用户设备、基站和基于机器学习/人工智能的无线通信方法与流程

本申请涉及涉及无线通信系统领域，更具体地，涉及一种用户设备(userequipment,ue)、基站和基于机器学习/人工智能的无线通信方法。例如，用于更新/改变/切换新无线(new radio,nr)空中接口的一个或多个机器学习模型的一种或多种机制。

背景技术：

1、新空口(new radio,nr)的预编码和调度都是基于反馈信息的。多用户多输入多输出(multi-user multiple-input multiple-output,mu-mimo)需要大量的信道状态信息(channel state information,csi)反馈来提高性能。此外，随着天线尺寸的不断增大，mu-mimo的天线端口数目前已经增长到32个。版本(release)15引入了码本类型ii，与码本类型i相比，它的精度更高。这为反馈带来了更多的数据量。总之，mu-mimo中的csi反馈是一个相当大的开销。

2、因此，需要一种用户设备(user equipment,ue)、基站和基于机器学习/人工智能的无线通信方法，其能够解决现有技术中的问题，提供一个或多个机器学习模型/自动编码器模型的更新，提供在ue操作期间切换一个或多个机器学习模型/自动编码器模型，降低系统开销，提供良好的通信性能，和/或提供高可靠性。

技术实现思路

1、本申请的目的是提出一种用户设备(user equipment,ue)、基站和基于机器学习/人工智能的无线通信方法，其能够解决现有技术中的问题，提供一个或多个机器学习模型/自动编码器模型的更新，提供在ue操作期间切换一个或多个机器学习模型/自动编码器模型，降低系统开销，提供良好的通信性能，和/或提供高可靠性。

2、在本申请的第一方面，一种基于机器学习/人工智能的无线通信方法，由ue执行，包括通过基于机器学习的一个或多个表格、列表或机器学习组来维护一个或多个机器学习模型以及执行机器学习模型更新或机器学习模型切换，其中，所述机器学习模型更新或机器学习模型切换包括用第二机器学习模型替换第一机器学习模型，并且所述机器学习模型更新基于一个或多个机器学习模型性能条件或来自第一基站的显式或隐式指示，或来自ue请求。

3、在本申请的第二方面，一种基于机器学习/人工智能的无线通信方法，由第一基站执行，包括通过基于机器学习的一个或多个表格、列表或机器学习组来维护或管理一个或多个机器学习模型以及控制用户设备(user equipment,ue)执行机器学习模型更新或机器学习模型切换，其中，所述机器学习模型更新或机器学习模型切换包括用第二机器学习模型替换第一机器学习模型，并且所述机器学习模型更新基于一个或多个机器学习模型性能条件或来自第一基站的显式或隐式指示，或来自ue请求。

4、在本申请的第三方面，用户设备(user equipment,ue)包括存储器、收发器以及耦合到存储器和收发器的处理器。处理器被配置为通过基于机器学习的一个或多个表格、列表或机器学习组来维护一个或多个机器学习模型，以及处理器被配置为执行机器学习模型更新或机器学习模型切换，其中，所述机器学习模型更新或机器学习模型切换包括用第二机器学习模型替换第一机器学习模型，并且所述机器学习模型更新基于一个或多个机器学习模型性能条件或来自第一基站的显式或隐式指示，或来自ue请求。

5、在本申请的第四方面，第一基站包括存储器、收发器以及耦合到存储器和收发器的处理器。处理器被配置为通过基于机器学习的一个或多个表格、列表或机器学习组来维护或管理一个或多个机器学习模型，以及处理器被配置为控制用户设备(user equipment,ue)执行机器学习模型更新或机器学习模型切换，其中，所述机器学习模型更新或机器学习模型切换包括用第二机器学习模型替换第一机器学习模型，并且所述机器学习模型更新基于一个或多个机器学习模型性能条件或来自第一基站的显式或隐式指示，或来自ue请求。

6、在本发明的第五方面，一种其上存储有指令的非暂态机器可读存储介质，当所述指令被计算机执行时，使得所述计算机执行上述方法。

7、本申请的第六方面，提供了一种芯片，包括处理器，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上述方法。

