CN113994608A - 用于天线切换分集的动态门限 - Google Patents
用于天线切换分集的动态门限 Download PDFInfo
- Publication number
- CN113994608A CN113994608A CN202080045460.XA CN202080045460A CN113994608A CN 113994608 A CN113994608 A CN 113994608A CN 202080045460 A CN202080045460 A CN 202080045460A CN 113994608 A CN113994608 A CN 113994608A
- Authority
- CN
- China
- Prior art keywords
- antenna
- threshold
- neural network
- antennas
- dynamic threshold
- 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.)
- Granted
Links
- 238000004891 communication Methods 0.000 claims abstract description 249
- 238000005259 measurement Methods 0.000 claims abstract description 237
- 238000013528 artificial neural network Methods 0.000 claims abstract description 166
- 238000010801 machine learning Methods 0.000 claims abstract description 150
- 238000000034 method Methods 0.000 claims abstract description 145
- 230000003068 static effect Effects 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims description 133
- 230000006870 function Effects 0.000 claims description 66
- 230000005540 biological transmission Effects 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 22
- 230000000737 periodic effect Effects 0.000 claims description 11
- 230000003213 activating effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 abstract description 63
- 239000003795 chemical substances by application Substances 0.000 description 121
- 238000010586 diagram Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 20
- 230000008093 supporting effect Effects 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 17
- 230000009471 action Effects 0.000 description 11
- 230000011664 signaling Effects 0.000 description 11
- 230000007613 environmental effect Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000003491 array Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 239000000969 carrier Substances 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000001976 improved effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- H04B7/0602—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 antenna switching
- H04B7/0608—Antenna selection according to transmission parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- 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
- H04B7/0404—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas the mobile station comprising multiple antennas, e.g. to provide uplink diversity
-
- 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
- H04B7/0413—MIMO systems
-
- 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
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0802—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using antenna selection
-
- 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
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0802—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using antenna selection
- H04B7/0805—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using antenna selection with single receiver and antenna switching
- H04B7/0814—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using antenna selection with single receiver and antenna switching based on current reception conditions, e.g. switching to different antenna when signal level is below threshold
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/245—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters taking into account received signal strength
-
- 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
- H04B7/0413—MIMO systems
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
- Radio Transmission System (AREA)
Abstract
描述了用于无线通信的方法、***和设备。在一些***中,用户设备(UE)实现用于天线切换的动态门限。与静态门限相比,动态门限可以改善UE使用“最优”天线(例如,具有最高参考信号接收功率(RSRP)的天线)进行操作的时间百分比。例如,UE使用第一天线与另一设备进行通信。UE跟踪针对第一天线的当前通信测量值(例如,RSRP值),并且基于该测量来执行天线切换测试。对于该测试,UE可以基于机器学习代理来更新用于天线切换的动态门限,其中该代理可以包括确定经更新的动态门限的神经网络。UE执行与动态门限的比较,以确定是否切换操作天线。
Description
本专利申请要求享受于2019年6月27日提交的、名称为“DYNAMIC THRESHOLDS FORANTENNA SWITCHING DIVERSITY(用于天线切换分集的动态门限)”的申请16/455,460号的权益和优先权,上述申请被转让给本申请的受让人,并且据此通过引用的方式将上述申请明确地并入本文中。
技术领域
概括而言,下文涉及无线通信,并且更具体地,下文涉及用于天线切换分集(ASDIV)的改进的门限。
背景技术
无线通信***被广泛地部署以提供诸如语音、视频、分组数据、消息传送、广播等各种类型的通信内容。这些***能够通过共享可用的***资源(例如,时间、频率和功率)来支持与多个用户的通信。这样的多址***的示例包括***(4G)***(例如,长期演进(LTE)***、改进的LTE(LTE-A)***或LTE-A专业***)和第五代(5G)***(其可以被称为新无线电(NR)***)。这些***可以采用诸如以下各项的技术:码分多址(CDMA)、时分多址(TDMA)、频分多址(FDMA)、正交频分多址(OFDMA)或者离散傅里叶变换扩频正交频分复用(DFT-S-OFDM)。无线多址通信***可以包括多个基站或网络接入节点,每个基站或网络接入节点同时支持针对多个通信设备(其可以另外被称为用户设备(UE))的通信。
一些UE可以实现ASDIV特征以从在一个天线上进行操作切换到在另一天线上进行操作。例如,UE可以包括用于通信的多个天线(例如,两个天线、四个天线等),并且可以使用活动天线(例如,在上行链路上、在下行链路上、或在两者上)进行操作。在一些情况下,基于针对活动天线的当前测量,UE可以切换为使用不同的天线进行操作。天线切换可以允许UE支持无线通信***中的可靠传输。
发明内容
所描述的技术涉及支持用于天线切换分集(ASDIV)的动态门限的改进的方法、***、设备和装置。概括而言,所描述的技术通过基于动态门限来切换操作天线,从而提供可靠的通信。与静态门限相比,动态门限可以提高设备(诸如用户设备(UE))使用“最优”天线(例如,具有最高参考信号接收功率(RSRP)的天线、使用最小发射功率的天线等)进行操作的时间百分比,同时减少天线切换的数量。例如,UE可以使用天线集合中的第一天线与另一无线设备(例如,另一UE、基站等)进行通信。UE可以跟踪针对第一天线的通信测量(例如,RSRP值、发射功率等),并且可以基于当前通信测量来执行天线切换测试。对于天线切换测试,UE可以基于机器学习代理单元来更新动态门限。机器学习代理单元可以是特定于UE的用户、UE、UE的类型、芯片组或这些的某种组合来训练的,并且机器学习代理单元可以包括用于确定经更新的动态门限的神经网络。UE可以执行与动态门限的比较,并且基于该比较来确定是否切换操作天线。
附图说明
图1至图3示出了根据本公开内容的各方面的支持用于天线切换分集(ASDIV)的动态门限的无线通信***的示例。
图4示出了根据本公开内容的各方面的支持用于ASDIV的动态门限的机器学习代理单元训练的示例。
图5示出了根据本公开内容的各方面的支持用于ASDIV的动态门限的机器学习模型的示例。
图6示出了根据本公开内容的各方面的支持用于ASDIV的动态门限的决策图的示例。
图7示出了根据本公开内容的各方面的支持用于ASDIV的动态门限的天线切换过程的示例。
图8示出了根据本公开内容的各方面的支持用于ASDIV的动态门限的过程流的示例。
图9和图10示出了根据本公开内容的各方面的支持用于ASDIV的动态门限的设备的框图。
图11示出了根据本公开内容的各方面的支持用于ASDIV的动态门限的天线管理器的框图。
图12示出了根据本公开内容的各方面的包括支持用于ASDIV的动态门限的设备的***的图。
图13至图16示出了说明根据本公开内容的各方面的支持用于ASDIV的动态门限的方法的流程图。
具体实施方式
在一些无线通信***中,诸如用户设备(UE)之类的无线设备可以实现天线切换以支持可靠的通信。例如,UE可以包括天线切换分集(ASDIV)特征,以控制从在UE的第一天线上操作到在UE的第二天线上操作的切换。在一些情况下,UE可以确定针对一个或多个天线的一个或多个当前通信测量,并且可以基于当前通信测量来确定是否切换活动天线。在第一种情况下,UE可以基于针对UE处的天线集合的参考信号接收功率(RSRP)来确定是否切换活动天线。在第二种情况下,UE可以基于用于通过活动天线进行的传输的发射功率来确定是否切换活动天线。UE处的天线切换决策可以是基于天线切换门限的。
