WO2023236124A1 - 一种人工智能ai模型训练方法/装置/设备及存储介质 - Google Patents

一种人工智能ai模型训练方法/装置/设备及存储介质 Download PDF

Info

Publication number
WO2023236124A1
WO2023236124A1 PCT/CN2022/097743 CN2022097743W WO2023236124A1 WO 2023236124 A1 WO2023236124 A1 WO 2023236124A1 CN 2022097743 W CN2022097743 W CN 2022097743W WO 2023236124 A1 WO2023236124 A1 WO 2023236124A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
capability information
network device
positioning
prs
Prior art date
Application number
PCT/CN2022/097743
Other languages
English (en)
French (fr)
Inventor
牟勤
Original Assignee
北京小米移动软件有限公司
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 北京小米移动软件有限公司 filed Critical 北京小米移动软件有限公司
Priority to CN202280001902.XA priority Critical patent/CN117546496A/zh
Priority to PCT/CN2022/097743 priority patent/WO2023236124A1/zh
Publication of WO2023236124A1 publication Critical patent/WO2023236124A1/zh

Links

Images

Definitions

  • the present disclosure relates to the field of communication technology, and in particular to artificial intelligence AI model training methods/devices/equipment and storage media.
  • New Radio New Radio
  • AI Artificial Intelligence, artificial intelligence
  • a data set will be constructed first.
  • the data set includes UE (User Equipment) coordinate labels and the measurement results of the reference signal by the UE or network equipment.
  • the measurement results can be impulse response or RSRP (Reference Signal Receiving). Power, reference signal received power), etc.
  • RSRP Reference Signal Receiving
  • the measurement results are used as the input of the AI model and the AI model is trained based on the output of the AI model and the UE coordinate labels in the data set.
  • the AI model training method/device/equipment and storage medium proposed in this disclosure are used to train the AI model.
  • embodiments of the present disclosure provide an AI model training method, which is executed by a network device and includes:
  • the UE capabilities include at least one of the following:
  • First capability information used to indicate that the UE supports positioning capability
  • Second capability information used to indicate that the UE supports the ability to obtain and report AI model input
  • Third capability information used to indicate the UE's ability to support model training
  • the UE is configured based on the UE capabilities to train the AI model.
  • an AI model training method which can be used to train the AI model so as to utilize the trained AI model for positioning, thereby ensuring positioning accuracy.
  • embodiments of the present disclosure provide an AI model training method, which is executed by a UE and includes:
  • the UE capabilities include at least one of the following:
  • First capability information used to indicate that the UE supports positioning capability
  • Second capability information used to indicate that the UE supports the ability to obtain and report AI model input
  • Third capability information used to indicate the UE's ability to support model training
  • the AI model is trained based on the configuration of the network device.
  • an embodiment of the present disclosure provides a communication device, which is included in a network device and includes:
  • embodiments of the present disclosure provide a communication device, which is configured in a UE and includes:
  • First capability information used to indicate that the UE supports positioning capability
  • Third capability information used to indicate the UE's ability to support model training
  • an embodiment of the present disclosure provides a communication device.
  • the communication device includes a processor.
  • the processor calls a computer program in a memory, it executes the method described in the first aspect.
  • an embodiment of the present disclosure provides a communication device.
  • the communication device includes a processor.
  • the processor calls a computer program in a memory, it executes the method described in the second aspect.
  • an embodiment of the present disclosure provides a communication device.
  • the device includes a processor and an interface circuit.
  • the interface circuit is used to receive code instructions and transmit them to the processor.
  • the processor is used to run the code instructions to cause the The device performs the method described in the first aspect.
  • an embodiment of the present disclosure provides a communication device.
  • the device includes a processor and an interface circuit.
  • the interface circuit is used to receive code instructions and transmit them to the processor.
  • the processor is used to run the code instructions to cause the The device performs the method described in the second aspect above.
  • the present disclosure also provides a computer program product including a computer program, which, when run on a computer, causes the computer to execute the method described in any one of the above first to second aspects.
  • the present disclosure provides a chip system that includes at least one processor and an interface for supporting a network device to implement the functions involved in the method described in any one of the first to second aspects, For example, at least one of the data and information involved in the above method is determined or processed.
  • the chip system further includes a memory, and the memory is used to store necessary computer programs and data of the source secondary node.
  • the chip system may be composed of chips, or may include chips and other discrete devices.
  • the present disclosure provides a computer program that, when run on a computer, causes the computer to perform the method described in any one of the above first to second aspects.
  • Figure 3 is a schematic flowchart of an AI model training method provided by yet another embodiment of the present disclosure.
  • Figure 4 is a schematic flowchart of an AI model training method provided by yet another embodiment of the present disclosure.
  • Figure 5a is a schematic flowchart of an AI model training method provided by another embodiment of the present disclosure.
  • AI is a new technical science that studies and develops theories, methods, technologies and application systems for simulating, extending and expanding human intelligence.
  • 5G is a new generation of broadband mobile communication technology with high speed, low latency and large connection characteristics. It is the network infrastructure that realizes the interconnection of humans, machines and things.
  • LTE long term evolution
  • 5th generation fifth generation
  • 5G new radio (NR) system 5th generation new radio
  • the terminal device 12 in the embodiment of the present disclosure is an entity on the user side for receiving or transmitting signals, such as a mobile phone.
  • Terminal equipment can also be called terminal equipment (terminal), user equipment (user equipment, UE), mobile station (mobile station, MS), mobile terminal equipment (mobile terminal, MT), etc.
  • the terminal device can be a car with communication functions, a smart car, a mobile phone, a wearable device, a tablet computer (Pad), a computer with wireless transceiver functions, a virtual reality (VR) terminal device, an augmented reality (augmented reality (AR) terminal equipment, wireless terminal equipment in industrial control, wireless terminal equipment in self-driving, wireless terminal equipment in remote medical surgery, smart grid ( Wireless terminal equipment in smart grid, wireless terminal equipment in transportation safety, wireless terminal equipment in smart city, wireless terminal equipment in smart home, etc.
  • the embodiments of the present disclosure do not limit the specific technology and specific equipment form used by the terminal equipment.
  • FIG. 2 is a schematic flow chart of an AI model training method provided by an embodiment of the present disclosure.
  • the AI model is used to output the positioning position of the UE.
  • the method is executed by the network device.
  • the AI model training method can Includes the following steps:
  • Step 201 Receive the UE capabilities reported by the UE.
  • the above-mentioned UE capabilities may include at least one of the following:
  • the second capability information is used to indicate that the UE supports the ability to obtain and report AI model input
  • the third capability information is used to indicate the UE's ability to support model training.
  • Indication information indicating that the UE is a PRU
  • the above-mentioned AI model input may include the measurement result of the measurement signal (such as PRS (Position Reference Signal, positioning reference signal)) (the measurement result may be, for example, impulse response and/or RSRP ), and the second capability information may include at least one of the following:
  • PRS Position Reference Signal, positioning reference signal
  • the UE supports the acquisition of measurement results (for example, the UE supports extraction of the impulse response or RSRP of the measurement signal);
  • the UE supports reporting of measurement results (for example, the UE supports reporting of impulse response or RSRP of measurement signals).
  • the network device is configured to train the AI model based on the UE capabilities reported by the UE.
  • the training accuracy is high, and it can also ensure subsequent use of the AI model. Positioning accuracy during positioning.
  • the UE capability includes the first capability information
  • the UE supports positioning capability that is, the UE can accurately obtain its positioning position.
  • the AI model can be implemented by performing subsequent steps 302-305. train.
  • FIG 4 is a schematic flowchart of an AI model training method provided by an embodiment of the present disclosure. The method is executed by a network device. As shown in Figure 4, the AI model training method may include the following steps:
  • Step 401 Receive the UE capabilities reported by the UE.
  • the UE capabilities include first capability information and second capability information, and the measurement results supported by the UE in the second capability information match the input requirements of the AI model.
  • Step 403 Receive the measurement results and positioning location reported by the UE.
  • the pre-training AI model may be a model selected by the network device from a plurality of different models to be trained stored by the network device.
  • Step 501a Receive the UE capabilities reported by the UE.
  • the UE capabilities include first capability information, second capability information, and third capability information, and the measurement results reported by the UE in the second capability information are consistent with the AI model. Input requirements match.
  • the network device may also send a PRS to the UE, so that the UE measures the PRS to obtain the measurement result, and trains the AI model based on the measurement result and the positioning position.
  • the pre-training AI model may be a model selected by the UE from a plurality of different models to be trained stored by the UE, or may be selected by the network device. It is sent to the UE after the AI model is trained.
  • the network device can configure the UE to send PRS so that the network device can subsequently Based on the PRS sent by the UE, the data set used to train the AI model is formed.
  • the first configuration information may include a predetermined time and a predetermined resource when the UE sends the PRS.
  • the first configuration information may not include the predetermined time and the predetermined resources, but the predetermined time and the predetermined resources may be agreed based on a protocol.
  • Step 503b Receive the PRS sent by the UE, and measure the PRS to obtain the measurement result.
  • the network device may receive the PRS sent by the UE at a predetermined time and with predetermined resources.
  • the measurement result may include at least one of impulse response and RSRP.
  • the measurement results can be used as input to the AI model to form a data set for training the AI model.
  • the measurement result obtained by the network device when measuring the PRS should be an input supported by the AI model.
  • the measurement result obtained by the network device should be: the impulse response of the PRS.
  • the measurement results obtained by the network device should be: RSRP of PRS.
  • Step 504b Send the measurement result to the UE.
  • the UE on the premise that the UE supports positioning capabilities and model training capabilities, when the UE obtains the measurement results sent by the network device, it can locate and determine the positioning position by itself, and based on the positioning position and measurement results form a data set to train the AI model.
  • Step 505b Obtain the trained AI model sent by the UE.
  • the network device after the network device obtains the trained AI model sent by the UE, it can deploy the AI model on the network side based on the sending by the UE, so that the AI model can be used to implement positioning in the future.
  • the network device is configured to train the AI model based on the UE capabilities reported by the UE.
  • the training accuracy is high, and it can also ensure subsequent use of the AI model. Positioning accuracy during positioning.
  • FIG. 6 is a schematic flowchart of an AI model training method provided by an embodiment of the present disclosure. The method is executed by a UE. As shown in Figure 6, the AI model training method may include the following steps:
  • Step 601 Report the UE capabilities to the network device.
  • the above-mentioned UE capabilities may include at least one of the following:
  • First capability information used to indicate that the UE supports positioning capabilities
  • the second capability information is used to indicate that the UE supports the ability to obtain and report AI model input
  • the third capability information is used to indicate the UE's ability to support model training.
  • Indication information indicating that the UE is a PRU
  • the positioning capabilities of non-cellular networks supported by the UE may include at least one of GNSS positioning, WiFi positioning, and Bluetooth positioning.
  • the above-mentioned AI model input may include a measurement result of PRS (the measurement result may be, for example, impulse response and/or RSRP), and the second capability information may include at least one of the following: kind:
  • the UE supports the obtained measurement results
  • the UE supports reported measurement results.
  • FIG. 7 is a schematic flowchart of an AI model training method provided by an embodiment of the present disclosure. The method is executed by a UE. As shown in Figure 7, the AI model training method may include the following steps:
  • Step 701 Report the UE capabilities to the network device, where the UE capabilities include first capability information.
  • Step 702 Receive first configuration information sent by the network device.
  • the first configuration information is used to configure the UE to send PRS.
  • Step 703 Send a PRS to the network device.
  • Step 704 Determine the positioning position of the UE.
  • Step 705 Send the positioning location to the network device.
  • steps 701-705 please refer to the above embodiment description, and the embodiments of the present disclosure will not be described again here.
  • the network device is configured to train the AI model based on the UE capabilities reported by the UE.
  • the training accuracy is high, and it can also ensure subsequent use of the AI model. Positioning accuracy during positioning.
  • FIG 8 is a schematic flowchart of an AI model training method provided by an embodiment of the present disclosure. The method is executed by a UE. As shown in Figure 8, the AI model training method may include the following steps:
  • Step 801 Report the UE capabilities to the network device.
  • the UE capabilities include first capability information and second capability information, and the measurement results supported by the UE in the second capability information match the input requirements of the AI model.
