WO2026011963A1 - 一种被用于无线通信的节点中的方法和装置 - Google Patents

一种被用于无线通信的节点中的方法和装置

Info

Publication number
WO2026011963A1
WO2026011963A1 PCT/CN2025/095527 CN2025095527W WO2026011963A1 WO 2026011963 A1 WO2026011963 A1 WO 2026011963A1 CN 2025095527 W CN2025095527 W CN 2025095527W WO 2026011963 A1 WO2026011963 A1 WO 2026011963A1
Authority
WO
WIPO (PCT)
Prior art keywords
candidate resource
channel quality
resource
node
candidate
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/CN2025/095527
Other languages
English (en)
French (fr)
Inventor
胡杨
宋姝林
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.)
Honor Device Co Ltd
Original Assignee
Honor Device 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 Honor Device Co Ltd filed Critical Honor Device Co Ltd
Publication of WO2026011963A1 publication Critical patent/WO2026011963A1/zh
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0686—Hybrid systems, i.e. switching and simultaneous transmission
    • H04B7/0695—Hybrid systems, i.e. switching and simultaneous transmission using beam selection
    • H04B7/06952—Selecting one or more beams from a plurality of beams, e.g. beam training, management or sweeping
    • H04B7/06964—Re-selection of one or more beams after beam failure
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
    • H04W72/231—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal the control data signalling from the layers above the physical layer, e.g. RRC or MAC-CE signalling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/535—Allocation or scheduling criteria for wireless resources based on resource usage policies

