WO2025199838A1 - 通信方法、网络设备、通信系统及存储介质 - Google Patents

通信方法、网络设备、通信系统及存储介质

Info

Publication number
WO2025199838A1
WO2025199838A1 PCT/CN2024/084249 CN2024084249W WO2025199838A1 WO 2025199838 A1 WO2025199838 A1 WO 2025199838A1 CN 2024084249 W CN2024084249 W CN 2024084249W WO 2025199838 A1 WO2025199838 A1 WO 2025199838A1
Authority
WO
WIPO (PCT)
Prior art keywords
network device
result
instruction
model
measurement parameter
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/CN2024/084249
Other languages
English (en)
French (fr)
Inventor
牟勤
李丽丝
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.)
Beijing Xiaomi Mobile Software Co Ltd
Original Assignee
Beijing Xiaomi Mobile Software Co 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 Beijing Xiaomi Mobile Software Co Ltd filed Critical Beijing Xiaomi Mobile Software Co Ltd
Priority to PCT/CN2024/084249 priority Critical patent/WO2025199838A1/zh
Priority to CN202480033462.5A priority patent/CN121264139A/zh
Publication of WO2025199838A1 publication Critical patent/WO2025199838A1/zh
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management

Definitions

  • the present disclosure relates to the field of communication technology, and in particular to a communication method, a network device, a communication system, and a storage medium.
  • AI artificial intelligence
  • the AI model can be deployed at the base station, with the location management function (LMF) assisting in positioning.
  • LMF location management function
  • the embodiments of the present disclosure provide a communication method, a network device, a communication system, and a storage medium.
  • a second network device including: a transceiver module for receiving a first instruction sent by a first network device, the first instruction being used to indicate relevant information of a first result, the first result being a positioning result determined by the second network device, an artificial intelligence (AI) model for determining the positioning result being deployed in the first network device, and input of the AI model coming from the first network device and at least one third network device.
  • a transceiver module for receiving a first instruction sent by a first network device, the first instruction being used to indicate relevant information of a first result, the first result being a positioning result determined by the second network device, an artificial intelligence (AI) model for determining the positioning result being deployed in the first network device, and input of the AI model coming from the first network device and at least one third network device.
  • AI artificial intelligence
  • a second network device comprising: one or more processors; wherein the second network device is configured to execute the second aspect and any one of the communication methods in the second aspect.
  • a communication system including a first network device, a second network device and a third network device, wherein the first network device is configured to implement the communication method of the first aspect, the second network device is configured to implement the communication method of the second aspect, and the third network device is configured to implement the communication method of the third aspect.
  • a storage medium which stores instructions, and is characterized in that when the instructions are executed on a communication device, the communication device executes the method of the first aspect, the second aspect, or the third aspect.
  • a program product including: a computer program, which, when executed by a communication device, enables the above-mentioned communication device to execute the method of the first aspect, the second aspect, or the third aspect.
  • the first network device sends a first instruction to the second network device, so that the second network device determines relevant information about the first result, thereby realizing performance management of the AI model in a centralized deployment scenario of the AI model, thereby improving communication efficiency.
  • FIG1A is a schematic diagram of the architecture of an AI function.
  • FIG1B is a schematic diagram of an AI-based positioning architecture according to an exemplary embodiment of the present disclosure.
  • FIG1D is a schematic diagram of an AI-based positioning architecture according to an exemplary embodiment of the present disclosure.
  • FIG1E is a schematic diagram of a communication system architecture according to an embodiment of the present disclosure.
  • FIG2 is a schematic diagram showing an interaction of a communication method according to an embodiment of the present disclosure.
  • FIG3A is a flow chart illustrating a communication method according to an embodiment of the present disclosure.
  • FIG4A is a flow chart showing a communication method according to an embodiment of the present disclosure.
  • FIG4B is a flow chart illustrating a communication method according to an embodiment of the present disclosure.
  • FIG4C is a flow chart illustrating a communication method according to an embodiment of the present disclosure.
  • FIG5B is a flow chart illustrating a communication method according to an embodiment of the present disclosure.
  • FIG6 is an interactive diagram illustrating a communication method according to an embodiment of the present disclosure.
  • FIG7A is a flow chart illustrating a communication method according to an embodiment of the present disclosure.
  • FIG8A is a schematic structural diagram of a first network device proposed in an embodiment of the present disclosure.
  • FIG8B is a schematic structural diagram of a second network device proposed in an embodiment of the present disclosure.
  • FIG8C is a schematic structural diagram of a third network device proposed in an embodiment of the present disclosure.
  • FIG9A is a schematic structural diagram of a communication device proposed in an embodiment of the present disclosure.
  • the embodiments of the present disclosure provide a communication method, a terminal, a network device, and a storage medium.
  • an embodiment of the present disclosure proposes a communication method, comprising: a first network device sends a first instruction to a second network device, where the first instruction is used to indicate relevant information of a first result, where the first result is a positioning result determined by the second network device, and an artificial intelligence AI model for determining the positioning result is deployed in the first network device, where the input of the AI model comes from the first network device and at least one third network device.
  • a first instruction is sent to a second network device through a first network device, and the first instruction indicates relevant information of the first result, so that the second network device can clarify relevant information of the first result based on the first instruction, for example, whether the first result is obtained based on AI model positioning.
  • the relevant information of the first result includes any one of the following: the first network device sends the first result to the third network device; the first network device does not send the first result to the third network device, and the first result is sent to the third network device by the second network device; wherein, the first result is determined based on the output information of the AI model; or the first result is not determined based on the output information of the AI model.
  • the second network device can clearly understand the relevant information of the first result, and then the second network device can determine the third network device. The method in which the network device receives the first result.
  • the method further includes: the first network device sends a second instruction to the third network device, where the second instruction is used to instruct the third network device to perform the first operation.
  • the third network device can perform corresponding operations in the scenario based on AI model positioning or not based on AI model positioning.
  • the first operation includes any one of the following: sending a first measurement parameter to the first network device; not sending the first measurement parameter to the first network device; receiving a first result sent by the first network device, the first result being a positioning result determined by the first network device based on the first measurement parameter; receiving a second result determined by the second network device, the second result being determined by the second network device based on the second measurement parameter sent by the third network device; wherein the first measurement parameter and the second measurement parameter are measured by the third network device, and the first result is predicted by the AI model based on the first measurement parameter.
  • the third network device can clearly specify the specific operation that needs to be performed in the scenario based on AI model positioning or not based on AI model positioning.
  • the method further includes: the first network device receives auxiliary information, the auxiliary data is sent by the second network device and/or the third network device, and the auxiliary information is used to determine the first instruction.
  • an embodiment of the present disclosure proposes a communication method, comprising: a second network device receives a first instruction sent by a first network device, the first instruction is used to indicate relevant information of a first result, the first result is a positioning result determined by the second network device, and an artificial intelligence AI model for determining the positioning result is deployed in the first network device, and the input of the AI model comes from the first network device and at least one third network device.
  • the relevant information of the first result includes any one of the following: the first network device sends the first result to the third network device; the first network device does not send the first result to the third network device, and the first result is sent to the third network device by the second network device; wherein, the first result is determined based on the output information of the AI model; or the first result is not determined based on the output information of the AI model.
  • the method further includes: upon receiving the first instruction, sending a third instruction to the third network device, wherein the third instruction is used to instruct the third network device to perform the second operation.
  • the second operation includes any one of the following: sending a first measurement parameter to the first network device; not sending the first measurement parameter to the first network device; receiving a first result sent by the first network device, the first result being a positioning result determined by the first network device based on the first measurement parameter; receiving a second result determined by the second network device, the second result being determined by the second network device based on the second measurement parameter sent by the third network device; wherein the first measurement parameter and the second measurement parameter are measured by the third network device, and the first result is predicted by the AI model based on the first measurement parameter.
  • the method further includes: sending auxiliary information to the first network device, where the auxiliary information is used to determine the first instruction.
  • the auxiliary information includes at least one of the following: the coordinates of the terminal; the channel measurement value of the terminal under the second network device; the channel measurement value under the third network device; the receiving beam information of the second network device; the receiving beam information of the third network device.
  • the third network device can clearly specify the specific operations that need to be performed in the scenario based on AI model positioning or not based on AI model positioning through the received second instruction and/or third instruction.
  • the second operation includes any one of the following: sending a first measurement parameter to the first network device; not sending the first measurement parameter to the first network device; receiving a first result sent by the first network device, the first result being a positioning result determined by the first network device based on the first measurement parameter; receiving a second result determined by the second network device, the second result being determined by the second network device based on the second measurement parameter sent by the third network device; wherein the first measurement parameter and the second measurement parameter are measured by the third network device, and the first result is predicted by the AI model based on the first measurement parameter.
  • the method also includes: sending auxiliary information to the first network device, the auxiliary information is used to determine a first instruction, the first instruction is used to indicate relevant information of a first result, and the first result is the positioning result determined by the second network device.
  • the auxiliary information includes at least one of the following: the coordinates of the terminal; the channel measurement value of the terminal under the second network device; the channel measurement value under the third network device; the receiving beam information of the second network device; the receiving beam information of the third network device.
  • the relevant information of the first result includes any one of the following: the first network device sends the first result to the third network device; the first network device does not send the first result to the third network device, and the first result is sent to the third network device by the second network device; wherein, the first result is determined based on the output information of the AI model; or the first result is not determined based on the output information of the AI model.
  • an embodiment of the present disclosure proposes a communication method, comprising: a first network device sends a first instruction to a second network device, and/or the first network device sends a second instruction to a third network device; when the second network device receives the first instruction sent by the first network device, it sends a third instruction to the third network device; the third network device receives the second instruction and/or the third instruction, wherein the first instruction is used to indicate relevant information of a first result, the first result is a positioning result determined by the second network device, an artificial intelligence AI model for determining the positioning result is deployed in the first network device, and the input of the AI model comes from the first network device and at least one third network device, the second instruction is used to instruct the third network device to perform a first operation, and the third instruction is used to instruct the third network device to perform a second operation.
  • an embodiment of the present disclosure proposes a third network device, including: a transceiver module, used to receive a second instruction sent by a first network device, and/or receive a third instruction sent by a second network device, the second instruction is used to instruct the third network device to perform a first operation, and the third instruction is used to instruct the third network device to perform a second operation, and an artificial intelligence AI model for determining a positioning result is deployed in the first network device, and the input of the AI model comes from the first network device and at least one third network device.
  • a first network device comprising: one or more processors; wherein the second network device is used to execute the second aspect and any one of the communication methods in the second aspect.
  • a first network device comprising: one or more processors; wherein the third network device is used to execute the third aspect and any one of the communication methods in the third aspect.
  • a communication system including a first network device, a second network device and a third network device, wherein the first network device is configured to implement the communication method of the first aspect, the second network device is configured to implement the communication method of the second aspect, and the third network device is configured to implement the communication method of the third aspect.
  • a storage medium is proposed, wherein the storage medium stores instructions, wherein when the instructions are on the communication device When running, the communication device is caused to execute the method of the first aspect, the second aspect, or the third aspect.
  • an embodiment of the present disclosure proposes a computer program, which, when executed on a computer, enables the computer to execute the method described in the optional implementation of the first aspect, the second aspect, or the third aspect.
  • an embodiment of the present disclosure proposes a program product, including: a computer program, which, when executed by a communication device, enables the above-mentioned communication device to execute the method of the first aspect, the second aspect, or the third aspect.
  • the present disclosure provides communication methods, devices, equipment, and storage media.
  • the terms “communication method,” “information processing method,” and “communication method” are interchangeable; the terms “communication device,” “information processing device,” and “communication device” are interchangeable; and the terms “information processing system,” “communication system,” and “communication system” are interchangeable.
  • each step in a certain embodiment can be implemented as an independent embodiment, and the steps can be arbitrarily combined.
  • a solution after removing some steps in a certain embodiment can also be implemented as an independent embodiment, and the order of the steps in a certain embodiment can be arbitrarily exchanged.
  • the optional implementation methods in a certain embodiment can be arbitrarily combined; in addition, the embodiments can be arbitrarily combined. For example, some or all steps of different embodiments can be arbitrarily combined, and a certain embodiment can be arbitrarily combined with the optional implementation methods of other embodiments.
  • plurality refers to two or more.
  • descriptions such as “at least one of A and B,” “A and/or B,” “A in one case, B in another case,” or “in response to one case A, in response to another case B” may include the following technical solutions depending on the situation: in some embodiments, A (A is executed independently of B); in some embodiments, B (B is executed independently of A); in some embodiments, execution is selected from A and B (A and B are selectively executed); and in some embodiments, A and B (both A and B are executed). The above is also applicable when there are more branches such as A, B, and C.
  • a or B and other descriptions may include the following technical solutions depending on the situation: in some embodiments, A (A is executed independently of B); in some embodiments, B (B is executed independently of A); in some embodiments, execution is selected from A and B (A and B are selectively executed). The above is also applicable when there are more branches such as A, B, C, etc.
  • prefixes such as “first” and “second” in the embodiments of the present disclosure are only used to distinguish different description objects and do not constitute any restriction on the position, order, priority, quantity or content of the description objects.
  • the description object please refer to the description in the context of the claims or embodiments, and no unnecessary restriction should be constituted due to the use of prefixes.
  • the description object is a "field”
  • the ordinal number before the "field” in the "first field” and the "second field” does not limit the position or order between the "fields”.
  • “First” and “second” do not limit whether the "fields” they modify are in the same message, nor do they limit the order of the "first field” and the "second field”.
  • the description object is a "level”
  • the ordinal number before the "level” in the “first level” and the “second level” does not limit the priority between the "levels”.
  • the number of description objects is not limited by the ordinal number and can be one or more. Taking “first device” as an example, the number of "devices" can be one or more.
  • the objects modified by different prefixes can be the same or different.
  • the description object is "device”
  • the "first device” and the “second device” can be the same device or different devices, and their types can be the same or different; for example, if the description object is "information”, then the "first information” and “the performance of each AI model” can be the same information or different information, and their contents can be the same or different.
  • “including A,” “comprising A,” “used to indicate A,” and “carrying A” can be interpreted as directly carrying A or indirectly indicating A.
  • terms such as “greater than”, “greater than or equal to”, “not less than”, “more than”, “more than or equal to”, “not less than”, “higher than”, “higher than or equal to”, “not less than”, and “above” can be replaced with each other, and terms such as “less than”, “less than or equal to”, “not greater than”, “less than”, “less than or equal to”, “not more than”, “lower than”, “lower than or equal to”, “not higher than”, and “below” can be replaced with each other.
  • network can be interpreted as devices included in the network, such as access network equipment, core network equipment, etc.
  • the "access network device (AN device)” may also be referred to as a “radio access network device (RAN device)", “base station (BS)", “radio base station (radio base station)”, “fixed station (fixed station)”, and in some embodiments may also be understood as a “node (node)", “access point (access point)", “transmission point (TP)”, “reception point (RP)”, “transmission and/or reception point (transmission/reception point, TRP)", “panel”, “antenna panel”, “antenna array”, “cell", “macro cell”, “small cell”, “femto cell”, “pico cell”, “sector”, “cell group”, “serving cell”, “carrier”, “component carrier”, “bandwidth part (BWP)", etc.
  • RAN device radio access network device
  • BS base station
  • RP reception point
  • TRP transmission and/or reception point
  • terminal or “terminal device” may be referred to as "user equipment (UE)", “user terminal”, “mobile station (MS)”, “mobile terminal (MT)", subscriber station, mobile unit, subscriber unit, wireless unit, remote unit, mobile device, wireless device, wireless communication device, remote device, mobile subscriber station, access terminal, mobile terminal, wireless terminal, remote terminal, handset, user agent, mobile client, client, etc.
  • UE user equipment
  • MS mobile station
  • MT mobile terminal
  • obtaining data, information, etc. may comply with the laws and regulations of the country where the data is obtained.
  • each element, each row, or each column in the table of the embodiment of the present disclosure can be implemented as an independent embodiment, and the combination of any elements, any rows, and any columns can also be implemented as an independent embodiment.
  • 5G will permeate every aspect of future society, building a comprehensive, user-centric information ecosystem.
  • 5G user experience rates can reach 100 megabits per second (Mbit/s) to 1 gigabit per second (Gbit/s), enabling premium services like mobile virtual reality.
  • 5G peak rates can reach 10 Gbit/s to 20 Gbit/s, with traffic density reaching 10 megabits per second per square meter (Mbit/s/ m2 ), supporting a more than 1,000-fold increase in mobile traffic.
  • 5G connection density can reach 1 million per square meter ( m2 ), effectively supporting massive IoT devices.
  • AI technology has achieved continuous breakthroughs in numerous fields.
  • fields like intelligent voice and computer vision has not only brought a rich variety of applications to smart terminals, but has also found widespread application in education, transportation, home furnishings, healthcare, retail, security, and other fields. While bringing convenience to people's lives, it is also promoting industrial upgrading across various industries.
  • AI technology is also rapidly interpenetrating with other disciplines. Its development integrates knowledge from different disciplines while also providing new directions and methods for their development.
  • application cases of artificial intelligence include: AI-based CSI enhancement; AI-based beam management; and AI-based positioning.
  • FIG 1A is a schematic diagram of the AI architecture. As shown in Figure 1A, the AI architecture includes functions such as data collection, model management, model training, and model inference.
  • AI-based positioning includes but is not limited to the following five deployment methods:
  • AI/machine learning directly targets:
  • NG-RAN Next generation radio access network node assisted positioning
  • the model is deployed on the LMF side, and AI/ML is used for direct positioning.
  • each transmission point corresponds to an AI model, or each TRP corresponds to an ML model.
  • Figure 1B is a schematic diagram of an AI-based positioning architecture shown in an exemplary embodiment of the present disclosure. As shown in Figure 1B, 18 TRPs (TRP0 to TRP17) are used as an example for illustration, but the present disclosure does not limit the number of TRPs.
  • Each TRP corresponds to an ML model, for example, TRP0 to TRP17 correspond to ML model 0 to ML model 17 respectively.
  • the time domain path delay profile (PDP) (for example, PDP0 to PDP17) measured by each TRP can be input into the corresponding ML model, and the output unknown direct path (unobserved direct path) arrival time (time of arrival, ToA) is passed to the LMF.
  • the LMF performs positioning based on the unobserved direct path ToA and traditional positioning methods.
  • FIG. 1D is a schematic diagram of an AI-based positioning architecture according to an exemplary embodiment of the present disclosure.
  • the gNB that deploys the ML model is gNB1.
  • the time-domain CIR measured by gNB1's TRP and the time-domain CIR measured by gNB2's TRP are both input into the ML model on gNB1's side, and the output unobserved direct path ToA is passed to the LMF.
  • the LMF performs positioning based on the unobserved direct path ToA and traditional positioning methods.
  • the LMF outputs location information.
  • gNB2 is any gNB different from gNB1.
  • each TRP has its corresponding subordinate gNB, and each gNB can have multiple TRPs.
  • the positioning intermediate parameters corresponding to each TRP are calculated by the corresponding gNB and transmitted by the corresponding gNB to the LMF.
  • the positioning intermediate parameters represent the intermediate parameters used to calculate the location information during the positioning process.
  • they can be time-related parameters, such as the ToA of the unknown direct path shown in Figures 1B to 1D; line of sight (LoS) or non-line of sight (NLoS) indicators, etc.
  • AI-based operations it is necessary to monitor the performance of the AI model. For example, you can monitor whether the AI model input matches the distribution trend of the model input during training, whether the AI model output matches the distribution trend of the model output during training, or monitor the difference between the AI model output and the ideal model output. Based on the monitoring results, you can take corresponding measures for the AI model, such as starting the AI model, shutting down the AI model, switching the AI model, and using non-AI operations.
  • FIG1E is a schematic diagram of a communication system architecture according to an embodiment of the present disclosure.
  • communication system 100 includes a first network device 101, a second network device 102, and a third network device 103.
  • First network device 101 may be a Local Mobile Infrastructure (LMF)
  • second network device 102 may be a gNB deploying an AI model
  • third network device 103 may be a gNB different from second network device 102.
  • LMF Local Mobile Infrastructure
  • This disclosure is merely illustrative, and the first, second, and third network devices may also be other types of devices in the communication system. Although this disclosure uses LMF and gNB as examples, it is not limited thereto.
  • the network device may include at least one of an access network device and a core network device.
  • the access network device is, for example, a node or device that accesses a terminal to a wireless network.
  • the access network device may include an evolved NodeB (eNB), a next generation evolved NodeB (ng-eNB), a next generation NodeB (gNB), a node B (NB), a home node B (HNB), a home evolved node B (HeNB), a wireless backhaul device, a radio network controller (RNC), and a radio network controller (RNC) in a fifth generation mobile communication technology (5G) communication system.
  • eNB evolved NodeB
  • ng-eNB next generation evolved NodeB
  • gNB next generation NodeB
  • NB node B
  • HNB home node B
  • HeNB home evolved node B
  • RNC radio network controller
  • RNC radio network controller
  • RNC radio network controller
  • BSC base station controller
  • BTS base transceiver station
  • BBU base band unit
  • mobile switching center base station in 6G communication system, open base station (Open RAN), cloud base station (Cloud RAN), base station in other communication systems, at least one of access node in Wi-Fi system, but not limited thereto.
  • the technical solution of the present disclosure may be applicable to the Open RAN architecture.
  • the interfaces between or within the access network devices involved in the embodiments of the present disclosure may become internal interfaces of Open RAN, and the processes and information interactions between these internal interfaces may be implemented through software or programs.
  • the access network device may be composed of a centralized unit (CU) and a distributed unit (DU), where the CU may also be called a control unit.
  • the CU-DU structure may be used to split the protocol layers of the access network device, with some functions of the protocol layers centrally controlled by the CU, and the remaining functions of some or all of the protocol layers distributed in the DU, which is centrally controlled by the CU, but is not limited to this.
  • a core network device may be a single device including one or more network elements, or may be multiple devices or device groups, each including all or part of the one or more network elements.
  • a network element may be virtual or physical.
  • the core network may include, for example, at least one of an Evolved Packet Core (EPC), a 5G Core Network (5GCN), or a Next Generation Core (NGC).
  • EPC Evolved Packet Core
  • 5GCN 5G Core Network
  • NGC Next Generation Core
  • the communication system described in the embodiment of the present disclosure is for the purpose of more clearly illustrating the technical solution of the embodiment of the present disclosure, and does not constitute a limitation on the technical solution proposed in the embodiment of the present disclosure.
  • Ordinary technicians in this field can know that with the evolution of the system architecture and the emergence of new business scenarios, the technical solution proposed in the embodiment of the present disclosure is also applicable to similar technical problems.
  • the following embodiments of the present disclosure may be applied to the communication system 100 shown in FIG1E , or a portion thereof, but are not limited thereto.
  • the entities shown in FIG1E are illustrative only.
  • the communication system may include all or part of the entities shown in FIG1E , or may include other entities outside of FIG1E .
  • the number and form of the entities are arbitrary.
  • the entities may be physical or virtual.
  • the connection relationships between the entities are illustrative only.
  • the entities may be connected or disconnected, and the connection may be in any manner, including direct or indirect, wired or wireless.
  • the following systems may be used for communication: IEEE 802.11 (Wi-Fi), IEEE 802.16 (WiMAX), IEEE 802.20 (Ultra-WideBand), Bluetooth, PLMN (Public Land Mobile Network), D2D (Device-to-Device), M2M (Machine-to-Machine), IoT (Internet of Things), V2X (Vehicle-to-Everything), other communication methods, and next-generation systems based on these systems. Furthermore, multiple systems may be combined (for example, a combination of LTE or LTE-A with 5G).
  • FIG2 is a schematic diagram of an interaction of a communication method according to an embodiment of the present disclosure.
  • an embodiment of the present disclosure relates to a communication method for use in a communication system 100.
  • each network device mentioned in the communication system 100 including, for example, a first network device 101, a second network device 102, and a third network device 103 will be exemplified based on the following: the first network device 101 is an access network device, the second network device 102 is a core network device, and the third network device 103 is an access network device (including, for example, the third network device 103 is an access network device different from the first network device 101).
  • the above method includes:
  • Step S2101 The first network device 101 sends a first instruction to the second network device 102 .
  • the first instruction may be, for example, New Radio Positioning Protocol A (NR Positioning Protocol A, NRPPa) signaling and/or Xn signaling.
  • NR Positioning Protocol A NR Positioning Protocol A
  • Xn Xn signaling.
  • the methods described in the embodiments of the present disclosure may also be applicable.
  • the use of some instructions may be adaptively adjusted or replaced.
  • the first network device 101 is an access network device that deploys an artificial intelligence (AI) model.
  • the first network device 101 instructs the second network device whether to use the AI model for positioning through a first instruction.
