CN121176058A - 在无线通信系统中发送/接收信号的方法和设备 - Google Patents

Abstract

根据本说明书中公开的至少一个实施方式，无线通信系统中由终端执行的方法可包括以下步骤：配置与用于定位的多个发送和接收点（TRP）有关的至少一个人工智能/机器学习（AI/ML）模型；基于多个TRP中的TRP子集来获取输入数据子集；基于输入数据子集来获取从至少一个AI/ML模型输出的定位信息；以及基于定位信息向网络发送定位相关报告，其中，定位相关报告可包括关于TRP子集或输入数据子集中的至少一个的信息。

Description

在无线通信系统中发送/接收信号的方法和设备

技术领域

本公开涉及无线通信系统，更具体地，涉及一种在无线通信系统中发送/接收上行链路/下行链路无线信号的方法和设备。

背景技术

通常，无线通信系统正在向不同地覆盖宽范围发展以提供诸如音频通信服务、数据通信服务等的通信服务。无线通信是一种能够通过共享可用系统资源（例如，带宽、发送功率等）来支持与多个用户的通信的多址系统。例如，多址系统可以是码分多址（CDMA）系统、频分多址（FDMA）系统、时分多址（TDMA）系统、正交频分多址（OFDMA）系统和单载波频分多址（SC-FDMA）系统中的任一种。

发明内容

技术问题

本公开旨在提供一种高效地执行无线信号发送和接收处理的方法及其设备。

其它目的可从以下实施方式推断出。

技术方案

根据一方面，一种在无线通信系统中由用户设备（UE）执行的方法可包括以下步骤：配置与用于定位的多个发送和接收点（TRP）有关的至少一个人工智能/机器学习（AI/ML）模型；基于来自所述多个TRP的TRP子集获得输入数据子集；基于输入数据子集获得从所述至少一个AI/ML模型输出的定位信息；以及基于定位信息向网络发送定位相关报告。定位相关报告可包括关于TRP子集或输入数据子集中的至少一个的信息。

UE可从网络接收TRP子集配置。

TRP子集配置可包括TRP的数量或TRP标识信息中的至少一个。

基于TRP子集所包括的TRP的数量不同于TRP子集配置中所包括的TRP的数量，定位相关报告可包括TRP子集中所包括的TRP的数量或TRP标识信息中的至少一个。

UE可基于从网络接收的TRP子集标识信息来从多个TRP子集当中选择TRP子集。

TRP子集可基于关于各个TRP的视线/非视线（LoS/NLos）信息、针对各个TRP的信号测量、UE所在的区域或UE可检测的TRP的数量中的至少一个来确定。

UE可基于从至少一个AI/ML模型输出的定位信息来确定至少一个AI/ML模型的性能。

基于所确定的至少一个AI/ML模型的性能小于或等于阈值，UE可向网络发送针对TRP子集的重新配置请求的消息。

基于针对TRP子集的重新配置请求包括TRP子集中所包括的TRP的总数的改变，所述消息还可包括针对至少一个AI/ML模型的切换或更新的请求。

基于在TRP子集的重新配置之前和之后至少一个AI/ML模型的输出分布之间的相似度等于或大于特定级别，可维持至少一个AI/ML模型。

根据另一方面，可提供一种计算机可读记录介质，其上记录有用于执行上述方法的程序。

根据另一方面，一种用于无线通信的设备可包括：存储器，其存储指令；以及处理器，其通过执行指令来执行操作。处理器的操作可包括：配置与用于定位的多个TRP有关的至少一个AI/ML模型；基于来自所述多个TRP的TRP子集获得输入数据子集；基于输入数据子集获得从所述至少一个AI/ML模型输出的定位信息；以及基于定位信息向网络发送定位相关报告。定位相关报告可包括关于TRP子集或输入数据子集中的至少一个的信息。

该设备还可包括在处理器的控制下发送或接收无线信号的收发器。

该设备可以是在无线通信系统中操作的UE。

该设备可以是被配置为控制在无线通信系统中操作的UE的处理装置。

根据另一方面，一种在无线通信系统中由网络节点执行的方法可包括以下步骤：向UE发送针对与用于定位的多个TRP有关的至少一个AI/ML模型的配置；向UE发送针对多个TRP的TRP子集配置；以及从UE接收包括定位信息的定位相关报告。定位相关报告可包括关于提供给至少一个AI/ML模型以输出定位信息的输入数据子集或与输入数据子集有关的TRP子集中的至少一个的信息。

根据另一方面，一种无线通信系统中的网络节点可包括：存储器，其存储指令；以及处理器，其通过执行指令来执行操作。处理器的操作可包括：向UE发送针对与用于定位的多个TRP有关的至少一个AI/ML模型的配置；向UE发送针对多个TRP的TRP子集配置；以及从UE接收包括定位信息的定位相关报告。定位相关报告可包括关于提供给至少一个AI/ML模型以输出定位信息的输入数据子集或与输入数据子集有关的TRP子集中的至少一个的信息。

网络节点可以是具有位置管理功能（LMF）的基站（BS）或节点。

有益效果

根据本公开，可在无线通信系统中高效地执行无线信号发送和接收。

其它效果可从本公开推断出。

附图说明

图1示出作为示例性无线通信系统的第3代合作伙伴计划（3GPP）系统中使用的物理信道和使用其的一般信号发送方法。

图2示出无线电帧结构。

图3示出时隙的资源网格。

图4示出时隙中的物理信道的示例性映射。

图5示出示例性物理下行链路共享信道（PDSCH）和ACK/NACK发送和接收处理。

图6示出示例性物理上行链路共享信道（PUSCH）传输处理。

图7示出信道状态信息（CSI）相关过程的示例。

图8是用于说明人工智能/机器学习（AI/ML）/深度学习的概念的示图。

图9至图12示出深度学习的各种AI/ML模型。

图13是示出拆分AI推理的图。

图14是示出3GPP无线电接入网络（RAN）智能的框架的图。

图15至图17示出AI模型训练和推理环境。

图18是示出根据实施方式的考虑数据分布失真的AI/ML模型的管理的图。

图19是示出根据实施方式的考虑数据分布失真和输出性能劣化的AI/ML模型的管理的图。

图20是示出根据实施方式的考虑UE移动性的AI/ML模型的管理的图。

图21示出用于定位的TRP索引的示例。

图22是示出根据实施方式的网络和UE的操作的图。

图23是示出根据实施方式的UE的操作的图。

图24是示出根据实施方式的网络节点的操作的图。

图25至图28示出应用于本公开的通信系统1和无线装置的示例。

具体实施方式

本公开的实施方式适用于诸如码分多址（CDMA）、频分多址（FDMA）、时分多址（TDMA）、正交频分多址（OFDMA）和单载波频分多址（SC-FDMA）的各种无线接入技术。CDMA可被实现为诸如通用地面无线电接入（UTRA）或CDMA2000的无线电技术。TDMA可被实现为诸如全球移动通信系统（GSM）/通用分组无线电服务（GPRS）/增强数据速率GSM演进（EDGE）的无线电技术。OFDMA可被实现为诸如电气和电子工程师协会（IEEE）802.11（无线保真（Wi-Fi））、IEEE 802.16（全球微波接入互操作性（WiMAX））、IEEE 802.20和演进UTRA（E-UTRA）的无线电技术。UTRA是通用移动电信系统（UMTS）的一部分。第3代合作伙伴计划（3GPP）长期演进（LTE）是使用E-UTRA的演进UMTS（E-UMTS）的一部分，LTE-Advanced（A）是3GPP LTE的演进版本。3GPP NR（新无线电或新无线电接入技术）是3GPP LTE/LTE-A的演进版本。

随着越来越多的通信装置需要更大的通信容量，需要相对于传统无线电接入技术（RAT）增强的移动宽带通信。另外，能够通过连接多个装置和对象随时随地提供各种服务的大规模机器型通信（MTC）是下一代通信要考虑的另一重要问题。也正在讨论考虑对可靠性和延迟敏感的服务/UE的通信系统设计。因此，正在讨论引入考虑增强移动宽带通信（eMBB）、大规模MTC和超可靠低延迟通信（URLLC）的新无线电接入技术。在本公开中，为了简单，此技术将被称为NR（新无线电或新RAT）。

为了简明起见，主要描述3GPP NR，但是本公开的技术构思不限于此。

在本公开中，术语“设置”可被替换为“配置”，二者可互换使用。此外，条件表达（例如，“如果”、“在…的情况下”或“当”）可由“基于…”或“在…的状态下”代替。另外，可基于满足对应条件来推导/理解用户设备（UE）/基站（BS）的操作或软件/硬件（SW/HW）配置。当在无线通信装置（例如，BS和UE）之间的信号发送/接收中可从发送（或接收）侧的处理推导/理解接收（或发送）侧的处理时，可省略其描述。例如，发送侧的信号确定/生成/编码/发送可被理解为接收侧的信号监测接收/解码/确定。此外，当说到UE执行（或不执行）特定操作时，这也可被解释为BS预期/假设（或不预期/假设）UE执行该特定操作。当说到BS执行（或不执行）特定操作时，这也可被解释为UE预期/假设（或不预期/假设）BS执行该特定操作。在以下描述中，为了描述方便，将区段、实施方式、示例、选项、方法、方案等彼此区分并索引，这并不意味着它们中的每一个必然构成独立发明或者它们中的每一个应该仅单独地实现。除非明确地相互矛盾，否则可推导/理解至少一部分区段、实施方式、示例、选项、方法、方案等可组合实现或者可省略。

在无线通信系统中，用户设备（UE）通过下行链路（DL）从基站（BS）接收信息，并且通过上行链路（UL）向BS发送信息。由BS和UE发送和接收的信息包括数据和各种控制信息，并且根据由UE和BS发送和接收的信息的类型/用途包括各种物理信道。

图1示出在3GPP NR系统中使用的物理信道以及使用其的一般信号发送方法。

当UE从断电状态再次接通电源或者进入新小区时，在步骤S101中，UE执行初始小区搜索过程（例如，与BS建立同步）。为此，UE从BS接收同步信号块（SSB）。SSB包括主同步信号（PSS）、辅同步信号（SSS）和物理广播信道（PBCH）。UE基于PSS/SSS与BS建立同步并获取诸如小区标识（ID）的信息。UE可基于PBCH来获取小区中的广播信息。UE可在初始小区搜索过程中接收DL参考信号（RS）以监测DL信道状态。

在初始小区搜索之后，在步骤S102中UE可通过接收物理下行链路控制信道（PDCCH）并基于PDCCH的信息接收物理下行链路共享信道（PDSCH）来获取更具体的系统信息。

在步骤S103至S106中UE可执行随机接入过程以接入BS。为了随机接入，UE可在物理随机接入信道（PRACH）上向BS发送前导码（S103）并在PDCCH以及与PDCCH对应的PDSCH上接收对前导码的响应消息（S104）。在基于竞争的随机接入的情况下，UE可通过进一步发送PRACH（S105）并接收PDCCH以及与PDCCH对应的PDSCH（S106）来执行竞争解决过程。

在前述过程之后，UE可接收PDCCH/PDSCH（S107）并发送物理上行链路共享信道（PUSCH）/物理上行链路控制信道（PUCCH）（S108），作为一般下行链路/上行链路信号发送过程。从UE发送到BS的控制信息被称为上行链路控制信息（UCI）。UCI包括混合自动重传和请求确认/否定确定（HARQ-ACK/NACK）、调度请求（SR）、信道状态信息（CSI）等。CSI包括信道质量指示符（CQI）、预编码矩阵指示符（PMI）、秩指示符（RI）等。尽管通常在PUCCH上发送UCI，但是当需要同时发送控制信息和业务数据时，UCI可在PUSCH上发送。另外，可根据网络的请求/命令通过PUSCH非周期性地发送UCI。

图2示出无线电帧结构。在NR中，以帧配置上行链路传输和下行链路传输。各个无线电帧具有10ms的长度并且被划分为两个5ms半帧（HF）。各个半帧被划分为五个1ms子帧（SF）。子帧被划分为一个或更多个时隙，并且子帧中的时隙数量取决于子载波间距（SCS）。根据循环前缀（CP），各个时隙包括12或14个正交频分复用（OFDM）符号。当使用正常CP时，各个时隙包括14个OFDM符号。当使用扩展CP时，各个时隙包括12个OFDM符号。

表1示例性地示出当使用正常CP时每时隙的符号数量、每帧的时隙数量和每子帧的时隙数量根据SCS而变化。

[表1]