8、本申请的第七方面，提供了一种计算机可读存储介质，存储有计算机程序，其中所述计算机程序使计算机执行上述方法。

9、本申请的第八方面，提供了一种计算机程序产品，包括计算机程序，其中所述计算机程序使计算机执行上述方法。

10、本申请的第九方面，提供了一种计算机程序，所述计算机程序使计算机执行上述方法。

技术特征：

1.一种基于机器学习/人工智能的无线通信方法，由用户设备ue执行，其特征在于，包括：

2.根据权利要求1所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，所述机器学习模型是分组维护的。

3.根据权利要求2所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，所述机器学习模型基于以下因素之一或任意组合进行分组：信道模型、信道参数、信噪比snr范围、模型复杂度、ue能力、调制阶数、等级、带宽部分bwp大小、延迟扩展、多普勒频移、天线端口和/或天线几何形状。

4.根据权利要求2或3所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，所述机器学习模型的分组通过下行控制信息dci、介质访问控制mac控制元素ce、无线资源控制rrc信令、位图或多级位图向所述ue指示。

5.根据权利要求1至4任一项所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，基于机器学习模型的所述表格或所述列表中的所述机器学习模型基于所述机器学习模型的使用频率、所述机器学习模型的性能和/或所述ue请求进行更新。

6.根据权利要求1至5任一项所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，所述一个或多个机器学习模型性能条件包括：

7.根据权利要求1至6任一项所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，来自所述第一基站的所述指示包括mac-ce、rrc信令或dci字段，用于指示所述第二机器学习模型的标识符id/名称，和/或一个或多个级别或位图，以检索一组中的一个或多个第二机器学习模型。

8.根据权利要求1至7任一项所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，用所述第二机器学习模型替换所述第一机器学习模型包括用新的机器学习模型替换当前的机器学习模型、用备用机器学习模型替换所述当前的机器学习模型、退回到包括常规码本类型i或常规码本类型ii的常规处理方法、或者切换到从机器学习中获得的相对通用模型。

9.根据权利要求1至8任一项所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，所述机器学习模型更新包括在同一组中用所述第二机器学习模型替换所述第一机器学习模型，所述机器学习模型切换包括在不同组中用所述第二机器学习模型替换所述第一机器学习模型。

10.根据权利要求1至9任一项所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，所述机器学习模型切换包括以下至少之一：

11.根据权利要求10所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，如果发起所述rrc重配置，且所述ue未预先下载新码本，则由所述第一基站发起下载过程。

12.根据权利要求11所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，所述ue的机器学习模型通过数据通道从所述第一基站下载，或者，从第三节点下载所述机器学习模型。

13.根据权利要求1至12任一项所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，当所述ue从所述第一基站切换到第二基站时，如果所述ue考虑到所述ue周围的环境发生了变化，则所述ue向所述第二基站请求改变所述机器学习模型，所述请求在uci中。

14.根据权利要求1至12任一项所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，当所述ue从所述第一基站切换到第二基站时，如果所述第一基站或所述第二基站认为所述ue周围的环境发生变化，则所述第一基站和所述第二基站能够判断所述第一基站和所述第二基站采集的数据不属于同一训练数据集，所述第二基站通过dci、mac-ce或rrc信令通知所述ue预先设置所述新的机器学习模型。

15.根据权利要求1至12任一项所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，当所述ue从所述第一基站切换到所述第二基站时，如果所述第一基站或所述第二基站认为所述ue周围的环境发生变化，则所述第一基站和所述第二基站能够判断所述第一基站和所述第二基站采集的数据不属于同一训练数据集，所述第二基站通过dci、mac-ce或rrc信令通知所述第一基站通知所述ue预先设置所述新的机器学习模型。

16.根据权利要求1至15任一项所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，所述机器学习模型切换包括从指示切换到新的码本/机器学习模型开始，到所述新的码本/机器学习模型开始起作用为止的时间窗口，所述时间窗为切换时间。

17.根据权利要求16所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，所述时间窗的大小和所述ue能力相关。