  • the second network device 102 receives the positioning result indicated by the first instruction sent by the first network device 101.
  • the relevant information determines whether to perform positioning based on the AI model.
  • the AI model deployed by the first network device 101 is an AI model for determining the positioning result (including, for example, determining the positioning result of the terminal), and the second network device 102 is a core network device deployed with a location management function (LMF) module.
  • LMF location management function
  • the AI model deployed for the first network device 101 can be used to perform corresponding calculations or reasoning (including, for example, taking the scenario based on AI model positioning as an example, the AI model can calculate or reason about the positioning results of the terminal).
  • the input of the AI model can come from the first network device 101 and/or multiple third network devices 103.
  • the second network device 102 can determine whether positioning is based on the AI model from the specific content of the first result in the relevant information about the first result indicated by the first instruction sent by the first network device 101, wherein the first result is determined based on the output information of the AI model; or the first result is not determined based on the output information of the AI model (including, for example, the relevant information of the first result is carried in the first instruction).
  • the first result is, for example, a positioning result determined based on the output information of an AI model, or the first result is not a positioning result determined based on the output information of an AI model.
  • the first network device 101 when the first result is determined based on the output information of the AI model, the first network device 101 sends a first instruction to the second network device 102, and the content indicated by the first instruction should be relevant information about positioning based on the AI model.
  • the first network device 101 sends a first instruction to the second network device 102, and the content indicated by the first instruction is not to perform positioning based on the AI model.
  • the first network device 101 can instruct the second network device 102 through the first instruction whether to perform positioning based on the AI model.
  • the relevant information about the first result is the relevant information about the first result being sent.
  • the first result needs to be sent to the third network device 103 so that the third network device 103 can perform subsequent corresponding operations.
  • the first result is sent to the third network device 103, and the third network device 103 can subsequently provide the first network device 101 with relevant information for AI model input.
  • the first result is sent to the third network device 103, and the third network device 103 may not subsequently provide the first network device 101 with relevant information for AI model input to save resource overhead. Therefore, it is necessary to clarify how to send the first result to the third network device 103.
  • the manner in which the first result is sent to the third network device 103 is determined by using the relevant information of the first result.
  • the relevant information of the first result may include any one of the following -a1) to -a2):
  • the first network device 101 sends the first result to the third network device 103 .
  • a1) can be used to send the first result directly from the first network device 101 to the third network device 103.
  • the second network device 102 does not need to send the first result to the third network device 103, thereby avoiding waste of resources.
  • the first result can be sent from the second network device 102 to the third network device 103.
  • Notifying the second network device 102 of -a2) can make the second network device 102 clear that it needs to send the first result to the third network device 103.
  • the first instruction may be determined through auxiliary information sent by the second network device 102 and/or the third network device 103 , wherein the auxiliary information may be used to determine the first instruction.
  • the auxiliary information sent by the second network device 102 can be measured by the second network device 102, or measured by other network devices (including, for example, other network devices other than the first network device 101, the second network device 102 and the third network device 103) and sent to the second network device 102.
  • the auxiliary information sent by the third network device 103 can be measured by the third network device 103, or sent by other network devices (including, for example, other network devices other than the first network device 101, the second network device 102 and the third network device 103) to the third network device 103.
  • the categories of the two can be the same or different (including, for example: both can be channel measurement values, or one of them can be a channel measurement value and the other can be receiving beam information, etc.).
  • auxiliary information can also be used to calculate performance indicators, thereby monitoring whether the input of the AI model is consistent with the distribution trend of the model input during training, or monitoring whether the output of the AI model is consistent with the distribution trend of the model output during training, or monitoring the difference between the output of the AI model and the ideal model output, etc.
  • "obtain”, “get”, “get”, “receive”, “transmit”, “bidirectional transmission”, “send and/or receive” can be interchangeable, and can be interpreted as receiving from other entities, obtaining from protocols, obtaining from higher layers, obtaining by self-processing, autonomous implementation, etc.
  • the names of information, etc. are not limited to the names described in the embodiments, and terms such as “information”, “message”, “signal”, “signaling”, “report”, “configuration”, “indication”, “instruction”, “command”, “channel”, “parameter”, “domain”, “field”, “symbol”, “symbol”, “codeword”, “codebook”, “codeword”, “codepoint”, “bit”, “data”, “program”, and “chip” can be used interchangeably.
  • terms such as “certain”, “preset”, “preset”, “setting”, “indicated”, “a certain”, “any”, and “first” can be interchangeable.
  • “Specific A”, “preset A”, “preset A”, “setting A”, “indicated A”, “a certain A”, “any A”, and “first A” can be interpreted as A pre-specified in a protocol, etc., or as A obtained through setting, configuration, or indication, etc., or as specific A, a certain A, any A, or first A, etc., but not limited to this.
  • the second network device 102 determines relevant information about the first result based on the received first instruction.
  • the second network device 102 determines relevant information of the first result to determine whether to send the first result to the third network device 103 .
  • step S2101 the relevant information of the first result has been clearly explained in the above-mentioned step S2101 embodiment. For details, please refer to the relevant description and will not be repeated here.
  • Step S2103 The first network device 101 sends a second instruction to the third network device 103 .
  • the third network device 103 receives the second instruction sent from the first network device 101 .
  • the second instruction is used to instruct the third network device 103 to perform the first operation.
  • the third network device 103 needs to perform corresponding operations to correspond to whether positioning is based on the AI model or not.
  • the specific instructions for the third network device 103 to perform the corresponding operations can be provided by the first network device 101.
  • the first network device 101 needs to instruct the third network device 103 to perform corresponding operations through the second instruction.
  • the third network device 103 executes -b1) and/or -b3).
  • the third network device 103 executes -b2) and/or -b4).
  • the second result includes at least one of the following: arrival time, arrival angle, departure angle, receiving power, LOS information, NLOS information, propagation path information, etc. of the channel.
  • the third network device 103 receives a third instruction from the second network device 102 .
  • a third network device is required to perform corresponding operations.
  • the third network device 103 needs to perform corresponding operations to correspond to whether positioning is based on the AI model or not.
  • the specific instructions for the third network device 103 to perform the corresponding operations can be provided by the second network device 102.
  • the second network device 102 is required to instruct the third network device 103 to perform corresponding operations through the third instruction.
  • the third network device 103 executes -c1) and/or -c3).
  • the third network device 103 executes -c2) and/or -c4).
  • the first measurement parameter includes at least one of the following: time information, power information, and phase information of the measurement result.
  • the first result is a result predicted by the AI model based on the first measurement parameter.
  • the first result includes at least one of the following: arrival time, arrival angle, departure angle, receiving power, LOS information, NLOS information, propagation path information, etc. of the channel.
  • third network device 103 can be performed as described in the relevant embodiment of step S2103, where first network device 101 directly notifies third network device 103.
  • second network device 102 notifies third network device 103. Either or both can be performed simultaneously. That is, either step S2103 or step S2104 can be performed simultaneously.
  • steps S2101 and S2102 may be executed in an exchanged order or simultaneously, and steps S2103 and S2104 may be executed in an exchanged order or simultaneously.
  • step S2101, step S2102, and step S2103 are optional, and one or more of these steps may be omitted or replaced in different embodiments.
  • step S2102, step S2102, and step S2104 are optional, and one or more of these steps may be omitted or replaced in different embodiments.
  • step S2101, step S2103, and step S2104 are optional, and one or more of these steps may be omitted or replaced in different embodiments.
  • FIG3A is a flow chart of a communication method according to an embodiment of the present disclosure. As shown in FIG3A , the embodiment of the present disclosure relates to a communication method, which includes:
  • Step S3101 Send a first instruction.
  • the first operation includes any one of the following: sending a first measurement parameter to a first network device; not sending the first measurement parameter to the first network device; receiving a first result sent by the first network device, the first result being a positioning result determined by the first network device based on the first measurement parameter; receiving a second result determined by a second network device, the second result being determined by the second network device based on a second measurement parameter sent by a third network device; wherein the first measurement parameter and the second measurement parameter are measured by the third network device, and the first result is predicted by the AI model based on the first measurement parameter.
  • FIG4B is a flow chart of a communication method according to an embodiment of the present disclosure. As shown in FIG4B , the embodiment of the present disclosure relates to a communication method, and the method includes:
  • Step S4201 obtain the first instruction.
  • step S4201 can refer to the optional implementation of step S2101 in Figure 2 and other related parts in the embodiment involved in Figure 2, which will not be repeated here.
  • Step S4202 Send a third instruction.
  • steps S4201 and S4202 may be executed in an interchanged order or simultaneously.
  • FIG4C is a flow chart of a communication method according to an embodiment of the present disclosure. As shown in FIG4C , the embodiment of the present disclosure relates to a communication method, and the method includes:
  • the relevant information of the first result includes any one of the following: the first network device sends the first result to the third network device; the first network device does not send the first result to the third network device, and the first result is sent to the third network device by the second network device; wherein the first result is determined based on the output information of the AI model; or the first result is not determined based on the output information of the AI model.
  • the third network device 103 receives the second instruction sent by the first network device 101 , but is not limited thereto and may also receive the second instruction sent by other entities.
  • the third network device 103 obtains the second instruction from the upper layer(s).
  • the third network device 103 performs processing to obtain the second instruction.
  • the third network device 103 obtains a third instruction specified by the protocol.
  • step S5101 is omitted, and the third network device 103 autonomously implements the function indicated by the third instruction, or the above function is default or acquiescent.
  • Step S5201 Obtain a second instruction, and/or obtain a third instruction.
  • step S5201 can refer to step S2103 and step S2104 in Figure 2, step S5101 in Figure 5A, the optional implementation of step S4102, and other related parts in the embodiments involved in Figures 2 and 5A, which will not be repeated here.
  • the first operation includes any one of the following: sending a first measurement parameter to a first network device; not sending the first measurement parameter to the first network device; receiving a first result sent by the first network device, the first result being a positioning result determined by the first network device based on the first measurement parameter; receiving a second result determined by a second network device, the second result being determined by the second network device based on a second measurement parameter sent by a third network device; wherein the first measurement parameter and the second measurement parameter are measured by the third network device, and the first result is predicted by the AI model based on the first measurement parameter.
  • the method further includes: sending auxiliary information to the first network device, the auxiliary information is used to determine a first instruction, the first instruction is used to indicate relevant information of a first result, and the first result is a positioning result determined by the second network device.
  • the auxiliary information includes at least one of the following: coordinates of the terminal; channel measurement values of the terminal under the second network device; channel measurement values under the third network device; receiving beam information of the second network device; receiving beam information of the third network device.
  • the relevant information of the first result includes any one of the following: the first network device sends the first result to the third network device; the first network device does not send the first result to the third network device, and the first result is sent to the third network device by the second network device; wherein the first result is determined based on the output information of the AI model; or the first result is not determined based on the output information of the AI model.
  • FIG6 is an interactive diagram illustrating a communication method according to an embodiment of the present disclosure.
  • Step S6102 Send a second instruction.
  • the first network device sends a first instruction to the second network device, and/or the first network device sends a second instruction to the third network device; when the second network device receives the first instruction sent by the first network device, it sends a third instruction to the third network device; the third network device receives the second instruction and/or the third instruction, wherein the first instruction is used to indicate relevant information of the first result, the first result is the positioning result determined by the second network device, the first network device is deployed with an AI model for determining the positioning result, the input of the AI model comes from the first network device and at least one third network device, the second instruction is used to instruct the third network device to perform the first operation, and the third instruction is used to instruct the third network device to perform the second operation.
  • the communication system involved in the communication method includes a variety of different network devices, which are described as a first network device, a second network device, and a third network device for ease of description.
  • the first network device includes, for example, an access network device (inference gNB) that deploys an AI model for inference
  • the second network device includes, for example, a core network device with an LMF module
  • the third network device includes, for example, an access network device that is different from the first network device (gNB that does not deploy an AI model, or a gNB that is not used for inference, etc.).
  • step S7101 the third network device sends data for performance metric calculation to the first network device.
  • the coordinates of the terminal may be relative coordinates of the terminal and the third network device.
  • the measurement value of the terminal under the third network device may also be referred to as a channel measurement value of the terminal by the third network device.
  • the data sent by the third network device for performance indicator calculation may also include input data for the AI model or output data for the AI model.
  • Performance monitoring indicator information may include, for example, at least one of the following: distribution of model input information (such as mean, variance), distribution of model output information, mean, variance of model output information, or difference from a certain threshold; environmental information of the terminal: such as channel quality, scene (indoor, outdoor, factory, office).
  • Performance monitoring indicators can be used to take corresponding measures for the AI model, mainly including starting the AI model, shutting down the AI model, switching the AI model, using non-AI operations, etc. For example, if it matches, Start the AI model, and if it does not match, shut down the AI model, etc. This disclosure does not give examples one by one, but is not limited to this.
  • the AI model can be activated.
  • the AI model can be deactivated, the AI model can be switched, etc.
  • corresponding measures can be taken for the AI model based on whether the output of the AI model in the performance monitoring indicators matches the distribution trend of the model output during training.
  • corresponding measures can be taken for the AI model based on the difference between the output of the AI model in the performance monitoring indicators and the ideal model output, etc.
  • step S7102 the second network device sends data for performance indicator calculation to the first network device.
  • the coordinates of the terminal may be relative coordinates of the terminal and the second network device.
  • the measurement value of the terminal under the second network device may also be referred to as a channel measurement value of the second network device for the terminal.
  • the data sent by the second network device for performance indicator calculation may also include input data for the AI model or output data for the AI model.
  • step S7103 the first network device performs performance metric calculation.
  • the first network device performs performance indicator calculation based on data used for performance indicator calculation.
  • the first information includes, for example, at least one of the following: performance monitoring indicator information: such as the distribution of model input information (e.g., mean, variance), the distribution of model output information, the mean, variance, or difference from a certain threshold of the model output information; information about the terminal's environment: such as channel quality, the scenario (indoor, outdoor, factory, office); and recommended AI model operations.
  • the AI model operations may include, for example, activation of the AI model/function, deactivation of the AI model/function, switching of the AI model/function, and fallback to a non-AI operating mode.
  • the first network device determines the operation of the AI model based on the LCM decision (that is, to achieve management of the AI model life cycle).
  • the first network device obtains an LCM decision result based on the LCM decision, and the LCM decision result includes the operation of the AI model (for example, based on the LCM decision result, the corresponding AI model operation is performed on the AI model to achieve management of the AI model life cycle), wherein the operation of the AI model may include at least one of the following: activation of the AI model/function, deactivation of the AI model/function, switching of the AI model/function, and fallback to a non-AI operation mode.
  • the first network device sends a first instruction to the second network device.
  • the first instruction may be an LCM command from the second network device for the first network device, where the first network device may be, for example, a gNBx. That is, the first instruction may be an LCM command for gNBx (e.g., NR Positioning Protocol A (NRPPa) and/or Xn signaling).
  • NRPPa NR Positioning Protocol A
  • Xn signaling e.g., NR Positioning Protocol A
  • the first network device sends the second result of the second network device to the third network device.
  • the first network device does not send the second result of the second network device to the third network device.
  • the second result is sent by the second network device to the third network device.
  • the first network device sends a second instruction to the third network device.
  • the second instruction may be an LCM command for the third network device, where the third network device may be, for example, gNBy. That is, the second instruction may be an LCM command for gNBy (e.g., may include NRPPa and/or Xn signaling).
  • the method further includes: the first network device sends a second instruction to the third network device, and the third network device determines to perform a corresponding first operation based on the second instruction, that is, the second instruction is used to indicate the first operation.
  • the first operation includes, for example, any one of the following (B1) to (B4):
  • the first measurement parameter includes at least one of the following: time information, power information, and phase information of the measurement result.
  • the first result is a result determined by the first network device based on the first measurement parameter.
  • the first result includes at least one of the following: arrival time, arrival angle, departure angle, received power, LOS information, NLOS information, and propagation path information of the base channel.
  • FIG7B is a flow chart of a communication method according to an embodiment of the present disclosure. As shown in FIG7B , the embodiment of the present disclosure includes the following steps:
  • step S7202 the second network device sends data for performance indicator calculation to the first network device.
  • step S7202 For the relevant description of step S7202, please refer to the relevant embodiment description corresponding to step S7102, which will not be repeated here.
  • step S7204 the first network device makes an LCM decision.
  • step S7204 For the relevant description of step S7204, please refer to the relevant embodiment description corresponding to step S7104, which will not be repeated here.
  • step S7205 For the relevant description of step S7205, please refer to the relevant embodiment description corresponding to step S7105, which will not be repeated here.
  • the second network device sends a third instruction to the third network device.
  • the third instruction may be an LCM instruction for the third network device (for example, may include NRPPa and/or Xn signaling).
  • the second network device sends a third instruction to the third network device, and the third network device determines an operation indicated by the third instruction based on the third instruction, where the third instruction is used to indicate any one of the following operations (C1) to (C4):
  • the second network device calculates a second result based on the measurement information, and sends the second result to the third network device.
  • the first measurement parameter includes at least one of the following: time information, power information, and phase information of the measurement result.
  • the first result is a result determined by the first network device based on the first measurement parameter.
  • the first result includes at least one of the following: arrival time, arrival angle, departure angle, received power, LOS information, NLOS information, and propagation path information of the base channel.
  • the second result is calculated by the second network device based on the measurement information.
  • the measurement information may be the same as or different from the first measurement parameter, and the two are not completely identical.
  • the second result includes at least one of the following: arrival time, arrival angle, departure angle, receiving power, LOS information, NLOS information, and propagation path information of the base channel.
  • the first network device further receives auxiliary data sent from the second network device and the third network device, where the auxiliary data is used to assist the first network device in determining the content of the first instruction.
  • the auxiliary data includes coordinate information of the terminal, a channel measurement value of the third network device for the terminal, and receiving beam information of the third network device.
  • the auxiliary data sent by the second network device and the third network device may be the same or different.
  • the embodiments of the present disclosure further provide an apparatus for implementing any of the above methods.
  • an apparatus comprising units or modules for implementing each step performed by a terminal in any of the above methods.
  • another apparatus comprising units or modules for implementing each step performed by a network device (e.g., an access network device, a core network function node, a core network device, etc.) in any of the above methods.
  • a network device e.g., an access network device, a core network function node, a core network device, etc.
  • the division of the various units or modules in the above device is only a division of logical functions. In actual implementation, they can be fully or partially integrated into one physical entity, or they can be physically separated.
  • the units or modules in the device can be implemented in the form of a processor calling software: for example, the device includes a processor, the processor is connected to a memory, and instructions are stored in the memory.
  • the processor calls the instructions stored in the memory to implement any of the above methods or implement the functions of the various units or modules of the above device, wherein the processor is, for example, a general-purpose processor, such as a central processing unit (CPU) or a microprocessor, and the memory is a memory within the device or a memory outside the device.
  • CPU central processing unit
  • microprocessor a microprocessor
  • FPGA field programmable gate array
  • it may include a large number of logic gate circuits, and the connection relationship between the logic gate circuits may be configured through a configuration file, thereby implementing the functions of some or all of the above-mentioned units or modules. All units or modules of the above-mentioned devices may be implemented entirely by the processor calling software, or entirely by hardware circuits, or partially by the processor calling software, and the remaining part by hardware circuits.
  • Figure 8A is a structural diagram of the first network device proposed in an embodiment of the present disclosure.
  • the first network device 8100 may include: a transceiver module 8101, for sending a first instruction to the second network device, the first instruction is used to indicate relevant information of the first result, the first result is the positioning result determined by the second network device, and the first network device is deployed with an AI model for determining the positioning result, and the input of the AI model comes from the first network device and at least one third network device.
  • the transceiver module may include a transmitting module and/or a receiving module, and the transmitting module and the receiving module may be separate or integrated.
  • the transceiver module may be interchangeable with the transceiver.
  • the relevant information of the first result includes any one of the following: the first network device sends the first result to the third network device; the first network device does not send the first result to the third network device, and the first result is sent to the third network device by the second network device; wherein the first result is determined based on the output information of the AI model; or the first result is not determined based on the output information of the AI model.
  • the transceiver module 8101 is further configured to send a second instruction to the third network device, where the second instruction is configured to instruct the third network device to perform the first operation.
  • the first operation includes any one of the following: sending a first measurement parameter to the first network device; not sending the first measurement parameter to the first network device; receiving a first result sent by the first network device, the first result being a positioning result determined by the first network device based on the first measurement parameter; receiving a second result determined by the second network device, the second result being determined by the second network device based on the second measurement parameter sent by the third network device; wherein the first measurement parameter and the second measurement parameter are measured by the third network device. It is obtained that the first result is predicted by the AI model based on the first measurement parameter.
  • the auxiliary information includes at least one of the following: coordinates of the terminal; channel measurement values of the terminal under the second network device; channel measurement values under the third network device; receiving beam information of the second network device; receiving beam information of the third network device.
  • FIG 8B is a structural diagram of the second network device proposed in an embodiment of the present disclosure.
  • the second network device 8200 may include: a transceiver module 8201, for receiving a first instruction sent by the first network device, the first instruction is used to indicate relevant information of the first result, the first result is a positioning result determined by the second network device, and an AI model for determining the positioning result is deployed in the first network device, and the input of the AI model comes from the first network device and at least one third network device.
  • the second network device 8200 may further include a processing module 8202 configured to determine relevant information of the first result based on the first instruction.
  • the relevant information of the first result includes any one of the following: the first network device sends the first result to the third network device; the first network device does not send the first result to the third network device, and the first result is sent to the third network device by the second network device; wherein the first result is determined based on the output information of the AI model; or the first result is not determined based on the output information of the AI model.
  • the transceiver module 8201 is further configured to send a third instruction to a third network device upon receiving the first instruction, where the third instruction is configured to instruct the third network device to perform the second operation.
  • the second operation includes any of the following: sending a first measurement parameter to the first network device; not sending the first measurement parameter to the first network device; receiving a first result sent by the first network device, the first result being a positioning result determined by the first network device based on the first measurement parameter; receiving a second result determined by the second network device, the second result being determined by the second network device based on the second measurement parameter sent by the third network device; wherein the first measurement parameter and the second measurement parameter are measured by the third network device, and the first result is predicted by the AI model based on the first measurement parameter.
  • modules and/or devices described in various embodiments can be arbitrarily combined or separated according to circumstances.
  • some or all steps can also be performed collaboratively by multiple modules and/or devices, which is not limited here.
  • the present disclosure also proposes a storage medium, on which instructions are stored.
  • the storage medium is an electronic storage medium.
  • the storage medium is a computer-readable storage medium, but is not limited thereto, and may also be a storage medium readable by other devices.
  • the storage medium is an electronic storage medium.
  • the storage medium may be a non-transitory storage medium, but is not limited thereto, and may also be a transient storage medium.
  • the present disclosure also proposes a computer program, which, when executed on a computer, causes the computer to perform any one of the above methods.