*N^slot _symb：时隙中的符号数量

*N^frame,u _slot：帧中的时隙数量

*N^subframe,u _slot：子帧中的时隙数量

表2示出当使用扩展CP时每时隙的符号数量、每帧的时隙数量和每子帧的时隙数量根据SCS而变化。

[表2]

帧的结构仅是示例。帧中的子帧数量、时隙数量和符号数量可变化。

在NR系统中，可为针对一个UE聚合的多个小区不同地配置OFDM参数集（例如，SCS）。因此，由相同数量的符号组成的时间资源（例如，SF、时隙或TTI）（为了简单，称为时间单位（TU））的（绝对时间）持续时间可在聚合的小区之间不同地配置。这里，符号可包括OFDM符号（或CP-OFDM符号）和SC-FDMA符号（或离散傅里叶变换-扩展-OFDM（DFT-s-OFDM）符号）。

图3示出时隙的资源网格。时隙包括时域中的多个符号。例如，当使用正常CP时，时隙包括14个符号。然而，当使用扩展CP时，时隙包括12个符号。载波包括频域中的多个子载波。资源块（RB）被定义为频域中的多个连续子载波（例如，12个连续子载波）。带宽部分（BWP）可被定义为频域中的多个连续物理RB（PRB）并且对应于单个参数集（例如，SCS、CP长度等）。载波可包括至多N（例如，五）个BWP。可通过启用的BWP执行数据通信，并且可为一个UE仅启用一个BWP。在资源网格中，各个元素被称为资源元素（RE），并且一个复杂符号可被映射到各个RE。

图4示出时隙中的物理信道的示例性映射。PDCCH可在DL控制区域中发送，PDSCH可在DL数据区域中发送。PUCCH可在UL控制区域中发送，PUSCH可在UL数据区域中发送。保护周期（GP）为BS和UE处的发送模式到接收模式切换或接收模式到发送模式切换提供时间间隙。子帧中在DL到UL切换时的一些符号可被配置为GP。

下面将更详细地描述各个物理信道。

PDCCH传送DCI。例如，PDCCH（即，DCI）可承载关于DL共享信道（DL-SCH）的传输格式和资源分配的信息、上行链路共享信道（UL-SCH）的资源分配信息、关于寻呼信道（PCH）的寻呼信息、关于DL-SCH的系统信息、关于高层控制消息（例如，在PDSCH上发送的RAR）的资源分配的信息、发送功率控制命令、关于所配置的调度的启用/释放的信息等。DCI包括循环冗余校验（CRC）。根据PDCCH的所有者或用途利用各种标识符（ID）（例如，无线电网络临时标识符（RNTI））对CRC进行掩码。例如，如果PDCCH用于特定UE，则通过UE ID（例如，小区-RNTI（C-RNTI））对CRC进行掩码。如果PDCCH用于寻呼消息，则通过寻呼-RNTI（P-RNTI）对CRC进行掩码。如果PDCCH用于系统信息（例如，系统信息块（SIB）），则通过系统信息RNTI（SI-RNTI）对CRC进行掩码。当PDCCH用于RAR时，通过随机接入-RNTI（RA-RNTI）对CRC进行掩码。

PDCCH根据其聚合级别（AL）包括1、2、4、8或16个控制信道元素（CCE）。CCE是用于根据无线电信道状态向PDCCH提供特定码率的逻辑分配单元。CCE包括6个资源元素组（REG），各个REG由一个OFDM符号×一个(P)RB限定。PDCCH在控制资源集（CORESET）中发送。CORESET被定义为具有给定参数集（例如，SCS、CP长度等）的REG集合。用于一个UE的多个CORESET可在时域/频域中彼此交叠。CORESET可由系统信息（例如，主信息块（MIB））或UE特定高层信令（例如，无线电资源控制（RRC）信令）配置。具体地，CORESET中的RB的数量和符号的数量（最多3个）可通过高层信令来配置。

对于PDCCH接收/检测，UE监测PDCCH候选。PDCCH候选是UE应该监测以检测PDCCH的CCE。各个PDCCH候选根据AL被定义为1、2、4、8或16个CCE。监测包括对PDCCH候选进行（盲）解码。由UE解码的PDCCH候选集合被定义为PDCCH搜索空间（SS）。SS可以是公共搜索空间（CSS）或UE特定搜索空间（USS）。UE可通过监测由MIB或高层信令配置的一个或更多个SS中的PDCCH候选来获得DCI。各个CORESET与一个或更多个SS关联，并且各个SS与一个CORESET关联。SS可基于以下参数来定义。

- controlResourceSetId：与SS有关的CORESET。

- monitoringSlotPeriodicityAndOffset：PDCCH监测周期性（时隙）和PDCCH监测偏移（时隙）。

- monitoringSymbolsWithinSlot：时隙中的PDCCH监测符号（例如，CORESET的第一符号）。

- nrofCandidates：各个AL={1, 2, 4, 8, 16}的PDCCH候选的数量（0、1、2、3、4、5、6和8之一）。

* UE要监测PDCCH候选的时机（例如，时间/频率资源）被定义为PDCCH（监测）时机。可在时隙中配置一个或更多个PDCCH（监测）时机。

表3示出各个SS的特性。

[表3]

表4示出在PDCCH上发送的DCI格式。

[表4]

DCI格式0_0可用于调度基于TB（或TB级别）的PUSCH，DCI格式0_1可用于调度基于TB（或TB级别）的PUSCH或基于码块组（CBG）（或CBG级别）的PUSCH。DCI格式1_0可用于调度基于TB（或TB级别）的PDSCH，DCI格式1_1可用于调度基于TB（或TB级别）的PDSCH或基于CBG（或CBG级别）的PDSCH（或DL许可DCI）。DCI格式0_0/0_1可被称为UL许可DCI或UL调度信息，DCI格式1_0/1_1可被称为DL许可DCI或DL调度信息。DCI格式2_0用于向UE传送动态时隙格式信息（例如，动态时隙格式指示符（SFI）），DCI格式2_1用于向UE传送DL抢占信息。DCI格式2_0和/或DCI格式2_1可在组公共PDCCH（指向一组UE的PDCCH）上传送给对应一组UE。

DCI格式0_0和DCI格式1_0可被称为回退DCI格式，而DCI格式0_1和DCI格式1_1可被称为非回退DCI格式。在回退DCI格式下，无论UE配置如何，DCI大小/字段配置维持相同。相反，在非回退DCI格式下，DCI大小/字段配置根据UE配置而变化。

PDSCH传送DL数据（例如，DL共享信道传输块（DL-SCH TB））并使用诸如正交相移键控（QPSK）、16元正交幅度调制（16QAM）、64QAM或256QAM的调制方案。TB被编码为码字。PDSCH可传送至多两个码字。可在码字的基础上执行加扰和调制映射，并且从各个码字生成的调制符号可被映射到一个或更多个层。各个层与解调参考信号（DMRS）一起被映射到资源，并且从映射有DMRS的层生成OFDM符号信号并通过对应天线端口发送。

PUCCH传送上行链路控制信息（UCI）。UCI包括以下信息。

- SR（调度请求）：用于请求UL-SCH资源的信息。

- HARQ（混合自动重传请求）-ACK（确认）：对PDSCH上的DL数据分组（例如，码字）的响应。HARQ-ACK指示是否成功接收到DL数据分组。响应于单个码字，可发送1比特HARQ-ACK。响应于两个码字，可发送2比特HARQ-ACK。HARQ-ACK响应包括肯定ACK（简称为ACK）、否定ACK（NACK）、不连续传输（DTX）或NACK/DTX。术语HARQ-ACK可与HARQ ACK/NACK和ACK/NACK互换使用。

- CSI（信道状态信息）：DL信道的反馈信息。多输入多输出（MIMO）相关反馈信息包括RI和PMI。

表5示出示例性PUCCH格式。基于PUCCH传输持续时间，PUCCH格式可被分成短PUCCH（格式0和2）和长PUCCH（格式1、3和4）。

[表5]

PUCCH格式0传送至多2比特的UCI，并且以基于序列的方式映射以便于传输。具体地，UE通过在PUCCH格式0的PUCCH上发送多个序列之一来向BS发送特定UCI。仅当UE发送肯定SR时，UE才在对应SR配置的PUCCH资源中发送PUCCH格式0的PUCCH。

PUCCH格式1传送至多2比特的UCI，并且UCI的调制符号在时域中以正交覆盖码（OCC）（是否执行跳频不同地配置）扩频。DMRS在不发送调制符号的符号中发送（即，以时分复用（TDM）发送）。

PUCCH格式2传送超过2比特的UCI，并且DCI的调制符号利用DMRS以频分复用（FDM）发送。DMRS以1/3的密度位于给定RB的符号#1、#4、#7和#10中。伪噪声（PN）序列用于DMRS序列。对于2符号PUCCH格式2，可启用跳频。

PUCCH格式3不支持同一PRBS中的UE复用，并且传送超过2比特的UCI。换言之，PUCCH格式3的PUCCH资源不包括OCC。调制符号利用DMRS以TDM发送。

PUCCH格式4支持在同一PRBS中至多4个UE的复用，并且传送超过2比特的UCI。换言之，PUCCH格式3的PUCCH资源包括OCC。调制符号利用DMRS以TDM发送。

UE中配置的一个或两个或更多个小区中的至少一个可被配置用于PUCCH传输。至少主小区可被配置为用于PUCCH传输的小区。基于配置PUCCH传输的至少一个小区，可在UE中配置至少一个PUCCH小区组，并且各个PUCCH小区组包括一个或更多个小区。PUCCH小区组可被简称为PUCCH组。可为SCell以及主小区配置PUCCH传输。主小区属于主PUCCH组，配置PUCCH传输的PUCCH-SCell属于辅PUCCH组。主小区上的PUCCH可用于属于主PUCCH组的小区，PUCCH-SCell上的PUCCH可用于属于辅PUCCH组的小区。

PUSCH基于CP-OFDM波形或DFT-s-OFDM波形传送UL数据（例如，UL共享信道传输块（UL-SCH TB））和/或UCI。当PUSCH以DFT-s-OFDM波形发送时，UE通过变换预编码发送PUSCH。例如，当变换预编码不可能（例如，禁用）时，UE可以CP-OFDM波形发送PUSCH，而当变换预编码可能（例如，启用）时，UE可以CP-OFDM或DFT-s-OFDM波形发送PUSCH。PUSCH传输可通过DCI中的UL许可动态地调度，或者通过高层（例如，RRC）信令（和/或诸如PDCCH的层1（L1）信令）（配置的调度或配置的许可）半静态地调度。PUSCH传输可按照基于码本或非基于码本的方式来执行。

图5示出示例性ACK/NACK传输处理。参照图5，UE可检测时隙#n中的PDCCH。PDCCH包括DL调度信息（例如，DCI格式1_0或DCI格式1_1）。PDCCH指示DL指派与PDSCH偏移K0和PDSCH与HARQ-ACK报告偏移K1。例如，DCI格式1_0和DCI格式1_1可包括以下信息。

- 频域资源指派：指示指派给PDSCH的RB集合。

- 时域资源指派：指示K0以及时隙中的PDSCH的起始位置（例如，OFDM符号索引）和长度（例如，OFDM符号的数量）。

- PDSCH-to-HARQ_feedback定时指示符：指示K1。

- HARQ进程号（4比特）：指示数据（例如，PDSCH或TB）的HARQ进程ID。

- PUCCH资源指示符（PRI）：指示PUCCH资源集中的多个PUCCH资源当中要用于UCI传输的PUCCH资源。

在根据时隙#n的调度信息在时隙#(n+K0)中接收PDSCH之后，UE可在时隙#(n+K1)中在PUCCH上发送UCI。UCI可包括对PDSCH的HARQ-ACK响应。为了方便，图5基于PDSCH的SCS等于PUCCH的SCS并且时隙#n1=时隙#(n+K0)的假设，这不应被解释为限制本公开。当SCS不同时，可基于PUCCH的SCS指示/解释K1。

在PDSCH被配置为承载最多一个TB的情况下，HARQ-ACK响应可被配置在一个比特中。在PDSCH被配置为承载至多两个TB的情况下，如果未配置空间捆绑，则HARQ-ACK响应可被配置在2比特中，如果配置空间捆绑，则HARQ-ACK响应可被配置在1比特中。当时隙#(n+K1)被指定为多个PDSCH的HARQ-ACK发送定时时，在时隙#(n+K1)中发送的UCI包括对多个PDSCH的HARQ-ACK响应。