  • Step 802 Receive the PRS sent by the network device.
  • Step 803 Measure the PRS to obtain the measurement result.
  • Step 804 Determine the positioning position of the UE.
  • steps 801-805 please refer to the above embodiment description, and the embodiments of the present disclosure will not be described again here.
  • the network device is configured to train the AI model based on the UE capabilities reported by the UE.
  • the training accuracy is high, and it can also ensure subsequent use of the AI model. Positioning accuracy during positioning.
  • FIG 9a is a schematic flowchart of an AI model training method provided by an embodiment of the present disclosure. The method is executed by a UE. As shown in Figure 9, the AI model training method may include the following steps:
  • Step 901a Report the UE capabilities to the network device.
  • the UE capabilities include first capability information, second capability information, and third capability information, and the measurement results supported by the UE in the second capability information match the input requirements of the AI model.
  • Step 903a Receive the PRS sent by the network device.
  • Step 904a Measure the PRS to obtain the measurement result.
  • Step 906a Train the AI model based on the measurement results and positioning location.
  • Step 907a Send the trained AI model to the network device.
  • steps 901a-907a please refer to the above embodiment description, and the embodiments of the present disclosure will not be described again here.
  • FIG 9b is a schematic flowchart of an AI model training method provided by an embodiment of the present disclosure. The method is executed by a UE. As shown in Figure 9, the AI model training method may include the following steps:
  • Step 901b Report the UE capabilities to the network device, where the UE capabilities include first capability information and third capability information.
  • Step 902b Receive first configuration information sent by the network device, where the first configuration information is used to configure the UE to send PRS.
  • Step 903b Send a PRS to the network device.
  • Step 904b Receive the measurement results sent by the network device.
  • Step 905b Determine the positioning position of the UE.
  • Step 906b Train the AI model based on the measurement results and positioning location.
  • Step 907b Send the trained AI model to the network device.
  • steps 901b-907b please refer to the above embodiment description, and the embodiments of the present disclosure will not be described again here.
  • the network device is configured to train the AI model based on the UE capabilities reported by the UE.
  • the training accuracy is high, and it can also ensure subsequent use of the AI model. Positioning accuracy during positioning.
  • a transceiver module configured to receive the UE capabilities reported by the UE; the UE capabilities include at least one of the following:
  • First capability information used to indicate that the UE supports positioning capability
  • Second capability information used to indicate that the UE supports the ability to obtain and report AI model input
  • Third capability information used to indicate the UE's ability to support model training
  • a processing module configured to configure the UE based on the UE capabilities to train the AI model.
  • the network device is configured to train the AI model based on the UE capabilities reported by the UE.
  • the training accuracy is high, and it can also ensure subsequent use of the AI model for positioning. time positioning accuracy.
  • the first capability information includes at least one of the following:
  • Indication information indicating that the UE is a positioning reference unit PRU
  • the positioning capability of the non-cellular network supported by the UE is the positioning capability of the non-cellular network supported by the UE.
  • the AI model input includes the measurement result of the positioning reference signal PRS;
  • the second capability information includes:
  • the UE supports the obtained measurement results
  • the UE supports the reported measurement results.
  • the processing module is also used to:
  • the AI model is trained based on the measurement results and the positioning location.
  • the processing module is also used to:
  • the AI model is trained based on the measurement results and the positioning location.
  • the processing module is also used to:
  • the The UE sends second configuration information, the second configuration information is used to configure the UE to train the AI model;
  • the processing module is also used to:
  • Figure 11 is a schematic structural diagram of a communication device provided by an embodiment of the present disclosure. As shown in Figure 11, the device may include:
  • a transceiver module configured to report UE capabilities to network equipment; the UE capabilities include at least one of the following:
  • First capability information used to indicate that the UE supports positioning capability
  • Second capability information used to indicate that the UE supports the ability to obtain and report AI model input
  • Third capability information used to indicate the UE's ability to support model training
  • a processing module configured to train the AI model based on the configuration of the network device.
  • the network device is configured to train the AI model based on the UE capabilities reported by the UE.
  • the training accuracy is high, and it can also ensure subsequent use of the AI model for positioning. time positioning accuracy.
  • the first capability information includes at least one of the following:
  • Indication information indicating that the UE is a positioning reference unit PRU
  • the positioning capability of the non-cellular network supported by the UE is the positioning capability of the non-cellular network supported by the UE.
  • the AI model input includes measurement results of PRS
  • the second capability information includes:
  • the UE supports the obtained measurement results
  • the UE supports the reported measurement results.
  • the processing module is also used to:
  • the processing module is also used to:
  • the processing module is also used to:
  • the second configuration information is used to configure the UE to train the AI model
  • the processing module is also used to:
  • FIG 12 is a schematic structural diagram of a communication device 1200 provided by an embodiment of the present application.
  • the communication device 1200 may be a network device, a terminal device, a chip, a chip system, or a processor that supports a network device to implement the above method, or a chip, a chip system, or a processor that supports a terminal device to implement the above method. Processor etc.
  • the device can be used to implement the method described in the above method embodiment. For details, please refer to the description in the above method embodiment.
  • Communication device 1200 may include one or more processors 1201.
  • the processor 1201 may be a general-purpose processor or a special-purpose processor, or the like.
  • it can be a baseband processor or a central processing unit.
  • the baseband processor can be used to process communication protocols and communication data.
  • the central processor can be used to control communication devices (such as base stations, baseband chips, terminal equipment, terminal equipment chips, DU or CU, etc.) and execute computer programs. , processing data for computer programs.
  • the communication device 1200 may also include one or more memories 1202, on which a computer program 1204 may be stored.
  • the processor 1201 executes the computer program 1204, so that the communication device 1200 performs the steps described in the above method embodiments. method.
  • the memory 1202 may also store data.
  • the communication device 1200 and the memory 1202 can be provided separately or integrated together.
  • the communication device 1200 may also include a transceiver 1205 and an antenna 1206.
  • the transceiver 1205 may be called a transceiver unit, a transceiver, a transceiver circuit, etc., and is used to implement transceiver functions.
  • the transceiver 1205 may include a receiver and a transmitter.
  • the receiver may be called a receiver or a receiving circuit, etc., used to implement the receiving function;
  • the transmitter may be called a transmitter, a transmitting circuit, etc., used to implement the transmitting function.
  • the communication device 1200 may also include one or more interface circuits 1207.
  • the interface circuit 1207 is used to receive code instructions and transmit them to the processor 1201 .
  • the processor 1201 executes the code instructions to cause the communication device 1200 to perform the method described in the above method embodiment.
  • the communication device 1200 is a network device: the transceiver 1205 is used to perform step 201 in Figure 2; step 301 to step 304 in Figure 3; step 401 to step 403 in Figure 4; and step 501 to step 504 in Figure 5.
  • the processor 1201 is used to execute step 202 in Figure 2; step 305 in Figure 3; and step 404 in Figure 4.
  • the communication device 1200 is a UE: the transceiver 1205 is used to perform step 601 in Figure 6; step 701 to step 705 in Figure 7; step 801 to step 805 in Figure 8; step 901 to step 905 in Figure 9, steps 907.
  • the processor 1201 is used to perform step 602 in Figure 6; step 906 in Figure 9.
  • the processor 1201 may include a transceiver for implementing receiving and transmitting functions.
  • the transceiver may be a transceiver circuit, an interface, or an interface circuit.
  • the transceiver circuits, interfaces or interface circuits used to implement the receiving and transmitting functions can be separate or integrated together.
  • the above-mentioned transceiver circuit, interface or interface circuit can be used for reading and writing codes/data, or the above-mentioned transceiver circuit, interface or interface circuit can be used for signal transmission or transfer.
  • the processor 1201 may store a computer program 1203, and the computer program 1203 runs on the processor 1201, causing the communication device 1200 to perform the method described in the above method embodiment.
  • the computer program 1203 may be solidified in the processor 1201, in which case the processor 1201 may be implemented by hardware.
  • the communication device 1200 may include a circuit, which may implement the functions of sending or receiving or communicating in the foregoing method embodiments.
  • the processor and transceiver described in this application can be implemented in integrated circuits (ICs), analog ICs, radio frequency integrated circuits RFICs, mixed signal ICs, application specific integrated circuits (ASICs), printed circuit boards ( printed circuit board (PCB), electronic equipment, etc.
  • the processor and transceiver can also be manufactured using various IC process technologies, such as complementary metal oxide semiconductor (CMOS), n-type metal oxide-semiconductor (NMOS), P-type Metal oxide semiconductor (positive channel metal oxide semiconductor, PMOS), bipolar junction transistor (BJT), bipolar CMOS (BiCMOS), silicon germanium (SiGe), gallium arsenide (GaAs), etc.
  • CMOS complementary metal oxide semiconductor
  • NMOS n-type metal oxide-semiconductor
  • PMOS P-type Metal oxide semiconductor
  • BJT bipolar junction transistor
  • BiCMOS bipolar CMOS
  • SiGe silicon germanium
  • GaAs gallium arsenide
  • the communication device described in the above embodiments may be a network device or a terminal device, but the scope of the communication device described in this application is not limited thereto, and the structure of the communication device may not be limited by FIG. 12 .
  • the communication device may be a stand-alone device or may be part of a larger device.
  • the communication device may be:
  • the IC collection may also include storage components for storing data and computer programs;
  • the communication device may be a chip or a chip system
  • the schematic structural diagram of the chip shown in FIG. 13 refer to the schematic structural diagram of the chip shown in FIG. 13 .
  • the chip shown in Figure 13 includes a processor 1301 and an interface 1302.
  • the number of processors 1301 may be one or more, and the number of interfaces 1302 may be multiple.
  • the chip also includes a memory 1303, which is used to store necessary computer programs and data.
  • This application also provides a readable storage medium on which instructions are stored. When the instructions are executed by a computer, the functions of any of the above method embodiments are implemented.
  • This application also provides a computer program product, which, when executed by a computer, implements the functions of any of the above method embodiments.
  • the above embodiments it may be implemented in whole or in part by software, hardware, firmware, or any combination thereof.
  • software it may be implemented in whole or in part in the form of a computer program product.
  • the computer program product includes one or more computer programs.
  • the computer program When the computer program is loaded and executed on a computer, the processes or functions described in the embodiments of the present application are generated in whole or in part.
  • the computer may be a general-purpose computer, a special-purpose computer, a computer network, or other programmable device.
  • the computer program may be stored in or transferred from one computer-readable storage medium to another, for example, the computer program may be transferred from a website, computer, server, or data center Transmission to another website, computer, server or data center through wired (such as coaxial cable, optical fiber, digital subscriber line (DSL)) or wireless (such as infrared, wireless, microwave, etc.) means.
  • the computer-readable storage medium may be any available medium that can be accessed by a computer or a data storage device such as a server, data center, etc. that contains one or more available media integrated.
  • the usable media may be magnetic media (e.g., floppy disks, hard disks, magnetic tapes), optical media (e.g., high-density digital video discs (DVD)), or semiconductor media (e.g., solid state disks, SSD)) etc.
  • magnetic media e.g., floppy disks, hard disks, magnetic tapes
  • optical media e.g., high-density digital video discs (DVD)
  • DVD digital video discs
  • semiconductor media e.g., solid state disks, SSD
  • At least one in this application can also be described as one or more, and the plurality can be two, three, four or more, which is not limited by this application.
  • the technical feature is distinguished by “first”, “second”, “third”, “A”, “B”, “C” and “D”, etc.
  • the technical features described in “first”, “second”, “third”, “A”, “B”, “C” and “D” are in no particular order or order.
  • the corresponding relationships shown in each table in this application can be configured or predefined.
  • the values of the information in each table are only examples and can be configured as other values, which are not limited by this application.
  • the corresponding relationships shown in some rows may not be configured.
  • appropriate deformation adjustments can be made based on the above table, such as splitting, merging, etc.
  • the names of the parameters shown in the titles of the above tables may also be other names understandable by the communication device, and the values or expressions of the parameters may also be other values or expressions understandable by the communication device.
  • other data structures can also be used, such as arrays, queues, containers, stacks, linear lists, pointers, linked lists, trees, graphs, structures, classes, heaps, hash tables or hash tables. wait.
  • Predefinition in this application can be understood as definition, pre-definition, storage, pre-storage, pre-negotiation, pre-configuration, solidification, or pre-burning.