一些UE可以实现用于天线切换的静态门限。例如,UE可以被配置有静态门限,并且每个UE可以将当前通信测量与相应的静态门限进行比较。在一个示例中,UE可以将两个天线的RSRP值的差与静态门限进行比较,并且如果该差大于或等于静态门限(例如,在活动天线的RSRP显著地小于UE的另一天线的RSRP的情况下),则UE可以切换活动天线。然而,可以选择静态门限以支持特定的用例和/或环境,而不是支持多个不同的用例和/或环境。因此,静态门限可能导致在不同的用例、不同的环境或变化的无线通信***中的低效性能。例如,在某些环境中静态门限可能导致在UE的“最优”天线(例如,具有最高RSRP值或将最低发射功率用于天线候选集合的传输的天线)上花费相对低的时间百分比。
为了支持高效的天线切换,UE可以实现动态天线切换门限。当UE执行天线切换测试时(例如,如果UE确定其在测量间隔内未使用“最优”天线进行操作),则UE可以基于UE的一个或多个操作条件来更新动态门限。例如,如果活动天线始终以相对较小的余量保持“非最优”,则UE可以降低动态门限以允许将天线切换到更加“最优”的天线(例如,尽管针对天线的RSRP的差很小)。相反,如果“非最优”的天线是异常值,则UE可以增加动态门限以避免低效的天线切换。UE可以基于经更新的动态门限值来确定是否切换活动天线,并且可以根据切换决策来与另一无线设备进行通信。
在一些情况下,可以使用包含经训练的神经网络的机器学习代理单元来确定动态天线切换门限。可以训练神经网络以输出产生高效的天线切换过程的动态门限值。在一些情况下,神经网络可以在UE处在线进行进一步训练,以针对UE的特定环境或特定操作条件进行进一步配置。神经网络可以接收当前通信测量作为输入(例如,针对天线的RSRP值的差),并且可以输出与多个潜在门限值相关联的概率。可以选择与最高输出概率相对应的门限值作为经更新的动态门限,并且UE可以使用该经更新的门限值来确定是否从当前的活动天线切换到不同的更加“最优”的天线(例如,具有更高的当前RSRP值的天线)。
首先在无线通信***的背景下描述了本公开内容的各方面。参照机器学习代理单元(例如,训练、节点、决策等)和天线切换过程描述了额外方面。进一步通过涉及使用机器学习代理单元的用于ASDIV的动态门限的装置图、***图和流程图来示出并且参照这些图来描述本公开内容的各方面。
图1示出了根据本公开内容的各方面的支持用于ASDIV的动态门限的无线通信***100的示例。无线通信***100可以包括基站105、UE 115以及核心网络130。在一些示例中,无线通信***100可以是长期演进(LTE)网络、改进的LTE(LTE-A)网络、LTE-A专业网络或新无线电(NR)网络。在一些情况下,无线通信***100可以支持增强型宽带通信、超可靠(例如,关键任务)通信、低时延通信或者与低成本且低复杂度设备的通信、或其任何组合。
基站105可以散布于整个地理区域中以形成无线通信***100,并且可以是不同形式或具有不同能力的设备。基站105和UE 115可以经由一个或多个通信链路125无线地进行通信。每个基站105可以提供覆盖区域110,UE 115和基站105可以在覆盖区域110上建立通信链路125。覆盖区域110可以是这样的地理区域的示例:在该地理区域上,基站105和UE115支持根据一种或多种无线电接入技术来传送信号。
UE 115可以散布于无线通信***100的整个覆盖区域110中,并且每个UE 115在不同时间可以是静止的、或移动的、或两者。UE 115可以是不同形式或具有不同能力的设备。在图1中示出了一些示例UE 115。本文描述的UE 115能够与各种类型的设备进行通信,诸如其它UE 115、基站105和/或网络设备(例如,核心网络节点、中继设备、集成接入和回程(IAB)节点或其它网络设备),如图1所示。
基站105可以与核心网络130进行通信,或者彼此进行通信,或者进行上述两种操作。例如,基站105可以通过回程链路132(例如,经由S1、N2、N3或其它接口)与核心网络130对接。基站105可以在回程链路120上(例如,经由X2、Xn或其它接口)上直接地(例如,直接在基站105之间)彼此进行通信,或者间接地(例如,经由核心网络130)彼此进行通信,或者进行上述两种操作。在一些示例中,回程链路120可以是或包括一个或多个无线链路。
本文描述的基站105中的一个或多个基站105可以包括或可以被本领域技术人员称为基站收发机、无线基站、接入点、无线收发机、节点B、演进型节点B(eNB)、下一代节点B或千兆节点B(任一项可以被称为gNB)、家庭节点B、家庭演进型节点B、或某种其它适当的术语。
UE 115可以包括或可以被称为移动设备、无线设备、远程设备、手持设备、或用户设备、或某种其它适当的术语,其中,“设备”还可以被称为单元、站、终端或客户端以及其它示例。UE 115还可以包括或被称为个人电子设备,诸如蜂窝电话、个人数字助理(PDA)、平板计算机、膝上型计算机或个人计算机。在一些示例中,UE 115可以包括或被称为无线本地环路(WLL)站、物联网(IoT)设备、万物联网(IoE)设备或机器类型通信(MTC)设备等,其可以是在诸如电器、运载工具、仪表等的各种物品中实现的。
本文描述的UE 115能够与各种类型的设备进行通信,诸如有时可以充当中继器的其它UE 115以及基站105和网络设备,包括宏eNB或gNB、小型小区eNB或gNB、中继基站等,如图1中所示。
UE 115和基站105可以在一个或多个载波上经由一个或多个通信链路125彼此无线地进行通信。术语“载波”指代具有用于支持通信链路125的定义的物理层结构的射频频谱资源集合。例如,用于通信链路125的载波可以包括射频频谱带的一部分(例如,带宽部分(BWP),其根据给定无线电接入技术(例如,LTE、LTE-A、LTE-A专业、NR)的物理层信道进行操作。每个物理层信道可以携带获取信令(例如,同步信号、***信息),协调用于载波的操作的控制信令、用户数据或其它信令。无线通信***100可以支持使用载波聚合或多载波操作与UE 115的通信。根据载波聚合配置,UE 115可以被配置有多个下行链路分量载波和一个或多个上行链路分量载波。载波聚合可以与频分双工(FDD)分量载波和时分双工(TDD)分量载波两者一起使用。
在载波上发送的信号波形可以由多个子载波构成(例如,使用诸如正交频分复用(OFDM)或离散傅里叶变换扩频OFDM(DFT-S-OFDM)之类的多载波调制(MCM)技术)。在采用MCM技术的***中,资源元素可以由一个符号周期(例如,一个调制符号的持续时间)和一个子载波组成,其中,符号周期和子载波间隔是逆相关的。每个资源元素携带的比特的数量可以取决于调制方案(例如,调制方案的阶数、调制方案的编码速率、或两者)。因此,UE 115接收的资源元素越多并且调制方案的阶数越高,针对UE 115的数据速率就可以越高。无线通信资源可以指代射频频谱资源、时间资源和空间资源(例如,空间层或波束)的组合,并且对多个空间层的使用可以进一步增加用于与UE 115的通信的数据速率或数据完整性。
可以以基本时间单位(其可以例如是指为Ts=1/(Δfmax·Nf)秒的采样周期,其中,Δfmax可以表示最大支持的子载波间隔,并且Nf可以表示最大支持的离散傅里叶变换(DFT)大小)的倍数来表示用于基站105或UE 115的时间间隔。可以根据均具有指定持续时间(例如,10毫秒(ms))的无线帧来组织通信资源的时间间隔。可以通过***帧号(SFN)(例如,范围从0到1023)来标识每个无线帧。
每个帧可以包括多个连续编号的子帧或时隙,并且每个子帧或时隙可以具有相同的持续时间。在一些情况下,帧可以被划分成子帧,并且每个子帧可以被进一步划分成多个时隙。替代地,每个帧可以包括可变数量的时隙,并且时隙的数量可以取决于子载波间隔。每个时隙可以包括多个符号周期(例如,这取决于在每个符号周期前面添加的循环前缀的长度)。在一些无线通信***100中,时隙可以进一步划分成包含一个或多个符号的多个微时隙。排除循环前缀,每个符号周期可以包含一个或多个(例如,Nf个)采样周期。符号周期的持续时间可以取决于子载波间隔或操作频带。
子帧、时隙、微时隙或符号可以是无线通信***100的最小调度单元,并且可以被称为传输时间间隔(TTI)。在一些情况下,TTI持续时间(即,TTI中的符号周期的数量)可以是可变的。另外或替代地,可以动态地选择无线通信***100的最小调度单元(例如,在缩短的TTI(sTTI)的突发中)。
可以根据各种技术在载波上对物理信道进行复用。例如,可以使用时分复用(TDM)技术、频分复用(FDM)技术或混合TDM-FDM技术来在下行链路载波上对物理控制信道和物理数据信道进行复用。用于物理控制信道的控制区域(例如,控制资源集合(CORESET))可以由多个符号周期来定义,并且可以在载波的***带宽或***带宽的子集上延伸。可以为UE115的集合配置一个或多个控制区域(例如,CORESET)。例如,UE 115可以根据一个或多个搜索空间集合针对控制信息来监测或搜索控制区域,并且每个搜索空间集合可以包括以级联方式布置的一个或多个聚合水平中的一个或多个控制信道候选。用于控制信道候选者的聚合水平可以指代与用于具有给定有效载荷大小的控制信息格式的编码信息相关联的控制信道资源(例如,控制信道元素(CCE))的数量。搜索空间集合可以包括被配置用于向多个UE115发送控制信息的公共搜索空间集合和用于向特定UE 115发送控制信息的特定于UE的搜索空间集合。
在一些示例中,基站105可以是可移动的,并且因此,提供针对移动的地理覆盖区域110的通信覆盖。在一些示例中,与不同的技术相关联的不同的地理覆盖区域110可以重叠,但是不同的地理覆盖区域110可以由同一基站105来支持。在其它示例中,与不同的技术相关联的重叠的地理覆盖区域110可以由不同的基站105来支持。无线通信***100可以包括例如异构网络,其中不同类型的基站105使用相同或不同的无线电接入技术来提供针对各个地理覆盖区域110的覆盖。
无线通信***100可以支持同步或异步操作。对于同步操作,基站105可以具有相似的帧定时,并且来自不同基站105的传输可以在时间上近似对齐。对于异步操作,基站105可以具有不同的帧定时,并且在一些示例中,来自不同基站105的传输可以不在时间上对齐。本文中描述的技术可以用于同步或异步操作。
一些UE 115(例如,MTC或IoT设备)可以是低成本或低复杂度设备,并且可以提供机器之间的自动化通信(例如,经由机器到机器(M2M)通信)。M2M通信或MTC可以指代允许设备在没有人为干预的情况下与彼此或基站105进行通信的数据通信技术。在一些示例中,M2M通信或MTC可以包括来自集成有传感器或计量仪以测量或捕获信息并且将这样的信息中继给中央服务器或应用程序的设备的通信,所述中央服务器或应用程序利用该信息或者将该信息呈现给与应用程序进行交互的人类。一些UE 115可以被设计为收集信息或者实现机器或其它设备的自动化行为。针对MTC设备的应用的示例包括智能计量、库存监控、水位监测、设备监测、医疗保健监测、野生生物监测、气候和地质事件监测、车队管理和跟踪、远程安全感测、物理访问控制、以及基于事务的业务计费。
无线通信***100可以被配置为支持超可靠通信或低时延通信、或其各种组合。例如,无线通信***100可以被配置为支持超可靠低时延通信(URLLC)或任务关键通信。UE115可以被设计为支持超可靠、低时延或关键功能(例如,任务关键功能)。超可靠通信可以包括私人通信或群组通信,并且可以由一个或多个关键任务型服务(诸如关键任务一键通(MCPTT)、关键任务视频(MCVideo)或关键任务数据(MCData))支持。对关键任务功能的支持可以包括服务的优先化,并且关键任务服务可以用于公共安全或一般商业应用。术语超可靠、低时延、关键任务和超可靠低时延在本文中可以可互换地使用。
在一些情况下,UE 115还能够在设备到设备(D2D)通信链路135上与其它UE 115直接进行通信(例如,使用对等(P2P)或D2D协议)。利用D2D通信的一个或多个UE 115可以在基站105的地理覆盖区域110内。这样的组中的其它UE 115可以在基站105的地理覆盖区域110之外,或者以其它方式无法从基站105接收传输。在一些情况下,经由D2D通信来进行通信的多组UE 115可以利用一到多(1:M)***,其中,每个UE 115向组中的每个其它UE 115进行发送。在一些示例中,基站105促进对用于D2D通信的资源的调度。在其它情况下,D2D通信是在UE 115之间执行的,而不涉及基站105。
核心网络130可以提供用户认证、接入授权、跟踪、互联网协议(IP)连接、以及其它接入、路由或移动性功能。核心网络130可以是演进分组核心(EPC)或5G核心(5GC),其可以包括管理接入和移动性的至少一个控制平面实体(例如,移动性管理实体(MME)、接入和移动性管理功能单元(AMF))以及将分组路由或互连到外部网络的至少一个用户平面实体(例如,服务网关(S-GW)、分组数据网络(PDN)网关(P-GW)、用户平面功能单元(UPF))。控制平面实体可以管理非接入层(NAS)功能,例如,针对由与核心网络130相关联的基站105服务的UE115的移动性、认证和承载管理。用户IP分组可以通过用户平面实体来传输,用户平面实体可以提供IP地址分配以及其它功能。用户平面实体可以连接到网络运营商IP服务150。运营商IP服务150可以包括对互联网、内联网、IP多媒体子***(IMS)或分组交换流服务的接入。