可（例如，通过RRC/高层信令）为各个小区组配置UE是否应该针对HARQ-ACK响应执行空间捆绑。例如，可为PUCCH上发送的各个单独的HARQ-ACK响应和/或PUSCH上发送的HARQ-ACK响应配置空间捆绑。

当在对应服务小区中可一次接收至多两个（或两个或更多个）TB（或码字）（可或由一个DCI调度）时（例如，当高层参数maxNrofCodeWordsScheduledByDCI指示2个TB时），可支持空间捆绑。超过四层可用于2TB传输，至多四层可用于1TB传输。结果，当为对应小区组配置空间捆绑时，可针对小区组的服务小区当中可调度超过四层的服务小区执行空间捆绑。想要通过空间捆绑发送HARQ-ACK响应的UE可通过对多个TB的A/N比特执行（按比特）逻辑与运算来生成HARQ-ACK响应。

例如，假设UE接收调度两个TB的DCI并且基于DCI在PDSCH上接收两个TB，执行空间捆绑的UE可通过第一TB的第一A/N比特与第二TB的第二A/N比特之间的逻辑与运算来生成单个A/N比特。结果，当第一TB和第二TB二者为ACK时，UE向BS报告ACK比特值，并且当至少一个TB为NACK时，UE向BS报告NACK比特值。

例如，当在配置用于接收两个TB的服务小区中实际仅调度一个TB时，UE可通过对一个TB的A/N比特和比特值1执行逻辑与运算来生成单个A/N比特。结果，UE向BS报告一个TB的A/N比特。

BS/UE处存在用于DL传输的多个并行DL HARQ进程。在BS等待指示先前DL传输的接收成功或失败的HARQ反馈的同时，多个并行HARQ进程允许连续DL传输。各个HARQ进程与媒体访问控制（MAC）层中的HARQ缓冲器关联。各个DL HARQ进程管理诸如MAC物理数据单元（PDU）传输的数量、对缓冲器中的MAC PDU的HARQ反馈和当前冗余版本的状态变量。各个HARQ进程由HARQ进程ID标识。

图6示出示例性PUSCH传输过程。参照图6，UE可检测时隙#n中的PDCCH。PDCCH包括DL调度信息（例如，DCI格式1_0或1_1）。DCI格式1_0或1_1可包括以下信息。

- 频域资源指派：指示指派给PUSCH的RB集合。

- 时域资源指派：指示时隙偏移K2以及时隙中的PUSCH的起始位置（例如，OFDM符号索引）和持续时间（例如，OFDM符号的数量）。PUSCH的起始符号和长度可由起始和长度指示符值（SLIV）指示或单独地指示。

然后，UE可根据时隙#n中的调度信息在时隙#(n+K2)中发送PUSCH。PUSCH包括UL-SCH TB。

CSI相关操作

图7示出CSI相关过程的示例。

UE经由RRC信令从BS接收与CSI有关的配置信息（710）。CSI相关配置信息可包括信道状态信息-干扰测量（CSI-IM）相关信息、CSI测量相关信息、CSI资源配置相关信息、CSI-RS资源相关信息或CSI报告配置相关信息中的至少一个。

- 可为UE的干扰测量（IM）配置CSI-IM资源。在时域中，CSI-IM资源集可被配置为周期性的、半持久的或非周期性的。CSI-IM资源可被配置为UE的零功率（ZP）-CSI-RS。ZP-CSI-RS可被配置为与非零功率（NZP）-CSI-RS相区分。

- UE可假设为一个CSI报告配置的用于信道测量的CSI-RS资源和用于干扰测量的CSI-IM/NZP CSI-RS资源相对于各个资源的“QCL-TypeD”具有QCL关系（当NZP CSI-RS资源用于干扰测量时）。

- CSI资源配置可包括用于干扰测量的CSI-IM资源、用于干扰测量的NZP CSI-RS资源和用于信道测量的NZP CSI-RS资源中的至少一个。信道测量资源（CMR）可以是用于CSI获取的NZP CSI-RS，干扰测量资源（IMR）可以是用于CSI-IM和IM的NZP CSI-RS。

- 可为一个或更多个UE配置CSI-RS。可为各个UE提供不同的CSI-RS配置，或者可向多个UE提供相同的CSI-RS配置。CSI-RS可支持至多32个天线端口。与N（N为1或更大）个天线端口对应的CSI-RS可被映射到与一个时隙和一个RB对应的时频单元内的N个RE位置。当N为2或更大时，N端口CSI-RS可以CDM、FDM和/或TDM方法复用。CSI-RS可被映射到除了映射有CORESET、DMRS和SSB的RE之外的剩余RE。在频域中，可为整个带宽、部分带宽部分（BWP）或部分带宽配置CSI-RS。CSI-RS可在配置CSI-RS的带宽内的各个RB中发送（即，密度=1），或者CSI-RS可在每二个RB（例如，偶数或奇数RB）中发送（即，密度=1/2）。当CSI-RS用作跟踪参考信号（TRS）时，单端口CSI-RS可被映射在各个资源块中的三个子载波上（即，密度=3）。可在时域中为UE配置一个或更多个CSI-RS资源集。各个CSI-RS资源集可包括一个或更多个CSI-RS配置。各个CSI-RS资源集可被配置为周期性的、半持久的或非周期性的。

- CSI报告配置可包括反馈类型、测量资源、报告类型等的配置。NZP-CSI-RS资源集可用于对应UE的CSI报告配置。NZP-CSI-RS资源集可与CSI-RS或SSB关联。多个周期性NZP-CSI-RS资源集可被配置为TRS资源集。(i)反馈类型包括信道质量指示符（CQI）、预编码矩阵指示符（PMI）、CSI-RS资源指示符（CRI）、SSB资源块指示符（SSBRI）、层指示符（LI）、秩指示符（RI）、第一层（L1）-参考信号接收强度（RSRP）等。(ii)测量资源可包括UE对其执行测量以确定反馈信息的下行链路信号和/或下行链路资源的配置。测量资源可被配置为与CSI报告配置关联的ZP和/或NZP CSI-RS资源集。NZP CSI-RS资源集可包括CSI-RS集或SSB集。例如，可针对CSI-RS集或SSB集测量L1-RSRP。(iii)报告类型可包括UE执行报告的时间和上行链路信道的配置。报告时间可被配置为周期性的、半持久的或非周期性的。周期性CSI报告可在PUCCH上发送。半持久CSI报告可基于指示启用/停用的MAC CE在PUCCH或PUSCH上发送。非周期性CSI报告可由DCI信令指示。例如，上行链路许可的CSI请求字段可指示各种报告触发大小之一。非周期性CSI报告可在PUSCH上发送。

UE基于与CSI有关的配置信息来测量CSI。CSI测量可包括接收CSI-RS（720）和通过计算所接收的CSI-RS来获取CSI（730）。

UE可向BS发送CSI报告（740）。对于CSI报告，可用于UE的时间资源和频率资源由BS控制。信道状态信息（CSI）包括信道质量指示符（CQI）、预编码矩阵指示符（PMI）、CSI-RS资源指示符（CRI）、SS/PBCH块资源指示符（SSBRI）、层指示符（LI）、秩指示符（RI）、L1-RSRP和/或L-SINR中的至少一个。

CSI报告的时域行为支持周期性、半持久性、非周期性。i)在短PUCCH、长PUCCH中执行周期性CSI报告。周期性CSI报告的周期性和时隙偏移可由RRC配置，并且参考CSI-ReportConfig IE。ii)在短PUCCH、长PUCCH或PUSCH中执行SP（半周期性）CSI报告。对于短/长PUCCH中的SP CSI，周期性和时隙偏移由RRC配置，并且通过单独的MAC CE/DCI启用/停用CSI报告。对于PUSCH中的SP CSI，SP CSI报告的周期性由RRC配置，但时隙偏移不由RRC配置并且SP CSI报告由DCI启用/停用（格式0_1）。对于PUSCH中的SP CSI报告，使用分离的RNTI（SP-CSI C-RNTI）。初始CSI报告定时遵循由DCI指示的PUSCH时域分配值，后续CSI报告定时遵循由RRC配置的周期性。DCI格式0_1可包括CSI请求字段并且启用/停用特定配置的SP-CSI触发状态。SP CSI报告具有与在SPS PUSCH中具有数据传输的机制相同或相似的启用/停用。iii)非周期性CSI报告在PUSCH中执行并由DCI触发。在这种情况下，与非周期性CSI报告的触发有关的信息可通过MAC-CE传送/指示/配置。对于具有AP CSI-RS的AP CSI，APCSI-RS定时由RRC配置，并且AP CSI报告的定时由DCI动态地控制。

NR规范中定义的CSI码本（例如，PMI码本）可大致分类为类型I码本和类型II码本。类型I码本主要针对支持高阶和低阶二者的单用户MIMO（SU-MIMO）。类型II码本主要支持能够处理最多两层的多用户MIMO（MU-MIMO）。尽管类型II码本与类型I相比能够提供更准确的CSI，但类型II码本也可能增加信令开销。另一方面，引入增强类型II码本以解决与现有类型II码本关联的CSI开销问题。增强类型II码本可通过考虑频域中的相关性来减少码本的有效载荷。

PUSCH上的CSI报告可被配置为部分1和部分2。部分1具有固定有效载荷大小，用于标识部分2中的信息比特数。部分1在部分2之前完全发送。

- 对于类型I CSI反馈，部分1包括第一码字的RI（如果报告）、CRI（如果报告）和CQI。部分2包括PMI，并且当RI>4时，部分2还包括CQI。

- 对于类型II CSI反馈，部分1包括RI（如果报告）、CQI以及类型II CSI的各层的非零WB幅度系数的数量的指示。部分2包括类型II CSI的PMI。

- 对于增强类型II CSI反馈，部分1包括RI（如果报告）、CQI以及增强类型II CSI的所有层的非零WB幅度系数的总数的指示。部分2包括增强类型II CSI的PMI。

对于PUSCH，CSI报告包括两个部分。如果要报告的CSI有效载荷小于通过为CSI报告分配的PUSCH资源提供的有效载荷大小，则UE可丢弃部分2 CSI的部分。

以PUCCH格式3或4执行的半持久CSI报告支持类型II CSI反馈，但仅支持类型IICSI反馈的部分1。

准同位（QCL）

当天线端口的信道性质要从另一天线端口的信道推断时，两个天线端口是准同位的。信道性质可包括延迟扩展、多普勒扩展、频率/多普勒频移、平均接收功率、接收定时/平均延迟和空间RX参数中的一个或更多个。

可在UE中通过高层参数PDSCH-Config配置多个TCI状态配置的列表，各个TCI状态链接到一个或两个DL参考信号与PDSCH的DM-RS端口之间的QCL配置参数。QCL可包括第一DLRS的qcl-Type1和第二DL RS的qcl-Type2。QCL类型可对应于以下中的一个。

- “QCL-TypeA”：{多普勒频移、多普勒扩展、平均延迟、延迟扩展}

- “QCL-TypeB”：{多普勒频移、多普勒扩展}

- “QCL-TypeC”：{多普勒频移、平均延迟}

- “QCL-TypeD”：{空间Rx参数}

波束管理（BM）

BM是指用于获取和维持BS波束集合（发送接收点（TRP）波束）和/或可用于DL和UL发送/接收的UE波束集合的一系列处理。BM可包括以下处理和术语。

-波束测量：BS或UE测量所接收的波束成形信号的特性的操作。

-波束确定：BS或UE选择其Tx/Rx波束的操作。

-波束扫掠：根据预定方法在规定的时间间隔内使用Tx和/或Rx波束覆盖空间域的操作。

-波束报告：UE报告关于基于波束测量波束成形的信号的信息的操作。

BM过程可被分成(1)使用SSB或CSI-RS的DL BM过程和(2)使用SRS的UL BM过程。此外，各个BM过程可包括用于确定Tx波束的Tx波束扫掠和用于确定Rx波束的Rx波束扫掠。

DL BM过程可包括(1)从BS的波束成形的DL RS（例如，CSI-RS或SSB）的传输和(2)从UE的波束报告。

波束报告可包括优选DL RS ID以及与优选DL RS ID对应的参考信号接收功率（RSRP）。DL RS ID可以是SSB资源指示符（SSBRI）或CSI-RS资源指示符（CRI）。

定位

定位可指基于无线电信号的测量来确定UE的地理位置和/或速度。位置信息可由与UE关联的客户端（例如，应用）请求并向其报告。位置信息也可由核心网络内或连接到核心网络的客户端请求。位置信息可按标准格式（例如，基于小区或地理坐标的格式）与UE的位置和速度的估计误差和/或用于定位的定位方法一起报告。