Landscapes

  • Mobile Radio Communication Systems (AREA)

Abstract

本公开提出一种AI模型训练方法/装置/设备及存储介质，所述方法包括：接收UE上报的UE能力；所述UE能力包括以下至少一种：第一能力信息，用于指示所述UE支持定位能力；第二能力信息，用于指示所述UE支持对AI模型输入的获取能力和上报能力；第三能力信息，用于指示所述UE支持模型训练的能力；基于所述UE能力对所述UE进行配置，以对所述AI模型进行训练。本公开提供了一种高精度的AI模型训练方法，以便后续可以利用AI模型进行定位，确保定位精度。

Description

一种人工智能AI模型训练方法/装置/设备及存储介质 技术领域
本公开涉及通信技术领域，尤其涉及人工智能AI模型训练方法/装置/设备及存储介质。
背景技术
在New Radio(NR，新空口)系统中，引入了基于AI(Artificial Intelligence，人工智能)模型的定位，以提高定位精度。
相关技术中，在利用AI模型实现定位之前，通常需要先对AI模型进行训练。具体的，会先构建数据集，该数据集中包括UE(User Equipment，用户设备)坐标标签以及UE或者网络设备对于参考信号的测量结果，其中，该测量结果可以是冲击响应或者RSRP(Reference Signal Receiving Power，参考信号接收功率)等，之后，将测量结果作为AI模型的输入并基于AI模型的输出和数据集中的UE坐标标签来对AI模型完成训练。
但是，相关技术中，对于AI模型的训练过程一般由网络设备完成，而训练所需数据集中的UE坐标标签对于网络设备来说可能是未知的，且网络设备也无法轻易获得UE的理想的实际坐标，以及，AI模型支持的输入也有可能并非当前NR系统中支持的测量结果(如NR系统中支持的测量结果为冲击响应，而模型支持的输入为RSRP)，并且，目前NR系统中也并未定义AI模型的训练过程的交互流程，因此，亟需一种AI模型训练方法。
发明内容
本公开提出的AI模型训练方法/装置/设备及存储介质，用于对AI模型进行训练。
第一方面，本公开实施例提供一种AI模型训练方法，该方法被网络设备执行，包括：
接收UE上报的UE能力；所述UE能力包括以下至少一种：
第一能力信息，用于指示所述UE支持定位能力；
第二能力信息，用于指示所述UE支持对AI模型输入的获取能力和上报能力；
第三能力信息，用于指示所述UE支持模型训练的能力；
基于所述UE能力对所述UE进行配置，以对所述AI模型进行训练。
本公开中，提供了一种AI模型训练方法，可以用于对AI模型进行训练，以利用训练好的AI模型进行定位，则确保了定位精度。
第二方面，本公开实施例提供一种AI模型训练方法，该方法被UE执行，包括：
向网络设备上报UE能力；所述UE能力包括以下至少一种：
第一能力信息，用于指示所述UE支持定位能力；
第二能力信息，用于指示所述UE支持对AI模型输入的获取能力和上报能力；
第三能力信息，用于指示所述UE支持模型训练的能力；
基于所述网络设备的配置对所述AI模型进行训练。
第三方面，本公开实施例提供一种通信装置，该装置被网络设备中，包括：
收发模块，用于接收UE上报的UE能力；所述UE能力包括以下至少一种：
第一能力信息，用于指示所述UE支持定位能力；
第二能力信息，用于指示所述UE支持对AI模型输入的获取能力和上报能力；
第三能力信息，用于指示所述UE支持模型训练的能力；
处理模块，用于基于所述UE能力对所述UE进行配置，以对所述AI模型进行训练。
第四方面，本公开实施例提供一种通信装置，该装置被配置在UE中，包括：
收发模块，用于向网络设备上报UE能力；所述UE能力包括以下至少一种：
第一能力信息，用于指示所述UE支持定位能力；
第二能力信息，用于指示所述UE支持对AI模型输入的获取能力和上报能力；
第三能力信息，用于指示所述UE支持模型训练的能力；
处理模块，用于基于所述网络设备的配置对所述AI模型进行训练。
第五方面，本公开实施例提供一种通信装置，该通信装置包括处理器，当该处理器调用存储器中的计算机程序时，执行上述第一方面所述的方法。
第六方面，本公开实施例提供一种通信装置，该通信装置包括处理器，当该处理器调用存储器中的计算机程序时，执行上述第二方面所述的方法。
第七方面，本公开实施例提供一种通信装置，该通信装置包括处理器和存储器，该存储器中存储有计算机程序；所述处理器执行该存储器所存储的计算机程序，以使该通信装置执行上述第一方面所述的方法。
第八方面，本公开实施例提供一种通信装置，该通信装置包括处理器和存储器，该存储器中存储有计算机程序；所述处理器执行该存储器所存储的计算机程序，以使该通信装置执行上述第二方面所述的方法。
第九方面，本公开实施例提供一种通信装置，该装置包括处理器和接口电路，该接口电路用于接收代码指令并传输至该处理器，该处理器用于运行所述代码指令以使该装置执行上述第一方面所述的方法。
第十方面，本公开实施例提供一种通信装置，该装置包括处理器和接口电路，该接口电路用于接收代码指令并传输至该处理器，该处理器用于运行所述代码指令以使该装置执行上述第二方面所述的方法。
第十一方面，本公开实施例提供一种通信系统，该系统包括第三方面所述的通信装置至第四方面所述的通信装置，或者，该系统包括第五方面所述的通信装置至第六方面所述的通信装置，或者，该系统包括第七方面所述的通信装置至第八方面所述的通信装置，或者，该系统包括第十方面所述的通信装置至第十一方面所述的通信装置。
第十二方面，本发明实施例提供一种计算机可读存储介质，用于储存为上述网络设备所用的指令，当所述指令被执行时，使所述终端设备执行上述第一方面至第二方面的任一方面所述的方法。
第十三方面，本公开还提供一种包括计算机程序的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面至第二方面的任一方面所述的方法。
第十四方面，本公开提供一种芯片系统，该芯片系统包括至少一个处理器和接口，用于支持网络设备实现第一方面至第二方面的任一方面所述的方法所涉及的功能，例如，确定或处理上述方法中所涉及的数据和信息中的至少一种。在一种可能的设计中，所述芯片系统还包括存储器，所述存储器，用于保存源辅节点必要的计算机程序和数据。该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。
第十五方面，本公开提供一种计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面至第二方面的任一方面所述的方法。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本公开实施例提供的一种通信系统的架构示意图；
图2为本公开另一个实施例所提供的AI模型训练方法的流程示意图；
图3为本公开再一个实施例所提供的AI模型训练方法的流程示意图；
图4为本公开又一个实施例所提供的AI模型训练方法的流程示意图；
图5a为本公开另一个实施例所提供的AI模型训练方法的流程示意图；
图5b为本公开另一个实施例所提供的AI模型训练方法的流程示意图；
图6为本公开再一个实施例所提供的AI模型训练方法的流程示意图；
图7为本公开又一个实施例所提供的AI模型训练方法的流程示意图；
图8为本公开一个实施例所提供的AI模型训练方法的流程示意图；
图9a为本公开另一个实施例所提供的AI模型训练方法的流程示意图；
图9b为本公开另一个实施例所提供的AI模型训练方法的流程示意图；
图10为本公开一个实施例所提供的通信装置的结构示意图；
图11为本公开另一个实施例所提供的通信装置的结构示意图；
图12是本公开一个实施例所提供的一种用户设备的框图；
图13为本公开一个实施例所提供的一种网络侧设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开实施例的一些方面相一致的装置和方法的例子。
在本公开实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开实施例。在本公开实施例和所附权利要求书中所使用的单数形式的“一种”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”及“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的要素。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
为了便于理解，首先介绍本申请涉及的术语。
1、人工智能(Artificial Intelligence，AI)
AI是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
2、第五代移动通信技术(5th generation mobile networks，5G)
5G是具有高速率、低时延和大连接特点的新一代宽带移动通信技术，是实现人机物互联的网络基础设施。
3、PRU(Positioning reference unit，定位参考单元)终端
PRU终端是可以获取到自身位置坐标信息的一类终端。
为了更好的理解本公开实施例公开的一种AI模型训练方法，下面首先对本公开实施例适用的通信系统进行描述。
请参见图1，图1为本公开实施例提供的一种通信系统的架构示意图。该通信系统可包括但不限于一个网络设备和一个终端设备，图1所示的设备数量和形态仅用于举例并不构成对本公开实施例的限定，实际应用中可以包括两个或两个以上的网络设备，两个或两个以上的终端设备。图1所示的通信系统以包括一个网络设备11、一个终端设备12为例。
需要说明的是，本公开实施例的技术方案可以应用于各种通信系统。例如：长期演进(long term evolution，LTE)系统、第五代(5th generation，5G)移动通信系统、5G新空口(new radio，NR)系统，或者其他未来的新型移动通信系统等。