Landscapes

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

Abstract

本公开涉及通信方法、网络设备、通信系统及存储介质。方法包括：第一网络设备向第二网络设备发送第一指令，所述第一指令用于指示第一结果的相关信息，所述第一结果为所述第二网络设备所确定的定位结果，所述第一网络设备中部署有用于确定定位结果的AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备。通过本公开实施例，第一网络设备向第二网络设备发送第一指令，从而使第二网络设备确定有关第一结果的相关信息，实现在AI模型的集中式部署场景下对AI模型进行性能管理，从而提高了通信效率。

Description

通信方法、网络设备、通信系统及存储介质 技术领域
本公开涉及通信技术领域，尤其涉及通信方法、网络设备、通信系统及存储介质。
背景技术
随着通信技术的发展，人工智能(artificial intelligence，AI)技术在多个领域取得不断突破，包括但不限于基于AI的定位。
对于基于AI的定位，目前有多种部署方式。例如，AI模型可以部署在基站侧，并由定位管理功能(location management function，LMF)辅助定位。
发明内容
在基于AI定位的集中部署模式下，如何进行AI模型的性能管理，是需要解决的技术问题。
本公开实施例提出了通信方法、网络设备、通信系统及存储介质。
根据本公开实施例的第一方面，提出了一种通信方法，方法包括：第一网络设备向第二网络设备发送第一指令，所述第一指令用于指示第一结果的相关信息，所述第一结果为所述第二网络设备所确定的定位结果，所述第一网络设备中部署有用于确定定位结果的人工智能AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备。
根据本公开实施例的第二方面，提出了一种通信方法，方法包括：第二网络设备接收第一网络设备发送的第一指令，所述第一指令用于指示第一结果的相关信息，所述第一结果为所述第二网络设备所确定的定位结果，所述第一网络设备中部署有用于确定定位结果的人工智能AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备。
根据本公开实施例的第三方面，提出了一种通信方法，方法包括：第三网络设备接收第一网络设备发送的第二指令，和/或接收第二网络设备发送的第三指令，所述第二指令用于指示所述第三网络设备执行第一操作，所述第三指令用于指示所述第三网络设备执行第二操作，所述第一网络设备中部署有用于确定定位结果的人工智能AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备。
根据本公开实施例的第四方面，提出了一种通信方法，方法包括：第一网络设备向第二网络设备发送第一指令，和/或第一网络设备向第三网络设备发送第二指令；所述第二网络设备接收到所述第一网络设备发送的第一指令的情况下，向所述第三网络设备发送第三指令；所述第三网络设备接收所述第二指令，和/或所述第三指令，其中，所述第一指令用于指示第一结果的相关信息，所述第一结果为所述第二网络设备所确定的定位结果，所述第一网络设备中部署有用于确定定位结果的人工智能AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备，所述第二指令用于指示所述第三网络设备执行第一操作，所述第三指令用于指示所述第三网络设备执行第二操作。
根据本公开实施例的第五方面，提出了一种第一网络设备，包括：收发模块，用于向第二网络设备发送第一指令，所述第一指令用于指示第一结果的相关信息，所述第一结果为所述第二网络设备所确定的定位结果，所述第一网络设备中部署有用于确定定位结果的人工智能AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备。
根据本公开实施例的第六方面，提出了一种第二网络设备，包括：收发模块，用于接收第一网络设备发送的第一指令，所述第一指令用于指示第一结果的相关信息，所述第一结果为所述第二网络设备所确定的定位结果，所述第一网络设备中部署有用于确定定位结果的人工智能AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备。
根据本公开实施例的第七方面，提出了一种第三网络设备，包括：收发模块，用于接收第一网络设备发送的第二指令，和/或接收第二网络设备发送的第三指令，所述第二指令用于指示所述第三网络设备执行第一操作，所述第三指令用于指示所述第三网络设备执行第二操作，所述第一网络设备中部署有用于确定定位结果的AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备。
根据本公开实施例的第八方面，提出了一种第一网络设备，包括：一个或多个处理器；其中，第一网络设备用于执行第一方面及第一方面中的任一项通信方法。
根据本公开实施例的第九方面，提出了一种第二网络设备，包括：一个或多个处理器；其中，第二网络设备用于执行第二方面及第二方面中的任一项通信方法。
根据本公开实施例的第十方面，提出了一种第三网络设备，包括：一个或多个处理器；其中， 第三网络设备用于执行第三方面及第三方面中的任一项通信方法。
根据本公开实施例的第十一方面，提出了一种通信系统，包括第一网络设备、第二网络设备和第三网络设备，其中，第一网络设备被配置为实现第一方面的通信方法，第二网络设备被配置为实现第二方面的通信方法，第三网络设备被配置为实现第三方面的通信方法。
根据本公开实施例的第十二方面，提出了一种存储介质，存储介质存储有指令，其特征在于，当指令在通信设备上运行时，使得通信设备执行第一方面或第二方面或第三方面的方法。
根据本公开实施例的第十三方面，提出了一种程序产品，包括：计算机程序，所述计算机程序被通信设备执行时，使得上述通信设备执行第一方面或第二方面或第三方面的方法。
通过本公开实施例，第一网络设备向第二网络设备发送第一指令，从而使第二网络设备确定有关第一结果的相关信息，实现在AI模型的集中式部署场景下对AI模型进行性能管理，从而提高了通信效率。
附图说明
为了更清楚地说明本公开实施例中的技术方案，以下对实施例描述所需的附图进行介绍，以下附图仅仅是本公开的一些实施例，不对本公开的保护范围造成具体限制。
图1A是一种AI功能的架构示意图。
图1B是本公开示例性实施例示出的基于AI的定位架构示意图。
图1C是本公开示例性实施例示出的基于AI的定位架构示意图。
图1D是本公开示例性实施例示出的基于AI的定位架构示意图。
图1E是根据本公开实施例示出的通信系统架构示意图。
图2是根据本公开实施例示出的一种通信方法交互示意图。
图3A是根据本公开实施例示出的通信方法的流程示意图。
图3B是根据本公开实施例示出的通信方法的流程示意图。
图4A是根据本公开实施例示出的通信方法的流程示意图。
图4B是根据本公开实施例示出的通信方法的流程示意图。
图4C是根据本公开实施例示出的通信方法的流程示意图。
图5A是根据本公开实施例示出的通信方法的流程示意图。
图5B是根据本公开实施例示出的通信方法的流程示意图。
图6是根据本公开实施例示出的通信方法的交互示意图。
图7A是根据本公开实施例示出的通信方法的流程示意图。
图7B是根据本公开实施例示出的通信方法的流程示意图。
图8A是本公开实施例提出的第一网络设备的结构示意图。
图8B是本公开实施例提出的第二网络设备的结构示意图。
图8C是本公开实施例提出的第三网络设备的结构示意图。
图9A是本公开实施例提出的通信设备的结构示意图。
图9B是本公开实施例提出的芯片的结构示意图。
具体实施方式
本公开实施例提出了通信方法、终端、网络设备及存储介质。
第一方面，本公开实施例提出了一种通信方法，方法包括：第一网络设备向第二网络设备发送第一指令，所述第一指令用于指示第一结果的相关信息，所述第一结果为所述第二网络设备所确定的定位结果，所述第一网络设备中部署有用于确定定位结果的人工智能AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备。
在上述实施例中，通过第一网络设备向第二网络设备发送第一指令，通过第一指令指示第一结果的相关信息，从而使第二网络设备能够基于第一指令明确对于第一结果的相关信息，例如，第一结果是否是基于AI模型定位得到的。
结合第一方面的一些实施例，在一些实施例中，所述第一结果的相关信息包括以下任意一项：所述第一网络设备向第三网络设备发送所述第一结果；所述第一网络设备不向第三网络设备发送所述第一结果，所述第一结果由所述第二网络设备发送至所述第三网络设备；其中，所述第一结果基于AI模型的输出信息确定；或者所述第一结果不是基于AI模型的输出信息确定的。
在上述实施例中，通过定义第一结果的相关信息，在第一网络设备向第二网络设备发送第一指令的情况下，可以使第二网络设备明确第一结果的相关信息，进而可以使第二网络设备确定第三网 络设备接收第一结果的方式。
结合第一方面的一些实施例，在一些实施例中，方法还包括：所述第一网络设备向所述第三网络设备发送第二指令，所述第二指令用于指示所述第三网络设备执行第一操作。
在上述实施例中，通过第二指令，可以使第三网络设备在基于AI模型定位或者不基于AI模型定位的场景中分别作出相应的操作。
结合第一方面的一些实施例，在一些实施例中，所述第一操作包括以下任意一项：向所述第一网络设备发送第一测量参数；不向所述第一网络设备发送第一测量参数；接收所述第一网络设备发送的第一结果，所述第一结果为所述第一网络设备基于所述第一测量参数确定的定位结果；接收所述第二网络设备确定的第二结果，所述第二结果由所述第二网络设备基于第三网络设备发送的第二测量参数确定；其中，所述第一测量参数以及所述第二测量参数由所述第三网络设备测量得到，所述第一结果由所述AI模型基于所述第一测量参数预测得到。
在上述实施例中，通过定义第一操作的内容，使第三网络设备能够明确在基于AI模型定位或者不基于AI模型定位的场景中需要执行的具体操作。
结合第一方面的一些实施例，在一些实施例中，方法还包括：所述第一网络设备接收辅助信息，所述辅助数据由所述第二网络设备和/或所述第三网络设备发送，所述辅助信息用于确定所述第一指令。
结合第一方面的一些实施例，在一些实施例中，所述辅助信息包括以下至少一项：终端的坐标；终端在所述第二网络设备下的信道测量值；所述第三网络设备下的信道测量值；所述第二网络设备的接收波束信息；所述第三网络设备的接收波束信息。
第二方面，本公开实施例提出了一种通信方法，方法包括：第二网络设备接收第一网络设备发送的第一指令，所述第一指令用于指示第一结果的相关信息，所述第一结果为所述第二网络设备所确定的定位结果，所述第一网络设备中部署有用于确定定位结果的人工智能AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备。
在上述实施例中，通过第一网络设备向第二网络设备发送第一指令，通过第一指令指示第一结果的相关信息，从而使第二网络设备能够基于第一指令明确对于第一结果的相关信息，例如，第一结果是否是基于AI模型定位得到的。
结合第二方面的一些实施例，在一些实施例中，所述第一结果的相关信息包括以下任意一项：所述第一网络设备向第三网络设备发送所述第一结果；所述第一网络设备不向第三网络设备发送所述第一结果，所述第一结果由所述第二网络设备发送至所述第三网络设备；其中，所述第一结果基于AI模型的输出信息确定；或者所述第一结果不是基于AI模型的输出信息确定的。
结合第二方面的一些实施例，在一些实施例中，所述方法还包括：接收到所述第一指令的情况下，向所述第三网络设备发送第三指令，所述第三指令用于指示所述第三网络设备执行第二操作。
结合第二方面的一些实施例，在一些实施例中，所述第二操作包括以下任一：向所述第一网络设备发送第一测量参数；不向所述第一网络设备发送第一测量参数；接收所述第一网络设备发送的第一结果，所述第一结果为所述第一网络设备基于所述第一测量参数确定的定位结果；接收所述第二网络设备确定的第二结果，所述第二结果由所述第二网络设备基于第三网络设备发送的第二测量参数确定；其中，所述第一测量参数以及所述第二测量参数由所述第三网络设备测量得到，所述第一结果由所述AI模型基于所述第一测量参数预测得到。
结合第二方面的一些实施例，在一些实施例中，所述方法还包括：向所述第一网络设备发送辅助信息，所述辅助信息用于确定所述第一指令。
结合第二方面的一些实施例，在一些实施例中，所述辅助信息包括以下至少一项：终端的坐标；终端在所述第二网络设备下的信道测量值；所述第三网络设备下的信道测量值；所述第二网络设备的接收波束信息；所述第三网络设备的接收波束信息。
第三方面，本公开实施例提出了一种通信方法，方法包括：第三网络设备接收第一网络设备发送的第二指令，和/或接收第二网络设备发送的第三指令，所述第二指令用于指示所述第三网络设备执行第一操作，所述第三指令用于指示所述第三网络设备执行第二操作，所述第一网络设备中部署有用于确定定位结果的人工智能AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备。
在上述实施例中，第三网络设备通过接收的第二指令，和/或第三指令能够明确在基于AI模型定位或者不基于AI模型定位的场景中需要执行的具体操作。
结合第三方面的一些实施例，在一些实施例中，所述第一操作包括以下任意一项：向所述第一 网络设备发送第一测量参数；不向所述第一网络设备发送第一测量参数；接收所述第一网络设备发送的第一结果，所述第一结果为所述第一网络设备基于所述第一测量参数确定的定位结果；接收所述第二网络设备确定的第二结果，所述第二结果由所述第二网络设备基于第三网络设备发送的第二测量参数确定；其中，所述第一测量参数以及所述第二测量参数由所述第三网络设备测量得到，所述第一结果由所述AI模型基于所述第一测量参数预测得到。
结合第三方面的一些实施例，在一些实施例中，所述第二操作包括以下任一：向所述第一网络设备发送第一测量参数；不向所述第一网络设备发送第一测量参数；接收所述第一网络设备发送的第一结果，所述第一结果为所述第一网络设备基于所述第一测量参数确定的定位结果；接收所述第二网络设备确定的第二结果，所述第二结果由所述第二网络设备基于第三网络设备发送的第二测量参数确定；其中，所述第一测量参数以及所述第二测量参数由所述第三网络设备测量得到，所述第一结果由所述AI模型基于所述第一测量参数预测得到。
结合第三方面的一些实施例，在一些实施例中，所述方法还包括：向所述第一网络设备发送辅助信息，所述辅助信息用于确定第一指令，所述第一指令用于指示第一结果的相关信息，所述第一结果为所述第二网络设备所确定的定位结果。
结合第三方面的一些实施例，在一些实施例中，所述辅助信息包括以下至少一项：终端的坐标；终端在所述第二网络设备下的信道测量值；所述第三网络设备下的信道测量值；所述第二网络设备的接收波束信息；所述第三网络设备的接收波束信息。
结合第三方面的一些实施例，在一些实施例中，所述第一结果的相关信息包括以下任意一项：所述第一网络设备向第三网络设备发送所述第一结果；所述第一网络设备不向第三网络设备发送所述第一结果，所述第一结果由所述第二网络设备发送至所述第三网络设备；其中，所述第一结果基于AI模型的输出信息确定；或者所述第一结果不是基于AI模型的输出信息确定的。
第四方面，本公开实施例提出了一种通信方法，方法包括：第一网络设备向第二网络设备发送第一指令，和/或第一网络设备向第三网络设备发送第二指令；所述第二网络设备接收到所述第一网络设备发送的第一指令的情况下，向所述第三网络设备发送第三指令；所述第三网络设备接收所述第二指令，和/或所述第三指令，其中，所述第一指令用于指示第一结果的相关信息，所述第一结果为所述第二网络设备所确定的定位结果，所述第一网络设备中部署有用于确定定位结果的人工智能AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备，所述第二指令用于指示所述第三网络设备执行第一操作，所述第三指令用于指示所述第三网络设备执行第二操作。
第五方面，本公开实施例提出了一种第一网络设备，包括：收发模块，用于向第二网络设备发送第一指令，所述第一指令用于指示第一结果的相关信息，所述第一结果为所述第二网络设备所确定的定位结果，所述第一网络设备中部署有用于确定定位结果的人工智能AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备。
第六方面，本公开实施例提出了一种第二网络设备，包括：收发模块，用于接收第一网络设备发送的第一指令，所述第一指令用于指示第一结果的相关信息，所述第一结果为所述第二网络设备所确定的定位结果，所述第一网络设备中部署有用于确定定位结果的人工智能AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备。
第七方面，本公开实施例提出了一种第三网络设备，包括：收发模块，用于接收第一网络设备发送的第二指令，和/或接收第二网络设备发送的第三指令，所述第二指令用于指示所述第三网络设备执行第一操作，所述第三指令用于指示所述第三网络设备执行第二操作，所述第一网络设备中部署有用于确定定位结果的人工智能AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备。
第八方面，提出了一种第一网络设备，包括：一个或多个处理器；其中，第一网络设备用于执行第一方面及第一方面中的任一项通信方法。
第九方面，提出了一种第一网络设备，包括：一个或多个处理器；其中，第二网络设备用于执行第二方面及第二方面中的任一项通信方法。
第十方面，提出了一种第一网络设备，包括：一个或多个处理器；其中，第三网络设备用于执行第三方面及第三方面中的任一项通信方法。
第十一方面，提出了一种通信系统，包括第一网络设备、第二网络设备和第三网络设备，其中，第一网络设备被配置为实现第一方面的通信方法，第二网络设备被配置为实现第二方面的通信方法，第三网络设备被配置为实现第三方面的通信方法。
第十二方面，提出了一种存储介质，存储介质存储有指令，其特征在于，当指令在通信设备上 运行时，使得通信设备执行第一方面或第二方面或第三方面的方法。
第十三方面，本公开实施例提出了计算机程序，当其在计算机上运行时，使得计算机执行如第一方面或第二方面或第三方面的可选实现方式所描述的方法。
第十四方面，本公开实施例提供了一种芯片或芯片系统。该芯片或芯片系统包括处理电路，被配置为执行如第一方面或第二方面或第三方面的可选实现方式所描述的方法。
第十五方面，本公开实施例提出了一种程序产品，包括：计算机程序，所述计算机程序被通信设备执行时，使得上述通信设备执行第一方面或第二方面或第三方面的方法。
可以理解地，本公开各实施例所涉及的第一网络设备、第二网络设备、第三网络设备、通信系统、存储介质、程序产品、计算机程序、芯片或芯片系统均用于执行本公开实施例所提出的方法。因此，其所能达到的有益效果可以参考对应方法中的有益效果，此处不再赘述。
本公开实施例提出了通信方法、装置、设备及存储介质。在一些实施例中，通信方法与信息处理方法、通信方法等术语可以相互替换，通信装置与信息处理装置、通信装置等术语可以相互替换，信息处理系统、通信系统等术语可以相互替换。
本公开实施例并非穷举，仅为部分实施例的示意，不作为对本公开保护范围的具体限制。在不矛盾的情况下，某一实施例中的每个步骤均可以作为独立实施例来实施，且各步骤之间可以任意组合，例如，在某一实施例中去除部分步骤后的方案也可以作为独立实施例来实施，且在某一实施例中各步骤的顺序可以任意交换，另外，某一实施例中的可选实现方式可以任意组合；此外，各实施例之间可以任意组合，例如，不同实施例的部分或全部步骤可以任意组合，某一实施例可以与其他实施例的可选实现方式任意组合。
在各本公开实施例中，如果没有特殊说明以及逻辑冲突，各实施例之间的术语和/或描述具有一致性，且可以互相引用，不同实施例中的技术环境根据其内在的逻辑关系可以组合形成新的实施例。
本公开实施例中所使用的术语只是为了描述特定实施例的目的，而并非作为对本公开的限制。
在本公开实施例中，除非另有说明，以单数形式表示的元素，如“一个”、“一种”、“该”、“上述”、“所述”、“前述”、“这一”等，可以表示“一个且只有一个”，也可以表示“一个或多个”、“至少一个”等。例如，在翻译中使用如英语中的“a”、“an”、“the”等冠词(article)的情况下，冠词之后的名词可以理解为单数表达形式，也可以理解为复数表达形式。
在本公开实施例中，“多个”是指两个或两个以上。
在一些实施例中，“至少一者(至少一项、至少一个)(at least one of)”、“一个或多个(one or more)”、“多个(a plurality of)”、“多个(multiple)等术语可以相互替换。
在一些实施例中，“A、B中的至少一者”、“A和/或B”、“在一情况下A，在另一情况下B”、“响应于一情况A，响应于另一情况B”等记载方式，根据情况可以包括以下技术方案：在一些实施例中A(与B无关地执行A)；在一些实施例中B(与A无关地执行B)；在一些实施例中从A和B中选择执行(A和B被选择性执行)；在一些实施例中A和B(A和B都被执行)。当有A、B、C等更多分支时也类似上述。
在一些实施例中，“A或B”等记载方式，根据情况可以包括以下技术方案：在一些实施例中A(与B无关地执行A)；在一些实施例中B(与A无关地执行B)；在一些实施例中从A和B中选择执行(A和B被选择性执行)。当有A、B、C等更多分支时也类似上述。
本公开实施例中的“第一”、“第二”等前缀词，仅仅为了区分不同的描述对象，不对描述对象的位置、顺序、优先级、数量或内容等构成限制，对描述对象的陈述参见权利要求或实施例中上下文的描述，不应因为使用前缀词而构成多余的限制。例如，描述对象为“字段”，则“第一字段”和“第二字段”中“字段”之前的序数词并不限制“字段”之间的位置或顺序，“第一”和“第二”并不限制其修饰的“字段”是否在同一个消息中，也不限制“第一字段”和“第二字段”的先后顺序。再如，描述对象为“等级”，则“第一等级”和“第二等级”中“等级”之前的序数词并不限制“等级”之间的优先级。再如，描述对象的数量并不受序数词的限制，可以是一个或者多个，以“第一装置”为例，其中“装置”的数量可以是一个或者多个。此外，不同前缀词修饰的对象可以相同或不同，例如，描述对象为“装置”，则“第一装置”和“第二装置”可以是相同的装置或者不同的装置，其类型可以相同或不同；再如，描述对象为“信息”，则“第一信息”和“各AI模型的性能”可以是相同的信息或者不同的信息，其内容可以相同或不同。
在一些实施例中，“包括A”、“包含A”、“用于指示A”、“携带A”，可以解释为直接携带A，也可以解释为间接指示A。
在一些实施例中，“响应于……”、“响应于确定……”、“在……的情况下”、“在……时”、 “当……时”、“若……”、“如果……”等术语可以相互替换。