LTE定位协议（LPP）可用作位置服务器（E-SMLC和/或SLP和/或LMF）与目标装置（UE和/或SET）之间的点对点协议，以用于使用从一个或更多个参考资源获得的位置相关测量来定位目标装置。目标装置和位置服务器可经由LPP基于信号A和/或信号B交换测量和/或位置信息。

NRPPa可用于参考源（接入节点和/或BS和/或TP和/或NG-RAN节点）与位置服务器之间的信息交换。

NRPPa协议可提供以下功能。

- E-CID位置信息传送。此功能允许参考源为了E-CID定位而与LMF交换位置信息。

- OTDOA信息传送。此功能允许参考源为了OTADOA定位而与LMF交换信息。

- 一般错误情况的报告。此功能允许报告还未定义功能特定错误消息的一般错误情况。

NG-RAN中支持的定位方法可包括GNSS、OTDOA、E-CID、气压传感器定位、WLAN定位、蓝牙定位、TBS、上行链路达到时间差（UTDOA）等。尽管任一种定位方法可用于UE定位，但两种或更多种定位方法可用于UE定位。

OTDOA（观测到达时间差）

OTDOA定位方法使用针对UE从包括eNB、ng-eNB和仅PRS TP的多个TP接收的DL信号测量的时间。UE使用从位置服务器接收的位置辅助数据来测量所接收的DL信号的时间。可基于这种测量结果以及邻近TP的地理坐标来确定UE的位置。

连接到gNB的UE可向TP请求测量间隙以执行OTDOA测量。如果UE不知道OTDOA辅助数据中的至少一个TP的SFN，则UE可在请求用于执行参考信号时间差（RSTD）测量的测量间隙之前使用自主间隙来获得OTDOA参考小区的SFN。

这里，RSTD可被定义为从参考小区和测量小区接收的两个子帧边界之间的最小相对时间差。即，RSTD可被计算为从测量小区接收的子帧的开始时间与最靠近从测量小区接收的子帧的来自参考小区的子帧的开始时间之间的相对时间差。参考小区可由UE选择。

为了准确OTDOA测量，有必要测量从地理上分布的三个或更多个TP或BS接收的信号的到达时间（ToA）。例如，可测量TP 1、TP 2和TP 3中的每一个的ToA，并且基于三个ToA值计算TP 1和TP 2的RSTD、TP 2和TP 3的RSTD以及TP 3和TP 1的RSTD。基于所计算的RSTD值确定几何双曲线，双曲线的曲线相交点可被估计为UE的位置。在这种情况下，可能出现各个ToA测量的准确性和/或不确定性，并且根据测量不确定性，所估计的UE的位置可称为特定范围。

E-CID（增强小区ID）

在小区ID（CID）定位方法中，可基于UE的服务ng-eNB、服务gNB和/或服务小区的地理信息来测量UE的位置。例如，可通过寻呼、注册等获取服务ng-eNB、服务gNB和/或服务小区的地理信息。

除了CID定位方法之外，E-CID定位方法还可使用附加UE测量和/或NG-RAN无线电资源以便改进UE位置估计。尽管E-CID定位方法可部分地利用与RRC协议上的测量控制系统相同的测量方法，但通常不执行仅用于UE位置测量的附加测量。换言之，可能不会为UE位置测量提供附加测量配置或测量控制消息。UE不预期将请求仅用于位置测量的附加测量操作，并且UE可报告通过通常可测量的方法获得的测量值。

例如，服务gNB可使用UE所提供的E-UTRA测量值来实现E-CID定位方法。

人工智能/机器学习（AI/ML）

随着AI/ML的技术发展，构成无线通信网络的节点和UE变得越来越智能/先进，特别是由于网络/BS的智能，预期根据各种环境参数（例如，BS的分布/位置、建筑物/家具的分布/位置/材料、UE的位置/移动方向/速度以及气候信息）快速优化并推导/应用各种网络/BS确定参数值（例如，各个BS的发送和接收功率、各个UE的传输功率、BS/UE的预编码器/波束、各个UE的时间/频率资源分配或BS的双工方法）。顺应这种趋势，许多标准化组织（例如，3GPP或O-RAN）考虑引入网络/BS确定参数值，对此的研究也在积极进行中。

在狭义上，AI/ML可容易地称为基于深度学习的人工智能，但概念上示出于图8中。

- 人工智能：这可对应于机器取代人类工作的所有自动化。

- 机器学习：在没有明确编程规则的情况下，机器可从数据自己学习决策模式。

- 深度学习：这是基于人工神经网络的AI/ML模型，其中机器从非结构化数据到特征提取和确定全部一次执行，并且算法依赖于生物神经系统，即，受神经网络启发的用于特征提取和变换的多层互连节点网络。常见深度学习网络架构可包括深度神经网络（DNN）、递归神经网络（RNN）和卷积神经网络（CNN）。

根据各种参考的AI/ML类型分类

1. 离线对在线

(1)离线学习：这遵从数据库收集、学习和预测的顺序过程。换言之，收集和学习离线执行，完成的程序可现场安装并用于预测。在大多数情况下，使用这种离线学习方法。在离线学习中，系统不是递增地学习。相反，使用所有可用的收集数据来进行学习，并且应用结果而不进一步学习。如果需要学习新数据，则可使用新的完整数据再次开始学习。

(2)在线学习：在线学习是基于最近通过互联网不断地生成要用于学习的数据，通过以另外生成的数据递增地学习来一点点改进性能的方法。对在线收集的特定数据单元（批次）进行实时学习，从而允许系统快速适应变化的数据。

为了构建AI系统，可仅使用实时生成的数据仅通过在线学习来进行学习。另选地，在使用特定数据集进行离线学习之后，可使用随后生成的实时数据进行额外学习（在线+离线学习）。

2. 根据AI/ML框架概念的分类

(1)集中式学习：当从多个不同节点收集的训练数据被报告给集中式节点时，所有数据资源/存储/学习（例如，监督、无监督和强化学习）由一个中央节点执行。

(2)联邦学习：基于跨分散的数据所有者的数据来配置集体AI/ML模型。代替将数据用于AI/ML模型中，本地节点/各个装置收集数据并训练其AI/ML模型的副本，因此不需要向中央节点报告源数据。在联邦学习中，AI/ML模型的参数/权重可被发送回集中式节点，以支持一般AI/ML模型训练。联邦学习的优点包括计算速度的增加以及信息安全方面的优势。即，不需要将个人数据上传到中央服务器的处理，可防止个人信息的泄漏和滥用。

(3)分布式学习：机器学习处理表示跨节点集群缩放和部署的概念。跨同时操作的多个节点拆分和共享AI/ML模型训练，以加速AI/ML模型训练。

3. 根据学习方法的分类

(1)监督学习：监督学习是旨在在给定标记数据集时学习从输入到输出的映射函数的机器学习任务。输入数据被称为训练数据，并且具有已知的标签或结果。监督学习的示例可包括：(i)回归：线性回归、逻辑回归；(ii)基于实例的算法：k最近邻（KNN）；(iii)决策树算法：CART；(iv)支持向量机：SVM；(v)贝叶斯算法：朴素贝叶斯；以及(vi)集成算法：极端梯度提升、打包：随机森林。由于回归和分类问题，监督学习可进一步分组，并且分类预测标签，回归预测数量。

(2)无监督学习：这是旨在学习描述未标记数据中的隐藏结构的函数的机器学习任务。输入数据是未标记的，并且没有已知结果。无监督学习的一些示例包括K均值聚类、主成分分析（PCA）、非线性独立成分分析（ICA）和LSTM。

(3)强化学习：在强化学习（RL）中，智能体旨在通过基于试错处理与环境交互来优化长期目标，这是基于与环境交互的面向目标的学习。RL算法的示例可包括(i) Q学习、(ii)多臂强盗学习、(iii)深度Q网络、状态动作奖励状态动作（SARSA）、(iv)时序差分学习、(v)执行器-评价器强化学习、(vi)深度确定性策略梯度和(vii)蒙特卡洛树搜索。RL可进一步分组为基于AI/ML模型的RL和无AI/ML模型RL。基于模型的RL是使用预测性AI/ML模型使用环境的各种动态状态和这些状态导致奖励的AI/ML模型来获得状态之间的转变概率的RL算法。无模型RL是实现最大未来奖励的基于值或策略的RL算法，其在多智能体环境/状态方面计算复杂度较低并且不需要环境的准确表示。RL算法也可被分类为基于值的RL对基于策略的RL、基于策略的RL对非策略RL等。

AI/ML模型

图9示出前馈神经网络（FFNN）AI/ML模型的示例。参照图9，FFNN AI/ML模型包括输入层、隐藏层和输出层。

图10示出递归神经网络（RNN）AI/ML模型的示例。参照图10，RNN AI/ML模型是一种隐藏节点连接到有向边以形成有向循环的人工神经网络，是适合于处理依次出现的数据（例如，语音或文本）的AI/ML模型。一种类型的RNN是长短期记忆（LSTM），LSTM是将单元状态添加到RNN的隐藏状态的结构。详细地，在LSTM中，输入门、遗忘门和输出门被添加到RNN单元，并且添加单元状态。在图10中，A表示神经网络，x_t表示输入值，h_t表示输出值。这里，h_t可表示基于时间的当前状态值，而h_t-1可表示先前状态值。

图11示出卷积神经网络（CNN）AI/ML模型。CNN用于两个目的，包括通过应用视频处理或图像处理领域中常用的卷积计算来降低AI/ML模型复杂度和提取良好特征。参照图11，内核或滤波器意指在特定范围/单元内对输入应用权重的单元/结构。可通过学习修改内核（或滤波器）。步幅是内核在输入内移动的移动范围。特征图是对输入应用内核的结果。填充是指添加以调节特征图的大小的值。为了增强对失真和变化的鲁棒性，可提取多个特征图。池化是指通过对特征图进行下采样来减小特征图的大小的计算（例如，最大池化或平均池化）。

图12示出自动编码器AI/ML模型。参照图12，自动编码器是接收特征向量x并输出相同或相似向量x’的神经网络以及输入节点和输出节点具有相同特征的一种无监督学习。自动编码器重构输入，因此，输出可被称为重构。损失函数可根据下式1表示。

[式1]

，其中

在式12中，基于输入和输出之间的差计算自动编码器的损失函数。基于自动编码器的损失函数，评估输入中的损失程度，并且对自动编码器应用优化处理以使损失最小化。

图13是示出拆分AI推理的图。

图13示出在拆分AI操作期间在诸如UE的终端装置与网络AI/ML端点之间协作地执行模型推理功能的情况。

除了模型推理功能之外，模型训练功能、执行器和数据收集功能可各自基于当前任务和环境被拆分成多个部分。这些功能可通过多个实体的协作来执行。

例如，计算密集部分和能源密集部分可在网络端点处执行，而隐私敏感部分和延迟敏感部分可在终端装置上执行。在这种情况下，终端装置基于输入数据执行任务/模型直至特定部分/层，然后向网络端点发送中间数据。网络端点执行剩余部分/层，并且向执行操作/任务的一个或更多个装置提供推理输出。

以下描述用于AI操作的功能框架。

本文中，为了更详细说明AI（或AI/ML）可定义以下术语。

- 数据收集：从网络节点、管理实体或UE收集的数据，其用作AI模型训练、数据分析和推理的基础。

- AI模型：数据驱动算法，其中应用AI技术以基于输入集合生成输出集合，包括预测信息和/或决策参数。

- AI/ML训练：通过学习特征和模式以最佳地表示数据并获得为推理训练的AI/ML模型来训练AI模型的在线或离线处理。

- AI/ML推理：使用训练的AI模型基于所收集的数据和AI模型来进行预测或得出决策的处理。

参照图14，数据收集功能10收集输入数据并将处理的输入数据提供给模型训练功能20和模型推理功能30。

例如，输入数据可包括来自UE或其它网络实体的测量、来自执行器的反馈以及来自AI模型的输出。

数据收集功能10基于输入数据执行数据准备并提供通过数据准备处理的输入数据。这里，数据收集功能10不针对各个AI算法执行特定数据准备（例如，数据预处理和清理、形成和变换），但数据收集功能10可执行AI算法共同的数据准备。

在完成数据准备处理之后，数据收集功能10将训练数据11提供给模型训练功能20并将推理数据12提供给模型推理功能30。这里，训练数据11是AI模型训练功能20所需的输入数据。推理数据12是AI模型推理功能30所需的输入数据。