本公开实施例中的网络设备11是网络侧的一种用于发射或接收信号的实体。例如，网络设备11可以为演进型基站(evolved NodeB，eNB)、发送接收点(transmission reception point，TRP)、NR系统中的下一代基站(next generation NodeB，gNB)、其他未来移动通信系统中的基站或无线保真(wireless fidelity，WiFi)系统中的接入节点等。本公开的实施例对网络设备所采用的具体技术和具体设备形态不做限定。本公开实施例提供的网络设备可以是由集中单元(central unit，CU)与分布式单元(distributed unit，DU)组成的，其中，CU也可以称为控制单元(control unit)，采用CU-DU的结构可以将网络设备，例如基站的协议层拆分开，部分协议层的功能放在CU集中控制，剩下部分或全部协议层的功能分布在DU中，由CU集中控制DU。
本公开实施例中的终端设备12是用户侧的一种用于接收或发射信号的实体，如手机。终端设备也可以称为终端设备(terminal)、用户设备(user equipment，UE)、移动台(mobile station，MS)、移动终端设备(mobile terminal，MT)等。终端设备可以是具备通信功能的汽车、智能汽车、手机(mobile phone)、穿戴式设备、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(virtual reality，VR)终端设备、增强现实(augmented reality，AR)终端设备、工业控制(industrial control)中的无线终端设备、无人驾驶(self-driving)中的无线终端设备、远程手术(remote medical surgery)中的无线终端设备、智能电网(smart grid)中的无线终端设备、运输安全(transportation safety)中的无线终端设备、智慧城市(smart city)中的无线终端设备、智慧家庭(smart home)中的无线终端设备等等。本公开的实施例对终端设备所采用的具体技术和具体设备形态不做限定。
可以理解的是，本公开实施例描述的通信系统是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域普通技术人员可知，随着系统架构的演变和新业务场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。
下面参考附图对本公开实施例所提供的AI模型训练方法/装置/设备及存储介质进行详细描述。
图2为本公开实施例所提供的一种AI模型训练方法的流程示意图，该AI模型用于输出UE的定位位置，该方法由网络设备执行，如图2所示，该AI模型训练方法可以包括以下步骤：
步骤201、接收UE上报的UE能力。
在本公开的一个实施例之中，上述的UE能力可以包括以下至少一种：
第一能力信息，用于指示UE支持定位能力；
第二能力信息，用于指示UE支持对AI模型输入的获取能力和上报能力；
第三能力信息，用于指示UE支持模型训练的能力。
进一步地，在本公开的一个实施例之中，上述的第一能力信息可以包括以下至少一种：
指示UE为PRU的指示信息；
该UE支持的非蜂窝网的定位能力。其中，该非蜂窝网的定位能力可以包括GNSS(Global Navigation Satellite System，全球导航卫星系统)定位、WiFi(无线)定位、蓝牙定位中的至少一种。
以及，在本公开的一个实施例之中，上述的AI模型输入可以包括测量信号(如PRS(Position Reference Signal，定位参考信号))的测量结果(该测量结果例如可以为冲击响应和/或RSRP)，以及，该第二能力信息可以包括以下至少一种：
UE支持获取的测量结果(如UE支持提取出测量信号的冲击响应或者RSRP)；
UE支持上报的测量结果(如UE支持上报测量信号的冲击响应或者RSRP)。
步骤202、基于UE能力对UE进行配置，以对AI模型进行训练。
具体的，在本公开的一个实施例之中，网络设备主要是基于UE上报的UE能力中所包括的能力信息来进行配置的，其中，当UE能力中所包括的能力信息不同时，网络设备的配置方式也会有所不同。关于该部分内容会在后续实施例进行详细介绍。
综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。
图3为本公开实施例所提供的一种AI模型训练方法的流程示意图，该方法由网络设备执行，如图3所示，该AI模型训练方法可以包括以下步骤：
步骤301、接收UE上报的UE能力，该UE能力中包括第一能力信息。
其中，当UE能力中包括第一能力信息时，则说明该UE支持定位能力，也即是该UE可以精准获取到其定位位置，此时可以通过执行后续步骤302-305来实现对AI模型的训练。
步骤302、向UE发送第一配置信息，该第一配置信息用于配置UE发送PRS。
在本公开的一个实施例之中，当UE支持定位能力时，该UE可能不支持测量PRS，也即是UE可能无法获取到测量结果，基于此，网络设备可以配置UE发送PRS，以便网络设备后续可以基于UE发送的PRS构成用于训练AI模型的数据集。
以及，在本公开的一个实施例之中，该第一配置信息中可以包括有UE发送PRS时的预定时间和预定资源。或者，该第一配置信息中可以不包括预定时间和预定资源，而该预定时间和预定资源可以基于协议约定。
步骤303、接收UE发送的PRS，并测量PRS得到测量结果。
具体的，在本公开的一个实施例之中，网络设备可以在预定时间和预定资源来接收UE发送的PRS。
以及，在本公开的一个实施例之中，该测量结果可以包括冲击响应、RSRP中的至少一种。以及，该测量结果可以作为AI模型的输入以构成训练AI模型的数据集。
进一步地，在本公开的一个实施例之中，网络设备测量PRS得到测量结果应当是AI模型支持的输入。例如当AI模型支持的输入为冲击响应时，则网络设备获取的测量结果应当为：PRS的冲击响应。当AI模型支持的输入为RSRP时，则网络设备获取的测量结果应当为：PRS的RSRP。
步骤304、接收UE上报的定位位置。
其中，在本公开的一个实施例之中，该定位位置可以为UE发送了PRS后的预设时间范围内自己定位确定并上报的，由此可以确保该定位位置为UE当前时刻的精确定位位置，进而可以确保后续AI模型的训练精确度。该预设范围可以是基于协议约定确定的，也可以是网络设备确定好配置至UE的。
步骤305、基于测量结果和定位位置对AI模型进行训练。
具体的，在本公开的一个实施例之中，可以将测量结果作为AI模型的输入以获得AI模型的输出，并基于AI模型的输出和UE上报的定位位置来确定损失函数，并基于损失函数调整AI模型的模型参数，直至损失函数收敛确定训练完毕。
以及，需要说明的是，在本公开的一个实施例之中，训练前的AI模型可以是网络设备从其存储的多个不同的待训练模型中选择出的模型。
综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。
图4为本公开实施例所提供的一种AI模型训练方法的流程示意图，该方法由网络设备执行，如图4所示，该AI模型训练方法可以包括以下步骤：
步骤401、接收UE上报的UE能力，该UE能力中包括第一能力信息和第二能力信息，且该第二能力信息中UE支持上报的测量结果与AI模型的输入需求匹配。
其中，在本公开的一个实施例之中，第二能力信息中UE支持上报的测量结果与AI模型的输入需求匹配可以意为：UE支持上报的测量结果与AI模型支持的输入一致。如，UE支持上报的测量结果和AI模型支持的输入均为：冲击响应，或者，UE支持上报的测量结果和AI模型支持的输入均为：RSRP。
以及，在本公开的一个实施例之中，当UE能力中包括第一能力信息和第二能力信息，且第二能力信息中UE支持上报的测量结果与AI模型的输入需求匹配时，则说明该UE支持定位能力且支持获取测量结果，同时，UE上报的测量结果可以作为AI模型的输入，此时可以通过执行后续步骤402-404来实现对AI模型的训练。
步骤402、向UE发送PRS。
在本公开的一个实施例之中，若UE支持获取测量结果时，网络设备可以向UE发送PRS以由UE来测量该PRS获取测量结果。
步骤403、接收UE上报的测量结果和定位位置。
其中，在本公开的一个实施例之中，该测量结果可以为UE在接收到网络设备发送的PRS后的预设范围内对该RRS测量后得到的。以及，该定位位置可以为UE接收到PRS后的预设时间范围内自己定位确定并上报的，或者，该定位位置可以为UE发送了测量结果后的预设时间范围内自己定位确定并上报的，由此可以确保该定位位置为UE当前时刻的精确定位位置，进而可以确保后续AI模型的训练精确度。
以及，该预设范围可以是基于协议约定确定的，也可以是网络设备确定好配置至UE的。
步骤404、基于测量结果和定位位置对AI模型进行训练。
具体的，在本公开的一个实施例之中，可以将测量结果作为AI模型的输入以获得AI模型的输出，并基于AI模型的输出和UE上报的定位位置来确定损失函数，并基于损失函数调整AI模型的模型参数，直至损失函数收敛确定训练完毕。
以及，需要说明的是，在本公开的一个实施例之中，训练前的AI模型可以是网络设备从其存储的 多个不同的待训练模型中选择出的模型。
综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。
图5a为本公开实施例所提供的一种AI模型训练方法的流程示意图，该方法由网络设备执行，如图5a所示，该AI模型训练方法可以包括以下步骤：
步骤501a、接收UE上报的UE能力，该UE能力中包括第一能力信息、第二能力信息以及第三能力信息，且所述第二能力信息中UE支持上报的测量结果与所述AI模型的输入需求匹配。
其中，在本公开的一个实施例之中，第二能力信息中UE支持上报的测量结果与AI模型的输入需求匹配可以意为：UE支持上报的测量结果与AI模型支持的输入一致。如，UE支持上报的测量结果和AI模型支持的输入均为：冲击响应，或者，UE支持上报的测量结果和AI模型支持的输入均为：RSRP。
以及，在本公开的一个实施例之中，当UE能力中包括第一能力信息、第二能力信息以及第三能力信息，且所述第二能力信息中UE支持上报的测量结果与所述AI模型的输入需求匹配时，则说明该UE支持定位能力且支持获取测量结果，UE上报的测量结果可以作为AI模型的输入，以及UE侧还支持执行模型训练的过程，此时，可以通过执行步骤502a-504a来实现对AI模型的训练。
步骤502a、向UE发送第二配置信息，第二配置信息用于配置UE对AI模型进行训练。
在本公开的一个实施例之中，若UE即支持定位能力，且支持获取测量结果和执行模型训练过程时，网络设备可以向UE发送第二配置信息以配置由UE执行AI模型的训练过程。以及，当UE获取到第二配置信息之后，UE即可确定出其定位位置，以便后续对AI模型进行训练。