网络设备中的一些网络设备(例如,基站105)可以包括诸如接入网络实体140之类的子组件,其可以是接入节点控制器(ANC)的示例。每个接入网络实体140可以通过多个其它接入网络传输实体(其可以被称为无线电头端、智能无线电头端或发送/接收点(TRP))来与UE 115进行通信。每个接入网络传输实体145可以包括一个或多个天线面板。在一些配置中,每个接入网络实体140或基站105的各种功能可以是跨越各个网络设备(例如,无线电头端和ANC)分布的或者合并到单个网络设备(例如,基站105)中。
无线通信***100可以使用一个或多个频带(通常在300兆赫(MHz)到300千兆赫(GHz)的范围中)来操作。通常,从300MHz到3GHz的区域被称为特高频(UHF)区域或分米频带,因为波长范围在长度上从近似一分米到一米。UHF波可能被建筑物和环境特征阻挡或重定向,但是波可以足以穿透结构,以用于宏小区向位于室内的UE 115提供服务。与使用频谱的低于300MHz的高频(HF)或甚高频(VHF)部分的较小频率和较长的波的传输相比,UHF波的传输可以与较小的天线和较短的距离(例如,小于100千米)相关联。
无线通信***100可以利用经许可和免许可射频频谱带两者。例如,无线通信***100可以采用免许可频带(诸如5GHz工业、科学和医疗(ISM)频带)中的许可辅助接入(LAA)、LTE免许可(LTE-U)无线接入技术或NR技术。当在免许可射频频谱带中操作时,设备(诸如基站105和UE 115)可以采用载波侦听进行冲突检测和避免。在一些情况下,免许可频带中的操作可以基于结合在经许可频带(例如,LAA)中操作的分量载波的载波聚合配置。免许可频谱中的操作可以包括下行链路传输、上行链路传输、P2P传输、D2D传输等。
基站105或UE 115可以被配备有多个天线,其可以用于采用诸如发射分集、接收分集、多输入多输出(MIMO)通信或波束成形之类的技术。基站105或UE 115的天线可以位于一个或多个天线阵列或天线面板(其可以支持MIMO操作或者发送或接收波束成形)内。例如,一个或多个基站天线或天线阵列可以共置于天线组件处,例如天线塔。在一些情况下,与基站105相关联的天线或天线阵列可以位于不同的地理位置上。基站105可以具有天线阵列,所述天线阵列具有基站105可以用于支持对与UE 115的通信的波束成形的多行和多列的天线端口。同样,UE 115可以具有可以支持各种MIMO或波束成形操作的一个或多个天线阵列。另外或替代地,天线面板可以支持针对经由天线端口发送的信号的射频波束成形。
基站105或UE 115可以使用MIMO通信来利用多径信号传播,并且通过经由不同的空间层发送或接收多个信号来提高频谱效率。这样的技术可以被称为空间复用。例如,发送设备可以经由不同的天线或者天线的不同组合来发送多个信号。同样,接收设备可以经由不同的天线或者天线的不同组合来接收多个信号。多个信号中的每个信号可以被称为分离的空间流,并且可以携带与相同的数据流(例如,相同的码字)或不同的数据流(例如,不同的码字)相关联的比特。不同的空间层可以与用于信道测量和报告的不同的天线端口相关联。MIMO技术包括单用户MIMO(SU-MIMO)(其中,多个空间层被发送给相同的接收设备)和多用户MIMO(MU-MIMO)(其中,多个空间层被发送给多个设备)。
波束成形(其还可以被称为空间滤波、定向发送或定向接收)是一种如下的信号处理技术:可以在发送设备或接收设备(例如,基站105或UE 115)处使用该技术,以沿着在发送设备和接收设备之间的空间路径来形成或引导天线波束(例如,发射波束、接收波束)。可以通过以下操作来实现波束成形:对经由天线阵列的天线元件传送的信号进行组合,使得在相对于天线阵列的特定朝向上传播的一些信号经历相长干涉,而其它信号经历相消干涉。对经由天线元件传送的信号的调整可以包括:发送设备或接收设备向经由与该设备相关联的天线元件携带的信号应用某些幅度偏移、相位偏移或两者。可以由与特定朝向(例如,相对于发送设备或接收设备的天线阵列,或者相对于某个其它朝向)相关联的波束成形权重集合来定义与天线元件中的每个天线元件相关联的调整。
作为波束成形操作的一部分,基站105或UE 115可以使用波束扫描技术。例如,基站105可以使用多个天线或天线阵列(例如,天线面板),来进行用于与UE 115的定向通信的波束成形操作。基站105可以在不同的方向上将一些信号(例如,同步信号、参考信号、波束选择信号或其它控制信号)发送多次。例如,基站105可以根据与不同的传输方向相关联的不同的波束成形权重集合来发送信号。不同的波束方向上的传输可以用于(例如,由发送设备(诸如基站105)或接收设备(诸如UE 115))识别用于基站105进行的后续发送和/或接收的波束方向。
基站105可以在单个波束方向(例如,与接收设备(例如,UE 115)相关联的方向)上发送一些信号(例如,与特定的接收设备相关联的数据信号)。在一些示例中,与沿着单个波束方向的传输相关联的波束方向可以是基于在不同的波束方向上发送的信号来确定的。例如,UE 115可以接收基站105在不同方向上发送的信号中的一个或多个信号,并且可以向基站105报告对UE 115接收到的具有最高信号质量或者以其它方式可接受的信号质量的信号的指示。
在一些情况下,可以使用多个波束方向来执行由设备(例如,由基站105或UE 115)进行的传输,并且该设备可以使用数字预编码或射频波束成形的组合来生成用于传输(例如,从基站105到UE 115)的组合波束。UE 115可以报告指示用于一个或多个波束方向的预编码权重的反馈,并且该反馈可以对应于跨越***带宽或一个或多个子带的配置的波束数量。基站105可以发送可以被预编码或未被预编码的参考信号(例如,特定于小区的参考信号(CRS)、信道状态信息参考信号(CSI-RS))。UE 115可以提供针对波束选择的反馈,其可以是预编码矩阵指示符(PMI)或基于码本的反馈(例如,多面板类型码本、线性组合类型码本、端口选择类型码本)。虽然这些技术是参照基站105在一个或多个方向上发送的信号来描述的,但是UE 115可以采用类似的技术来在不同方向上多次发送信号(例如,用于识别用于UE115进行的后续发送或接收的波束方向)或者在单个方向上发送信号(例如,用于向接收设备发送数据)。
当从基站105接收各种信号(诸如同步信号、参考信号、波束选择信号或其它控制信号)时,接收设备(例如,UE 115)可以尝试多个接收配置(例如,定向监听)。例如,接收设备可以通过经由不同的天线子阵列来进行接收,通过根据不同的天线子阵列来处理接收到的信号,通过根据向在天线阵列的多个天线元件处接收的信号应用的不同的接收波束成形权重集合(例如,不同的定向监听权重集合)来进行接收,或者通过根据向在天线阵列的多个天线元件处接收的信号应用的不同的接收波束成形权重集合来处理接收到的信号(以上各个操作中的任何操作可以被称为根据不同的接收配置或接收方向的“监听”),来尝试多个接收方向。在一些示例中,接收设备可以使用单个接收配置来沿着单个波束方向进行接收(例如,当接收数据信号时)。单个接收配置可以在基于根据不同的接收配置方向进行监听而确定的波束方向(例如,基于根据多个波束方向进行监听而被确定为具有最高信号强度、最高信噪比(SNR)、或者以其它方式可接受的信号质量的波束方向)上对准。
在一些无线通信***100中,UE 115可以使用天线集合中的第一天线与另一无线设备(例如,另一UE 115、基站105等)进行通信。UE 115可以跟踪针对第一天线的通信测量(例如,RSRP值、发射功率等),并且可以基于当前通信测量来执行天线切换测试。对于天线切换测试,UE 115可以基于机器学习代理单元来更新动态门限。机器学习代理单元可以是特定于UE 115的用户、UE 115、UE 115的类型、芯片组或这些的某种组合来训练的,并且机器学习代理单元可以包括用于确定经更新的动态门限的神经网络。UE 115可以执行与动态门限的比较,并且基于该比较来确定是否切换操作天线。例如,UE 115可以确定在第二天线与活动天线之间的RSRP差,并且如果RSRP差大于或等于所确定的动态门限值,则UE 115可以从活动天线切换到第二天线。
图2示出了根据本公开内容的各方面的支持用于ASDIV的动态门限的无线通信***200的示例。无线通信***200可以包括UE 115-a和基站105-a,它们可以是参照图1描述的对应设备的示例。如参照图1描述的,基站105-a可以为地理覆盖区域110-a提供服务。UE115-a可以使用天线集合与其它无线设备(例如,包括基站105-a)进行通信,其中可以激活天线集合中的一个天线215以用于通信。在一些情况下,基于下行链路信道205接收,UE115-a可以选择天线215以用于上行链路信道210传输。可以通过UE 115-a的ASDIV特征来执行切换操作天线(例如,从第一天线215-a切换到第二天线215-b)。
UE 115可以包括部署在UE 115的芯片组中的ASDIV特征。ASDIV特征可以管理用于通信的天线215选择。在一些情况下,UE 115(诸如UE 115-a)可以包括两个用于通信的天线215(例如,天线215-a和215-b)。这些天线215可以是逻辑天线、物理天线、天线端口等的示例。在其它情况下,UE 115可以包括用于通信的任意数量的天线215(例如,对于一些具有5G能力的UE 115为四个天线)。UE 115可以根据天线切换门限和一个或多个当前通信测量来在用于通信的天线215之间切换。
在第一示例中,UE 115-a可以基于天线215的RSRP值来执行天线切换。例如,UE115-a可以使用第一天线215-a来与基站105-a进行通信。另外,UE 115-a可以测量用于与基站105-a进行通信的第一天线215-a和第二天线215-b的RSRP值。如果第一天线215-a的第一RSRP值低于第二天线215-b的第二RSRP值,则UE 115-a可以确定第二天线215b当前是用于与基站105-a进行通信的“最优”或“最佳”天线215(其中“最优”或“最佳”天线215是天线集合中的具有最高当前RSRP测量的天线215)。然而,不是简单地切换到第二天线215-b,而是UE 115-a可以通过将在天线215之间的RSRP值的差与天线切换门限(其可以是RSRP差门限的示例)进行比较来执行天线切换测试。如果在第二天线215-b(具有最大当前RSRP值的天线)与第一天线215-a(当前操作天线)之间的RSRP值的差(例如,RSRPΔ)大于天线切换门限,则UE 115-a可以从使用第一天线215-a进行操作切换为使用第二天线215-b进行操作。替代地,如果RSRPΔ小于或等于天线切换门限,则UE 115-a可以停留在相同的天线215上(例如,继续使用第一天线215-a进行操作)。
在第二示例中,UE 115-a可以基于天线215的发射功率来执行天线切换。例如,UE115-a可以确定用于与操作天线215-a进行通信的当前发射功率(例如,以达到一定的信号与干扰和噪声比(SINR))。如果当前发射功率超过门限发射功率(例如,最大发射功率,诸如23分贝毫瓦(dBm)),则UE 115-a可以执行天线切换测试。天线切换测试可以涉及将在天线215之间的发射功率值的差与天线切换门限进行比较,该天线切换门限可以是发射功率差门限的示例。如果在第一天线215-a(当前操作天线)与第二天线215-b(具有所需的最小当前发射功率的天线)之间的在信道上(例如,针对上行链路信道210上的给定SINR)的传输所需的发射功率值的差大于天线切换门限,则UE 115-a可以从使用第一天线215-a进行操作切换为使用第二天线215-b进行操作。
在一些情况下,UE 115-a可以周期性地确定是否切换操作天线215。例如,UE 115-a可以每640毫秒(ms)确定是否执行天线切换测试。该确定可以是基于针对该周期性时间段的当前通信测量的。在第一示例中,可以针对对应的周期性时间段每640ms测量一次当前通信测量。在第二示例中,UE 115-a可以在整个640ms时段中测量当前通信测量,并且可以对测量进行平均以确定针对该周期性时间段的当前通信测量。这些测量周期的周期性可以是静态的或动态的(例如,基于信道条件)。在一些示例中,当前通信测量可以是特定于天线的。例如,对于单个测量周期,UE 115-a可以确定针对第一天线215-a的第一当前通信测量和针对第二天线215-b的第二当前通信测量。如本文描述的,UE 115-a可以基于针对活动天线215的当前通信测量(例如,针对第一天线215-a的第一当前通信测量)来确定是否执行天线切换测试。
