WO2025138142A1 - 波束管理的配置方法以及装置 - Google Patents

波束管理的配置方法以及装置 Download PDF

Info

Publication number
WO2025138142A1
WO2025138142A1 PCT/CN2023/143360 CN2023143360W WO2025138142A1 WO 2025138142 A1 WO2025138142 A1 WO 2025138142A1 CN 2023143360 W CN2023143360 W CN 2023143360W WO 2025138142 A1 WO2025138142 A1 WO 2025138142A1
Authority
WO
WIPO (PCT)
Prior art keywords
enabled
model
function
beam management
performance monitoring
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/CN2023/143360
Other languages
English (en)
French (fr)
Inventor
王国童
王昕�
金立强
孙刚
张群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
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 Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to PCT/CN2023/143360 priority Critical patent/WO2025138142A1/zh
Publication of WO2025138142A1 publication Critical patent/WO2025138142A1/zh
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path

Definitions

  • the embodiments of the present application relate to the field of communication technologies.
  • a method for configuring beam management including:
  • the terminal device is configured to perform carrier aggregation operations and/or multi-TRP operations.
  • a configuration device for beam management including:
  • a receiving unit that receives configuration information for beam management based on AI/ML functionality/model from a network device
  • a communication system including:
  • network side refers to one side of the network, which may be a base station, or may include one or more network devices as above.
  • user side or “terminal side” or “terminal device side” refers to one side of the user or terminal, which may be a UE, or may include one or more terminal devices as above.
  • device may refer to either a network device or a terminal device.
  • FIG1 is a schematic diagram of a communication system according to an embodiment of the present application, schematically illustrating a situation taking a terminal device and a network device as an example.
  • a communication system 100 may include a network device 101 and terminal devices 102 and 103.
  • FIG1 only illustrates two terminal devices and one network device as an example, but the embodiment of the present application is not limited thereto.
  • existing services or future services can be sent between the network device 101 and the terminal devices 102 and 103.
  • these services may include but are not limited to: enhanced mobile broadband (eMBB), massive machine type communication (mMTC), and ultra-reliable and low-latency communication (URLLC), etc.
  • eMBB enhanced mobile broadband
  • mMTC massive machine type communication
  • URLLC ultra-reliable and low-latency communication
  • FIG1 shows that both terminal devices 102 and 103 are within the coverage of the network device 101, but the present application is not limited thereto. Both terminal devices 102 and 103 may not be within the coverage of the network device 101, or one terminal device 102 is within the coverage of the network device 101 and the other terminal device 103 is outside the coverage of the network device 101.
  • the high-level signaling may be, for example, a radio resource control (RRC) signaling; for example, an RRC message (RRC message), including, for example, MIB, system information (system information), a dedicated RRC message; or an RRC IE (RRC information element).
  • RRC radio resource control
  • the high-level signaling may also be, for example, a MAC (Medium Access Control) signaling; or a MAC CE (MAC control element).
  • RRC radio resource control
  • one or more AI/ML models may be configured and run in the network device and/or the terminal device.
  • the AI/ML model may be used for various signal processing functions of wireless communication, such as CSI prediction, CSI compression, Beam prediction, positioning management, etc.; the present application is not limited thereto.
  • An embodiment of the present application provides a method for configuring beam management, which is described from the terminal device side.
  • FIG. 2 is a schematic diagram of a method for configuring beam management according to an embodiment of the present application. As shown in FIG. 2 , the method includes:
  • the terminal device receives configuration information for beam management based on AI/ML functionality/model from the network device;
  • the terminal device performs configuration of carrier aggregation operation and/or multi-TRP operation.
  • FIG2 is only a schematic illustration of the embodiment of the present application, but the present application is not limited thereto.
  • the execution order between the various operations can be appropriately adjusted, and other operations can be added or some operations can be reduced.
  • Those skilled in the art can make appropriate modifications based on the above content, and are not limited to the description of the above FIG2.
  • the AL/ML function may be one or more functions, or may be one or more logical models, or may be one or more sub-functions, or may be one or more features, or may be one or more feature groups.
  • the function may be to use AI/ML for spatial beam prediction, or to use AI/ML for temporal beam prediction, or to use AI/ML for CSI prediction, or to use AI/ML for direct positioning, or to use AI/ML for assisted positioning, and so on.
  • the configuration information for beam management may include configuration information of one or more reference signals used for beam management or beam measurement, such as CSI-RS configuration information, etc.
  • the present application is not limited thereto, and reference may be made to related technologies for specific configuration information.
  • one or more reference signals are used for measurement and the measurement results are input into the AI/ML functionality/model, and another one or more reference signals are used for the output of the AI/ML functionality/model for inference.
  • FIG3 is another schematic diagram of a beam management method according to an embodiment of the present application, which is described by taking a terminal device configured with AIML as an example. As shown in FIG3 , the method includes:
  • a terminal device receives configuration information from a network device; for example, the configuration information includes a second reference signal resource set (set B) for beam measurement and a first reference signal resource set (set A) for beam prediction;
  • the configuration information includes a second reference signal resource set (set B) for beam measurement and a first reference signal resource set (set A) for beam prediction;
  • the terminal device performs beam measurement and inputs the beam measurement result into the AI/ML functionality/model; for example, the measurement result of the reference signal in set B is used as the input of AI/ML, and the reference signal in set A is used for prediction (or inference); and
  • the terminal device sends the beam prediction result to the network device.
  • the AI/ML function is located on the terminal device side. After the AI/ML function is enabled or activated, the terminal device performs beam measurement based on the reference signal from the network side, uses AI/ML to perform beam prediction based on the beam measurement result, and sends the prediction result to the network device.
  • FIG. 3 is only a schematic illustration of the embodiment of the present application, but the present application is not limited thereto.
  • the execution order between the various operations can be appropriately adjusted, and other operations can be added or some operations can be reduced.
  • Those skilled in the art can make appropriate modifications based on the above content, and are not limited to the description of the above FIG. 3.
  • the AI/ML functionality/model for beam management is configured per CC (per CC) or per BWP (per BWP).
  • the AI/ML function/model for beam management can be configured or enabled by CC (component carrier) or by partial bandwidth (BWP).
  • CC component carrier
  • BWP partial bandwidth
  • the second reference signal set (set B) for measurement and/or the first reference signal set (set A) for prediction and/or the reporting configuration are configured according to CC (per CC) or according to BWP (per BWP).
  • a second reference signal set (set B) for measurement can be configured according to CC or according to BWP
  • a first reference signal set (set A) for prediction can be configured according to CC or according to BWP
  • a reporting configuration can be configured according to CC or according to BWP.
  • a TRP is configured (enabled) with an AI/ML function/model for beam management operations
  • performance monitoring of the AI/ML function/model is configured (enabled) on the TRP.
  • the AI/ML function/model associated with each TRP will be configured (enabled) with performance monitoring.
  • FIG9 is an example diagram of configuring performance monitoring according to TRP in an embodiment of the present application.
  • the UE configures or enables AI/ML function/model #1 in association with TRP#1, and configures or enables AI/ML function/model #2 in association with TRP#2; accordingly, performance monitoring #1 is enabled for AI/ML function/model #1, and performance monitoring #2 is enabled for AI/ML function/model #2.
  • performance monitoring of AI/ML functionality/model is configured or enabled in one or more TRPs; wherein the TRPs configured or enabled for performance monitoring are predefined or configured.
  • performance monitoring of AI/ML functions/models is configured (enabled) on one or more specific TRPs.
  • Which TRPs are configured (enabled) for performance monitoring can be predefined or configurable.
  • the performance of an AI/ML function/model on one TRP may represent the performance of an AI/ML function/model on another TRP.
  • the first TRP (or the first of multiple TRPs with an AI/ML function/model configured/enabled for beam management operations) is configured (enabled) for performance monitoring.
  • the AI/ML function/model associated with the first TRP will be configured (enabled) for performance monitoring.
  • FIG10 is an example diagram of configuring performance monitoring for a specific TRP in an embodiment of the present application.
  • the AI/ML function/model of beam management can be configured (enabled) on multiple TRPs, for example, TRP#1 enables AI/ML function/model #1, and TRP#2 enables AI/ML function/model #2.
  • performance monitoring is configured on a specific TRP, for example, TRP#1 configures performance monitoring #1.
  • generalized AI/ML functionality /model is configured or enabled, and the general AI/ML functionality/model is applied to multiple TRPs, and performance monitoring of the AI/ML functionality/model is configured or enabled for a certain TRP.
  • FIG 11 is an example diagram of performance monitoring of a specific TRP configuration in an embodiment of the present application.
  • the AI/ML function/model of beam management is common to multiple TRPs, and the common AI/ML function/model is trained with data from all TRPs.
  • the AI/ML for beam management operations can be used for communication with multiple TRPs.
  • whether the common AI/ML function/model is supported may depend on the capabilities of the UE.
  • performance monitoring can be for the AI/ML operation of one TRP, such as configuring or enabling performance monitoring #1 for TRP#1.
  • Processing unit 1302 which performs configuration of carrier aggregation operation and/or multi-TRP operation.
  • the second reference signal set (set B) for measurement and/or the first reference signal set (set A) for prediction and/or the reporting configuration are configured according to CC (per CC) or according to BWP (per BWP).
  • AI/ML functionality/model is enabled for all CCs or BWPs.
  • a portion of CCs or BWPs are configured or enabled with AI/ML functionality/model, and another portion of CCs or BWPs are not configured or enabled with AI/ML functionality/model.
  • the second reference signal set (set B) for measurement and/or the first reference signal set (set A) for prediction and/or the reporting configuration are shared among all or part of the CCs or BWPs configured/enabled with the AI/ML functionality/model for beam management.
  • a generalized AI/ML functionality/model is configured or enabled, and the generalized AI/ML functionality/model is applied to multiple CCs or BWPs.
  • the second reference signal set (set B) for measurement and/or the first reference signal set (set A) for prediction and/or the reporting configuration are configured in each CC or BWP enabled with AI/ML.
  • the second reference signal set (set B) for measurement and/or the first reference signal set (set A) for prediction and/or the reporting configuration are shared among all CCs or BWPs enabled with AI/ML.
  • AI/ML functionality/model for beam management is configured per TRP.
  • the second reference signal set (set B) for measurement and/or the first reference signal set (set A) for prediction and/or the reporting configuration are configured per TRP (per TRP).
  • AI/ML functionality/model is enabled for all TRPs.
  • a portion of the TRPs are configured or enabled with AI/ML functionality/model, while another portion of the TRPs are not configured or enabled with AI/ML functionality/model.
  • the second reference signal set (set B) for measurement and/or the first reference signal set (set A) for prediction and/or the reporting configuration are shared among all or a portion of the TRPs configured/enabled with the AI/ML functionality/model for beam management.
  • a generalized AI/ML functionality/model is configured or enabled, and the generalized AI/ML functionality/model is applied to multiple TRPs.
  • a second reference signal set (set B) for measurement and/or a first reference signal set (set A) for prediction and/or a reporting configuration are configured at each TRP enabled with AI/ML.
  • the second reference signal set (set B) for measurement and/or the first reference signal set (set A) for prediction and/or the reporting configuration are shared among all TRPs enabled with AI/ML.
  • the number of performance monitoring processes is the same as the number of AI/ML functionalities/models configured or enabled on all carriers.
  • the number of performance monitoring processes is different from the number of AI/ML functionalities/models configured or enabled across all carriers.
  • the AI/ML functionality/model for beam management is configured or enabled on a per CC basis or on a per BWP basis
  • the performance monitoring of the AI/ML functionality/model is configured or enabled on a per CC basis or on a per BWP basis.
  • AI/ML functionality/model The performance monitoring is configured or enabled in one or more CCs or BWPs; wherein the CCs or BWPs configured or enabled with the performance monitoring are predefined or configured.
  • the AI/ML functionality/model for beam management is configured or enabled in multiple CCs or BWPs, and the performance monitoring of the AI/ML functionality/model is configured or enabled in a certain CC or BWP.
  • a generalized AI/ML functionality/model is configured or enabled, and the generalized AI/ML functionality/model is applied to multiple CCs or BWPs, and performance monitoring of the AI/ML functionality/model is configured or enabled in a particular CC or BWP.
  • the AI/ML functionality/model for beam management is divided into multiple groups, each group is configured or enabled in one or more CCs or BWPs, and the performance monitoring of the AI/ML functionality/model of each group is configured or enabled in one or more CCs or BWPs; wherein the CC or BWP configured or enabled for performance monitoring is predefined or configured.
  • the AI/ML functionality/model for beam management is configured or enabled in multiple TRPs, and the performance monitoring of the AI/ML functionality/model is configured or enabled in a certain TRP.
  • a terminal device that receives configuration information for beam management based on AI/ML functionality/model, and configures carrier aggregation operations and/or multi-TRP operations.
  • the embodiment of the present application also provides a terminal device, but the present application is not limited thereto and may also be other devices.
  • FIG15 is a schematic diagram of a terminal device according to an embodiment of the present application.
  • the terminal device 1500 may include a processor 1510 and a memory 1520; the memory 1520 stores data and programs and is coupled to the processor 1510. It is worth noting that the figure is exemplary; other types of structures may also be used to supplement or replace the structure to implement telecommunication functions or other functions.
  • the terminal device 1500 may further include: a communication module 1530, an input unit 1540, a display 1550, power supply 1560.
  • a communication module 1530 the terminal device 1500 does not necessarily include all the components shown in FIG. 15, and the above components are not necessary; in addition, the terminal device 1500 may also include components not shown in FIG. 15, and reference may be made to the prior art.
  • An embodiment of the present application further provides a network device, which may be, for example, a base station, but the present application is not limited thereto and may also be other network devices.
  • a network device which may be, for example, a base station, but the present application is not limited thereto and may also be other network devices.
  • FIG16 is a schematic diagram of the composition of a network device according to an embodiment of the present application.
  • the network device 1600 may include: a processor 1610 (e.g., a central processing unit CPU) and a memory 1620; the memory 1620 is coupled to the processor 1610.
  • the memory 1620 may store various data; in addition, it may store a program 1630 for information processing, and the program 1630 may be executed under the control of the processor 1610.
  • the processor 1610 may be configured to execute a program to implement the configuration method of beam management as described in the embodiment of the second aspect.
  • the processor 1610 may be configured to perform the following control: sending configuration information for beam management based on AI/ML functionality/model to a terminal device; wherein the terminal device performs carrier aggregation operation and/or multi-TRP operation configuration.
  • the network device 1600 may further include: a transceiver 1640 and an antenna 1650, etc.; wherein the functions of the above components are similar to those of the prior art and are not described in detail here. It is worth noting that the network device 1600 does not necessarily include all the components shown in FIG16 ; in addition, the network device 1600 may also include components not shown in FIG16 , which may refer to the prior art.
  • An embodiment of the present application also provides a computer program, wherein when the program is executed in a terminal device, the program enables the terminal device to execute the beam management configuration method described in the embodiment of the first aspect.
  • An embodiment of the present application also provides a storage medium storing a computer program, wherein the computer program enables a terminal device to execute the beam management configuration method described in the embodiment of the first aspect.
  • An embodiment of the present application also provides a computer program, wherein when the program is executed in a network device, the program enables the network device to execute the beam management configuration method described in the embodiment of the second aspect.
  • An embodiment of the present application also provides a storage medium storing a computer program, wherein the computer program enables a network device to execute the beam management configuration method described in the embodiment of the second aspect.
  • the above devices and methods of the present application can be implemented by hardware, or by hardware combined with software.
  • the present application relates to such a computer-readable program, which, when executed by a logic component, enables the logic component to implement the above-mentioned devices or components, or enables the logic component to implement the various methods or steps described above.
  • the present application also relates to a storage medium for storing the above program, such as a hard disk, a magnetic disk, an optical disk, a DVD, a flash memory, etc.
  • the software module may be located in a RAM memory, a flash memory, a ROM memory, an EPROM memory, an EEPROM memory, a register, a hard disk, a removable disk, a CD-ROM, or any other form of storage medium known in the art.
  • a storage medium may be coupled to a processor so that the processor can read information from the storage medium and write information to the storage medium; or the storage medium may be an integral part of the processor.
  • the processor and the storage medium may be located in an ASIC.
  • the software module may be stored in a memory of a mobile terminal or in a memory card that can be inserted into the mobile terminal.
  • the software module may be stored in the MEGA-SIM card or the large-capacity flash memory device.
  • the functional blocks described in the drawings and/or one or more combinations of functional blocks it can be implemented as a general-purpose processor, digital signal processor (DSP), application-specific integrated circuit (ASIC), field programmable gate array (FPGA) or other programmable logic device, discrete gate or transistor logic device, discrete hardware component or any appropriate combination thereof for performing the functions described in the present application.
  • DSP digital signal processor
  • ASIC application-specific integrated circuit
  • FPGA field programmable gate array
  • it can also be implemented as a combination of computing devices, such as a combination of a DSP and a microprocessor, multiple microprocessors, one or more microprocessors in communication with a DSP, or any other such configuration.
  • a method for configuring beam management comprising:
  • the terminal device receives configuration information for beam management based on AI/ML functionality/model from the network device;
  • the terminal device is configured to perform carrier aggregation operations and/or multi-TRP operations.
  • a method for configuring beam management comprising:
  • the network device sends configuration information for beam management based on AI/ML functionality/model to the terminal device; wherein the terminal device performs carrier aggregation operation and/or multi-TRP operation configuration.
  • a terminal device comprising a memory and a processor, wherein the memory stores a computer program, and the processor is configured to execute the computer program to implement the beam management configuration method as described in Note 1.