数据收集功能10可由单个实体（例如，UE、RAN节点、网络节点等）或由多个实体执行。在这种情况下，训练数据11和推理数据12可分别从多个实体提供给模型训练功能20和模型推理功能30。

作为AI模型测试过程的一部分，模型训练功能20负责执行生成模型性能度量所需的AI模型训练、验证和测试。如果需要，模型训练功能20可基于数据收集功能10所提供的训练数据11来处理数据准备（例如，数据预处理和清理、形成和变换）。

这里，模型部署/更新13用于将训练、验证和测试的AI模型初始部署到模型推理功能30或者将更新的模型提供给模型推理功能30。

模型推理功能30负责提供AI模型推理输出16（例如，预测或决策）。如果适用，模型推理功能30还可向模型训练功能20提供模型性能反馈14。另外，如果需要，模型推理功能30可基于数据收集功能10所提供的推理数据12来处理数据准备（例如，数据预处理和清理、形成和变换）。

这里，输出16是指由模型推理功能30生成的AI模型的推理输出，并且推理输出的细节可根据使用情况而变化。

当可用时，模型性能反馈14可用于监测AI模型的性能。然而，可省略反馈。

执行器功能40从模型推理功能30接收输出16并且触发或执行相关任务/操作。执行器功能40可触发其它实体（例如，一个或更多个UE、一个或更多个RAN节点、一个或更多个网络节点等）或自己的任务/操作。

反馈15可用于推导训练数据11和推理数据12或者监测AI模型的性能、对网络的影响等。

AI/ML中使用的数据集中的训练、验证和测试的定义可如下区分：

- 训练数据：训练数据是指用于训练模型的数据集。

- 验证数据：验证数据是指用于验证已经训练的模型的数据集。换言之，验证数据意指用于防止典型训练数据集过拟合的数据集。

另外，验证数据是指用于在训练处理期间在多个训练的模型当中选择最佳模型的数据集。因此，验证数据也可被视为一种学习。

- 测试数据：测试数据是指用于最终评估的数据集。测试数据独立于训练。

在上述数据集的情况下，常见的是拆分训练集，使得训练数据和验证数据按8:2或7:3的比率划分。当包括测试数据时，训练数据、验证数据和测试数据可按6:2:2（训练:验证:测试）的比率划分。

根据BS和UE之间的AI/ML功能的能力，协作级别可如下定义。也可将多个级别组合或通过分离任一个级别来修改级别。

Cat 0a)无协作框架：AI/ML算法纯基于实现，不需要改变无线接口。

Cat 0b)此级别涉及适合于基于高效实现的AI/ML算法的修改的无线接口，但该级别对应于没有协作的框架。

Cat 1)提供节点之间的支持以增强各个节点的AI/ML算法。当UE从gNB接收支持（用于训练、适配等）时应用此级别，反之亦然。在此级别，不需要网络节点之间的模型交换。

Cat 2)可在UE和gNB之间执行协作ML任务。此级别需要网络节点之间的AI/ML模型命令交换。

图14所示的功能可实现于RAN节点（例如，BS、TRP、BS的中央单元（CU））、网络节点、网络运营商的运营管理维护（OAM）或UE中。

另选地，RAN节点、网络节点、网络运营商的OAM或UE当中的两个或更多个实体可协作以实现图14所示的功能。例如，一个实体可执行图14中的一些功能，而另一实体可执行剩余功能。这样，如果图14所示的一些功能由单个实体（例如，UE、RAN节点或网络节点）执行，则可省略各个功能之间的数据/信息的传送/提供。例如，如果模型训练功能20和模型推理功能30由同一实体执行，则可省略模型部署/更新13和模型性能反馈14的传送/提供。

另选地，图14所示的任一个功能可通过RAN节点、网络节点、网络运营商的OAM或UE当中的两个或更多个实体之间的协作来执行。这可被称为拆分AI操作。

图15示出AI模型训练功能由网络节点（例如，核心网络节点、网络运营商的OAM等）执行，而AI模型推理功能由RAN节点（例如，BS、TRP或BS的CU）执行的场景。

步骤1：RAN节点1和RAN节点2向网络节点发送用于AI模型训练的输入数据（即，训练数据）。这里，RAN节点1和RAN节点2可向网络节点发送从UE收集的数据（例如，与服务小区和邻近小区的RSRP、RSRQ或SINR、UE位置、速度等有关的UE测量）。

步骤2：网络节点使用所接收的训练数据训练AI模型。

步骤3：网络节点将AI模型部署/更新到RAN节点1和/或RAN节点2。RAN节点1（和/或RAN节点2）可继续基于所接收的AI模型执行模型训练。

为了说明方便，假设AI模型仅被部署/更新到RAN节点1。

步骤4：RAN节点1从UE和RAN节点2接收用于AI模型推理的输入数据（即，推理数据）。

步骤5：RAN节点1使用所接收的推理数据来执行AI模型推理以生成输出数据（例如，预测或决策）。

步骤6：如果适用，RAN节点1可向网络节点发送模型性能反馈。

步骤7：RAN节点1、RAN节点2和UE（或RAN节点1和UE或RAN节点1和RAN节点2）基于输出数据执行动作。例如，在负载平衡操作的情况下，UE可从RAN节点1移动到RAN节点2。

步骤8：RAN节点1和RAN节点2向网络节点发送反馈信息。

图16示出AI模型训练功能和AI模型推理功能二者均由RAN节点（例如，BS、TRP或BS的CU）执行的场景。

步骤1：UE和RAN节点2向RAN节点1发送用于AI模型训练的输入数据（即，训练数据）。

步骤2：RAN节点1使用所接收的训练数据来训练AI模型。

步骤3：RAN节点1从UE和RAN节点2接收用于AI模型推理的输入数据（即，推理数据）。

步骤4：RAN节点1使用所接收的推理数据来执行AI模型推理以生成输出数据（例如，预测或决策）。

步骤5：RAN节点1、RAN节点2和UE（或RAN节点1和UE或RAN节点1和RAN节点2）基于输出数据执行动作。例如，在负载平衡操作的情况下，UE可从RAN节点1移动到RAN节点2。

步骤6：RAN节点2向RAN节点1发送反馈信息。

图17示出AI模型训练功能由RAN节点（例如，BS、TRP或BS的CU）执行，而AI模型推理功能由UE执行的场景。

步骤1：UE向RAN节点发送用于AI模型训练的输入数据（即，训练数据）。这里，RAN节点可从各种UE和/或其它RAN节点收集数据（例如，与服务小区和邻近小区的RSRP、RSRQ或SINR、UE位置、速度等有关的UE测量）。

步骤2：RAN节点使用所接收的训练数据来训练AI模型。

步骤3：RAN节点将AI模型部署/更新到UE。UE可继续基于所接收的AI模型执行模型训练。

步骤4：UE从RAN节点（和/或从其它UE）接收用于AI模型推理的输入数据（即，推理数据）。

步骤5：UE使用所接收的推理数据来执行AI模型推理，以生成输出数据（例如，预测或决策）。

步骤6：如果适用，UE可向RAN节点发送模型性能反馈。

步骤7：UE和RAN节点基于输出数据来执行动作。

步骤8：UE向RAN节点发送反馈信息。

AI/ML模型微调/更新

下面提出一种在用于无线通信的无线接口中监测AI/ML模型的性能劣化并微调和更新AI/ML模型的方法。

在NR Rel-18的当前标准化中，正在讨论与AI/ML有关的以下问题：CSI反馈改进（例如，开销减小、准确性增强和预测）、波束管理（例如，用于开销和延迟减小的时域/空间域中的波束预测和波束选择准确性增强）和定位准确性增强（例如，非视线（NLOS）条件差）。

为此，可将离线训练的AI/ML模型传送给UE和/或BS以执行上述操作。在这种情况下，在离线训练的AI/ML模型被提供给实际操作环境之后，由于各种外部情况下的变量，训练数据和现场数据（例如，执行推理的环境中的实际数据）之间可能出现不匹配。当应用AI/ML模型时，这可能导致各个使用情况下的最终输出性能劣化。为了解决这一问题，在当前标准化中讨论了监测AI/ML模型的性能劣化并更新AI/ML模型的操作。

当前Rel-18 AI/ML定位标准化中考虑的使用情况包括直接AI/ML定位和AI/ML辅助定位。可针对特定定位技术以中间性能优化和输出性能优化的2步优化方案执行AI/ML辅助定位。对于AI/ML辅助定位，正在讨论基于STRP/MTRP配置的定位性能评估和标准化需求。在MTRP配置的情况下，AI/ML模型的输入包括N（N>1）个TRP和目标UE之间的信道测量集，AI/ML模型的输出根据定位技术被表示为N个设定值。在这种MTRP配置中，性能可能由于应用离线训练的AI/ML模型的环境与训练它的环境之间的差异而劣化。

各种无线环境中的AI/ML模型性能变化的鲁棒性可被表示为性能泛化。从性能泛化的角度，考虑了各种方法，例如监测AI/ML模型的性能变化，并且当性能小于或等于或者预期小于或等于特定级别时微调/切换AI/ML模型的方法。

特别是在下述MTRP配置的情况下，来自多个TRP的输入量大，并且各个TRP经历不同的无线条件。此外，并非所有N个TRP均同等地影响UE的输出性能，而是与特定n（n<N）个TRP有关的AI/ML模型参数/结构可能具有主要影响。

本公开提出了一种当以MTRP配置执行AI/ML辅助定位时考虑AI/ML模型输入和（中间/最终）输出方面二者监测和更新AI/ML模型的方法。

提议1

首先，提出了UE的AI/ML模型监测，其考虑AI/ML模型输入和（中间/最终）输出性能（通过MTRP配置）。

1)选项1：基于AI/ML模型输入的监测

-可基于AI/ML模型的输入和输出的数据分布之间的相似度检查（例如，MSE或分布的均值/方差/标准偏差）来监测训练和推理之间出现的失真程度。AI/ML模型的输入和输出的数据分布可指（但不限于）与多个TRP有关的数据集的分布。

-另选地，可基于数据分布之间的差异来监测输出性能劣化值。

2)选项2：基于UE移动性的AI/ML模型监测

- UE/TRP可监测UE的位置/环境和相关变化。例如，UE可基于区域ID、UE位置等执行监测。TRP可基于UE的测量来监测UE的预期位置和相关变化。例如，对于各个区域，AI/ML模型的配置可不同。

-例如，可基于UE的预期位置和相关变化来确定（对应）TRP对，并且可基于UE位置/环境为AI/ML模型配置TRP对之间的混合数据集。还可基于UE位置/环境设定TRP对之间的数据集的混合程度。

提议1可用于基于MTRP配置监测AI/ML模型的性能。特别是对于AI/ML辅助定位，正在考虑基于中间性能和最终输出性能来监测AI/ML模型的方法，并且AI/ML模型的输入可另外用于监测AI/ML模型的性能。

例如，AI/ML模型的输入和/或输出的数据分布可不同于AI/ML模型初始配置时的数据分布。可基于数据分布之间的差异导致的失真程度来执行AI/ML模型监测。

软值（例如，介于0和1之间的值）可用于表示数据分布之间的差异/相似度。例如，UE可向AI/ML模型监测实体（例如，BS、LMF等）报告软值。另选地，由于（中间/最终）输出性能可能由于输入数据分布的失真而变化，所以可同时考虑二者来执行AI/ML模型监测。

另选地，可考虑UE的移动性来监测AI/ML模型的性能。例如，可基于指示UE处于特定位置/环境的信息或关于考虑UE的移动性预测的UE的特定位置/环境的信息来执行监测。例如，可通过识别UE当前所在的区域的区域ID或UE预期移动到的区域的区域ID来执行监测。区域ID可与场景ID、配置ID、模型ID等一起使用或由其替代。当TRP能够基于对UE的测量识别UE的具体或预期位置时可使用此方法。此外，可通过反馈关于TRP所估计的UE位置的信息来改进定位相关准确性。

此外，当使用关于UE的位置/移动性的信息时，与UE的位置/移动性有关的TRP对之间的数据集可按混合方式配置，从而验证AI/ML模型的泛化性能的改进和输出性能的有效性。

此外，考虑UE与各个TRP之间的（绝对/相对）位置接近或移动性引起的接近，当配置混合数据集时可确定各个TRP的数据集与混合数据集之比。例如，当UE到TRP1和TRP2的相对距离为1:2时，UE相对更靠近TRP1。因此，在配置TRP1和TRP2之间的混合数据集时可给TRP1的数据集更高的权重（例如，通过将比设定为2:1）。为此，可请求训练节点或数据集信令节点（例如，LMF等）反映与数据集的混合比有关的信息。