18.根据权利要求16或17所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，如果所述切换时间的开始时间是从接收到指示所述机器学习模型切换的物理下行控制信道pdcch开始计算的，并且如果csi报告落在所述切换时间内，则所述csi报告由所述当前的机器学习模型处理，所述当前的机器学习模型在接收所述pdcch之前正在使用。

19.根据权利要求16或17所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，如果所述切换时间的开始时间从接收到指示所述机器学习模型切换的所述pdcch开始计算，且报告的报告时间大于所述切换时间，则使用所述新的机器学习模型获得报告。

20.根据权利要求16至19任一项所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，所述切换时间由所述第一基站配置给所述ue，或者，所述切换时间的一部分由所述第一基站配置给所述ue。

21.根据权利要求16至19任一项所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，所述切换时间由所述ue作为ue能力上报，或者，所述切换时间的一部分由所述ue作为所述ue能力上报。

22.根据权利要求16至21任一项所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，所述切换时间包括dci/mac-ce处理时间加上当前的机器学习模型的输入的数据处理时间，或者，所述切换时间为所述ue上报的值或者所述第一基站配置的值。

23.根据权利要求16至22任一项所述的基于机器学习/人工智能的无线通信方法，由所述ue执行，其特征在于，旧的/传统的机器学习模型继续生效直至所述切换时间结束，或者，所述旧的/传统的机器学习模型回退到常规码本类型i或常规码本类型ii，并且所述常规码本类型i或所述常规码本类型ii继续生效直至所述切换时间结束。

24.一种基于机器学习/人工智能的无线通信方法，由基站执行，其特征在于，包括：

25.根据权利要求24所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，所述机器学习模型是分组维护的。

26.根据权利要求25所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，所述机器学习模型基于以下因素之一或任意组合进行分组：信道模型、信道参数、信噪比snr范围、模型复杂度、ue能力、调制阶数、等级、带宽部分bwp大小、延迟扩展、多普勒频移、天线端口和/或天线几何形状。

27.根据权利要求25或26所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，所述机器学习模型的分组通过下行控制信息dci、介质访问控制mac控制元素ce、无线资源控制rrc信令、位图或多级位图向所述ue指示。

28.根据权利要求24至27任一项所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，基于机器学习模型的所述表格或所述列表中的所述机器学习模型基于所述机器学习模型的使用频率、所述机器学习模型的性能和/或所述ue请求进行更新。

29.根据权利要求24至28任一项所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，所述一个或多个机器学习模型性能条件包括：

30.根据权利要求24至29任一项所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，来自所述第一基站的所述指示包括mac-ce、rrc信令或dci字段，用于指示所述第二机器学习模型的标识符id/名称，和/或一个或多个级别或位图，以检索一组中的一个或多个第二机器学习模型。

31.根据权利要求24至30任一项所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，用所述第二机器学习模型替换所述第一机器学习模型包括用新的机器学习模型替换当前的机器学习模型、用备用机器学习模型替换所述当前的机器学习模型、退回到包括常规码本类型i或常规码本类型ii的常规处理方法、或者切换到从机器学习中获得的相对通用模型。

32.根据权利要求24至31任一项所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，所述机器学习模型更新包括在同一组中用所述第二机器学习模型替换所述第一机器学习模型，所述机器学习模型切换包括在不同组中用所述第二机器学习模型替换所述第一机器学习模型。

33.根据权利要求24至32任一项所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，所述机器学习模型切换包括以下至少之一：

34.根据权利要求33所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，如果发起所述rrc重配置，且所述ue未预先下载新码本，则由所述第一基站发起下载过程。

35.根据权利要求34所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，所述ue的机器学习模型通过数据通道从所述第一基站下载，或者，从第三节点下载所述机器学习模型。

36.根据权利要求24至35任一项所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，当所述ue从所述第一基站切换到第二基站时，如果所述ue考虑到所述ue周围的环境发生了变化，则所述ue向所述第二基站请求改变所述机器学习模型，所述请求在uci中。