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请实施例提供一种波束管理的配置方法以及装置。所述波束管理的配置方法包括：终端设备接收来自网络设备的基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息；以及所述终端设备进行载波聚合操作和/或多TRP操作的配置。

Description

波束管理的配置方法以及装置 技术领域
本申请实施例涉及通信技术领域。
背景技术
在NR Rel-18中，对空口的人工智能/机器学习(AI/ML)进行了研究。AI/ML可用于以下用例：信道状态信息(CSI)反馈增强、波束管理、定位增强。CSI反馈增强可以包括CSI预测、CSI压缩；波束管理可以包括空间波束预测、时间波束预测；定位增强可以包括直接定位、AI/ML辅助定位。
在一些子用例中，可以使用双边模型，即AI/ML模型在终端设备侧和网络设备侧。在另一些子用例中，可以使用单侧模型，即AI/ML模型在终端设备侧或在网络设备侧。对于波束管理，AI/ML模型可以在终端设备侧和/或在网络设备侧。
应该注意，上面对技术背景的介绍只是为了方便对本申请的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本申请的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
发明内容
发明人发现：终端设备和/或网络设备能够利用AI/ML功能(functionality)/模型(model)并根据波束测量结果对波束进行预测，但如何考虑载波聚合操作和/或多TRP操作，目前还没有明确的方案。
针对上述问题的至少之一，本申请实施例提供一种波束管理的配置方法以及装置。
根据本申请实施例的一个方面，提供一种波束管理的配置方法，包括：
终端设备接收来自网络设备的基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息；以及
所述终端设备进行载波聚合操作和/或多TRP操作的配置。
根据本申请实施例的另一个方面，提供一种波束管理的配置装置，包括：
接收单元，其接收来自网络设备的基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息；以及
处理单元，其进行载波聚合操作和/或多TRP操作的配置。
根据本申请实施例的另一个方面，提供一种波束管理的配置方法，包括：
网络设备向终端设备发送基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息；其中所述终端设备进行载波聚合操作和/或多TRP操作的配置。
根据本申请实施例的另一个方面，提供一种波束管理的配置装置，包括：
发送单元，其向终端设备发送基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息；其中所述终端设备进行载波聚合操作和/或多TRP操作的配置。
根据本申请实施例的另一个方面，提供一种通信系统，包括：
网络设备，其向终端设备发送基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息；
终端设备，其接收基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息，并进行载波聚合操作和/或多TRP操作的配置。
本申请实施例的有益效果之一在于：终端设备接收来自网络设备的基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息，以及进行载波聚合操作和/或多TRP操作的配置；从而能够提升波束管理的效率，并提高波束管理的准确性和可靠性。
参照后文的说明和附图，详细公开了本申请的特定实施方式，指明了本申请的原理可以被采用的方式。应该理解，本申请的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本申请的实施方式包括许多改变、修改和等同。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。
应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
附图说明
在本申请实施例的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。此外，在附图中，类似的标号表示几个附图中对应的部件，并可用于指示多于一种实施方式中使用的对应部件。
图1是本申请实施例的通信系统的示意图；
图2是本申请实施例的波束管理的配置方法的一个示意图；
图3是本申请实施例的波束管理方法的一示意图；
图4是本申请实施例的按照CC配置性能监测的一示例图；
图5是本申请实施例的特定CC配置性能监测的一示例图；
图6是本申请实施例的一个CC配置性能监测的一示例图；
图7是本申请实施例的基于分组的CC配置性能监测的一示例图；
图8是本申请实施例的基于分组的CC配置性能监测的一示例图；
图9是本申请实施例的按照TRP配置性能监测的一示例图；
图10是本申请实施例的特定TRP配置性能监测的一示例图；
图11是本申请实施例的特定TRP配置性能监测的一示例图；
图12是本申请实施例的波束管理的配置方法的另一个示意图；
图13是本申请实施例的波束管理的配置装置的一个示意图；
图14是本申请实施例的波束管理的配置装置的一个示意图；
图15是本申请实施例的终端设备的一个示意图；
图16是本申请实施例的网络设备的一个示意图。
具体实施方式
参照附图，通过下面的说明书，本申请的前述以及其它特征将变得明显。在说明书和附图中，具体公开了本申请的特定实施方式，其表明了其中可以采用本申请的原则的部分实施方式，应了解的是，本申请不限于所描述的实施方式，相反，本申请包括落入所附权利要求的范围内的全部修改、变型以及等同物。
在本申请实施例中，术语“第一”、“第二”等用于对不同元素从称谓上进行区分，但并不表示这些元素的空间排列或时间顺序等，这些元素不应被这些术语所限制。术语“和/或”包括相关联列出的术语的一种或多个中的任何一个和所有组合。术语“包含”、“包括”、“具有”等是指所陈述的特征、元素、元件或组件的存在，但并不排除存在或添加一个或多个其他特征、元素、元件或组件。
在本申请实施例中，单数形式“一”、“该”等包括复数形式，应广义地理解为“一种”或“一类”而并不是限定为“一个”的含义；此外术语“所述”应理解为既包括单数形式也包括复数形式，除非上下文另外明确指出。此外术语“根据”应理解为“至少部分根据……”，术语“基于”应理解为“至少部分基于……”，除非上下文另外明确指出。
在本申请实施例中，术语“通信网络”或“无线通信网络”可以指符合如下任意通信标准的网络，例如长期演进(LTE，Long Term Evolution)、增强的长期演进(LTE-A，LTE- Advanced)、宽带码分多址接入(WCDMA，Wideband Code Division Multiple Access)、高速报文接入(HSPA，High-Speed Packet Access)等等。
并且，通信系统中设备之间的通信可以根据任意阶段的通信协议进行，例如可以包括但不限于如下通信协议：1G(generation)、2G、2.5G、2.75G、3G、4G、4.5G以及5G、新无线(NR，New Radio)、未来的6G等等，和/或其他目前已知或未来将被开发的通信协议。
在本申请实施例中，术语“网络设备”例如是指通信系统中将终端设备接入通信网络并为该终端设备提供服务的设备。网络设备可以包括但不限于如下设备：基站(BS，Base Station)、接入点(AP、Access Point)、发送接收点(TRP，Transmission Reception Point)、广播发射机、移动管理实体(MME、Mobile Management Entity)、网关、服务器、无线网络控制器(RNC，Radio Network Controller)、基站控制器(BSC，Base Station Controller)等等。
其中，基站可以包括但不限于：节点B(NodeB或NB)、演进节点B(eNodeB或eNB)以及5G基站(gNB)，IAB宿主等等，此外还可包括远端无线头(RRH，Remote Radio Head)、远端无线单元(RRU，Remote Radio Unit)、中继(relay)或者低功率节点(例如femeto、pico等等)。并且术语“基站”可以包括它们的一些或所有功能，每个基站可以对特定的地理区域提供通信覆盖。术语“小区”可以指的是基站和/或其覆盖区域，这取决于使用该术语的上下文。
在本申请实施例中，术语“用户设备”(UE，User Equipment)或者“终端设备”(TE，Terminal Equipment或Terminal Device)例如是指通过网络设备接入通信网络并接收网络服务的设备。终端设备可以是固定的或移动的，并且也可以称为移动台(MS，Mobile Station)、终端、用户台(SS，Subscriber Station)、接入终端(AT，Access Terminal)、站，等等。
其中，终端设备可以包括但不限于如下设备：蜂窝电话(Cellular Phone)、个人数字助理(PDA，Personal Digital Assistant)、无线调制解调器、无线通信设备、手持设备、机器型通信设备、膝上型计算机、无绳电话、智能手机、智能手表、数字相机，等等。
再例如，在物联网(IoT，Internet of Things)等场景下，终端设备还可以是进行监控或测量的机器或装置，例如可以包括但不限于：机器类通信(MTC，Machine Type Communication)终端、车载通信终端、设备到设备(D2D，Device to Device)终端、机器到机器(M2M，Machine to Machine)终端，等等。
此外，术语“网络侧”或“网络设备侧”是指网络的一侧，可以是某一基站，也可以包括如上的一个或多个网络设备。术语“用户侧”或“终端侧”或“终端设备侧”是指用户或终端的一侧，可以是某一UE，也可以包括如上的一个或多个终端设备。本文在没有特别指出的情况下，“设备”可以指网络设备，也可以指终端设备。
以下通过示例对本申请实施例的场景进行说明，但本申请不限于此。
图1是本申请实施例的通信系统的示意图，示意性说明了以终端设备和网络设备为例的情况，如图1所示，通信系统100可以包括网络设备101和终端设备102、103。为简单起见，图1仅以两个终端设备和一个网络设备为例进行说明，但本申请实施例不限于此。
