AI/ML波束管理方法与流程
本技术实施例涉及通信系统领域,并且更具体地,涉及一种ai/ml波束管理方法。
背景技术:
1、在无线通信中的准共址(quasi co-location, qcl)的上下文中,集合a波束和集合b波束是指与从两个天线端口传送的参考信号相对应的两个不同波束集合。如果所述两个天线端口被认为是准共址的,则集合a波束和集合b波束被认为是相同的。
2、准共址意味着,尽管天线端口在空间上并非完全共址,但它们在信道属性(例如,到达角/离开角、时延扩展、多普勒频移)和/或空间参数(发送(tx)和/或接收(rx)波束)方面足够接近,使得可以假定它们经历相似的信道传播条件,或者可以通过使用相同的波束而类似地受益。
3、技术问题
4、3gpp相关工作项目描述(working item description, wid)中提及的集合a波束和集合b波束由物理层参考信号(physical layer reference signals, phy-layer rs)支持。为了实现高效的波束预测(beam prediction, bp),期望定义从集合a和集合b到物理层rs集合的映射规则。用于波束预测的rs对可以选自同步信号块(synchronization signalblock, ssb)、信道状态信息参考信号(channel state information reference signal,csi-rs)、跟踪参考信号(tracking reference signal, trs)、定位参考信号(positioningreference signal, prs)以及探测参考信号(sounding reference signal, srs)。
5、关键挑战在于如何配置和指示rs集合的各集合之间的推断关系,从而构建允许人工智能(artificial intelligence, ai)/机器学习(machine learning, ml)模型高效地进行波束预测的信令框架。这可以通过对当前的传输配置指示(transmissionconfiguration indication, tci)框架进行演进来实现,当前的tci框架缺乏表示不同rs集合之间所需映射关系的能力。
6、ai/ml波束搜索中的一个关键挑战是如何高效地传送波束报告中的信息,以辅助网络的决策过程。因此,设计具有最小开销的报告机制至关重要。
7、不同于定位参考信号(prs)仅能够与ssb和先前的prs准共址(qcl)的传统协议,ai/ml波束成形允许利用csi-rs测量来预测prs的波束,反之亦然。这需要在传统框架的基础上对配置和过程进行明确定义的演进。
技术实现思路
1、本技术的目的在于提出一种ai/ml波束管理方法。
2、在第一方面,本发明的一个实施例提供一种由用户设备(user equipment, ue)执行的人工智能(artificial intelligence, ai)/机器学习(machine learning, ml)赋能的管理方法,包括:
3、接收用于ai/ml辅助波束管理的配置,其中,所述配置包括包含ai专用传输配置指示符(transmission configuration indicator, tci)状态的扩展tci状态池中的至少一个tci状态,所述ai专用tci状态与用于ai/ml辅助波束管理的至少一个准共址(quasi-co-location, qcl)信息实例相关联,并且所述qcl信息包括用于ai/ml辅助波束管理的qcl类型;以及
4、基于所述配置执行ai/ml辅助波束管理。
5、在第二方面,本发明的一个实施例提供一种由ue执行的人工智能(ai)/机器学习(ml)赋能的管理方法,包括:
6、接收以下至少一项:
7、人工智能(ai)/机器学习(ml)模型类型的指示;
8、用于选择报告量的位图;或者
9、针对数据收集所报告的内容类型的指示;以及
10、发送报告,所述报告传送所述内容类型的数据集,所述数据集用作所述ai/ml模型类型的网络侧ai/ml模型的输入,或者被提供作为所述ai/ml模型类型的ue侧ai/ml模型的输出。
11、在第三方面,本发明的一个实施例提供一种由基站执行的人工智能(ai)/机器学习(ml)赋能的管理方法,包括:
12、发送用于ai/ml辅助波束管理的配置,其中,所述配置包括包含ai专用传输配置指示符(tci)状态的扩展tci状态池中的至少一个tci状态,所述ai专用tci状态与用于ai/ml辅助波束管理的至少一个准共址(qcl)信息实例相关联,并且所述qcl信息包括用于ai/ml辅助波束管理的qcl类型;以及
13、接收基于所述qcl配置的ai/ml辅助波束管理的输出。
14、在第四方面,本发明的一个实施例提供一种由基站执行的人工智能(ai)/机器学习(ml)赋能的管理方法,包括:
15、发送以下至少一项:
16、人工智能(ai)/机器学习(ml)模型类型的指示;
17、用于选择报告量的位图;或者
18、针对数据收集所报告的内容类型的指示;以及
19、接收报告,所述报告传送所述内容类型的数据集,所述数据集用作所述ai/ml模型类型的网络侧ai/ml模型的输入,或者被提供作为所述ai/ml模型类型的ue侧ai/ml模型的输出。
20、本发明的一个实施例提供一种用户设备(ue),所述用户设备包括处理器,所述处理器被配置为调用并运行存储在存储器中的计算机程序,以使安装有所述芯片的设备执行所公开的方法以及所公开的方法的实施例的任意组合。
21、本发明的一个实施例提供一种基站,所述基站包括处理器,所述处理器被配置为调用并运行存储在存储器中的计算机程序,以使安装有所述处理器的设备执行所公开的方法。
22、所公开的方法可以被编程为存储在非暂时性计算机可读介质中的计算机可执行指令。当所述非暂时性计算机可读介质被加载到计算机中时,所述非暂时性计算机可读介质指示所述计算机的处理器执行所公开的方法。
23、所述非暂时性计算机可读介质可以包括由以下各项组成的组中的至少一项:硬盘、cd-rom、光学存储设备、磁性存储设备、只读存储器、可编程只读存储器、可擦除可编程只读存储器(eprom)、电可擦除可编程只读存储器以及闪存。
24、所公开的方法可以被编程为计算机程序产品,所述计算机程序产品使计算机执行所公开的方法。
25、所公开的方法可以被编程为计算机程序,所述计算机程序使计算机执行所公开的方法。
26、有益效果
27、本技术的实施例可以提供以下有益效果:
28、本技术的实施例定义了准共址(qcl)的扩展概念,以简化预测对的指示,即,将集合a参考波束与集合b数据波束相关联或进行映射。基于该扩展qcl概念,提出了对传输配置指示(tci)状态框架的增强。该增强有助于参考信号(reference signal, rs)的配置、测量和报告,同时使对现有规范的影响最小化。
29、具体而言,所述扩展qcl允许网络使用现有tci状态机制来用信令指示集合a参考波束(例如,ssb、csi-rs)与集合b数据波束(例如,prs)之间的映射。该映射通过利用所述参考波束的信道属性来预测相关联的数据波束的质量,从而实现高效的波束预测。
30、所提出的解决方案将基于人工智能(ai)/机器学习(ml)的波束预测技术无缝地结合到当前协议结构中。这通过利用所述扩展qcl映射和增强的tci状态框架来实现,从而提供与传统系统的良好向后兼容性。
31、通过复用并演进现有tci状态框架,在引入支持高级波束预测能力所需增强的同时,限制了对规范的影响。这使得ai/ml解决方案能够平滑地集成到无线网络中,从而实现更高效的波束管理并改善整体系统性能。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com