如果当前活动天线215的性能下降,则ASDIV特征可以允许UE 115-a切换天线。例如,基于UE 115-a和/或天线215的物理朝向、天线215的阻塞(例如,基于用户如何持有或操作UE 115-a)、信道上的基于时间的干扰(例如,突发性干扰)或这些或类似情况的组合,天线215可能具有低可靠性或吞吐量。因此,由于天线切换可能导致传输低效,所以ASDIV特征可以允许UE 115-a在执行相对少量天线切换的同时切换到“最优”天线。例如,UE 115-a的信令吞吐量可能在天线切换时减小,并且一些UE 115可能在天线切换期间经历电流中的电压尖峰(例如,取决于UE 115所使用的频带)。因此,“最优”天线切换门限可以使对“最佳”天线(例如,具有最高当前RSRP值的天线215)的使用最大化,同时使天线切换数量最小化。
一些***可以实现用于UE 115的静态天线切换门限。该静态门限可以由UE 115的原始设备制造商(OEM)选择并且在UE 115处预先配置。在一些情况下,静态门限是基于实验室和/或现场测试来确定的,并且对于每个运营商和/或OEM可能是不同的(例如,范围从大约4分贝(dB)到11dB)。然而,在某些***中,这些静态门限可能是低效的,并且门限值可能随着***的变化(例如,随着天线、UE 115的数量增加等)而变得过时。在一些情况下,静态天线切换门限可能导致UE 115在大约50%或更短的时间内使用“最佳”天线(例如,具有最高当前RSRP值的天线)进行操作。
相反,无线通信***200的UE 115-a可以实现动态天线切换门限。在一些情况下,UE 115-a处的机器学习代理单元可以修改动态天线切换门限值。可以在UE 115-a中的部署之前开发机器学习代理单元,其中可以奖励或惩罚不同的决策(例如,天线切换决策、门限决策等),以构造用于更新门限的神经网络。例如,在“最优”天线215(例如,具有最高RSRP值的天线215)上操作可能被奖励,而在“非最优”天线215(例如,不具有最高RSRP值的天线215)上操作或者过于频繁地(例如,比使用静态门限的ASDIV将进行的切换更频繁地)切换可能受到惩罚。可以使用与许多不同的环境、场景和用例相对应的训练数据(例如,4G网络数据、5G网络数据、载波聚合数据、MIMO数据等)来训练神经网络,使得ASDIV可以适应或处理无线通信***200中的不同条件。在一些情况下,另外或替代地,可以在UE 115-a中的部署之后训练或者针对特定环境来训练机器学习代理单元,使得机器学习代理单元可以动态地调整为特定的用户、模型、芯片组、网络和/或操作频带。与实现静态门限相反,基于机器学习代理单元来实现动态天线切换门限可以增加对具有最高RSRP值的天线的使用,从而改善ASDIV特征性能。此外,机器学习代理单元可以通过实现动态门限来加速门限调谐并且降低测试成本(例如,基于现场的测试成本)。
一些***可以支持针对机器学习代理单元的灵活训练部署,其中训练可以在不同级别或不同时间执行。例如,可以执行机器学习训练以识别用于实现动态天线切换门限的所有UE 115的通用动态门限(例如,基于矩张量势(MTP))。在其它示例中,可以在芯片组和/或模型测试期间执行机器学习训练,以识别每个芯片组的动态门限、每个UE模型的动态门限、或其组合。在其它示例中,可以在UE 115-a处确定和部署动态门限,并且训练可以在UE115-a处继续以收敛于用于UE 115-a的特定于用户的动态门限。在一些情况下,可以基于某些条件(例如,机器学习代理单元的性能、训练调度等)来激活或去激活UE 115处的训练。在一些情况下,机器学习代理单元可以支持除ASDIV功能之外或者替代ASDIV功能的其它操作。例如,机器学习代理单元可以支持确定操作模式(例如,要实现的无线电接入技术)、要实现的技术特征、要使用的射频(RF)功率、无线电链路故障(RLF)预测、或这些或其它获悉的确定的某种组合。
在一些实现方式中,无线通信***200可以使用基于启发式或经配置的门限切换模式或算法的动态天线切换门限。例如,UE 115-a可以存储门限值集合,并且可以被配置为基于一个或多个当前通信参数来在门限值集合之间进行切换。例如,UE 115-a可以基于由UE 115-a执行的天线切换测试的数量来选择动态门限值(例如,在连续的测量时段中,在给定的时间窗内,等等)。UE 115-a可以被预先配置为:基于在时间窗口内执行的更多数量的天线切换测试来选择较低的动态切换门限;以及基于在时间窗口内执行的更少数量的天线切换测试来选择较大的动态切换门限。这样的算法可以是基于或可以不是基于机器学习的(例如,该算法可以是基于启发式、经验观察、标准化切换过程等的)。
与静态门限实现方式相比,由UE 115-a实现的动态门限可以减少用于传输的发射功率,同时改善RSRP、参考信号接收质量(RSRQ)、接收信号强度指示符(RSSI)、SNR或这些的某种组合。在一些情况下,动态天线切换门限可以导致UE 115利用与静态门限实现方式大约相同的数量的天线切换,使用“最优”天线215(例如,具有最高当前RSRP值的天线215)操作大约95%的时间。此外,UE 115-a运行机器学习代理单元的处理成本可以忽略不计。天线切换的益处可以包括:提高切换之后的信令吞吐量(例如,与切换之前的测量时段相比)以及降低切换之后的发射功率(例如,物理上行链路共享信道(PUSCH)发射功率)(例如,以实现相同的SINR),从而改善UE 115-a处的功耗。
图3示出了根据本公开内容的各方面的支持用于ASDIV的动态门限的无线通信***300的示例。无线通信***300可以包括UE 115-b和基站105-b,它们可以是参照图1和图2描述的对应设备的示例。UE 115-b可以使用天线集合与其它无线设备(例如,包括基站105-b)进行通信,其中一个天线305可以是活动天线。在一些情况下,基于通信测量,UE 115-b可以选择用于上行链路信令310的天线305。可以通过UE 115-b的ASDIV特征使用动态门限来执行切换活动天线(例如,从第一天线305-a切换到第二天线305-b)。
例如,UE 115-b可以使用活动天线305-a在上行链路上与基站105-b进行通信。UE115-b可以在第一时间段期间使用活动天线305-a发送上行链路信令310-a。然而,在稍后的时间,UE 115-b可以基于当前通信测量来确定执行天线切换测试。该当前通信测量可以由活动天线305-a(例如,针对“第一”天线305-a的“第一”当前通信测量)或由另一天线305或接收组件来测量。在一些情况下,当前通信测量可以是对下行链路信令315执行的测量的示例,诸如物理下行链路共享信道(PDSCH)、一个或多个下行链路参考信号、或这些或其它下行链路信号的任何组合。在其它情况下,当前通信测量可以是使用不同的天线305、不同的接收路径、反馈接收机或这些的某种组合对发射功率的测量的示例。例如,反馈接收机可以测量针对活动天线305-a的上行链路信令310-a的发射功率。
UE 115-b可以基于当前通信测量来更新动态门限。例如,UE 115-b可以从天线切换门限值320-a更新为天线切换门限值320-b。在一些情况下,UE 115-b可以存储对多个可能的天线切换门限值320的指示,和/或可以基于查找表、函数、算法、启发式、神经网络、或这些的某种组合,来选择要用于ASDIV的门限值。UE 115-b可以基于在经更新的动态门限与比较值之间的比较来确定是否切换活动天线305(例如,从第一天线305-a切换到第二天线305-b)。例如,UE 115-b可以基于一个或多个当前通信测量来计算比较值,并且可以将该比较值与经更新的天线切换门限值320-b进行比较。基于该比较,UE 115-b可以从在天线305-a上操作切换为在天线305-b上操作。UE 115-b可以基于天线切换来使用活动天线305-b(例如,“第二”天线305-b)与基站105-b进行通信。例如,UE 115-b可以在天线切换之后的第二时间段期间使用活动天线305-b发送上行链路信令310-b。
图4示出了根据本公开内容的各方面的支持用于ASDIV的动态门限的机器学习代理单元训练400的示例。机器学习代理单元训练400可以被拆分为两部分:部署前训练405-a和部署后训练405-b。在一些情况下,机器学习代理单元训练400可以涉及部署前训练405-a或部署后训练405-b,或者机器学习代理单元训练400可以涉及两者的某种组合。部署前训练405-a可以使用训练数据来执行,而部署后训练405-b可以由无线设备(诸如参照图1至图3描述的UE 115)来执行。机器学习代理单元训练400可以确定UE 115处的用于ASDIV的动态天线切换门限。
部署前训练405-a可以使用环境模拟器415来确定机器学***均“最优”天线切换门限的高可变性。对于每个呼叫,数据可以指示针对每个测量间隔的平均吞吐量、针对每个测量间隔的平均PUSCH发射功率、以及针对每个测量间隔的平均RSRP、RSRQ、RSSI、SNR或这些的某种组合。可以针对训练数据来模拟其它数据。该训练数据(例如,现有的已记录呼叫、模拟呼叫等)可以支持具有模拟环境状态的模拟环境,以用于机器学习代理单元410-a的初始调谐。
例如,机器学习代理单元410-a可以使用环境模拟器415进行测试,并且基于评分函数420进行修改。在一些情况下,机器学习代理单元410-a可以从环境模拟器415获得环境状态(例如,在425处)。环境状态可以包括当前天线测量、信道状况、信号、附近的障碍物和/或设备、或这些的某种组合(例如,基于训练数据)。在430处,机器学习代理单元410-a可以基于环境状态来做出决策(例如,确定要执行的动作)。环境模拟器415可以在435处评估动作,并且基于该评估来确定评分函数420。在440处,评分函数420可以基于动作评估来向机器学习代理单元410-a指派奖励和/或惩罚。可以基于奖励和/或惩罚来更新机器学习代理单元410-a,使得如果机器学习代理单元410-a将来遇到类似的状况,则机器学习代理单元410-a更有可能选择有利动作(例如,导致UE 115处的高效通信的动作)。
在一个特定示例中,部署前训练405-a可以训练机器学习代理单元410-a处的神经网络以确定动态天线切换门限值。例如,在425处,机器学习代理单元410-a可以接收指示针对UE 115的天线集合的测量时段的RSRP值的环境状态。基于机器学习代理单元410-a处的当前神经网络,机器学习代理单元410-a可以确定动态天线切换门限的值,并且可以基于门限值和环境状态来确定是否将活动天线从第一天线切换到第二天线。在430处,机器学习代理单元410-a可以基于该确定(例如,是切换活动天线还是停留在相同的活动天线上)来发送对要执行的动作的指示。在435处,环境模拟器415可以评估动作。例如,环境模拟器415可以确定与其它潜在动作相比,该动作是否导致针对活动天线的更高的RSRP值,并且环境模拟器415可以基于该确定来确定评分函数420。在一个示例中,如果与停留在相同的天线上相比,该动作导致针对活动天线的显著地更高的RSRP值,则评分函数420可以奖励切换天线。然而,如果新的活动天线具有较低的RSRP值,并且基于天线切换固有的低效,切换操作天线可能产生成本,则评分函数420可以惩罚切换天线。使用评分函数420,机器学习代理单元410-a可以在440处更新神经网络,其中基于评估由于神经网络的输出而执行的动作来修改神经网络的权重。例如,如果基于由神经网络输出的相对低的动态门限执行了天线切换,并且评估指示该切换是低效的(例如,由于切换活动天线带来的最小RSRP益处),则机器学习代理单元410-a可以修改神经网络的权重,使得相同或相似的环境状态可以在将来导致相对较高的动态门限。该相对较高的动态门限可以使得机器学习代理单元410-a在满足相同的环境条件的情况下确定停留在活动天线上。
在一些情况下,本文描述的训练可以是基于一个或多个策略的。这些策略可以由监督训练的用户或基于优选结果(例如,与高效天线使用相关联的结果)来定义。机器学习代理单元410-a做出的每个决策(例如,每个选择的动作)可以基于策略集合中的至少一个策略来接收分数。可以根据分数来计算梯度(例如,在机器学习代理单元410-a做出多个决策之后),并且可以根据梯度来更新神经网络权重。机器学习代理单元410-a可以继续适应性地改变,以使策略最大化或满足策略。在一些情况下,可以关闭策略,并且进一步的训练(例如,在线训练)可以是基于测量或度量的。
在部署前训练405-a之后,可以在445处在一个或多个无线设备(例如,UE 115)中部署经训练的机器学习代理单元410-a。可以使用经训练的机器学习代理单元410-a来操作无线设备。在一些情况下,为了优化或改善机器学习代理单元410-a在不同环境450中的性能,可以在UE 115处执行部署后训练405-b。可以由特定的机器学习代理单元410来独立地进行特定于环境的训练。不同的环境450可以包括室内环境、室外环境、操作设备的不同用户、移动环境(例如,在运载工具中)、静止环境、或这些或影响机器学习代理单元的准确性的其它环境的任何组合。在一些情况下,部署后训练405-b可以被称为在线训练,并且基于在线训练而确定的机器学习代理单元410可以称为机器学习代理、机器学习代理组件、智能代理、智能代理单元、或某种类似术语。