在本申请实施例中，网络设备101和终端设备102、103之间可以进行现有的业务或者未来可实施的业务发送。例如，这些业务可以包括但不限于：增强的移动宽带(eMBB，enhanced Mobile Broadband)、大规模机器类型通信(mMTC，massive Machine Type Communication)和高可靠低时延通信(URLLC，Ultra-Reliable and Low-Latency Communication)，等等。
值得注意的是，图1示出了两个终端设备102、103均处于网络设备101的覆盖范围内，但本申请不限于此。两个终端设备102、103可以均不在网络设备101的覆盖范围内，或者一个终端设备102在网络设备101的覆盖范围之内而另一个终端设备103在网络设备101的覆盖范围之外。
在本申请实施例中，高层信令例如可以是无线资源控制(RRC)信令；例如称为RRC消息(RRC message)，例如包括MIB、系统信息(system information)、专用RRC消息；或者称为RRC IE(RRC information element)。高层信令例如还可以是MAC(Medium Access Control)信令；或者称为MAC CE(MAC control element)。但本申请不限于此。
在NR中，可以配置载波聚合(carrier aggregation)操作，即配置多个分量载波(CC，component carrier)。此外，自Rel-16以来，引入了多传输接收点(TRP，Transmission Reception Point)操作，包括单下行控制信息(single-DCI)和多DCI(multi-DCI)操作。在载波聚合和多TRP操作的场景中，需要进一步研究如何配置用于波束管理和性能监测的AI/ML功能/模型。
在本申请实施例中，网络设备和/或终端设备中可以配置并运行一个或多个AI/ML模型。AI/ML模型可以用于无线通信的各种信号处理功能，例如CSI预测、CSI压缩、 波束预测、定位管理等等；本申请不限于此。
第一方面的实施例
本申请实施例提供一种波束管理的配置方法，从终端设备侧进行说明。
图2是本申请实施例的波束管理的配置方法的一个示意图，如图2所示，该方法包括：
201，终端设备接收来自网络设备的基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息；以及
202，所述终端设备进行载波聚合操作和/或多TRP操作的配置。
值得注意的是，以上附图2仅对本申请实施例进行了示意性说明，但本申请不限于此。例如可以适当地调整各个操作之间的执行顺序，此外还可以增加其他的一些操作或者减少其中的某些操作。本领域的技术人员可以根据上述内容进行适当地变型，而不仅限于上述附图2的记载。
在一些实施例中，功能(functionality)是指由配置(configuration)启用的AI/ML特征(feature)/特征组(feature group)，其中该配置基于由UE能力指示的条件而被支持。
例如，AL/ML功能可以是一个或多个功能，或者，可以是一个或多个逻辑模型，或者，可以是一个或多个子功能，或者，可以是一个或多个特征，或者，可以是一个或多个特征组。
再例如，功能可以是使用AI/ML进行空间波束预测，或者，也可以是使用AI/ML进行时间波束预测，或者，也可以是将AI/ML用于CSI预测，或者，也可以是将AI/ML用于直接定位，或者，也可以是使用AI/ML辅助定位，等等。
在一些实施例中，进行波束管理的配置信息可以包括用于波束管理或波束测量的一个或多个参考信号的配置信息，例如CSI-RS配置信息等等。本申请不限于此，关于具体的配置信息还可以参考相关技术。
在一些实施例中，一个或多个参考信号被用于测量并且测量结果被输入所述AI/ML功能(functionality)/模型(model)，另一个或多个参考信号被用于所述AI/ML功能(functionality)/模型(model)的输出以进行推理(inference)。
图3是本申请实施例的波束管理方法的另一示意图，以终端设备配置有AIML为例进行说明。如图3所示，该方法包括：
301，终端设备接收来自网络设备的配置信息；例如，配置信息包括用于波束测量的第二参考信号资源集合(set B)和用于波束预测的第一参考信号资源集合(set A)；
302，终端设备进行波束测量，并将波束测量的结果输入AI/ML功能(functionality)/模型(model)；例如，将set B中的参考信号的测量结果作为AI/ML的输入，将set A中的参考信号用于预测(或称为推理)；以及
303，终端设备将波束预测结果发送给网络设备。
例如，AI/ML功能位于终端设备侧。在启用或激活AI/ML功能之后，终端设备根据来自网络侧的参考信号进行波束测量，根据波束测量结果使用AI/ML来进行波束预测，并将预测结果发送给网络设备。
值得注意的是，以上附图3仅对本申请实施例进行了示意性说明，但本申请不限于此。例如可以适当地调整各个操作之间的执行顺序，此外还可以增加其他的一些操作或者减少其中的某些操作。本领域的技术人员可以根据上述内容进行适当地变型，而不仅限于上述附图3的记载。
以上示意性说明了基于AI/ML的波束管理，以下再对载波聚合和多TRP相关内容进行说明。
在一些实施例中，用于波束管理的AI/ML功能(functionality)/模型(model)按照CC(per CC)或者按照BWP(per BWP)进行配置。
例如，在多载波(载波聚合)操作的场景中，可以按CC(分量载波)或按部分带宽(BWP，Bandwith Part)配置(configure)或者启用(enable)波束管理的AI/ML功能/模型。
在一些实施例中，用于测量的第二参考信号集合(set B)和/或用于预测的第一参考信号集合(set A)和/或上报配置按照CC(per CC)或者按照BWP(per BWP)进行配置。
例如，在多载波(载波聚合)操作的场景中，可以按CC或按BWP配置(configure)用于测量的第二参考信号集合(set B)，和/或，可以按CC或按BWP配置(configure)用于预测的第一参考信号集合(set A)，和/或，可以按CC或按BWP配置(configure)上报配置(reporting configuration)。
在一些实施例中，AI/ML功能(functionality)/模型(model)针对所有CC或BWP被启用(enabled)，
或者，一部分CC或BWP被配置或被启用AI/ML功能(functionality)/模型(model)， 另一部分CC或BWP不被配置或不被启用AI/ML功能(functionality)/模型(model)。
例如，在多载波(载波聚合)操作的场景中，可以为所有CC启用AI/ML操作。再例如，在多载波(载波聚合)操作的场景中，一些CC被配置(启用)AI/ML操作，而一些CC没有被配置(禁用)AI/ML操作。
在一些实施例中，用于测量的第二参考信号集合(set B)和/或用于预测的第一参考信号集合(set A)和/或上报配置，在所有或者一部分配置了/启用了用于波束管理的AI/ML功能(functionality)/模型(model)的CC或BWP中共享。
例如，用于测量和/或预测的参考信号(set A和/或set B)和/或上报配置(reporting configuration)可以在配置(启用)了用于波束管理的AI/ML操作的所有CC(或其子集)之间共享。例如，可以应用基于AI/ML的跨载波(cross-carrier)/载波间(inter-carrier)波束预测，和/或，可以应用跨载波报告(cross-carrier reporting)。
再例如，用于波束管理的AI/ML功能/模型在一个CC上被配置(启用)，用于测量和/或预测的参考信号(set A和/或set B)和/或上报配置(reporting configuration)在同一CC上被配置。预测的波束可以应用于所有CC(或多个CC)。
在一些实施例中，通用(generalized)AI/ML功能(functionality)/模型(model)被配置或被启用，并且所述通用AI/ML功能(functionality)/模型(model)被应用到多个CC或BWP。
例如，可以配置/启用generalized AI/ML功能/模型，其可以应用于多个CC，即，应用一个AI/ML的功能/模型并且多个CC被启用(enabled)用于波束管理的AI/ML操作。
再例如，是否支持通用AI/ML功能/模型可以取决于UE的能力。
在一些实施例中，用于测量的第二参考信号集合(set B)和/或用于预测的第一参考信号集合(set A)和/或上报配置被配置在启用了AI/ML的每个CC或BWP。
在一些实施例中，用于测量的第二参考信号集合(set B)和/或用于预测的第一参考信号集合(set A)和/或上报配置在启用了AI/ML的所有CC或BWP(或者一个或多个子集)中共享。
在一些实施例中，用于波束管理的AI/ML功能(functionality)/模型(model)按照TRP(per TRP)被配置。
例如，在多TRP操作(包括单DCI和多DCI操作)的场景中，可以根据TRP(per TRP)配置(启用)波束管理的AI/ML功能/模型。
在一些实施例中，用于测量的第二参考信号集合(set B)和/或用于预测的第一参 考信号集合(set A)和/或上报配置按照TRP(per TRP)被配置。
例如，在多TRP操作的场景中，可以按TRP配置(configure)用于测量的第二参考信号集合(set B)，和/或，可以按TRP配置(configure)用于预测的第一参考信号集合(set A)，和/或，可以按TRP配置(configure)上报配置(reporting configuration)。
在一些实施例中，AI/ML功能(functionality)/模型(model)针对所有TRP被启用(enabled)，
或者，一部分TRP被配置或被启用AI/ML功能(functionality)/模型(model)，另一部分TRP不被配置或不被启用AI/ML功能(functionality)/模型(model)。
例如，在多TRP操作的场景中，可以为所有TRP启用AI/ML操作。再例如，在多TRP操作的场景中，一些TRP被配置(启用)AI/ML操作，而一些TRP没有被配置(禁用)AI/ML操作。
在一些实施例中，用于测量的第二参考信号集合(set B)和/或用于预测的第一参考信号集合(set A)和/或上报配置，在所有或者一部分配置了/启用了用于波束管理的AI/ML功能(functionality)/模型(model)的TRP中共享。
例如，用于测量和/或预测的参考信号(set A和/或set B)和/或上报配置可以在配置(启用)了用于波束管理的AI/ML操作的所有TRP(或TRP的子集)之间共享。例如，为多个TRP配置一个set A和一个set B(或者一个set A和两个set B)，由此可以预测来自多个TRP的波束。
再例如，set A包含来自多个TRP的要被预测的RS/波束。