Definitions

  • This application relates to transmission methods and apparatus in wireless communication systems, and more particularly to transmission schemes and apparatus in wireless communication systems.
  • Multi-antenna technology is a key technology in 3GPP (3rd Generation Partner Project) LTE (Long-term Evolution) and NR (New Radio) systems. It gains additional spatial degrees of freedom by configuring multiple antennas at communication nodes, such as base stations or UEs (User Equipment). Multiple antennas, through beamforming, form beams pointing in a specific direction to improve communication quality.
  • the degrees of freedom provided by multi-antenna systems can be used to improve transmission reliability and/or throughput. Since the beams formed by multiple antennas are relatively narrow, the communicating parties need to align the beams to provide communication quality.
  • NR New Radio
  • AI Artificial Intelligence
  • ML Machine Learning
  • this application discloses a solution. It should be noted that while many embodiments of this application are specifically for AI/ML, this application is also applicable to other solutions, such as traditional candidate resource selection schemes. Furthermore, adopting a unified solution across different scenarios (including but not limited to AI/ML-based solutions and traditional candidate resource selection schemes) helps reduce hardware complexity and cost. Where there is no conflict, the embodiments and features in the embodiments of the first node of this application can be applied to the second node, and vice versa. Where there is no conflict, the embodiments and features in the embodiments of this application can be arbitrarily combined with each other.
  • This application discloses a method used in a first node of wireless communication, characterized by comprising:
  • Receive a first higher-level message set which is used to configure a first resource set and a first candidate resource set; evaluate the quality of a first radio link based on the first resource set;
  • the physical layer of the first node indicates the first candidate resource in the first candidate resource set to its higher layers
  • the first candidate resource set includes multiple candidate resources, and the first candidate resource is one of the multiple candidate resources; the evaluated first wireless link quality is worse than a second reference threshold; the channel quality of the first candidate resource is equal to or greater than a first reference threshold; the first reference threshold is one of a first threshold or a second threshold, and the first reference threshold depends on whether the channel quality of the first candidate resource is obtained based on AI; when the channel quality of the first candidate resource is not obtained based on AI, the first reference threshold is the first threshold; when the channel quality of the first candidate resource is obtained based on AI, the first reference threshold is the second threshold.
  • the problem this application aims to solve includes: how to obtain channel information of candidate resources based on AI.
  • the problem this application aims to solve includes: how to support the selection of AI-based candidate resources.
  • the reference threshold is adjusted based on whether the channel quality of the candidate resource is obtained based on AI, and a suitable candidate resource is selected, thereby improving the overall performance of the system.
  • the advantages of the above method include: better adaptability to various application scenarios and terminals, and improved flexibility and adaptability.
  • the channel quality of the first candidate resource is obtained based on AI, including: the channel quality of the first candidate resource is obtained through prediction or inference.
  • the channel quality of the first candidate resource is obtained based on AI, comprising: the first node performing a first operation, the first operation being based on training or AI, and the channel quality of the first candidate resource depending on the output of the first operation.
  • the physical layer of the target receiver of the first higher-level message set also indicates the first information to its higher layer
  • the first information is used to indicate whether the channel quality of the first candidate resource is obtained based on AI, or the first information is used to indicate whether the channel quality of the first candidate resource is obtained by measuring the RSRP of the first candidate resource.
  • the physical layer of the target receiver in the first higher-level message set sends a beam failure event indication to its higher layer
  • This application discloses a terminal, characterized in that the terminal includes: one or more processors and a memory;
  • the memory is coupled to the one or more processors and is used to store computer program code, which includes computer instructions.
  • the one or more processors invoke the computer instructions to cause the terminal to execute the method in the first node.
  • This application discloses a first node used for wireless communication, characterized in that it comprises:
  • This application discloses a second node used for wireless communication, characterized in that it comprises:
  • the second processor sends a first higher-level message set, which is used to configure a first resource set and a first candidate resource set.
  • the target receiver of the first higher-layer message set evaluates the quality of the first radio link based on the first resource set;
  • the physical layer of the target receiver of the first higher-layer message set indicates the first candidate resource in the first candidate resource set to its higher layer;
  • this application has the following advantages:
  • Figure 1 illustrates a flowchart of a first higher-level message set and a first candidate resource according to an embodiment of this application
  • Figure 2 shows a schematic diagram of a network architecture according to an embodiment of this application
  • Figure 4 shows a schematic diagram of a first communication device and a second communication device according to an embodiment of this application
  • Figure 6 illustrates a schematic diagram of the channel quality of a first candidate resource according to an embodiment of this application, obtained by measuring the RSRP of the first candidate resource.
  • Figure 7 illustrates a schematic diagram showing that the channel quality of a first candidate resource according to an embodiment of this application is predicted or inferred.
  • Figure 9 illustrates a schematic diagram of a first operation being associated with a first type of identifier according to an embodiment of this application
  • Figure 10 illustrates a schematic diagram of a first operation based on training or AI according to an embodiment of this application
  • Figure 12 illustrates a schematic diagram in which the physical layer of a first node according to an embodiment of the present application further indicates the channel quality of a first candidate resource to its higher layers;
  • Figure 14 illustrates a schematic diagram of beam failure event indication and beam failure recovery according to an embodiment of this application
  • Figure 15 illustrates a schematic diagram of a beam failure recovery request according to an embodiment of this application
  • the first resource set includes at least one RS resource, and any RS resource in the first resource set is a periodic CSI-RS resource.
  • the first higher-level message set is used to configure the index of each RS resource in the first resource set.
  • the first higher-level message set is used to configure the index of each RS resource in the first candidate resource set.
  • the index of an RS resource is used to identify the RS resource.
  • the index of an RS resource is the configuration index of the RS resource.
  • the index of an RS resource includes the configuration index of the RS resource.
  • an index of an SS/PBCH block resource is used to identify the SS/PBCH block resource.
  • an index of an SS/PBCH block resource is used to identify the configuration of the SS/PBCH block resource.
  • an index of a periodic CSI-RS resource includes a configuration index of the periodic CSI-RS resource.
  • the index of a CSI-RS resource is NZP-CSI-RS-ResourceId.
  • each RS resource in the first resource set depends on the configuration of the first higher-level message set.
  • the first higher-level message set includes an index of each RS resource included in the first resource set.
  • the sentence "the first resource set depends on at least one TCI state of at least one CORESET in the first CORESET pool” means that the first resource set is determined by an RS index configured with QCL type 'typeD' in at least one RS resource indicated by at least one TCI state of at least one CORESET in the first CORESET pool.
  • the quality of the first wireless link is RSRP.
  • the quality of the first wireless link is hypothetical BLER.
  • the unit of the second reference threshold is dBm or dB.
  • the first wireless link quality is BLER; the evaluation of the first wireless link quality being worse than the second reference threshold includes: the evaluation of the first wireless link quality being greater than the second reference threshold.
  • the second reference threshold is the BLER threshold.
  • the physical layer of the first node indicates to its higher layers a plurality of candidate resources in the first candidate resource set, wherein the channel quality of any one of the plurality of candidate resources is equal to or greater than the first reference threshold.
  • the physical layer of the first node indicates the index of the candidate resource in the first candidate resource set to its higher layers.
  • the physical layer of the first node indicates the channel quality of the candidate resources in the first candidate resource set to its higher layers.
  • the channel quality is RSRP, SINR, BLER, or hypothetical BLER.
  • the physical layer of the first node indicates to its higher layers the number of candidate resources in the first candidate resource set that satisfy a first condition, the first condition including channel quality equal to or greater than a first reference threshold.
  • the second reference threshold is a real number.
  • the second reference threshold is a non-negative real number.
  • the second reference threshold is a non-negative real number that is no greater than 1.
  • the second reference threshold is Qout_LR.
  • the second reference threshold is one of Qout_LR, Qout_LR_SSB, or Qout_LR_CSI-RS.
  • Qout_LR Qout_LR_SSB
  • Qout_LR_CSI-RS Qout_LR_CSI-RS
  • the first candidate resource set is
  • the first candidate resource set is
  • the first candidate resource set is
  • the first candidate resource set is or At least one of them.
  • the first candidate resource set includes a plurality of RS resources, and any one of the plurality of candidate resources is an RS resource.
  • the RS resource described in this application is a CSI-RS resource.
  • the RS resource in this application is a CSI-RS resource or an SS/PBCH block resource.
  • the first candidate resource set consists of multiple RS resources, and any one of the multiple candidate resources is an RS resource.
  • the first candidate resource set includes at least one of at least one RS resource or at least one beam; any one of the plurality of candidate resources is an RS resource or a beam.
  • the first candidate resource set includes at least one of at least an RS resource, at least one training dataset, at least one air interface resource, or at least one beam; any candidate resource among the plurality of candidate resources is at least one of an RS resource, a training dataset, an air interface resource, or a beam.
  • the air interface resources include at least one of time domain resources, frequency domain resources, code domain resources, or spatial domain resources.
  • the first candidate resource set when the channel quality of any candidate resource in the first candidate resource set is not obtained based on AI, the first candidate resource set consists of at least one RS resource; when the channel quality of at least one candidate resource in the first candidate resource set is obtained based on AI, the first candidate resource set includes at least one RS resource, at least one training dataset, at least one air interface resource, or at least one beam.
  • the channel quality of the first candidate resource is RSRP.
  • the SINR includes L1-SINR.
  • the channel quality of the first candidate resource is BLER.
  • the channel quality of the first candidate resource is hypothetical BLER.
  • the channel quality of the first candidate resource is RSRP, SINR, BLER, or hypothetical BLER.
  • the channel quality of the first candidate resource is RSRP.
  • the first threshold is configurable.
  • the first threshold is indicated by a higher-level parameter.
  • the first threshold is indicated by a higher-level parameter rsrp-ThresholdSSB or rsrp-ThresholdBFR.
  • rsrp-ThresholdSSB and rsrp-ThresholdBFR can be found in Chapter 6 of 3GPP TS38.213.
  • the second threshold is a real number.
  • the second threshold is configurable.
  • the second threshold is indicated by a higher-level parameter.
  • the second threshold and the first threshold are linearly related.
  • the first threshold and the second threshold are indicated by different higher-level parameters.
  • the first threshold and the second threshold are configured separately.
  • the second threshold is equal to the sum of the first threshold and the first offset.
  • the first offset is configured.
  • the first offset is reported by the first node.
  • the first offset is predefined.
  • the first offset is a real number.
  • the first threshold and the second threshold are different.
  • the second threshold is less than the first threshold.
  • the threshold used by the AI-based approach is lower than the threshold used by the non-AI-based approach.
  • the advantages of the above method include: increasing the probability of selecting a suitable resource.
  • the advantages of the above method include: it is particularly suitable for situations where the channel quality obtained based on AI is lower than the actual channel quality.
  • the second threshold is greater than the first threshold.
  • the threshold used by the AI-based approach is greater than the threshold used by the non-AI-based approach.
  • the advantages of the above method include reducing the probability of selecting inappropriate resources due to errors in AI prediction or inference.
  • the advantages of the above method include: it is particularly suitable for situations where the channel quality obtained based on AI is higher than the actual channel quality.
  • higher-level parameters are used to indicate whether the channel quality of the first candidate resource is obtained based on AI.
  • higher-level parameters are used to indicate whether the channel quality of the first candidate resource is allowed to be obtained based on AI.
  • higher-level parameters are used to indicate whether the channel quality of at least one candidate resource in the first candidate resource set is allowed to be obtained based on AI.
  • the first higher-level message set is used to indicate whether the channel quality of the first candidate resource is obtained based on AI.
  • the first higher-level message set is used to indicate whether the channel quality of the first candidate resource is allowed to be obtained based on AI.
  • the first higher-level message set is used to indicate whether the channel quality of at least one candidate resource in the first candidate resource set is allowed to be obtained based on AI.
  • whether the channel quality of the first candidate resource is obtained based on AI depends on whether the first node receives a first higher-level parameter; the channel quality of the first candidate resource is obtained based on AI only when the first node receives the first higher-level parameter.
  • whether the first node supports obtaining the channel quality of at least one candidate resource in the first candidate resource set based on AI depends on whether the first node receives a first higher-level parameter; the first node supports obtaining the channel quality of at least one candidate resource in the first candidate resource set based on AI only when the first node receives the first higher-level parameter.
  • the first node indicates whether it supports obtaining the channel quality of at least one candidate resource in the first candidate resource set based on AI through capability reporting.
  • whether the channel quality of the first candidate resource is obtained based on AI depends on whether the first candidate resource is measured; when the first candidate resource is not measured, the channel quality of the first candidate resource is obtained based on AI; when the first candidate resource is measured, the channel quality of the first candidate resource is not obtained based on AI.
  • not being measured includes: not being expected to be measured.
  • whether the channel quality of the first candidate resource is obtained based on AI depends on whether the first candidate resource includes resources other than RS resources; when the first candidate resource includes resources other than RS resources, the channel quality of the first candidate resource is obtained based on AI; when the first candidate resource is an RS resource, the channel quality of the first candidate resource is not obtained based on AI.
  • resources other than RS resources include beams.
  • the resources other than the RS resources include at least one of training datasets, air interface resources, or beams.
  • the first set of candidate resources is used for candidate beam detection.
  • the first candidate resource set is used to select a new candidate beam from the first candidate resource set during beam failure recovery.
  • the first set of candidate resources is used for candidate beam monitoring; during an evaluation period, the first node evaluates whether the channel quality of each candidate resource therein is better than a first reference threshold, or the first node evaluates whether the channel quality of each candidate resource therein is equal to or better than the first reference threshold.
  • the evaluation period is TEvaluate_CBD_SSB or TEvaluate_CBD_CSI-RS.
  • one of the candidate resources in the first candidate resource set is an SS/PBCH block resource, and the channel quality is based on the L1-RSRP obtained from the one candidate resource.
  • one of the candidate resources in the first candidate resource set is a CSI-RS resource
  • the channel quality is obtained by subtracting a first power value from the L1-RSRP obtained from the candidate resource.
  • the first power value is the power offset of the candidate resource relative to the SS/PBCH block resource.
  • the units of L1-RSRP, the first power value, the power of the candidate resource, and the power of the SS/PBCH block resource are all dB.
  • the channel quality is L1-RSRP; when the channel quality is greater than the first reference threshold, the channel quality is better than the first reference threshold; when the channel quality is less than the first reference threshold, the channel quality is worse than the first reference threshold.
  • the channel quality is L1-RSRP; when the channel quality of a candidate resource in the first candidate resource set is better than the first reference threshold, the physical layer of the first node sends the configuration index and L1-RSRP of the candidate resource to its higher layer.
  • the channel quality is L1-RSRP; when the channel quality evaluated based on a candidate resource in the first candidate resource set is equal to or better than a first reference threshold, the physical layer of the first node sends the configuration index and L1-RSRP of the candidate resource to its higher layers.
  • the first power value is configured by the higher-level parameter powerControlOffsetSS.
  • Example 2 illustrates a schematic diagram of a network architecture according to an embodiment of this application, as shown in Figure 2.
  • Network architecture 200 is a 5G NR (New Radio)/LTE (Long-Term Evolution)/LTE-A (Long-Term Evolution Advanced) system, or a 5G+ network architecture, or a 6G network architecture, or a network architecture adopted in future evolutions by 3GPP; network architecture 200 can be referred to as 5GS (5G System)/EPS (Evolved Platform Module).
  • the network architecture 200 may be referred to as a 6GS (6G System), or a 6G System.
  • the network architecture 200 includes at least one of a UE (User Equipment) 201, a RAN (Radio Access Network) 202, a core network 210, an HSS (Home Subscriber Server)/UDM (Unified Data Management) 220, and an Internet service 230.
  • the network architecture 200 may interconnect with other access networks, but these entities/interfaces are not shown for simplicity.
  • the network architecture 200 provides packet-switched services; however, those skilled in the art will readily understand that the various concepts presented throughout this application can be extended to networks providing circuit-switched services or other cellular networks.
  • the RAN includes node 203.
  • the RAN may also include other nodes 204. Node 203 provides user and control plane protocol termination toward the UE 201.
  • Node 203 can connect to other nodes 204 via an Xn interface (e.g., backhaul)/X2 interface.
  • Node 203 may also be referred to as a base station, base transceiver station, radio base station, radio transceiver, transceiver function, Basic Services Set (BSS), Extended Services Set (ESS), TRP (Transmitter Receiver Node), or some other suitable term.
  • the core network 210 is a 5GC (5G Core Network)/EPC (Evolved Packet Core), or the core network 210 is a 6GC; node 203 provides UE 201 with an access point to the core network 210.
  • Examples of UE201 include cellular phones, smartphones, Session Initiation Protocol (SIP) phones, laptops, personal digital assistants (PDAs), satellite radios, non-terrestrial base station communications, satellite mobile communications, global positioning systems, multimedia devices, video devices, digital audio players (e.g., MP3 players), cameras, game consoles, drones, aircraft, narrowband IoT devices, machine-type communication devices, land vehicles, automobiles, wearable devices, or any other similar functional devices.
  • SIP Session Initiation Protocol
  • PDAs personal digital assistants
  • satellite radios non-terrestrial base station communications
  • satellite mobile communications global positioning systems
  • multimedia devices video devices
  • digital audio players e.g., MP3 players
  • cameras e.g., digital audio players
  • game consoles e.g., drones, aircraft, narrowband IoT devices, machine-type communication devices, land vehicles, automobiles, wearable devices, or any other similar functional devices.
  • Node 203 is connected to the core network 210 via an S1/NG interface.
  • the core network 210 includes an MME (Mobility Management Entity)/AMF (Authentication Management Field)/SMF (Session Management Function) 211, other MMEs/AMFs/SMFs 214, an S-GW (Service Gateway)/UPF (User Plane Function) 212, and a P-GW (Packet Data Network Gateway)/UPF 213.
  • MME Mobility Management Entity
  • AMF Authentication Management Field
  • S-GW Service Gateway
  • User Plane Function User Plane Function
  • P-GW Packet Data Network Gateway
  • the MME/AMF/SMF 211 is the control node that handles signaling between the UE 201 and the core network 210.
  • the MME/AMF/SMF 211 provides bearer and connection management. All user IP (Internet Protocol) packets are transmitted through the S-GW/UPF 212, which is itself connected to the P-GW/UPF 213.
  • the P-GW provides UE IP address allocation and other functions.
  • the P-GW/UPF213 connects to Internet service 230.
  • Internet service 230 includes operator-compliant Internet protocol services, specifically including Internet, intranet, IMS (IP Multimedia Subsystem), and packet switching services.
  • the first node includes the UE201.
  • the second node includes the node 203.
  • the wireless link between the UE201 and the node203 includes a cellular link.
  • the sender of the first higher-level message set includes the node 203.
  • the recipient of the first higher-level message set includes the UE201.
  • the sender indicated by the beam failure event includes the UE201.
  • the trigger for beam failure recovery includes the UE201.
  • the executor of the first operation includes the UE201.
  • the deployer of the first operation includes the UE201.
  • the first information is indicated to the UE201.
  • the sender of the beam failure recovery request includes the UE201.
  • the recipient of the beam failure recovery request includes node 203.
  • the recipient of the response to the beam failure recovery request includes the UE201.
  • the sender of the response to the beam failure recovery request includes the node 203.
  • Example 3 illustrates a schematic diagram of an embodiment of a wireless protocol architecture for the user plane and control plane according to an embodiment of this application, as shown in Figure 3.
  • Example 3 illustrates a schematic diagram of an embodiment of a wireless protocol architecture for a user plane and control plane according to this application, as shown in Figure 3.
  • Figure 3 is a schematic diagram illustrating an embodiment of a radio protocol architecture for a user plane 350 and a control plane 300.
  • Figure 3 shows the radio protocol architecture for the control plane 300 between a first communication node device (UE, gNB, or RSU in V2X) and a second communication node device (gNB, UE, or RSU in V2X), or between two UEs, using three layers: Layer 1, Layer 2, and Layer 3.
  • Layer 1 (L1 layer) is the lowest layer and implements various PHY (physical layer) signal processing functions. Layer 1 will be referred to herein as PHY 301.
  • Layer 2 (L2 layer) 305 is above PHY 301 and is responsible for the link between the first communication node device and the second communication node device, or between two UEs.
  • Layer L2 305 includes a MAC (Medium Access Control) sublayer 302, an RLC (Radio Link Control) sublayer 303, and a PDCP (Packet Data Convergence Protocol) sublayer 304, which terminate at the second communication node device.
  • the PDCP sublayer 304 provides multiplexing between different radio bearers and logical channels. It also provides security through encrypted data packets and supports cross-cell mobility between the second communication node devices and the first communication node device.
  • the RLC sublayer 303 provides upper-layer packet segmentation and reassembly, retransmission of lost packets, and packet reordering to compensate for out-of-order reception due to HARQ.
  • the MAC sublayer 302 provides multiplexing between logical and transport channels. It is also responsible for allocating various radio resources (e.g., resource blocks) within a cell among the first communication node devices. Furthermore, the MAC sublayer 302 is responsible for HARQ operations.
  • the RRC (Radio Resource Control) sublayer 306 in Layer 3 (L3 layer) is responsible for acquiring radio resources (i.e., radio bearers) and configuring the lower layers using RRC signaling between the second communication node device and the first communication node device.
  • the user plane 350's radio protocol architecture includes Layer 1 (L1 layer) and Layer 2 (L2 layer).
  • the radio protocol architecture for the first and second communication node devices in the user plane 350 is largely the same as the corresponding layers and sublayers in the control plane 300 for Physical Layer 351, PDCP sublayer 354 in L2 layer 355, RLC sublayer 353 in L2 layer 355, and MAC sublayer 352 in L2 layer 355.
  • PDCP sublayer 354 also provides header compression for upper layer data packets to reduce radio transmission overhead.
  • the L2 layer 355 in the user plane 350 also includes an SDAP (Service Data Adaptation Protocol) sublayer 356, which is responsible for mapping between QoS streams and data radio bearers (DRBs) to support service diversity.
  • SDAP Service Data Adaptation Protocol
  • the first communication node device may have several upper layers above the L2 layer 355, including a network layer (e.g., IP layer) terminating at the P-GW on the network side and an application layer terminating at the other end of the connection (e.g., a remote UE, server, etc.).
  • a network layer e.g., IP layer
  • an application layer terminating at the other end of the connection (e.g., a remote UE, server, etc.).
  • the wireless protocol architecture in Figure 3 is applicable to the first node.
  • the wireless protocol architecture in Figure 3 is applicable to the second node.
  • the higher layer mentioned in this application refers to the layer above the physical layer.
  • the first higher-level message set is generated in the RRC sublayer 306.
  • the first higher-level message set is generated in the MAC sublayer 302 or the MAC sublayer 352.
  • the first higher-level message set is generated in the RRC sublayer 306 and the MAC sublayer 302.
  • the beam failure event indication is generated in the PHY301 or the PHY351.
  • the target counter is generated in the MAC sublayer 302 or the MAC sublayer 352.
  • the channel quality information of the first candidate resource is generated in the PHY301 or the PHY351.
  • the first information is generated in the PHY301 or the PHY351.
  • the beam failure recovery request is generated in the PHY301 or the PHY351.
  • the response to the beam failure recovery request is generated in the PHY301 or the PHY351.
  • the response to the beam failure recovery request is generated in the MAC sublayer 302 or the MAC sublayer 352.
  • Example 4 illustrates a schematic diagram of a first communication device and a second communication device according to an embodiment of this application, as shown in Figure 4.
  • Figure 4 is a block diagram of a first communication device 410 and a second communication device 450 communicating with each other in an access network.
  • the first communication device 410 includes a controller/processor 475, a memory 476, a receiver processor 470, a transmitter processor 416, a multi-antenna receiver processor 472, a multi-antenna transmitter processor 471, a transmitter/receiver 418, and an antenna 420.
  • the second communication device 450 includes a controller/processor 459, a memory 460, a data source 467, a transmitting processor 468, a receiving processor 456, a multi-antenna transmitting processor 457, a multi-antenna receiving processor 458, a transmitter/receiver 454, and an antenna 452.
  • the controller/processor 475 implements L2 layer functionality.
  • the controller/processor 475 provides header compression, encryption, packet segmentation and reordering, multiplexing between logical and transport channels, and radio resource allocation to the second communication device 450 based on various priority metrics.
  • the controller/processor 475 is also responsible for HARQ operation, retransmission of lost packets, and signaling to the second communication device 450.
  • the transmit processor 416 and the multi-antenna transmit processor 471 implement various signal processing functions for L1 layer (i.e., physical layer).
  • Transmit processor 416 performs encoding and interleaving to facilitate forward error correction (FEC) at the second communication device 450, and constellation mapping based on various modulation schemes (e.g., binary phase shift keying (BPSK), quadrature phase shift keying (QPSK), M-phase shift keying (M-PSK), and M-quadrature amplitude modulation (M-QAM).
  • FEC forward error correction
  • Multi-antenna transmit processor 471 performs digital spatial precoding on the encoded and modulated symbols, including codebook-based precoding and non-codebook-based precoding, and beamforming processing, generating one or more parallel...
  • the transmit processor 416 maps each parallel stream to a subcarrier, multiplexes the modulated symbols with a reference signal (e.g., a pilot) in the time and/or frequency domains, and then uses an inverse fast Fourier transform (IFFT) to generate a physical channel carrying the time-domain multicarrier symbol stream.
  • the multi-antenna transmit processor 471 then performs transmit analog precoding/beamforming operations on the time-domain multicarrier symbol stream.
  • Each transmitter 418 converts the baseband multicarrier symbol stream provided by the multi-antenna transmit processor 471 into an RF stream, which is then provided to a different antenna 420.
  • each receiver 454 receives a signal through its corresponding antenna 452.
  • Each receiver 454 recovers the information modulated onto the radio frequency carrier and converts the radio frequency stream into a baseband multicarrier symbol stream, which is then provided to the receiver processor 456.
  • the receiver processor 456 and the multi-antenna receiver processor 458 implement various signal processing functions of the L1 layer.
  • the multi-antenna receiver processor 458 performs receive analog precoding/beamforming operations on the baseband multicarrier symbol stream from the receiver 454.
  • the receiver processor 456 uses a Fast Fourier Transform (FFT) to convert the baseband multicarrier symbol stream after the receive analog precoding/beamforming operations from the time domain to the frequency domain.
  • FFT Fast Fourier Transform
  • the physical layer data signal and the reference signal are demultiplexed by the receiver processor 456, where the reference signal is used for channel estimation, and the data signal is recovered in the multi-antenna receiver processor 458 after multi-antenna detection to recover any parallel stream destined for the second communication device 450.
  • Symbols on each parallel stream are demodulated and recovered in the receive processor 456, generating soft decisions.
  • the receive processor 456 then decodes and deinterleaves the soft decisions to recover the upper-layer data and control signals transmitted over the physical channel by the first communication device 410.
  • the upper-layer data and control signals are then provided to the controller/processor 459.
  • the controller/processor 459 implements the functions of Layer 2 (L2).
  • the controller/processor 459 may be associated with a memory 460 storing program code and data.
  • the memory 460 may be referred to as computer-readable media.
  • the controller/processor 459 provides multiplexing, packet reassembly, decryption, header decompression, and control signal processing between the transmission and logical channels to recover upper-layer packets from the core network.
  • the upper-layer packets are then provided to all protocol layers above Layer 2.
  • Various control signals may also be provided to Layer 3 (L3) for L3 processing.
  • the controller/processor 459 is also responsible for error detection using ACK and/or NACK protocols to support HARQ operation.
  • a data source 467 is used to provide upper-layer data packets to the controller/processor 459.
  • the data source 467 represents all protocol layers above the L2 layer.
  • the controller/processor 459 implements header compression, encryption, packet segmentation and reordering, and multiplexing between logical and transport channels based on the radio resource allocation of the first communication device 410, implementing L2 layer functions for the user plane and control plane.
  • the controller/processor 459 is also responsible for HARQ operations, retransmission of lost packets, and signaling to the first communication device 410.
  • Transmit processor 468 performs modulation mapping and channel coding processing, while multi-antenna transmit processor 457 performs digital multi-antenna spatial precoding, including codebook-based and non-codebook-based precoding, and beamforming processing. Subsequently, transmit processor 468 modulates the generated parallel stream into a multi-carrier/single-carrier symbol stream. After analog precoding/beamforming operations in multi-antenna transmit processor 457, the stream is provided to different antennas 452 via transmitter 454. Each transmitter 454 first converts the baseband symbol stream provided by multi-antenna transmit processor 457 into a radio frequency symbol stream before providing it to antenna 452.
  • the function at the first communication device 410 is similar to the receiving function at the second communication device 450 described in the transmission from the first communication device 410 to the second communication device 450.
  • Each receiver 418 receives radio frequency signals through its corresponding antenna 420, converts the received radio frequency signals into baseband signals, and provides the baseband signals to the multi-antenna receiving processor 472 and the receiving processor 470.
  • the receiving processor 470 and the multi-antenna receiving processor 472 jointly implement the L1 layer functions.
  • the controller/processor 475 implements the L2 layer functions.
  • the controller/processor 475 may be associated with a memory 476 that stores program code and data.
  • the memory 476 may be referred to as computer-readable media.
  • the controller/processor 475 provides multiplexing, packet reassembly, decryption, header decompression, and control signal processing between the transmission and logical channels to recover upper-layer data packets from the second communication device 450.
  • the upper-layer data packets from the controller/processor 475 may be provided to the core network.
  • the controller/processor 475 is also responsible for error detection using ACK and/or NACK protocols to support HARQ operation.
  • the second communication device 450 includes: at least one processor and at least one memory, the at least one memory including computer program code; the at least one memory and the computer program code are configured to be used with the at least one processor.
  • the second communication device 450 means at least: receiving a first higher-level message set, the first higher-level message set being used to configure a first resource set and a first candidate resource set; evaluating a first radio link quality based on the first resource set; the physical layer of the first node indicating a first candidate resource in the first candidate resource set to its higher layers; wherein the first candidate resource set includes a plurality of candidate resources, and the first candidate resource is one of the plurality of candidate resources; the evaluated first radio link quality is worse than the second reference threshold; the channel quality of the first candidate resource is equal to or greater than the first reference threshold; the first reference threshold is one of a first threshold or a second threshold, the first reference threshold depending on whether the channel quality of the first candidate resource is obtained based on AI; when the channel quality of the first candidate resource is not obtained
  • the second communication device 450 includes: a memory storing a computer-readable instruction program that, when executed by at least one processor, produces actions including: receiving a first higher-level message set, the first higher-level message set being used to configure a first resource set and a first candidate resource set; evaluating a first wireless link quality based on the first resource set; the physical layer of the first node indicating a first candidate resource in the first candidate resource set to its higher layers; wherein the first candidate resource set includes a plurality of candidate resources, and the first candidate resource is one of the plurality of candidate resources; the evaluated first wireless link quality is worse than the second reference threshold; the channel quality of the first candidate resource is equal to or greater than the first reference threshold; the first reference threshold is one of a first threshold or a second threshold, the first reference threshold depending on whether the channel quality of the first candidate resource is obtained based on AI; when the channel quality of the first candidate resource is not obtained based on AI, the first reference threshold is the first threshold; when the channel quality of the first candidate resource is obtained based on AI
  • the first communication device 410 includes: at least one processor and at least one memory, the at least one memory including computer program code; the at least one memory and the computer program code are configured to be used with the at least one processor.
  • the first communication device 410 means at least: transmitting a first higher-level message set, the first higher-level message set being used to configure a first resource set and a first candidate resource set; wherein a target receiver of the first higher-level message set evaluates a first wireless link quality based on the first resource set; the physical layer of the target receiver of the first higher-level message set indicates a first candidate resource in the first candidate resource set to its higher layer; the first candidate resource set includes a plurality of candidate resources, the first candidate resource being one of the plurality of candidate resources; the evaluated first wireless link quality is worse than the second reference threshold; the channel quality of the first candidate resource is equal to or greater than the first reference threshold; the first reference threshold is one of a first threshold or a second threshold, the first reference threshold depending on whether the channel quality of the first candidate resource is
  • the first communication device 410 includes: a memory storing a computer-readable instruction program that, when executed by at least one processor, produces actions including: sending a first higher-level message set, the first higher-level message set being used to configure a first resource set and a first candidate resource set; wherein a target receiver of the first higher-level message set evaluates a first wireless link quality based on the first resource set; the physical layer of the target receiver of the first higher-level message set indicates a first candidate resource in the first candidate resource set to its higher layer; the first candidate resource set includes a plurality of candidate resources, and the first candidate resource is one of the plurality of candidate resources; the evaluated first wireless link quality is worse than the second reference threshold; the channel quality of the first candidate resource is equal to or greater than the first reference threshold; the first reference threshold is one of a first threshold or a second threshold, the first reference threshold depending on whether the channel quality of the first candidate resource is obtained based on AI; when the channel quality of the first candidate resource is not obtained based on AI, the first reference
  • the first node in this application includes the second communication device 450.
  • the second node in this application includes the first communication device 410.
  • At least one of ⁇ the antenna 452, the receiver 454, the receiving processor 456, the multi-antenna receiving processor 458, the controller/processor 459, the memory 460, and the data source 467 ⁇ is used to receive the first higher-level message set; at least one of ⁇ the antenna 420, the transmitter 418, the transmitting processor 416, the multi-antenna transmitting processor 471, the controller/processor 475, and the memory 476 ⁇ is used to transmit the first higher-level message set.
  • At least one of ⁇ the antenna 452, the receiver 454, the receiving processor 456, the multi-antenna receiving processor 458, the controller/processor 459, the memory 460, and the data source 467 ⁇ is used to receive the reference signal in the first resource set; at least one of ⁇ the antenna 420, the transmitter 418, the transmitting processor 416, the multi-antenna transmitting processor 471, the controller/processor 475, and the memory 476 ⁇ is used to transmit the reference signal in the first resource set.
  • At least one of the following is used to transmit the beam failure event indication: ⁇ the antenna 452, the receiver/transmitter 454, the receiving processor 456, the transmitting processor 468, the multi-antenna receiving processor 458, the multi-antenna transmitting processor 457, the controller/processor 459, the memory 460, and the data source 467 ⁇ .
  • At least one of the following is used to trigger the beam failure recovery: ⁇ the antenna 452, the receiver/transmitter 454, the receiver processor 456, the transmitter processor 468, the multi-antenna receiver processor 458, the multi-antenna transmitter processor 457, the controller/processor 459, the memory 460, and the data source 467 ⁇ .
  • At least one of ⁇ the antenna 452, the receiver/transmitter 454, the receiving processor 456, the transmitting processor 468, the multi-antenna receiving processor 458, the multi-antenna transmitting processor 457, the controller/processor 459, the memory 460, and the data source 467 ⁇ is used to indicate the first candidate resource in the first candidate resource set.
  • At least one of ⁇ the antenna 452, the receiver/transmitter 454, the receiving processor 456, the transmitting processor 468, the multi-antenna receiving processor 458, the multi-antenna transmitting processor 457, the controller/processor 459, the memory 460, and the data source 467 ⁇ is used to indicate the channel quality of the first candidate resource.
  • At least one of the following is used to indicate the first information: ⁇ the antenna 452, the receiver/transmitter 454, the receiving processor 456, the transmitting processor 468, the multi-antenna receiving processor 458, the multi-antenna transmitting processor 457, the controller/processor 459, the memory 460, and the data source 467 ⁇ .
  • At least one of ⁇ the antenna 452, the receiver 454, the receiver processor 456, the multi-antenna receiver processor 458, the controller/processor 459, the memory 460, and the data source 467 ⁇ is used to receive a response to the beam failure recovery request; and at least one of ⁇ the antenna 420, the transmitter 418, the transmitter processor 416, the multi-antenna transmitter processor 471, the controller/processor 475, and the memory 476 ⁇ is used to transmit a response to the beam failure recovery request.
  • At least one of ⁇ the antenna 452, the receiver 454, the receiver processor 456, the multi-antenna receiver processor 458, the controller/processor 459, the memory 460, and the data source 467 ⁇ is used to send a beam failure recovery request; at least one of ⁇ the antenna 420, the transmitter 418, the transmitter processor 416, the multi-antenna transmitter processor 471, the controller/processor 475, and the memory 476 ⁇ is used to receive a beam failure recovery request.
  • Example 5 illustrates a flowchart of a transmission between a first node and a second node according to an embodiment of this application, as shown in Figure 5.
  • the second node U1 and the first node U2 are communication nodes transmitting via an air interface.
  • the steps in blocks F51 to F57 are optional.
  • step S51 For the second node U1, in step S511, a first higher-level message set is sent; in step S5101, a beam failure recovery request is received; and in step S5102, a response to the beam failure recovery request is sent.
  • step S521 For the first node U2, in step S521, a first higher-layer message set is received; in step S522, the quality of a first radio link is evaluated based on the first resource set; in step S5201, the physical layer of the first node sends a beam failure event indication to its higher layer; in step S5202, beam failure recovery is triggered; in step S5203, a first operation is performed; in step S523, the physical layer of the first node indicates a first candidate resource in the first candidate resource set to its higher layer; in step S5204, the physical layer of the first node further indicates the channel quality of the first candidate resource to its higher layer; in step S5205, the physical layer of the first node further indicates first information to its higher layer; in step S5206, a beam failure recovery request is sent; and in step S5207, a response to the beam failure recovery request is received.
  • the first higher-layer message set is used to configure a first resource set and a first candidate resource set; the quality of a first radio link is evaluated based on the first resource set; the physical layer of the first node indicates a first candidate resource in the first candidate resource set to its higher layers; the first candidate resource set includes multiple candidate resources, and the first candidate resource is one of the multiple candidate resources; the evaluated quality of the first radio link is worse than a second reference threshold; the channel quality of the first candidate resource is equal to or greater than the first reference threshold; the first reference threshold is one of a first threshold or a second threshold, and the first reference threshold depends on whether the channel quality of the first candidate resource is obtained based on AI; when the channel quality of the first candidate resource is not obtained based on AI, the first reference threshold is the first threshold; when the channel quality of the first candidate resource is obtained based on AI, the first reference threshold is the second threshold.
  • the first node U2 is the first node in this application.
  • the second node U1 is the second node in this application.
  • the air interface between the second node U1 and the first node U2 includes a wireless interface between the base station equipment and the user equipment.
  • the air interface between the second node U1 and the first node U2 includes a wireless interface between the relay node device and the user equipment.
  • the air interface between the second node U1 and the first node U2 includes a wireless interface between user equipment and user equipment.
  • the second node U1 is the serving cell sustaining base station of the first node U2.
  • the AI training function in the RAN (Radio Access Network) domain is located in the RAN domain-specific management function, while the AI inference function is located in the UE.
  • RAN domain-specific management functions provide AI training function management capabilities and AI inference function management capabilities.
  • the AI training function is located in the RAN domain-specific management function, while the AI inference function is located locally in the gNB.
  • the management capability of AI training is provided by RAN domain-specific management functions, while the management capability of AI inference is provided locally by the gNB.
  • MnF refers to Management Function.
  • both the AI training function and the AI inference function are located in the UE, wherein the UE provides the ability to train and infer.
  • RAN domain-specific management functions provide management capabilities for AI training and AI inference functions.
  • both the AI training function and the AI inference function are located in the gNB.
  • the management capabilities for both AI training and AI inference are provided locally by gNB.
  • the steps in block F51 of Figure 5 are present; the method used in the first node for wireless communication includes: the physical layer of the first node sending a beam failure event indication to its higher layers.
  • the steps in block F52 of Figure 5 are present; the method used in the first node for wireless communication includes: triggering beam failure recovery when the value of the target counter is equal to or greater than a target threshold; the target counter is used for counting indicated by the beam failure event.
  • the step in block F53 of Figure 5 exists; when the channel quality of the first candidate resource is not obtained based on AI, the step in block F53 of Figure 5 does not exist.
  • the steps in block F53 of Figure 5 are present; the method used in the first node for wireless communication includes: performing a first operation, the first operation being training-based or AI-based, the channel quality of the first candidate resource depending on the output of the first operation.
  • the steps in block F54 of Figure 5 are present; the method used in the first node for wireless communication includes: the physical layer of the first node further instructs its higher layers on the channel quality of the first candidate resource.
  • the steps in block F55 of Figure 5 are present; the method used in the first node for wireless communication includes: the physical layer of the first node further instructs its higher layers to indicate first information.
  • the indication of the channel quality of the first candidate resource is no earlier than the indication of the first information.
  • the step in block F56 of Figure 5 is present; the method used in the first node for wireless communication includes: sending a beam failure recovery request.
  • the step in block F56 of Figure 5 is present; the method used in the second node for wireless communication includes: receiving a beam failure recovery request.
  • the step in block F57 of Figure 5 is present; the method used in the first node for wireless communication includes: receiving a response to the beam failure recovery request.
  • the step in block F57 of Figure 5 is present; the method in the second node used for wireless communication includes: sending a response to the beam failure recovery request.
  • the first higher-layer message set is transmitted on PDSCH (Physical Downlink Shared Channel).
  • PDSCH Physical Downlink Shared Channel
  • the beam failure recovery request is transmitted on PUSCH (Physical Uplink Shared Channel).
  • PUSCH Physical Uplink Shared Channel
  • the beam failure recovery request is transmitted on the PUCCH (Physical Uplink Control Channel).
  • PUCCH Physical Uplink Control Channel
  • the response to the beam failure recovery request is transmitted on the PDSCH (Physical Downlink Shared Channel).
  • PDSCH Physical Downlink Shared Channel
  • the response to the beam failure recovery request is transmitted on the PDCCH (Physical Downlink Control Channel).
  • PDCCH Physical Downlink Control Channel
  • Example 6 illustrates a schematic diagram of the channel quality of a first candidate resource according to an embodiment of this application, obtained by measuring the RSRP of the first candidate resource; as shown in Figure 6.
  • the channel quality of the first candidate resource is not obtained based on AI, including: the first candidate resource is an RS resource, and the channel quality of the first candidate resource is obtained by measuring the RSRP of the first candidate resource.
  • the channel quality of the first candidate resource is not obtained based on AI, including: the first candidate resource is an RS resource, and the channel quality of the first candidate resource is obtained by measuring the RSRP of the first candidate resource.
  • the channel quality of the first candidate resource is not obtained based on AI, including: the first candidate resource is an RS resource, and the channel quality of the first candidate resource is obtained by measuring the L1-RSRP of the first candidate resource.
  • the channel quality of the first candidate resource is not obtained based on AI, including: the first candidate resource is an RS resource, and the channel quality of the first candidate resource is obtained by measuring the SINR of the first candidate resource.
  • the channel quality of the first candidate resource is not obtained based on AI, including: the first candidate resource is an RS resource, and the channel quality of the first candidate resource is obtained by measuring the L1-SINR of the first candidate resource.
  • the channel quality of the first candidate resource is not obtained based on AI, including: the first candidate resource is an RS resource, and the channel quality of the first candidate resource is obtained by measuring the BLER of the first candidate resource.
  • the channel quality of the first candidate resource is not obtained based on AI, including: the first candidate resource is an RS resource, and the channel quality of the first candidate resource is obtained by measuring the first candidate resource using a hypothetical BLER.
  • the channel quality of the first candidate resource is not obtained based on AI, including: the first candidate resource is an RS resource, and the channel quality of the first candidate resource is obtained by measuring the RSRP, SINR, BLER, or hypothetical BLER of the first candidate resource.
  • Example 7 illustrates a schematic diagram of a first candidate resource according to an embodiment of this application, where the channel quality is predicted or inferred; as shown in Figure 7.