步骤503a、向UE发送PRS。
在本公开的一个实施例之中，网络设备还可以向UE发送PRS，以由UE来测量该PRS获取测量结果，并基于该测量结果和定位位置来对AI模型进行训练。以及，需要说明的是，在本公开的一个实施例之中，训练前的AI模型可以是UE从其存储的多个不同的待训练模型中选择出的模型，也可以是由网络设备选择好待训练AI模型后发送至UE的。
步骤504a、获取UE发送的训练后的AI模型。
在本公开的一个实施例之中，网络设备获取到UE发送的训练后的AI模型后，可以基于UE的发送在网络侧部署该AI模型，以便后续可以利用该AI模型实现定位。
综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。
图5b为本公开实施例所提供的一种AI模型训练方法的流程示意图，该方法由网络设备执行，如图5b所示，该AI模型训练方法可以包括以下步骤：
步骤501b、接收UE上报的UE能力，该UE能力中包括第一能力信息和第三能力信息。
其中，在本公开的一个实施例之中，当UE能力中包括第一能力信息和第三能力信息时，说明该UE支持定位能力且支持执行模型训练的过程，此时，可以通过执行步骤502b-505b来实现对AI模型的训练。
步骤502b、向UE发送第一配置信息，第一配置信息用于配置UE发送PRS。
由上述步骤501b可知，UE能力中不包括第二能力信息，也即是该UE可能不支持测量PRS，且无法获取到测量结果，基于此，网络设备可以配置UE发送PRS，以便网络设备后续可以基于UE发送的PRS构成用于训练AI模型的数据集。
以及，在本公开的一个实施例之中，该第一配置信息中可以包括有UE发送PRS时的预定时间和预定资源。或者，该第一配置信息中可以不包括预定时间和预定资源，而该预定时间和预定资源可以基于协议约定。
步骤503b、接收UE发送的PRS，并测量PRS得到测量结果。
具体的，在本公开的一个实施例之中，网络设备可以在预定时间和预定资源来接收UE发送的PRS。
以及，在本公开的一个实施例之中，该测量结果可以包括冲击响应、RSRP中的至少一种。以及，该测量结果可以作为AI模型的输入以构成训练AI模型的数据集。
进一步地，在本公开的一个实施例之中，网络设备测量PRS得到测量结果应当是AI模型支持的输入。例如当AI模型支持的输入为冲击响应时，则网络设备获取的测量结果应当为：PRS的冲击响应。当AI模型支持的输入为RSRP时，则网络设备获取的测量结果应当为：PRS的RSRP。
步骤504b、向UE发送测量结果。
其中，在本公开的一个实施例之中，UE在支持定位能力和模型训练能力的前提下，当UE获取到网络设备发送的测量结果后，即可自己定位确定出定位位置，并基于定位位置和测量结果构成数据集，来对AI模型进行训练。
步骤505b、获取UE发送的训练后的AI模型。
在本公开的一个实施例之中，网络设备获取到UE发送的训练后的AI模型后，可以基于UE的发送在网络侧部署该AI模型，以便后续可以利用该AI模型实现定位。
综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。
图6为本公开实施例所提供的一种AI模型训练方法的流程示意图，该方法由UE执行，如图6所示，该AI模型训练方法可以包括以下步骤：
步骤601、向网络设备上报UE能力。
在本公开的一个实施例之中，上述的UE能力可以包括以下至少一种：
第一能力信息，用于指示UE支持定位能力；
第二能力信息，用于指示UE支持对AI模型输入的获取能力和上报能力；
第三能力信息，用于指示UE支持模型训练的能力。
进一步地，在本公开的一个实施例之中，上述的第一能力信息可以包括以下至少一种：
指示UE为PRU的指示信息；
该UE支持的非蜂窝网的定位能力。其中，该非蜂窝网的定位能力可以包括GNSS定位、WiFi定位、蓝牙定位中的至少一种。
以及，在本公开的一个实施例之中，上述的AI模型输入可以包括PRS的测量结果(该测量结果例如可以为冲击响应和/或RSRP)，以及，该第二能力信息可以包括以下至少一种：
UE支持获取的测量结果；
UE支持上报的测量结果。
步骤602、基于网络设备的配置对AI模型进行训练。
具体的，在本公开的一个实施例之中，网络设备主要是基于UE上报的UE能力中所包括的能力信息来进行配置的，其中，当UE能力中所包括的能力信息不同时，网络设备的配置方式也会有所不同。关于该部分内容可以参考上述实施例描述，本公开实施例在此不做赘述。
综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。
图7为本公开实施例所提供的一种AI模型训练方法的流程示意图，该方法由UE执行，如图7所示，该AI模型训练方法可以包括以下步骤：
步骤701、向网络设备上报UE能力，该UE能力中包括第一能力信息。
步骤702、接收网络设备发送的第一配置信息，第一配置信息用于配置UE发送PRS。
步骤703、向网络设备发送PRS。
步骤704、确定UE的定位位置。
步骤705、向网络设备发送定位位置。
其中，关于步骤701-705的详细介绍可以参考上述实施例描述，本公开实施例在此不做赘述。
综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。
图8为本公开实施例所提供的一种AI模型训练方法的流程示意图，该方法由UE执行，如图8所示，该AI模型训练方法可以包括以下步骤：
步骤801、向网络设备上报UE能力，该UE能力中包括第一能力信息和第二能力信息，且第二能力信息中UE支持上报的测量结果与所述AI模型的输入需求匹配。
步骤802、接收网络设备发送的PRS。
步骤803、测量PRS得到测量结果。
步骤804、确定UE的定位位置。
步骤805、向网络设备上报测量结果和定位位置。
其中，关于步骤801-805的详细介绍可以参考上述实施例描述，本公开实施例在此不做赘述。
综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。
图9a为本公开实施例所提供的一种AI模型训练方法的流程示意图，该方法由UE执行，如图9所示，该AI模型训练方法可以包括以下步骤：
步骤901a、向网络设备上报UE能力，该UE能力中包括第一能力信息、第二能力信息以及第三能力信息，且第二能力信息中UE支持上报的测量结果与AI模型的输入需求匹配。
步骤902a、接收网络设备发送的第二配置信息，该第二配置信息用于配置所述UE对AI模型进行训练。
步骤903a、接收网络设备发送的PRS。
步骤904a、测量PRS得到测量结果。
步骤905a、确定UE的定位位置。
步骤906a、基于测量结果和定位位置对AI模型进行训练。
步骤907a、向网络设备发送训练后的AI模型。
其中，关于步骤901a-907a的详细介绍可以参考上述实施例描述，本公开实施例在此不做赘述。
综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。
图9b为本公开实施例所提供的一种AI模型训练方法的流程示意图，该方法由UE执行，如图9所示，该AI模型训练方法可以包括以下步骤：
步骤901b、向网络设备上报UE能力，该UE能力中包括第一能力信息和第三能力信息。
步骤902b、接收网络设备发送的第一配置信息，该第一配置信息用于配置所述UE发送PRS。
步骤903b、向网络设备发送PRS。
步骤904b、接收网络设备发送的测量结果。
步骤905b、确定UE的定位位置。
步骤906b、基于测量结果和定位位置对AI模型进行训练。
步骤907b、向网络设备发送训练后的AI模型。
其中，关于步骤901b-907b的详细介绍可以参考上述实施例描述，本公开实施例在此不做赘述。
综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。
图10为本公开实施例所提供的一种通信装置的结构示意图，如图10所示，装置可以包括：
收发模块，用于接收UE上报的UE能力；所述UE能力包括以下至少一种：
第一能力信息，用于指示所述UE支持定位能力；
第二能力信息，用于指示所述UE支持对AI模型输入的获取能力和上报能力；
第三能力信息，用于指示所述UE支持模型训练的能力；
处理模块，用于基于所述UE能力对所述UE进行配置，以对所述AI模型进行训练。
综上所述，在本公开实施例提供的通信装置之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。
可选的，在本公开的一个实施例之中，所述第一能力信息包括以下至少一种：
指示所述UE为定位参考单元PRU的指示信息；
所述UE支持的非蜂窝网的定位能力。
可选的，在本公开的一个实施例之中，所述AI模型输入包括定位参考信号PRS的测量结果；
所述第二能力信息包括：
所述UE支持获取的测量结果；
所述UE支持上报的测量结果。
可选的，在本公开的一个实施例之中，所述处理模块还用于：
响应于所述UE能力中包括所述第一能力信息，向所述UE发送第一配置信息，所述第一配置信息用于配置所述UE发送PRS；
接收所述UE发送的PRS，并测量所述PRS得到测量结果；
接收所述UE上报的定位位置；
基于所述测量结果和所述定位位置对所述AI模型进行训练。
可选的，在本公开的一个实施例之中，所述处理模块还用于：
响应于所述UE能力中包括所述第一能力信息和第二能力信息，且所述第二能力信息中UE支持上报的测量结果与所述AI模型的输入需求匹配，向所述UE发送PRS；
接收所述UE上报的测量结果和定位位置；
基于所述测量结果和所述定位位置对所述AI模型进行训练。
可选的，在本公开的一个实施例之中，所述处理模块还用于：
响应于所述UE能力中包括第一能力信息、第二能力信息以及第三能力信息，且所述第二能力信息中UE支持上报的测量结果与所述AI模型的输入需求匹配，向所述UE发送第二配置信息，所述第二配置信息用于配置所述UE对所述AI模型进行训练；
向所述UE发送PRS；
获取所述UE发送的训练后的AI模型。
可选的，在本公开的一个实施例之中，所述处理模块还用于：
响应于所述UE能力中包括第一能力信息和第三能力信息，向所述UE发送第一配置信息，所述第一配置信息用于配置所述UE发送PRS；
接收所述UE发送的PRS，并测量所述PRS得到测量结果；
向所述UE发送所述测量结果；
获取所述UE发送的训练后的AI模型。
图11为本公开实施例所提供的一种通信装置的结构示意图，如图11所示，装置可以包括：