在一些实施例中，通用(generalized)AI/ML功能(functionality)/模型(model)被配置或被启用，并且所述通用AI/ML功能(functionality)/模型(model)被应用到多个TRP。
例如，可以配置/启用generalized AI/ML功能/模型，其可以应用于多个TRP，即，应用一个AI/ML的功能/模型并且多个TRP被启用(enabled)用于波束管理的AI/ML操作。
再例如，是否支持通用AI/ML功能/模型可以取决于UE的能力。
在一些实施例中，用于测量的第二参考信号集合(set B)和/或用于预测的第一参考信号集合(set A)和/或上报配置被配置在启用了AI/ML的每个TRP。
在一些实施例中，用于测量的第二参考信号集合(set B)和/或用于预测的第一参考信号集合(set A)和/或上报配置在启用了AI/ML的所有TRP(或者一个或多个子集) 中共享。
以上示意性说明了AI/ML相关的载波聚合和/或多TRP的配置的情况，以下再示意性说明AI/ML相关的性能监测的情况。
在一些实施例中，针对多载波或载波聚合，性能监测(performance monitoring)进程的数目与所有载波上配置的或启用的AI/ML功能(functionality)/模型(model)的数目相同。
例如，在多载波(载波聚合)操作的场景中，性能监测进程(performance monitoring process)的总数与所有CC上配置(启用)的AI/ML功能/模型的总数相同。
在一些实施例中，针对多载波或载波聚合，性能监测(performance monitoring)进程的数目与所有载波上配置的或启用的AI/ML功能(functionality)/模型(model)的数目不同。
例如，在多载波(载波聚合)操作的场景中，性能监测进程(performance monitoring process)的总数与所有CC上配置(启用)的AI/ML功能/模型的总数不同。例如，性能监测进程(performance monitoring process)的总数小于配置(启用)的AI/ML功能/模型的总数。
在一些实施例中，针对多载波或载波聚合，用于波束管理的AI/ML功能(functionality)/模型(model)按照CC(per CC)或者按照BWP(per BWP)进行配置或启用，则AI/ML功能(functionality)/模型(model)的性能监测(performance monitoring)按照CC(per CC)或者按照BWP(per BWP)进行配置或启用。
图4是本申请实施例的按照CC配置性能监测的一示例图。如图4所示，例如CC#1启用了AI/ML功能/模型#1，则也配置或启用性能监测#1；CC#2启用了AI/ML功能/模型#2，则也配置或启用性能监测#2；CC#3启用了AI/ML功能/模型#3，则也配置或启用性能监测#3；CC#4启用了AI/ML功能/模型#4，则也配置或启用性能监测#4。
再例如，如果一个或多个CC(或BWP)被配置(启用)了用于波束管理操作的AI/ML功能/模型，则在该一个或多个CC(或BWP)上配置(启用)AI/ML的功能/模型的性能监测。
在一些实施例中，针对多载波或载波聚合，AI/ML功能(functionality)/模型(model)的性能监测(performance monitoring)在某一个或多个CC或者BWP进行配置或启用；其中被配置或被启用性能监测的CC或者BWP被预定义或者被配置。
例如，在多载波(载波聚合)操作的场景中，在一个CC或多个特定CC上配置(启 用)AI/ML功能/模型的性能监测。哪些CC配置(启用)性能监控可以是预定义的或者可配置的。例如，在一个CC上的AI/ML功能/模型的性能可以表示在另一个或多个CC上的AI/ML功能/模型的性能。
例如，ID最小的CC将配置(启用)性能监测。或者，在配置(启用)了用于波束管理操作的AI/ML功能/模型的CC中，ID最小的CC将配置(启用)性能监测。
在一些实施例中，用于波束管理的AI/ML功能(functionality)/模型(model)在多个CC或者BWP被配置或被启用，AI/ML功能(functionality)/模型(model)的性能监测(performance monitoring)在某一个CC或者BWP被配置或被启用。
图5是本申请实施例的特定CC配置性能监测的一示例图。如图5所示，例如CC#1启用了AI/ML功能/模型#1，CC#2启用了AI/ML功能/模型#2，CC#3启用了AI/ML功能/模型#3，CC#4启用了AI/ML功能/模型#4。
如图5所示，可以在多个CC上配置(启用)用于波束管理的AI/ML功能/模型。并且在一个特定CC上配置性能监视，例如，具有最小ID的CC(CC#1)配置或启用性能监测#1。
在一些实施例中，通用(generalized)AI/ML功能(functionality)/模型(model)被配置或被启用，并且所述通用AI/ML功能(functionality)/模型(model)被应用到多个CC或BWP，AI/ML功能(functionality)/模型(model)的性能监测(performance monitoring)在某一个或多个CC或者BWP被配置或被启用。
例如，波束管理的AI/ML功能/模型被用于多个CC，例如用来自所有CC的数据来训练的。在这种情况下，可以在多个CC上启用波束管理的AI/ML，并且在一个特定CC上配置性能监视，例如，在具有最小ID的CC上配置或启用性能监测。
再例如，是否支持通用AI/ML功能/模型可以取决于UE能力。
图6是本申请实施例的一个CC配置性能监测的一示例图。如图6所示，例如CC#1、CC#2、CC#3、CC#4启用了通用的AI/ML功能/模型，并且在具有最小ID的CC(CC#1)上配置或启用性能监测#1。
在另一个示例中，例如每个CC(或者一个或多个子集)都可以配置性能监测。如果一个CC(或所有CC)上的性能失败，那么AI/ML功能/模型的性能也失败。
在一些实施例中，针对多载波或载波聚合，用于波束管理的AI/ML功能(functionality)/模型(model)被分为多个组，每个组在一个或多个CC或者BWP被配置或被启用，每个组的AI/ML功能(functionality)/模型(model)的性能监测(performance monitoring) 在某一个或多个CC或者BWP被配置或被启用；其中被配置或被启用性能监测的CC或者BWP被预定义或者被配置。
例如，AI/ML功能/模型可以被分成多个组，例如，一个组对应于一个或多个CC上的AI/ML功能/模型。在每个组中，通过一个或多个特定CC配置(启用)AI/ML功能/模型的性能监测。哪些CC配置(启用)性能监测可以是预定义的或者可配置的。例如，组中ID最小的CC将配置(启用)性能监测。
图7是本申请实施例的基于分组的CC配置性能监测的一示例图。如图7所示，例如CC#1、CC#2为组#1，CC#3、CC#4为组#2；CC#1启用了AI/ML功能/模型#1，CC#2启用了AI/ML功能/模型#2，CC#3启用了AI/ML功能/模型#3，CC#4启用了AI/ML功能/模型#4。如图7所示，在组#1中，在ID最小的CC(CC#1)上配置或启用性能监测#1。在组#2中，在ID最小的CC(CC#3)上配置或启用性能监测#2。
再例如，AI/ML功能/模型可以被分成多个组，例如，一个组对应于一个或多个CC的通用AI/ML功能/模型。在每个组中，通过一个或多个特定CC配置(启用)AI/ML功能/模型的性能监测。哪些CC配置(启用)性能监测可以是预定义的或者可配置的。例如，组中ID最小的CC将配置(启用)性能监测。
图8是本申请实施例的基于分组的CC配置性能监测的一示例图。如图8所示，例如CC#1、CC#2为组#1，并启用了通用AI/ML功能/模型#1；CC#3、CC#4为组#2；并启用了通用AI/ML功能/模型#2。如图8所示，在组#1中，在ID最小的CC(CC#1)上配置或启用性能监测#1。在组#2中，在ID最小的CC(CC#3)上配置或启用性能监测#2。
在一些实施例中，针对多TRP，性能监测(performance monitoring)进程的数目与所有TRP上配置的或启用的AI/ML功能(functionality)/模型(model)的数目相同。
例如，在多TRP操作(包括单DCI和/或多DCI操作)的场景中，性能监测进程的总数与所有TRP上配置(启用)的AI/ML功能/模型的总数相同。
在一些实施例中，针对多TRP，性能监测(performance monitoring)进程的数目与所有TRP上配置的或启用的AI/ML功能(functionality)/模型(model)的数目不同。
例如，在多TRP操作(包括单DCI和/或多DCI操作)的场景中，性能监测进程的总数与所有TRP上配置(启用)的AI/ML功能/模型的总数不同。例如，性能监测进程的总数可以小于配置(启用的)的AI/ML功能/模型的总数。
在一些实施例中，针对多TRP，用于波束管理的AI/ML功能(functionality)/模型 (model)基于TRP(per TRP)进行配置或启用，则AI/ML功能(functionality)/模型(model)的性能监测(performance monitoring)按照TRP(per TRP)进行配置或启用。
例如，在多TRP操作(包括单DCI和/或多DCI操作)的场景中，如果波束管理的AI/ML功能/模型是按照TRP(per TRP)配置(启用)的，则按照TRP(per TRP)来配置(启用)AI/ML功能/模型的性能监测。
再例如，如果TRP配置(启用)用于波束管理操作的AI/ML功能/模型，则在该TRP上配置(启用)AI/ML功能/模型的性能监测。或者，对于UE侧模型，与每个TRP相关联的AI/ML功能/模型将配置(启用)性能监测。
图9是本申请实施例的按照TRP配置性能监测的一示例图。如图9所示，例如UE与TRP#1相关联地配置或启用AI/ML功能/模型#1，与TRP#2相关联地配置或启用AI/ML功能/模型#2；相应地，针对AI/ML功能/模型#1启用性能监测#1，针对AI/ML功能/模型#2启用性能监测#2。
在一些实施例中，针对多TRP，AI/ML功能(functionality)/模型(model)的性能监测(performance monitoring)被配置或被启用在某一个或多个TRP；其中被配置或被启用性能监测的TRP被预定义或者被配置。
例如，在多TRP操作(包括单DCI和/或多DCI操作)的场景中，在一个或多个特定TRP上配置(启用)AI/ML功能/模型的性能监测。哪些TRP配置(启用)性能监测可以是预定义的或者可配置的。
例如，AI/ML功能/模型在一个TRP上的性能可以表示AI/ML功能/模型在另一个TRP上的性能。例如第一个TRP(或配置/启用了波束管理操作的AI/ML功能/模型的多个TRP中的第一个)配置(启用)性能监测。或者，对于UE侧模型，与第一个TRP相关联的AI/ML功能/模型将被配置(启用)性能监测。