37.根据权利要求24至35任一项所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，当所述ue从所述第一基站切换到第二基站时，如果所述第一基站或所述第二基站认为所述ue周围的环境发生变化，则所述第一基站和所述第二基站能够判断所述第一基站和所述第二基站采集的数据不属于同一训练数据集，所述第二基站通过dci、mac-ce或rrc信令通知所述ue预先设置所述新的机器学习模型。

38.根据权利要求24至35任一项所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，当所述ue从所述第一基站切换到所述第二基站时，如果所述第一基站或所述第二基站认为所述ue周围的环境发生变化，则所述第一基站和所述第二基站能够判断所述第一基站和所述第二基站采集的数据不属于同一训练数据集，所述第二基站通过dci、mac-ce或rrc信令通知所述第一基站通知所述ue预先设置所述新的机器学习模型。

39.根据权利要求24至38任一项所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，所述机器学习模型切换包括从指示切换到新的码本/机器学习模型开始，到所述新的码本/机器学习模型开始起作用为止的时间窗口，所述时间窗为切换时间。

40.根据权利要求39所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，所述时间窗的大小和所述ue能力相关。

41.根据权利要求39或40所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，如果所述切换时间的开始时间是从接收到指示所述机器学习模型切换的物理下行控制信道pdcch开始计算的，并且如果csi报告落在所述切换时间内，则所述csi报告由所述当前的机器学习模型处理，所述当前的机器学习模型在接收所述pdcch之前正在使用。

42.根据权利要求39或40所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，如果所述切换时间的开始时间从接收到指示所述机器学习模型切换的所述pdcch开始计算，且报告的报告时间大于所述切换时间，则使用所述新的机器学习模型获得报告。

43.根据权利要求39至42任一项所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，所述切换时间由所述第一基站配置给所述ue，或者，所述切换时间的一部分由所述第一基站配置给所述ue。

44.根据权利要求30至32任一项所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，所述切换时间由所述ue作为ue能力上报，或者，所述切换时间的一部分由所述ue作为所述ue能力上报。

45.根据权利要求39至44任一项所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，所述切换时间包括dci/mac-ce处理时间加上当前的机器学习模型的输入的数据处理时间，或者，所述切换时间为所述ue上报的值或者所述第一基站配置的值。

46.根据权利要求39至45任一项所述的基于机器学习/人工智能的无线通信方法，由所述第一基站执行，其特征在于，旧的/传统的机器学习模型继续生效直至所述切换时间结束，或者，所述旧的/传统的机器学习模型回退到常规码本类型i或常规码本类型ii，并且所述常规码本类型i或所述常规码本类型ii继续生效直至所述切换时间结束。

47.一种用户设备ue，其特征在于，包括：

48.一种基站，其特征在于，包括：

49.一种其上存储有指令的非暂态机器可读存储介质，其特征在于，当所述指令被计算机执行时，使得所述计算机执行权利要求1至46中任一项所述的方法。

50.一种芯片，其特征在于，包括：

51.一种计算机可读存储介质，其特征在于，存储有计算机程序，其中所述计算机程序使计算机执行如权利要求1至46中任一项所述的方法。

52.一种计算机程序产品，其特征在于，包括计算机程序，其中所述计算机程序使计算机执行如权利要求1至46中任一项所述的方法。

53.一种计算机程序，其特征在于，所述计算机程序使计算机执行如权利要求1至46中任一项所述的方法。

技术总结本申请公开了一种用户设备(user equipment,UE)、基站和基于机器学习/人工智能的无线通信方法。基于机器学习/人工智能的无线通信方法，由UE执行，包括通过基于机器学习的一个或多个表格、列表或机器学习组来维护一个或多个机器学习模型以及执行机器学习模型更新或机器学习模型切换，其中，所述机器学习模型更新或机器学习模型切换包括用第二机器学习模型替换第一机器学习模型，并且所述机器学习模型更新基于一个或多个机器学习模型性能条件或来自第一基站的显式或隐式指示，或来自UE请求。技术研发人员：谷俊嵘,生嘉受保护的技术使用者：深圳TCL新技术有限公司技术研发日：技术公布日：2024/8/1