收发模块，用于向网络设备上报UE能力；所述UE能力包括以下至少一种：
第一能力信息，用于指示所述UE支持定位能力；
第二能力信息，用于指示所述UE支持对AI模型输入的获取能力和上报能力；
第三能力信息，用于指示所述UE支持模型训练的能力；
处理模块，用于基于所述网络设备的配置对所述AI模型进行训练。
综上所述，在本公开实施例提供的通信装置之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。
可选的，在本公开的一个实施例之中，所述第一能力信息包括以下至少一种：
指示所述UE为定位参考单元PRU的指示信息；
所述UE支持的非蜂窝网的定位能力。
可选的，在本公开的一个实施例之中，所述AI模型输入包括PRS的测量结果；
所述第二能力信息包括：
所述UE支持获取的测量结果；
所述UE支持上报的测量结果。
可选的，在本公开的一个实施例之中，所述处理模块还用于：
响应于所述UE能力中包括所述第一能力信息，接收取所述网络设备发送的第一配置信息，所述第 一配置信息用于配置所述UE发送PRS；
向所述网络设备发送PRS；
确定所述UE的定位位置；
向所述网络设备发送所述定位位置。
可选的，在本公开的一个实施例之中，所述处理模块还用于：
响应于所述UE能力中包括所述第一能力信息和第二能力信息，且所述第二能力信息中UE支持上报的测量结果与所述AI模型的输入需求匹配，接收所述网络设备发送的PRS；
测量所述PRS得到测量结果；
确定所述UE的定位位置；
向所述网络设备上报所述测量结果和定位位置。
可选的，在本公开的一个实施例之中，所述处理模块还用于：
响应于所述UE能力中包括第一能力信息、第二能力信息以及第三能力信息，且所述第二能力信息中UE支持上报的测量结果与所述AI模型的输入需求匹配，接收所述网络设备发送的第二配置信息，所述第二配置信息用于配置所述UE对所述AI模型进行训练；
接收所述网络设备发送的PRS；
测量所述PRS得到测量结果；
确定所述UE的定位位置；
基于所述测量结果和所述定位位置对所述AI模型进行训练；
向所述网络设备发送训练后的AI模型。
可选的，在本公开的一个实施例之中，所述处理模块还用于：
响应于所述UE能力中包括第一能力信息和第三能力信息，接收取所述网络设备发送的第一配置信息，所述第一配置信息用于配置所述UE发送PRS；
向所述网络设备发送PRS；
接收所述网络设备发送的测量结果；
确定所述UE的定位位置；
基于所述测量结果和所述定位位置对所述AI模型进行训练；
向所述网络设备发送训练后的AI模型。
请参见图12，图12是本申请实施例提供的一种通信装置1200的结构示意图。通信装置1200可以是网络设备，也可以是终端设备，也可以是支持网络设备实现上述方法的芯片、芯片系统、或处理器等，还可以是支持终端设备实现上述方法的芯片、芯片系统、或处理器等。该装置可用于实现上述方法实施例中描述的方法，具体可以参见上述方法实施例中的说明。
通信装置1200可以包括一个或多个处理器1201。处理器1201可以是通用处理器或者专用处理器等。例如可以是基带处理器或中央处理器。基带处理器可以用于对通信协议以及通信数据进行处理，中央处理器可以用于对通信装置(如，基站、基带芯片，终端设备、终端设备芯片，DU或CU等)进行控制，执行计算机程序，处理计算机程序的数据。
可选的，通信装置1200中还可以包括一个或多个存储器1202，其上可以存有计算机程序1204，处理器1201执行所述计算机程序1204，以使得通信装置1200执行上述方法实施例中描述的方法。可选的，所述存储器1202中还可以存储有数据。通信装置1200和存储器1202可以单独设置，也可以集成在一起。
可选的，通信装置1200还可以包括收发器1205、天线1206。收发器1205可以称为收发单元、收发机、或收发电路等，用于实现收发功能。收发器1205可以包括接收器和发送器，接收器可以称为接收机或接收电路等，用于实现接收功能；发送器可以称为发送机或发送电路等，用于实现发送功能。
可选的，通信装置1200中还可以包括一个或多个接口电路1207。接口电路1207用于接收代码指令并传输至处理器1201。处理器1201运行所述代码指令以使通信装置1200执行上述方法实施例中描述的方法。
通信装置1200为网络设备：收发器1205用于执行图2中的步骤201；图3中的步骤301至步骤304；图4中的步骤401至步骤403；图5中的步骤501至步骤504。处理器1201用于执行图2中的步骤202；图3中的步骤305；图4中的步骤404。
通信装置1200为UE：收发器1205用于执行图6中的步骤601；图7中的步骤701至步骤705；图8中的步骤801至步骤805；图9中的步骤901至步骤905、步骤907。处理器1201用于执行图6中的步骤602；图9中的步骤906。
在一种实现方式中，处理器1201中可以包括用于实现接收和发送功能的收发器。例如该收发器可以是收发电路，或者是接口，或者是接口电路。用于实现接收和发送功能的收发电路、接口或接口电路可以是分开的，也可以集成在一起。上述收发电路、接口或接口电路可以用于代码/数据的读写，或者，上述收发电路、接口或接口电路可以用于信号的传输或传递。
在一种实现方式中，处理器1201可以存有计算机程序1203，计算机程序1203在处理器1201上运行，可使得通信装置1200执行上述方法实施例中描述的方法。计算机程序1203可能固化在处理器1201中，该种情况下，处理器1201可能由硬件实现。
在一种实现方式中，通信装置1200可以包括电路，所述电路可以实现前述方法实施例中发送或接收或者通信的功能。本申请中描述的处理器和收发器可实现在集成电路(integrated circuit，IC)、模拟IC、射频集成电路RFIC、混合信号IC、专用集成电路(application specific integrated circuit，ASIC)、印刷电路板(printed circuit board，PCB)、电子设备等上。该处理器和收发器也可以用各种IC工艺技术来制造，例如互补金属氧化物半导体(complementary metal oxide semiconductor，CMOS)、N型金属氧化物半导体(nMetal-oxide-semiconductor，NMOS)、P型金属氧化物半导体(positive channel metal oxide semiconductor，PMOS)、双极结型晶体管(bipolar junction transistor，BJT)、双极CMOS(BiCMOS)、硅锗(SiGe)、砷化镓(GaAs)等。
以上实施例描述中的通信装置可以是网络设备或者终端设备，但本申请中描述的通信装置的范围并不限于此，而且通信装置的结构可以不受图12的限制。通信装置可以是独立的设备或者可以是较大设备的一部分。例如所述通信装置可以是：
(1)独立的集成电路IC，或芯片，或，芯片系统或子系统；
(2)具有一个或多个IC的集合，可选的，该IC集合也可以包括用于存储数据，计算机程序的存储部件；
(3)ASIC，例如调制解调器(Modem)；
(4)可嵌入在其他设备内的模块；
(5)接收机、终端设备、智能终端设备、蜂窝电话、无线设备、手持机、移动单元、车载设备、网络设备、云设备、人工智能设备等等；
(6)其他等等。
对于通信装置可以是芯片或芯片系统的情况，可参见图13所示的芯片的结构示意图。图13所示的芯片包括处理器1301和接口1302。其中，处理器1301的数量可以是一个或多个，接口1302的数量可以是多个。
可选的，芯片还包括存储器1303，存储器1303用于存储必要的计算机程序和数据。
本领域技术人员还可以了解到本申请实施例列出的各种说明性逻辑块(illustrative logical block)和步骤(step)可以通过电子硬件、电脑软件，或两者的结合进行实现。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本申请实施例保护的范围。
本申请还提供一种可读存储介质，其上存储有指令，该指令被计算机执行时实现上述任一方法实施例的功能。
本申请还提供一种计算机程序产品，该计算机程序产品被计算机执行时实现上述任一方法实施例的功能。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实 现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序。在计算机上加载和执行所述计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机程序可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，高密度数字视频光盘(digital video disc，DVD))、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。
本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请实施例的范围，也表示先后顺序。
本申请中的至少一个还可以描述为一个或多个，多个可以是两个、三个、四个或者更多个，本申请不做限制。在本申请实施例中，对于一种技术特征，通过“第一”、“第二”、“第三”、“A”、“B”、“C”和“D”等区分该种技术特征中的技术特征，该“第一”、“第二”、“第三”、“A”、“B”、“C”和“D”描述的技术特征间无先后顺序或者大小顺序。
本申请中各表所示的对应关系可以被配置，也可以是预定义的。各表中的信息的取值仅仅是举例，可以配置为其他值，本申请并不限定。在配置信息与各参数的对应关系时，并不一定要求必须配置各表中示意出的所有对应关系。例如，本申请中的表格中，某些行示出的对应关系也可以不配置。又例如，可以基于上述表格做适当的变形调整，例如，拆分，合并等等。上述各表中标题示出参数的名称也可以采用通信装置可理解的其他名称，其参数的取值或表示方式也可以通信装置可理解的其他取值或表示方式。上述各表在实现时，也可以采用其他的数据结构，例如可以采用数组、队列、容器、栈、线性表、指针、链表、树、图、结构体、类、堆、散列表或哈希表等。
本申请中的预定义可以理解为定义、预先定义、存储、预存储、预协商、预配置、固化、或预烧制。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (19)

