation
CN113615105B (zh) Gnss辅助的rrm测量
WO2023079946A1 (ja) 無線端末、無線アクセスネットワークノード、及びこれらの方法
US20220386222A1 (en) Autonomous Cell Measurements
US20230275636A1 (en) On subband configuration for reduced csi computation time
WO2022205040A1 (en) Periodic reference signal activation and deactivation
US20230388853A1 (en) Radio Network Node, Network Node, and Methods Performed in a Wireless Communication Network
US12004181B2 (en) RAN user-plane scheduling strategy steering
EP3959919B1 (en) Providing beam information
WO2022124972A1 (en) Handling of mobility event feedback information
WO2023079947A1 (ja) 無線端末、無線アクセスネットワークノード、及びこれらの方法
CN116114312A (zh) 用于将无线装置转向网络切片的系统和方法
US20210409992A1 (en) Enhancements to MDT
US12004109B2 (en) Communication method and apparatus, and device and medium in deactivated state of secondary cell group
US20230199568A1 (en) Quality of service management in a telecommunications network
WO2024067104A1 (zh) 通信方法及相关装置
WO2023077337A1 (en) High speed single frequency network beam failure recovery
US20240114514A1 (en) Method and apparatus for detecting unreliable uplink control information

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22889767

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2023557930

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 2022889767

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2022889767

Country of ref document: EP

Effective date: 20240610