每个UE 115(例如,每个UE 115、具有相同芯片组的每个UE 115、相同UE类型的每个UE 115等)可以被配置有相同的经训练的机器学习代理单元410-a。从相同的经训练的神经网络开始,采用部署后训练405-b的每个UE 115可以根据UE 115在其内操作的环境450来更新神经网络。例如,第一UE 115可以基于第一环境450-a来训练神经网络,并且可以在455-a处更新机器学习代理单元以获得针对环境450-a而专门训练的机器学习代理单元410-b。类似地,第二UE 115可以在455-b处更新机器学习代理单元以获得针对环境450-b而专门训练的机器学习代理单元410-c,并且第三UE 115可以在455-c处更新机器学习代理单元以获得针对环境450-c而专门训练的机器学习代理单元410-d。基于特定于环境的训练,相同的条件或测量可能导致针对机器学习代理单元410-b和410-c(例如,根据不同的环境450进行训练)的不同的决策和/或动作。例如,相同的RSRP测量可能在不同的环境450中导致不同的动态门限和不同的天线切换决策,诸如针对城市环境与乡村环境、针对静止环境与高度移动环境、或者针对具有不同用户行为的不同用户。在至少一个实施例中,单个UE115可以训练多个不同的神经网络,其中每个神经网络针对用户、环境(例如,地理位置)、载波频率等的不同组合。因此,UE 115可以基于当前用户、环境、载波或其它因素来选择可用神经网络之一进行训练或使用。
部署后训练405-b可以允许UE 115适应特定用户或特定频繁环境,从而改善UE115的天线切换性能。部署后训练405-b还可以允许机器学***均)通信测量(基于第二用户以与第一用户不同的方式持有移动电话)而触发部署后训练405-b。
在一些情况下,机器学习代理单元训练400可以在几个小时(例如,其中小时可以表示机器学习代理单元410经过的呼叫长度)内改善天线切换性能。在一特定示例中,在14小时内,机器学习代理单元训练400可能导致与静态门限表现相当的动态门限算法。在22小时内,机器学习代理单元训练400可能导致优于静态门限的动态门限算法。
图5示出了根据本公开内容的各方面的支持用于ASDIV的动态门限的机器学习模型500的示例。机器学习模型500可以在无线设备(诸如参照图1至图3描述的UE 115)处实现。机器学习模型500可以包括神经网络510,其中可以根据如参照图4描述的机器学习代理单元训练400来确定神经网络510的节点之间的权重。在一些情况下,神经网络510可以通过确定用于天线切换的动态门限来支持ASDIV。
神经网络510可以包括输入层515、一个或多个隐藏层520和输出层525。在具有一个隐藏层520的完全连接的神经网络中,每个隐藏层节点535可以从每个输入层节点530接收值作为输入,其中对每个输入进行加权。这些神经网络权重可以是基于在神经网络510的训练期间修改的成本函数的。类似地,每个输出层节点540可以从每个隐藏层节点535接收值作为输入,其中对输入进行加权。如果神经网络510的训练完成,则可以根据输入值505和所确定的权重使用矩阵运算来表示神经网络510。例如,可以根据以下等式来计算隐藏值:,
[输入]*[输入隐藏权重]=f([隐藏]), (1)
其中,
[输入]是与神经网络510的输入值505相对应的k个输入值的k维数组,[输入隐藏权重]是与针对神经网络510所确定的输入到隐藏权重相对应的n个隐藏节点的k×n维矩阵,并且[隐藏]是与隐藏层520处的计算值相对应的n维数组。类似地,可以根据以下等式来计算输出值:
[隐藏]*[输出隐藏权重]=s(f([输出])), (3)
其中,
[输出隐藏权重]是与针对神经网络510所确定的隐藏到输出权重相对应的m个输出节点的n×m维矩阵,并且[输出]是与神经网络510的输出相对应的m维数组。该计算实现方式可以被存储在存储器中并且由UE 115使用(例如,如果针对UE 115不支持部署后训练的话)。
如果在UE 115处支持部署后训练(例如,在线训练),则UE 115可以分配存储器以存储反向矩阵乘法的误差和/或梯度。这些误差和/或梯度可以支持基于输出反馈来更新神经网络510。训练神经网络510可以支持对权重的计算(例如,将输入层节点530连接到隐藏层节点535,以及将隐藏层节点535连接到输出层节点540),以将输入模式映射到期望的输出结果。
在一个特定示例中,神经网络510可以支持对用于ASDIV的天线切换门限的动态选择。包含机器学习模型500的UE 115可以在测量周期(例如,640ms)期间执行通信测量。在测量周期结束时,UE 115可以确定UE 115使用“最佳”天线(例如,根据某种测量标准)进行操作的时间百分比。如果在测量周期期间,UE 115在“最佳”天线上操作达大于或等于门限时间百分比(例如,测量周期的50%),则UE 115可以不执行天线切换测试,并且对应地,可以不使用神经网络510来更新动态门限。然而,如果UE 115在“最佳”天线上操作达少于门限时间百分比,则UE 115可以执行天线切换测试。为了执行天线切换测试,UE 115可以使用神经网络510来更新动态门限。
UE 115可以将输入值505发送到神经网络510以进行处理。在一些情况下,输入值505可以是在测量周期内具有最大平均RSRP值的天线与测量周期内的操作天线之间的RSRP值的平均差(例如,其中输入可以被称为测量周期内的平均RSRPΔ)。输入值505可以被转换成输入层515处的k个输入层节点530的集合。在一些情况下,可以在输入层515的不同输入层节点530处输入不同的测量。在其它情况下,测量周期内的平均RSRPΔ可以被转换成与节点相对应的值的数组(例如,平均RSRPΔ十进制值可以被转换成二进制值,其中二进制值的每个比特被指派给输入层515的输入层节点530)。如果输入层节点530的数量超过与输入值505相对应的输入数量,则可以向一些输入层节点530指派默认值(例如,值0)。如图所示,输入层515可以包括三个输入层节点530-a、530-b和530-c。然而,应当理解,输入层515可以包括任意数量的输入层节点530(例如,20个输入节点)。
神经网络510可以基于在k个输入层节点530与n个隐藏层节点535之间的输入到隐藏权重数量,来将输入层515转换为隐藏层520。神经网络510可以包括任意数量的隐藏层520作为在输入层515与输出层525之间的中间步骤。另外,每个隐藏层520可以包括任意数量的节点。例如,如图所示,隐藏层520可以包括四个隐藏层节点535-a、535-b、535-c和535-d。然而,应当理解,隐藏层520可以包括任意数量的隐藏层节点535(例如,10个输入节点)。在完全连接的神经网络中,一层中的每个节点都可以是基于先前层中的每个节点的。例如,隐藏层节点535-a的值可以是基于输入层节点530-a、530-b和530-c的值的(例如,其中向每个节点值应用不同的权重)。
神经网络510可以确定在一个或多个隐藏层520之后的输出层525的输出层节点540的值。例如,神经网络510可以基于在n个隐藏层节点535与m个输出层节点540之间的隐藏到输出权重数量,来将隐藏层520转换为输出层525。在一些情况下,n=m。每个输出层节点540可以对应于神经网络510的不同的输出值545。例如,对于神经网络510确定用于天线切换的动态门限,每个输出层节点540可以对应于动态天线切换门限的不同的门限值。因此,输出层525中的输出层节点540的数量可以对应于UE 115所支持的门限分集的水平。如图所示,神经网络510可以包括三个输出层节点540-a、540-b和540-c,从而支持三个不同的门限值。然而,应该理解,输出层525可以包括任意数量的输出层节点540(例如,20个输出节点,对应于动态门限的20个潜在值)。由神经网络510针对输出层节点540所确定的值可以对应于UE 115应当将关联的门限用于天线切换的概率。
在一个特定示例中,基于神经网络510的输入值505,神经网络510可以确定针对输出层节点540-a、540-b和540-c的概率值分别为0.21、0.73和0.06。输出层节点540-a可以对应于第一门限值(例如,4dB),输出层节点540-b可以对应于第二门限值(例如,7dB),并且输出层节点540-c可以对应于第三门限值(例如,10dB)。因此,基于针对输出层525所确定的概率值,神经网络510可以基于机器学习训练来确定与输出层节点540-b相对应的第二门限值(以及最高概率值0.73)是最可能的“最优”门限值,其中训练允许神经网络权重将输出偏向门限,从而导致最佳性能(例如,增加在具有最高RSRP值的天线上花费的时间,同时减少操作天线切换的数量)。神经网络510可以基于对应的概率值将第二门限值(例如,7dB)作为输出值545输出,并且UE 115在确定是否从一个操作天线切换到另一操作天线(例如,根据切换算法)时将该第二门限值用作经更新的动态门限值。
UE 115可以每个测量周期(例如,每640ms)重复该过程(例如,确定是否执行天线切换测试;如果执行天线切换测试,则使用神经网络510来确定经更新的动态门限;以及基于经更新的门限来确定是否切换活动天线)。另外,在一些情况下,UE 115可以在操作期间重新训练神经网络510。例如,UE 115可以存储用于神经网络510的成本函数。如果针对神经网络510激活了训练,则UE 115可以基于UE 115的度量(例如,天线切换的数量、使用具有最高RSRP的天线等所花费的时间百分比等),和/或基于将UE 115的度量与模拟度量进行比较(如果UE 115使用静态天线切换门限进行操作的话),来指派奖励值、惩罚值或两者。用于神经网络510的成本函数可以是基于奖励值和/或惩罚值的,并且在神经网络510中的节点之间的权重可以是基于成本函数的。在任何训练之前,m个潜在门限值很可能是同等地基于输入值505的,但是在训练神经网络510时,权重可能偏移,使得神经网络510更有可能导致支持UE 115处的高效天线切换的某些门限。在一些情况下,神经网络510可以是前馈(FF)或深层前馈(DFF)神经网络,递归神经网络(RNN)、长期/短期记忆(LSTM)神经网络、卷积神经网络(CNN)、或任何其它类型的神经网络的示例。
图6示出了根据本公开内容的各方面的支持用于ASDIV的动态门限的决策图600的示例。决策图600示出了用于确定是否切换用于通信的操作天线的过程。如参照图1至图3描述的UE 115可以使用如参照图1至图5描述的机器学习代理单元来根据决策图600进行操作。决策图600可以示出用于UE 115使用预训练的神经网络执行的过程,其中可以在UE 115处当前激活或去激活对神经网络的进一步的训练(例如,部署后训练)。
在605处,UE 115可以执行测试(例如,周期性测试、非周期性测试等)。如果测试是周期性测试,则可以基于测量间隔来执行测试。例如,UE 115可以在整个测量间隔中测量通信度量,并且可以在每个测量间隔的结束处(例如,每640ms)执行周期性测试。在一些情况下,测量间隔的长度是在UE 115处预先配置的。在其它情况下,测量间隔的长度可以改变(例如,基于信道状况、UE 115在其内操作的环境等)。如果测试是非周期性测试,则可以基于调度或基于一个或多个触发来执行测试。
测试可以涉及:在610处,UE 115确定UE 115在先前测量间隔期间是否在“最优”天线上进行操作。例如,UE 115可以在测量间隔期间测量天线集合的RSRP值,并且可以基于RSRP测量来确定“最优”天线。在第一示例中,UE 115可以在先前测量间隔上对每个天线的RSRP值进行平均,并且可以将具有最大平均RSRP值的天线识别为“最优”天线。在第二示例中,UE 115可以将天线集合中的在先前测量间隔期间在最大时间量内具有最高RSRP值的天线识别为“最优”天线。在第三示例中,UE 115可以计算整个测量间隔内的天线集合的RSRPΔ值,并且可以将具有最大平均RSRPΔ值的天线识别为“最优”天线。如果UE 115在先前测量间隔内在所识别的“最优”天线上进行操作,则UE 115可以不执行天线切换测试(例如,包括更新动态门限以及基于动态门限来确定是否切换操作天线)。替代地,UE 115可以在605处再次执行测试(例如,在另一测量间隔之后)。替代地,如果UE 115在先前的测量间隔内未在所识别的“最优”天线上进行操作,则UE 115可以在615处激活机器学习代理单元。
在615处激活机器学***均RSRPΔ值、在先前测量间隔期间测量的多个RSRPΔ值等)输入到机器学***均RSRPΔ值大于或等于经更新的动态门限值,则UE 115可以从当前操作天线切换到第二天线以在下一测量间隔期间进行通信。UE 115可以根据测试周期性(例如,基于测量间隔的长度)或者根据某种其它基于调度和/或基于触发的标准来重复该过程。
在一些情况下,UE 115可以实现针对机器学习代理单元的训练(例如,在智能代理模型中)。可以独立于激活机器学习代理单元来激活针对机器学习代理单元的训练630(例如,如本文描述的,其中激活机器学习代理单元涉及更新用于天线切换的动态门限)。具体地,UE 115可以基于当前通信测量来激活机器学习代理单元,以便使用经训练的神经网络来更新用于天线切换的动态门限,而UE 115可以基于用于训练的调度、用于天线切换的动态门限的性能、或两者,来激活针对机器学习代理单元的训练630,以便更新神经网络本身。