提议2

除了提议1之外，将在提议2中描述一种基于AI/ML模型监测（通过MTRP配置）更新AI/ML模型的方法。

1)对于选项1

-可为AI/ML模型的输入和输出的数据分布的失真相关值设定一个或更多个阈值，并且UE可根据阈值单独地向BS请求AI/ML模型维持/微调/模型请求。例如，当数据分布失真小于第一阈值时，UE可向BS请求AI/ML模型维持、微调和模型请求中的一个，当数据分布失真等于或大于第一阈值且小于第二阈值时，UE可向BS请求AI/ML模型维持、微调和模型请求中的另一个。

-基于考虑数据分布失真和对应输出性能劣化值的2步监测，UE可根据一个或更多个阈值向BS请求AI/ML模型维持/微调/模型请求。例如，(i)当数据分布失真小于第一阈值，并且输出性能劣化值小于第二阈值时，UE可向BS请求AI/ML模型维持、微调和模型请求中的一个。(ii)当数据分布失真等于或大于第一阈值且小于第三阈值，并且输出性能劣化值等于或大于第二阈值时，UE可向BS请求AI/ML模型维持、微调和模型请求中的另一个。

2)对于选项2

- AI/ML模型维持/微调/模型请求可根据UE的（预期/具体）位置和相关（预期/具体）环境变化（例如，区域ID 1→2）预定义/预先配置，并且UE可基于此向BS请求AI/ML模型更新方法。

-另选地，可根据UE的（预期/具体）位置和环境不同地应用与特定TRP有关的AI/ML模型维持/微调/模型请求。例如，即使针对特定TRP监测的性能小于阈值，当UE的位置远离特定TRP或TRP不显著影响UE的输出性能时，可降低AI/ML模型更新的优先级，或者可继续维持现有AI/ML模型而不更新。

根据监测的性能要更新的内容可不同地确定（例如，仅模型结构、仅参数或二者）。

因此，提议2是当通过基于提议1的监测检测到AI/ML模型的性能变化时基于单个或多个阈值更新AI/ML模型的方法。

在选项1中，基于输入和输出数据分布的失真值来设定阈值，并且可相应地执行AI/ML模型更新。例如，参照图18，假设存在两个阈值T1<T2，并且数据分布失真程度为X。当失真较小（例如，X≤T1）时，可维持当前AI/ML模型。当T1<X<T2时，可执行诸如AI/ML模型微调的操作。当T2<X时，可执行诸如请求新的AI/ML模型的操作。在另一示例中，参照图19，即使数据分布失真程度等于或大于特定阈值（例如，T1），当最终输出性能的变化小于或等于特定阈值（例如，T3）时可不执行AI/ML模型更新，或者在相反的情况下可执行AI/ML模型更新。

在选项2的情况下，当UE的（预期/具体）位置和对应环境（例如，区域ID）用作基础时，或者当它们发生变化时，可基于此执行AI/ML模型更新相关操作。例如，参照图20，对于总共三个区域ID #1、#2和#3，可为每对区域ID配置AI/ML模型更新条件，并且UE可相应地操作。例如，当区域ID #1→区域ID #2时，可执行第一操作（例如，AI/ML模型维持）。当区域ID#1→区域ID #3时，可执行第二操作（例如，AI/ML模型微调）。另选地，可基于UE的位置和环境不同地应用与特定TRP有关的AI/ML模型更新操作。例如，即使特定TRP的AI/ML模型的中间输出或AI/ML模型监测性能等于或小于阈值，当UE的位置或环境远离特定TRP或特定TRP不显著影响UE的最终输出性能时，可维持AI/ML模型。相反，即使特定TRP的AI/ML模型的中间输出或AI/ML模型监测性能等于或大于阈值，当UE的最终输出性能等于或小于阈值时，或者当预测UE将由于UE移动性而与TRP处于监测性能差的位置或预期对应区域ID改变时，可请求AI/ML模型更新/模型请求。本文中，可考虑中间/输出性能阈值和/或输入/输出分布失真阈值不同地应用要更新的内容。

在执行上述操作时，有必要区分AI/ML模型监测实体与基于监测的AI/ML模型更新实体。当UE执行AI/ML监测并将其报告给BS时，BS可做出决策并向UE发送AI/ML模型更新命令。可在根据UE所报告的监测性能水平应用上述选项时在更新命令中区分AI/ML模型更新方法。此外，当BS向UE提供数据集配置以进行微调时，现有数据集可与新的数据集混合或被部分地替换。另选地，BS可监测UE的AI/ML模型，并且还根据监测向UE发送AI/ML模型更新命令。

如上述提议中所讨论的，MTRP相关AI/ML模型的输入可包括N>1个TRP与目标UE之间的信道测量集，AI/ML模型的输出可以是根据AI/ML技术的N个设定值。在这方面，最近的标准化会议已商定，作为相关评估方法，考虑总TRP中的TRP子集用于模型输入或相应执行配置AI/ML模型的方法的性能分析，如表6所示。图21是与表6的协议II有关的TRP索引的示例。

[表6]

这种性能分析的主要原因是因为考虑多个TRP，所以AI/ML模型输入信息量与TRP的数量成比例（例如，线性）增加的问题。此外，由于各个TRP与目标UE之间可能存在不同的无线情况，所以并非所有N1个TRP都均匀地影响AI/ML模型输出，而是从目标UE的角度，与特定N2（N2<N1）个TRP有关的模型输入信息可能具有主要影响。

尽管可考虑基于对AI/ML模型的N1个TRP的完整集合的输入和对应输出的AI/ML模型监测方法，但是当确定与使用完整集合相比，仅使用输入子集在AI/ML模型的输出性能损失方面没有显著影响时，UE可在用于定位的测量报告期间报告N2个TRP的测量，而非测量所有N1个TRP。因此，在UE的测量报告中涉及的信令开销方面可预期增益。

为了以这种方式对TRP子集执行测量报告，应该在UE和BS之间共享与N2和N2 TRP索引的值有关的信息，并且需要定义用于此的信令过程。

因此，提出了UE和BS之间为支持MTRP的AI/ML模型配置输入子集的信令方法和相关AI/ML模型监测方法。

提议3：（通过MTRP配置）为AI/ML模型配置输入子集

-可在UE和BS（和/或LMF）之间交换通过预定方法（例如，视线/非视线（LoS/NLos）指示、输入分布改变之前和之后的输出分布之间的相似度等）确定/配置的N1个TRP中的TRP子集中的TRP的数量N2和相关TRP索引。

另外，当N2和/或相关TRP索引存在变化时，也可交换对应信息。

例如，可明确地指示与N2有关的TRP索引，或者可指示预先配置的TRP集合的索引。

即使网络（例如，BS和/或LMF）指示N2值和/或相关TRP索引，UE也可（根据特定规则）执行与N3（N3<N2）对应的报告。

在这种情况下，UE可向网络（例如，BS和/或LMF）发送N3值和/或相关TRP索引。

-根据特定场景/区域ID等，{N2、相关TRP索引和/或AI/ML模型}中的一些或全部可被配置为相同/不同。

当UE与对应场景/区域ID有关时（例如，当检测到与场景对应的事件时或者当UE位于对应区域中时），UE可根据先前配置的{N2、相关TRP索引和/或AI/ML模型}执行测量报告。

根据提议3，在为MTRP的AI/ML模型配置输入时，可基于总共N1个TRP中的N2个TRP来配置输入子集。例如，可基于预定方法选择TRP子集中的TRP的数量N2和/或相关TRP索引。在特定示例中，可使用一种方法，例如选择由UE或网络（例如，BS和/或LMF）所计算的LoS/NLoS指示信息确定为LoS的所有或一些TRP、将与特定TRP有关的输入值反映为0或从输入维度排除它。可基于根据输入分布变化的输出分布的相似度等于或大于特定级别的输入子集来确定N2。

UE和网络（例如，BS和/或LMF）可通过它们之间的信令交换关于N2和/或相关TRP索引的信息。该信息的发送侧和接收侧可基于AI/ML模型位于哪里（UE还是网络）来确定。例如，当AI/ML模型位于UE处并且UE通过AI/ML模型执行测量报告时，UE可向网络报告关于N2和/或相关TRP索引的信息。关于N2和/或相关TRP索引的信息可通过与测量报告分开的信令来发送/接收或者与测量报告一起发送/接收。

在指示相关TRP索引的示例中，可指示TRP索引本身，或者可由预先配置的TRP集的索引来指示，例如集#1={TRP #1, TRP #2, TRP #3}和集#2={TRP #4, TRP #5, TRP #6}。

此外，UE可报告与所指示或计算的N2值和/或N2个TRP索引不同的N3（例如，N3<N2）和/或N3个TRP索引。例如，可按基于规则的方式执行此UE操作。UE操作的具体示例可包括：i) UE基于特定阈值（例如，RSRP或第一路径延迟）选择N3（N3<N2）和/或相关TRP；ii) UE基于UE实现选择特定固定数量和/或相关TRP；或者iii)根据UE环境，UE仅可检测N3个TRP（其中N3小于所指示/计算的N2）。UE需要向网络（例如，BS和/或LMF）发送关于N3的信息。此外，当UE基于特定场景/区域ID操作时，它可根据为各个场景/区域ID预先配置的{N2, TRP索引, AI/ML模型}执行测量报告。

提议4：基于AI/ML模型的输入子集的模型监测（通过MTRP配置）。

当根据提议3的输入子集应用于AI/ML模型时，提议4可用于监测支持MTRP的AI/ML模型，本公开不限于此。

-情况1)当N2和/或相关TRP索引应用于AI/ML模型，然后基于特定实例或特定持续时间期间的输出性能的监测结果性能小于或等于特定级别时，UE可向网络（例如，BS和/或LMF）请求重新配置N2和/或相关TRP索引。

例如，由于N2的变化可能伴随着AI/ML模型切换/更新，所以改变N2的请求还可包括对AI/ML模型切换/更新所需操作的请求。

-情况2)即使输入分布根据N2和/或相关TRP索引而变化，当变化之前和之后的AI/ML模型的输出分布之间的相似度等于或大于特定级别时，UE可维持AI/ML模型和N2和/或相关TRP索引。

-在情况1和情况2中，可基于监测性能/输出分布相似度针对由多个阈值定义的各个阈值范围执行{N2改变、TRP索引改变和/或AI/ML模型改变}中的一些或全部。

如情况1中，在通过应用所指示/计算的N2和/或相关TRP索引来操作AI/ML模型的情况下，当基于特定单个/多个实例或特定持续时间期间的输出性能的监测性能小于或等于特定级别或对应于由多个阈值定义的特定阈值范围时，UE可向网络（例如，BS和/或LMF）请求重新配置N2和/或相关TRP索引中的一些或全部。

由于N2的变化可能与AI/ML模型的切换/更新有关，所以UE的重新配置请求还可包括与模型切换/更新有关的请求信息。

在情况2中，即使AI/ML模型的输入分布由于根据N2和/或相关TRP索引的输入子集配置的变化而变化，当所计算的变化之前和之后的模型的输出分布之间的相似度等于或大于特定级别时，可至少部分地维持与AI/ML模型和输入子集有关的信息而不改变。当所计算的输出分布之间的相似度对应于由多个阈值限定的特定阈值范围时，可针对特定阈值范围根据预定义方法执行N2改变、TRP索引改变和AI/ML模型改变中的一些或全部。

尽管以上描述是基于请求AI/ML模型的更新/切换或N2的重新配置的实体是UE的假设给出的，但本公开的范围不限于此，这些操作也可由各种其它装置（例如，BS或网络节点）执行。

图22是示出根据实施方式的网络和UE的操作的图。

参照图22，网络可向UE发送与用于定位的多个TRP有关的至少一个AI/ML模型的配置（A05）。

UE可配置与用于定位的多个TRP有关的至少一个AI/ML模型（A10）。

网络可向UE发送TRP子集配置（A15）。TRP子集配置可包括TRP的数量、TRP标识信息或TRP子集标识信息中的至少一个。

UE可基于TRP子集配置从多个TRP中确定特定TRP子集（A20）。TRP子集可基于关于各个TRP的LoS/NLos信息、各个TRP的信号测量、UE所在的区域或UE可检测的TRP的数量中的至少一个来确定。

UE可基于特定TRP子集获得输入数据子集（A25）。

UE可基于输入数据子集获得从至少一个AI/ML模型输出的定位信息（A30）。

UE可基于定位信息向网络发送定位相关报告（A35）。定位相关报告可包括关于特定TRP子集或输入数据子集中的至少一个的信息。例如，基于特定TRP子集包括与TRP子集配置中所包括的TRP的数量不同的数量的TRP，定位相关报告可包括特定TRP子集中所包括的TRP的数量或TRP标识信息中的至少一个。