  • the channel quality of the first candidate resource is obtained based on AI, including: the channel quality of the first candidate resource is obtained through prediction or inference.
  • the prediction includes AI prediction.
  • the channel quality of the first candidate resource is obtained based on AI, including: the channel quality of the first candidate resource is obtained using an AI model.
  • the fact that the channel quality of the first candidate resource is not obtained based on AI includes: the channel quality of the first candidate resource is obtained without using an AI model.
  • the channel quality of the first candidate resource is obtained based on AI, including information generated based on a neural network.
  • the channel quality of the first candidate resource is obtained based on AI, including information generated based on CNN (Conventional Neural Networks).
  • the channel quality of the first candidate resource is not obtained based on AI, meaning that the channel quality of the first candidate resource does not include information based on artificial intelligence or machine learning.
  • the channel quality of the first candidate resource is not obtained based on AI, including: the channel quality of the first candidate resource does not include information generated based on a neural network.
  • the channel quality of the first candidate resource is obtained by prediction or inference, including: the first node obtains the channel quality of the first candidate resource by prediction or inference.
  • the channel quality of the first candidate resource is obtained by prediction or inference, including: the channel quality of the first candidate resource is not obtained based on the measurement of the RS resource.
  • the fact that the channel quality of the first candidate resource is not obtained based on the measurement of the RS resource includes: the channel quality of the first candidate resource is not expected to be obtained based on the measurement of the RS resource.
  • the specific algorithm for obtaining the channel quality of the first candidate resource based on AI is determined by the manufacturer of the first node, or is related to implementation.
  • the channel quality of the first candidate resource is one of RSRP, L1-RSRP, SINR, or L1-SINR; the channel quality of the first candidate resource obtained based on AI is RSRP, L1-RSRP, SINR, or L1-SINR predicted or inferred from the first candidate resource.
  • the channel quality of the first candidate resource is one of RSRP, L1-RSRP, SINR, or L1-SINR;
  • the channel quality of the first candidate resource obtained based on AI is the average value of RSRP, L1-RSRP, SINR, or L1-SINR obtained by predicting or inferring at least one transmission timing of the first candidate resource.
  • the channel quality of the first candidate resource is one of RSRP, L1-RSRP, SINR, or L1-SINR;
  • the channel quality of the first candidate resource obtained based on AI is the minimum value of RSRP, L1-RSRP, SINR, or L1-SINR obtained by prediction or inference of at least one transmission timing of the first candidate resource.
  • the channel quality of the first candidate resource is BLER; obtaining the channel quality of the first candidate resource based on AI is the BLER predicted or inferred from the first candidate resource.
  • the channel quality of the first candidate resource is BLER; the channel quality of the first candidate resource obtained based on AI is the average value of BLER obtained from at least one transmission timing prediction or inference of the first candidate resource.
  • the channel quality of the first candidate resource is BLER; the channel quality of the first candidate resource obtained based on AI is the maximum value of BLER obtained by predicting or inferring at least one transmission timing of the first candidate resource.
  • the channel quality of the first candidate resource is a hypothetical BLER
  • the first radio link quality based on AI evaluation is a hypothetical BLER predicted or inferred from the first candidate resource.
  • the channel quality of the first candidate resource is a hypothetical BLER
  • the first wireless link quality based on AI evaluation is the average of the hypothetical BLERs obtained by predicting or inferring at least one transmission opportunity of the first candidate resource.
  • the channel quality of the first candidate resource is a hypothetical BLER
  • the first wireless link quality based on AI evaluation is the maximum value of the hypothetical BLER obtained by predicting or inferring at least one transmission opportunity of the first candidate resource.
  • Example 8 illustrates a schematic diagram of the channel quality of a first candidate resource depending on the output of a first operation according to an embodiment of this application; as shown in Figure 8.
  • the channel quality of the first candidate resource is obtained based on AI, including: the first node performing a first operation, the first operation being based on training or AI, and the channel quality of the first candidate resource depending on the output of the first operation.
  • the channel quality of the first candidate resource being obtained based on AI includes: the first node performing a first operation, the first operation being based on training or AI, and the channel quality of the first candidate resource depending on the output of the first operation; the channel quality of the first candidate resource not being obtained based on AI includes: the acquisition of the channel quality of the first candidate resource not including the first node performing the first operation.
  • the channel quality of the first candidate resource is obtained based on AI, which includes: the first higher-level message set indicating that the channel quality of the first candidate resource is obtained based on AI by indicating a first type of identifier.
  • the channel quality of the first candidate resource is obtained based on AI, including: the channel quality of the first candidate resource is obtained using an AI model identified by a first type of identifier.
  • the channel quality of the first candidate resource is obtained based on AI, including: the channel quality of the first candidate resource is used for AI functions identified by a first type of identifier.
  • the channel quality of the first candidate resource is obtained based on AI, which includes: the acquisition of the channel quality of the first candidate resource is performed in an AI entity identified by a first type of identifier.
  • the output of the first operation is used to generate the channel quality of the first candidate resource.
  • the channel quality of the first candidate resource includes the output of the first operation.
  • the channel quality of the first candidate resource includes the post-processed output of the first operation.
  • the channel quality of the first candidate resource includes the truncated and/or quantized output of the first operation.
  • the output of the first operation is used to generate the channel quality of the first candidate resource.
  • the output of the first operation after being truncated and/or quantized, is used to generate the channel quality of the first candidate resource.
  • some or all of the output of the first operation is post-processed and used to generate the channel quality of the first candidate resource.
  • some or all of the output of the first operation after being truncated and/or quantized, is used to generate the channel quality of the first candidate resource.
  • how the output of the first operation is used to generate the channel quality of the first candidate resource is determined by the manufacturer of the first node, or is implementation-dependent. These are some typical but non-limiting implementations.
  • Example 9 illustrates a schematic diagram of a first operation being associated with a first type of identifier according to one embodiment of this application; as shown in Figure 9.
  • the first operation is associated with the first type of identifier.
  • the first operation is identified by the first type of identifier.
  • the AI model used in the first operation is identified by the first type of identifier.
  • the advantages of the above method include that identifying an AI entity or function through the first type of identifier simplifies the design and unifies the understanding of different AI entities or functions across multiple nodes.
  • the first type of identifier is a model identifier.
  • the first type of identifier is used to identify an AI model.
  • the first type of identifier is used by the first node to identify an AI model.
  • the advantages of the above method include that identifying an AI model/entity/function through the first type of identifier simplifies the design and unifies the understanding of different AI entities/functions across multiple nodes.
  • the first type of identifier is used to identify or indicate a set of reference resources, and the measurement of the set of reference resources is used to obtain a training dataset for the first operation.
  • the first type of identifier is used to identify the configuration information of the reference resource set, and the measurement of the reference resource set is used to obtain the training dataset for the first operation.
  • the training for obtaining the first operation is identified by the first type of identifier.
  • the dataset used for training the first operation is identified by the first type of identifier.
  • the benefits of the above method include establishing consensus among different AI functions by identifying an AI training or AI training dataset to recognize the inferences generated by that AI training or AI training dataset, further simplifying the design.
  • the first type of identifier is a non-negative integer.
  • the first type of identifier is a string.
  • the first type of identifier is used to identify AI models.
  • the first type of identifier is used to identify AI entities.
  • the first type of identifier is used to identify AI functions.
  • the advantages of the above method include that identifying an AI entity or function through the first type of identifier simplifies the design and unifies the understanding of different AI entities or functions across multiple nodes.
  • the first type of identifier is a model identifier.
  • the first type of identifier is used to identify an AI model.
  • the first type of identifier is used by the first node to identify an AI model.
  • the first type of identifier is used by the first node to determine the AI model adopted by the first reference operation.
  • the advantages of the above method include that identifying an AI model/entity/function through the first type of identifier simplifies the design and unifies the understanding of different AI entities/functions across multiple nodes.
  • the first type of identifier is used to identify or indicate a set of resources.
  • the first type of identifier is used to identify or indicate a set of resources, the measurement of which is used to obtain a training dataset.
  • the first type of identifier is used to identify or indicate a set of resources.
  • the first type of identifier is used to identify or indicate the training dataset.
  • the benefits of the above method include establishing consensus among different AI functions by identifying an AI training or AI training dataset to recognize the inferences generated by that AI training or AI training dataset, further simplifying the design.
  • Example 10 illustrates a schematic diagram of a first operation based on training or AI according to an embodiment of this application; as shown in Figure 10.
  • the first operation is based on training or AI.
  • the first operation is based on training or AI.
  • the first operation includes inference.
  • the reasoning includes AI reasoning.
  • the first operation includes an AI entity.
  • the first operation includes an AI entity for inference.
  • the first operation includes a portion of an AI entity.
  • the first operation includes a portion of an AI entity used for inference.
  • the first operation includes reasoning for obtaining the first information report.
  • the reasoning includes: AI (Artificial Intelligence) inference.
  • the first operation is used for an AI function.
  • the first operation is performed by the physical layer of the first node.
  • the first operation is performed at a higher level than the first node.
  • the model for the first operation is obtained through training.
  • the training for the first operation is performed by the first node.
  • the training of the first operation is performed by the sender of the first information set.
  • the training for the first operation is performed by the core network.
  • the training of the first operation is performed by an AI training producer.
  • the training of the first operation is performed by the MDA (Management Data Analytics) function.
  • MDA Management Data Analytics
  • the training of the first operation is performed by the MDA function located at the first node.
  • the training of the first operation is performed by the MDA function of the sender located in the first information set.
  • the training of the first operation is performed by NWDAF (Network Data Analytics Function).
  • the training of the first operation is performed by the MDAS (Management Data Analytics Service) producer.
  • MDAS Management Data Analytics Service
  • the training of the first operation is performed by the MnS (Management Service) producer.
  • MnS Management Service
  • the first operation requires deployment.
  • the first operation is obtained by loading.
  • the first operation is obtained from the serving cell of the first node.
  • the first operation is obtained from the sustaining base station of the serving cell of the first node.
  • the first node deploys the first operation.
  • the first operation does not require deployment.
  • the first operation is obtained from the core network.
  • the first operation is based on artificial intelligence or machine learning.
  • the first operation is based on a neural network.
  • the first operation is based on CNN (Conventional Neural Networks).
  • the first operation includes preprocessing.
  • the first operation includes post-processing.
  • the post-processing includes DFT.
  • the post-processing includes quantization.
  • the post-processing includes one or more of the following: angular domain to spatial domain transformation, spatial domain to angular domain transformation, time domain to frequency domain transformation, and frequency domain to time domain transformation.
  • the post-processing includes truncation and/or padding.
  • the first operation includes one or more of convolution, pooling, cascading, and activation.
  • the first operation includes a fully connected layer.
  • the first operation includes a pooling layer.
  • the first operation includes at least one convolutional layer.
  • the first operation includes at least one encoding layer.
  • an encoding layer includes at least one convolutional layer and one pooling layer.
  • At least one convolutional kernel is used to convolve the input to generate a corresponding feature map, and at least one feature map output by the convolutional layer is reshaped into a vector and input to a fully connected layer; the fully connected layer transforms the vector into an output.
  • some or all of the following parameters in the first operation are obtained through training.
  • some or all of the convolution kernel, pooling kernel, pooling function, activation function, parameters of the pooling function, and parameters of the activation function in the first operation are obtained through training.
  • the parameters or AI model used in the first operation are determined by the manufacturer of the first node.
  • the first operation includes localization based on artificial intelligence or machine learning.
  • the first operation includes artificial intelligence or machine learning-assisted positioning.
  • the first node is a user (consumer).
  • the first node is the user of the AI function.
  • the first node is the user of AI inference.
  • the first node is the user who trained the AI.
  • the first node is an MnS (Management Service) user.
  • MnS Management Service
  • the first node is the producer of AI inference.
  • the first node is the AI training producer.
  • the first operation includes preprocessing.
  • the preprocessing includes DFT (Discrete Fourier Transform).
  • the preprocessing includes one or more of matrix decomposition, matrix transformation, and projection.
  • the preprocessing includes one or more of quantization, spatial-to-angular-domain transformation, angular-to-spatial-domain transformation, frequency-to-time-domain transformation, and time-to-frequency-domain transformation.
  • the preprocessing includes truncation and/or padding.
  • the preprocessing includes mapping.
  • the preprocessing includes mapping to vectors.
  • the preprocessing includes labeling.
  • the label refers to a mark made with a label.
  • the first node deploys the first operation.
  • the deployment includes obtaining the first operation.
  • the deployment includes obtaining an AI entity.
  • the deployment includes obtaining an AI entity that performs the first operation.
  • the deployment includes obtaining an AI entity that includes AI functions to perform the first operation.
  • the deployment includes submitting a request to load the first operation.
  • the first operation is obtained from the serving cell of the first node.
  • the first operation is obtained from the sustaining base station of the serving cell of the first node.
  • the first operation is obtained from the core network.
  • the deployment is accomplished by an AI function.
  • the deployment is accomplished by AI functionality deployed on the first node.
  • the deployment is accomplished by an AI deployment function.
  • the deployment is accomplished by the AI deployment function deployed on the first node.
  • the deployment is accomplished using AI inference functionality.
  • the deployment is accomplished by an AI inference function deployed on the first node.
  • the deployment is performed by an AI entity.
  • the deployment is performed by an AI entity deployed on the first node.
  • the deployment is performed by an AI entity with a deployment function.
  • the deployment is performed by an AI entity with deployment capabilities deployed on the first node.
  • the deployment is accomplished by an AI entity with an inference function.
  • the deployment is performed by an AI entity with inference capabilities deployed on the first node.
  • Example 11 illustrates a schematic diagram of the channel quality of a first candidate resource according to an embodiment of this application; as shown in Figure 11.
  • whether the channel quality of the first candidate resource is RSRP depends on whether the channel quality of the first candidate resource is obtained based on AI; the channel quality of the first candidate resource is RSRP only when the channel quality of the first candidate resource is not obtained based on AI.
  • the channel quality of the first candidate resource is RSRP, SINR, BLER, or hypothetical BLER; when the channel quality of the first candidate resource is not obtained based on AI, the channel quality of the first candidate resource is RSRP; when the channel quality of the first candidate resource is obtained based on AI, the channel quality of the first candidate resource is SINR, BLER, or hypothetical BLER.
  • the channel quality of the first candidate resource is RSRP or SINR; when the channel quality of the first candidate resource is not obtained based on AI, the channel quality of the first candidate resource is RSRP; when the channel quality of the first candidate resource is obtained based on AI, the channel quality of the first candidate resource is SINR.
  • the channel quality of the first candidate resource is RSRP or BLER; when the channel quality of the first candidate resource is not obtained based on AI, the channel quality of the first candidate resource is RSRP; when the channel quality of the first candidate resource is obtained based on AI, the channel quality of the first candidate resource is BLER.
  • the channel quality of the first candidate resource is RSRP or hypothetical BLER; when the channel quality of the first candidate resource is not obtained based on AI, the channel quality of the first candidate resource is RSRP; when the channel quality of the first candidate resource is obtained based on AI, the channel quality of the first candidate resource is hypothetical BLER.
  • Example 12 illustrates a schematic diagram in which the physical layer of a first node according to an embodiment of the present application further indicates the channel quality of a first candidate resource to its higher layers; as shown in Figure 12.
  • the physical layer of the first node further indicates the channel quality of the first candidate resource to its higher layers.
  • the physical layer of the first node also indicates the channel quality of the first candidate resource to its higher layers, wherein the channel quality of the first candidate resource is RSRP, L1-RSRP, SINR, L1-SINR, BLER, or hypothetical BLER.
  • the physical layer of the first node indicates the channel quality of the first candidate resource and the index of the first candidate resource to its higher layers.
  • the physical layer of the first node also indicates the channel quality of the first candidate resource to its higher layers, the channel quality of the first candidate resource being the RSRP obtained by measuring the first candidate resource.
  • the physical layer of the first node also indicates the channel quality of the first candidate resource to its higher layers, the channel quality of the first candidate resource being obtained through prediction or inference.
  • Example 13 illustrates a schematic diagram of first information according to an embodiment of this application; as shown in Figure 13.
  • the physical layer of the first node further indicates the first information to its higher layers; wherein the first information is used to indicate whether the channel quality of the first candidate resource is obtained based on AI, or the first information is used to indicate whether the channel quality of the first candidate resource is obtained by measuring the RSRP of the first candidate resource.
  • the physical layer of the first node also indicates first information to its higher layers; the first information is used to indicate whether the channel quality of the first candidate resource is obtained based on AI.
  • the physical layer of the first node also indicates first information to its higher layers; the first information is used to indicate whether the channel quality of the first candidate resource is obtained by measuring the RSRP of the first candidate resource.
  • the first information includes a first field, which indicates whether the channel quality of the first candidate resource is obtained based on AI.
  • the first field included in the first information includes one bit.
  • the channel quality of the first candidate resource is obtained based on AI; when the first field included in the first information is 0, the channel quality of the first candidate resource is not obtained based on AI.
  • the first field of the first information includes one bit.
  • the channel quality of the first candidate resource is obtained based on AI; when the first field of the first information is 1, the channel quality of the first candidate resource is not obtained based on AI.
  • the first information includes a second field, which indicates whether the channel quality of the first candidate resource is obtained by measuring the RSRP of the first candidate resource.
  • the second field of the first information includes one bit.
  • the second field of the first information is 1, the channel quality of the first candidate resource is obtained by measuring the RSRP of the first candidate resource; when the second field of the first information is 0, the channel quality of the first candidate resource is not obtained by measuring the RSRP of the first candidate resource.
  • the second field included in the first information includes one bit.
  • the channel quality of the first candidate resource is obtained by measuring the RSRP of the first candidate resource; when the second field included in the first information is 1, the channel quality of the first candidate resource is not obtained by measuring the RSRP of the first candidate resource.
  • Example 14 illustrates a schematic diagram of beam failure event indication and beam failure recovery according to an embodiment of this application, as shown in Figure 14.
  • the physical layer of the first node sends a beam failure event indication to its higher layers; beam failure recovery is triggered in step 142.
  • the physical layer of the first node sends a beam failure event indication to its higher layers; beam failure recovery is triggered when the value of a target counter is equal to or greater than a target threshold; the target counter is used for counting the beam failure event indication.
  • the physical layer of the first node sends a beam failure event indication to its higher layers.
  • the beam failure event indication refers to: beam failure instance indication.
  • the first radio link quality is the radio link quality for the first serving cell
  • the beam failure event indication is for the first serving cell
  • the target counter is used to count the beam failure event indication for the first serving cell
  • the beam failure recovery is for the first serving cell.
  • the first wireless link quality is the wireless link quality for the first resource set
  • the beam failure event indication is the beam failure event indication for the first resource set
  • the target counter is used to count the beam failure event indication for the first resource set
  • the beam failure recovery is for the first resource set.
  • the first resource set is configured for a first BWP, which is a BWP of a first serving cell; the first radio link quality is for the radio link quality of the first serving cell; the beam failure event indication is for the first serving cell; the target counter is used to count the beam failure event indication for the first serving cell; and the beam failure recovery is for the first serving cell.
  • the first resource set is
  • the first resource set is one of two resource sets configured for the first BWP, the first BWP is a BWP of the first serving cell; the first radio link quality is the radio link quality for the first resource set; the beam failure event indication is the beam failure event indication for the first resource set; the target counter is used to count the beam failure event indication for the first resource set; and the beam failure recovery is for the first resource set.
  • the first resource set is or
  • the sentence "when the value of the target counter is equal to or greater than the target threshold” means: if and only if the value of the target counter is equal to or greater than the target threshold.
  • the sentence "when the value of the target counter is equal to or greater than the target threshold” means: as a response where the value of the target counter is equal to or greater than the target threshold.
  • the first node maintains the target counter at the MAC layer.
  • the MAC entity of the first node maintains the target counter.
  • the MAC entity of the first node receives a beam failure event indication from the physical layer, it starts or restarts the target timer, and the value of the target counter is incremented by 1.
  • the target counter is BFI_COUNTER.
  • the target counter is set to 0 when the target timer expires.
  • the target timer is beamFailureDetectionTimer.
  • the target counter is BFI_COUNTER.
  • the initial value of the target counter is 0.
  • the target threshold is a positive integer.
  • the target threshold is beamFailureInstanceMaxCount.
  • the target threshold is configured by the RRC parameter.
  • the RRC parameters for configuring the target threshold include all or part of the information in the beamFailureInstanceMaxCount field of the RadioLinkMonitoringConfig IE.
  • the target timer is beamFailureDetectionTimer.
  • the initial value of the target timer is a positive integer.
  • the initial value of the target timer is a positive real number.
  • the initial value of the target timer is in units of the Qout,LR reporting period of the beam failure detection RS.
  • the initial value of the target timer is configured by the higher-level parameter beamFailureDetectionTimer.
  • the initial value of the target timer is configured by an IE.
  • the name of the IE that configures the initial value of the target timer includes RadioLinkMonitoring.
  • Example 15 illustrates a schematic diagram of a beam failure recovery request according to an embodiment of this application; as shown in Figure 15.
  • the first node sends a beam failure recovery request in step 151; and receives a response to the beam failure recovery request in step 152; wherein the beam failure recovery is triggered.
  • the beam failure recovery includes the first node sending a beam failure recovery request and the sender of the first higher-level message set sending a response to the beam failure recovery request.
  • the Beam Failure Recovery includes a random access procedure
  • the beam failure recovery request includes a random access preamble
  • the response to the beam failure recovery request includes a PDCCH.
  • the beam failure recovery is based on a scheduling request, which includes a scheduling request (SR) for beam failure recovery.
  • SR scheduling request
  • the beam failure recovery request includes a random access preamble, which corresponds to a second candidate resource in the first candidate resource set.
  • the random access preamble is a contention-based random access preamble.
  • the random access preamble is a contention-free random access preamble.
  • the Beam Failure Recovery includes a contention-based random access procedure.
  • the beam failure recovery (BFR) includes a contention-free random access procedure.
  • the beam failure recovery is based on a scheduling request.
  • the beam failure recovery includes the first node triggering a scheduling request (SR) for beam failure recovery.
  • SR scheduling request
  • the beam failure recovery request includes a first MAC CE, a first HARQ process is used for the transmission of the first MAC CE; the response to the beam failure recovery request includes a first PDCCH, the first PDCCH indicating an uplink grant for a new transmission for the first HARQ process.
  • the name of the first MAC CE includes BFR.
  • the first MAC CE is a BFR MAC CE or a Truncated BFR MAC CE.
  • the first MAC CE is an Enhanced BFR MAC CE or a Truncated Enhanced BFR MAC CE.
  • the first MAC CE indicates a second candidate resource in the first candidate resource set.
  • the physical layer of the first node sends a beam failure event indication to its higher layers, and the physical layer of the first node indicates a candidate resource in the first candidate resource set to its higher layers; the second candidate resource is one of all candidate resources indicated by the physical layer of the first node to its higher layers.
  • a higher layer of the first node selects a second candidate resource from the first candidate resource set and indicates the second candidate resource to its physical layer.
  • the second candidate resource is the first candidate resource.
  • the second candidate resource is not the first candidate resource.
  • the beam failure recovery request includes a MAC CE with the name including BFR.
  • the beam failure recovery process is described in section 5.17 of 3GPP TS38.321.
  • the beam failure recovery process is described in Section 6 of 3GPP TS38.213.
  • Example 16 illustrates a schematic diagram of RAN (Radio Access Network) domain AI/ML function deployment according to one embodiment of this application, as shown in Figure 16.
  • the gNB in Example 16 can be replaced with, for example, an eNB, or a network device such as a 6G base station.
  • AI/ML related functions include ML training (also known as AI training, or AI/ML training), ML testing, and ML inference (also known as AI inference, or AI/ML inference), etc.
  • ML training, ML testing, and ML inference functions can be deployed independently or co-located. Deployment of AI/ML related functions can be implemented through software, such as downloading and/or running executable files; or it can be implemented through a combination of software and hardware, such as accelerating specific computing units through hardware to improve computing speed or save power.
  • ML training functionality can be deployed in a cross-domain management system or a domain-specific management system; the domain-specific management system is used to manage the RAN domain or the CN (Core Network) domain.
  • ML training functionality for MDA Management Data Analytics
  • MDAF MDA Function
  • NWDAF Network Data Analytics Function
  • MTLF Model Training Logical Function
  • the ML inference function can also be deployed in a cross-domain management system or a domain-specific management system; for example, the ML inference function is MDAF, or the ML inference function is AnLF (Analytics Logical Function) located in NWDAF.
  • ML testing capabilities can also be deployed in cross-domain management systems or domain-specific management systems.
  • RAN domain management function 1403 that is, data interaction with RAN domain MnS (Management Service) consumer/cross-domain management 1401 (as shown by the dashed arrow in Figure 14).
  • the management of ML inference function can also be completed by the base station itself, that is, each base station can independently interact with the RAN domain MnS consumer/cross-domain management 1401.
  • Example 16 is merely a non-limiting implementation; optionally, the ML training function of the RAN domain may also be deployed at the base station; or optionally, some base stations may deploy both the ML inference function and the ML training function of the RAN domain, while some base stations may only deploy the ML inference function.
  • one of the gNBs (or base stations) in Example 16 is the second node of this application.
  • the second processor in this application includes an AL/ML inference function, namely 1404 or 1406, as shown in Figure 16.
  • Example 17 illustrates a schematic diagram of the deployment of AI/ML functionality in a UE according to one embodiment of this application; as shown in Figure 17.
  • the RAN domain ML training function 1505 in Figure 17 is optional.
  • the UE function 1504 is deployed in the first node of this application, and the UE function 1504 includes AI/ML inference function 1506; the AI/ML inference function 1506 uses an ML model (also called an AI model) for inference; an ML model is typically trained before being used for AI/ML inference.
  • AI/ML inference function 1506 uses an ML model (also called an AI model) for inference; an ML model is typically trained before being used for AI/ML inference.
  • the first information report in this application is obtained through inference by the AI/ML inference function 1506.
  • the first processor in this application includes an AL/ML inference function 1506 in Figure 17.
  • the UE function 1504 includes a RAN domain ML training function 1505, which runs training data through an ML model to obtain a relevant loss and adjusts the parameters of the ML model based on the calculated loss;
  • the ML training includes at least one of ML initial training, ML re-training, and reinforcement learning.
  • the above embodiments can reduce the complexity of the base station, or save air interface resources caused by reporting training data; however, the above embodiments place high demands on the processing capabilities of the UE side.
  • the UE function 1504 also includes a CN domain ML training function (not shown in Figure 17).
  • the UE function 1504 also includes an AI/ML deployment function—not shown in Figure 17—for loading ML models and data.
  • the first node indicates whether it supports ML training function (RAN domain or CN domain) through capability reporting.
  • the capability reporting is RRC signaling or NAS (Non-Access Stratum) signaling.
  • the ML model and the associated metadata are loaded by the first node from a network device or a remote server.
  • the UE function 1504 is an MnS (Management Service) producer that provides data to the CN domain MnF (Management Function) 1501, and/or the RAN domain MnF 1502, and/or the cross-domain management system 1503 for management or analysis (as shown by the double arrow 1507).
  • MnS Management Service
  • the CN domain MnF Management Function
  • the RAN domain MnF Management Function
  • the cross-domain management system 1503 for management or analysis (as shown by the double arrow 1507).
  • the UE function 1504 is an MnS consumer that loads data from the CN domain MnF (Management Function) 1501, and/or the RAN domain MnF 1502, and/or the cross-domain management system 1503 for AI/ML-related management, such as managing data requests, ML model activation, and/or ML training (as shown by double arrow 1507).
  • MnF Management Function
  • the cross-domain management system 1503 for AI/ML-related management, such as managing data requests, ML model activation, and/or ML training (as shown by double arrow 1507).
  • the ML model is based on a neural network.
  • the ML model is based on CNN (Conventional Neural Networks).
  • the ML model is based on the Transformer architecture.
  • Example 18 illustrates a schematic diagram of a processing system based on artificial intelligence or machine learning according to an embodiment of this application; as shown in Figure 18.
  • Figure 18(a) includes a third processor, a fourth processor, and a fifth processor
  • Figure 18(b) includes a third processor, a fourth processor, a fifth processor, and a sixth processor.
  • Example 18(a) the third processor sends a first dataset to the fourth processor and a second dataset to the fifth processor; the fourth processor generates a target first-type parameter set based on the first dataset, and sends the generated target first-type parameter set to the fifth processor; the fifth processor processes the second dataset using the target first-type parameter set to obtain a first-type output.
  • the first-type feedback is optional.
  • Example 18(b) the third processor sends a first dataset to the fourth processor and a second dataset to the fifth processor; the fourth processor generates a target first-type parameter set based on the first dataset, and sends the generated target first-type parameter set to the fifth processor; the fifth processor processes the second dataset using the target first-type parameter set to obtain a first-type output, and sends the first-type output to the sixth processor.
  • the first-type feedback and the second-type feedback are optional.
  • the fifth processor sends the first type of output to the second node in this application.
  • Figure 18(a) uses a single-side AI model for beam prediction or channel information prediction, and the fifth processor executes the first operation, which is used for beam prediction or channel information prediction.
  • Figure 18(a) uses a single-side AI model to obtain the channel quality of the first candidate resource, the fifth processor performs the first operation, and the channel quality of the first candidate resource depends on the output of the first operation.
  • the fifth processor performs the first operation.
  • the fifth processor sends a first type of feedback to the fourth processor, and the first type of feedback is used to trigger a recalculation or update of the target first type of parameter group.
  • the sixth processor sends a second type of feedback to the third processor, the second type of feedback being used to generate the first dataset or the second dataset, or the second type of feedback being used to trigger the sending of the first dataset or the second dataset.
  • the third processor generates the first dataset and the second dataset based on measurements of a first type of wireless signal, the first type of wireless signal including downlink RS.
  • the second dataset includes information obtained based on the first configuration and the M1 configurations.
  • the first dataset includes training data.
  • the fourth processor belongs to the producer of the first operation.
  • the fourth processor includes an AI training producer.
  • the fourth processor includes an AI training function.
  • the fourth processor is used for model training, and the trained model is described by the target first class of parameter sets.
  • the fourth processor belongs to the first node.
  • the above embodiments avoid passing the first dataset to the second node.
  • the fourth processor belongs to the second node.
  • the above embodiments support joint training and optimize system performance.
  • the fourth processor belongs to the core network.
  • the above embodiments support network-wide joint training, further optimizing system performance.
  • the second dataset includes inference data.
  • the fifth processor includes an AI inference producer.
  • the fifth processor includes an AI inference function.
  • the fifth processor belongs to the first node.
  • the fifth processor constructs a model based on the target first type of parameter group, and then inputs the second dataset into the constructed model to obtain the first type of output.
  • the first operation is described by the target first type of parameter group.
  • the target first type of parameter group is used to construct the first operation.
  • the fifth processor generates a recovery dataset based on the first type of output, and the error between the recovery dataset and the second dataset is used to generate the first type of feedback.
  • the first type of feedback is used to reflect the performance of the trained model; when the performance of the trained model fails to meet the requirements, the fourth processing opportunity recalculates the target first type of parameter set.
  • the performance of the trained model is considered to be unsatisfactory.
  • the target first type of parameter group includes one or more of the following: convolution kernel size, number of convolution layers, convolution stride, pooling kernel size, pooling kernel stride, pooling function, activation function, or number of feature maps.
  • the target first type of parameter group includes one or more of the following: convolution kernel, pooling kernel, pooling function, activation function, parameters of pooling function, or parameters of activation function.
  • Example 19 illustrates a schematic diagram based on artificial intelligence or machine learning according to an embodiment of this application; as shown in Figure 19.
  • Figure 19 includes a third operation, a fourth operation, a fifth operation, a sixth operation, and a seventh operation.
  • the third and fourth operations belong to a first stage
  • the fifth operation belongs to a second stage
  • the sixth operation belongs to a third stage
  • the seventh operation belongs to a fourth stage.
  • the arrowed lines indicate the sequence of processes.
  • the third operation includes AI training
  • the fourth operation includes AI testing
  • the fifth operation includes AI emulation
  • the sixth operation includes AI entity loading
  • the seventh operation includes AI inference.
  • the first stage includes a training phase
  • the second stage includes an emulation phase
  • the third stage includes a deployment phase
  • the fourth stage includes an emulation phase
  • the first stage includes AI model training.
  • the first stage includes AI model training and AI testing.
  • the AI includes ML (Machine Learning) inference.
  • the AI model training includes initial training and re-training of one or a group of AI entities.
  • the training of the AI model depends on training data.
  • the AI model training includes AI entity validation.
  • the AI entity verification is used to evaluate the performance of the AI entity.
  • the AI entity verification relies on verification data.
  • the AI model will be retrained.
  • the AI testing includes testing the validated AI entity to estimate the performance of the trained AI model.
  • the AI entity proceeds to the next stage; otherwise, the AI model will be retrained.
  • the AI test relies on test data.
  • the second stage includes AI simulation, which performs inference of AI entities in a simulation environment.
  • the AI simulation estimates the performance of AI entity inference in a simulation environment before using the AI entity.
  • the second stage is optional.
  • the third stage includes AI entity loading, which is to obtain trained AI entities to obtain the desired AI inference capabilities.
  • the third stage is optional.
  • the third stage is no longer needed when the training and inference functions are co-located.
  • the fourth stage includes AI inference.
  • the seventh operation includes the first operation.
  • Example 20 illustrates a structural block diagram of a processing apparatus in a first node according to an embodiment of the present application; as shown in Figure 20.
  • the processing apparatus 2000 in the first node includes a first processor 2001.
  • the first node is a user equipment.
  • the user equipment is a terminal.
  • the first node is a relay node device.
  • the first processor 2001 includes at least one of the following in embodiment 4: ⁇ antenna 452, receiver/transmitter 454, receiving processor 456, transmitting processor 468, multi-antenna receiving processor 458, multi-antenna transmitting processor 457, controller/processor 459, memory 460, data source 467 ⁇ .
  • the first processor 2001 receives a first higher-level message set, which is used to configure a first resource set and a first candidate resource set; and evaluates the quality of a first wireless link based on the first resource set.
  • the first processor 2001, the physical layer of the first node indicates the first candidate resource in the first candidate resource set to its higher layers
  • the first candidate resource set includes a plurality of candidate resources, and the first candidate resource is one of the plurality of candidate resources; the evaluated first wireless link quality is worse than a second reference threshold; the channel quality of the first candidate resource is equal to or greater than a first reference threshold; the first reference threshold is one of a first threshold or a second threshold, and the first reference threshold depends on whether the channel quality of the first candidate resource is obtained based on AI; when the channel quality of the first candidate resource is not obtained based on AI, the first reference threshold is the first threshold; when the channel quality of the first candidate resource is obtained based on AI, the first reference threshold is the second threshold.
  • the channel quality of the first candidate resource is not obtained based on AI, including: the first candidate resource is an RS resource, and the channel quality of the first candidate resource is obtained by measuring the RSRP of the first candidate resource.
  • the channel quality of the first candidate resource is obtained based on AI, including: the channel quality of the first candidate resource is obtained through prediction or inference.
  • the channel quality of the first candidate resource is obtained based on AI, including: the first node performing a first operation, the first operation being based on training or AI, and the channel quality of the first candidate resource depending on the output of the first operation.
  • the AI Artificial Intelligence
  • ML Machine Learning
  • the first operation is associated with the first type of identifier.
  • whether the channel quality of the first candidate resource is RSRP depends on whether the channel quality of the first candidate resource is obtained based on AI; the channel quality of the first candidate resource is RSRP only when the channel quality of the first candidate resource is not obtained based on AI.
  • it includes:
  • the first processor 2001 also indicates the channel quality of the first candidate resource to its higher layers.
  • it includes:
  • the first processor 2001, the physical layer of the first node also indicates first information to its higher layers;
  • the first information is used to indicate whether the channel quality of the first candidate resource is obtained based on AI, or the first information is used to indicate whether the channel quality of the first candidate resource is obtained by measuring the RSRP of the first candidate resource.
  • it includes:
  • the first processor 2001 the physical layer of the first node sends a beam failure event indication to its higher layers;
  • the first processor 2001 triggers beam failure recovery when the value of the target counter is equal to or greater than the target threshold; the target counter is used for counting the beam failure event indication.
  • it includes:
  • the first processor 2001 sends a beam failure recovery request and receives a response to the beam failure recovery request.
  • the beam failure recovery is triggered.
  • it includes:
  • the first processor 2001 deploys the first operation.
  • the first processor 2001 receives signals in the first resource set.
  • the first processor 2001 receives a reference signal in the first resource set, the first resource set including one or more RS resources.
  • the first processor 2001 receives a signal in the first candidate resource set.
  • the first processor 2001 receives a reference signal in the first candidate resource set, which includes one or more RS resources.
  • the first operation is based on training or AI.
  • the first operation requires deployment.
  • the first operation is obtained by loading.
  • Example 21 illustrates a structural block diagram of a processing apparatus for a second node according to an embodiment of the present application; as shown in Figure 21.
  • the processing apparatus 2100 in the second node includes a second processor 2101.
  • the second node is a base station device.
  • the second node is a user equipment.
  • the second node is a relay node device.
  • the second processor 2101 includes at least one of the following in embodiment 4: ⁇ antenna 420, receiver/transmitter 418, receiving processor 470, transmitting processor 416, multi-antenna receiving processor 472, multi-antenna transmitting processor 471, controller/processor 475, memory 476 ⁇ .
  • the second processor 2101 sends a first higher-level message set, which is used to configure a first resource set and a first candidate resource set.
  • the target receiver of the first higher-layer message set evaluates the quality of the first radio link based on the first resource set; the physical layer of the target receiver of the first higher-layer message set indicates a first candidate resource in the first candidate resource set to its higher layer; the first candidate resource set includes multiple candidate resources, and the first candidate resource is one of the multiple candidate resources; the evaluated quality of the first radio link is worse than a second reference threshold; the channel quality of the first candidate resource is equal to or greater than a first reference threshold; the first reference threshold is one of a first threshold or a second threshold, and the first reference threshold depends on whether the channel quality of the first candidate resource is obtained based on AI; when the channel quality of the first candidate resource is not obtained based on AI, the first reference threshold is the first threshold; when the channel quality of the first candidate resource is obtained based on AI, the first reference threshold is the second threshold.
  • the channel quality of the first candidate resource is not obtained based on AI, including: the first candidate resource is an RS resource, and the channel quality of the first candidate resource is obtained by measuring the RSRP of the first candidate resource.
  • the channel quality of the first candidate resource is obtained based on AI, including: the channel quality of the first candidate resource is obtained through prediction or inference.
  • the channel quality of the first candidate resource is obtained based on AI, including: the target receiver of the first higher-level message set performs a first operation, the first operation being based on training or AI, and the channel quality of the first candidate resource depending on the output of the first operation.
  • the first operation is associated with the first type of identifier.
  • whether the channel quality of the first candidate resource is RSRP depends on whether the channel quality of the first candidate resource is obtained based on AI; the channel quality of the first candidate resource is RSRP only when the channel quality of the first candidate resource is not obtained based on AI.
  • it includes:
  • the first processor 2001 the physical layer of the target receiver of the first higher-level message set, further indicates the channel quality of the first candidate resource to its higher layers.
  • it includes:
  • the first processor 2001, the physical layer of the target receiver of the first higher-level message set further indicates first information to its higher layer
  • the first information is used to indicate whether the channel quality of the first candidate resource is obtained based on AI, or the first information is used to indicate whether the channel quality of the first candidate resource is obtained by measuring the RSRP of the first candidate resource.
  • it includes:
  • the first processor 2001 the physical layer of the target receiver of the first higher-level message set sends a beam failure event indication to its higher layer;
  • the first processor 2001 triggers beam failure recovery when the value of the target counter is equal to or greater than the target threshold; the target counter is used for counting the beam failure event indication.
  • it includes:
  • the second processor 2101 receives a beam failure recovery request and sends a response to the beam failure recovery request.
  • the beam failure recovery is triggered.
  • the second processor 2101 sends a signal in the first resource set.
  • the second processor 2101 sends a reference signal in the first resource set, which includes one or more RS resources.
  • the second processor 2101 sends a signal in the first candidate resource set.
  • the second processor 2101 sends a reference signal in the first candidate resource set, which includes one or more RS resources.
  • the first operation is based on training or AI.
  • the first operation requires deployment.
  • the first operation is obtained by loading.
  • each module unit in the above embodiments can be implemented in hardware or in the form of software functional modules. This application is not limited to any specific combination of software and hardware.
  • the user equipment, terminal, and UE in this application include, but are not limited to, drones, communication modules on drones, remote-controlled aircraft, aircraft, small aircraft, mobile phones, tablets, laptops, vehicle-mounted communication equipment, vehicles, RSUs, wireless sensors, internet access cards, IoT terminals, RFID terminals, NB-IoT terminals, MTC (Machine Type Communication) terminals, eMTC (enhanced MTC) terminals, data cards, internet access cards, vehicle-mounted communication equipment, low-cost mobile phones, low-cost tablets, and other wireless communication devices.
  • drones communication modules on drones, remote-controlled aircraft, aircraft, small aircraft, mobile phones, tablets, laptops, vehicle-mounted communication equipment, vehicles, RSUs, wireless sensors, internet access cards, IoT terminals, RFID terminals, NB-IoT terminals, MTC (Machine Type Communication) terminals, eMTC (enhanced MTC) terminals, data cards, internet access cards, vehicle-mounted communication equipment, low-cost mobile phones,
  • the base stations or system equipment in this application include, but are not limited to, macrocell base stations, microcell base stations, small cell base stations, home base stations, relay base stations, eNBs, gNBs, TRPs (Transmitter Receiver Points), GNSS, relay satellites, satellite base stations, airborne base stations, RSUs (Road Side Units), drones, and testing equipment, such as transceivers or signaling testers that simulate some functions of a base station, and other wireless communication equipment.