在一些实施例中，针对网络侧模型，用于波束管理的AI/ML功能(functionality)/模型(model)在多个TRP被配置或被启用，AI/ML功能(functionality)/模型(model)的性能监测(performance monitoring)在某一个TRP被配置或被启用。
图10是本申请实施例的特定TRP配置性能监测的一示例图。如图10所示，例如对于网络侧模型，可以在多个TRP上配置(启用)波束管理的AI/ML功能/模型，例如TRP#1启用AI/ML功能/模型#1，TRP#2启用AI/ML功能/模型#2。如图10所示，性能监测在一个特定TRP上配置，例如TRP#1配置性能监测#1。
在一些实施例中，针对终端侧模型，通用(generalized)AI/ML功能(functionality) /模型(model)被配置或被启用，并且所述通用AI/ML功能(functionality)/模型(model)被应用到多个TRP，AI/ML功能(functionality)/模型(model)的性能监测(performance monitoring)针对某一个TRP被配置或被启用。
图11是本申请实施例的特定TRP配置性能监测的一示例图。如图11所示，例如对于UE侧模型，波束管理的AI/ML功能/模型被通用于多个TRP，该通用AI/ML功能/模型用来自所有TRP的数据来训练。在这种情况下，用于波束管理操作的AI/ML可以用于与多个TRP的通信。在一个示例中，是否支持通用AI/ML功能/模型可以取决于UE的能力。如图11所示，性能监测可以针对一个TRP的AI/ML操作，例如TRP#1配置或启用性能监测#1。
本申请的实施例可以应用于终端设备侧模型(UE-side model)和/或网络设备侧模型(gNB-side model)。此外，本申请的实施例可以应用于BM case 1(空间波束预测)和/或BM case 2(时间波束预测)。
以上各个实施例仅对本申请实施例进行了示例性说明，但本申请不限于此，还可以在以上各个实施例的基础上进行适当的变型。例如，可以单独使用上述各个实施例，也可以将以上各个实施例中的一种或多种结合起来。
由上述实施例可知，终端设备接收来自网络设备的基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息，以及进行载波聚合操作和/或多TRP操作的配置；从而能够提升波束管理的效率，并提高波束管理的准确性和可靠性。
第二方面的实施例
本申请实施例提供一种波束管理的配置方法，从网络设备侧进行说明。第二方面的实施例可以与第一方面的实施例结合起来，与第一方面的实施例相同的内容不再赘述。
图12是本申请实施例的波束管理的配置方法的另一个示意图，如图12所示，该方法包括：
1201，网络设备向终端设备发送基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息；其中所述终端设备进行载波聚合操作和/或多TRP操作的配置。
以上各个实施例仅对本申请实施例进行了示例性说明，但本申请不限于此，还可以在以上各个实施例的基础上进行适当的变型。例如，可以单独使用上述各个实施例，也可以将以上各个实施例中的一种或多种结合起来。
由上述实施例可知，终端设备接收来自网络设备的基于AI/ML功能(functionality) /模型(model)进行波束管理的配置信息，以及进行载波聚合操作和/或多TRP操作的配置；从而能够提升波束管理的效率，并提高波束管理的准确性和可靠性。
第三方面的实施例
本申请实施例提供一种波束管理的配置装置。该装置例如可以是终端设备，也可以是配置于终端设备的某个或某些部件或者组件，与第一、二方面的实施例相同的内容不再赘述。
图13是本申请实施例的波束管理的配置装置的另一示意图，如图13所示，本申请实施例的波束管理的配置装置1300包括：
接收单元1301，其接收来自网络设备的基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息；以及
处理单元1302，其进行载波聚合操作和/或多TRP操作的配置。
在一些实施例中，用于波束管理的AI/ML功能(functionality)/模型(model)按照CC(per CC)或者按照BWP(per BWP)进行配置。
在一些实施例中，用于测量的第二参考信号集合(set B)和/或用于预测的第一参考信号集合(set A)和/或上报配置按照CC(per CC)或者按照BWP(per BWP)进行配置。
在一些实施例中，AI/ML功能(functionality)/模型(model)针对所有CC或BWP被启用(enabled)。
在一些实施例中，一部分CC或BWP被配置或被启用AI/ML功能(functionality)/模型(model)，另一部分CC或BWP不被配置或不被启用AI/ML功能(functionality)/模型(model)。
在一些实施例中，用于测量的第二参考信号集合(set B)和/或用于预测的第一参考信号集合(set A)和/或上报配置，在所有或者一部分配置了/启用了用于波束管理的AI/ML功能(functionality)/模型(model)的CC或BWP中共享。
在一些实施例中，通用(generalized)AI/ML功能(functionality)/模型(model)被配置或被启用，并且所述通用AI/ML功能(functionality)/模型(model)被应用到多个CC或BWP。
在一些实施例中，用于测量的第二参考信号集合(set B)和/或用于预测的第一参考信号集合(set A)和/或上报配置被配置在启用了AI/ML的每个CC或BWP。
在一些实施例中，用于测量的第二参考信号集合(set B)和/或用于预测的第一参考信号集合(set A)和/或上报配置在启用了AI/ML的所有CC或BWP中共享。
在一些实施例中，用于波束管理的AI/ML功能(functionality)/模型(model)按照TRP(per TRP)被配置。
在一些实施例中，用于测量的第二参考信号集合(set B)和/或用于预测的第一参考信号集合(set A)和/或上报配置按照TRP(per TRP)被配置。
在一些实施例中，AI/ML功能(functionality)/模型(model)针对所有TRP被启用(enabled)。
在一些实施例中，一部分TRP被配置或被启用AI/ML功能(functionality)/模型(model)，另一部分TRP不被配置或不被启用AI/ML功能(functionality)/模型(model)。
在一些实施例中，用于测量的第二参考信号集合(set B)和/或用于预测的第一参考信号集合(set A)和/或上报配置，在所有或者一部分配置了/启用了用于波束管理的AI/ML功能(functionality)/模型(model)的TRP中共享。
在一些实施例中，通用(generalized)AI/ML功能(functionality)/模型(model)被配置或被启用，并且所述通用AI/ML功能(functionality)/模型(model)被应用到多个TRP。
在一些实施例中，用于测量的第二参考信号集合(set B)和/或用于预测的第一参考信号集合(set A)和/或上报配置被配置在启用了AI/ML的每个TRP。
在一些实施例中，用于测量的第二参考信号集合(set B)和/或用于预测的第一参考信号集合(set A)和/或上报配置在启用了AI/ML的所有TRP中共享。
在一些实施例中，针对多载波或载波聚合，性能监测(performance monitoring)进程的数目与所有载波上配置的或启用的AI/ML功能(functionality)/模型(model)的数目相同。
在一些实施例中，性能监测(performance monitoring)进程的数目与所有载波上配置的或启用的AI/ML功能(functionality)/模型(model)的数目不同。
在一些实施例中，针对多载波或载波聚合，用于波束管理的AI/ML功能(functionality)/模型(model)按照CC(per CC)或者按照BWP(per BWP)进行配置或启用，则AI/ML功能(functionality)/模型(model)的性能监测(performance monitoring)按照CC(per CC)或者按照BWP(per BWP)进行配置或启用。
在一些实施例中，针对多载波或载波聚合，AI/ML功能(functionality)/模型(model) 的性能监测(performance monitoring)在某一个或多个CC或者BWP进行配置或启用；其中被配置或被启用性能监测的CC或者BWP被预定义或者被配置。
在一些实施例中，用于波束管理的AI/ML功能(functionality)/模型(model)在多个CC或者BWP被配置或被启用，AI/ML功能(functionality)/模型(model)的性能监测(performance monitoring)在某一个CC或者BWP被配置或被启用。
在一些实施例中，通用(generalized)AI/ML功能(functionality)/模型(model)被配置或被启用，并且所述通用AI/ML功能(functionality)/模型(model)被应用到多个CC或BWP，AI/ML功能(functionality)/模型(model)的性能监测(performance monitoring)在某一个CC或者BWP被配置或被启用。
在一些实施例中，针对多载波或载波聚合，用于波束管理的AI/ML功能(functionality)/模型(model)被分为多个组，每个组在一个或多个CC或者BWP被配置或被启用，每个组的AI/ML功能(functionality)/模型(model)的性能监测(performance monitoring)在某一个或多个CC或者BWP被配置或被启用；其中被配置或被启用性能监测的CC或者BWP被预定义或者被配置。
在一些实施例中，针对多TRP，性能监测(performance monitoring)进程的数目与所有TRP上配置的或启用的AI/ML功能(functionality)/模型(model)的数目相同。
在一些实施例中，性能监测(performance monitoring)进程的数目与所有TRP上配置的或启用的AI/ML功能(functionality)/模型(model)的数目不同。
在一些实施例中，针对多TRP，用于波束管理的AI/ML功能(functionality)/模型(model)基于TRP(per TRP)进行配置或启用，则AI/ML功能(functionality)/模型(model)的性能监测(performance monitoring)按照TRP(per TRP)进行配置或启用。