  1. 一种人工智能AI模型训练方法，其特征在于，所述AI模型用于输出用户设备UE的定位位置，所述方法被网络设备执行，包括：
    接收UE上报的UE能力；所述UE能力包括以下至少一种：
    第一能力信息，用于指示所述UE支持定位能力；
    第二能力信息，用于指示所述UE支持对AI模型输入的获取能力和上报能力；
    第三能力信息，用于指示所述UE支持模型训练的能力；
    基于所述UE能力对所述UE进行配置，以对所述AI模型进行训练。
  2. 如权利要求1所述的方法，其特征在于，所述第一能力信息包括以下至少一种：
    指示所述UE为定位参考单元PRU的指示信息；
    所述UE支持的非蜂窝网的定位能力。
  3. 如权利要求1所述的方法，其特征在于，所述AI模型输入包括定位参考信号PRS的测量结果；
    所述第二能力信息包括：
    所述UE支持获取的测量结果；
    所述UE支持上报的测量结果。
  4. 如权利要求1-3任一所述的方法，其特征在于，所述基于所述UE能力对所述UE进行配置，包括：
    响应于所述UE能力中包括所述第一能力信息，向所述UE发送第一配置信息，所述第一配置信息用于配置所述UE发送PRS；
    接收所述UE发送的PRS，并测量所述PRS得到测量结果；
    接收所述UE上报的定位位置；
    基于所述测量结果和所述定位位置对所述AI模型进行训练。
  5. 如权利要求1-3任一所述的方法，其特征在于，所述基于所述UE能力对所述UE进行配置，包括：
    响应于所述UE能力中包括所述第一能力信息和第二能力信息，且所述第二能力信息中UE支持上报的测量结果与所述AI模型的输入需求匹配，向所述UE发送PRS；
    接收所述UE上报的测量结果和定位位置；
    基于所述测量结果和所述定位位置对所述AI模型进行训练。
  6. 如权利要求1-3任一所述的方法，其特征在于，所述基于所述UE能力对所述UE进行配置，包括：
    响应于所述UE能力中包括第一能力信息、第二能力信息以及第三能力信息，且所述第二能力信息中UE支持上报的测量结果与所述AI模型的输入需求匹配，向所述UE发送第二配置信息，所述第二配置信息用于配置所述UE对所述AI模型进行训练；
    向所述UE发送PRS；
    获取所述UE发送的训练后的AI模型。
  7. 如权利要求1-3任一所述的方法，其特征在于，所述基于所述UE能力对所述UE进行配置，包括：
    响应于所述UE能力中包括第一能力信息和第三能力信息，向所述UE发送第一配置信息，所述第一配置信息用于配置所述UE发送PRS；
    接收所述UE发送的PRS，并测量所述PRS得到测量结果；
    向所述UE发送所述测量结果；
    获取所述UE发送的训练后的AI模型。
  8. 一种人工智能AI模型训练方法，其特征在于，所述AI模型用于输出UE的定位位置，所述方法被UE执行，包括：
    向网络设备上报UE能力；所述UE能力包括以下至少一种：
    第一能力信息，用于指示所述UE支持定位能力；
    第二能力信息，用于指示所述UE支持对AI模型输入的获取能力和上报能力；
    第三能力信息，用于指示所述UE支持模型训练的能力；
    基于所述网络设备的配置对所述AI模型进行训练。
  9. 如权利要求8所述的方法，其特征在于，所述第一能力信息包括以下至少一种：
    指示所述UE为定位参考单元PRU的指示信息；
    所述UE支持的非蜂窝网的定位能力。
  10. 如权利要求8所述的方法，其特征在于，所述AI模型输入包括PRS的测量结果；
    所述第二能力信息包括：
    所述UE支持获取的测量结果；
    所述UE支持上报的测量结果。
  11. 如权利要求8-10任一所述的方法，其特征在于，所述基于所述网络设备的配置对所述AI模型进行训练，包括：
    响应于所述UE能力中包括所述第一能力信息，接收取所述网络设备发送的第一配置信息，所述第一配置信息用于配置所述UE发送PRS；
    向所述网络设备发送PRS；
    确定所述UE的定位位置；
    向所述网络设备发送所述定位位置。
  12. 如权利要求8-10任一所述的方法，其特征在于，所述基于所述网络设备的配置对所述AI模型进行训练，包括：
    响应于所述UE能力中包括所述第一能力信息和第二能力信息，且所述第二能力信息中UE支持上报的测量结果与所述AI模型的输入需求匹配，接收所述网络设备发送的PRS；
    测量所述PRS得到测量结果；
    确定所述UE的定位位置；
    向所述网络设备上报所述测量结果和定位位置。
  13. 如权利要求8-10任一所述的方法，其特征在于，所述基于所述网络设备的配置对所述AI模型进行训练，包括：
    响应于所述UE能力中包括第一能力信息、第二能力信息以及第三能力信息，且所述第二能力信息中UE支持上报的测量结果与所述AI模型的输入需求匹配，接收所述网络设备发送的第二配置信息，所述第二配置信息用于配置所述UE对所述AI模型进行训练；
    接收所述网络设备发送的PRS；
    测量所述PRS得到测量结果；
    确定所述UE的定位位置；
    基于所述测量结果和所述定位位置对所述AI模型进行训练；
    向所述网络设备发送训练后的AI模型。
  14. 如权利要求8-10任一所述的方法，其特征在于，所述基于所述网络设备的配置对所述AI模型进行训练，包括：
    响应于所述UE能力中包括第一能力信息和第三能力信息，接收取所述网络设备发送的第一配置信息，所述第一配置信息用于配置所述UE发送PRS；
    向所述网络设备发送PRS；
    接收所述网络设备发送的测量结果；
    确定所述UE的定位位置；
    基于所述测量结果和所述定位位置对所述AI模型进行训练；
    向所述网络设备发送训练后的AI模型。
  15. 一种通信装置，被配置在网络设备中，包括：
    收发模块，用于接收UE上报的UE能力；所述UE能力包括以下至少一种：
    第一能力信息，用于指示所述UE支持定位能力；
    第二能力信息，用于指示所述UE支持对AI模型输入的获取能力和上报能力；
    第三能力信息，用于指示所述UE支持模型训练的能力；
    处理模块，用于基于所述UE能力对所述UE进行配置，以对所述AI模型进行训练。
  16. 一种通信装置，被配置在UE中，包括：
    收发模块，用于向网络设备上报UE能力；所述UE能力包括以下至少一种：
    第一能力信息，用于指示所述UE支持定位能力；
    第二能力信息，用于指示所述UE支持对AI模型输入的获取能力和上报能力；
    第三能力信息，用于指示所述UE支持模型训练的能力；
    处理模块，用于基于所述网络设备的配置对所述AI模型进行训练。
  17. 一种通信装置，其特征在于，所述装置包括处理器和存储器，其中，所述存储器中存储有计算机程序，所述处理器执行所述存储器中存储的计算机程序，以使所述装置执行如权利要求1至7中任一项所述的方法，或所述处理器执行所述存储器中存储的计算机程序，以使所述装置执行如权利要求8至14中任一项所述的方法。
  18. 一种通信装置，其特征在于，包括：处理器和接口电路，其中
    所述接口电路，用于接收代码指令并传输至所述处理器；
    所述处理器，用于运行所述代码指令以执行如权利要求1至7中任一项所述的方法，或用于运行所述代码指令以执行如权利要求8至14中任一项所述的方法。
  19. 一种计算机可读存储介质，用于存储有指令，当所述指令被执行时，使如权利要求1至7中任一项所述的方法被实现，或当所述指令被执行时，使如权利要求8至14中任一项所述的方法被实现。
PCT/CN2022/097743 2022-06-08 2022-06-08 一种人工智能ai模型训练方法/装置/设备及存储介质 WO2023236124A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202280001902.XA CN117546496A (zh) 2022-06-08 2022-06-08 一种人工智能ai模型训练方法/装置/设备及存储介质
PCT/CN2022/097743 WO2023236124A1 (zh) 2022-06-08 2022-06-08 一种人工智能ai模型训练方法/装置/设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2022/097743 WO2023236124A1 (zh) 2022-06-08 2022-06-08 一种人工智能ai模型训练方法/装置/设备及存储介质