Landscapes

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

Abstract

本申请公开了一种被用于无线通信的节点中的方法和装置。第一节点接收第一更高层消息集合，所述第一更高层消息集合被用于配置第一资源集合和第一候选资源集合；根据所述第一资源集合评估第一无线链路质量；所述第一节点的物理层向其更高层指示所述第一候选资源集合中的第一候选资源；评估的所述第一无线链路质量差于第二参考阈值；所述第一候选资源的信道质量等于或大于第一参考阈值；所述第一参考阈值依赖所述第一候选资源的所述信道质量是否基于AI得到；当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一参考阈值是所述第一阈值；当所述第一候选资源的所述信道质量是基于AI得到时，所述第一参考阈值是所述第二阈值。

Description

一种被用于无线通信的节点中的方法和装置
本申请要求于2024年7月11日提交国家知识产权局、申请号为202410931304.3、发明名称为“一种被用于无线通信的节点中的方法和装置”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及无线通信系统中的传输方法和装置，尤其涉及无线通信系统中的传输的方案和装置。
背景技术
多天线技术是3GPP(3rd Generation Partner Project，第三代合作伙伴项目)LTE(Long-term Evolution，长期演进)系统和NR(New Radio，新无线电)系统中的关键技术。通过在通信节点处，比如基站或UE(User Equipment，用户设备)处，配置多根天线来获得额外的空间自由度。多根天线通过波束赋型，形成波束指向一个特定方向来提高通信质量。多天线系统提供的自由度可以用来提高传输可靠性和/或吞吐量。由于多天线形成的波束都比较窄，通信双方需要将波束对齐来提供通信质量。从NR(New Radio，新无线)R(Release)15开始，3GPP引入了波束失败检测和恢复的机制，尽快发现波束失步并恢复波束对齐，降低波束失步对系统性能的影响。
伴随新技术的采用，天线数量的增加，应用场景的多样化和对系统性能要求的提高等因素，传统的测量和波束失败恢复方式会带来大量的冗余开销。因此在NR R(release)18中，AI(Artificial Intelligence，人工智能)/ML(Machine Learning，机器学习)技术的研究被立项，来探讨其对系统性能和系统设计的影响。和传统的处理方式相比，AI/ML具有基于训练和需要部署等特性。
发明内容
申请人通过研究发现，当AI/ML功能被引入后，现有的测量机制和候选资源的选择方案可能都无法适应AI/ML的需求。针对上述问题，本申请公开了一种解决方案。需要说明的是，虽然本申请的大量实施例是针对AI/ML展开的，本申请也适用于其他方案，例如传统的候选资源的选择方案。此外，不同场景(包括但不限于基于AI/ML的方案和传统的候选资源的选择方案)采用统一解决方案还有助于降低硬件复杂度和成本。在不冲突的情况下，本申请的第一节点中的实施例和实施例中的特征可以应用到第二节点中，反之亦然。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
作为一个实施例，对本申请中的术语的解释是参考3GPP的规范协议TS38系列的定义。
作为一个实施例，对本申请中的术语的解释是参考3GPP的规范协议TS28系列的定义。
本申请公开了一种被用于无线通信的第一节点中的方法，其特征在于，包括：
接收第一更高层消息集合，所述第一更高层消息集合被用于配置第一资源集合和第一候选资源集合；根据所述第一资源集合评估第一无线链路质量；
所述第一节点的物理层向其更高层指示所述第一候选资源集合中的第一候选资源；
其中，所述第一候选资源集合包括多个候选资源，所述第一候选资源是所述多个候选资源中之一；评估的所述第一无线链路质量差于第二参考阈值；所述第一候选资源的信道质量等于或大于第一参考阈值；所述第一参考阈值是第一阈值或第二阈值中之一，所述第一参考阈值依赖所述第一候选资源的所述信道质量是否基于AI得到；当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一参考阈值是所述第一阈值；当所述第一候选资源的所述信道质量是基于AI得到时，所述第一参考阈值是所述第二阈值。
作为一个实施例，本申请要解决的问题包括：如何基于AI得到候选资源的信道信息。
作为一个实施例，本申请要解决的问题包括：如何支持基于AI的候选资源的选择。
作为一个实施例，在上述方法中，根据候选资源的信道质量是否基于AI得到，调整了所述参考阈值，选择了合适的候选资源，提高了系统的整体性能。
作为一个实施例，上述方法的好处包括：更好的适应各类不同的应用场景和终端，提高了灵活性和适应性。
根据本申请的一个方面，其特征在于，所述第一节点是用户设备。
根据本申请的一个方面，其特征在于，所述第一节点是中继节点。
根据本申请的一个方面，其特征在于，所述第一候选资源的所述信道质量不是基于AI得到包括：所述第一候选资源是RS资源，所述第一候选资源的所述信道质量是通过测量所述第一候选资源得到的RSRP。
作为一个实施例，上述方法的好处包括：具有良好的后向兼容性。
根据本申请的一个方面，其特征在于，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一候选资源的所述信道质量是通过预测或者推论得到的。
作为一个实施例，上述方法的好处包括：减少了信道质量的测量，减少了RS资源的开销。
作为一个实施例，上述方法的好处包括：通过支持基于AI得到候选资源的信道质量的方式，获得了更多的、更准确的信道质量信息，提高了系统的性能。
根据本申请的一个方面，其特征在于，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一节点执行第一操作，所述第一操作是基于训练的或者基于AI的，所述第一候选资源的所述信道质量依赖所述第一操作的输出。
作为一个实施例，所述AI(Artificial Intelligence，人工智能)包括ML(Machine Learning，机器学习)。
作为一个实施例，上述方法的好处包括：更好的适应各类不同的应用场景和终端，提高了灵活性和适应性。
根据本申请的一个方面，其特征在于，所述第一操作被关联到所述第一类标识。
作为一个实施例，上述方法的好处包括：通过所述第一类标识来确定所述第一操作，简化了设计。
根据本申请的一个方面，其特征在于，所述第一候选资源的所述信道质量是否是RSRP依赖所述第一候选资源的所述信道质量是否基于AI得到；仅当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一候选资源的所述信道质量是RSRP。
作为一个实施例，上述方法的好处包括：对现有系统改动小，具有良好的后向兼容性。
根据本申请的一个方面，其特征在于，包括：
所述第一节点的物理层还向其更高层指示所述第一候选资源的所述信道质量。
作为一个实施例，上述方法的好处包括：通过向更高层指示候选资源的信道质量，有助于第一节点选择更合适的候选资源。
根据本申请的一个方面，其特征在于，包括：
所述第一节点的物理层还向其更高层指示第一信息；
其中，所述第一信息被用于指示所述第一候选资源的所述信道质量是否基于AI得到，或者，所述第一信息被用于指示所述第一候选资源的所述信道质量是否是通过测量所述第一候选资源得到的RSRP。
作为一个实施例，上述方法的好处包括：通过所述第一信息确定了如何得到所述第一候选资源的所述信道质量，有助于第一节点选择更合适的候选资源。
根据本申请的一个方面，其特征在于，包括：
所述第一节点的物理层向其更高层发送波束失败事件指示；
当目标计数器的值等于或大于目标阈值时，触发波束失败恢复；所述目标计数器被用于所述波束失败事件指示的计数。
作为一个实施例，上述方法的好处包括：通过触发波束失败恢复，降低了波束失败对系统的影响，保证了传输的可靠性。
根据本申请的一个方面，其特征在于，包括：
发送波束失败恢复请求；接收针对所述波束失败恢复请求的响应；
其中，所述波束失败恢复被触发。
作为一个实施例，上述方法的好处包括：具有良好的后向兼容性。
作为一个实施例，所述第一节点是终端。
作为一个实施例，所述用户设备是终端。
本申请公开了一种被用于无线通信的第二节点中的方法，其特征在于，包括：
发送第一更高层消息集合，所述第一更高层消息集合被用于配置第一资源集合和第一候选资源集合；
其中，所述第一更高层消息集合的目标接收者根据所述第一资源集合评估第一无线链路质量；所述第一更高层消息集合的所述目标接收者的物理层向其更高层指示所述第一候选资源集合中的第一候选资源；
所述第一候选资源集合包括多个候选资源，所述第一候选资源是所述多个候选资源中之一；评估的所述第一无线链路质量差于第二参考阈值；所述第一候选资源的信道质量等于或大于第一参考阈值；所述第一参考阈值是第一阈值或第二阈值中之一，所述第一参考阈值依赖所述第一候选资源的所述信道质量是否基于AI得到；当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一参考阈值是所述第一阈值；当所述第一候选资源的所述信道质量是基于AI得到时，所述第一参考阈值是所述第二阈值。
根据本申请的一个方面，其特征在于，所述第二节点是基站。
根据本申请的一个方面，其特征在于，所述第二节点是用户设备。
根据本申请的一个方面，其特征在于，所述第二节点是中继节点。
根据本申请的一个方面，其特征在于，所述第一候选资源的所述信道质量不是基于AI得到包括：所述第一候选资源是RS资源，所述第一候选资源的所述信道质量是通过测量所述第一候选资源得到的RSRP。
根据本申请的一个方面，其特征在于，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一候选资源的所述信道质量是通过预测或者推论得到的。
根据本申请的一个方面，其特征在于，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一更高层消息集合的所述目标接收者执行第一操作，所述第一操作是基于训练的或者基于AI的，所述第一候选资源的所述信道质量依赖所述第一操作的输出。
根据本申请的一个方面，其特征在于，所述第一操作被关联到所述第一类标识。
根据本申请的一个方面，其特征在于，所述第一候选资源的所述信道质量是否是RSRP依赖所述第一候选资源的所述信道质量是否基于AI得到；仅当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一候选资源的所述信道质量是RSRP。
根据本申请的一个方面，其特征在于，包括：
所述第一更高层消息集合的所述目标接收者的物理层还向其更高层指示所述第一候选资源的所述信道质量。
根据本申请的一个方面，其特征在于，包括：
所述第一更高层消息集合的所述目标接收者的物理层还向其更高层指示第一信息；
其中，所述第一信息被用于指示所述第一候选资源的所述信道质量是否基于AI得到，或者，所述第一信息被用于指示所述第一候选资源的所述信道质量是否是通过测量所述第一候选资源得到的RSRP。
根据本申请的一个方面，其特征在于，包括：
所述第一更高层消息集合的所述目标接收者的物理层向其更高层发送波束失败事件指示；
当目标计数器的值等于或大于目标阈值时，触发波束失败恢复；所述目标计数器被用于所述波束失败事件指示的计数。
根据本申请的一个方面，其特征在于，包括：
接收波束失败恢复请求；发送针对所述波束失败恢复请求的响应；
其中，所述波束失败恢复被触发。
本申请公开了一种终端，其特征在于，所述终端包括：一个或多个处理器和存储器；
所述存储器与所述一个或多个处理器耦合，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，所述一个或多个处理器调用所述计算机指令以使得所述终端执行所述第一节点中的方法。
本申请公开了一种基站，其特征在于，所述基站包括：一个或多个处理器和存储器；
所述存储器与所述一个或多个处理器耦合，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，所述一个或多个处理器调用所述计算机指令以使得所述基站执行所述第二节点中的方法。
本申请公开了一种被用于无线通信的第一节点，其特征在于，包括：
第一处理器，接收第一更高层消息集合，所述第一更高层消息集合被用于配置第一资源集合和第一候选资源集合；根据所述第一资源集合评估第一无线链路质量；
所述第一节点的物理层向其更高层指示所述第一候选资源集合中的第一候选资源；
其中，所述第一候选资源集合包括多个候选资源，所述第一候选资源是所述多个候选资源中之一；评估的所述第一无线链路质量差于第二参考阈值；所述第一候选资源的信道质量等于或大于第一参考阈值；所述第一参考阈值是第一阈值或第二阈值中之一，所述第一参考阈值依赖所述第一候选资源的所述信道质量是否基于AI得到；当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一参考阈值是所述第一阈值；当所述第一候选资源的所述信道质量是基于AI得到时，所述第一参考阈值是所述第二阈值。
本申请公开了一种被用于无线通信的第二节点，其特征在于，包括：
第二处理器，发送第一更高层消息集合，所述第一更高层消息集合被用于配置第一资源集合和第一候选资源集合；
其中，所述第一更高层消息集合的目标接收者根据所述第一资源集合评估第一无线链路质量；所述第一更高层消息集合的所述目标接收者的物理层向其更高层指示所述第一候选资源集合中的第一候选资源；
所述第一候选资源集合包括多个候选资源，所述第一候选资源是所述多个候选资源中之一；评估的所述第一无线链路质量差于第二参考阈值；所述第一候选资源的信道质量等于或大于第一参考阈值；所述第一参考阈值是第一阈值或第二阈值中之一，所述第一参考阈值依赖所述第一候选资源的所述信道质量是否基于AI得到；当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一参考阈值是所述第一阈值；当所述第一候选资源的所述信道质量是基于AI得到时，所述第一参考阈值是所述第二阈值。
作为一个实施例，和传统方案相比，本申请具备如下优势：
灵活的候选资源的选择方案；
增强的系统整体性能；
更低的空口开销；
更灵活多样的输入信息；
更好的灵活性和适应性；
增强的可靠性和鲁棒性。
附图说明
通过阅读参照以下附图中的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更加明显：
图1示出了根据本申请的一个实施例的第一更高层消息集合和第一候选资源的流程图；
图2示出了根据本申请的一个实施例的网络架构的示意图；
图3示出了根据本申请的一个实施例的用户平面和控制平面的无线协议架构的实施例的示意图；
图4示出了根据本申请的一个实施例的第一通信设备和第二通信设备的示意图；
图5示出了根据本申请的一个实施例的第一节点和第二节点之间的传输的流程图；
图6示出了根据本申请的一个实施例的第一候选资源的信道质量是通过测量第一候选资源得到的RSRP的示意图；
图7示出了根据本申请的一个实施例的第一候选资源的信道质量是被预测的或者被推论的的示意图；
图8示出了根据本申请的一个实施例的第一候选资源的信道质量依赖第一操作的输出的示意图；
图9示出了根据本申请的一个实施例的第一操作被关联到第一类标识的示意图；
图10示出了根据本申请的一个实施例的第一操作是基于训练的或者基于AI的的示意图；
图11示出了根据本申请的一个实施例的第一候选资源的信道质量的示意图；
图12示出了根据本申请的一个实施例的第一节点的物理层还向其更高层指示第一候选资源的信道质量的示意图；
图13示出了根据本申请的一个实施例的第一信息的示意图；
图14示出了根据本申请的一个实施例的波束失败事件指示和波束失败恢复的示意图；
图15示出了根据本申请的一个实施例的波束失败恢复请求的示意图；
图16示出了根据本申请的一个实施例的RAN(Radio Access Network，无线接入网)域(Domain)AI/ML功能部署的示意图；
图17示出了根据本申请的一个实施例的UE的AI/ML功能部署的示意图；
图18示出了根据本申请的一个实施例的基于人工智能或者机器学习的处理系统的示意图；
图19示出了根据本申请的一个实施例的基于人工智能或者机器学习的示意图；
图20示出了根据本申请的一个实施例的用于第一节点中的处理装置的结构框图；
图21示出了根据本申请的一个实施例的用于第二节点中的处理装置的结构框图；
具体实施方式
下文将结合附图对本申请的技术方案作进一步详细说明，需要说明的是，在不冲突的情况下，本申请中的实施例和实施例中的特征可以任意相互组合。基于性能，灵活性，复杂度，开销以及兼容性等方面的考虑，本领域技术人员有动机在不抵触的前提下把不同附图中的实施例进行灵活结合，例如但不限于附图1中的实施例和附图5-附图21中的实施例，附图5中的实施例和附图6-附图21中的实施例，等等。
实施例1
实施例1示例了根据本申请的一个实施例的第一更高层消息集合和第一候选资源的流程图，如附图1所示。在附图1所示的100中，每个方框代表一个步骤。特别的，方框中的步骤的顺序不代表各个步骤之间特定的时间先后关系。
在实施例1中，所述第一节点在步骤101中接收第一更高层消息集合；在步骤102中根据所述第一资源集合评估第一无线链路质量；在步骤103中所述第一节点的物理层向其更高层指示所述第一候选资源集合中的第一候选资源；其中，所述第一更高层消息集合被用于配置第一资源集合和第一候选资源集合；所述第一候选资源集合包括多个候选资源，所述第一候选资源是所述多个候选资源中之一；评估的所述第一无线链路质量差于第二参考阈值；所述第一候选资源的信道质量等于或大于第一参考阈值；所述第一参考阈值是第一阈值或第二阈值中之一，所述第一参考阈值依赖所述第一候选资源的所述信道质量是否基于AI得到；当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一参考阈值是所述第一阈值；当所述第一候选资源的所述信道质量是基于AI得到时，所述第一参考阈值是所述第二阈值。
作为一个实施例，所述第一更高层消息集合包括至少一个更高层消息。
作为一个实施例，所述第一更高层消息集合包括RRC消息。
作为一个实施例，所述第一更高层消息集合包括RRC消息或者MAC CE消息中的至少RRC消息。
作为一个实施例，所述第一更高层消息集合包括RRC消息和MAC CE消息。
作为一个实施例，所述第一更高层消息集合包括一个或多个RRC IE中的部分或全部域。
作为一个实施例，所述第一更高层消息集合包括一个RRC IE中的部分或全部域。
作为一个实施例，所述第一更高层消息集合包括RRC IE RadioLinkMonitoringConfig中的部分域。
作为一个实施例，所述第一更高层消息集合包括RRC IE中的名称包括failureDetectionResourcesToAddModList的域。
作为一个实施例，所述第一更高层消息集合包括RRC IE RadioLinkMonitoringConfig中的failureDetectionResourcesToAddModList域。
作为一个实施例，所述第一更高层消息集合包括RRC IE RadioLinkMonitoringConfig中的failureDetectionSet1域和failureDetectionSet2域。
作为一个实施例，所述第一更高层消息集合包括RRC IE中的名称包括failureDetectionSet1的域和名称包括failureDetectionSet2的域。
作为一个实施例，所述第一更高层消息集合包括RRC IE中的至少一个名称包括failureDetectionSet的域。
作为一个实施例，所述第一更高层消息集合中的所述RRC消息的名称包括failureDetectionResources。
作为一个实施例，所述第一更高层消息集合中的所述RRC消息的名称包括failureDetectionSet。
作为一个实施例，所述第一更高层消息集合中的所述RRC消息包括RRC IE RadioLinkMonitoringConfig中的failureDetectionSet1域和failureDetectionSet2域，所述第一更高层消息集合中的所述MAC CE消息包括BFD-RS Indication MAC CE。
作为一个实施例，所述第一更高层消息集合中的所述MAC CE消息是BFD-RS Indication MAC CE。
作为一个实施例，所述第一更高层消息集合中的所述MAC CE消息的名称包括BFD-RS Indication MAC CE。
作为一个实施例，所述第一更高层消息集合中的所述MAC CE消息的名称包括BFD。
作为一个实施例，所述第一更高层消息集合包括RRC IE RadioLinkMonitoringConfig中的failureDetectionSet1域和failureDetectionSet2域，以及BFD-RS Indication MAC CE。
典型的，当RRC IE RadioLinkMonitoringConfig中的failureDetectionSet1域或者failureDetectionSet2域指示的RS资源数量大于2时，BFD-RS Indication MAC CE从failureDetectionSet1或者failureDetectionSet2中激活一个或二个RS资源。
作为一个实施例，RRC IE RadioLinkMonitoringConfig，failureDetectionResourcesToAddModList域，failureDetectionSet1域和failureDetectionSet2域的具体定义参见3GPP TS38.331的第6.3.2章节。
作为一个实施例，BFD-RS Indication MAC CE的具体定义参见3GPP TS38.321的第5.18.25章节。
作为一个实施例，IE RadioLinkMonitoringConfig的具体定义参见3GPP TS38.331的第6.3.2章节。
作为一个实施例，所述第一更高层消息集合包括RRC IE BeamFailureRecoveryConfig中的部分域。
作为一个实施例，所述第一更高层消息集合包括RRC IE BeamFailureRecoveryConfig中的candidateBeamRSList域。
作为一个实施例，所述第一更高层消息集合包括RRC IE BeamFailureRecoveryConfig中的candidateBeamRSListExt域。
作为一个实施例，所述第一更高层消息集合包括RRC IE BeamFailureRecoveryConfig中的candidateBeamRSSCellList域。
作为一个实施例，所述第一更高层消息集合包括RRC IE中的名称包括candidateBeamRSList的域。
作为一个实施例，所述第一更高层消息集合包括RRC IE中的名称包括candidateBeam的域。
作为一个实施例，所述第一更高层消息集合包括更高层参数candidateBeamRSList、candidateBeamRSListExt、或者candidateBeamRSSCellList中之一。
作为一个实施例，candidateBeamRSList、candidateBeamRSListExt和candidateBeamRSSCellList的具体定义参见3GPP TS38.213的第6章节。
作为一个实施例，所述第一资源集合包括至少一个RS资源。
作为一个实施例，所述第一资源集合由至少一个RS资源组成。
作为一个实施例，所述第一资源集合被用于波束失败监测(Beam Failure Detection，BFD)。
作为一个实施例，所述第一资源集合被用于失败监测。
作为一个实施例，所述第一资源集合是
作为一个实施例，所述第一资源集合是
作为一个实施例，所述第一资源集合是
作为一个实施例，所述第一资源集合是或中的至少之一。
作为一个实施例，的具体定义参见3GPP TS38.213的第6章节。
作为一个实施例，所述第一资源集合包括至少一个RS资源，所述第一资源集合中的所述至少一个RS资源包括CSI-RS(Channel State Information-Reference Signal，信道状态信息参考信号)资源或者SS/PBCH(Synchronization Signal/Physical Broadcast CHannel)块(Block)资源中的至少之一。
作为一个实施例，所述第一资源集合包括至少一个RS资源，所述第一资源集合中的任一RS资源是SS/PBCH块资源。
作为一个实施例，所述第一资源集合包括至少一个RS资源，所述第一资源集合中的任一RS资源是CSI-RS资源。
作为一个实施例，所述第一资源集合包括至少一个RS资源，所述第一资源集合中的任一RS资源是周期性CSI-RS资源。
作为一个实施例，所述第一更高层消息集合被用于配置所述第一资源集合中的每个RS资源的索引。
作为一个实施例，所述第一更高层消息集合被用于配置所述第一候选资源集合中的每个RS资源的索引。
作为一个实施例，一个RS资源的所述索引被用于标识所述一个RS资源。
作为一个实施例，一个RS资源的所述索引是所述一个RS资源的配置索引。
作为一个实施例，一个RS资源的所述索引包括所述一个RS资源的配置索引。
作为一个实施例，一个SS/PBCH块资源的索引被用于标识所述一个SS/PBCH块资源。
作为一个实施例，一个SS/PBCH块资源的索引被用于标识所述一个SS/PBCH块资源的配置。
作为一个实施例，一个周期性CSI-RS资源的索引是所述一个周期性CSI-RS资源的配置索引。
作为一个实施例，一个周期性CSI-RS资源的索引包括所述一个周期性CSI-RS资源的配置索引。
作为一个实施例，一个CSI-RS资源的索引是NZP-CSI-RS-ResourceId。
作为一个实施例，一个CSI-RS资源的索引是csi-RS-Index。
作为一个实施例，一个SS/PBCH块资源的索引是SSB-Index。
作为一个实施例，一个SS/PBCH块资源的索引是ssb-Index。
作为一个实施例，所述第一资源集合中的每个RS资源依赖所述第一更高层消息集合的配置。
作为一个实施例，所述第一更高层消息集合包括所述第一资源集合所包括的每个RS资源的索引。
作为一个实施例，所述第一更高层消息集合包括RRC消息和MAC CE消息；所述第一更高层消息集合中的RRC消息被用于为第一BWP配置目标RS资源池，所述第一更高层消息集合中的MAC CE消息被用于从所述目标RS资源池中激活所述第一资源集合。
作为一个实施例，所述第一更高层消息集合包括RRC消息和MAC CE消息；所述第一资源集合属于目标RS资源池，所述第一更高层消息集合中的所述RRC消息包括所述目标RS资源池所包括的每个RS资源的索引，所述第一更高层消息集合中的所述MAC CE消息从所述目标RS资源池中激活所述第一资源集合。
作为一个实施例，所述第一更高层消息集合包括RRC消息和MAC CE消息；所述第一资源集合属于目标RS资源池，所述第一更高层消息集合中的所述RRC消息包括所述目标RS资源池所包括的每个RS资源的索引，所述第一更高层消息集合中的所述MAC CE消息从所述目标RS资源池中激活所述第一资源集合。
作为一个实施例，所述第一更高层消息集合被用于配置第一CORESET池，所述第一CORESET池包括至少一个CORESET；所述第一资源集合依赖所述第一CORESET池中的至少一个CORESET的至少一个TCI状态。
作为上述实施例的一个子实施例，所述第一更高层消息集合包括IE PDCCH-Config中的部分域。
作为上述实施例的一个子实施例，所述第一更高层消息集合包括IE PDCCH-Config中的controlResourceSetToAddModList域。
作为上述实施例的一个子实施例，所述第一更高层消息集合包括IE PDCCH-Config中的名称包括controlResourceSetToAddModList的域。
作为上述实施例的一个子实施例，所述第一更高层消息集合包括IE PDCCH-Config中的名称包括controlResourceSet的域。
作为一个实施例，句子“所述第一资源集合依赖所述第一CORESET池中的至少一个CORESET的至少一个TCI状态”的意思包括：所述第一资源集合是根据所述第一CORESET池中的至少一个CORESET的至少一个TCI状态指示的至少一个RS资源的RS索引被确定的。
作为一个实施例，句子“所述第一资源集合依赖所述第一CORESET池中的至少一个CORESET的至少一个TCI状态”的意思包括：所述第一资源集合是根据所述第一CORESET池中的至少一个CORESET的至少一个TCI状态指示的至少一个RS资源中的被配置了QCL类型为'typeD'的RS索引被确定的。
作为一个实施例，句子“所述第一资源集合依赖所述第一CORESET池中的至少一个CORESET的至少一个TCI状态”的意思包括：所述第一资源集合包括所述第一CORESET池中的至少一个CORESET的至少一个TCI状态指示的至少一个RS资源。
作为一个实施例，句子“所述第一资源集合依赖所述第一CORESET池中的至少一个CORESET的至少一个TCI状态”的意思包括：所述第一资源集合包括所述第一CORESET池中的至少一个CORESET的至少一个TCI状态指示的至少一个RS资源中的被配置了QCL类型为'typeD'的RS资源。
作为一个实施例，所述根据所述第一资源集合评估第一无线链路质量被用于波束失败监测。
作为一个实施例，波束失败监测的具体流程参见3GPP TS38.213的第6章节。
作为一个实施例，波束失败监测的具体流程参见3GPP TS38.321的第5.17章节。
作为一个实施例，所述根据所述第一资源集合评估第一无线链路质量包括：判定所述第一无线链路质量是否差于第二参考阈值。
作为一个实施例，所述根据所述第一资源集合评估第一无线链路质量包括：根据所述第一资源集合的测量评估所述第一无线链路质量。
作为一个实施例，所述第一无线链路质量是RSRP。
作为一个实施例，所述第一无线链路质量是L1-RSRP。
作为一个实施例，所述第一无线链路质量是SINR。
作为一个实施例，所述第一无线链路质量是L1-SINR。
作为一个实施例，所述第一无线链路质量是BLER。
作为一个实施例，所述第一无线链路质量是假设的(hypothetical)BLER。
作为一个实施例，所述第一无线链路质量是RSRP，L1-RSRP，SINR或L1-SINR中之一；评估的所述第一无线链路质量差于第二参考阈值包括：评估的所述第一无线链路质量小于所述第二参考阈值。
作为上述实施例的一个子实施例，所述第二参考阈值的单位是dBm或者dB。
作为一个实施例，所述第一无线链路质量是BLER；评估的所述第一无线链路质量差于第二参考阈值包括：评估的所述第一无线链路质量大于所述第二参考阈值。
作为上述实施例的一个子实施例，所述第二参考阈值是BLER阈值。
作为一个实施例，所述第一无线链路质量是假设的(hypothetical)BLER；评估的所述第一无线链路质量差于第二参考阈值包括：评估的所述第一无线链路质量大于所述第二参考阈值。
作为一个实施例，所述第一节点的物理层向其更高层指示所述第一候选资源集合中的至少一个候选资源，所述至少一个候选资源中的任一候选资源的信道质量等于或大于所述第一参考阈值。
作为一个实施例，所述第一节点的物理层向其更高层指示所述第一候选资源集合中的多个候选资源，所述多个候选资源中的任一候选资源的信道质量等于或大于所述第一参考阈值。
作为一个实施例，所述第一节点的物理层向其更高层指示所述第一候选资源集合中的候选资源的索引。
作为一个实施例，所述第一节点的物理层向其更高层指示所述第一候选资源集合中的候选资源的信道质量。
作为上述实施例一个子实施例，所述信道质量是RSRP、SINR、BLER、或假设的(hypothetical)BLER。
作为一个实施例，所述第一节点的物理层向其更高层指示所述第一候选资源集合中的满足第一条件的候选资源的个数，所述第一条件包括信道质量等于或大于所述第一参考阈值。
作为一个实施例，所述第二参考阈值是实数。