在一些实施例中，针对多TRP，AI/ML功能(functionality)/模型(model)的性能监测(performance monitoring)被配置或被启用在某一个或多个TRP；其中被配置或被启用性能监测的TRP被预定义或者被配置。
在一些实施例中，针对网络侧模型，用于波束管理的AI/ML功能(functionality)/模型(model)在多个TRP被配置或被启用，AI/ML功能(functionality)/模型(model)的性能监测(performance monitoring)在某一个TRP被配置或被启用。
在一些实施例中，针对终端侧模型，通用(generalized)AI/ML功能(functionality)/模型(model)被配置或被启用，并且所述通用AI/ML功能(functionality)/模型(model)被应用到多个TRP，AI/ML功能(functionality)/模型(model)的性能监测(performance  monitoring)针对某一个TRP被配置或被启用。
在一些实施例中，如图13所示，波束管理的配置装置1300还可以包括：
发送单元1303，其向网络设备发送波束测量信息和/或波束预测信息。
以上各个实施例仅对本申请实施例进行了示例性说明，但本申请不限于此，还可以在以上各个实施例的基础上进行适当的变型。例如，可以单独使用上述各个实施例，也可以将以上各个实施例中的一种或多种结合起来。
值得注意的是，以上仅对与本申请相关的各部件或模块进行了说明，但本申请不限于此。波束管理的配置装置1300还可以包括其他部件或者模块，关于这些部件或者模块的具体内容，可以参考相关技术。
此外，为了简单起见，图13中仅示例性示出了各个部件或模块之间的连接关系或信号走向，但是本领域技术人员应该清楚的是，可以采用总线连接等各种相关技术。上述各个部件或模块可以通过例如处理器、存储器、发射机、接收机等硬件设施来实现；本申请实施并不对此进行限制。
由上述实施例可知，终端设备接收来自网络设备的基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息，以及进行载波聚合操作和/或多TRP操作的配置；从而能够提升波束管理的效率，并提高波束管理的准确性和可靠性。
第四方面的实施例
本申请实施例提供一种波束管理的配置装置。该装置例如可以是网络设备，也可以是配置于网络设备的某个或某些部件或者组件，与第一至三方面的实施例相同的内容不再赘述。
图14是本申请实施例的波束管理的配置装置的另一示意图，如图14所示，波束管理的配置装置1400包括：
发送单元1401，其向终端设备发送基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息；其中所述终端设备进行载波聚合操作和/或多TRP操作的配置。
在一些实施例中，如图14所示，波束管理的配置装置1400还可以包括：
接收单元1402，其接收所述终端设备发送的波束测量信息和/或波束预测信息。
以上各个实施例仅对本申请实施例进行了示例性说明，但本申请不限于此，还可以在以上各个实施例的基础上进行适当的变型。例如，可以单独使用上述各个实施例，也 可以将以上各个实施例中的一种或多种结合起来。
值得注意的是，以上仅对与本申请相关的各部件或模块进行了说明，但本申请不限于此。波束管理的配置装置1400还可以包括其他部件或者模块，关于这些部件或者模块的具体内容，可以参考相关技术。
此外，为了简单起见，图14中仅示例性示出了各个部件或模块之间的连接关系或信号走向，但是本领域技术人员应该清楚的是，可以采用总线连接等各种相关技术。上述各个部件或模块可以通过例如处理器、存储器、发射机、接收机等硬件设施来实现；本申请实施并不对此进行限制。
由上述实施例可知，终端设备接收来自网络设备的基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息，以及进行载波聚合操作和/或多TRP操作的配置；从而能够提升波束管理的效率，并提高波束管理的准确性和可靠性。
第五方面的实施例
本申请实施例还提供一种通信系统，可以参考图1，与第一至四方面的实施例相同的内容不再赘述。
在一些实施例中，通信系统100至少可以包括：
网络设备，其向终端设备发送基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息；
终端设备，其接收基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息，并进行载波聚合操作和/或多TRP操作的配置。
本申请实施例还提供一种终端设备，但本申请不限于此，还可以是其他的设备。
图15是本申请实施例的终端设备的示意图。如图15所示，该终端设备1500可以包括处理器1510和存储器1520；存储器1520存储有数据和程序，并耦合到处理器1510。值得注意的是，该图是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
例如，处理器1510可以被配置为执行程序而实现如第一方面的实施例所述的波束管理的配置方法。例如处理器1510可以被配置为进行如下的控制：接收基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息，并进行载波聚合操作和/或多TRP操作的配置
如图15所示，该终端设备1500还可以包括：通信模块1530、输入单元1540、显示 器1550、电源1560。其中，上述部件的功能与现有技术类似，此处不再赘述。值得注意的是，终端设备1500也并不是必须要包括图15中所示的所有部件，上述部件并不是必需的；此外，终端设备1500还可以包括图15中没有示出的部件，可以参考现有技术。
本申请实施例还提供一种网络设备，例如可以是基站，但本申请不限于此，还可以是其他的网络设备。
图16是本申请实施例的网络设备的构成示意图。如图16所示，网络设备1600可以包括：处理器1610(例如中央处理器CPU)和存储器1620；存储器1620耦合到处理器1610。其中该存储器1620可存储各种数据；此外还存储信息处理的程序1630，并且在处理器1610的控制下执行该程序1630。
例如，处理器1610可以被配置为执行程序而实现如第二方面的实施例所述的波束管理的配置方法。例如处理器1610可以被配置为进行如下的控制：向终端设备发送基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息；其中所述终端设备进行载波聚合操作和/或多TRP操作的配置。
此外，如图16所示，网络设备1600还可以包括：收发机1640和天线1650等；其中，上述部件的功能与现有技术类似，此处不再赘述。值得注意的是，网络设备1600也并不是必须要包括图16中所示的所有部件；此外，网络设备1600还可以包括图16中没有示出的部件，可以参考现有技术。
本申请实施例还提供一种计算机程序，其中当在终端设备中执行所述程序时，所述程序使得所述终端设备执行第一方面的实施例所述的波束管理的配置方法。
本申请实施例还提供一种存储有计算机程序的存储介质，其中所述计算机程序使得终端设备执行第一方面的实施例所述的波束管理的配置方法。
本申请实施例还提供一种计算机程序，其中当在网络设备中执行所述程序时，所述程序使得所述网络设备执行第二方面的实施例所述的波束管理的配置方法。
本申请实施例还提供一种存储有计算机程序的存储介质，其中所述计算机程序使得网络设备执行第二方面的实施例所述的波束管理的配置方法。
本申请以上的装置和方法可以由硬件实现，也可以由硬件结合软件实现。本申请涉及这样的计算机可读程序，当该程序被逻辑部件所执行时，能够使该逻辑部件实现上文所述的装置或构成部件，或使该逻辑部件实现上文所述的各种方法或步骤。本申请还涉及用于存储以上程序的存储介质，如硬盘、磁盘、光盘、DVD、flash存储器等。
结合本申请实施例描述的方法/装置可直接体现为硬件、由处理器执行的软件模块或 二者组合。例如，图中所示的功能框图中的一个或多个和/或功能框图的一个或多个组合，既可以对应于计算机程序流程的各个软件模块，亦可以对应于各个硬件模块。这些软件模块，可以分别对应于图中所示的各个步骤。这些硬件模块例如可利用现场可编程门阵列(FPGA)将这些软件模块固化而实现。
软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域已知的任何其它形式的存储介质。可以将一种存储介质耦接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息；或者该存储介质可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该软件模块可以存储在移动终端的存储器中，也可以存储在可插入移动终端的存储卡中。例如，若设备(如移动终端)采用的是较大容量的MEGA-SIM卡或者大容量的闪存装置，则该软件模块可存储在该MEGA-SIM卡或者大容量的闪存装置中。
针对附图中描述的功能方框中的一个或多个和/或功能方框的一个或多个组合，可以实现为用于执行本申请所描述功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。针对附图描述的功能方框中的一个或多个和/或功能方框的一个或多个组合，还可以实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、与DSP通信结合的一个或多个微处理器或者任何其它这种配置。
以上结合具体的实施方式对本申请进行了描述，但本领域技术人员应该清楚，这些描述都是示例性的，并不是对本申请保护范围的限制。本领域技术人员可以根据本申请的精神和原理对本申请做出各种变型和修改，这些变型和修改也在本申请的范围内。
关于包括以上实施例的实施方式，还公开下述的附记：
1.一种波束管理的配置方法，包括：
终端设备接收来自网络设备的基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息；以及
所述终端设备进行载波聚合操作和/或多TRP操作的配置。
2.一种波束管理的配置方法，包括：
网络设备向终端设备发送基于AI/ML功能(functionality)/模型(model)进行波束管理的配置信息；其中所述终端设备进行载波聚合操作和/或多TRP操作的配置。
3.一种终端设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器被配置为执行所述计算机程序而实现如附记1所述的波束管理的配置方法。
4.一种网络设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器被配置为执行所述计算机程序而实现如附记2所述的波束管理的配置方法。