UE可基于从至少一个AI/ML模型输出的定位信息来确定至少一个AI/ML模型的性能（A40）。

基于所确定的至少一个AI/ML模型的性能小于或等于阈值，UE可向网络发送对TRP子集的重新配置请求消息（A45）。

基于对TRP子集的重新配置请求包括TRP子集中所包括的TRP总数的改变，该消息还可包括针对至少一个AI/ML模型的切换或更新的请求。

基于TRP子集的重新配置之前和之后的至少一个AI/ML模型的输出分布之间的相似度等于或大于特定级别，可维持至少一个AI/ML模型。

图23是示出根据实施方式的UE的操作的图。

参照图23，UE可配置与用于定位的多个TRP有关的至少一个AI/ML模型（B05）。

UE可基于多个TRP中的TRP子集获得输入数据子集（B10）。

UE可基于输入数据子集获得从至少一个AI/ML模型输出的定位信息（B15）。

UE可基于定位信息向网络发送定位相关报告（B20）。

定位相关报告可包括关于TRP子集或输入数据子集中的至少一个的信息。

例如，UE可从网络接收TRP子集配置。TRP子集配置可包括TRP的数量或TRP标识信息中的至少一个。

基于TRP子集包括与TRP子集配置中所包括的TRP的数量不同的数量的TRP，定位相关报告可包括TRP子集中所包括的TRP的数量或TRP标识信息中的至少一个。

例如，UE可基于从网络接收的TRP子集标识信息从多个TRP子集当中选择TRP子集。

可基于关于各个TRP的LoS/NLos信息、各个TRP的信号测量、UE所在的区域或UE可检测的TRP的数量中的至少一个来确定TRP子集。

UE可基于从至少一个AI/ML模型输出的定位信息来确定至少一个AI/ML模型的性能。

基于所确定的至少一个AI/ML模型的性能小于或等于阈值，UE可向网络发送对TRP子集的重新配置请求消息。

基于对TRP子集的重新配置请求包括TRP子集中所包括的TRP的总数的改变，该消息还可包括针对至少一个AI/ML模型的切换或更新的请求。

基于TRP子集的重新配置之前和之后的至少一个AI/ML模型的输出分布之间的相似度等于或大于特定级别，可维持至少一个AI/ML模型。

图24是示出根据实施方式的网络节点的操作的图。网络节点可以是BS或具有LMF的节点。

参照图24，网络节点可向UE发送针对与用于定位的多个TRP有关的至少一个AI/ML模型的配置（C05）。

网络节点可向UE发送针对多个TRP的TRP子集配置（C10）。TRP子集配置可包括TRP子集中的TRP的数量或TRP标识信息中的至少一个。

网络节点可从UE接收包括定位信息的定位相关报告（C15）。定位相关报告可包括关于提供给至少一个AI/ML模型以输出定位信息的输入数据子集或与输入数据子集有关的特定TRP子集中的至少一个的信息。

基于特定TRP子集包括与TRP子集配置中所包括的TRP的数量不同的数量的TRP，定位相关报告可包括TRP子集中所包括的TRP的数量或TRP标识信息中的至少一个。

例如，BS可向UE发送针对特定TRP子集的TRP子集标识信息。

特定TRP子集可基于关于各个TRP的LoS/NLos信息、各个TRP的信号测量、UE所在的区域或UE可检测的TRP的数量中的至少一个来确定。

可基于从至少一个AI/ML模型输出的定位信息来确定至少一个AI/ML模型的性能。

基于至少一个AI/ML模型的性能小于或等于阈值，网络节点可从UE接收对TRP子集的重新配置请求的消息。

基于对TRP子集的重新配置的请求包括TRP子集中所包括的TRP的总数的改变，该消息还可包括针对至少一个AI/ML模型的切换或更新的请求。

基于TRP子集的重新配置之前和之后的至少一个AI/ML模型的输出分布之间的相似度等于或大于特定级别，可维持至少一个AI/ML模型。

图25示出应用于本公开的通信系统1。

参照图25，应用于本公开的通信系统1包括无线装置、基站（BS）和网络。本文中，无线装置表示使用无线电接入技术（RAT）（例如，5G新RAT（NR）或长期演进（LTE））执行通信的装置，并且可被称为通信/无线电/5G装置。无线装置可包括（但不限于）机器人100a、车辆100b-1和100b-2、扩展现实（XR）装置100c、手持装置100d、家用电器100e、物联网（IoT）装置100f和人工智能（AI）装置/服务器400。例如，车辆可包括具有无线通信功能的车辆、自主驾驶车辆以及能够在车辆之间执行通信的车辆。本文中，车辆可包括无人驾驶飞行器（UAV）（例如，无人机）。XR装置可包括增强现实（AR）/虚拟现实（VR）/混合现实（MR）装置，并且可按头戴式装置（HMD）、安装在车辆中的平视显示器（HUD）、电视、智能电话、计算机、可穿戴装置、家用电器装置、数字标牌、车辆、机器人等的形式实现。手持装置可包括智能电话、智能板、可穿戴装置（例如，智能手表或智能眼镜）和计算机（例如，笔记本）。家用电器可包括TV、冰箱和洗衣机。IoT装置可包括传感器和智能仪表。例如，BS和网络可被实现为无线装置，并且特定无线装置200a可相对于其它无线装置作为BS/网络节点操作。

无线装置100a至100f可经由BS 200连接到网络300。AI技术可应用于无线装置100a至100f，并且无线装置100a至100f可经由网络300连接到AI服务器400。网络300可使用3G网络、4G（例如，LTE）网络或5G（例如，NR）网络来配置。尽管无线装置100a至100f可通过BS200/网络300彼此通信，但是无线装置100a至100f可彼此执行直接通信（例如，侧链路通信）而不经过BS/网络。例如，车辆100b-1和100b-2可执行直接通信（例如，车辆对车辆（V2V）/车辆对万物（V2X）通信）。IoT装置（例如，传感器）可与其它IoT装置（例如，传感器）或其它无线装置100a至100f执行直接通信。

可在无线装置100a至100f/BS 200或BS 200/BS 200之间建立无线通信/连接150a、150b或150c。本文中，可通过诸如上行链路/下行链路通信150a、侧链路通信150b（或D2D通信）或BS间通信（例如，中继、集成接入回程（IAB））的各种RAT（例如，5G NR）建立无线通信/连接。无线装置和BS/无线装置可通过无线通信/连接150a和150b向彼此发送/从彼此接收无线电信号。例如，无线通信/连接150a和150b可通过各种物理信道发送/接收信号。为此，配置用于发送/接收无线电信号的过程、各种信号处理过程（例如，信道编码/解码、调制/解调和资源映射/解映射）和资源分配过程的各种配置信息的至少一部分可基于本公开的各种提议执行。

图26示出适用于本公开的无线装置。

参照图26，第一无线装置100和第二无线装置200可通过各种RAT（例如，LTE和NR）发送无线电信号。本文中，{第一无线装置100和第二无线装置200}可对应于图25的{无线装置100x和BS 200}和/或{无线装置100x和无线装置100x}。

第一无线装置100可包括一个或更多个处理器102和一个或更多个存储器104，并且另外还包括一个或更多个收发器106和/或一个或更多个天线108。处理器102可控制存储器104和/或收发器106，并且可被配置为实现本文献中公开的描述、功能、过程、提议、方法和/或操作流程图。例如，处理器102可处理存储器104内的信息以生成第一信息/信号，然后通过收发器106发送包括第一信息/信号的无线电信号。处理器102可通过收发器106接收包括第二信息/信号的无线电信号，然后将通过处理第二信息/信号而获得的信息存储在存储器104中。存储器104可连接到处理器102，并且可存储与处理器102的操作有关的各种信息。例如，存储器104可存储包括用于执行由处理器102控制的部分或全部过程或用于执行本文献中公开的描述、功能、过程、提议、方法和/或操作流程图的命令的软件代码。本文中，处理器102和存储器104可以是被设计为实现RAT（例如，LTE或NR）的通信调制解调器/电路/芯片的一部分。收发器106可连接到处理器102并且通过一个或更多个天线108发送和/或接收无线电信号。各个收发器106可包括发送器和/或接收器。收发器106可与射频（RF）单元互换使用。在本公开中，无线装置可表示通信调制解调器/电路/芯片。

第二无线装置200可包括一个或更多个处理器202和一个或更多个存储器204，并且另外还包括一个或更多个收发器206和/或一个或更多个天线208。处理器202可控制存储器204和/或收发器206，并且可被配置为实现本文献中公开的描述、功能、过程、提议、方法和/或操作流程图。例如，处理器202可处理存储器204内的信息以生成第三信息/信号，然后通过收发器206发送包括第三信息/信号的无线电信号。处理器202可通过收发器206接收包括第四信息/信号的无线电信号，然后将通过处理第四信息/信号而获得的信息存储在存储器204中。存储器204可连接到处理器202，并且可存储与处理器202的操作有关的各种信息。例如，存储器204可存储包括用于执行由处理器202控制的部分或全部过程或用于执行本文献中公开的描述、功能、过程、提议、方法和/或操作流程图的命令的软件代码。本文中，处理器202和存储器204可以是被设计为实现RAT（例如，LTE或NR）的通信调制解调器/电路/芯片的一部分。收发器206可连接到处理器202并且通过一个或更多个天线208发送和/或接收无线电信号。各个收发器206可包括发送器和/或接收器。收发器206可与RF单元互换使用。在本公开中，无线装置可表示通信调制解调器/电路/芯片。

在下文中，将更具体地描述无线装置100和200的硬件元件。一个或更多个协议层可由（但不限于）一个或更多个处理器102和202实现。例如，一个或更多个处理器102和202可实现一个或更多个层（例如，诸如PHY、MAC、RLC、PDCP、RRC和SDAP的功能层）。一个或更多个处理器102和202可根据本文献中公开的描述、功能、过程、提议、方法和/或操作流程图来生成一个或更多个协议数据单元（PDU）和/或一个或更多个服务数据单元（SDU）。一个或更多个处理器102和202可根据本文献中公开的描述、功能、过程、提议、方法和/或操作流程图来生成消息、控制信息、数据或信息。一个或更多个处理器102和202可根据本文献中公开的描述、功能、过程、提议、方法和/或操作流程图来生成包括PDU、SDU、消息、控制信息、数据或信息的信号（例如，基带信号），并且将所生成的信号提供给一个或更多个收发器106和206。一个或更多个处理器102和202可根据本文献中公开的描述、功能、过程、提议、方法和/或操作流程图来从一个或更多个收发器106和206接收信号（例如，基带信号）并获取PDU、SDU、消息、控制信息、数据或信息。

一个或更多个处理器102和202可被称为控制器、微控制器、微处理器或微计算机。一个或更多个处理器102和202可由硬件、固件、软件或其组合实现。作为示例，一个或更多个专用集成电路（ASIC）、一个或更多个数字信号处理器（DSP）、一个或更多个数字信号处理器件（DSPD）、一个或更多个可编程逻辑器件（PLD）或者一个或更多个现场可编程门阵列（FPGA）可被包括在一个或更多个处理器102和202中。本文献中公开的描述、功能、过程、提议、方法和/或操作流程图可使用固件或软件来实现，并且固件或软件可被配置为包括模块、过程或功能。被配置为执行本文献中公开的描述、功能、过程、提议、方法和/或操作流程图的固件或软件可被包括在一个或更多个处理器102和202中或被存储在一个或更多个存储器104和204中，以由一个或更多个处理器102和202驱动。本文献中公开的描述、功能、过程、提议、方法和/或操作流程图可按代码、命令和/或命令集的形式使用固件或软件来实现。

一个或更多个存储器104和204可连接到一个或更多个处理器102和202并且存储各种类型的数据、信号、消息、信息、程序、代码、指令和/或命令。一个或更多个存储器104和204可由只读存储器（ROM）、随机存取存储器（RAM）、电可擦除可编程只读存储器（EPROM）、闪存、硬盘驱动器、寄存器、高速缓冲存储器、计算机可读存储介质和/或其组合配置。一个或更多个存储器104和204可位于一个或更多个处理器102和202的内部和/或外部。一个或更多个存储器104和204可通过诸如有线或无线连接的各种技术连接到一个或更多个处理器102和202。