作为一个实施例，所述第二参考阈值是非负实数。
作为一个实施例，所述第二参考阈值是不大于1的非负实数。
作为一个实施例，所述第二参考阈值是Qout_LR。
作为一个实施例，所述第二参考阈值是Qout_LR，Qout_LR_SSB或Qout_LR_CSI-RS中之一。
作为一个实施例，Qout_LR，Qout_LR_SSB和Qout_LR_CSI-RS的定义参见3GPP TS38.133。
作为一个实施例，所述第一候选资源集合是
作为一个实施例，所述第一候选资源集合是
作为一个实施例，所述第一候选资源集合是
作为一个实施例，所述第一候选资源集合是或中的至少之一。
作为一个实施例，的具体定义参见3GPP TS38.213的第6章节。
作为一个实施例，所述第一候选资源集合包括多个RS资源，所述多个候选资源中的任一候选资源是RS资源。
作为一个实施例，本申请中的所述RS资源是CSI-RS资源。
作为一个实施例，本申请中的所述RS资源是CSI-RS资源或SS/PBCH块资源。
作为一个实施例，所述第一候选资源集合由多个RS资源组成，所述多个候选资源中的任一候选资源是RS资源。
作为一个实施例，所述第一候选资源集合包括至少一个RS资源或至少一个波束中的至少之一；所述多个候选资源中的任一候选资源是RS资源或波束。
作为一个实施例，所述第一候选资源集合包括至少一个RS资源、至少一个训练数据集、至少一个空口资源或至少一个波束中的至少之一；所述多个候选资源中的任一候选资源是RS资源、训练数据集、空口资源或波束中的至少之一。
作为一个实施例，所述空口资源包括时域资源、频域资源、码域资源或空域资源中的至少之一。
作为一个实施例，当所述第一候选资源集合中的任一候选资源的信道质量不是基于AI得到时，所述第一候选资源集合由至少一个RS资源组成；当所述第一候选资源集合中的至少一个候选资源的信道质量是基于AI得到时，所述第一候选资源集合包括至少一个RS资源、至少一个训练数据集、至少一个空口资源、或至少一个波束中的至少之一。
作为一个实施例，所述第一候选资源的所述信道质量是RSRP。
作为一个实施例，所述RSRP包括L1-RSRP。
作为一个实施例，所述第一候选资源的所述信道质量是SINR。
作为一个实施例，所述SINR包括L1-SINR。
作为一个实施例，所述第一候选资源的所述信道质量是BLER。
作为一个实施例，所述第一候选资源的所述信道质量是假设的(hypothetical)BLER。
作为一个实施例，所述第一候选资源的所述信道质量是RSRP、SINR、BLER、或假设的(hypothetical)BLER。
作为一个实施例，无论所述第一候选资源的所述信道质量是否基于AI得到，所述第一候选资源的所述信道质量都是RSRP。
作为一个实施例，所述第一参考阈值是实数。
作为一个实施例，所述第一参考阈值是Qin,LR。
作为一个实施例，Qin,LR的定义参见3GPP TS38.213中第6章节。
作为一个实施例，所述第一阈值是实数。
作为一个实施例，所述第一阈值是可配置的。
作为一个实施例，所述第一阈值是由更高层参数指示的。
作为一个实施例，所述第一阈值是由更高层参数rsrp-ThresholdSSB或rsrp-ThresholdBFR指示的。
作为一个实施例，rsrp-ThresholdSSB、rsrp-ThresholdBFR的具体定义参见3GPP TS38.213的第6章节。
作为一个实施例，所述第二阈值是实数。
作为一个实施例，所述第二阈值是可配置的。
作为一个实施例，所述第二阈值是由更高层参数指示的。
作为一个实施例，所述第二阈值和所述第一阈值是线性关系。
作为一个实施例，所述第一阈值和所述第二阈值分别被不同的更高层参数指示。
作为一个实施例，所述第一阈值和所述第二阈值是分别被配置的。
作为一个实施例，所述第二阈值等于所述第一阈值和第一偏移之和。
作为上述实施例的一个子实施例，所述第一偏移是被配置的。
作为上述实施例的一个子实施例，所述第一偏移是所述第一节点上报的。
作为上述实施例的一个子实施例，所述第一偏移是预定义的。
作为上述实施例的一个子实施例，所述第一偏移是实数。
作为一个实施例，所述第一阈值和所述第二阈值不同。
作为一个实施例，所述第二阈值小于所述第一阈值。
作为一个实施例，在上述方法中，基于AI的方式采用的阈值小于不是基于AI的方式所采用的阈值。
作为一个实施例，上述方法的好处包括：提高了选择到合适资源的概率。
作为一个实施例，上述方法的好处包括：尤其适用于基于AI得到的信道质量比实际信道质量偏低的情况。
作为一个实施例，所述第二阈值大于所述第一阈值。
在上述方法中，基于AI的方式采用的阈值大于不是基于AI的方式所采用的阈值。
作为一个实施例，上述方法的好处包括：减少了AI预测或推论的误差引起的选择了不合适资源的概率。
作为一个实施例，上述方法的好处包括：尤其适用于基于AI得到的信道质量比实际信道质量偏高的情况。
作为一个实施例，更高层参数被用于指示所述第一候选资源的所述信道质量是否基于AI得到。
作为一个实施例，更高层参数被用于指示所述第一候选资源的所述信道质量是否被允许基于AI得到。
作为一个实施例，更高层参数被用于指示所述第一候选资源集合中的至少一个候选资源的信道质量是否被允许基于AI得到。
作为一个实施例，所述第一更高层消息集合被用于指示所述第一候选资源的所述信道质量是否基于AI得到。
作为一个实施例，所述第一更高层消息集合被用于指示所述第一候选资源的所述信道质量是否被允许基于AI得到。
作为一个实施例，所述第一更高层消息集合被用于指示所述第一候选资源集合中的至少一个候选资源的信道质量是否被允许基于AI得到。
作为一个实施例，所述第一候选资源的所述信道质量是否基于AI得到，依赖所述第一节点是否接收到第一更高层参数；仅当所述第一节点接收到所述第一更高层参数时，所述第一候选资源的所述信道质量是基于AI得到。
作为一个实施例，所述第一节点是否支持基于AI得到所述第一候选资源集合中的至少一个候选资源的信道质量，依赖所述第一节点是否接收到第一更高层参数；仅当所述第一节点接收到所述第一更高层参数时，所述第一节点支持基于AI得到所述第一候选资源集合中的至少一个候选资源的信道质量。
作为一个实施例，所述第一节点通过能力上报指示是否支持基于AI得到所述第一候选资源集合中的至少一个候选资源的信道质量。
作为一个实施例，所述第一候选资源的所述信道质量是否基于AI得到，依赖所述第一候选资源是否被测量；当所述第一候选资源不被测量时，所述第一候选资源的所述信道质量是基于AI得到；当所述第一候选资源被测量时，所述第一候选资源的所述信道质量不是基于AI得到。
作为一个实施例，所述不被测量包括：不被期望测量。
作为一个实施例，所述第一候选资源的所述信道质量是否基于AI得到，依赖所述第一候选资源是否包括RS资源之外的资源；当所述第一候选资源包括RS资源之外的资源时，所述第一候选资源的所述信道质量是基于AI得到；当所述第一候选资源是RS资源时，所述第一候选资源的所述信道质量不是基于AI得到。
作为一个实施例，所述RS资源之外的资源包括波束。
作为一个实施例，所述RS资源之外的资源包括训练数据集、空口资源、或波束中的至少一种。
作为一个实施例，所述第一候选资源集合被用于候选波束监测(candidate beam detection)。
作为一个实施例，所述第一候选资源集合被用于在波束失败恢复中从所述第一候选资源集合中选择新的候选波束。
作为一个实施例，所述第一候选资源集合被用于候选波束监测；在一个评估时期中，所述第一节点评估在其中的每个候选资源的信道质量是否好于第一参考阈值，或者所述第一节点评估在其中的每个候选资源的信道质量是否等于或好于第一参考阈值。
作为一个实施例，所述一个评估时期是TEvaluate_CBD_SSB或者TEvaluate_CBD_CSI-RS。
作为一个实施例，所述第一候选资源集合中的一个候选资源是SS/PBCH块资源，所述信道质量是基于所述一个候选资源得到的L1-RSRP。
作为一个实施例，所述第一候选资源集合中的一个候选资源是CSI-RS资源，所述信道质量是基于所述一个候选资源得到的L1-RSRP减去第一功率值之后得到的，所述第一功率值是所述一个候选资源对SS/PBCH块资源的功率偏移(power offset)；所述L1-RSRP、所述第一功率值、所述一个候选资源的功率、SS/PBCH块资源的功率的单位都是dB。
作为一个实施例，所述信道质量是L1-RSRP；当所述信道质量大于所述第一参考阈值时，所述信道质量好于所述第一参考阈值；当所述信道质量小于所述第一参考阈值时，所述信道质量差于所述第一参考阈值。
作为一个实施例，所述信道质量是L1-RSRP；当所述第一候选资源集合中的一个候选资源的信道质量好于第一参考阈值时，所述第一节点的物理层向其更高层发送所述一个候选资源的配置索引及L1-RSRP。
作为一个实施例，所述信道质量是L1-RSRP；当根据所述第一候选资源集合中的一个候选资源评估的信道质量等于或好于第一参考阈值时，所述第一节点的物理层向其更高层发送所述一个候选资源的配置索引及L1-RSRP。
作为一个实施例，所述第一功率值是由更高层参数powerControlOffsetSS配置的。
实施例2
实施例2示例了根据本申请的一个实施例的网络架构的示意图，如附图2所示。
附图2说明了网络架构200。所述网络架构200是5G NR(New Radio，新空口)/LTE(Long-Term Evolution，长期演进)/LTE-A(Long-Term Evolution Advanced，增强长期演进)系统，或者，所述网络架构200是5G+的网络架构，或者，所述网络架构200是6G的网络架构，或者，所述网络架构200是3GPP未来继续演进中采用的网络架构；所述网络架构200可称为5GS(5G System)/EPS(Evolved Packet System，演进分组系统)，或者，所述网络架构200可称为6GS(6G System)；所述网络架构200包括UE(User Equipment，用户设备)201，RAN(Radio Access Network，无线接入网络)202，核心网210，HSS(Home Subscriber Server，归属签约用户服务器)/UDM(Unified Data Management,统一数据管理)220和因特网服务230中的至少之一。所述网络架构200可与其他接入网络互连，但为了简单未展示这些实体/接口。如图所示，所述网络架构200提供包交换服务，然而所属领域的技术人员将容易了解，贯穿本申请呈现的各种概念可扩展到提供电路交换服务的网络或其他蜂窝网络。RAN包括节点203。RAN还可以包括其他节点204。节点203提供朝向UE201的用户和控制平面协议终止。节点203可经由Xn接口(例如，回程)/X2接口连接到其他节点204。节点203也可称为基站、基站收发台、无线电基站、无线电收发器、收发器功能、基本服务集合(BSS)、扩展服务集合(ESS)、TRP(发送接收节点)或某种其他合适术语。所述核心网210是5GC(5G Core Network,5G核心网)/EPC(Evolved Packet Core，演进分组核心)，或者，所述核心网210是6GC；节点203为UE201提供对所述核心网210的接入点。UE201的实例包括蜂窝式电话、智能电话、会话起始协议(SIP)电话、膝上型计算机、个人数字助理(PDA)、卫星无线电、非地面基站通信、卫星移动通信、全球定位系统、多媒体装置、视频装置、数字音频播放器(例如，MP3播放器)、相机、游戏控制台、无人机、飞行器、窄带物联网设备、机器类型通信设备、陆地交通工具、汽车、可穿戴设备，或任何其他类似功能装置。所属领域的技术人员也可将UE201称为移动台、订户台、移动单元、订户单元、无线单元、远程单元、移动装置、无线装置、无线通信装置、远程装置、移动订户台、接入终端、移动终端、无线终端、远程终端、手持机、用户代理、移动客户端、客户端或某个其他合适术语。节点203通过S1/NG接口连接到所述核心网210。所述核心网210包括MME(Mobility Management Entity,移动性管理实体)/AMF(Authentication Management Field,鉴权管理域)/SMF(Session Management Function，会话管理功能)211、其他MME/AMF/SMF214、S-GW(Service Gateway，服务网关)/UPF(User Plane Function，用户面功能)212以及P-GW(Packet Date Network Gateway，分组数据网络网关)/UPF213。MME/AMF/SMF211是处理UE201与所述核心网210之间的信令的控制节点。大体上，MME/AMF/SMF211提供承载和连接管理。所有用户IP(Internet Protocal，因特网协议)包是通过S-GW/UPF212传送，S-GW/UPF212自身连接到P-GW/UPF213。P-GW提供UE IP地址分配以及其他功能。P-GW/UPF213连接到因特网服务230。因特网服务230包括运营商对应因特网协议服务，具体可包括因特网、内联网、IMS(IP Multimedia Subsystem，IP多媒体子系统)和包交换(Packet switching)服务。
作为一个实施例，所述第一节点包括所述UE201。
作为一个实施例，所述第二节点包括所述节点203。
作为一个实施例，所述UE201与所述节点203之间的无线链路包括蜂窝网链路。
作为一个实施例，所述第一更高层消息集合的发送者包括所述节点203。
作为一个实施例，所述第一更高层消息集合的接收者包括所述UE201。
作为一个实施例，所述波束失败事件指示的发送者包括所述UE201。
作为一个实施例，所述波束失败恢复的触发者包括所述UE201。
作为一个实施例，所述第一操作的执行者包括所述UE201。
作为一个实施例，所述第一操作的部署者包括所述UE201。
作为一个实施例，所述第一候选资源被指示给所述UE201。
作为一个实施例，所述第一候选资源的所述信道质量被指示给所述UE201。
作为一个实施例，所述第一信息被指示给所述UE201。
作为一个实施例，所述波束失败恢复请求的发送者包括所述UE201。
作为一个实施例，所述波束失败恢复请求的接收者包括所述节点203。
作为一个实施例，针对所述波束失败恢复请求的所述响应的接收者包括所述UE201。
作为一个实施例，针对所述波束失败恢复请求的所述响应的发送者包括所述节点203。
实施例3
实施例3示例了根据本申请的一个实施例的用户平面和控制平面的无线协议架构的实施例的示意图，如附图3所示。
实施例3示出了根据本申请的一个用户平面和控制平面的无线协议架构的实施例的示意图，如附图3所示。图3是说明用于用户平面350和控制平面300的无线电协议架构的实施例的示意图，图3用三个层展示用于第一通信节点设备(UE，gNB或V2X中的RSU)和第二通信节点设备(gNB，UE或V2X中的RSU)之间，或者两个UE之间的控制平面300的无线电协议架构：层1、层2和层3。层1(L1层)是最低层且实施各种PHY(物理层)信号处理功能。L1层在本文将称为PHY301。层2(L2层)305在PHY301之上，负责第一通信节点设备与第二通信节点设备之间，或者两个UE之间的链路。L2层305包括MAC(Medium Access Control，媒体接入控制)子层302、RLC(Radio Link Control，无线链路层控制协议)子层303和PDCP(Packet Data Convergence Protocol，分组数据汇聚协议)子层304，这些子层终止于第二通信节点设备处。PDCP子层304提供不同无线电承载与逻辑信道之间的多路复用。PDCP子层304还提供通过加密数据包而提供安全性，以及提供第二通信节点设备之间的对第一通信节点设备的越区移动支持。RLC子层303提供上部层数据包的分段和重组装，丢失数据包的重新发射以及数据包的重排序以补偿由于HARQ造成的无序接收。MAC子层302提供逻辑与传输信道之间的多路复用。MAC子层302还负责在第一通信节点设备之间分配一个小区中的各种无线电资源(例如，资源块)。MAC子层302还负责HARQ操作。控制平面300中的层3(L3层)中的RRC(Radio Resource Control，无线电资源控制)子层306负责获得无线电资源(即，无线电承载)且使用第二通信节点设备与第一通信节点设备之间的RRC信令来配置下部层。用户平面350的无线电协议架构包括层1(L1层)和层2(L2层)，在用户平面350中用于第一通信节点设备和第二通信节点设备的无线电协议架构对于物理层351，L2层355中的PDCP子层354，L2层355中的RLC子层353和L2层355中的MAC子层352来说和控制平面300中的对应层和子层大体上相同，但PDCP子层354还提供用于上部层数据包的标头压缩以减少无线电发射开销。用户平面350中的L2层355中还包括SDAP(Service Data Adaptation Protocol，服务数据适配协议)子层356，SDAP子层356负责QoS流和数据无线承载(DRB，Data Radio Bearer)之间的映射，以支持业务的多样性。虽然未图示，但第一通信节点设备可具有在L2层355之上的若干上部层，包括终止于网络侧上的P-GW处的网络层(例如，IP层)和终止于连接的另一端(例如，远端UE、服务器等等)处的应用层。
作为一个实施例，附图3中的无线协议架构适用于所述第一节点。
作为一个实施例，附图3中的无线协议架构适用于所述第二节点。
作为一个实施例，本申请中的所述更高层是指物理层以上的层。
作为一个实施例，所述第一更高层消息集合生成于所述RRC子层306。
作为一个实施例，所述第一更高层消息集合生成于所述MAC子层302或所述MAC子层352。
作为一个实施例，所述第一更高层消息集合生成于所述RRC子层306和所述MAC子层302。
作为一个实施例，所述波束失败事件指示生成于所述PHY301或所述PHY351。
作为一个实施例，所述目标计数器生成于所述MAC子层302或所述MAC子层352。
作为一个实施例，所述第一候选资源的所述信道质量信息生成于所述PHY301或所述PHY351。
作为一个实施例，所述第一信息生成于所述PHY301或所述PHY351。
作为一个实施例，所述波束失败恢复请求生成于所述PHY301或所述PHY351。
作为一个实施例，所述波束失败恢复请求生成于所述MAC子层302或所述MAC子层352。
作为一个实施例，所述针对所述波束失败恢复请求的响应生成于所述PHY301或所述PHY351。
作为一个实施例，所述针对所述波束失败恢复请求的响应生成于所述MAC子层302或所述MAC子层352。
实施例4
实施例4示例了根据本申请的一个实施例的第一通信设备和第二通信设备的示意图，如附图4所示。附图4是在接入网络中相互通信的第一通信设备410以及第二通信设备450的框图。
第一通信设备410包括控制器/处理器475，存储器476，接收处理器470，发射处理器416，多天线接收处理器472，多天线发射处理器471，发射器/接收器418和天线420。
第二通信设备450包括控制器/处理器459，存储器460，数据源467，发射处理器468，接收处理器456，多天线发射处理器457，多天线接收处理器458，发射器/接收器454和天线452。
在从所述第一通信设备410到所述第二通信设备450的传输中，在所述第一通信设备410处，来自核心网络的上层数据包被提供到控制器/处理器475。控制器/处理器475实施L2层的功能性。在DL(DownLink，下行)中，控制器/处理器475提供标头压缩、加密、包分段和重排序、逻辑与传输信道之间的多路复用，以及基于各种优先级量度对第二通信设备450的无线电资源分配。控制器/处理器475还负责HARQ操作、丢失包的重新发射，和到第二通信设备450的信令。发射处理器416和多天线发射处理器471实施用于L1层(即，物理层)的各种信号处理功能。发射处理器416实施编码和交错以促进第二通信设备450处的前向错误校正(FEC)，以及基于各种调制方案(例如，二元相移键控(BPSK)、正交相移键控(QPSK)、M相移键控(M-PSK)、M正交振幅调制(M-QAM)的星座映射。多天线发射处理器471对经编码和调制后的符号进行数字空间预编码，包括基于码本的预编码和基于非码本的预编码，和波束赋型处理，生成一个或多个并行流。发射处理器416随后将每一并行流映射到子载波，将调制后的符号在时域和/或频域中与参考信号(例如，导频)复用，且随后使用快速傅立叶逆变换(IFFT)以产生载运时域多载波符号流的物理信道。随后多天线发射处理器471对时域多载波符号流进行发送模拟预编码/波束赋型操作。每一发射器418把多天线发射处理器471提供的基带多载波符号流转化成射频流，随后提供到不同天线420。
在从所述第一通信设备410到所述第二通信设备450的传输中，在所述第二通信设备450处，每一接收器454通过其相应天线452接收信号。每一接收器454恢复调制到射频载波上的信息，且将射频流转化成基带多载波符号流提供到接收处理器456。接收处理器456和多天线接收处理器458实施L1层的各种信号处理功能。多天线接收处理器458对来自接收器454的基带多载波符号流进行接收模拟预编码/波束赋型操作。接收处理器456使用快速傅立叶变换(FFT)将接收模拟预编码/波束赋型操作后的基带多载波符号流从时域转换到频域。在频域，物理层数据信号和参考信号被接收处理器456解复用，其中参考信号将被用于信道估计，数据信号在多天线接收处理器458中经过多天线检测后恢复出以第二通信设备450为目的地的任何并行流。每一并行流上的符号在接收处理器456中被解调和恢复，并生成软决策。随后接收处理器456解码和解交错所述软决策以恢复在物理信道上由第一通信设备410发射的上层数据和控制信号。随后将上层数据和控制信号提供到控制器/处理器459。控制器/处理器459实施L2层的功能。控制器/处理器459可与存储程序代码和数据的存储器460相关联。存储器460可称为计算机可读媒体。在DL中，控制器/处理器459提供传输与逻辑信道之间的多路分用、包重组装、解密、标头解压缩、控制信号处理以恢复来自核心网络的上层数据包。随后将上层数据包提供到L2层之上的所有协议层。也可将各种控制信号提供到L3以用于L3处理。控制器/处理器459还负责使用确认(ACK)和/或否定确认(NACK)协议进行错误检测以支持HARQ操作。
在从所述第二通信设备450到所述第一通信设备410的传输中，在所述第二通信设备450处，使用数据源467来将上层数据包提供到控制器/处理器459。数据源467表示L2层之上的所有协议层。类似于在DL中所描述第一通信设备410处的发送功能，控制器/处理器459基于第一通信设备410的无线资源分配来实施标头压缩、加密、包分段和重排序以及逻辑与传输信道之间的多路复用，实施用于用户平面和控制平面的L2层功能。控制器/处理器459还负责HARQ操作、丢失包的重新发射，和到所述第一通信设备410的信令。发射处理器468执行调制映射、信道编码处理，多天线发射处理器457进行数字多天线空间预编码，包括基于码本的预编码和基于非码本的预编码，和波束赋型处理，随后发射处理器468将产生的并行流调制成多载波/单载波符号流，在多天线发射处理器457中经过模拟预编码/波束赋型操作后再经由发射器454提供到不同天线452。每一发射器454首先把多天线发射处理器457提供的基带符号流转化成射频符号流，再提供到天线452。
在从所述第二通信设备450到所述第一通信设备410的传输中，所述第一通信设备410处的功能类似于在从所述第一通信设备410到所述第二通信设备450的传输中所描述的所述第二通信设备450处的接收功能。每一接收器418通过其相应天线420接收射频信号，把接收到的射频信号转化成基带信号，并把基带信号提供到多天线接收处理器472和接收处理器470。接收处理器470和多天线接收处理器472共同实施L1层的功能。控制器/处理器475实施L2层功能。控制器/处理器475可与存储程序代码和数据的存储器476相关联。存储器476可称为计算机可读媒体。控制器/处理器475提供传输与逻辑信道之间的多路分用、包重组装、解密、标头解压缩、控制信号处理以恢复来自第二通信设备450的上层数据包。来自控制器/处理器475的上层数据包可被提供到核心网络。控制器/处理器475还负责使用ACK和/或NACK协议进行错误检测以支持HARQ操作。
作为一个实施例，所述第二通信设备450包括：至少一个处理器以及至少一个存储器，所述至少一个存储器包括计算机程序代码；所述至少一个存储器和所述计算机程序代码被配置成与所述至少一个处理器一起使用。所述第二通信设备450装置至少：接收第一更高层消息集合，所述第一更高层消息集合被用于配置第一资源集合和第一候选资源集合；根据所述第一资源集合评估第一无线链路质量；所述第一节点的物理层向其更高层指示所述第一候选资源集合中的第一候选资源；其中，所述第一候选资源集合包括多个候选资源，所述第一候选资源是所述多个候选资源中之一；评估的所述第一无线链路质量差于第二参考阈值；所述第一候选资源的信道质量等于或大于第一参考阈值；所述第一参考阈值是第一阈值或第二阈值中之一，所述第一参考阈值依赖所述第一候选资源的所述信道质量是否基于AI得到；当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一参考阈值是所述第一阈值；当所述第一候选资源的所述信道质量是基于AI得到时，所述第一参考阈值是所述第二阈值。
作为一个实施例，所述第二通信设备450包括：一种存储计算机可读指令程序的存储器，所述计算机可读指令程序在由至少一个处理器执行时产生动作，所述动作包括：接收第一更高层消息集合，所述第一更高层消息集合被用于配置第一资源集合和第一候选资源集合；根据所述第一资源集合评估第一无线链路质量；所述第一节点的物理层向其更高层指示所述第一候选资源集合中的第一候选资源；其中，所述第一候选资源集合包括多个候选资源，所述第一候选资源是所述多个候选资源中之一；评估的所述第一无线链路质量差于第二参考阈值；所述第一候选资源的信道质量等于或大于第一参考阈值；所述第一参考阈值是第一阈值或第二阈值中之一，所述第一参考阈值依赖所述第一候选资源的所述信道质量是否基于AI得到；当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一参考阈值是所述第一阈值；当所述第一候选资源的所述信道质量是基于AI得到时，所述第一参考阈值是所述第二阈值。
作为一个实施例，所述第一通信设备410包括：至少一个处理器以及至少一个存储器，所述至少一个存储器包括计算机程序代码；所述至少一个存储器和所述计算机程序代码被配置成与所述至少一个处理器一起使用。所述第一通信设备410装置至少：发送第一更高层消息集合，所述第一更高层消息集合被用于配置第一资源集合和第一候选资源集合；其中，所述第一更高层消息集合的目标接收者根据所述第一资源集合评估第一无线链路质量；所述第一更高层消息集合的所述目标接收者的物理层向其更高层指示所述第一候选资源集合中的第一候选资源；所述第一候选资源集合包括多个候选资源，所述第一候选资源是所述多个候选资源中之一；评估的所述第一无线链路质量差于第二参考阈值；所述第一候选资源的信道质量等于或大于第一参考阈值；所述第一参考阈值是第一阈值或第二阈值中之一，所述第一参考阈值依赖所述第一候选资源的所述信道质量是否基于AI得到；当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一参考阈值是所述第一阈值；当所述第一候选资源的所述信道质量是基于AI得到时，所述第一参考阈值是所述第二阈值。
作为一个实施例，所述第一通信设备410包括：一种存储计算机可读指令程序的存储器，所述计算机可读指令程序在由至少一个处理器执行时产生动作，所述动作包括：发送第一更高层消息集合，所述第一更高层消息集合被用于配置第一资源集合和第一候选资源集合；其中，所述第一更高层消息集合的目标接收者根据所述第一资源集合评估第一无线链路质量；所述第一更高层消息集合的所述目标接收者的物理层向其更高层指示所述第一候选资源集合中的第一候选资源；所述第一候选资源集合包括多个候选资源，所述第一候选资源是所述多个候选资源中之一；评估的所述第一无线链路质量差于第二参考阈值；所述第一候选资源的信道质量等于或大于第一参考阈值；所述第一参考阈值是第一阈值或第二阈值中之一，所述第一参考阈值依赖所述第一候选资源的所述信道质量是否基于AI得到；当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一参考阈值是所述第一阈值；当所述第一候选资源的所述信道质量是基于AI得到时，所述第一参考阈值是所述第二阈值。
作为一个实施例，本申请中的所述第一节点包括所述第二通信设备450。
作为一个实施例，本申请中的所述第二节点包括所述第一通信设备410。
作为一个实施例，{所述天线452，所述接收器454，所述接收处理器456，所述多天线接收处理器458，所述控制器/处理器459，所述存储器460，所述数据源467}中至少之一被用于接收所述第一更高层消息集合；{所述天线420，所述发射器418，所述发射处理器416，所述多天线发射处理器471，所述控制器/处理器475，所述存储器476}中的至少之一被用于发送所述第一更高层消息集合。
作为一个实施例，{所述天线452，所述接收器454，所述接收处理器456，所述多天线接收处理器458，所述控制器/处理器459，所述存储器460，所述数据源467}中至少之一被用于接收所述第一资源集合中的参考信号；{所述天线420，所述发射器418，所述发射处理器416，所述多天线发射处理器471，所述控制器/处理器475，所述存储器476}中的至少之一被用于发送所述第一资源集合中的参考信号。
作为一个实施例，{所述天线452，所述接收器454，所述接收处理器456，所述多天线接收处理器458，所述控制器/处理器459，所述存储器460，所述数据源467}中至少之一被用于接收所述第一候选资源集合中的参考信号；{所述天线420，所述发射器418，所述发射处理器416，所述多天线发射处理器471，所述控制器/处理器475，所述存储器476}中的至少之一被用于发送所述第一候选资源集合中的参考信号。
作为一个实施例，{所述天线452，所述接收器/发射器454，所述接收处理器456，所述发射处理器468，所述多天线接收处理器458，所述多天线发射处理器457，所述控制器/处理器459，所述存储器460，所述数据源467}中的至少之一被用于发送所述波束失败事件指示。
作为一个实施例，{所述天线452，所述接收器/发射器454，所述接收处理器456，所述发射处理器468，所述多天线接收处理器458，所述多天线发射处理器457，所述控制器/处理器459，所述存储器460，所述数据源467}中的至少之一被用于触发所述波束失败恢复。
作为一个实施例，{所述天线452，所述接收器/发射器454，所述接收处理器456，所述发射处理器468，所述多天线接收处理器458，所述多天线发射处理器457，所述控制器/处理器459，所述存储器460，所述数据源467}中的至少之一被用于执行本申请中的所述第一操作。
作为一个实施例，{所述天线452，所述接收器/发射器454，所述接收处理器456，所述发射处理器468，所述多天线接收处理器458，所述多天线发射处理器457，所述控制器/处理器459，所述存储器460，所述数据源467}中的至少之一被用于指示所述第一候选资源集合中的所述第一候选资源。
作为一个实施例，{所述天线452，所述接收器/发射器454，所述接收处理器456，所述发射处理器468，所述多天线接收处理器458，所述多天线发射处理器457，所述控制器/处理器459，所述存储器460，所述数据源467}中的至少之一被用于指示所述第一候选资源的所述信道质量。
作为一个实施例，{所述天线452，所述接收器/发射器454，所述接收处理器456，所述发射处理器468，所述多天线接收处理器458，所述多天线发射处理器457，所述控制器/处理器459，所述存储器460，所述数据源467}中的至少之一被用于指示所述第一信息。
作为一个实施例，{所述天线452，所述接收器454，所述接收处理器456，所述多天线接收处理器458，所述控制器/处理器459，所述存储器460，所述数据源467}中至少之一被用于接收针对所述波束失败恢复请求的响应；{所述天线420，所述发射器418，所述发射处理器416，所述多天线发射处理器471，所述控制器/处理器475，所述存储器476}中的至少之一被用于发送针对所述波束失败恢复请求的响应。