Claims (20)

  1. 一种波束管理的配置装置，包括：
    接收单元，其接收来自网络设备的基于AI/ML功能/模型进行波束管理的配置信息；以及
    处理单元，其进行载波聚合操作和/或多TRP操作的配置。
  2. 根据权利要求1所述的装置，其中，用于波束管理的AI/ML功能/模型按照CC或者按照BWP进行配置；
    用于测量的第二参考信号集合和/或用于预测的第一参考信号集合和/或上报配置按照CC或者按照BWP进行配置；
    AI/ML功能/模型针对所有CC或BWP被启用，或者，一部分CC或BWP被配置或被启用AI/ML功能/模型，另一部分CC或BWP不被配置或不被启用AI/ML功能/模型。
  3. 根据权利要求1所述的装置，其中，用于测量的第二参考信号集合和/或用于预测的第一参考信号集合和/或上报配置，在所有或者一部分配置了/启用了用于波束管理的AI/ML功能/模型的CC或BWP中共享。
  4. 根据权利要求1所述的装置，其中，通用AI/ML功能/模型被配置或被启用，并且所述通用AI/ML功能/模型被应用到多个CC或BWP。
  5. 根据权利要求4所述的装置，其中，用于测量的第二参考信号集合和/或用于预测的第一参考信号集合和/或上报配置被配置在启用了AI/ML的每个CC或BWP，或者，用于测量的第二参考信号集合和/或用于预测的第一参考信号集合和/或上报配置在启用了AI/ML的所有CC或BWP中共享。
  6. 根据权利要求1所述的装置，其中，用于波束管理的AI/ML功能/模型按照TRP被配置；
    用于测量的第二参考信号集合和/或用于预测的第一参考信号集合和/或上报配置按照TRP被配置；
    AI/ML功能/模型针对所有TRP被启用，或者，一部分TRP被配置或被启用AI/ML功能/模型，另一部分TRP不被配置或不被启用AI/ML功能/模型。
  7. 根据权利要求1所述的装置，其中，用于测量的第二参考信号集合和/或用于预测的第一参考信号集合和/或上报配置，在所有或者一部分配置了/启用了用于波束管理 的AI/ML功能/模型的TRP中共享。
  8. 根据权利要求1所述的装置，其中，通用AI/ML功能/模型被配置或被启用，并且所述通用AI/ML功能/模型被应用到多个TRP。
  9. 根据权利要求8所述的装置，其中，用于测量的第二参考信号集合和/或用于预测的第一参考信号集合和/或上报配置被配置在启用了AI/ML的每个TRP，或者，用于测量的第二参考信号集合和/或用于预测的第一参考信号集合和/或上报配置在启用了AI/ML的所有TRP中共享。
  10. 根据权利要求1所述的装置，其中，针对多载波或载波聚合，性能监测进程的数目与所有载波上配置的或启用的AI/ML功能/模型的数目相同，或者，性能监测进程的数目与所有载波上配置的或启用的AI/ML功能/模型的数目不同。
  11. 根据权利要求1所述的装置，其中，针对多载波或载波聚合，用于波束管理的AI/ML功能/模型按照CC或者按照BWP进行配置或启用，则AI/ML功能/模型的性能监测按照CC或者按照BWP进行配置或启用。
  12. 根据权利要求1所述的装置，其中，针对多载波或载波聚合，AI/ML功能/模型的性能监测在某一个或多个CC或者BWP进行配置或启用；
    其中被配置或被启用性能监测的CC或者BWP被预定义或者被配置。
  13. 根据权利要求12所述的装置，其中，用于波束管理的AI/ML功能/模型在多个CC或者BWP被配置或被启用，AI/ML功能/模型的性能监测在某一个CC或者BWP被配置或被启用。
  14. 根据权利要求12所述的装置，其中，通用AI/ML功能/模型被配置或被启用，并且所述通用AI/ML功能/模型被应用到多个CC或BWP，AI/ML功能/模型的性能监测在某一个CC或者BWP被配置或被启用。
  15. 根据权利要求1所述的装置，其中，针对多载波或载波聚合，用于波束管理的AI/ML功能/模型被分为多个组，每个组在一个或多个CC或者BWP被配置或被启用，每个组的AI/ML功能/模型的性能监测在某一个或多个CC或者BWP被配置或被启用；
    其中被配置或被启用性能监测的CC或者BWP被预定义或者被配置。
  16. 根据权利要求1所述的装置，其中，针对多TRP，性能监测进程的数目与所有TRP上配置的或启用的AI/ML功能/模型的数目相同，或者，性能监测进程的数目与所有TRP上配置的或启用的AI/ML功能/模型的数目不同。
  17. 根据权利要求1所述的装置，其中，针对多TRP，用于波束管理的AI/ML功能 /模型按照TRP进行配置或启用，则AI/ML功能/模型的性能监测按照TRP进行配置或启用。
  18. 根据权利要求1所述的装置，其中，针对多TRP，AI/ML功能/模型的性能监测被配置或被启用在某一个或多个TRP；其中被配置或被启用性能监测的TRP被预定义或者被配置；
    针对网络侧模型，用于波束管理的AI/ML功能/模型在多个TRP被配置或被启用，AI/ML功能/模型的性能监测在某一个TRP被配置或被启用；
    针对终端侧模型，通用AI/ML功能/模型被配置或被启用，并且所述通用AI/ML功能/模型被应用到多个TRP，AI/ML功能/模型的性能监测针对某一个TRP被配置或被启用。
  19. 一种波束管理的配置装置，包括：
    发送单元，其向终端设备发送基于AI/ML功能/模型进行波束管理的配置信息；其中所述终端设备进行载波聚合操作和/或多TRP操作的配置。
  20. 一种通信系统，包括：
    网络设备，其向终端设备发送基于AI/ML功能/模型进行波束管理的配置信息；
    终端设备，其接收基于AI/ML功能/模型进行波束管理的配置信息，并进行载波聚合操作和/或多TRP操作的配置。
PCT/CN2023/143360 2023-12-29 2023-12-29 波束管理的配置方法以及装置 Pending WO2025138142A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2023/143360 WO2025138142A1 (zh) 2023-12-29 2023-12-29 波束管理的配置方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2023/143360 WO2025138142A1 (zh) 2023-12-29 2023-12-29 波束管理的配置方法以及装置