在一些实施例中，“大于”、“大于或等于”、“不小于”、“多于”、“多于或等于”、“不少于”、“高于”、“高于或等于”、“不低于”、“以上”等术语可以相互替换，“小于”、“小于或等于”、“不大于”、“少于”、“少于或等于”、“不多于”、“低于”、“低于或等于”、“不高于”、“以下”等术语可以相互替换。
在一些实施例中，装置和设备可以解释为实体的、也可以解释为虚拟的，其名称不限定于实施例中所记载的名称，在一些情况下也可以被理解为“设备(equipment)”、“设备(device)”、“电路”、“网元”、“节点”、“功能”、“单元”、“部件(section)”、“系统”、“网络”、“芯片”、“芯片系统”、“实体”、“主体”等。
在一些实施例中，“网络”可以解释为网络中包含的装置，例如，接入网设备、核心网设备等。
在一些实施例中，“接入网设备(access network device，AN device)”也可以被称为“无线接入网设备(radio access network device，RAN device)”、“基站(base station，BS)”、“无线基站(radio base station)”、“固定台(fixed station)”，在一些实施例中也可以被理解为“节点(node)”、“接入点(access point)”、“发送点(transmission point，TP)”、“接收点(reception point，RP)”、“发送和/或接收点(transmission/reception point，TRP)”、“面板(panel)”、“天线面板(antenna panel)”、“天线阵列(antenna array)”、“小区(cell)”、“宏小区(macro cell)”、“小型小区(small cell)”、“毫微微小区(femto cell)”、“微微小区(pico cell)”、“扇区(sector)”、“小区组(cell group)”、“服务小区”、“载波(carrier)”、“分量载波(component carrier)”、“带宽部分(bandwidth part，BWP)”等。
在一些实施例中，“终端(terminal)”或“终端设备(terminal device)”可以被称为“用户设备(user equipment，UE)”、“用户终端(user terminal)”、“移动台(mobile station，MS)”、“移动终端(mobile terminal，MT)”、订户站(subscriber station)、移动单元(mobile unit)、订户单元(subscriber unit)、无线单元(wireless unit)、远程单元(remote unit)、移动设备(mobile device)、无线设备(wireless device)、无线通信设备(wireless communication device)、远程设备(remote device)、移动订户站(mobile subscriber station)、接入终端(access terminal)、移动终端(mobile terminal)、无线终端(wireless terminal)、远程终端(remote terminal)、手持设备(handset)、用户代理(user agent)、移动客户端(mobile client)、客户端(client)等。
在一些实施例中，获取数据、信息等可以遵照所在地国家的法律法规。
在一些实施例中，可以在得到用户同意后获取数据、信息等。
此外，本公开实施例的表格中的每一元素、每一行、或每一列均可以作为独立实施例来实施，任意元素、任意行、任意列的组合也可以作为独立实施例来实施。
目前，5G技术的广泛应用为人们生活的方方面面带来巨大改变。根据国际电信联盟(international telecommunication union，ITU)的愿景，5G将渗透到未来社会的各个领域，以用户为中心构建全方位的信息生态系统。其中，5G用户体验速率可达100兆比特每秒(Mbit/s)～1千兆比特(Gbit/s)，能够支持移动虚拟现实等极致业务体验；5G峰值速率可达10Gbit/s～20Gbit/s，流量密度可达10兆比特每秒每平方米(Mbit/s/m2)，能够支持未来千倍以上移动业务流量的增长；5G联接数密度可达100万个每平方米(/m2)，能够有效支持海量的物联网设备；5G传输时延可达毫秒量级，可满足车联网和工业控制的严苛要求；5G能够支持500千米每小时(km/h)的移动速度，能够在高铁环境下满足良好的用户体验。可以想见，5G作为新型基础设施代表将重新构建未来的信息化社会。
近年来，AI技术在多个领域取得不断突破。智能语音、计算机视觉等领域的持续发展不仅为智能终端带来丰富多彩的各种应用，在教育、交通、家居、医疗、零售、安防等多个领域也有广泛应用，给人们生活带来便利同时，也在促进各个行业进行产业升级。AI技术也正在加速与其他学科领域交叉渗透，其发展融合不同学科知识同时，也为不同学科的发展提供了新的方向和方法。
在无线AI的研究中，人工智能的应用案例包括：基于AI的CSI增强；基于AI的波束管理；基于AI的定位。
图1A是一种AI功能的架构示意图。如图1A所示，在AI功能的架构中，包括数据收集、模型管理、模型训练、模型推理等功能。
针对基于AI的定位，包括但不限于以下五种部署方式：
例如，AI/机器学习(machine learning，ML)直接定位：
1)、基于UE的定位，模型部署在UE侧，AI/ML直接定位；
2)、UE辅助的基于LMF的定位，模型部署在LMF侧，AI/ML直接定位；
3)、下一代无线接入网(next generation radio access network，NG-RAN)节点辅助定位，模型部署在LMF侧，AI/ML直接定位。
又例如，AI/ML辅助定位：
4)、UE辅助的基于LMF的定位，模型部署在UE侧，AI/ML辅助定位；
5)、NG-RAN节点辅助定位，模型部署在gNB侧，AI/ML辅助定位。
其中，AI/ML直接定位可以理解为AI模型或ML模型可以输出位置信息，即，可以得到定位的结果。AI/ML辅助定位可以理解为AI模型或ML模型可以输出用于定位的中间参数，中间参数可以用于计算得到位置信息，即，AI模型或ML模型并不直接得到定位的结果。
在一些实施例中，针对上述部署方式5)，当AI模型部署在基站侧时，有三种基于AI的定位架构可以考虑：
其一、每个传输点(transmission and receiving point，TRP)对应一个AI模型，或每个TRP对应一个ML模型。图1B是本公开示例性实施例示出的基于AI的定位架构示意图。如图1B所示，以18个TRP(TRP0～TRP17)为例进行说明，但本公开对TRP的数量并不限定。每个TRP对应一个ML模型，例如TRP0～TRP17分别对应ML模型0～ML模型17，每个TRP测量的时域(time domain)路径时延特性(path delay profile，PDP)(例如，PDP0～PDP17)可以输入到对应的ML模型中，并将输出的未知直达路径(unobserved direct path)到达时间(time of arrival，ToA)传递给LMF。由LMF基于unobserved direct path ToA和传统的定位方法进行定位。
其二，多个TRP对应同一个AI模型，或多个TRP对应同一个ML模型。图1C是本公开示例性实施例示出的基于AI的定位架构示意图。如图1C所示，多个TRP对应同一个ML模型，例如18个TRP(TRP0～TRP17)对应一个ML模型，每个TRP测量的时域载波干扰比(carrier to interference ratio，CIR)(例如，CIR0～CIR17)输入到同一个ML模型，并将输出的unobserved direct path ToA传递给LMF。由LMF基于unobserved direct path ToA和传统的定位方法进行定位。LMF输出位置信息。
其三，多个TRP对应同一个AI模型，或多个TRP对应同一个ML模型。且多个TRP中部分TRP从属于部署该AI模型或ML模型的gNB，而部分TRP则从属于其他gNB。图1D是本公开示例性实施例示出的基于AI的定位架构示意图。如图1D所示，部署ML模型的gNB为gNB1，gNB1的TRP测量的时域CIR和gNB2的TRP测量的时域CIR，均输入gNB1侧的ML模型中，并将输出的unobserved direct path ToA传递给LMF。由LMF基于unobserved direct path ToA和传统的定位方法进行定位。LMF输出位置信息。其中，gNB2为不同于gNB1的任意gNB。
可以理解，每个TRP有其对应从属的gNB，每个gNB下可以有多个TRP。在基于非AI的定位中，每个TRP所对应的定位中间参数，都是由对应的gNB计算得到，并由对应的gNB传输到LMF。其中，定位中间参数表示在定位过程中，用于计算得到位置信息的中间参数。例如，可以是时间相关的参数，即图1B至图1D中所示的未知直达路径的ToA；视距(line of sight，LoS)或非视距(non line of sight，NLoS)指示符等。
在基于AI的操作中，需要对AI模型的性能进行监测，例如可以监测AI模型的输入是否与训练时模型输入的分布趋势吻合，或者可以监测AI模型的输出是否与训练时模型输出的分布趋势吻合，或者可以监测AI模型的输出与理想的模型输出之间的差异等等。根据监测的结果可以对AI模型采取对应的措施，例如启动AI模型、关闭AI模型、切换AI模型、使用非AI操作等。
在基于AI定位的集中部署模式下，如何进行AI模型的性能管理，是需要解决的技术问题。
图1E是根据本公开实施例示出的通信系统架构示意图。
如图1E所示，通信系统100包括第一网络设备101、第二网络设备102和第三网络设备103。其中，第一网络设备101可以是LMF，第二网络设备102可以是部署AI模型的gNB，第三网络设备103可以是与第二网络设备102不同的其他gNB。当然，本公开只是示例性地，第一网络设备、第二网络设备、第三网络设备还可以是通信系统中其他类型的设备，虽然本公开后续以LMF、gNB为例进行举例说明，但不限于此。
在一些实施例中，网络设备可以包括接入网设备和核心网设备的至少一者。
在一些实施例中，接入网设备例如是将终端接入到无线网络的节点或设备，接入网设备可以包括第五代移动通信技术(5th generation mobile communication technology，5G)通信系统中的演进节点B(evolved NodeB，eNB)、下一代演进节点B(next generation eNB，ng-eNB)、下一代节点B(next generation NodeB，gNB)、节点B(node B，NB)、家庭节点B(home node B，HNB)、家庭演进节点B(home evolved nodeB，HeNB)、无线回传设备、无线网络控制器(radio network controller， RNC)、基站控制器(base station controller，BSC)、基站收发台(base transceiver station，BTS)、基带单元(base band unit，BBU)、移动交换中心、6G通信系统中的基站、开放型基站(Open RAN)、云基站(Cloud RAN)、其他通信系统中的基站、Wi-Fi系统中的接入节点中的至少一者，但不限于此。
在一些实施例中，本公开的技术方案可适用于Open RAN架构，此时，本公开实施例所涉及的接入网设备间或者接入网设备内的接口可变为Open RAN的内部接口，这些内部接口之间的流程和信息交互可以通过软件或者程序实现。
在一些实施例中，接入网设备可以由集中单元(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的结构可以将接入网设备的协议层拆分开，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，但不限于此。
在一些实施例中，核心网设备可以是一个设备，包括一个或多个网元，也可以是多个设备或设备群，分别包括上述一个或多个网元中的全部或部分。网元可以是虚拟的，也可以是实体的。核心网例如包括演进分组核心(Evolved Packet Core，EPC)、5G核心网络(5G Core Network，5GCN)、下一代核心(Next Generation Core，NGC)中的至少一者。
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出的技术方案的限定，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，本公开实施例提出的技术方案对于类似的技术问题同样适用。
下述本公开实施例可以应用于图1E所示的通信系统100、或部分主体，但不限于此。图1E所示的各主体是例示，通信系统可以包括图1E中的全部或部分主体，也可以包括图1E以外的其他主体，各主体数量和形态为任意，各主体可以是实体的也可以是虚拟的，各主体之间的连接关系是例示，各主体之间可以不连接也可以连接，其连接可以是任意方式，可以是直接连接也可以是间接连接，可以是有线连接也可以是无线连接。
本公开各实施例可以应用于长期演进(Long Term Evolution，LTE)、LTE-Advanced(LTE-A)、LTE-Beyond(LTE-B)、SUPER 3G、IMT-Advanced、第四代移动通信系统(4th generation mobile communication system，4G)、)、第五代移动通信系统(5th generation mobile communication system，5G)、5G新空口(new radio，NR)、未来无线接入(Future Radio Access，FRA)、新无线接入技术(New-Radio Access Technology，RAT)、新无线(New Radio，NR)、新无线接入(New radio access，NX)、未来一代无线接入(Future generation radio access，FX)、Global System for Mobile communications(GSM(注册商标))、CDMA2000、超移动宽带(Ultra Mobile Broadband，UMB)、IEEE 802.11(Wi-Fi(注册商标))、IEEE 802.16(WiMAX(注册商标))、IEEE 802.20、超宽带(Ultra-WideBand，UWB)、蓝牙(Bluetooth(注册商标))、陆上公用移动通信网(Public Land Mobile Network，PLMN)网络、设备到设备(Device-to-Device，D2D)系统、机器到机器(Machine to Machine，M2M)系统、物联网(Internet of Things，IoT)系统、车联网(Vehicle-to-Everything，V2X)、利用其他通信方法的系统、基于它们而扩展的下一代系统等。此外，也可以将多个系统组合(例如，LTE或者LTE-A与5G的组合等)应用。
图2是根据本公开实施例示出的一种通信方法交互示意图。如图2所示，本公开实施例涉及通信方法，用于通信系统100。为便于理解，下述实施例中，将对通信系统100中所提到的各网络设备(包括例如第一网络设备101、第二网络设备102以及第三网络设备103)基于以下做出示例性举例说明：第一网络设备101为接入网设备，第二网络设备102为核心网设备，第三网络设备103为接入网设备(包括例如第三网络设备103为不同于第一网络设备101的接入网设备)，在此情况下，上述方法包括：
步骤S2101，第一网络设备101向第二网络设备102发送第一指令。
在一些实施例中，第二网络设备102接收来自第一网络设备101发送的第一指令。
需要说明的是，为便于方案的理解，下述实施例中将通过基于AI模型的定位场景进行示例性的相关描述，在该场景中，第一指令例如可以是新空口定位协议A(NR Positioning Protocol A，NRPPa)信令，和/或Xn信令。对于其他场景，本公开实施例所提及的方法也可同样适用。而在其他场景中对本公开实施例的应用，其中部分指令的用处可适应性调整或替换。
包括例如，在基于AI模型进行定位的场景中，第一网络设备101为部署人工智能(Artificial Intelligence，AI)模型的接入网设备，第一网络设备101通过第一指令指示第二网络设备是否使用AI模型进行定位。第二网络设备102根据第一网络设备101发送的第一指令所指示的有关定位结果 的相关信息确定是否基于AI模型进行定位。其中，第一网络设备101部署的AI模型为用于确定定位结果(包括例如：确定终端的定位结果)的AI模型，第二网络设备102为部署了定位管理功能(Location Management Function，LMF)模块的核心网设备。
需要说明的是，针对第一网络设备101部署的AI模型，可以用于进行相应的计算或者推理(包括例如，以基于AI模型定位的场景为示例，该AI模型可以对终端的定位结果进行计算或者推理)。而AI模型的输入则可以来自于第一网络设备101和/或多个第三网络设备103。
对于第一网络设备101通过第一指令指示第二网络设备102是否基于AI模型进行定位，包括以下-A)和-B)两个方面：-A)基于AI模型进行定位；-B)不基于AI模型进行定位。
而可以理解的是，对于指示是否基于AI模型进行定位，可以通过第一指令中不同的信息内容来体现。例如：若发送的第一指令中指示了有关基于AI模型预测结果或者推理结果的相关信息，那么可以判断是基于AI模型进行的定位。若发送的第一指令中指示了没有基于AI模型预测结果或者推理结果的相关信息(或者第一指令中没有指示有关基于AI模型预测结果或者推理结果的相关信息)，那么可以判断没有基于AI模型进行定位。
基于此，第二网络设备102可以从第一网络设备101发送的第一指令所指示的有关第一结果的相关信息中第一结果的具体内容来确定是否基于AI模型进行定位，其中，第一结果是基于AI模型的输出信息确定；或者第一结果不是基于AI模型的输出信息确定的(包括例如，第一结果的相关信息承载于第一指令)。
示例性的，在定位场景中，第一结果例如是基于AI模型的输出信息确定的定位结果，或者第一结果不是基于AI模型的输出信息确定的定位结果。
而可以理解的是，在第一结果是基于AI模型的输出信息确定的情况下，第一网络设备101向第二网络设备102发送第一指令，第一指令所指示的内容应为基于AI模型进行定位的相关信息。在第一结果不是基于AI模型的输出信息确定的情况下，第一网络设备101向第二网络设备102发送第一指令，第一指令所指示的内容为不基于AI模型进行定位。
由此，对于是否基于AI模型进行定位，第一网络设备101可以通过第一指令指示第二网络设备102。
在一些实施例中，对于第一结果的相关信息，为第一结果被发送的相关信息。
可选地，第一结果的相关信息，为第一结果被发送至第三网络设备103的相关信息。
可以理解的是，在通信系统100中需要将第一结果发送至第三网络设备103，从而可以使第三网络设备103进行后续的相应操作。包括例如，在第一结果为基于AI模型的输出信息确定的情况下，将第一结果发送至第三网络设备103，第三网络设备103可以后续为第一网络设备101提供用于AI模型输入的相关信息。在第一结果为不是基于AI模型的输出信息确定的情况下，将第一结果发送至第三网络设备103，第三网络设备103可以后续不为第一网络设备101提供用于AI模型输入的相关信息以节约资源开销。因此，需要明确如何发送第一结果至第三网络设备103。
在一些实施例中，通过第一结果的相关信息确定第一结果发送至第三网络设备103的方式
在一些实施例中，第一结果的相关信息可以包括以下-a1)至-a2)任意一项：
-a1)第一网络设备101向第三网络设备103发送第一结果。
-a2)第一网络设备101不向第三网络设备103发送所述第一结果，第一结果由第二网络设备102发送至第三网络设备103。
可以理解的是，通过a1)可以实现第一结果由第一网络设备101直接发送至第三网络设备103，将-a1)告知第二网络设备102，可以使第二网络设备102无需向第三网络设备103发送第一结果，避免造成资源浪费。
通过-a2)可以实现第一结果由第二网络设备102发送至第三网络设备103，将-a2)告知第二网络设备102，可以使第二网络设备102明确需要向第三网络设备103发送第一结果。
在一些实施例中，对于第一指令，可以通过第二网络设备102和/或第三网络设备103发送的辅助信息确定，其中，辅助信息可以用于确定第一指令。
可以理解的是，对于第二网络设备102发送的辅助信息，可以由第二网络设备102测量得到，也可以由其他网络设备(包括例如除第一网络设备101、第二网络设备102以及第三网络设备103之外的其他网络设备)测量并发送给第二网络设备102，对于第三网络设备103发送的辅助信息，可以由第三网络设备103测量得到，也可以由其他网络设备(包括例如除第一网络设备101、第二网络设备102以及第三网络设备103之外的其他网络设备)发送给第三网络设备103。
可选地，对于辅助信息，包括以下至少一项：终端的坐标、终端在第二网络设备102下的信道 测量值、第三网络设备103下的信道测量值、第二网络设备102的接收波束信息、第三网络设备103的接收波束信息。
需要说明的是，对于第二网络设备102获取的辅助信息，与第三网络设备103获取的辅助信息相比，二者的类别可以相同，也可以不同(包括例如：二者可以均为信道测量值，或者其中一个为信道测量值，另一个为接收波束信息等)。
需要说明的是，对于辅助信息，还可以用于性能指标计算的数据进行性能指标计算，从而监测AI模型的输入是否与训练是模型输入的分布趋势吻合，或者可以监测AI模型的输出是否与训练时模型输出的分布趋势吻合，或者可以监测AI模型的输出与理想的模型输出之间的差异等等。
例如，第一网络设备101基于辅助信息确定性能指标，以监测AI模型的输入是否与训练是模型输入的分布趋势吻合，或者可以监测AI模型的输出是否与训练时模型输出的分布趋势吻合，或者可以监测AI模型的输出与理想的模型输出之间的差异等等。
在一些实施例中，“获取”、“获得”、“得到”、“接收”、“传输”、“双向传输”、“发送和/或接收”可以相互替换，其可以解释为从其他主体接收，从协议中获取，从高层获取，自身处理得到、自主实现等多种含义。
在一些实施例中，“发送”、“发射”、“上报”、“下发”、“传输”、“双向传输”、“发送和/或接收”等术语可以相互替换。