作为一个实施例，{所述天线452，所述接收器454，所述接收处理器456，所述多天线接收处理器458，所述控制器/处理器459，所述存储器460，所述数据源467}中至少之一被用于发送波束失败恢复请求；{所述天线420，所述发射器418，所述发射处理器416，所述多天线发射处理器471，所述控制器/处理器475，所述存储器476}中的至少之一被用于接收波束失败恢复请求。
实施例5
实施例5示例了根据本申请的一个实施例的第一节点和第二节点之间的传输的流程图；如附图5所示。在附图5中，第二节点U1和第一节点U2是通过空中接口传输的通信节点。附图5中，方框F51至方框F57中的步骤分别是可选的。
对于第二节点U1，在步骤S511中发送第一更高层消息集合；在步骤S5101中接收波束失败恢复请求；在步骤S5102中发送针对所述波束失败恢复请求的响应。
对于第一节点U2，在步骤S521中接收第一更高层消息集合；在步骤S522中根据所述第一资源集合评估第一无线链路质量；在步骤S5201中所述第一节点的物理层向其更高层发送波束失败事件指示；在步骤S5202中触发波束失败恢复；在步骤S5203中执行第一操作；在步骤S523中所述第一节点的物理层向其更高层指示所述第一候选资源集合中的第一候选资源；在步骤S5204中所述第一节点的物理层还向其更高层指示所述第一候选资源的所述信道质量；在步骤S5205中所述第一节点的物理层还向其更高层指示第一信息；在步骤S5206中发送波束失败恢复请求；在步骤S5207中接收针对所述波束失败恢复请求的响应。
在实施例5中，所述第一更高层消息集合被用于配置第一资源集合和第一候选资源集合；根据所述第一资源集合评估第一无线链路质量；所述第一节点的物理层向其更高层指示所述第一候选资源集合中的第一候选资源；所述第一候选资源集合包括多个候选资源，所述第一候选资源是所述多个候选资源中之一；评估的所述第一无线链路质量差于第二参考阈值；所述第一候选资源的信道质量等于或大于第一参考阈值；所述第一参考阈值是第一阈值或第二阈值中之一，所述第一参考阈值依赖所述第一候选资源的所述信道质量是否基于AI得到；当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一参考阈值是所述第一阈值；当所述第一候选资源的所述信道质量是基于AI得到时，所述第一参考阈值是所述第二阈值。
作为一个实施例，所述第一节点U2是本申请中的所述第一节点。
作为一个实施例，所述第二节点U1是本申请中的所述第二节点。
作为一个实施例，所述第二节点U1和所述第一节点U2之间的空中接口包括基站设备与用户设备之间的无线接口。
作为一个实施例，所述第二节点U1和所述第一节点U2之间的空中接口包括中继节点设备与用户设备之间的无线接口。
作为一个实施例，所述第二节点U1和所述第一节点U2之间的空中接口包括用户设备与用户设备之间的无线接口。
作为一个实施例，所述第二节点U1是所述第一节点U2的服务小区维持基站。
作为一个实施例，RAN(Radio Access Network)域(domain)的AI训练功能(training function)位于(located in)3GPP RAN域特定的管理功能(RAN domain-specific management function)，而AI推论功能(inference function)位于UE。
作为一个实施例，RAN域特定的管理功能提供AI训练功能管理能力以及AI推论功能管理能力。
作为一个实施例，AI训练功能位于RAN域特定的管理功能，AI推论功能位于gNB本地。
作为一个实施例，AI训练功能的管理能力(management capability)由RAN域特定的管理功能提供，AI推论的管理能力由gNB在本地提供。
作为一个实施例，MnF是指Management Function。
作为一个实施例，AI训练功能和AI推论功能都位于UE，其中，所述UE提供训练和推论的能力。
作为一个实施例，RAN域特定的管理功能提供AI训练功能的管理能力和AI推论功能的管理能力。
作为一个实施例，AI训练功能和AI推论功能都位于gNB。
作为一个实施例，AI训练功能的管理能力和AI推论功能的管理能力均由gNB在本地提供。
作为一个实施例，附图5中的方框F51中的步骤存在；所述被用于无线通信的第一节点中的方法包括：所述第一节点的物理层向其更高层发送波束失败事件指示。
作为一个实施例，附图5中的方框F52中的步骤存在；所述被用于无线通信的第一节点中的方法包括：当目标计数器的值等于或大于目标阈值时，触发波束失败恢复；所述目标计数器被用于所述波束失败事件指示的计数。
作为一个实施例，附图5中的方框F53中的步骤存在。
作为一个实施例，当所述第一候选资源的所述信道质量是基于AI得到时，附图5中的方框F53中的步骤存在；当所述第一候选资源的所述信道质量不是基于AI得到时，附图5中的方框F53中的步骤不存在。
作为一个实施例，附图5中的方框F53中的步骤存在；所述被用于无线通信的第一节点中的方法包括：执行第一操作，所述第一操作是基于训练的或者基于AI的，所述第一候选资源的所述信道质量依赖所述第一操作的输出。
作为一个实施例，附图5中的方框F54中的步骤存在；所述被用于无线通信的第一节点中的方法包括：所述第一节点的物理层还向其更高层指示所述第一候选资源的所述信道质量。
作为一个实施例，附图5中的方框F55中的步骤存在；所述被用于无线通信的第一节点中的方法包括：所述第一节点的物理层还向其更高层指示第一信息。
作为一个实施例，所述第一候选资源的所述信道质量的指示早于所述第一信息的指示。
作为一个实施例，所述第一候选资源的所述信道质量的指示不早于所述第一信息的指示。
作为一个实施例，附图5中的方框F56中的步骤存在；所述被用于无线通信的第一节点中的方法包括：发送波束失败恢复请求。
作为一个实施例，附图5中的方框F56中的步骤存在；所述被用于无线通信的第二节点中的方法包括：接收波束失败恢复请求。
作为一个实施例，附图5中的方框F57中的步骤存在；所述被用于无线通信的第一节点中的方法包括：接收针对所述波束失败恢复请求的响应。
作为一个实施例，附图5中的方框F57中的步骤存在；所述被用于无线通信的第二节点中的方法包括：发送针对所述波束失败恢复请求的响应。
作为一个实施例，所述第一更高层消息集合在PDSCH(Physical Downlink Shared Channel，物理下行共享信道)上被传输。
作为一个实施例，所述波束失败恢复请求在PUSCH(Physical Uplink Shared Channel，物理上行共享信道)上被传输。
作为一个实施例，所述波束失败恢复请求在PUCCH(Physical Uplink Control Channel，物理上行控制信道)上被传输。
作为一个实施例，所述针对所述波束失败恢复请求的响应在PDSCH(Physical Downlink Shared Channel，物理下行共享信道)上被传输。
作为一个实施例，所述针对所述波束失败恢复请求的响应在PDCCH(Physical Downlink Control Channel，物理下行控制信道)上被传输。
实施例6
实施例6示例了根据本申请的一个实施例的第一候选资源的信道质量是通过测量第一候选资源得到的RSRP的示意图；如附图6所示。在实施例6中，所述第一候选资源的所述信道质量不是基于AI得到包括：所述第一候选资源是RS资源，所述第一候选资源的所述信道质量是通过测量所述第一候选资源得到的RSRP。
作为一个实施例，所述第一候选资源的所述信道质量不是基于AI得到包括：所述第一候选资源是RS资源，所述第一候选资源的所述信道质量是通过测量所述第一候选资源得到的RSRP。
作为一个实施例，所述第一候选资源的所述信道质量不是基于AI得到包括：所述第一候选资源是RS资源，所述第一候选资源的所述信道质量是通过测量所述第一候选资源得到的L1-RSRP。
作为一个实施例，所述第一候选资源的所述信道质量不是基于AI得到包括：所述第一候选资源是RS资源，所述第一候选资源的所述信道质量是通过测量所述第一候选资源得到的SINR。
作为一个实施例，所述第一候选资源的所述信道质量不是基于AI得到包括：所述第一候选资源是RS资源，所述第一候选资源的所述信道质量是通过测量所述第一候选资源得到的L1-SINR。
作为一个实施例，所述第一候选资源的所述信道质量不是基于AI得到包括：所述第一候选资源是RS资源，所述第一候选资源的所述信道质量是通过测量所述第一候选资源得到的BLER。
作为一个实施例，所述第一候选资源的所述信道质量不是基于AI得到包括：所述第一候选资源是RS资源，所述第一候选资源的所述信道质量是通过测量所述第一候选资源得到的假设的(hypothetical)BLER。
作为一个实施例，所述第一候选资源的所述信道质量不是基于AI得到包括：所述第一候选资源是RS资源，所述第一候选资源的所述信道质量是通过测量所述第一候选资源得到的RSRP、SINR、BLER、或假设的(hypothetical)BLER。
实施例7
实施例7示例了根据本申请的一个实施例的第一候选资源的信道质量是被预测的或者被推论的的示意图；如附图7所示。在实施例7中，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一候选资源的所述信道质量是通过预测或者推论得到的。
作为一个实施例，所述预测包括AI预测。
作为一个实施例，所述推理包括AI推理。
作为一个实施例，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一候选资源的所述信道质量的获得使用了AI模型。
作为一个实施例，所述第一候选资源的所述信道质量不是基于AI得到包括：所述第一候选资源的所述信道质量的获得没有使用AI模型。
作为一个实施例，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一候选资源的所述信道质量包括基于人工智能或者机器学习的信息。
作为一个实施例，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一候选资源的所述信道质量包括基于神经网络(Neural Network)生成的信息。
作为一个实施例，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一候选资源的所述信道质量包括基于CNN(Conventional Neural Networks，卷积神经网络)生成的信息。
作为一个实施例，所述第一候选资源的所述信道质量不是基于AI得到包括：所述第一候选资源的所述信道质量不包括基于人工智能或者机器学习的信息。
作为一个实施例，所述第一候选资源的所述信道质量不是基于AI得到包括：所述第一候选资源的所述信道质量不包括基于神经网络(Neural Network)生成的信息。
作为一个实施例，所述第一候选资源的所述信道质量不是基于AI得到包括：所述第一候选资源的所述信道质量不包括基于CNN生成的信息。
作为一个实施例，所述第一候选资源的所述信道质量是通过预测或者推论得到的包括：所述第一节点通过预测或者推论(infer)得到所述第一候选资源的所述信道质量。
作为一个实施例，所述第一候选资源的所述信道质量是通过预测或者推论得到的包括：所述第一候选资源的所述信道质量不是根据RS资源的测量得到的。
作为一个实施例，所述第一候选资源的所述信道质量不是根据RS资源的测量得到的包括：所述第一候选资源的所述信道质量不被期望是根据RS资源的测量得到的。
作为一个实施例，基于AI得到所述第一候选资源的所述信道质量的具体算法是所述第一节点的制造商自行确定的，或者说是实现相关的。
作为一个实施例，所述第一候选资源的所述信道质量是RSRP，L1-RSRP，SINR或L1-SINR中之一；基于AI得到所述第一候选资源的所述信道质量是对所述第一候选资源预测或推论得到的RSRP，L1-RSRP，SINR或L1-SINR。
作为一个实施例，所述第一候选资源的所述信道质量是RSRP，L1-RSRP，SINR或L1-SINR中之一；基于AI得到所述第一候选资源的所述信道质量是对所述第一候选资源的至少一次传输时机的预测或推论得到的RSRP，L1-RSRP，SINR或L1-SINR的平均值。
作为一个实施例，所述第一候选资源的所述信道质量是RSRP，L1-RSRP，SINR或L1-SINR中之一；基于AI得到所述第一候选资源的所述信道质量是对所述第一候选资源的至少一次传输时机的预测或推论得到的RSRP，L1-RSRP，SINR或L1-SINR的最小值。
作为一个实施例，所述第一候选资源的所述信道质量是BLER；基于AI得到所述第一候选资源的所述信道质量是对所述第一候选资源预测或推论得到的BLER。
作为一个实施例，所述第一候选资源的所述信道质量是BLER；基于AI得到所述第一候选资源的所述信道质量是对所述第一候选资源的至少一次传输时机预测或推论得到的BLER的平均值。
作为一个实施例，所述第一候选资源的所述信道质量是BLER；基于AI得到所述第一候选资源的所述信道质量是对所述第一候选资源的至少一次传输时机预测或推论得到的BLER的最大值。
作为一个实施例，所述第一候选资源的所述信道质量是假设的(hypothetical)BLER；基于AI评估的所述第一无线链路质量是对所述第一候选资源预测或推论得到的假设的BLER。
作为一个实施例，所述第一候选资源的所述信道质量是假设的(hypothetical)BLER；基于AI评估的所述第一无线链路质量是对所述第一候选资源的至少一次传输时机预测或推论得到的假设的BLER的平均值。
作为一个实施例，所述第一候选资源的所述信道质量是假设的(hypothetical)BLER；基于AI评估的所述第一无线链路质量是对所述第一候选资源的至少一次传输时机预测或推论得到的假设的BLER的最大值。
实施例8
实施例8示例了根据本申请的一个实施例的第一候选资源的信道质量依赖第一操作的输出的示意图；如附图8所示。在实施例8中，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一节点执行第一操作，所述第一操作是基于训练的或者基于AI的，所述第一候选资源的所述信道质量依赖所述第一操作的输出。
作为一个实施例，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一节点执行第一操作，所述第一操作是基于训练的或者基于AI的，所述第一候选资源的所述信道质量依赖所述第一操作的输出；所述第一候选资源的所述信道质量不是基于AI得到包括：所述第一候选资源的所述信道质量的获得不包括所述第一节点执行第一操作。
作为一个实施例，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一更高层消息集合通过指示第一类标识来指示所述第一候选资源的所述信道质量是基于AI得到。
作为一个实施例，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一候选资源的所述信道质量的获得采用被第一类标识所标识的AI模型。
作为一个实施例，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一候选资源的所述信道质量被用于被第一类标识所标识的AI功能。
作为一个实施例，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一候选资源的所述信道质量的获得是在被第一类标识所标识的AI实体中进行的。
作为一个实施例，所述第一操作的输出被用于生成所述第一候选资源的所述信道质量。
作为一个实施例，所述第一候选资源的所述信道质量包括所述第一操作的输出。
作为一个实施例，所述第一候选资源的所述信道质量包括所述第一操作的经过后处理的输出。
作为一个实施例，所述第一候选资源的所述信道质量包括所述第一操作的经过截短和/或量化的输出。
作为一个实施例，所述第一操作的输出经过后处理后，被用于生成所述第一候选资源的所述信道质量。
作为一个实施例，所述第一操作的输出经过截短和/或量化后，被用于生成所述第一候选资源的所述信道质量。
作为一个实施例，所述第一操作的部分或全部输出经过后处理后，被用于生成所述第一候选资源的所述信道质量。
作为一个实施例，所述第一操作的部分或全部输出经过截短和/或量化后，被用于生成所述第一候选资源的所述信道质量。
作为一个实施例，所述第一操作的输出如何被用于生成所述第一候选资源的所述信道质量是所述第一节点的制造商自行确定的，或者说是实现相关的。以上一些典型的但是非限制性的实施方式。
实施例9
实施例9示例了根据本申请的一个实施例的第一操作被关联到第一类标识的示意图；如附图9所示。在实施例9中，所述第一操作被关联到所述第一类标识。
作为一个实施例，所述第一操作被所述第一类标识所标识。
作为一个实施例，所述第一操作所采用的AI模型被所述第一类标识所标识。
作为一个实施例，所述第一操作所属的AI实体被所述第一类标识所标识。
作为一个实施例，执行所述第一操作的AI实体被所述第一类标识所标识。
作为一个实施例，所述第一操作用于被所述第一类标识所标识的AI功能。
作为一个实施例，上述方法的好处包括，通过所述第一类标识来标识一个AI实体或功能，简化了设计并在多个节点之间统一了对不同AI实体或功能的理解。
作为一个实施例，所述第一类标识是一个模型标识。
作为一个实施例，所述第一类标识被用于标识一个AI模型。
作为一个实施例，所述第一类标识被所述第一节点用于确定一个AI模型。
作为一个实施例，所述第一类标识被所述第一节点用于确定所述第一操作采用的AI模型。
作为一个实施例，上述方法的好处包括，通过所述第一类标识来标识一个AI模型/实体/功能，简化了设计并在多个节点之间统一了对不同AI实体/功能的理解。
作为一个实施例，所述第一类标识被用于标识或指示参考资源集合，针对所述参考资源集合的测量用于获得所述第一操作的训练数据集。
作为一个实施例，所述第一类标识被用于标识参考资源集合的配置信息，针对所述参考资源集合的测量用于获得所述第一操作的训练数据集。
作为一个实施例，用于获得所述第一操作的训练被所述第一类标识所标识。
作为一个实施例，用于所述第一操作的训练的数据集被所述第一类标识所标识。
作为一个实施例，上述方法的好处包括，通过标识一个AI训练或AI训练数据集来识别这个AI训练或AI训练数据集生成的推论，在不同的AI功能之间建立了共识，进一步简化了设计。
作为一个实施例，所述第一类标识是一个非负整数。
作为一个实施例，所述第一类标识是一个字符串。
作为一个实施例，所述第一类标识被用于标识AI模型。
作为一个实施例，所述第一类标识被用于标识AI实体。
作为一个实施例，所述第一类标识被用于标识AI功能。
作为一个实施例，上述方法的好处包括，通过所述第一类标识来标识一个AI实体或功能，简化了设计并在多个节点之间统一了对不同AI实体或功能的理解。
作为一个实施例，所述第一类标识是一个模型标识。
作为一个实施例，所述第一类标识被用于标识一个AI模型。
作为一个实施例，所述第一类标识被所述第一节点用于确定一个AI模型。
作为一个实施例，所述第一类标识被所述第一节点用于确定所述第一参考操作采用的AI模型。
作为一个实施例，上述方法的好处包括，通过所述第一类标识来标识一个AI模型/实体/功能，简化了设计并在多个节点之间统一了对不同AI实体/功能的理解。
作为一个实施例，所述第一类标识被用于标识或指示一个资源集合。
作为一个实施例，所述第一类标识被用于标识或指示一个资源集合，所述一个资源集合的测量用于获得训练数据集。
作为一个实施例，所述第一类标识被用于标识或指示一个资源集合。
作为一个实施例，所述第一类标识被用于标识或指示训练数据集。
作为一个实施例，上述方法的好处包括，通过标识一个AI训练或AI训练数据集来识别这个AI训练或AI训练数据集生成的推论，在不同的AI功能之间建立了共识，进一步简化了设计。
实施例10
实施例10示例了根据本申请的一个实施例的第一操作是基于训练的或者基于AI的的示意图；如附图10所示。在实施例10中，所述第一操作是基于训练的或者基于AI的。
作为一个实施例，所述第一操作是基于训练的或者AI的。
作为一个实施例，所述第一操作包括推理(inference)。
作为一个实施例，所述推理包括AI推理。
作为一个实施例，所述第一操作包括AI实体(entity)。
作为一个实施例，所述第一操作包括用于推理(inference)的AI实体(entity)。
作为一个实施例，所述第一操作包括一个AI实体的一部分。
作为一个实施例，所述第一操作包括一个AI实体中用于推理的部分。
作为一个实施例，所述第一操作包括用于得到所述第一信息上报的推理。
作为一个实施例，所述推理包括：AI(Artificial Intelligence)推理(inference)。
作为一个实施例，所述第一操作被用于AI功能(function)。
作为一个实施例，所述第一操作是所述第一节点的物理层执行的。
作为一个实施例，所述第一操作是所述第一节点的更高层执行的。
作为一个实施例，所述第一操作的模型(model)是通过训练获得的。
作为一个实施例，所述第一操作的训练由所述第一节点执行。
作为一个实施例，所述第一操作的训练由所述第一信息集合的发送者执行。
作为一个实施例，所述第一操作的训练由核心网执行。
作为一个实施例，所述第一操作的训练由AI训练生产者(producer)执行。
作为一个实施例，所述第一操作的训练由MDA功能(Management Data Analytics Function)执行。
作为一个实施例，所述第一操作的训练由位于所述第一节点的MDA功能执行。
作为一个实施例，所述第一操作的训练由位于所述第一信息集合的发送者的MDA功能执行。
作为一个实施例，所述第一操作的训练由NWDAF(Network Data Analytics Function)执行。
作为一个实施例，所述第一操作的训练由MDAS(Management Data Analytics Service)生产者(producer)执行。
作为一个实施例，所述第一操作的训练由MnS(Management Service)生产者(producer)执行。
作为一个实施例，所述第一操作是需要部署(deployment)的。
作为一个实施例，所述第一操作是通过装载(load)获得的。
作为一个实施例，所述第一操作是从所述第一节点的服务小区处装载获得的。
作为一个实施例，所述第一操作是从所述第一节点的服务小区的维持基站处装载获得的。
作为一个实施例，所述第一节点部署所述第一操作。
作为一个实施例，所述第一操作是不需要部署的。
作为一个实施例，所述第一操作是从核心网装载获得的。
作为一个实施例，所述第一操作是基于人工智能或者机器学习的。
作为一个实施例，所述第一操作是基于神经网络(Neural Network)的。
作为一个实施例，所述第一操作是基于CNN(Conventional Neural Networks)的。
作为一个实施例，所述第一操作包括预处理。
作为一个实施例，所述第一操作包括后处理。
作为一个实施例，所述后处理包括DFT。
作为一个实施例，所述后处理包括量化。
作为一个实施例，所述后处理包括角度域到空域的变换，空域到角度域的变换，时域到频域的变换和频域到时域的变换中的一种或多种。
作为一个实施例，所述后处理包括截短和/或填充(padding)。
作为一个实施例，所述第一操作包括卷积(convolution)，池化(pooling)，级联和激活中的一种或多种。
作为一个实施例，所述第一操作包括一个全连接层。
作为一个实施例，所述第一操作包括一个池化层。
作为一个实施例，所述第一操作包括至少一个卷积层。
作为一个实施例，所述第一操作包括至少一个编码层。
作为一个实施例，一个编码层包括至少一个卷积层和一个池化层。
作为一个实施例，在卷积层，至少一个卷积核被用于对输入进行卷积以生成相应的特征图，卷积层输出的至少一个特征图被重塑(reshape)成一个向量输入给全连结层；全连结层将所述一个向量转换成输出。
作为一个实施例，所述第一操作的卷积核尺寸，卷积层数，卷积步长，池化核尺寸，池化核步长，池化函数，激活函数和特征图数量中的部分或全部是通过训练得到的。
作为一个实施例，所述第一操作的卷积核，池化核，池化函数，激活函数，池化函数的参数和激活函数的参数中的部分或全部是通过训练得到的。
不失一般性的，所述第一操作采用的参数或AI模型是所述第一节点的制造商自行确定的。
作为一个实施例，所述第一操作包括基于人工智能或者机器学习的定位。
作为一个实施例，所述第一操作包括人工智能或者机器学习辅助的定位。
作为一个实施例，所述第一节点是一个用户(consumer)。
作为一个实施例，所述第一节点是AI功能(function)的用户(consumer)。
作为一个实施例，所述第一节点是AI推论(inference)的用户。
作为一个实施例，所述第一节点是AI训练的用户。
作为一个实施例，所述第一节点是一个MnS(Management Service)用户。
作为一个实施例，所述第一节点是AI推论(inference)的生产者(producer)。
作为一个实施例，所述第一节点是AI训练的生产者(producer)。
作为一个实施例，所述第一操作包括预处理。
作为一个实施例，所述预处理包括DFT(Discrete Fourier Transform)。
作为一个实施例，所述预处理包括矩阵分解，矩阵变换和投影中的一种或多种。
作为一个实施例，所述预处理包括量化，空域到角度域的变换，角度域到空域的变换，频域到时域的变换和时域到频域的变换中的一种或多种。
作为一个实施例，所述预处理包括截短和/或填充(padding)。
作为一个实施例，所述预处理包括映射。
作为一个实施例，所述预处理包括到向量的映射。
作为一个实施例，所述预处理包括标签(label)。
作为一个实施例，所述标签是指用标签标记。
作为一个实施例，所述第一节点部署所述第一操作。
作为一个实施例，所述部署(deployment)包括获得所述第一操作。
作为一个实施例，所述部署包括获得一个AI实体。
作为一个实施例，所述部署包括获得执行所述第一操作的AI实体。
作为一个实施例，所述部署包括获得包括执行所述第一操作的AI功能的AI实体。
作为一个实施例，所述部署包括装载(load)所述第一操作。
作为一个实施例，所述部署包括提出装载所述第一操作的请求。
作为一个实施例，所述第一操作是从所述第一节点的服务小区处装载获得的。
作为一个实施例，所述第一操作是从所述第一节点的服务小区的维持基站处装载获得的。
作为一个实施例，所述第一操作是从核心网处装载获得的。
作为一个实施例，所述部署是由AI功能(function)完成的。
作为一个实施例，所述部署是由部署于所述第一节点的AI功能完成的。
作为一个实施例，所述部署是由AI部署功能(deployment function)完成的。
作为一个实施例，所述部署是由部署于所述第一节点的AI部署功能完成的。
作为一个实施例，所述部署是由AI推论(inference)功能完成的。
作为一个实施例，所述部署是由部署于所述第一节点的AI推论(inference)功能完成的。
作为一个实施例，所述部署是由AI实体(entity)完成的。
作为一个实施例，所述部署是由部署于所述第一节点的AI实体完成的。
作为一个实施例，所述部署是由具有部署功能(deployment function)的AI实体完成的。
作为一个实施例，所述部署是由部署于所述第一节点的具有部署功能的AI实体完成的。
作为一个实施例，所述部署是由具有推论功能(inference function)的AI实体完成的。
作为一个实施例，所述部署是由部署于所述第一节点的具有推论功能的AI实体完成的。
实施例11
实施例11示例了根据本申请的一个实施例的第一候选资源的信道质量的示意图；如附图11所示。在实施例11中，所述第一候选资源的所述信道质量是否是RSRP依赖所述第一候选资源的所述信道质量是否基于AI得到；仅当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一候选资源的所述信道质量是RSRP。
作为一个实施例，所述第一候选资源的所述信道质量是RSRP、SINR、BLER、或假设的(hypothetical)BLER；当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一候选资源的所述信道质量是RSRP；当所述第一候选资源的所述信道质量是基于AI得到时，所述第一候选资源的所述信道质量是SINR、BLER、或假设的(hypothetical)BLER。
作为一个实施例，所述第一候选资源的所述信道质量是RSRP或SINR；当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一候选资源的所述信道质量是RSRP；当所述第一候选资源的所述信道质量是基于AI得到时，所述第一候选资源的所述信道质量是SINR。
作为一个实施例，所述第一候选资源的所述信道质量是RSRP或BLER；当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一候选资源的所述信道质量是RSRP；当所述第一候选资源的所述信道质量是基于AI得到时，所述第一候选资源的所述信道质量是BLER。
作为一个实施例，所述第一候选资源的所述信道质量是RSRP或假设的(hypothetical)BLER；当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一候选资源的所述信道质量是RSRP；当所述第一候选资源的所述信道质量是基于AI得到时，所述第一候选资源的所述信道质量是假设的(hypothetical)BLER。
实施例12
实施例12示例了根据本申请的一个实施例的第一节点的物理层还向其更高层指示第一候选资源的信道质量的示意图；如附图12所示。在实施例12中，所述第一节点的物理层还向其更高层指示所述第一候选资源的所述信道质量。
作为一个实施例，所述第一节点的物理层还向其更高层指示所述第一候选资源的所述信道质量，所述第一候选资源的所述信道质量是RSRP、L1-RSRP、SINR、L1-SINR、BLER、或假设的(hypothetical)BLER。
作为一个实施例，所述第一节点的物理层向其更高层指示所述第一候选资源的所述信道质量和所述第一候选资源的索引。
作为一个实施例，所述第一节点的物理层还向其更高层指示所述第一候选资源的所述信道质量，所述第一候选资源的所述信道质量是测量所述第一候选资源得到的RSRP。
作为一个实施例，所述第一节点的物理层还向其更高层指示所述第一候选资源的所述信道质量，所述第一候选资源的所述信道质量是通过预测或者推论得到的。
实施例13
实施例13示例了根据本申请的一个实施例的第一信息的示意图；如附图13所示。在实施例13中，所述第一节点的物理层还向其更高层指示第一信息；其中，所述第一信息被用于指示所述第一候选资源的所述信道质量是否基于AI得到，或者，所述第一信息被用于指示所述第一候选资源的所述信道质量是否是通过测量所述第一候选资源得到的RSRP。
作为一个实施例，所述第一节点的物理层还向其更高层指示第一信息；所述第一信息被用于指示所述第一候选资源的所述信道质量是否基于AI得到。
作为一个实施例，所述第一节点的物理层还向其更高层指示第一信息；所述第一信息被用于指示所述第一候选资源的所述信道质量是否是通过测量所述第一候选资源得到的RSRP。
作为一个实施例，所述第一信息包括第一域，所述第一信息包括的所述第一域指示所述第一候选资源的所述信道质量是否基于AI得到。
作为一个实施例，所述第一信息包括的所述第一域包括一个比特，当所述第一信息包括的所述第一域是1时，所述第一候选资源的所述信道质量是基于AI得到；当所述第一信息包括的所述第一域是0时，所述第一候选资源的所述信道质量不是基于AI得到。
作为一个实施例，所述第一信息包括的所述第一域包括一个比特，当所述第一信息包括的所述第一域是0时，所述第一候选资源的所述信道质量是基于AI得到；当所述第一信息包括的所述第一域是1时，所述第一候选资源的所述信道质量不是基于AI得到。