Publications (1)

Publication Number Publication Date
WO2025138142A1 true WO2025138142A1 (zh) 2025-07-03

Family

ID=96216428

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2023/143360 Pending WO2025138142A1 (zh) 2023-12-29 2023-12-29 波束管理的配置方法以及装置

Country Status (1)

Country Link
WO (1) WO2025138142A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023068686A1 (ko) * 2021-10-18 2023-04-27 엘지전자 주식회사 무선 통신 시스템에서 무선 신호 송수신 방법 및 장치
US20230164759A1 (en) * 2021-11-23 2023-05-25 Mavenir Systems, Inc. Systems and methods for enabling synchronization signal block (ssb) optimization for o-ran-based radio access networks
WO2023148699A1 (en) * 2022-02-04 2023-08-10 Lenovo (Singapore) Pte. Ltd. Ai-enabled beam failure detection and recovery
WO2023197326A1 (en) * 2022-04-15 2023-10-19 Nec Corporation Methods, devices, and computer readable medium for communication

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023068686A1 (ko) * 2021-10-18 2023-04-27 엘지전자 주식회사 무선 통신 시스템에서 무선 신호 송수신 방법 및 장치
US20230164759A1 (en) * 2021-11-23 2023-05-25 Mavenir Systems, Inc. Systems and methods for enabling synchronization signal block (ssb) optimization for o-ran-based radio access networks
WO2023148699A1 (en) * 2022-02-04 2023-08-10 Lenovo (Singapore) Pte. Ltd. Ai-enabled beam failure detection and recovery
WO2023197326A1 (en) * 2022-04-15 2023-10-19 Nec Corporation Methods, devices, and computer readable medium for communication

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MIAO QU, TCL COMMUNICATION LTD.: "Discussion on Architecture and General", 3GPP DRAFT; R2-2306411; TYPE DISCUSSION, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, vol. RAN WG2, no. Incheon, KR; 20230522 - 20230526, 12 May 2023 (2023-05-12), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France, XP052315623 *
PATRICK MERIAS, MODERATOR (OPPO): "Summary#2 for other aspects on AI/ML for beam management", 3GPP DRAFT; R1-2312384; TYPE DISCUSSION; FS_NR_AIML_AIR, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, vol. RAN WG1, no. Chicago, US; 20231113 - 20231117, 17 November 2023 (2023-11-17), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France, XP052548274 *

Similar Documents

Publication Publication Date Title
WO2024031692A1 (zh) Ai/ml模型的监测方法和装置
US11272487B2 (en) Method and apparatus for configuring a triggering condition of a beam failure event and a communication system
US20210168636A1 (en) Method for assessing radio link quality, parameter configuration method, apparatuses thereof and system
CN116250194A (zh) 无线通信方法、装置和系统
WO2024207331A1 (zh) 数据接收、数据发送方法以及装置
WO2025138142A1 (zh) 波束管理的配置方法以及装置
WO2024031696A1 (zh) 信道状态信息的上报方法和装置
WO2025138160A1 (zh) 波束管理配置方法以及装置
WO2025156073A1 (zh) 波束管理方法以及装置
WO2025081310A1 (zh) 资源配置方法以及装置
US20250365600A1 (en) Information transceiving method and apparatus
WO2025148007A1 (zh) 上行传输配置方法以及装置
WO2025160965A1 (zh) 数据收集方法以及装置
WO2026030853A1 (zh) 波束管理方法以及装置
WO2025208501A1 (zh) 用于波束管理的参考信号配置方法以及装置
WO2025166491A1 (zh) 波束管理方法以及装置
WO2025065571A1 (zh) 能力上报方法以及装置
WO2025030549A1 (zh) 预编码配置方法以及装置
WO2025231757A1 (zh) Csi预测方法以及装置
WO2025065241A1 (zh) 多载波调度方法以及装置
WO2025156072A1 (zh) 探测参考信号的发送和接收方法以及装置
WO2026030852A1 (zh) 信道探测方法以及装置
WO2025138155A1 (zh) 波束管理方法以及装置
WO2025156075A1 (zh) 波束管理方法以及装置
WO2025171647A1 (zh) 参考信号配置方法以及装置

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: 23962816

Country of ref document: EP

Kind code of ref document: A1