一个或更多个收发器106和206可向一个或更多个其它装置发送本文献的方法和/或操作流程图中提及的用户数据、控制信息和/或无线电信号/信道。一个或更多个收发器106和206可从一个或更多个其它装置接收本文献中公开的描述、功能、过程、提议、方法和/或操作流程图中提及的用户数据、控制信息和/或无线电信号/信道。例如，一个或更多个收发器106和206可连接到一个或更多个处理器102和202并且发送和接收无线电信号。例如，一个或更多个处理器102和202可执行控制以使得一个或更多个收发器106和206可向一个或更多个其它装置发送用户数据、控制信息或无线电信号。一个或更多个处理器102和202可执行控制以使得一个或更多个收发器106和206可从一个或更多个其它装置接收用户数据、控制信息或无线电信号。一个或更多个收发器106和206可连接到一个或更多个天线108和208，并且一个或更多个收发器106和206可被配置为通过一个或更多个天线108和208发送和接收本文献中公开的描述、功能、过程、提议、方法和/或操作流程图中提及的用户数据、控制信息和/或无线电信号/信道。在本文献中，一个或更多个天线可以是多个物理天线或多个逻辑天线（例如，天线端口）。一个或更多个收发器106和206可将所接收的无线电信号/信道等从RF频带信号转换为基带信号，以便使用一个或更多个处理器102和202处理所接收的用户数据、控制信息、无线电信号/信道等。一个或更多个收发器106和206可将使用一个或更多个处理器102和202处理的用户数据、控制信息、无线电信号/信道等从基带信号转换为RF频带信号。为此，一个或更多个收发器106和206可包括（模拟）振荡器和/或滤波器。

图27示出应用于本公开的无线装置的另一示例。无线装置可根据使用情况/服务（参照图25）以各种形式实现。

参照图27，无线装置100和200可对应于图26的无线装置100和200，并且可由各种元件、组件、单元/部分和/或模块配置。例如，无线装置100和200中的每一个可包括通信单元110、控制单元120、存储器单元130和附加组件140。通信单元可包括通信电路112和收发器114。例如，通信电路112可包括图26的一个或更多个处理器102和202和/或一个或更多个存储器104和204。例如，收发器114可包括图26的一个或更多个收发器106和206和/或一个或更多个天线108和208。控制单元120电连接到通信单元110、存储器单元130和附加组件140，并且控制无线装置的总体操作。例如，控制单元120可基于存储在存储器单元130中的程序/代码/命令/信息来控制无线装置的电/机械操作。控制单元120可通过无线/有线接口经由通信单元110将存储在存储器单元130中的信息发送到外部（例如，其它通信装置），或者通过无线/有线接口将经由通信单元110从外部（例如，其它通信装置）接收的信息存储在存储器单元130中。

附加组件140可根据无线装置的类型不同地配置。例如，附加组件140可包括电源单元/电池、输入/输出（I/O）单元、驱动单元和计算单元中的至少一个。无线装置可按（但不限于）机器人（图25的100a）、车辆（图25的100b-1和100b-2）、XR装置（图25的100c）、手持装置（图25的100d）、家用电器（图25的100e）、IoT装置（图25的100f）、数字广播终端、全息装置、公共安全装置、MTC装置、医疗装置、金融科技装置（或金融装置）、安全装置、气候/环境装置、AI服务器/装置（图25的400）、BS（图25的200）、网络节点等实现。无线装置可根据使用示例/服务在移动或固定场所使用。

在图27中，无线装置100和200中的各种元件、组件、单元/部分和/或模块可全部通过有线接口彼此连接，或者其至少一部分可通过通信单元110无线连接。例如，在无线装置100和200中的每一个中，控制单元120和通信单元110可有线连接，并且控制单元120和第一单元（例如，130和140）可通过通信单元110无线连接。无线装置100和200内的各个元件、组件、单元/部分和/或模块还可包括一个或更多个元件。例如，控制单元120可由一个或更多个处理器的集合配置。作为示例，控制单元120可由通信控制处理器、应用处理器、电子控制单元（ECU）、图形处理单元和存储器控制处理器的集合配置。作为另一示例，存储器单元130可由随机存取存储器（RAM）、动态RAM（DRAM）、只读存储器（ROM））、闪存、易失性存储器、非易失性存储器和/或其组合配置。

图28示出应用于本公开的车辆或自主驾驶车辆。车辆或自主驾驶车辆可由移动机器人、汽车、火车、有人/无人驾驶飞行器（AV）、船只等实现。

参照图28，车辆或自主驾驶车辆100可包括天线单元108、通信单元110、控制单元120、驱动单元140a、电源单元140b、传感器单元140c和自主驾驶单元140d。天线单元108可被配置为通信单元110的一部分。块110/130/140a至140d分别对应于图27的块110/130/140。

通信单元110可向诸如其它车辆、BS（例如，gNB和路边单元）和服务器的外部装置发送以及从其接收信号（例如，数据和控制信号）。控制单元120可通过控制车辆或自主驾驶车辆100的元件来执行各种操作。控制单元120可包括电子控制单元（ECU）。驱动单元140a可使得车辆或自主驾驶车辆100在道路上行驶。驱动单元140a可包括发动机、电机、动力系统、车轮、制动器、转向装置等。电源单元140b可向车辆或自主驾驶车辆100供电，并且包括有线/无线充电电路、电池等。传感器单元140c可获取车辆状态、周围环境信息、用户信息等。传感器单元140c可包括惯性测量单元（IMU）传感器、碰撞传感器、车轮传感器、速度传感器、坡度传感器、重量传感器、航向传感器、位置模块、车辆前进/后退传感器、电池传感器、燃料传感器、轮胎传感器、转向传感器、温度传感器、深度传感器、超声波传感器、照明传感器、踏板位置传感器等。自主驾驶单元140d可实现用于维持车辆正在行驶的车道的技术、用于自动地调节速度的技术（例如，自适应巡航控制）、用于沿着所确定的路径自主行驶的技术、如果设定目的地则通过自动设定路径来行驶的技术等。

例如，通信单元110可从外部服务器接收地图数据、交通信息数据等。自主驾驶单元140d可从所获得的数据生成自主驾驶路径和驾驶计划。控制单元120可控制驱动单元140a，使得车辆或自主驾驶车辆100可根据驾驶计划（例如，速度/方向控制）沿着自主驾驶路径移动。在自主驾驶的中间，通信单元110可非周期性地/周期性地从外部服务器获取最近交通信息数据，并且从邻近车辆获取周围交通信息数据。在自主驾驶的中间，传感器单元140c可获得车辆状态和/或周围环境信息。自主驾驶单元140d可基于新获得的数据/信息来更新自主驾驶路径和驾驶计划。通信单元110可将关于车辆位置、自主驾驶路径和/或驾驶计划的信息传送到外部服务器。外部服务器可基于从车辆或自主驾驶车辆收集的信息使用AI技术等预测交通信息数据，并将所预测的交通信息数据提供给车辆或自主驾驶车辆。

上述实施方式对应于本公开的元件和特征按规定形式的组合。并且，除非明确地提及，否则各个元件或特征可被视为选择性的。各个元件或特征可按照不与其它元件或特征组合的形式实现。此外，能够通过部分地将元件和/或特征组合在一起来实现本公开的实施方式。可修改针对本公开的各个实施方式说明的操作顺序。一个实施方式的一些配置或特征可被包括在另一实施方式中，或者可代替另一实施方式的对应配置或特征。并且，可显而易见地理解，实施方式通过将所附权利要求书中没有明确引用关系的权利要求组合在一起来配置，或者可在提交申请之后通过修改作为新的权利要求而被包括。

本领域技术人员将理解，在不脱离本公开的精神和基本特性的情况下，本公开可按照本文所阐述的那些形式以外的其它特定形式来实施。因此，上述实施方式在所有方面均应被解释为是例示性的，而非限制性的。本公开的范围应该由所附权利要求及其法律上的等同物来确定，而非由以上描述来确定，落入所附权利要求的含义和等同范围内的所有改变均旨在涵盖于其中。

工业实用性

本公开适用于无线移动通信系统中的UE、BS或其它设备。

Claims (15)

1.一种在无线通信系统中由用户设备UE执行的方法，该方法包括以下步骤：

配置与用于定位的多个发送和接收点TRP有关的至少一个人工智能/机器学习AI/ML模型；

基于所述多个TRP中的TRP子集获得输入数据子集；

基于所述输入数据子集获得从所述至少一个AI/ML模型输出的定位信息；以及

基于所述定位信息向网络发送定位相关报告，

其中，所述定位相关报告包括关于所述TRP子集或所述输入数据子集中的至少一个的信息。

2.根据权利要求1所述的方法，该方法还包括以下步骤：

从所述网络接收TRP子集配置，

其中，所述TRP子集配置包括TRP的数量或TRP标识信息中的至少一个。

3.根据权利要求2所述的方法，其中，基于所述TRP子集包括与所述TRP子集配置中所包括的TRP的数量不同的数量的TRP，所述定位相关报告包括所述TRP子集中所包括的TRP的数量或TRP标识信息中的至少一个。

4.根据权利要求1所述的方法，其中，所述UE基于从所述网络接收的TRP子集标识信息来从多个TRP子集当中选择所述TRP子集。

5.根据权利要求1所述的方法，其中，基于关于各个TRP的视线/非视线LoS/NLos信息、针对各个TRP的信号测量、所述UE所在的区域或所述UE所能够检测的TRP的数量中的至少一个来确定所述TRP子集。

6.根据权利要求1所述的方法，该方法还包括以下步骤：

基于从所述至少一个AI/ML模型输出的所述定位信息来确定所述至少一个AI/ML模型的性能；以及

基于所确定的所述至少一个AI/ML模型的性能小于或等于阈值，向所述网络发送针对所述TRP子集的重新配置请求的消息。

7.根据权利要求6所述的方法，其中，基于针对所述TRP子集的所述重新配置请求包括所述TRP子集中所包括的TRP的总数的改变，所述消息还包括针对所述至少一个AI/ML模型的切换或更新的请求。

8.根据权利要求6所述的方法，其中，基于所述TRP子集的重新配置之前和之后的所述至少一个AI/ML模型的输出分布之间的相似度等于或大于特定级别，维持所述至少一个AI/ML模型。

9.一种计算机可读记录介质，该计算机可读记录介质上记录有用于执行根据权利要求1所述的方法的程序。

10.一种用于无线通信的设备，该设备包括：

存储器，该存储器存储指令；以及

处理器，该处理器通过执行所述指令来执行操作，

其中，所述处理器的所述操作包括：

配置与用于定位的多个发送和接收点TRP有关的至少一个人工智能/机器学习AI/ML模型；

基于所述多个TRP中的TRP子集获得输入数据子集；

基于所述输入数据子集获得从所述至少一个AI/ML模型输出的定位信息；以及

基于所述定位信息向网络发送定位相关报告，并且

其中，所述定位相关报告包括关于所述TRP子集或所述输入数据子集中的至少一个的信息。

11.根据权利要求10所述的设备，该设备还包括：

收发器，该收发器在所述处理器的控制下发送或接收无线信号，

其中，所述设备是在无线通信系统中操作的用户设备UE。

12.根据权利要求10所述的设备，其中，所述设备是被配置为控制在无线通信系统中操作的UE的处理装置。

13.一种在无线通信系统中由网络节点执行的方法，该方法包括以下步骤：

向用户设备UE发送针对与用于定位的多个发送和接收点TRP有关的至少一个人工智能/机器学习AI/ML模型的配置；

向所述UE发送针对所述多个TRP的TRP子集配置；以及

从所述UE接收包括定位信息的定位相关报告，

其中，所述定位相关报告包括关于提供给所述至少一个AI/ML模型以输出所述定位信息的输入数据子集或与所述输入数据子集有关的TRP子集中的至少一个的信息。

14.一种无线通信系统中的网络节点，该网络节点包括：

存储器，该存储器存储指令；以及

处理器，该处理器通过执行所述指令来执行操作，

其中，所述处理器的所述操作包括：

向用户设备UE发送针对与用于定位的多个发送和接收点TRP有关的至少一个人工智能/机器学习AI/ML模型的配置；

向所述UE发送针对所述多个TRP的TRP子集配置；以及

从所述UE接收包括定位信息的定位相关报告，并且

其中，所述定位相关报告包括关于提供给所述至少一个AI/ML模型以输出所述定位信息的输入数据子集或与所述输入数据子集有关的TRP子集中的至少一个的信息。

15.根据权利要求14所述的网络节点，其中，所述网络节点是基站BS或具有位置管理功能LMF的节点。