作为一个实施例，所述第一信息包括第二域，所述第一信息包括的所述第二域指示所述第一候选资源的所述信道质量是否是通过测量所述第一候选资源得到的RSRP。
作为一个实施例，所述第一信息包括的所述第二域包括一个比特，当所述第一信息包括的所述第二域是1时，所述第一候选资源的所述信道质量是通过测量所述第一候选资源得到的RSRP；当所述第一信息包括的所述第二域是0时，所述第一候选资源的所述信道质量不是通过测量所述第一候选资源得到的RSRP。
作为一个实施例，所述第一信息包括的所述第二域包括一个比特，当所述第一信息包括的所述第二域是0时，所述第一候选资源的所述信道质量是通过测量所述第一候选资源得到的RSRP；当所述第一信息包括的所述第二域是1时，所述第一候选资源的所述信道质量不是通过测量所述第一候选资源得到的RSRP。
实施例14
实施例14示例了根据本申请的一个实施例的波束失败事件指示和波束失败恢复的示意图；如附图14所示。在附图14中所示的140中，所述第一节点在步骤141中所述第一节点的物理层向其更高层发送波束失败事件指示；在步骤142中触发波束失败恢复。在实施例14中，所述第一节点的物理层向其更高层发送波束失败事件指示；当目标计数器的值等于或大于目标阈值时，触发波束失败恢复；所述目标计数器被用于所述波束失败事件指示的计数。
作为一个实施例，每当评估的所述第一无线链路质量差于第二参考阈值时，所述第一节点的物理层向其更高层发送波束失败事件指示。
作为一个实施例，所述波束失败事件指示是指：beam failure instance indication。
作为一个实施例，所述第一无线链路质量是针对第一服务小区的无线链路质量，所述波束失败事件指示是针对所述第一服务小区的，所述目标计数器被用于针对所述第一服务小区的波束失败事件指示的计数，所述波束失败恢复是针对所述第一服务小区的。
作为一个实施例，所述第一无线链路质量是针对所述第一资源集合的无线链路质量，所述波束失败事件指示是针对所述第一资源集合的波束失败事件指示，所述目标计数器被用于针对所述第一资源集合的波束失败事件指示的计数，所述波束失败恢复是针对所述第一资源集合的。
作为一个实施例，所述第一资源集合是为第一BWP配置的，所述第一BWP是第一服务小区的一个BWP；所述第一无线链路质量是针对第一服务小区的无线链路质量，所述波束失败事件指示是针对所述第一服务小区的，所述目标计数器被用于针对所述第一服务小区的波束失败事件指示的计数，所述波束失败恢复是针对所述第一服务小区的。
作为上述实施例的一个子实施例，所述第一资源集合是
作为一个实施例，所述第一资源集合是为第一BWP配置的两个资源集合中之一，所述第一BWP是第一服务小区的一个BWP；所述第一无线链路质量是针对所述第一资源集合的无线链路质量，所述波束失败事件指示是针对所述第一资源集合的波束失败事件指示，所述目标计数器被用于针对所述第一资源集合的波束失败事件指示的计数，所述波束失败恢复是针对所述第一资源集合的。
作为上述实施例的一个子实施例，所述第一资源集合是或
典型的，所述句子“当目标计数器的值等于或大于目标阈值时”的意思是指：当且仅当目标计数器的值等于或大于目标阈值时。
典型的，所述句子“当目标计数器的值等于或大于目标阈值时”的意思是指：作为目标计数器的值等于或大于目标阈值的响应。
典型的，所述第一节点在MAC层维护所述目标计数器。
典型的，所述第一节点的MAC实体维护所述目标计数器。
典型的，每当所述第一节点的MAC实体(entity)接收到来自物理层的波束失败事件指示时，启动(start)或重启(restart)目标计时器，并且所述目标计数器的值加1。
典型的，所述目标计数器是BFI_COUNTER。
典型的，当所述目标计时器过期(expire)时，设置所述目标计数器为0。
典型的，所述目标计时器是beamFailureDetectionTimer。
作为一个实施例，所述目标计数器是BFI_COUNTER。
作为一个实施例，所述目标计数器的初始值是0。
作为一个实施例，所述目标阈值是正整数。
作为一个实施例，所述目标阈值是beamFailureInstanceMaxCount。
作为一个实施例，所述目标阈值由RRC参数配置的。
作为一个实施例，配置所述目标阈值的RRC参数包括RadioLinkMonitoringConfig IE的beamFailureInstanceMaxCount域中的全部或部分信息。
作为一个实施例，所述目标计时器是beamFailureDetectionTimer。
作为一个实施例，所述目标计时器的初始值是正整数。
作为一个实施例，所述目标计时器的初始值是正实数。
作为一个实施例，所述目标计时器的初始值的单位是波束失败检测RS的Qout,LR汇报周期。
作为一个实施例，所述目标计时器的初始值由更高层参数beamFailureDetectionTimer配置。
作为一个实施例，所述目标计时器的初始值由一个IE配置的。
作为一个实施例，配置所述目标计时器的初始值的IE的名称里包括RadioLinkMonitoring。
实施例15
实施例15示例了根据本申请的一个实施例的波束失败恢复请求的示意图；如附图15所示。在实施例15中，所述第一节点，在步骤151中发送波束失败恢复请求；在步骤152中接收针对所述波束失败恢复请求的响应；其中，所述波束失败恢复被触发。
作为一个实施例，所述波束失败恢复包括所述第一节点发送波束失败恢复请求和所述第一更高层消息集合的发送者发送针对所述波束失败恢复请求的响应。
作为一个实施例，所述波束失败恢复(Beam Failure Recovery,BFR)包括随机接入过程，所述波束失败恢复请求包括随机接入前导，所述针对所述波束失败恢复请求的响应包括PDCCH。
作为一个实施例，所述波束失败恢复是基于调度请求的(scheduling request)，所述波束失败恢复请求包括针对波束失败恢复的调度请求(scheduling request,SR)。
作为一个实施例，所述波束失败恢复请求包括随机接入前导，所述随机接入前导对应所述第一候选资源集合中的第二候选资源。
作为一个实施例，所述随机接入前导是基于竞争的随机接入前导(contention-based Random Access Preamble)。
作为一个实施例，所述随机接入前导是免竞争的随机接入前导(contention-free Random Access Preamble)。
作为一个实施例，所述波束失败恢复(Beam Failure Recovery,BFR)包括基于竞争的(contention-based)随机接入过程。
作为一个实施例，所述波束失败恢复(Beam Failure Recovery,BFR)包括免竞争的(contention-free)随机接入过程。
作为一个实施例，所述波束失败恢复是基于调度请求的(scheduling request)。
作为一个实施例，所述波束失败恢复包括所述第一节点触发针对波束失败恢复的调度请求(scheduling request,SR)。
作为一个实施例，所述波束失败恢复请求包括第一MAC CE，第一HARQ进程被用于所述第一MAC CE的传输；所述针对所述波束失败恢复请求的响应包括第一PDCCH，所述第一PDCCH指示针对所述第一HARQ进程的一个新传输的上行授予(uplink grant for a new transmission)。
作为一个实施例，所述第一MAC CE的名称包括BFR。
作为一个实施例，所述第一MAC CE是BFR MAC CE或Truncated BFR MAC CE。
作为一个实施例，所述第一MAC CE是Enhanced BFR MAC CE或Truncated Enhanced BFR MAC CE。
作为一个实施例，所述第一MAC CE指示所述第一候选资源集合中的第二候选资源。
作为一个实施例，每当评估的所述第一无线链路质量差于第二参考阈值时，所述第一节点的物理层向其更高层发送波束失败事件指示，所述第一节点的物理层向其更高层指示所述第一候选资源集合中的一个候选资源；所述第二候选资源是所述第一节点的物理层向其更高层指示的所有候选资源中之一。
作为一个实施例，所述第一节点的更高层选择所述第一候选资源集合中的第二候选资源，并且向其物理层指示所述第二候选资源。
作为一个实施例，所述第二候选资源是所述第一候选资源。
作为一个实施例，所述第二候选资源不是所述第一候选资源。
作为一个实施例，所述波束失败恢复请求包括一个名称包括BFR的MAC CE。
作为一个实施例，所述波束失败恢复过程参见3GPP TS38.321的第5.17章节。
作为一个实施例，所述波束失败恢复过程参见3GPP TS38.213的第6章节。
实施例16
实施例16示例了根据本申请的一个实施例的RAN(Radio Access Network，无线接入网)域(Domain)AI/ML功能部署的示意图；如附图16所示。实施例16中的gNB可以被更换为例如eNB，或者6G基站等网络设备。
AI/ML相关的功能包括ML训练功能(也称为AI训练，或者AI/ML训练)，ML测试(testing)功能，ML推理(也称为AI推理，或者，AI/ML推理)功能等等。ML训练功能，ML测试功能，ML推理功能可以独立部署，也可以共址(co-located)部署。AI/ML相关的功能的部署可以是通过软件来实现，例如可执行文件的下载和/或运行；也可以通过软件结合硬件的方式来实现，例如将特定的计算单元通过硬件进行加速以提高运算速度或者节省功耗。
对于ML训练功能，可以被部署于跨域管理系统(cross-domain management system)，或者域特定的管理系统(domain-specific management system)；所述域特定的管理系统用于管理RAN域或者CN(Core Network，核心网)域。例如，为了MDA(Management Data Analytics，管理数据分析)的ML训练功能可以部署在MDAF(MDA功能)；为了网络数据分析的ML训练可以部署在NWDAF(Network Data Analytics Function，网络数据功能)，即ML训练功能是MTLF(Model Training logical function，模型训练逻辑功能)。
对于ML推理功能，也同样可以被部署于跨域管理系统，或者域特定的管理系统；例如，ML推理功能是MDAF，或者，ML推理功能是位于NWDAF中的AnLF(Analytics logical function，分析逻辑功能)。
类似的，ML测试功能也可以被部署于跨域管理系统，或者域特定的管理系统。
在实施例16中，RAN域ML训练功能1402位于RAN域管理功能1403中；而ML推理功能位于基站中，即AI/ML推理功能1404位于gNB1405中，AI/ML推理功能1406位于gNB1407中，……。
附图16中，多个基站的ML推理功能的管理由RAN域管理功能1403完成，即与RAN域MnS(Management Service，管理服务)消费者/跨域管理1401进行数据交互(如附图14中的虚线箭头所示)。
可选的，ML推理功能的管理也可以由基站自行完成，即每个基站可以独立的与RAN域MnS消费者/跨域管理1401进行数据交互。
需要说明的是，实施例16仅仅是一种非限制的实施方式；可选的，RAN域的ML训练功能也可能部署在基站；或者可选的，部分基站部署ML推理功能和RAN域的ML训练功能，而部分基站仅部署ML推理功能。
作为一个实施例，实施例16中的一个gNB(或者基站)是本申请的所述第二节点。
作为一个实施例，本申请中的所述第二处理器包括附图16中的一个AL/ML推理功能，即1404或1406。
实施例17
实施例17示例了根据本申请的一个实施例的UE的AI/ML功能部署的示意图；如附图17所示。附图17中的RAN域ML训练功能1505是可选的。
UE功能1504部署于本申请的第一节点中，所述UE功能1504包括AI/ML推理功能1506；所述AI/ML推理功能1506使用ML模型(也称为AI模型)进行推理；一个ML模型在被用于AI/ML推理之前通常要经过训练。
作为一个实施例，本申请中的所述第一信息上报是经过所述AI/ML推理功能1506的推理得到的。
作为一个实施例，本申请中的所述第一处理器包括附图17中的一个AL/ML推理功能1506。
作为一个实施例，所述UE功能1504包括RAN域ML训练功能1505，所述RAN域ML训练功能1505通过ML模型运行(run)训练数据，得到(derive)相关的损失(loss)，基于计算出的损失调整所述ML模型的参数；所述ML训练包括ML初始训练(ML initial training)，ML重新训练(ML re-training)，强化学习中的至少之一。
上述实施例能降低基站的复杂度，或者，节省了上报训练数据而导致的空口资源；然而，上述实施例对UE侧的处理能力提出了较高要求。
可选的，所述UE功能1504还包括CN域ML训练功能(图17中未包括)。
可选的，所述UE功能1504还包括AI/ML部署功能(deployment function)-图17中未包括，用于装载(load)ML模型和数据。
作为一个实施例，所述第一节点通过能力上报指示是否支持ML训练功能(RAN域或者CN域)，所述能力上报是RRC信令，或者是NAS(Non-Access Stratum，非接入层)信令。
作为一个实施例，所述ML模型，以及相关的元数据(metadata)是所述第一节点从网络设备或者远程服务器装载(load)得到的。
可选的，所述UE功能1504是一个MnS(Management Service，管理服务)生产者(Producer)，向CN域MnF(Management Function管理功能)1501，和/或RAN域MnF1502，和/或跨域管理系统1503提供数据用于管理或者分析(如双箭头1507所示)。
可选的，所述UE功能1504是一个MnS消费者(Consumer)，从CN域MnF(Management Function管理功能)1501，和/或RAN域MnF1502，和/或跨域管理系统1503装载数据用于AI/ML相关的管理，例如管理数据请求，ML模型激活，和/或ML训练等(如双箭头1507所示)。
作为一个实施例，所述ML模型是基于神经网络(Neural Network)的。
作为一个实施例，所述ML模型是基于CNN(Conventional Neural Networks，卷积神经网络)。
作为一个实施例，所述ML模型是基于Transformer(变形器)架构。
实施例18
实施例18示例了根据本申请的一个实施例的基于人工智能或者机器学习的处理系统的示意图；如附图18所示。附图18(a)包括第三处理机，第四处理机和第五处理机，附图18(b)包括第三处理机，第四处理机，第五处理机和第六处理机。
在实施例18(a)中，所述第三处理机向所述第四处理机发送第一数据集，向所述第五处理机发送第二数据集；所述第四处理机根据所述第一数据集生成目标第一类参数组，所述第四处理机将生成的所述目标第一类参数组发送给所述第五处理机；所述第五处理机利用所述目标第一类参数组对所述第二数据集进行处理以得到第一类输出。在附图18(a)，第一类反馈是可选的。
在实施例18(b)中，所述第三处理机向所述第四处理机发送第一数据集，向所述第五处理机发送第二数据集；所述第四处理机根据所述第一数据集生成目标第一类参数组，所述第四处理机将生成的所述目标第一类参数组发送给所述第五处理机；所述第五处理机利用所述目标第一类参数组对所述第二数据集进行处理以得到第一类输出，所述第五处理机将所述第一类输出发送给所述第六处理机。在附图18(b)，第一类反馈和第二类反馈是可选的。
作为一个实施例，附图18(a)中，所述第五处理机将所述第一类输出发送给本申请中的所述第二节点。
作为一个实施例，附图18(a)采用单边(single side)AI模型用于波束预测或者信道信息预测，所述第五处理机执行所述第一操作，所述第一操作用于波束预测或者信道信息预测。
作为一个实施例，附图18(a)采用单边(single side)AI模型用于得到所述第一候选资源的所述信道质量，所述第五处理机执行所述第一操作，所述第一候选资源的所述信道质量依赖所述第一操作的输出。
作为一个实施例，所述AI包括ML(Machine Learning)推论(inference)。
作为一个实施例，所述第五处理机执行所述第一操作。
作为一个实施例，所述第五处理机发送第一类反馈给所述第四处理机，所述第一类反馈被用于触发重新计算或者更新所述目标第一类参数组。
作为一个实施例，所述第六处理机发送第二类反馈给所述第三处理机，所述第二类反馈被用于生成所述第一数据集或所述第二数据集，或者所述第二类反馈被用于触发所述第一数据集的发送或所述第二数据集的发送。
作为一个实施例，所述第三处理机根据对第一类无线信号的测量生成所述第一数据集和所述第二数据集，所述第一类无线信号包括下行RS。
作为一个实施例，所述第五处理机属于所述第一节点，所述第六处理机属于所述第二节点。
作为一个实施例，所述第二数据集包括所述第一操作的所述输入。
作为一个实施例，所述第二数据集包括基于所述第一配置和所述M1个配置获得的信息。
作为一个实施例，所述第一数据集包括训练数据(Training Data)。
作为一个实施例，所述第四处理机属于所述第一操作的生产者。
作为一个实施例，所述第四处理机包括AI训练生产者(producer)。
作为一个实施例，所述第四处理机包括AI训练功能(function)。
作为一个实施例，所述第四处理机用于模型训练(Model Training)，训练后的模型被所述目标第一类参数组描述。
作为一个实施例，所述第四处理机属于所述第一节点。
上述实施例避免了将所述第一数据集传递给所述第二节点。
作为一个实施例，所述第四处理机属于所述第二节点。
上述实施例支持联合训练，优化了系统性能。
作为一个实施例，所述第四处理机属于核心网。
上述实施例支持全网联合训练，进一步优化了系统性能。
作为一个实施例，所述第二数据集包括推断数据(Inference Data)。
作为一个实施例，所述第五处理机包括AI推论生产者(producer)。
作为一个实施例，所述第五处理机包括AI推论功能(function)。
作为一个实施例，所述第五处理机属于所述第一节点。
作为一个实施例，所述第五处理机根据所述目标第一类参数组构造模型，然后将所述第二数据集输入所述构造的模型得到所述第一类输出。
作为一个实施例，所述第一操作被所述目标第一类参数组描述。
作为一个实施例，所述目标第一类参数组被用于构造所述第一操作。
作为一个实施例，所述第五处理机根据所述第一类输出生成恢复数据集，所述恢复数据集与所述第二数据集的误差被用于生成所述第一类反馈。
作为一个实施例，所述第一类反馈被用于反映所述训练后的模型的性能；当所述训练后的模型的性能不能满足要求时，所述第四处理机会重新计算所述目标第一类参数组。
作为一个实施例，当误差过大或者过长时间未更新时，所述训练后的模型的所述性能被认为不能满足要求。
作为一个实施例，所述目标第一类参数组包括：卷积核尺寸，卷积层数，卷积步长，池化核尺寸，池化核步长，池化函数，激活函数，或特征图数量中的一种或多种。
作为一个实施例，所述目标第一类参数组包括：卷积核，池化核，池化函数，激活函数，池化函数的参数，或激活函数的参数中的一种或多种。
实施例19
实施例19示例了根据本申请的一个实施例的基于人工智能或者机器学习的示意图；如附图19所示。附图19包括第三操作，第四操作，第五操作，第六操作和第七操作。在实施例19中，所述第三操作和第四操作属于第一阶段，所述第五操作属于第二阶段，所述第六操作属于第三阶段，所述第七操作属于第四阶段。在附图19中，带箭头的线条表示流程的顺序。
作为一个实施例，所述第三操作包括AI训练，所述第四操作包括AI测试(testing)，所述第五操作包括AI仿真(emulation)，所述第六操作包括AI实体装载(loading)，所述第七操作包括AI推论(inference)。
作为一个实施例，所述第一阶段包括训练阶段(training phase)，所述第二阶段包括仿真阶段(emulation phase)，所述第三阶段包括部署阶段(deployment phase)，所述第四阶段包括推论阶段(emulation phase)。
作为一个实施例，所述第一阶段包括AI模型训练(model training)。
作为一个实施例，所述第一阶段包括AI模型训练(model training)和AI测试(testing)。
作为一个实施例，所述AI包括ML(Machine Learning)推论(inference)。
作为一个实施例，所述AI模型训练包括一个或一组AI实体的初始训练(initial training)和重训练(re-training)。
作为一个实施例，所述AI模型训练依赖训练数据。
作为一个实施例，所述AI模型训练包括AI实体验证(validation)。
作为一个实施例，所述AI实体验证被用于估计(evaluate)所述AI实体的性能。
作为一个实施例，所述AI实体验证依赖验证数据。
作为一个实施例，如果AI实体验证的结果达不到预期，AI模型将被重训练。
作为一个实施例，所述AI测试包括对验证后的AI实体进行测试以估计训练得到的AI模型的性能。
作为一个实施例，如果AI测试的结果达到预期，AI实体进行下一个阶段；否则AI模型将被重训练。
作为一个实施例，所述AI测试依赖测试数据。
作为一个实施例，所述第二阶段包括AI仿真，所述AI仿真在仿真环境下进行AI实体的推论(inference)。
作为一个实施例，所述AI仿真是在使用AI实体之前，在仿真环境下估计AI实体推论的性能。
作为一个实施例，所述第二阶段是可选的。
作为一个实施例，所述第三阶段包括AI实体装载(loading)，所述AI实体装载是为了获得训练后的AI实体以获得想要的AI推论功能。
作为一个实施例，所述第三阶段是可选的。
作为一个实施例，当训练功能和推论功能共址(co-located)时，所述第三阶段不再需要。
作为一个实施例，所述第四阶段包括AI推论。
作为一个实施例，所述第七操作包括所述第一操作。
实施例20
实施例20示例了根据本申请的一个实施例的用于第一节点中的处理装置的结构框图；如附图20所示。在附图20中，第一节点中的处理装置2000包括第一处理器2001。
作为一个实施例，所述第一节点是用户设备。
作为一个实施例，所述用户设备是终端。
作为一个实施例，所述第一节点是中继节点设备。
作为一个实施例，所述第一处理器2001包括实施例4中的{天线452，接收器/发射器454，接收处理器456，发射处理器468，多天线接收处理器458，多天线发射处理器457，控制器/处理器459，存储器460，数据源467}中的至少之一。
在实施例20中，所述第一处理器2001，接收第一更高层消息集合，所述第一更高层消息集合被用于配置第一资源集合和第一候选资源集合；根据所述第一资源集合评估第一无线链路质量。
在实施例20中，所述第一处理器2001，所述第一节点的物理层向其更高层指示所述第一候选资源集合中的第一候选资源；
在实施例20中，所述第一候选资源集合包括多个候选资源，所述第一候选资源是所述多个候选资源中之一；评估的所述第一无线链路质量差于第二参考阈值；所述第一候选资源的信道质量等于或大于第一参考阈值；所述第一参考阈值是第一阈值或第二阈值中之一，所述第一参考阈值依赖所述第一候选资源的所述信道质量是否基于AI得到；当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一参考阈值是所述第一阈值；当所述第一候选资源的所述信道质量是基于AI得到时，所述第一参考阈值是所述第二阈值。
作为一个实施例，所述第一候选资源的所述信道质量不是基于AI得到包括：所述第一候选资源是RS资源，所述第一候选资源的所述信道质量是通过测量所述第一候选资源得到的RSRP。
作为一个实施例，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一候选资源的所述信道质量是通过预测或者推论得到的。
作为一个实施例，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一节点执行第一操作，所述第一操作是基于训练的或者基于AI的，所述第一候选资源的所述信道质量依赖所述第一操作的输出。
作为一个实施例，所述AI(Artificial Intelligence，人工智能)包括ML(Machine Learning，机器学习)。
作为一个实施例，所述第一操作被关联到所述第一类标识。
作为一个实施例，所述第一候选资源的所述信道质量是否是RSRP依赖所述第一候选资源的所述信道质量是否基于AI得到；仅当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一候选资源的所述信道质量是RSRP。
作为一个实施例，包括：
所述第一处理器2001，所述第一节点的物理层还向其更高层指示所述第一候选资源的所述信道质量。
作为一个实施例，包括：
所述第一处理器2001，所述第一节点的物理层还向其更高层指示第一信息；
其中，所述第一信息被用于指示所述第一候选资源的所述信道质量是否基于AI得到，或者，所述第一信息被用于指示所述第一候选资源的所述信道质量是否是通过测量所述第一候选资源得到的RSRP。
作为一个实施例，包括：
所述第一处理器2001，所述第一节点的物理层向其更高层发送波束失败事件指示；
所述第一处理器2001，当目标计数器的值等于或大于目标阈值时，触发波束失败恢复；所述目标计数器被用于所述波束失败事件指示的计数。
作为一个实施例，包括：
所述第一处理器2001，发送波束失败恢复请求；接收针对所述波束失败恢复请求的响应；
其中，所述波束失败恢复被触发。
作为一个实施例，包括：
所述第一处理器2001，部署所述第一操作。
作为一个实施例，所述第一处理器2001在所述第一资源集合中接收信号。
作为一个实施例，所述第一处理器2001在所述第一资源集合中接收参考信号，所述第一资源集合包括一个或多个RS资源。
作为一个实施例，所述第一处理器2001在所述第一候选资源集合中接收信号。
作为一个实施例，所述第一处理器2001在所述第一候选资源集合中接收参考信号，所述第一候选资源集合包括一个或多个RS资源。
作为一个实施例，所述第一操作是基于训练的或者基于AI的。
作为一个实施例，所述第一操作是需要部署(deployment)的。
作为一个实施例，所述第一操作是通过装载(load)获得的。
实施例21
实施例21示例了根据本申请的一个实施例的用于第二节点中的处理装置的结构框图；如附图21所示。在附图21中，第二节点中的处理装置2100包括第二处理器2101。
作为一个实施例，所述第二节点是基站设备。
作为一个实施例，所述第二节点是用户设备。
作为一个实施例，所述第二节点是中继节点设备。
作为一个实施例，所述第二处理器2101包括实施例4中的{天线420，接收器/发射器418，接收处理器470，发射处理器416，多天线接收处理器472，多天线发射处理器471，控制器/处理器475，存储器476}中的至少之一。
在实施例21中，所述第二处理器2101，发送第一更高层消息集合，所述第一更高层消息集合被用于配置第一资源集合和第一候选资源集合。
在实施例21中，所述第一更高层消息集合的目标接收者根据所述第一资源集合评估第一无线链路质量；所述第一更高层消息集合的所述目标接收者的物理层向其更高层指示所述第一候选资源集合中的第一候选资源；所述第一候选资源集合包括多个候选资源，所述第一候选资源是所述多个候选资源中之一；评估的所述第一无线链路质量差于第二参考阈值；所述第一候选资源的信道质量等于或大于第一参考阈值；所述第一参考阈值是第一阈值或第二阈值中之一，所述第一参考阈值依赖所述第一候选资源的所述信道质量是否基于AI得到；当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一参考阈值是所述第一阈值；当所述第一候选资源的所述信道质量是基于AI得到时，所述第一参考阈值是所述第二阈值。
作为一个实施例，所述第一候选资源的所述信道质量不是基于AI得到包括：所述第一候选资源是RS资源，所述第一候选资源的所述信道质量是通过测量所述第一候选资源得到的RSRP。
作为一个实施例，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一候选资源的所述信道质量是通过预测或者推论得到的。
作为一个实施例，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一更高层消息集合的所述目标接收者执行第一操作，所述第一操作是基于训练的或者基于AI的，所述第一候选资源的所述信道质量依赖所述第一操作的输出。
作为一个实施例，所述第一操作被关联到所述第一类标识。
作为一个实施例，所述第一候选资源的所述信道质量是否是RSRP依赖所述第一候选资源的所述信道质量是否基于AI得到；仅当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一候选资源的所述信道质量是RSRP。
作为一个实施例，包括：
所述第一处理器2001，所述第一更高层消息集合的所述目标接收者的物理层还向其更高层指示所述第一候选资源的所述信道质量。
作为一个实施例，包括：
所述第一处理器2001，所述第一更高层消息集合的所述目标接收者的物理层还向其更高层指示第一信息；
其中，所述第一信息被用于指示所述第一候选资源的所述信道质量是否基于AI得到，或者，所述第一信息被用于指示所述第一候选资源的所述信道质量是否是通过测量所述第一候选资源得到的RSRP。
作为一个实施例，包括：
所述第一处理器2001，所述第一更高层消息集合的所述目标接收者的物理层向其更高层发送波束失败事件指示；
所述第一处理器2001，当目标计数器的值等于或大于目标阈值时，触发波束失败恢复；所述目标计数器被用于所述波束失败事件指示的计数。
作为一个实施例，包括：
所述第二处理器2101，接收波束失败恢复请求；发送针对所述波束失败恢复请求的响应；
其中，所述波束失败恢复被触发。
作为一个实施例，所述第二处理器2101在所述第一资源集合中发送信号。
作为一个实施例，所述第二处理器2101在所述第一资源集合中发送参考信号，所述第一资源集合包括一个或多个RS资源。
作为一个实施例，所述第二处理器2101在所述第一候选资源集合中发送信号。
作为一个实施例，所述第二处理器2101在所述第一候选资源集合中发送参考信号，所述第一候选资源集合包括一个或多个RS资源。
作为一个实施例，所述第一操作是基于训练的或者基于AI的。
作为一个实施例，所述第一操作是需要部署(deployment)的。
作为一个实施例，所述第一操作是通过装载(load)获得的。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可以通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如只读存储器，硬盘或者光盘等。可选的，上述实施例的全部或部分步骤也可以使用一个或者多个集成电路来实现。相应的，上述实施例中的各模块单元，可以采用硬件形式实现，也可以由软件功能模块的形式实现，本申请不限于任何特定形式的软件和硬件的结合。本申请中的用户设备、终端和UE包括但不限于无人机，无人机上的通信模块，遥控飞机，飞行器，小型飞机，手机，平板电脑，笔记本，车载通信设备，交通工具，车辆，RSU，无线传感器，上网卡，物联网终端，RFID终端，NB-IOT终端，MTC(Machine Type Communication，机器类型通信)终端，eMTC(enhanced MTC，增强的MTC)终端，数据卡，上网卡，车载通信设备，低成本手机，低成本平板电脑等无线通信设备。本申请中的基站或者系统设备包括但不限于宏蜂窝基站，微蜂窝基站，小蜂窝基站，家庭基站，中继基站，eNB，gNB，TRP(Transmitter Receiver Point，发送接收节点)，GNSS，中继卫星，卫星基站，空中基站，RSU(Road Side Unit，路边单元)，无人机，测试设备，例如模拟基站部分功能的收发装置或信令测试仪等无线通信设备。
本领域的技术人员应当理解，本发明可以通过不脱离其核心或基本特点的其它指定形式来实施。因此，目前公开的实施例无论如何都应被视为描述性而不是限制性的。发明的范围由所附的权利要求而不是前面的描述确定，在其等效意义和区域之内的所有改动都被认为已包含在其中。