在一些实施例中，信息等的名称不限定于实施例中所记载的名称，“信息(information)”、“消息(message)”、“信号(signal)”、“信令(signaling)”、“报告(report)”、“配置(configuration)”、“指示(indication)”、“指令(instruction)”、“命令(command)”、“信道”、“参数(parameter)”、“域”、“字段”、“符号(symbol)”、“码元(symbol)”、“码本(codebook)”、“码字(codeword)”、“码点(codepoint)”、“比特(bit)”、“数据(data)”、“程序(program)”、“码片(chip)”等术语可以相互替换。
在一些实施例中，“特定(certain)”、“预定(preseted)”、“预设”、“设定”、“指示(indicated)”、“某一”、“任意”、“第一”等术语可以相互替换，“特定A”、“预定A”、“预设A”、“设定A”、“指示A”、“某一A”、“任意A”、“第一A”可以解释为在协议等中预先规定的A，也可以解释为通过设定、配置、或指示等得到的A，也可以解释为特定A、某一A、任意A、或第一A等，但不限于此。
步骤S2102，第二网络设备102确定第一结果的相关信息。
在一些实施例中，第二网络设备102基于收到的第一指令确定第一结果的相关信息。
可选地，第二网络设备102确定第一结果的相关信息以确定是否向第三网络设备103发送第一结果。
可以理解的是，对于第一结果的相关信息在上述步骤S2101实施例中已作出明确的说明，详细内容可参看其相关描述，此处不再赘述。
步骤S2103，第一网络设备101向第三网络设备103发送第二指令。
在一些实施例中，第三网络设备103接收来自第一网络设备101发用的第二指令。
在一些实施例中，第二指令用于指示第三网络设备103执行第一操作。
可以理解的是，在明确了第一网络设备101通过第一指令指示了是否基于AI模型进行定位的情况下，基于步骤S2101中的相关说明，第三网络设备103需要进行相应的操作以对应基于AI模型进行定位或者不基于AI模型进行定位的情况。而对于第三网络设备103具体如何进行相应的操作，可以通过第一网络设备101进行指示。
也即，需要第一网络设备101通过第二指令来指示第三网络设备103进行相应的操作。
在一些实施例中，第一操作包括-b1)至-b4)中的任意一项：
-b1)向第一网络设备101发送第一测量参数。
-b2)不向第一网络设备101发送第一测量参数。
-b3)接收第一网络设备101发送的第一结果，第一结果为第一网络设备101基于第一测量参数确定的定位结果。
-b4)接收第二网络设备102确定的第二结果，第二结果由第二网络设备102基于第三网络设备103发送的第二测量参数确定。
需要说明的是，在-b1)至-b4)中，第一测量参数以及第二测量参数由第三网络设备103测量得到，第一结果由AI模型基于第一测量参数预测得到，其中，第二测量参数不等同于第一测量参数。
可以理解的是，在确定基于AI模型进行定位的情况下，第三网络设备103执行-b1)和/或-b3)。在确定不基于AI模型进行定位的情况下，第三网络设备103执行-b2和/或-b4)。
在一些实施例中，第一测量参数包括以下至少一项：测量结果的时间信息、功率信息以及相位信息等。
在一些实施例中，第一结果为AI模型基于第一测量参数预测得到的结果。
可选地，第一结果包括以下至少一项：信道的到达时间、到达角度、离开角度、接收功率、视距(Line Of Sight，LOS)信息、非视距(Non Line of Sight，NLOS)信息、传播路径信息等。
在一些实施例中，第二结果为LMF基于第二测量参数计算得到的结果。
可选地，第二结果包括以下至少一项：信道的到达时间、到达角度、离开角度、接收功率、LOS信息、NLOS信息、传播路径信息等。
步骤S2104，第二网络设备102向第三网络设备103发送第三指令。
在一些实施例中，第三网络设备103接收来自第二网络设备102发用的第三指令。
在一些实施例中，第二网络设备102在接收到第一指令的情况下，向第三网络设备103发送第三指令。
可以理解的是，在确定是否基于AI进行定位的情况下，需要第三网络设备进行相应的操作，
可以理解的是，在明确了第一网络设备101通过第一指令指示了是否基于AI模型进行定位的情况下，基于步骤S2101中的相关说明，第三网络设备103需要进行相应的操作以对应基于AI模型进行定位或者不基于AI模型进行定位的情况。而对于第三网络设备103具体如何进行相应的操作，可以通过第二网络设备102进行指示。
也即，需要第二网络设备102通过第三指令来指示第三网络设备103进行相应的操作。
在一些实施例中，第二操作包括-c1)至-c4)中的任意一项：
-c1)向第一网络设备101发送第一测量参数。
-c2)不向第一网络设备101发送第一测量参数。
-c3)接收第一网络设备101发送的第一结果，第一结果为第一网络设备101基于第一测量参数确定的定位结果。
-b4)接收第二网络设备102确定的第二结果，第二结果由第二网络设备102基于第三网络设备103发送的第二测量参数确定。
需要说明的是，在-c1)至-c4)中，第一测量参数以及第二测量参数由第三网络设备103测量得到，第一结果由AI模型基于第一测量参数预测得到，其中，第二测量参数不等同于第一测量参数。
可以理解的是，在确定基于AI模型进行定位的情况下，第三网络设备103执行-c1)和/或-c3)。在确定不基于AI模型进行定位的情况下，第三网络设备103执行-c2和/或-c4)。
在一些实施例中，第一测量参数包括以下至少一项：测量结果的时间信息、功率信息以及相位信息等。
在一些实施例中，第一结果为AI模型基于第一测量参数预测得到的结果。
可选地，第一结果包括以下至少一项：信道的到达时间、到达角度、离开角度、接收功率、LOS信息、NLOS信息、传播路径信息等。
在一些实施例中，第二结果为LMF基于第二测量参数计算得到的结果。
可选地，第二结果包括以下至少一项：信道的到达时间、到达角度、离开角度、接收功率、LOS信息、NLOS信息、传播路径信息等。
需要说明的是，对于第三网络设备103具体如何进行相应的操作，可以由步骤S2103中的相关实施例描述所提及，由第一网络设备101直接告知第三网络设备103。也可以由步骤S2104中的相关实施例所提及，由第二网络设备102告知第三网络设备103。二者可以择一进行，也可以同时进行。也即，对于步骤S2103以及步骤S2104，可以择一存在，也可以同时存在。
本公开实施例所涉及的通信方法可以包括步骤S2101～步骤S2104中的至少一者。例如，步骤S2101可以作为独立实施例来实施，步骤S2103可以作为独立实施例来实施，步骤S2102可以作为独立实施例来实施，步骤S2104可以作为独立实施例来实施，步骤S2101+步骤S2103可以作为独立实施例来实施，步骤S2101+步骤S2104可以作为独立实施例来实施，步骤S2101+步骤S2103+步骤S2104可以作为独立实施例来实施，步骤S2101+步骤S2102+步骤S2103+步骤S2104可以作为独立实施例来实施，但不限于此。
在一些实施例中，步骤S2101、S2102可以交换顺序或同时执行，步骤S2103、S2104可以交换顺序或同时执行。
在一些实施例中，步骤S2101、步骤S2102、步骤S2103是可选的，在不同实施例中可以对这些步骤中的一个或多个步骤进行省略或替代。
在一些实施例中，步骤S2102、步骤S2102、步骤S2104是可选的，在不同实施例中可以对这些步骤中的一个或多个步骤进行省略或替代。
在一些实施例中，步骤S2101、步骤S2103、步骤S2104是可选的，在不同实施例中可以对这些步骤中的一个或多个步骤进行省略或替代。
在一些实施例中，步骤S2102、步骤S2103、步骤S2104是可选的，在不同实施例中可以对这些步骤中的一个或多个步骤进行省略或替代。
图3A是根据本公开实施例示出的通信方法的流程示意图。如图3A所示，本公开实施例涉及通信方法，上述方法包括：
步骤S3101，发送第一指令。
步骤S3101的可选实现方式可以参见图2的步骤S2101的可选实现方式、及图2所涉及的实施例中其他关联部分，此处不再赘述。
步骤S3102，发送第二指令。
步骤S3102的可选实现方式可以参见图2的步骤S2103的可选实现方式、及图2所涉及的实施例中其他关联部分，此处不再赘述。
本公开实施例所涉及的通信方法可以包括步骤S3101～步骤S3102中的至少一者。例如，步骤S3101可以作为独立实施例来实施，步骤S3102可以作为独立实施例来实施，步骤S3101+步骤S3102可以作为独立实施例来实施，但不限于此。
在一些实施例中，步骤S3101、S3102可以交换顺序或同时执行。
在一些实施例中，步骤S3102是可选的，在不同实施例中可以对这些步骤中的一个或多个步骤进行省略或替代。
图3B是根据本公开实施例示出的通信方法的流程示意图。如图3B所示，本公开实施例涉及通信方法，上述方法包括：
步骤S3201，发送第一指令。
步骤S3201的可选实现方式可以参见图2的步骤S2101至步骤S2104、图3A的步骤S3101至步骤S3102的可选实现方式、及图2、图3A所涉及的实施例中其他关联部分，此处不再赘述。
在一些实施例中，第一指令用于指示第一结果的相关信息，第一结果为第二网络设备所确定的定位结果，第一网络设备中部署有用于确定定位结果的AI模型，AI模型的输入来自第一网络设备和至少一个第三网络设备。
在一些实施例中，第一结果的相关信息包括以下任意一项：第一网络设备向第三网络设备发送第一结果；第一网络设备不向第三网络设备发送第一结果，第一结果由第二网络设备发送至第三网络设备；其中，第一结果基于AI模型的输出信息确定；或者第一结果不是基于AI模型的输出信息确定的。
在一些实施例中，方法还包括：第一网络设备向第三网络设备发送第二指令，第二指令用于指示第三网络设备执行第一操作。
在一些实施例中，第一操作包括以下任意一项：向第一网络设备发送第一测量参数；不向第一网络设备发送第一测量参数；接收第一网络设备发送的第一结果，第一结果为第一网络设备基于第一测量参数确定的定位结果；接收第二网络设备确定的第二结果，第二结果由第二网络设备基于第三网络设备发送的第二测量参数确定；其中，第一测量参数以及第二测量参数由第三网络设备测量得到，第一结果由AI模型基于第一测量参数预测得到。
在一些实施例中，方法还包括：第一网络设备接收辅助信息，辅助数据由第二网络设备和/或第三网络设备发送，辅助信息用于确定第一指令。
在一些实施例中，辅助信息包括以下至少一项：终端的坐标；终端在第二网络设备下的信道测量值；第三网络设备下的信道测量值；第二网络设备的接收波束信息；第三网络设备的接收波束信息。
图4A是根据本公开实施例示出的通信方法的流程示意图。如图4A所示，本公开实施例涉及通信方法，上述方法包括：
步骤S4101，获取第一指令。
步骤S4101的可选实现方式可以参见图2的步骤S2101的可选实现方式、及图2所涉及的实施例中其他关联部分，此处不再赘述。
在一些实施例中，第二网络设备102接收由第一网络设备101发送的第一指令，但不限于此，也可以接收由其他主体发送的第一指令。
在一些实施例中，第二网络设备102获取由协议规定的第一指令。
在一些实施例中，第二网络设备102从高层(upper layer(s))获取第一指令。
在一些实施例中，第二网络设备102进行处理从而得到第一指令。
在一些实施例中，步骤S4101被省略，第二网络设备102自主实现第一指令所指示的功能，或上述功能为缺省或默认。
步骤S4102，确定第一结果的相关信息。
步骤S4102的可选实现方式可以参见图2的步骤S2102的可选实现方式、及图2所涉及的实施例中其他关联部分，此处不再赘述。
步骤S4103，发送第三指令。
步骤S4103的可选实现方式可以参见图2的步骤S2104的可选实现方式、及图2所涉及的实施例中其他关联部分，此处不再赘述。
本公开实施例所涉及的通信方法可以包括步骤S4101～步骤S4103的至少一者。例如，步骤S4101可以作为独立实施例来实施，步骤S4102可以作为独立实施例来实施，步骤S4103可以作为独立实施例来实施，步骤S4101+步骤S4102可以作为独立实施例来实施，步骤S4101+步骤S4102+步骤S4103可以作为独立实施例来实施，但不限于此。
在一些实施例中，步骤S4101、S4103可以交换顺序或同时执行。
在一些实施例中，步骤S4101、步骤S4102是可选的，在不同实施例中可以对这些步骤中的一个或多个步骤进行省略或替代。
在一些实施例中，步骤S4101、步骤S4103是可选的，在不同实施例中可以对这些步骤中的一个或多个步骤进行省略或替代。
在一些实施例中，步骤S4102、步骤S4103是可选的，在不同实施例中可以对这些步骤中的一个或多个步骤进行省略或替代。
图4B是根据本公开实施例示出的通信方法的流程示意图。如图4B所示，本公开实施例涉及通信方法，上述方法包括：
步骤S4201，获取第一指令。
步骤S4201的可选实现方式可以参见图2的步骤S2101的可选实现方式、及图2所涉及的实施例中其他关联部分，此处不再赘述。
步骤S4202，发送第三指令。
步骤S4202的可选实现方式可以参见图2的步骤S2104的可选实现方式、及图2所涉及的实施例中其他关联部分，此处不再赘述。
本公开实施例所涉及的通信方法可以包括步骤S4201～步骤S4202中的至少一者。例如，步骤S4201可以作为独立实施例来实施，步骤S4202可以作为独立实施例来实施，步骤S4201+步骤S4202可以作为独立实施例来实施，但不限于此。
在一些实施例中，步骤S4201、S4202可以交换顺序或同时执行。
在一些实施例中，步骤S4202是可选的，在不同实施例中可以对这些步骤中的一个或多个步骤进行省略或替代。
图4C是根据本公开实施例示出的通信方法的流程示意图。如图4C所示，本公开实施例涉及通信方法，上述方法包括：
步骤S4301，获取第一指令。
步骤S4301的可选实现方式可以参见图2的步骤S2101至步骤S2104、图4A的步骤S4101至步骤S4103、图4B的步骤S4201至步骤S4202的可选实现方式、及图2、图4A以及图4B所涉及的实施例中其他关联部分，此处不再赘述。
在一些实施例中，第一结果为第二网络设备所确定的定位结果，第一网络设备中部署有用于确定定位结果的AI模型，AI模型的输入来自第一网络设备和至少一个第三网络设备。
在一些实施例中，第一结果的相关信息包括以下任意一项：第一网络设备向第三网络设备发送所述第一结果；第一网络设备不向第三网络设备发送第一结果，第一结果由第二网络设备发送至第三网络设备；其中，第一结果基于AI模型的输出信息确定；或者第一结果不是基于AI模型的输出信息确定的。
在一些实施例中，方法还包括：接收到第一指令的情况下，向第三网络设备发送第三指令，第三指令用于指示第三网络设备执行第二操作。
在一些实施例中，第二操作包括以下任一：向第一网络设备发送第一测量参数；不向第一网络 设备发送第一测量参数；接收第一网络设备发送的第一结果，第一结果为第一网络设备基于第一测量参数确定的定位结果；接收第二网络设备确定的第二结果，第二结果由第二网络设备基于第三网络设备发送的第二测量参数确定；其中，第一测量参数以及第二测量参数由第三网络设备测量得到，第一结果由AI模型基于第一测量参数预测得到。
在一些实施例中，方法还包括：接收到第一指令的情况下，向第三网络设备发送第三指令，第三指令用于指示第三网络设备执行第二操作。
在一些实施例中，第二操作包括以下任一：向第一网络设备发送第一测量参数；不向第一网络设备发送第一测量参数；接收第一网络设备发送的第一结果，第一结果为所述第一网络设备基于第一测量参数确定的定位结果；接收第二网络设备确定的第二结果，第二结果由第二网络设备基于第三网络设备发送的第二测量参数确定；其中，第一测量参数以及第二测量参数由第三网络设备测量得到，第一结果由AI模型基于第一测量参数预测得到。
在一些实施例中，向第一网络设备发送辅助信息，辅助信息用于确定第一指令。
在一些实施例中，辅助信息包括以下至少一项：终端的坐标；终端在第二网络设备下的信道测量值；第三网络设备下的信道测量值；第二网络设备的接收波束信息；第三网络设备的接收波束信息。
图5A是根据本公开实施例示出的通信方法的流程示意图。如图5A所示，本公开实施例涉及通信方法，上述方法包括：
步骤S5101，获取第二指令。
在一些实施例中，第三网络设备103接收由第一网络设备101发送的第二指令，但不限于此，也可以接收由其他主体发送的第二指令。
在一些实施例中，第三网络设备103获取由协议规定的第二指令。
在一些实施例中，第三网络设备103从高层(upper layer(s))获取第二指令。
在一些实施例中，第三网络设备103进行处理从而得到第二指令。
在一些实施例中，步骤S4101被省略，第三网络设备103自主实现第二指令所指示的功能，或上述功能为缺省或默认。
步骤S5102，获取第三指令。
在一些实施例中，第三网络设备103接收由第二网络设备102发送的第三指令，但不限于此，也可以接收由其他主体发送的第三指令。
在一些实施例中，第三网络设备103获取由协议规定的第三指令。
在一些实施例中，第三网络设备103从高层(upper layer(s))获取第三指令。
在一些实施例中，第三网络设备103进行处理从而得到第三指令。
在一些实施例中，步骤S5101被省略，第三网络设备103自主实现第三指令所指示的功能，或上述功能为缺省或默认。
图5B是根据本公开实施例示出的通信方法的流程示意图。如图5B所示，本公开实施例涉及通信方法，上述方法包括：
步骤S5201，获取第二指令，和/或获取第三指令。
步骤S5201的可选实现方式可以参见图2的步骤S2103、步骤S2104、图5A的步骤S5101、步骤S4102的可选实现方式、及图2、图5A所涉及的实施例中其他关联部分，此处不再赘述。
在一些实施例中，第二指令用于指示第三网络设备执行第一操作，第三指令用于指示第三网络设备执行第二操作，第一网络设备中部署有用于确定定位结果的AI模型，AI模型的输入来自所述第一网络设备和至少一个第三网络设备。
在一些实施例中，第一操作包括以下任意一项：向第一网络设备发送第一测量参数；不向第一网络设备发送第一测量参数；接收第一网络设备发送的第一结果，第一结果为第一网络设备基于第一测量参数确定的定位结果；接收第二网络设备确定的第二结果，第二结果由第二网络设备基于第三网络设备发送的第二测量参数确定；其中，第一测量参数以及第二测量参数由第三网络设备测量得到，第一结果由AI模型基于第一测量参数预测得到。
在一些实施例中，第二操作包括以下任一：向第一网络设备发送第一测量参数；不向第一网络设备发送第一测量参数；接收第一网络设备发送的第一结果，第一结果为第一网络设备基于第一测量参数确定的定位结果；接收第二网络设备确定的第二结果，第二结果由第二网络设备基于第三网络设备发送的第二测量参数确定；其中，第一测量参数以及第二测量参数由第三网络设备测量得到，第一结果由AI模型基于第一测量参数预测得到。
在一些实施例中，方法还包括：向第一网络设备发送辅助信息，辅助信息用于确定第一指令，第一指令用于指示第一结果的相关信息，第一结果为第二网络设备所确定的定位结果。
在一些实施例中，辅助信息包括以下至少一项：终端的坐标；终端在第二网络设备下的信道测量值；第三网络设备下的信道测量值；第二网络设备的接收波束信息；第三网络设备的接收波束信息。
在一些实施例中，第一结果的相关信息包括以下任意一项：第一网络设备向第三网络设备发送第一结果；第一网络设备不向第三网络设备发送第一结果，第一结果由第二网络设备发送至第三网络设备；其中，第一结果基于AI模型的输出信息确定；或者第一结果不是基于AI模型的输出信息确定的。
在一些实施例中，上述方法还可以包括上述通信系统侧、终端侧、网络设备侧等实施例所述的方法、此处不再赘述。
图6是根据本公开实施例示出的通信方法的交互示意图。
步骤S6101，发送第一指令。
步骤S6101的可选实现方式可以参见图2的步骤S2101、步骤S2102的可选实现方式，以及图2所涉及的实施例中其他关联部分，此处不再赘述。
步骤S6102，发送第二指令。
步骤S6101的可选实现方式可以参见图2的步骤S2103的可选实现方式，以及图2所涉及的实施例中其他关联部分，此处不再赘述。
步骤S6103，发送第三指令。
步骤S6103的可选实现方式可以参见图2的步骤S2104的可选实现方式，以及图2所涉及的实施例中其他关联部分，此处不再赘述。
在一些实施例中，第一网络设备向第二网络设备发送第一指令，和/或第一网络设备向第三网络设备发送第二指令；第二网络设备接收到第一网络设备发送的第一指令的情况下，向第三网络设备发送第三指令；第三网络设备接收第二指令，和/或第三指令，其中，第一指令用于指示第一结果的相关信息，第一结果为第二网络设备所确定的定位结果，第一网络设备中部署有用于确定定位结果的AI模型，AI模型的输入来自第一网络设备和至少一个第三网络设备，第二指令用于指示第三网络设备执行第一操作，第三指令用于指示第三网络设备执行第二操作。
在一些实施例中，本公开实施例还提出了一种通信方法，用于确定在基于AI定位的集中部署模式下，如何进行性能管理。
为便于理解，本公开实施例将基于图7A以及图7B对通信方法进行示例性的举例说明。在通信方法中涉及的通信系统包括多种不同的网络设备，为便于描述，将其分别描述为第一网络设备、第二网络设备以及第三网络设备。需要说明的是，在图7A以及图7B相关实施例中，第一网络设备包括例如部署AI模型，用于推理的接入网设备(inference gNB)，第二网络设备包括例如具有LMF模块的核心网设备、第三网络设备包括例如区别于第一网络设备的接入网设备，(没有部署AI模型的gNB，或者不用于推理的gNB等)。
图7A是根据本公开实施例示出的通信方法的流程示意图，如图7A所示，本公开实施例包括以下步骤：
在步骤S7101中，第三网络设备向第一网络设备发送用于性能指标计算的数据(Data for performance metric calculation)。
可选地，对于第三设备发送的用于性能指标计算的数据，可以是第三设备测量的数据，例如包括以下至少一项：终端的坐标；终端在第三网络设备下的测量值；第三网络设备的信道信息；第三网络设备接收的波束信息。
其中，终端的坐标可以是终端和第三网络设备的相对坐标。
其中，终端在第三网络设备下的测量值也可以称为第三网络设备针对终端的信道测量值。
可选地，对于第三网络设备发送的用于性能指标计算的数据，还可以包括用于AI模型的输入数据或者用于AI模型的输出数据。
可以理解的是，第一网络设备通过用于性能指标计算的数据进行计算，得到性能监测指标信息。性能监测指标信息例如可以包括以下至少一种：模型输入信息的分布(例如均值、方差)，模型输出信息的分布，模型输出信息的均值、方差，或者与某个门限的差值；终端所处的环境信息：例如信道质量，所处的场景(室内、室外、工厂、办公室)。利用性能监测指标可以对AI模型采取对应的措施，主要包括启动AI模型，关闭AI模型，切换AI模型，使用非AI操作等。例如，若吻合则 启动AI模型，如不吻合，则关闭AI模型等，本公开不一一举例，但不限定于此。例如，若性能监测指标中AI模型输入的分布趋势与训练时模型输入的分布趋势吻合，则可以激活AI模型。相反地，若性能监测指标中AI模型输入的分布趋势与训练时模型输入的分布趋势吻合，则可以去激活AI模型、切换AI模型等。本公开只是示例性地举例，并不限定于此。例如，可以通过性能监测指标中AI模型的输出是否与训练时模型输出的分布趋势吻合对AI模型采取对应的措施。或者可以通过性能监测指标中AI模型的输出与理想的模型输出之间的对AI模型采取对应的措施差异等等。根据监测的结果，可以针对