当在训练630中时,UE 115可以执行除上述过程之外的多个额外过程。在一些情况下,如果UE 115在“最优”天线上操作的时间百分比针对某个训练时间段(其可以与在605处用于执行测试的测量间隔相同或不同(例如,更长))下降到门限百分比以下,则UE 115可以激活或重新激活训练。例如,如果UE 115在“最优”天线上操作达小于多个测量间隔(例如,20个测量间隔)的跨度上的60%的时间,则UE 115可以重新激活训练。如果UE 115在“最优”天线上操作的时间百分比超过门限百分比(例如,相同的门限百分比或不同的门限百分比),则UE 115可以去激活训练。另外或替代地,UE 115可以关闭训练以节省计算功率、计算资源和/或存储器使用。例如,UE 115可以基于可用的中央处理单元(CPU)资源、可用的DSP功率、或其组合来确定UE 115是否具有足够的资源以用于机器学习训练。UE 115可以基于CPU和/或DSP资源、功率利用率、或两者来动态地激活或去激活训练。另外或替代地,UE 115可以基于UE 115的训练调度来动态地激活或去激活训练。例如,UE 115可以全天跟踪通信测量,并且可以每天午夜开启一次训练以处理所跟踪的通信测量,并且基于该处理来更新机器学习代理单元。
当在训练630中时,UE 115可以根据静态天线切换门限来跟踪通信测量和/或度量(例如,除了所跟踪的针对动态天线切换门限的测量和/或度量之外)。UE 115可以在635处与动态门限并行地使用静态门限,使得UE 115可以基于静态门限来确定ASDIV特征将切换操作天线还是停留在操作天线上。UE 115(例如,UE 115的训练模块)可以基于将针对动态天线切换门限的度量与针对静态天线切换门限的度量进行比较来应用奖励和/或惩罚。
例如,在640处,UE 115可以基于针对训练测量周期(例如,训练时间段,诸如一天)的动态门限来计算使用“最优”天线进行操作的时间百分比。另外,UE 115可以计算如果基于静态门限(例如,针对相同的训练时间段,诸如一天)进行操作,UE 115将使用“最优”天线进行操作的时间百分比。UE 115可以对针对动态门限和针对静态门限使用“最优”天线进行操作的时间百分比进行比较,并且可以基于该比较来确定天线选择奖励或天线选择惩罚。例如,如果与静态门限相比,UE 115基于动态门限使用“最优”天线进行操作达更大的时间百分比,则UE 115可以在650处确定天线选择奖励,并且如果与动态门限相比,UE 115基于静态门限使用“最优”天线进行操作将达更大的时间百分比,则UE 115可以在655处确定天线选择惩罚。天线选择奖励或天线选择惩罚可以应用于用于机器学习代理单元的神经网络的成本函数。
类似地,在645处,UE 115可以计算基于动态门限而执行的活动天线切换的数量以及如果基于静态门限进行操作UE 115将执行的活动天线切换的数量。UE 115可以对针对动态门限和静态门限的天线切换的数量进行比较,并且可以基于该比较来确定天线切换奖励或天线切换惩罚。例如,如果与静态门限相比,UE 115基于动态门限执行更少数量的切换,则UE 115可以在660处确定天线切换奖励,并且如果与动态门限相比,UE 115基于静态门限执行更少数量的切换,则UE 115可以在665处确定天线切换惩罚。天线切换奖励或天线切换惩罚可以应用于用于机器学习代理单元的神经网络的成本函数(例如,替代或除了天线选择奖励或天线选择惩罚之外)。可以针对给定的时间段(例如,针对一秒钟、一分钟、一小时、一天等)或针对给定的通信集合(例如,针对特定呼叫)来计算惩罚和奖励。
在670处,UE 115可以基于惩罚和/或奖励来计算梯度,并且可以基于所计算的梯度来更新机器学习代理单元(例如,机器学习代理单元的神经网络)。在一个示例中,机器学习代理单元可以基于所计算的梯度来更新神经网络的节点之间的一个或多个权重。该训练可以为机器学习代理单元提供增强的学习,并且可以基于UE 115的操作来继续调谐和/或改善神经网络。
图7示出了根据本公开内容的各方面的支持用于ASDIV的动态门限的天线切换过程700的示例。天线切换过程700可以由如参照图1至图6描述的UE 115执行以实现用于天线切换的动态门限735。在一些情况下,动态门限735可以是基于包含经训练的神经网络的机器学习代理单元的。如图所示,神经网络可以输出来自可能门限集合(例如,从1dB到16dB)的RSRPΔ门限730,并且UE 115可以基于RSRPΔ门限730来确定是否从使用第一天线进行操作切换为使用第二天线进行操作。天线切换过程700可以示出针对由UE 115执行的呼叫的测量的一个潜在示例。
UE 115可以包括两个天线,并且可以跟踪针对每个天线的RSRP值710。例如,UE115可以测量针对第一天线715-a的RSRP值,并且可以测量针对第二天线715-b的RSRP值。RSRP值可以对应于测量时段705内的平均RSRP值。如果当前操作天线720(例如,第一天线715-a或第二天线715-b)在测量时段705期间具有与其它天线相比更低的RSRP值,则UE 115可以激活机器学习代理单元。当机器学习代理单元活动时,UE 115可以更新动态门限735,并且可以将在两个天线之间的RSRPΔ与动态RSRPΔ门限730的当前值进行比较。如果两个天线之间的当前RSRPΔ大于或等于动态RSRPΔ门限730的当前值,则UE 115可以执行天线切换725。
例如,UE 115可以初始地使用天线715-a进行操作。然而,基于动态门限735,UE115可以执行从天线715-a到天线715-b的天线切换725-a。即,UE 115可以激活机器学习代理单元,并且使用所激活的机器学习代理单元来确定经更新的动态门限。例如,将当前通信测量(例如,针对第一天线715-a的当前RSRP值、针对第二天线715-b的当前RSRP值、针对天线的当前RSRP值的差、其中当前操作天线720不是“最优”天线的连续测量时段705的数量、或这些和/或其它通信参数的某种组合)输入到所激活的机器学习代理单元的神经网络中可以确定动态门限735的经更新的值。如图所示,基于当前通信测量,UE 115可以将动态门限735从8dB更新为14dB,更新为1dB。当将动态门限735从14dB切换到1dB时,UE 115可以基于当前操作天线720与另一天线之间的RSRPΔ值(例如,大约为4dB)大于动态门限735来执行天线切换725-a。在一些情况下,从14dB到1dB的这一下降可能是基于在没有天线切换的情况下在多个连续测量时段705内当前操作天线720是“非最优”(例如,具有与另一天线相比更低的RSRP值710)的。
UE 115可以在天线715-b上操作,直到天线切换725-b为止。如图所示,针对天线715-b(例如,当前操作天线720)的RSRP值在天线切换725-b之前可能多次下降到针对天线715-a的RSRP值以下,从而使得激活机器学习代理单元激活并且更新动态门限735。例如,在一种情况下,基于所激活的机器学习代理单元的神经网络的输出(例如,基于当前操作天线720在自从天线切换725-a以来的第一测量时段705内是“非最优”的,或者基于任何其它当前通信测量或参数),动态门限735可以从1dB增加到16dB。然而,基于RSRP值710和动态RSRPΔ门限730,UE 115可以停留在天线715-b上。这可以减少天线切换的数量,并且导致高效的ASDIV操作。
在一些情况下,可以在UE 115处存储静态门限740(例如,10dB),并且UE 115可以基于静态门限740来跟踪预测的操作。UE 115可以在实现针对机器学习代理单元的神经网络的训练时使用这些预测的操作。例如,UE 115可以针对给定的训练时间段将这些预测的操作的性能与实际操作(例如,使用动态门限735)的性能进行比较,并且可以基于该比较来激活机器学习代理单元的训练。例如,如果动态门限735的性能下降到静态门限740的性能以下,则UE 115可以执行机器学习过程以为机器学习代理单元更新在神经网络的节点之间的权重。当机器学习代理单元被激活时,经更新的神经网络可能导致与未更新的神经网络不同的动态门限735值。在一个特定示例中,如果在该更新的训练之前,神经网络基于某个当前通信测量集合而产生为10dB的动态门限735值,则在利用经更新的权重训练神经网络之后,可能基于相同的当前通信测量集合而产生为12dB的动态门限735值。
图8示出了根据本公开内容的各方面的支持用于ASDIV的动态门限的过程流800的示例。过程流800可以示出UE 115-c处的示例天线切换过程。UE 115-c可以与基站105-c或另一无线设备进行通信。UE 115-c和基站105-c可以是参照图1至图7描述的对应的无线设备的示例。在一些情况下,代替UE 115-c实现天线切换过程,不同类型的无线设备(例如,基站105)可以实现ASDIV。可以实现以下的替代示例,其中一些步骤可以以与所描述的顺序不同的顺序执行或根本不执行。在一些实现中,步骤可以包括下文未提及的额外特征,或者可以添加另外的步骤。
在805处,UE 115-c可以使用天线集合中的第一天线与无线设备(例如,基站105-c)进行通信。在810处,UE 115-c可以基于当前通信测量来对天线集合执行天线切换测试。在一些情况下,当前通信测量(其可以被称为针对第一天线(即,活动天线)的“第一”当前通信测量)可以是针对第一天线的第一RSRP测量的示例。UE 115-c可以测量针对天线集合中的每个天线的RSRP,并且如果在测量周期的门限时间百分比期间(例如,50%)针对第一天线的第一RSRP是针对天线集合的最高RSRP值,则可以执行天线切换测试。在一些其它情况下,当前通信测量可以是针对第一天线的发射功率测量的示例(例如,其中反馈接收机可以确定用于第一天线的发射功率)。如果用于第一天线的发射功率大于发射功率门限(例如,23dB),则UE 115-c可以执行天线切换测试。
在815处,UE 115-c可以基于执行天线切换测试来激活包括神经网络的机器学习代理单元。神经网络可以是通用神经网络,或者可以是特定于芯片组、UE的类型、UE 115-c,UE 115-c的用户或这些的某种组合的。在820处,UE 115-c可以基于当前通信测量来将动态门限从第一门限值更新为第二门限值(例如,不同于第一门限值)。在一些情况下,可以基于神经网络来更新动态门限。例如,UE 115-c可以将在天线集合中的天线之间的RSRP的差集合输入到神经网络中,接收用于动态门限的门限值集合作为神经网络的输出,并且基于与第二门限值相关联的概率值来从门限值集合中选择第二门限值。
在一些情况下,UE 115-c可以在UE 115-c处激活针对机器学习代理单元的训练。可以基于天线切换度量、UE训练调度、或其组合来激活机器学习代理单元训练。训练可以涉及:基于天线切换的数量、使用天线集合中的具有最高RSRP(或针对给定SINR的最低发射功率)的天线进行操作的时间量、或两者,来更新在神经网络的节点之间的一个或多个权重。在一些示例中,为了支持训练,UE 115-c可以根据静态门限来跟踪天线切换决策过程(例如,当基于根据动态门限的天线切换决策过程进行操作时)。更新神经网络权重可以涉及:将使用动态门限的天线切换的数量与使用静态门限的天线切换的数量进行比较;以及基于该比较来将奖励值或成本值应用于用于神经网络的成本函数。另外或替代地,更新神经网络权重可以涉及:将使用动态门限使用天线集合中的具有最高RSRP的天线进行操作的时间量与使用静态门限使用天线集合中的具有最高RSRP的天线进行操作的时间量进行比较;以及可以基于该比较来将奖励值或成本值应用于用于神经网络的成本函数。在一些情况下,UE 115-c可以去激活针对UE 115-c处的机器学习代理单元的训练(例如,基于天线切换度量、UE训练调度、或两者)。
在825处,UE 115-c可以基于在经更新的动态门限与基于当前通信测量的比较值之间的比较,来从天线集合中的第一天线切换到第二天线。在一些情况下,可以通过测量针对第一天线的第一当前通信测量(例如,第一RSRP值)和针对第二天线的第二当前通信测量(例如,第二RSRP值)并且计算在第二当前通信测量值与第一当前通信测量值之间的差(例如,RSRPΔ值),来确定该比较直。这里,“第一”和“第二”可能不表示时间关联,而是替代地指示针对哪个天线(即,第一天线或第二天线)执行测量。如果UE 115-c确定所计算的差(例如,RSRPΔ值)大于或等于动态门限,则UE 115-c可以切换操作天线。
在830处,UE 115-c可以基于天线切换来使用第二天线与无线设备(例如,基站105-c)进行通信。在一些情况下,天线切换可以减小由UE 115-c用于传输的发射功率。UE115-c可以基于下行链路信号的通信测量来切换用于发送上行链路信号的操作天线。
在一些***中,UE 115-c可以根据测量周期来周期性地执行本文描述的过程。例如,UE 115-c可以在测量周期内周期性地测量当前通信测量,其中当前通信测量与在测量周期内操作天线的平均RSRP或平均发射功率相对应。UE 115-c可以根据测量周期并且基于当前通信测量的周期性测量来周期性地确定是否执行天线切换测试。测量周期的长度可以是静态的(例如,640ms)或动态的(例如,基于信道质量、UE 115-c的速度、***的变化等)。
此外,在一些***中,UE 115-c可以实现本文描述的过程以支持多天线切换。例如,UE 115-c可以使用第一天线集合进行操作,并且可以基于一个或多个动态门限来切换为使用第二天线集合进行操作。第一天线集合和第二天线集合可以是不同的,或者可以包括一个或多个相同的天线。例如,UE 115-c可以基于动态门限来切换活动天线集合中的一个天线,或者UE 115-c可以基于动态门限(或基于多个动态门限)来切换活动天线集合中的多个天线。
图9示出了根据本公开内容的各方面的支持用于ASDIV的动态门限的设备905的框图900。设备905可以是如本文描述的UE 115的各方面的示例。设备905可以包括接收机910、天线管理器915和发射机920。设备905还可以包括处理器。这些组件中的每个组件可以相互通信(例如,经由一个或多个总线)。