Publications (1)

Publication Number Publication Date
WO2023236124A1 true WO2023236124A1 (zh) 2023-12-14

Family

ID=89117293

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/097743 WO2023236124A1 (zh) 2022-06-08 2022-06-08 一种人工智能ai模型训练方法/装置/设备及存储介质

Country Status (2)

Country Link
CN (1) CN117546496A (zh)
WO (1) WO2023236124A1 (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021098159A1 (en) * 2019-11-22 2021-05-27 Huawei Technologies Co., Ltd. Personalized tailored air interface
CN114095969A (zh) * 2020-08-24 2022-02-25 华为技术有限公司 一种智能的无线接入网络

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021098159A1 (en) * 2019-11-22 2021-05-27 Huawei Technologies Co., Ltd. Personalized tailored air interface
CN114095969A (zh) * 2020-08-24 2022-02-25 华为技术有限公司 一种智能的无线接入网络

Also Published As

Publication number Publication date
CN117546496A (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
WO2023168716A1 (zh) 一种载波相位定位的方法及其装置
WO2023216080A1 (zh) 一种用于触发位置信息上报的方法及其装置
WO2024021128A1 (zh) 同步参考源的确定方法及装置
WO2023236124A1 (zh) 一种人工智能ai模型训练方法/装置/设备及存储介质
WO2023201754A1 (zh) 一种终端设备的移动性管理方法及装置
CN115956381A (zh) 一种无线资源管理测量方法及其装置
WO2023216034A1 (zh) 一种校验位置信息的方法及其装置
WO2024026889A1 (zh) 一种数据类型确定方法/装置/设备及存储介质
WO2024016245A1 (zh) 一种信息指示方法、装置、设备及存储介质
WO2023245452A1 (zh) 一种系统信息配置方法/装置/设备及存储介质
WO2024011433A1 (zh) 一种人工智能ai模型的输入确定方法/装置/设备
WO2024026800A1 (zh) 一种侧行链路sl波束失败恢复方法/装置/设备及存储介质
WO2023230794A1 (zh) 一种定位方法及装置
WO2023077470A1 (zh) 一种终端设备位置信息的确定方法及其装置
WO2023201502A1 (zh) 测量配置的处理方法和装置
WO2023168719A1 (zh) 一种载波相位定位的方法及其装置
WO2024020747A1 (zh) 一种模型的生成方法及装置
WO2023184437A1 (zh) 信道状态信息csi报告的获取方法、装置及存储介质
WO2024020752A1 (zh) 一种基于人工智能ai提供服务的方法、装置、设备及存储介质
EP4319256A1 (en) Non-serving cell measurement enabling control method and apparatus
WO2023201755A1 (zh) 一种移动性管理的配置方法及装置
WO2023216165A1 (zh) 一种控制智能超表面ris发射参考信号的方法及装置
WO2023102942A1 (zh) 测量间隔指示方法及装置
WO2024031273A1 (zh) 一种条件主辅小区PScell添加或改变的方法及装置
WO2024026801A1 (zh) 一种侧行链路sl波束配置方法、装置、设备及存储介质

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 202280001902.X

Country of ref document: CN