在步骤S7102中，第二网络设备向第一网络设备发送用于性能指标计算的数据。
可选地，对于第二设备发送的用于性能指标计算的数据，可以是第二设备测量的数据，例如包括以下至少一项：终端的坐标；终端在第二网络设备下的测量值；第二网络设备的信道信息；第二网络设备接收的波束信息。。
其中，终端的坐标可以是终端和第二网络设备的相对坐标。
其中，终端在第二网络设备下的测量值也可以称为第二网络设备针对终端的信道测量值。
可选地，对于第二网络设备发送的用于性能指标计算的数据，还可以包括用于AI模型的输入数据或者用于AI模型的输出数据。
可以理解的是，第一网络设备通过用于性能指标计算的数据进行性能指标计算，从而监测AI模型的输入是否与训练是模型输入的分布趋势吻合，或者可以监测AI模型的输出是否与训练时模型输出的分布趋势吻合，或者可以监测AI模型的输出与理想的模型输出之间的差异等等。根据监测的结果，可以针对AI模型采取对应的措施，主要包括启动AI模型，关闭AI模型，切换AI模型，使用非AI操作等。
需要说明的是，对于步骤S7101以及步骤S7102可以调换顺序执行，或者同时执行。
在步骤S7103中，第一网络设备进行性能指标计算(Performance metric caculation)。
在一些实施例中，第一网络设备基于用于性能指标计算的数据进行性能指标计算。
示例性的，第一网络设备基于用于性能指标计算的数据确定第一信息，第一信息例如可以是性能指标(performance metric)。
对于第一信息，包括例如以下至少一种：性能监测指标信息：例如模型输入信息的分布(例如均值、方差)，模型输出信息的分布，模型输出信息的均值、方差，或者与某个门限的差值；终端所处的环境信息：例如信道质量，所处的场景(室内、室外、工厂、办公室)；推荐的AI模型的操作。其中，AI模型的操作例如可以是AI模型/功能的激活，AI模型/功能的去激活，AI模型/功能的切换，回退到非AI的操作模式中。
在步骤S7104中，第一网络设备进行生命周期管理(Life CycleManagement，LCM)决策(LCM decision)。
在一些实施例中，LCM决策可以用于AI模型进行生命周期的管理。其中，对AI模型进行生命周期的管理例如可以是激活AI模型、去激活AI模型、切换AI模型。即，LCM决策可以用于对AI模型进行激活、去激活、切换等操作。
可以理解的是，在AI模型的应用过程中，需要对AI模型进行生命周期的管理。例如，通过LCM决策的结果进行管理。
在一些实施例中，第一网络设备基于LCM决策，从而确定对于AI模型的操作(也即实现对于AI模型生命周期的管理)。示例性的，第一网络设备基于LCM决策，得到LCM决策结果，LCM的决策结果中包括对于AI模型的操作(例如，基于LCM决策结果，对AI模型进行相应的AI模型的操作以实现对AI模型的生命周期进行管理)，其中，对于AI模型的操作可以包括以下至少一项：AI模型/功能的激活，AI模型/功能的去激活，AI模型/功能的切换，回退到非AI的操作模式中。
在步骤S7105中，第一网络设备向第二网络设备发送第一指令，第一指令可以是第二网络设备用于第一网络设备的LCM命令(command)，其中，第一网络设备，例如可以是gNBx。即，第一指令可以是用于gNBx的LCM command(LCM command for gnbx)(例如，可以是新空口定位协议A(NR Positioning Protocol A，NRPPa)和/或Xn信令)。
在一些实施例中，第二网络设备基于第一指令确定以下信息(A1)～(A3)中的一项，也即，第一指令用于指示以下信息(A1)～(A3)中的一项：
(A1)第一网络设备将第二网络设备的第二结果发送给第三网络设备。
(A2)第一网络设备不会将第二网络设备的第二结果发送给第三网络设备，第二结果由第二网络设备发送给第三网络设备。
(A3)第一网络设备或第二网络设备发送给第三网络设备的第二结果是基于AI生成的或者不是基于AI生成的。
在步骤S7106中，第一网络设备向第三网络设备发送第二指令，第二指令可以是用于第三网络设备的LCM命令(command)，其中，第三网络设备例如可以是gNBy。即，第二指令可以是用于gNBy的LCM command(LCM command for gnby)(例如可以包括NRPPa和/或Xn信令)。
在一些实施例中，方法还包括：第一网络设备向第三网络设备发送第二指令，第三网络设备基于第二指令确定进行相应的第一操作，也即第二指令用于指示第一操作。在一些实施例中，第一操作包括例如以下(B1)～(B4)任意一种：
(B1)向第一网络设备发送第一测量参数。
(B2)不向第一网络设备发送第一测量参数。
(B3)接收第一网络设备发送的第一结果。
(B4)第二网络设备基于测量信息计算第二结果，并将第二结果发送给第三网络设备。
其中，第一测量参数包括以下至少一项：测量结果的时间信息，功率信息以及相位信息等。
第一结果为基于第一网络设备基于第一测量参数确定的结果。第一结果包括以下至少一项：基信道的到达时间、到达角度、离开角度、接收功率、LOS信息、NLOS信息以及传播路径信息等。
第二结果由第二网络设备基于测量信息计算得到，测量信息与第一测量参数可以相同也可以不同，二者并不完全等同。
第二结果包括以下至少一项：基信道的到达时间、到达角度、离开角度、接收功率、LOS信息、NLOS信息以及传播路径信息等。
在一些实施例中，
图7B是根据本公开实施例示出的通信方法的流程示意图，如图7B所示，本公开实施例包括以下步骤：
在步骤S7201中，第三网络设备向第一网络设备发送用于性能指标计算的数据。
步骤S7201的相关说明，可参看步骤S7101所对应的相关实施例说明，此处不再赘述。
在步骤S7202中，第二网络设备向第一网络设备发送用于性能指标计算的数据。
步骤S7202的相关说明，可参看步骤S7102所对应的相关实施例说明，此处不再赘述。
在步骤S7203中，第一网络设备进行性能指标计算。
步骤S7203的相关说明，可参看步骤S7103所对应的相关实施例说明，此处不再赘述。
在步骤S7204中，第一网络设备进行LCM决策。
步骤S7204的相关说明，可参看步骤S7104所对应的相关实施例说明，此处不再赘述。
在步骤S7205中，第一网络设备向第二网络设备发送第一指令。
可选地，第一指令可以是发送给第二网络设备用于指示AI操作的LCM指令(LCM command for AI operation)。其中，对于AI操作，例如可以是激活AI模型、去激活AI模型、切换AI模型。即，LCM决策可以用于对AI模型进行激活、去激活、切换等操作。
步骤S7205的相关说明，可参看步骤S7105所对应的相关实施例说明，此处不再赘述。
在步骤S7206中，第二网络设备向第三网络设备发送第三指令，第三指令可以是用于第三网络设备的LCM指令(例如可以包括NRPPa和/或Xn信令)。
在一些实施例中，第二网络设备向第三网络设备发送第三指令，第三网络设备基于第三指令确定第三指令所指示的操作，第三指令用于指示以下(C1)～(C4)任意一种操作：
(C1)向第一网络设备发送第一测量参数。
(C2)不向第一网络设备发送第一测量参数。
(C3)接收第一网络设备发送的第一结果。
(C4)第二网络设备基于测量信息计算第二结果，并将第二结果发送给第三网络设备。
其中，第一测量参数包括以下至少一项：测量结果的时间信息，功率信息以及相位信息等。
第一结果为基于第一网络设备基于第一测量参数确定的结果。第一结果包括以下至少一项：基信道的到达时间、到达角度、离开角度、接收功率、LOS信息、NLOS信息以及传播路径信息等。
第二结果由第二网络设备基于测量信息计算得到，测量信息与第一测量参数可以相同也可以不同，二者并不完全等同。
第二结果包括以下至少一项：基信道的到达时间、到达角度、离开角度、接收功率、LOS信息、NLOS信息以及传播路径信息等。
在一些实施例中，第一网络设备还会接收来自第二网络设备以及第三网络设备发送的辅助数据，辅助数据用于辅助第一网络设备确定第一指令的内容。
示例性的，辅助数据包括终端的坐标信息，第三网络设备针对终端的信道测量值，第三网络设备的接收波束信息。
可选地，第二网络设备与第三网络设备发送的辅助数据可能相同，也可能不同。
本公开实施例还提出用于实现以上任一方法的装置，例如，提出一装置，上述装置包括用以实现以上任一方法中终端所执行的各步骤的单元或模块。再如，还提出另一装置，包括用以实现以上任一方法中网络设备(例如接入网设备、核心网功能节点、核心网设备等)所执行的各步骤的单元或模块。
应理解以上装置中各单元或模块的划分仅是一种逻辑功能的划分，在实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。此外，装置中的单元或模块可以以处理器调用软件的形式实现：例如装置包括处理器，处理器与存储器连接，存储器中存储有指令，处理器调用存储器中存储的指令，以实现以上任一方法或实现上述装置各单元或模块的功能，其中处理器例如为通用处理器，例如中央处理单元(Central Processing Unit，CPU)或微处理器，存储器为装置内的存储器或装置外的存储器。或者，装置中的单元或模块可以以硬件电路的形式实现，可以通过对硬件电路的设计实现部分或全部单元或模块的功能，上述硬件电路可以理解为一个或多个处理器；例如，在一种实现中，上述硬件电路为专用集成电路(application-specific integrated circuit，ASIC)，通过对电路内元件逻辑关系的设计，实现以上部分或全部单元或模块的功能；再如，在另一种实现中，上述硬件电路为可以通过可编程逻辑器件(programmable logic device，PLD)实现，以现场可编程门阵列(Field Programmable Gate Array，FPGA)为例，其可以包括大量逻辑门电路，通过配置文件来配置逻辑门电路之间的连接关系，从而实现以上部分或全部单元或模块的功能。以上装置的所有单元或模块可以全部通过处理器调用软件的形式实现，或全部通过硬件电路的形式实现，或部分通过处理器调用软件的形式实现，剩余部分通过硬件电路的形式实现。
在本公开实施例中，处理器是具有信号处理能力的电路，在一种实现中，处理器可以是具有指令读取与运行能力的电路，例如中央处理单元(Central Processing Unit，CPU)、微处理器、图形处理器(graphics processing unit，GPU)(可以理解为微处理器)、或数字信号处理器(digital signal processor，DSP)等；在另一种实现中，处理器可以通过硬件电路的逻辑关系实现一定功能，上述硬件电路的逻辑关系是固定的或可以重构的，例如处理器为专用集成电路(application-specific integrated circuit，ASIC)或可编程逻辑器件(programmable logic device，PLD)实现的硬件电路,例如FPGA。在可重构的硬件电路中，处理器加载配置文档，实现硬件电路配置的过程，可以理解为处理器加载指令，以实现以上部分或全部单元或模块的功能的过程。此外，还可以是针对人工智能设计的硬件电路，其可以理解为ASIC，例如神经网络处理单元(Neural Network Processing Unit，NPU)、张量处理单元(Tensor Processing Unit，TPU)、深度学习处理单元(Deep learning Processing Unit，DPU)等。
图8A是本公开实施例提出的第一网络设备的结构示意图。如图8A所示，以第一网络设备8100可以包括：收发模块8101，用于向第二网络设备发送第一指令，第一指令用于指示第一结果的相关信息，第一结果为第二网络设备所确定的定位结果，第一网络设备中部署有用于确定定位结果的AI模型，AI模型的输入来自第一网络设备和至少一个第三网络设备。可选地，上述收发模块8101用于执行以上任一方法中第一网络设备101执行的发送和/或接收等通信步骤(例如步骤S2101，步骤S2103但不限于此)中的至少一者，此处不再赘述。
在一些实施例中，收发模块可以包括发送模块和/或接收模块，发送模块和接收模块可以是分离的，也可以集成在一起。可选地，收发模块可以与收发器相互替换。
在一些实施例中，第一结果的相关信息包括以下任意一项：第一网络设备向第三网络设备发送第一结果；第一网络设备不向第三网络设备发送第一结果，第一结果由所述第二网络设备发送至第三网络设备；其中，第一结果基于AI模型的输出信息确定；或者第一结果不是基于AI模型的输出信息确定的。
在一些实施例中，收发模块8101还用于向第三网络设备发送第二指令，第二指令用于指示第三网络设备执行第一操作。
在一些实施例中，第一操作包括以下任意一项：向第一网络设备发送第一测量参数；不向第一网络设备发送第一测量参数；接收第一网络设备发送的第一结果，第一结果为第一网络设备基于第一测量参数确定的定位结果；接收第二网络设备确定的第二结果，第二结果由第二网络设备基于第三网络设备发送的第二测量参数确定；其中，第一测量参数以及第二测量参数由第三网络设备测量 得到，第一结果由AI模型基于第一测量参数预测得到。
在一些实施例中，收发模块8101还用于接收辅助信息，辅助数据由第二网络设备和/或第三网络设备发送，辅助信息用于确定第一指令。
在一些实施例中，辅助信息包括以下至少一项：终端的坐标；终端在第二网络设备下的信道测量值；第三网络设备下的信道测量值；第二网络设备的接收波束信息；第三网络设备的接收波束信息。
图8B是本公开实施例提出的第二网络设备的结构示意图。如图8B所示，第二网络设备8200可以包括：收发模块8201，用于接收第一网络设备发送的第一指令，第一指令用于指示第一结果的相关信息，第一结果为第二网络设备所确定的定位结果，第一网络设备中部署有用于确定定位结果的AI模型，AI模型的输入来自第一网络设备和至少一个第三网络设备。可选地，上述收发模块8201用于执行以上任一方法中第二网络设备102执行的发送和/或接收等通信步骤(例如步骤S2101，步骤S2104但不限于此)中的至少一者，此处不再赘述。
在一些实施例中，第二网络设备8200还可以包括处理模块8202，用于基于所述第一指令确定第一结果的相关信息。
在一些实施例中，第一结果的相关信息包括以下任意一项：第一网络设备向第三网络设备发送所述第一结果；第一网络设备不向第三网络设备发送第一结果，第一结果由第二网络设备发送至第三网络设备；其中，第一结果基于AI模型的输出信息确定；或者第一结果不是基于AI模型的输出信息确定的。
在一些实施例中，收发模块8201还用于接收到所述第一指令的情况下，向第三网络设备发送第三指令，第三指令用于指示第三网络设备执行第二操作。
在一些实施例中，第二操作包括以下任一：向第一网络设备发送第一测量参数；不向第一网络设备发送第一测量参数；接收第一网络设备发送的第一结果，第一结果为第一网络设备基于第一测量参数确定的定位结果；接收第二网络设备确定的第二结果，第二结果由第二网络设备基于第三网络设备发送的第二测量参数确定；其中，第一测量参数以及第二测量参数由第三网络设备测量得到，第一结果由AI模型基于第一测量参数预测得到。
在一些实施例中，收发模块8201还用于向第一网络设备发送辅助信息，辅助信息用于确定第一指令。
在一些实施例中，辅助信息包括以下至少一项：终端的坐标；终端在第二网络设备下的信道测量值；第三网络设备下的信道测量值；第二网络设备的接收波束信息；第三网络设备的接收波束信息。
图8C是本公开实施例提出的第三网络设备的结构示意图。如图8C所示，第三网络设备8300可以包括：收发模块8301，用于接收第一网络设备发送的第二指令，和/或接收第二网络设备发送的第三指令，第二指令用于指示第三网络设备执行第一操作，第三指令用于指示第三网络设备执行第二操作，第一网络设备中部署有用于确定定位结果的AI模型，AI模型的输入来自第一网络设备和至少一个第三网络设备。可选地，上述收发模块8301用于执行以上任一方法中第三网络设备103执行的发送和/或接收等通信步骤(例如步骤S2103，步骤S2104但不限于此)中的至少一者，此处不再赘述。
在一些实施例中，第一操作包括以下任意一项：向第一网络设备发送第一测量参数；不向第一网络设备发送第一测量参数；接收第一网络设备发送的第一结果，第一结果为第一网络设备基于第一测量参数确定的定位结果；接收第二网络设备确定的第二结果，第二结果由第二网络设备基于第三网络设备发送的第二测量参数确定；其中，第一测量参数以及第二测量参数由第三网络设备测量得到，第一结果由AI模型基于第一测量参数预测得到。
在一些实施例中，第二操作包括以下任一：向第一网络设备发送第一测量参数；不向第一网络设备发送第一测量参数；接收第一网络设备发送的第一结果，第一结果为第一网络设备基于第一测量参数确定的定位结果；接收第二网络设备确定的第二结果，第二结果由第二网络设备基于第三网络设备发送的第二测量参数确定；其中，第一测量参数以及第二测量参数由第三网络设备测量得到，第一结果由AI模型基于第一测量参数预测得到。
在一些实施例中，收发模块8301还用于向第一网络设备发送辅助信息，辅助信息用于确定第一指令，第一指令用于指示第一结果的相关信息，第一结果为所述第二网络设备所确定的定位结果。
在一些实施例中，辅助信息包括以下至少一项：终端的坐标；终端在第二网络设备下的信道测量值；第三网络设备下的信道测量值；第二网络设备的接收波束信息；第三网络设备的接收波束信息。
在一些实施例中，第一结果的相关信息包括以下任意一项：第一网络设备向第三网络设备发送第一结果；第一网络设备不向第三网络设备发送第一结果，第一结果由第二网络设备发送至第三网络设备；其中，第一结果基于AI模型的输出信息确定；或者第一结果不是基于AI模型的输出信息确定的。
图9A是本公开实施例提出的通信设备9100的结构示意图。通信设备9100可以是网络设备(例如接入网设备、核心网设备等)，也可以是终端(例如用户设备等)，也可以是支持网络设备实现以上任一方法的芯片、芯片系统、或处理器等，还可以是支持终端实现以上任一方法的芯片、芯片系统、或处理器等。通信设备9100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。
如图9A所示，通信设备9100包括一个或多个处理器9101。处理器9101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，执行程序，处理程序的数据。可选地，通信设备9100用于执行以上任一方法。可选地，一个或多个处理器9101用于调用指令以使得通信设备9100执行以上任一方法。
在一些实施例中，通信设备9100还包括一个或多个收发器9102。在通信设备9100包括一个或多个收发器9102时，收发器9102执行上述方法中的发送和/或接收等通信步骤(例如步骤S2101，步骤S2103、步骤S2104但不限于此)中的至少一者，处理器9101执行其他步骤(例如步骤S2102，但不限于此)中的至少一者。在可选的实施例中，收发器可以包括接收器和/或发送器，接收器和发送器可以是分离的，也可以集成在一起。可选地，收发器、收发单元、收发机、收发电路、接口电路、接口等术语可以相互替换，发送器、发送单元、发送机、发送电路等术语可以相互替换，接收器、接收单元、接收机、接收电路等术语可以相互替换。
在一些实施例中，通信设备9100还包括用于存储数据的一个或多个存储器9103。可选地，全部或部分存储器9103也可以处于通信设备9100之外。在可选的实施例中，通信设备9100可以包括一个或多个接口电路9104。可选地，接口电路9104与存储器9103连接，接口电路9104可用于从存储器9103或其他装置接收数据，可用于向存储器9103或其他装置发送数据。例如，接口电路9104可读取存储器9103中存储的数据，并将该数据发送给处理器9101。
以上实施例描述中的通信设备9100可以是网络设备或者终端，但本公开中描述的通信设备9100的范围并不限于此，通信设备9100的结构可以不受图9A的限制。通信设备可以是独立的设备或者可以是较大设备的一部分。例如所述通信设备可以是：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，可选地，上述IC集合也可以包括用于存储数据，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。
图9B是本公开实施例提出的芯片9200的结构示意图。对于通信设备9100可以是芯片或芯片系统的情况，可以参见图9B所示的芯片9200的结构示意图，但不限于此。
芯片9200包括一个或多个处理器9201。芯片9200用于执行以上任一方法。
在一些实施例中，芯片9200还包括一个或多个接口电路9202。可选地，接口电路、接口、收发管脚等术语可以相互替换。在一些实施例中，芯片9200还包括用于存储数据的一个或多个存储器9203。可选地，全部或部分存储器9203可以处于芯片9200之外。可选地，接口电路9202与存储器9203连接，接口电路9202可以用于从存储器9203或其他装置接收数据，接口电路9202可用于向存储器9203或其他装置发送数据。例如，接口电路9202可读取存储器9203中存储的数据，并将该数据发送给处理器9201。
在一些实施例中，接口电路9202执行上述方法中的发送和/或接收等通信步骤(例如步骤S2101但不限于此)中的至少一者。接口电路9202执行上述方法中的发送和/或接收等通信步骤例如是指：接口电路9202执行处理器9201、芯片9200、存储器9203或收发器件之间的数据交互。在一些实施例中，处理器9201执行其他步骤(例如步骤S2102，但不限于此)中的至少一者。
虚拟装置、实体装置、芯片等各实施例中所描述的各模块和/或器件可以根据情况任意组合或者分离。可选地，部分或全部步骤也可以由多个模块和/或器件协作执行，此处不做限定。
本公开还提出存储介质，上述存储介质上存储有指令，当上述指令在通信设备9100上运行时，使得通信设备9100执行以上任一方法。可选地，上述存储介质是电子存储介质。可选地，上述存储介质是计算机可读存储介质，但不限于此，其也可以是其他装置可读的存储介质。可选地，上述存 储介质可以是非暂时性(non-transitory)存储介质，但不限于此，其也可以是暂时性存储介质。
本公开还提出程序产品，上述程序产品被通信设备9100执行时，使得通信设备9100执行以上任一方法。可选地，上述程序产品是计算机程序产品。
本公开还提出计算机程序，当其在计算机上运行时，使得计算机执行以上任一方法。