接收机910可以接收诸如分组、用户数据或者与各种信息信道(例如,控制信道、数据信道以及与使用机器学习代理单元的用于ASDIV的动态门限相关的信息等)相关联的控制信息之类的信息。可以将信息传递给设备905的其它组件。接收机910可以是参照图12描述的收发机1220的各方面的示例。接收机910可以利用单个天线或天线集合。
在一个实施例中,天线管理器915可以进行以下操作:使用天线集合中的第一天线与无线设备进行通信;基于当前通信测量来将动态门限从第一门限值更新为不同于第一门限值的第二门限值;基于在经更新的动态门限与基于当前通信测量的比较值之间的比较,来从第一天线切换到天线集合中的第二天线;以及基于该切换来使用第二天线与无线设备进行通信。
由于动态门限可以减少由UE 115执行的天线切换的数量,因此该实施例可以支持在UE 115处的降低的功耗。另外,由于动态门限可以提高UE 115使用天线集合中的最优天线(例如,具有最高当前RSRP的天线)进行操作的时间百分比,因此该实施例可以提高传输可靠性。此外,天线切换的减少可以允许UE 115减轻与每个天线切换相关联的天线吞吐量的损耗。
此外,基于根据动态门限来切换天线集合中的天线,UE 115的处理器(例如,其控制接收机910、天线管理器915、发射机920和/或参照图12描述的收发机1220)可以减少处理ASDIV所需的处理资源,因为处理器可不太频繁地发信号通知天线切换。另外,基于活动天线的提高的吞吐量,可以减少针对UE 115的重传的数量。因此,处理器可以减少用于准备用于重传的传输块(TB)的处理资源。重传的减少还可以降低***中的信令开销。
天线管理器915或其子组件可以用硬件、由处理器执行的代码(例如,软件或固件)或其任意组合来实现。如果用由处理器执行的代码来实现,则天线管理器915或其子组件的功能可以由被设计为执行本公开内容中描述的功能的通用处理器、DSP、ASIC、FPGA或其它可编程逻辑器件、分立门或者晶体管逻辑、分立硬件组件或者其任意组合来执行。
天线管理器915或其子组件可以在物理上位于各个位置处,包括被分布以使得由一个或多个物理组件在不同的物理位置处实现功能中的部分功能。在一些示例中,根据本公开内容的各个方面,天线管理器915或其子组件可以是分离且不同的组件。在一些示例中,根据本公开内容的各个方面,天线管理器915或其子组件可以与一个或多个其它硬件组件(包括但不限于输入/输出(I/O)组件、收发机、网络服务器、另一计算设备、本公开内容中描述的一个或多个其它组件、或其组合)组合。
发射机920可以发送由设备905的其它组件所生成的信号。在一些示例中,发射机920可以与接收机910共置于收发机模块中。例如,发射机920可以是参照图12描述的收发机1220的各方面的示例。发射机920可以利用单个天线或天线集合。
图10示出了根据本公开内容的各方面的支持用于ASDIV的动态门限的设备1005的框图1000。设备1005可以是如本文描述的设备905或UE 115的各方面的示例。设备1005可以包括接收机1010、天线管理器1015和发射机1040。设备1005还可以包括处理器。这些组件中的每个组件可以相互通信(例如,经由一个或多个总线)。
接收机1010可以接收诸如分组、用户数据或者与各种信息信道(例如,控制信道、数据信道以及与使用机器学习代理单元的用于ASDIV的动态门限相关的信息等)相关联的控制信息之类的信息。可以将信息传递给设备1005的其它组件。接收机1010可以是参照图12描述的收发机1220的各方面的示例。接收机1010可以利用单个天线或天线集合。
天线管理器1015可以是如本文描述的天线管理器915的各方面的示例。天线管理器1015可以包括通信组件1020、天线切换测试组件1025、门限更新组件1030和切换组件1035。天线管理器1015可以是本文描述的天线管理器1210的各方面的示例。
通信组件1020可以使用天线集合中的第一天线与无线设备进行通信。在一些情况下,通信组件1020可以是以下各项的组件或者与以下各项进行通信:接收机1010、发射机1040或这些的某种组合。天线切换测试组件1025可以基于当前通信测量来确定对天线集合执行天线切换测试。门限更新组件1030可以基于当前通信测量来将动态门限从第一门限值更新为不同于第一门限值的第二门限值。切换组件1035可以基于经更新的动态门限与基于当前通信测量的比较值之间的比较,来从第一天线切换到天线集合中的第二天线。通信组件1020可以基于该切换来使用第二天线与无线设备进行通信。
发射机1040可以发送由设备1005的其它组件所生成的信号。在一些示例中,发射机1040可以与接收机1010共置于收发机模块中。例如,发射机1035可以是参照图12描述的收发机1220的各方面的示例。发射机1040可以利用单个天线或天线集合。
图11示出了根据本公开内容的各方面的支持用于ASDIV的动态门限的天线管理器1105的框图1100。天线管理器1105可以是本文描述的天线管理器915、天线管理器1015或天线管理器1210的各方面的示例。天线管理器1105可以包括通信组件1110、天线切换测试组件1115、门限更新组件1120、切换组件1125、机器学习代理单元1130、训练组件1135、门限比较组件1140、发射功率组件1145、测量周期组件1150、或这些或其它类似组件的任何组合。这些模块中的每一个可以直接或间接地彼此通信(例如,经由一个或多个总线)。在一些情况下,天线管理器1105可以是UE 115的组件。
通信组件1110可以使用天线集合中的第一天线与无线设备进行通信。天线切换测试组件1115可以基于当前通信测量来确定对天线集合执行天线切换测试。
在一些情况下,当前通信测量可以是针对第一天线的第一RSRP的示例。在这些情况中的一些情况下,执行天线切换测试可以涉及:天线切换测试组件1115测量针对天线集合中的每个天线的RSRP,并且识别在小于测量周期的门限时间百分比期间针对第一天线的第一RSRP是针对天线集合的最高RSRP,其中,动态门限是基于该识别来更新的。在一些其它情况下,当前通信测量可以是用于第一天线的发射功率的示例。在这些其它情况中的一些情况下,执行天线切换测试可以涉及:天线切换测试组件1115识别用于第一天线的发射功率大于发射功率门限,其中,动态门限是基于该识别来更新的。
在一些情况下,当前通信测量是在测量周期内第一天线的平均RSRP和在测量周期内第一天线的平均发射功率中的一者或两者的示例。在这些情况中的一些情况下,测量周期组件1150可以根据测量周期来周期性地测量当前通信测量,并且可以根据测量周期并且基于周期性测量来周期性地确定是否更新动态门限。
门限更新组件1120可以基于当前通信测量(例如,上述当前通信测量或“第一”当前通信测量值)来将动态门限从第一门限值更新为不同于第一门限值的第二门限值。切换组件1125可以基于在经更新的动态门限与基于当前通信测量的比较值之间的比较,来从第一天线切换到天线集合中的第二天线。
通信组件1110可以基于该切换来使用第二天线与无线设备进行通信。在一些示例中,当前通信测量是使用反馈接收机对下行链路信号的测量或对发射功率的测量的示例,并且与无线设备进行通信涉及:通信组件1110向无线设备发送上行链路信号(例如,基于该切换使用第二天线)。另外或替代地,发射功率组件1145可以基于该切换来减小用于传输的发射功率。
在一些情况下,更新动态门限可以是基于神经网络的。在一些示例中,使用神经网络可以涉及:机器学习代理单元1130将在天线集合中的天线之间的RSRP的差输入到神经网络中;接收动态门限的门限值集合作为神经网络的输出;以及基于与第二门限值相关联的概率值来从门限值集合中选择第二门限值。在一些示例中,机器学习代理单元1130可以确定特定于芯片组、UE的类型、UE和操作UE的用户中的一项或多项的神经网络。
训练组件1135可以在UE 115处激活针对包括神经网络的机器学习代理单元1130的训练。在一些示例中,训练组件1135可以基于天线切换数量和使用天线集合中的具有最高RSRP的天线进行操作的时间量中的一者或两者,来更新在神经网络的节点之间的一个或多个权重,其中,动态门限是基于在神经网络的节点之间的一个或多个经更新的权重来更新的。
在一些示例中,更新神经网络的节点之间的一个或多个权重涉及:训练组件1135将使用动态门限的天线切换数量与使用静态门限的天线切换数量进行比较;以及基于该比较来将奖励值或成本值应用于用于神经网络的成本函数,其中,更新在神经网络的节点之间的一个或多个权重是基于成本函数的。另外或替代地,更新在神经网络的节点之间的一个或多个权重可以涉及:训练组件1135将使用动态门限使用天线集合中的具有最高RSRP的天线进行操作的时间量与使用静态门限使用天线集合中的具有最高RSRP的天线进行操作的时间量进行比较;以及基于该比较来将奖励值或成本值应用于用于神经网络的成本函数,其中,更新在神经网络的节点之间的一个或多个权重是基于成本函数的。
在一些情况下,针对机器学习代理单元1130的训练是基于天线切换数量和使用天线集合中的具有最高RSRP的天线进行操作的时间量中的一者或两者来在UE处激活的。在一些其它情况下,针对机器学习代理单元1130的训练是基于UE训练调度来在UE处激活的。在一些示例中,训练组件1135可以在UE 115处去激活针对机器学习代理单元1130的训练。
在一些情况下,当前通信测量可以是针对第一天线的第一当前通信测量的示例。门限比较组件1140可以确定针对第二天线的第二当前通信测量,并且可以计算在第二当前通信测量与第一当前通信测量之间的差,其中,比较值对应于所计算的差。在一些示例中,门限比较组件1140可以确定所计算的差大于或等于动态门限,其中,从第一天线到第二天线的切换是基于确定所计算的差大于或等于动态门限的。
图12示出了根据本公开内容的各方面的包括支持用于ASDIV的动态门限的设备1205的***1200的图。设备1205可以是如本文描述的设备905、设备1005或UE 115的示例或者包括设备905、设备1005或UE 115的组件。设备1205可以包括用于双向语音和数据通信的组件,包括用于发送和接收通信的组件,包括天线管理器1210、I/O控制器1215、收发机1220、天线1225、存储器1230和处理器1240。这些组件可以经由一个或多个总线(例如,总线1245)来进行电子通信。
天线管理器1210可以进行以下操作:使用天线集合中的第一天线与无线设备进行通信;基于当前通信测量来确定对天线集合执行天线切换测试;基于当前通信测量来将动态门限从第一门限值更新为不同于第一门限值的第二门限值;基于在经更新的动态门限与基于当前通信测量的比较值之间的比较,来从第一天线切换到天线集合中的第二天线;以及基于该切换来使用第二天线与无线设备进行通信。
I/O控制器1215可以管理针对设备1205的输入和输出信号。I/O控制器1215还可以管理没有集成到设备1205中的***设备。在一些情况下,I/O控制器1215可以表示到外部***设备的物理连接或端口。在一些情况下,I/O控制器1215可以利用诸如 之类的操作***或另一种已知的操作***。在其它情况下,I/O控制器1215可以表示调制解调器、键盘、鼠标、触摸屏或类似设备或者与上述设备进行交互。在一些情况下,I/O控制器1215可以被实现成处理器的一部分。在一些情况下,用户可以经由I/O控制器1215或者经由I/O控制器1215所控制的硬件组件来与设备1205进行交互。
收发机1220可以经由如上文描述的一个或多个天线、有线或无线链路来双向地进行通信。例如,收发机1220可以表示无线收发机并且可以与另一个无线收发机双向地进行通信。收发机1220还可以包括调制解调器,其用于调制分组并且将经调制的分组提供给天线以进行传输,以及解调从天线接收的分组。
在一些情况下,无线设备可以包括单个天线1225。然而,在一些情况下,该设备可以具有一个以上的天线1225,它们能够同时地发送或接收多个无线传输。
存储器1230可以包括随机存取存储器(RAM)和只读存储器(ROM)。存储器1230可以存储计算机可读的、计算机可执行的代码1235,所述代码1235包括当被执行时使得处理器执行本文描述的各种功能的指令。在一些情况下,除此之外,存储器1230还可以包含基本I/O***(BIOS),其可以控制基本的硬件或软件操作,诸如与***组件或设备的交互。
处理器1240可以包括智能硬件设备(例如,通用处理器、DSP、CPU、微控制器、ASIC、FPGA、可编程逻辑器件、分立门或者晶体管逻辑组件、分立硬件组件或者其任意组合)。在一些情况下,处理器1240可以被配置为使用存储器控制器来操作存储器阵列。在其它情况下,存储器控制器可以集成到处理器1240中。处理器1240可以被配置为执行存储器(例如,存储器1230)中存储的计算机可读指令以使得设备1205执行各种功能(例如,支持使用机器学习代理单元的用于天线切换分集的动态门限的功能或任务)。
代码1235可以包括用于实现本公开内容的各方面的指令,包括用于支持无线通信的指令。代码1235可以被存储在非暂时性计算机可读介质(例如,***存储器或其它类型的存储器)中。在一些情况下,代码1235可能不是可由处理器1240直接执行的,但是可以使得计算机(例如,当被编译和被执行时)执行本文描述的功能。