Claims (20)

  1. 一种被用于无线通信的第一节点中的方法，其特征在于，包括：
    接收第一更高层消息集合，所述第一更高层消息集合被用于配置第一资源集合和第一候选资源集合；根据所述第一资源集合评估第一无线链路质量；
    所述第一节点的物理层向其更高层指示所述第一候选资源集合中的第一候选资源；
    其中，所述第一候选资源集合包括多个候选资源，所述第一候选资源是所述多个候选资源中之一；评估的所述第一无线链路质量差于第二参考阈值；所述第一候选资源的信道质量等于或大于第一参考阈值；所述第一参考阈值是第一阈值或第二阈值中之一，所述第一参考阈值依赖所述第一候选资源的所述信道质量是否基于AI得到；当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一参考阈值是所述第一阈值；当所述第一候选资源的所述信道质量是基于AI得到时，所述第一参考阈值是所述第二阈值。
  2. 根据权利要求1所述的第一节点中的方法，其特征在于，所述第一候选资源的所述信道质量不是基于AI得到包括：所述第一候选资源是RS资源，所述第一候选资源的所述信道质量是通过测量所述第一候选资源得到的RSRP。
  3. 根据权利要求1或2所述的第一节点中的方法，其特征在于，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一候选资源的所述信道质量是通过预测或者推论得到的。
  4. 根据权利要求1至3中任一权利要求所述的第一节点中的方法，其特征在于，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一节点执行第一操作，所述第一操作是基于训练的或者基于AI的，所述第一候选资源的所述信道质量依赖所述第一操作的输出。
  5. 根据权利要求4所述的第一节点中的方法，其特征在于，所述第一操作被关联到所述第一类标识。
  6. 根据权利要求1至5中任一权利要求所述的第一节点中的方法，其特征在于，所述第一候选资源的所述信道质量是否是RSRP依赖所述第一候选资源的所述信道质量是否基于AI得到；仅当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一候选资源的所述信道质量是RSRP。
  7. 根据权利要求1至6中任一权利要求所述的第一节点中的方法，其特征在于，包括：
    所述第一节点的物理层还向其更高层指示所述第一候选资源的所述信道质量。
  8. 根据权利要求1至7中任一权利要求所述的第一节点中的方法，其特征在于，包括：
    所述第一节点的物理层还向其更高层指示第一信息；
    其中，所述第一信息被用于指示所述第一候选资源的所述信道质量是否基于AI得到，或者，所述第一信息被用于指示所述第一候选资源的所述信道质量是否是通过测量所述第一候选资源得到的RSRP。
  9. 根据权利要求1至8中任一权利要求所述的第一节点中的方法，其特征在于，包括：
    所述第一节点的物理层向其更高层发送波束失败事件指示；
    当目标计数器的值等于或大于目标阈值时，触发波束失败恢复；所述目标计数器被用于所述波束失败事件指示的计数。
  10. 一种终端，其特征在于，所述终端包括：一个或多个处理器和存储器；
    所述存储器与所述一个或多个处理器耦合，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，所述一个或多个处理器调用所述计算机指令以使得所述终端执行如权利要求1至9中任一权利要求所述的方法。
  11. 一种被用于无线通信的第二节点中的方法，其特征在于，包括：
    发送第一更高层消息集合，所述第一更高层消息集合被用于配置第一资源集合和第一候选资源集合；
    其中，所述第一更高层消息集合的目标接收者根据所述第一资源集合评估第一无线链路质量；所述第一更高层消息集合的所述目标接收者的物理层向其更高层指示所述第一候选资源集合中的第一候选资源；
    所述第一候选资源集合包括多个候选资源，所述第一候选资源是所述多个候选资源中之一；评估的所述第一无线链路质量差于第二参考阈值；所述第一候选资源的信道质量等于或大于第一参考阈值；所述第一参考阈值是第一阈值或第二阈值中之一，所述第一参考阈值依赖所述第一候选资源的所述信道质量是否基于AI得到；当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一参考阈值是所述第一阈值；当所述第一候选资源的所述信道质量是基于AI得到时，所述第一参考阈值是所述第二阈值。
  12. 根据权利要求11所述的第二节点中的方法，其特征在于，所述第一候选资源的所述信道质量不是基于AI得到包括：所述第一候选资源是RS资源，所述第一候选资源的所述信道质量是通过测量所述第一候选资源得到的RSRP。
  13. 根据权利要求11或12所述的第二节点中的方法，其特征在于，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一候选资源的所述信道质量是通过预测或者推论得到的。
  14. 根据权利要求11至13中任一权利要求所述的第二节点中的方法，其特征在于，所述第一候选资源的所述信道质量是基于AI得到包括：所述第一更高层消息集合的所述目标接收者执行第一操作，所述第一操作是基于训练的或者基于AI的，所述第一候选资源的所述信道质量依赖所述第一操作的输出。
  15. 根据权利要求14所述的第二节点中的方法，其特征在于，所述第一操作被关联到所述第一类标识。
  16. 根据权利要求11至15中任一权利要求所述的第二节点中的方法，其特征在于，所述第一候选资源的所述信道质量是否是RSRP依赖所述第一候选资源的所述信道质量是否基于AI得到；仅当所述第一候选资源的所述信道质量不是基于AI得到时，所述第一候选资源的所述信道质量是RSRP。
  17. 根据权利要求11至16中任一权利要求所述的第二节点中的方法，其特征在于，包括：
    所述第一更高层消息集合的所述目标接收者的物理层还向其更高层指示所述第一候选资源的所述信道质量。
  18. 根据权利要求11至17中任一权利要求所述的第二节点中的方法，其特征在于，包括：
    所述第一更高层消息集合的所述目标接收者的物理层还向其更高层指示第一信息；
    其中，所述第一信息被用于指示所述第一候选资源的所述信道质量是否基于AI得到，或者，所述第一信息被用于指示所述第一候选资源的所述信道质量是否是通过测量所述第一候选资源得到的RSRP。
  19. 根据权利要求11至18中任一权利要求所述的第二节点中的方法，其特征在于，包括：
    所述第一更高层消息集合的所述目标接收者的物理层向其更高层发送波束失败事件指示；
    当目标计数器的值等于或大于目标阈值时，触发波束失败恢复；所述目标计数器被用于所述波束失败事件指示的计数。
  20. 一种基站，其特征在于，所述基站包括：一个或多个处理器和存储器；
    所述存储器与所述一个或多个处理器耦合，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，所述一个或多个处理器调用所述计算机指令以使得所述基站执行如权利要求11至19中任一权利要求所述的方法。
PCT/CN2025/095527 2024-07-11 2025-05-16 一种被用于无线通信的节点中的方法和装置 Pending WO2026011963A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202410931304.3A CN120224461A (zh) 2024-07-11 2024-07-11 一种被用于无线通信的节点中的方法和装置
CN202410931304.3 2024-07-11

Publications (1)

Publication Number Publication Date
WO2026011963A1 true WO2026011963A1 (zh) 2026-01-15

Family

ID=96103251

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2025/095527 Pending WO2026011963A1 (zh) 2024-07-11 2025-05-16 一种被用于无线通信的节点中的方法和装置

Country Status (2)

Country Link
CN (1) CN120224461A (zh)
WO (1) WO2026011963A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111757376A (zh) * 2019-03-29 2020-10-09 华为技术有限公司 无线链路质量或波束质量评估方法及装置
US20220360314A1 (en) * 2021-05-10 2022-11-10 Samsung Electronics Co., Ltd. Method and apparatus for recovering beam failure in a wireless communications system
WO2023040921A1 (zh) * 2021-09-18 2023-03-23 上海朗帛通信技术有限公司 一种被用于无线通信的节点中的方法和装置
CN117596622A (zh) * 2022-08-10 2024-02-23 北京三星通信技术研究有限公司 无线通信系统中的用户设备、基站及其执行的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111757376A (zh) * 2019-03-29 2020-10-09 华为技术有限公司 无线链路质量或波束质量评估方法及装置
US20220360314A1 (en) * 2021-05-10 2022-11-10 Samsung Electronics Co., Ltd. Method and apparatus for recovering beam failure in a wireless communications system
WO2023040921A1 (zh) * 2021-09-18 2023-03-23 上海朗帛通信技术有限公司 一种被用于无线通信的节点中的方法和装置
CN117596622A (zh) * 2022-08-10 2024-02-23 北京三星通信技术研究有限公司 无线通信系统中的用户设备、基站及其执行的方法

Also Published As

Publication number Publication date
CN120224461A (zh) 2025-06-27

Similar Documents

Publication Publication Date Title
WO2023109536A1 (zh) 一种被用于无线通信的节点中的方法和装置
WO2025251884A1 (zh) 一种被用于无线通信的节点中的csi上报的方法和装置
WO2025241898A1 (zh) 一种被用于无线通信的节点中的方法和装置
WO2025251889A1 (zh) 被用于无线通信的节点中的csi上报的方法和装置
WO2025251871A1 (zh) 被用于无线通信的方法和装置
WO2025241883A1 (zh) 一种被用于无线通信的节点中的方法和装置
CN116458235A (zh) 一种被用于无线通信的节点中的方法和装置
WO2026086306A1 (zh) 一种被用于无线通信的节点中监测控制信道的方法和装置
WO2026091744A1 (zh) 一种被用于无线通信与人工智能的节点中的方法和装置
WO2026086358A1 (zh) 一种被用于无线通信与人工智能的节点中的方法和装置
WO2026086356A1 (zh) 一种用于无线通信的节点中的信道信息生成的方法和装置
WO2026081593A1 (zh) 一种用于无线通信的节点中的信道信息生成的方法和装置
WO2026056566A1 (zh) 一种被用于无线通信的通信节点中的方法和装置
WO2026081594A1 (zh) 一种被用于无线通信的节点中的方法和装置
WO2025241900A1 (zh) 一种被用于无线通信的节点中的方法和装置
WO2025261023A1 (zh) 一种被用于无线通信的节点中的csi上报的方法和装置
WO2025251857A1 (zh) 一种被用于无线通信的节点中的方法和装置
WO2025241966A1 (zh) 一种被用于无线通信的节点中的信道信息上报方法和装置
WO2025246897A1 (zh) 一种被用于无线通信的节点中的方法和装置
WO2025256348A1 (zh) 一种被用于无线通信的节点中的方法和装置
WO2026007532A1 (zh) 一种被用于无线通信的节点中的方法和装置
WO2026011928A1 (zh) 一种被用于无线通信的节点中的方法和装置
WO2026098345A1 (zh) 一种被用于无线通信的节点中的方法和装置
WO2026103642A1 (zh) 一种用于无线通信的节点中的信息上报的方法和装置
WO2025247005A1 (zh) 一种被用于无线通信的节点中的信息上报方法和装置

Legal Events

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

Ref document number: 25835866

Country of ref document: EP

Kind code of ref document: A1