Claims (28)

  1. 一种通信方法，其特征在于，所述方法包括：
    第一网络设备向第二网络设备发送第一指令，所述第一指令用于指示第一结果的相关信息，所述第一结果为所述第二网络设备所确定的定位结果，所述第一网络设备中部署有用于确定定位结果的人工智能AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备。
  2. 根据权利要求1所述的方法，其特征在于，所述第一结果的相关信息包括以下任意一项：
    所述第一网络设备向第三网络设备发送所述第一结果；
    所述第一网络设备不向第三网络设备发送所述第一结果，所述第一结果由所述第二网络设备发送至所述第三网络设备；
    其中，所述第一结果基于AI模型的输出信息确定；或者所述第一结果不是基于AI模型的输出信息确定的。
  3. 根据权利要求1所述的方法，其特征在于，所述方法还包括：
    所述第一网络设备向所述第三网络设备发送第二指令，所述第二指令用于指示所述第三网络设备执行第一操作。
  4. 根据权利要求3所述的方法，其特征在于，所述第一操作包括以下任意一项：
    向所述第一网络设备发送第一测量参数；
    不向所述第一网络设备发送第一测量参数；
    接收所述第一网络设备发送的第一结果，所述第一结果为所述第一网络设备基于所述第一测量参数确定的定位结果；
    接收所述第二网络设备确定的第二结果，所述第二结果由所述第二网络设备基于第三网络设备发送的第二测量参数确定；
    其中，所述第一测量参数以及所述第二测量参数由所述第三网络设备测量得到，所述第一结果由所述AI模型基于所述第一测量参数预测得到。
  5. 根据权利要求1所述的方法，其特征在于，所述方法还包括：
    所述第一网络设备接收辅助信息，所述辅助数据由所述第二网络设备和/或所述第三网络设备发送，所述辅助信息用于确定所述第一指令。
  6. 根据权利要求5所述的方法，其特征在于，所述辅助信息包括以下至少一项：
    终端的坐标；
    终端在所述第二网络设备下的信道测量值；
    所述第三网络设备下的信道测量值；
    所述第二网络设备的接收波束信息；
    所述第三网络设备的接收波束信息。
  7. 一种通信方法，其特征在于，所述方法包括：
    第二网络设备接收第一网络设备发送的第一指令，所述第一指令用于指示第一结果的相关信息，所述第一结果为所述第二网络设备所确定的定位结果，所述第一网络设备中部署有用于确定定位结果的人工智能AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备。
  8. 根据权利要求7所述的方法，其特征在于，所述第一结果的相关信息包括以下任意一项：
    所述第一网络设备向第三网络设备发送所述第一结果；
    所述第一网络设备不向第三网络设备发送所述第一结果，所述第一结果由所述第二网络设备发送至所述第三网络设备；
    其中，所述第一结果基于AI模型的输出信息确定；或者所述第一结果不是基于AI模型的输出信息确定的。
  9. 根据权利要求7所述的方法，其特征在于，所述方法还包括：
    接收到所述第一指令的情况下，向所述第三网络设备发送第三指令，所述第三指令用于指示所述第三网络设备执行第二操作。
  10. 根据权利要求9所述的方法，其特征在于，所述第二操作包括以下任一：
    向所述第一网络设备发送第一测量参数；
    不向所述第一网络设备发送第一测量参数；
    接收所述第一网络设备发送的第一结果，所述第一结果为所述第一网络设备基于所述第一测量参数确定的定位结果；
    接收所述第二网络设备确定的第二结果，所述第二结果由所述第二网络设备基于第三网络设备发送的第二测量参数确定；
    其中，所述第一测量参数以及所述第二测量参数由所述第三网络设备测量得到，所述第一结果由所述AI模型基于所述第一测量参数预测得到。
  11. 根据权利要求7所述的方法，其特征在于，所述方法还包括：
    向所述第一网络设备发送辅助信息，所述辅助信息用于确定所述第一指令。
  12. 根据权利要求11所述的方法，其特征在于，所述辅助信息包括以下至少一项：
    终端的坐标；
    终端在所述第二网络设备下的信道测量值；
    所述第三网络设备下的信道测量值；
    所述第二网络设备的接收波束信息；
    所述第三网络设备的接收波束信息。
  13. 一种通信方法，其特征在于，所述方法包括：
    第三网络设备接收第一网络设备发送的第二指令，和/或接收第二网络设备发送的第三指令，所述第二指令用于指示所述第三网络设备执行第一操作，所述第三指令用于指示所述第三网络设备执行第二操作，所述第一网络设备中部署有用于确定定位结果的人工智能AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备。
  14. 根据权利要求13所述的方法，其特征在于，所述第一操作包括以下任意一项：
    向所述第一网络设备发送第一测量参数；
    不向所述第一网络设备发送第一测量参数；
    接收所述第一网络设备发送的第一结果，所述第一结果为所述第一网络设备基于所述第一测量参数确定的定位结果；
    接收所述第二网络设备确定的第二结果，所述第二结果由所述第二网络设备基于第三网络设备发送的第二测量参数确定；
    其中，所述第一测量参数以及所述第二测量参数由所述第三网络设备测量得到，所述第一结果由所述AI模型基于所述第一测量参数预测得到。
  15. 根据权利要求13所述的方法，其特征在于，所述第二操作包括以下任一：
    向所述第一网络设备发送第一测量参数；
    不向所述第一网络设备发送第一测量参数；
    接收所述第一网络设备发送的第一结果，所述第一结果为所述第一网络设备基于所述第一测量参数确定的定位结果；
    接收所述第二网络设备确定的第二结果，所述第二结果由所述第二网络设备基于第三网络设备发送的第二测量参数确定；
    其中，所述第一测量参数以及所述第二测量参数由所述第三网络设备测量得到，所述第一结果由所述AI模型基于所述第一测量参数预测得到。
  16. 根据权利要求13所述的方法，其特征在于，所述方法还包括：
    向所述第一网络设备发送辅助信息，所述辅助信息用于确定第一指令，所述第一指令用于指示第一结果的相关信息，所述第一结果为所述第二网络设备所确定的定位结果。
  17. 根据权利要求16所述的方法，其特征在于，所述辅助信息包括以下至少一项：
    终端的坐标；
    终端在所述第二网络设备下的信道测量值；
    所述第三网络设备下的信道测量值；
    所述第二网络设备的接收波束信息；
    所述第三网络设备的接收波束信息。
  18. 根据权利要求16所述的方法，其特征在于，所述第一结果的相关信息包括以下任意一项：
    所述第一网络设备向第三网络设备发送所述第一结果；
    所述第一网络设备不向第三网络设备发送所述第一结果，所述第一结果由所述第二网络设备发送至所述第三网络设备；
    其中，所述第一结果基于AI模型的输出信息确定；或者所述第一结果不是基于AI模型的输出信息确定的。
  19. 一种通信方法，其特征在于，所述方法包括：
    第一网络设备向第二网络设备发送第一指令，和/或第一网络设备向第三网络设备发送第二指令；
    所述第二网络设备接收到所述第一网络设备发送的第一指令的情况下，向所述第三网络设备发送第三指令；
    所述第三网络设备接收所述第二指令，和/或所述第三指令，
    其中，所述第一指令用于指示第一结果的相关信息，所述第一结果为所述第二网络设备所确定的定位结果，所述第一网络设备中部署有用于确定定位结果的人工智能AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备，所述第二指令用于指示所述第三网络设备执行第一操作，所述第三指令用于指示所述第三网络设备执行第二操作。
  20. 一种第一网络设备，其特征在于，所述第一网络设备包括：
    收发模块，用于向第二网络设备发送第一指令，所述第一指令用于指示第一结果的相关信息，所述第一结果为所述第二网络设备所确定的定位结果，所述第一网络设备中部署有用于确定定位结果的人工智能AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备。
  21. 一种第二网络设备，其特征在于，所述第二网络设备包括：
    收发模块，用于接收第一网络设备发送的第一指令，所述第一指令用于指示第一结果的相关信息，所述第一结果为所述第二网络设备所确定的定位结果，所述第一网络设备中部署有用于确定定位结果的人工智能AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备。
  22. 一种第三网络设备，其特征在于，所述第三网络设备包括：
    收发模块，用于接收第一网络设备发送的第二指令，和/或接收第二网络设备发送的第三指令，所述第二指令用于指示所述第三网络设备执行第一操作，所述第三指令用于指示所述第三网络设备执行第二操作，所述第一网络设备中部署有用于确定定位结果的AI模型，所述AI模型的输入来自所述第一网络设备和至少一个第三网络设备。
  23. 一种第一网络设备，其特征在于，包括：
    一个或多个处理器；
    其中，所述第一网络设备用于执行权利要求1至6中任一项所述的方法。
  24. 一种第二网络设备，其特征在于，包括：
    一个或多个处理器；
    其中，所述第二网络设备用于执行权利要求7至12中任一项所述的方法。
  25. 一种第三网络设备，其特征在于，包括：
    一个或多个处理器；
    其中，所述第三网络设备用于执行权利要求13至18中任一项所述的方法。
  26. 一种通信系统，其特征在于，包括第一网络设备、第二网络设备和第三网络设备，其中，所述第一网络设备被配置为实现权利要求1至6中任一项所述的方法，所述第二网络设备被配置为实现权利要求7至12中任一项所述的方法，所述第三网络设备被配置为实现权利要求13至18中任一项所述的方法。
  27. 一种存储介质，所述存储介质存储有指令，其特征在于，当所述指令在通信设备上运行时，使得所述通信设备执行如权利要求1至6中任一项所述的方法或权利要求7至12中任一项所述的方法或权利要求13至18中任一项所述的方法。
  28. 一种程序产品，其特征在于，包括：计算机程序，所述计算机程序被通信设备执行时，使得上述通信设备执行如权利要求1-6中任意一项所述的方法，或权利要求7至12中任一项所述的方法或权利要求13至18中任一项所述的方法。
PCT/CN2024/084249 2024-03-27 2024-03-27 通信方法、网络设备、通信系统及存储介质 Pending WO2025199838A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/CN2024/084249 WO2025199838A1 (zh) 2024-03-27 2024-03-27 通信方法、网络设备、通信系统及存储介质
CN202480033462.5A CN121264139A (zh) 2024-03-27 2024-03-27 通信方法、网络设备、通信系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2024/084249 WO2025199838A1 (zh) 2024-03-27 2024-03-27 通信方法、网络设备、通信系统及存储介质

Publications (1)

Publication Number Publication Date
WO2025199838A1 true WO2025199838A1 (zh) 2025-10-02

Family

ID=97215527

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2024/084249 Pending WO2025199838A1 (zh) 2024-03-27 2024-03-27 通信方法、网络设备、通信系统及存储介质

Country Status (2)

Country Link
CN (1) CN121264139A (zh)
WO (1) WO2025199838A1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN116456322A (zh) * 2022-01-07 2023-07-18 华为技术有限公司 通信方法和通信装置
CN116888937A (zh) * 2023-05-15 2023-10-13 北京小米移动软件有限公司 一种人工智能通信方法、装置及存储介质
WO2023236124A1 (zh) * 2022-06-08 2023-12-14 北京小米移动软件有限公司 一种人工智能ai模型训练方法/装置/设备及存储介质
CN117581567A (zh) * 2023-09-28 2024-02-20 北京小米移动软件有限公司 一种定位方法及设备、通信系统、通信设备、存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN116456322A (zh) * 2022-01-07 2023-07-18 华为技术有限公司 通信方法和通信装置
WO2023236124A1 (zh) * 2022-06-08 2023-12-14 北京小米移动软件有限公司 一种人工智能ai模型训练方法/装置/设备及存储介质
CN116888937A (zh) * 2023-05-15 2023-10-13 北京小米移动软件有限公司 一种人工智能通信方法、装置及存储介质
CN117581567A (zh) * 2023-09-28 2024-02-20 北京小米移动软件有限公司 一种定位方法及设备、通信系统、通信设备、存储介质

Also Published As

Publication number Publication date
CN121264139A (zh) 2026-01-02

Similar Documents

Publication Publication Date Title
WO2025043573A1 (zh) 通信方法、终端、网络设备、以及通信系统
WO2025025065A1 (zh) 通信处理方法、终端、设备、通信系统及存储介质
WO2025000237A1 (zh) 模型测试方法、设备和存储介质
WO2024234272A1 (zh) 通信方法及装置、通信设备、通信系统
WO2025015525A1 (zh) 接入方法、终端、接入网设备和存储介质
WO2025043568A1 (zh) 通信方法、终端、网络设备及存储介质
WO2025043569A1 (zh) 通信方法、终端、网络设备及存储介质
WO2025107202A1 (zh) 通信方法、设备和存储介质
WO2025065611A1 (zh) 定位测量处理方法及装置、存储介质
WO2025199836A1 (zh) 通信方法、网络设备、通信系统及存储介质
WO2025208352A1 (zh) 定位方法、通信设备、通信系统及存储介质
WO2025184788A1 (zh) 通信处理方法、终端、网络设备、系统及介质
WO2025166790A1 (zh) 通信方法、设备和存储介质
WO2025208452A1 (zh) 通信方法、装置以及存储介质
WO2025184912A1 (zh) 测量方法、装置以及存储介质
WO2025175445A1 (zh) 用于人工智能ai模型的监控方法、终端及设备
WO2026055852A1 (zh) 通信方法、终端、网络设备及存储介质
WO2025166573A1 (zh) 通信方法、设备和存储介质
CN121264139A (zh) 通信方法、网络设备、通信系统及存储介质
WO2026065061A1 (zh) 通信方法、第一设备、第二设备、通信系统及存储介质
WO2026031199A1 (zh) 通信方法、终端、网络设备、通信装置及存储介质
WO2025160919A1 (zh) 链路恢复方法、终端、通信系统及存储介质
WO2026065541A1 (zh) 通信方法、装置及存储介质
WO2025199839A1 (zh) 定位方法、网络节点、通信系统及存储介质
WO2025118252A1 (zh) 通信方法、设备和存储介质

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: 24932463

Country of ref document: EP

Kind code of ref document: A1