图13示出了说明根据本公开内容的各方面的支持用于ASDIV的动态门限的方法1300的流程图。方法1300的操作可以由如本文描述的UE 115或其组件来实现。例如,方法1300的操作可以由如参照图9至图12描述的天线管理器来执行。在一些示例中,UE可以执行指令集以控制UE的功能单元以执行下文描述的功能。另外或替代地,UE可以使用专用硬件来执行下文描述的功能的各方面。
在1305处,UE可以使用天线集合中的第一天线与无线设备进行通信。可以根据本文描述的方法来执行1305的操作。在一些示例中,1305的操作的各方面可以由如参照图9至图12描述的通信组件来执行。
在1310处,UE可以基于当前通信测量来将动态门限从第一门限值更新为不同于第一门限值的第二门限值。可以根据本文描述的方法来执行1310的操作。在一些示例中,1310的操作的各方面可以由如参照图9至图12描述的门限更新组件来执行。
在1315处,UE可以基于在经更新的动态门限与基于当前通信测量的比较值之间的比较,来从第一天线切换到天线集合中的第二天线。可以根据本文描述的方法来执行1315的操作。在一些示例中,1315的操作的各方面可以由如参照图9至图12描述的切换组件来执行。
在1320处,UE可以基于该切换来使用第二天线与无线设备进行通信。可以根据本文描述的方法来执行1320的操作。在一些示例中,1320的操作的各方面可以由如参照图9至图12描述的通信组件来执行。
图14示出了说明根据本公开内容的各方面的支持用于ASDIV的动态门限的方法1400的流程图。方法1400的操作可以由如本文描述的UE 115或其组件来实现。例如,方法1400的操作可以由如参照图9至图12描述的天线管理器来执行。在一些示例中,UE可以执行指令集以控制UE的功能单元以执行下文描述的功能。另外或替代地,UE可以使用专用硬件来执行下文描述的功能的各方面。
在1405处,UE可以使用天线集合中的第一天线与无线设备进行通信。可以根据本文描述的方法来执行1405的操作。在一些示例中,1405的操作的各方面可以由如参照图9至图12描述的通信组件来执行。
在1410处,UE可以基于当前通信测量来确定对天线集合执行天线切换测试。可以根据本文描述的方法来执行1410的操作。在一些示例中,1410的操作的各方面可以由如参照图9至图12描述的天线切换测试组件来执行。
在1415处,UE可以使用神经网络来确定经更新的动态门限值。使用神经网络可以涉及如本文描述的1420、1425和1430的操作。可以根据本文描述的方法来执行1415的操作。在一些示例中,1415的操作的各方面可以由如参照图9至图12描述的机器学习代理单元来执行。
在1420处,UE可以将在天线集合中的天线之间的RSRP的差输入到神经网络中。可以根据本文描述的方法来执行1420的操作。在一些示例中,1420的操作的各方面可以由如参照图9至图12描述的机器学习代理单元来执行。
在1425处,UE可以接收动态门限的门限值集合作为神经网络的输出。可以根据本文描述的方法来执行1425的操作。在一些示例中,1425的操作的各方面可以由如参照图9至图12描述的机器学习代理单元来执行。
在1430处,UE可以基于与第二门限值相关联的概率值来从门限值集合中选择第二门限值。可以根据本文描述的方法来执行1430的操作。在一些示例中,1430的操作的各方面可以由如参照图9至图12描述的机器学习代理单元来执行。
在1435处,UE可以基于当前通信测量来将动态门限从第一门限值更新为不同于第一门限值的第二门限值。可以根据本文描述的方法来执行1435的操作。在一些示例中,1435的操作的各方面可以由如参照图9至图12描述的门限更新组件来执行。
在1440处,UE可以基于在经更新的动态门限与基于当前通信测量的比较值之间的比较,来从第一天线切换到天线集合中的第二天线。可以根据本文描述的方法来执行1440的操作。在一些示例中,1440的操作的各方面可以由如参照图9至图12描述的切换组件来执行。
在1445处,UE可以基于该切换来使用第二天线与无线设备进行通信。可以根据本文描述的方法来执行1445的操作。在一些示例中,1445的操作的各方面可以由如参照图9至图12描述的通信组件来执行。
图15示出了说明根据本公开内容的各方面的支持用于ASDIV的动态门限的方法1500的流程图。方法1500的操作可以由如本文描述的UE 115或其组件来实现。例如,方法1500的操作可以由如参照图9至图12描述的天线管理器来执行。在一些示例中,UE可以执行指令集以控制UE的功能单元以执行下文描述的功能。另外或替代地,UE可以使用专用硬件来执行下文描述的功能的各方面。
在1505处,UE可以在UE处激活针对机器学习代理单元的训练。可以根据本文描述的方法来执行1505的操作。在一些示例中,1505的操作的各方面可以由如参照图9至图12描述的训练组件来执行。
在1510处,UE可以使用天线集合中的第一天线与无线设备进行通信。可以根据本文描述的方法来执行1510的操作。在一些示例中,1510的操作的各方面可以由如参照图9至图12描述的通信组件来执行。
在1515处,UE可以基于当前通信测量来确定对天线集合执行天线切换测试。可以根据本文描述的方法来执行1515的操作。在一些示例中,1515的操作的各方面可以由如参照图9至图12描述的天线切换测试组件来执行。
在1520处,UE可以基于执行天线切换测试来激活包括神经网络的机器学习代理单元,其中,动态门限是基于神经网络来更新的。可以根据本文描述的方法来执行1520的操作。在一些示例中,1520的操作的各方面可以由如参照图9至图12描述的机器学习代理单元来执行。
在1525处,UE可以基于当前通信测量来将动态门限从第一门限值更新为不同于第一门限值的第二门限值。可以根据本文描述的方法来执行1525的操作。在一些示例中,1525的操作的各方面可以由如参照图9至图12描述的门限更新组件来执行。
在1530处,UE可以基于在经更新的动态门限与基于当前通信测量的比较值之间的比较,来从第一天线切换到天线集合中的第二天线。可以根据本文描述的方法来执行1530的操作。在一些示例中,1530的操作的各方面可以由如参照图9至图12描述的切换组件来执行。
在1535处,UE可以基于该切换来使用第二天线与无线设备进行通信。可以根据本文描述的方法来执行1535的操作。在一些示例中,1535的操作的各方面可以由如参照图9至图12描述的通信组件来执行。
在1540处,UE可以基于天线切换数量和使用天线集合中的具有最高RSRP的天线进行操作的时间量中的一者或两者,来更新在神经网络的节点之间的一个或多个权重。更新权重可以是基于所激活的针对机器学习代理单元的训练的。可以根据本文描述的方法来执行1540的操作。在一些示例中,1535的操作的各方面可以由如参照图9至图12描述的训练组件来执行。
图16示出了说明根据本公开内容的各方面的支持用于ASDIV的动态门限的方法1600的流程图。方法1600的操作可以由如本文描述的UE 115或其组件来实现。例如,方法1600的操作可以由如参照图9至图12描述的天线管理器来执行。在一些示例中,UE可以执行指令集以控制UE的功能单元以执行下文描述的功能。另外或替代地,UE可以使用专用硬件来执行下文描述的功能的各方面。
在1605处,UE可以使用天线集合中的第一天线与无线设备进行通信。可以根据本文描述的方法来执行1605的操作。在一些示例中,1605的操作的各方面可以由如参照图9至图12描述的通信组件来执行。
在1610处,UE可以基于当前通信测量来确定对天线集合执行天线切换测试。可以根据本文描述的方法来执行1610的操作。在一些示例中,1610的操作的各方面可以由如参照图9至图12描述的天线切换测试组件来执行。
在1615处,UE可以确定针对第二天线的第二当前通信测量。可以根据本文描述的方法来执行1615的操作。在一些示例中,1615的操作的各方面可以由如参照图9至图12描述的门限比较组件来执行。
在1620处,UE可以基于当前通信测量来将动态门限从第一门限值更新为不同于第一门限值的第二门限值。可以根据本文描述的方法来执行1620的操作。在一些示例中,1620的操作的各方面可以由如参照图9至图12描述的门限更新组件来执行。
在1625处,UE可以计算在第二当前通信测量与第一当前通信测量之间的差。可以根据本文描述的方法来执行1625的操作。在一些示例中,1625的操作的各方面可以由如参照图9至图12描述的门限比较组件来执行。
在1630处,UE可以确定所计算的差大于或等于动态门限。可以根据本文描述的方法来执行1630的操作。在一些示例中,1630的操作的各方面可以由如参照图9至图12描述的门限比较组件来执行。
在1635处,UE可以基于在经更新的动态门限与基于当前通信测量的比较值(即,所计算的差)之间的比较,来从第一天线切换到天线集合中的第二天线。即,从第一天线到第二天线的切换是基于确定所计算的差大于或等于动态门限的。可以根据本文描述的方法来执行1635的操作。在一些示例中,1635的操作的各方面可以由如参照图9至图12描述的切换组件来执行。
在1640处,UE可以基于该切换来使用第二天线与无线设备进行通信。可以根据本文描述的方法来执行1640的操作。在一些示例中,1640的操作的各方面可以由如参照图9至图12描述的通信组件来执行。
如本文参照图13至图16(并且更一般地,参照图1至图16)所使用的,可以以与解释短语“至少部分地基于”相同的方式来解释短语“基于”。即,短语“基于”不应当被解释为对封闭的条件集合的引用。例如,在不脱离本公开内容的范围的情况下,被描述为“基于条件A”的示例性步骤可以基于条件A和条件B两者。
下面描述的是方法、***或装置的多个实施例,包括用于实现方法或实现装置的单元、存储可由一个或多个处理器执行以使得一个或多个处理器实现方法的指令的非暂时性计算机可读介质、以及包括一个或多个处理器和与一个或多个处理器耦合的存储器的***,该存储器存储可由一个或多个处理器执行以使得***或装置实现方法的指令。应当理解,这些仅是可能实施例的一些示例,并且在不脱离本公开内容的范围的情况下,其它示例对于本领域技术人员而言将是显而易见的。
实施例1:一种用于UE处的无线通信的方法,包括:使用多个天线中的第一天线与无线设备进行通信;至少部分地基于当前通信测量来将动态门限从第一门限值更新为不同于所述第一门限值的第二门限值;至少部分地基于在经更新的动态门限与至少部分地基于所述当前通信测量的比较值之间的比较,来从所述第一天线切换到所述多个天线中的第二天线;以及至少部分地基于所述切换来使用所述第二天线与所述无线设备进行通信。
实施例2:根据实施例1所述的方法,其中,所述动态门限是至少部分地基于神经网络来更新的。
实施例3:根据实施例2所述的方法,其中,更新所述动态门限包括:将在所述多个天线中的天线之间的RSRP的差集合输入到所述神经网络中;接收所述动态门限的门限值集合作为所述神经网络的输出;以及至少部分地基于与所述第二门限值相关联的概率值来从所述门限值集合中选择所述第二门限值。
实施例4:根据实施例2或3所述的方法,还包括:在所述UE处激活针对包括所述神经网络的机器学习代理单元的训练;以及至少部分地基于天线切换数量和使用所述多个天线中的具有最高RSRP的天线进行操作的时间量中的一者或两者,来更新在所述神经网络的节点之间的一个或多个权重,其中,所述动态门限是至少部分地基于在所述神经网络的所述节点之间的一个或多个经更新的权重来更新的。
实施例5:根据实施例4所述的方法,其中,更新在所述神经网络的所述节点之间的所述一个或多个权重包括:将使用所述动态门限的所述天线切换数量与使用静态门限的天线切换数量进行比较;以及至少部分地基于所述比较来将奖励值或成本值应用于用于所述神经网络的成本函数,其中,更新在所述神经网络的所述节点之间的所述一个或多个权重是至少部分地基于所述成本函数的。
实施例6:根据实施例4所述的方法,其中,更新在所述神经网络的所述节点之间的所述一个或多个权重包括:将使用所述动态门限使用所述多个天线中的具有所述最高RSRP的所述天线进行操作的所述时间量与使用静态门限使用所述多个天线中的具有所述最高RSRP的所述天线进行操作的时间量进行比较;以及至少部分地基于所述比较来将奖励值或成本值应用于用于所述神经网络的成本函数,其中,更新在所述神经网络的所述节点之间的所述一个或多个权重是至少部分地基于所述成本函数的。
实施例7:根据实施例4所述的方法,其中,更新在所述神经网络的所述节点之间的所述一个或多个权重包括:将使用所述动态门限的所述天线切换数量与使用静态门限的天线切换数量进行比较;至少部分地基于所述对所述天线切换数量进行比较来将第一奖励值或第一成本值应用于用于所述神经网络的成本函数;将使用所述动态门限使用所述多个天线中的具有所述最高RSRP的所述天线进行操作的所述时间量与使用静态门限使用所述多个天线中的具有所述最高RSRP的所述天线进行操作的时间量进行比较;以及至少部分地基于所述对使用具有所述最高RSRP的所述天线进行操作的所述时间量进行比较来将第二奖励值或第二成本值应用于用于所述神经网络的所述成本函数,其中,更新在所述神经网络的所述节点之间的所述一个或多个权重是至少部分地基于所述成本函数的。
实施例8:根据实施例4至7中任一项所述的方法,其中,针对所述机器学习代理单元的所述训练是至少部分地基于所述天线切换数量和使用所述多个天线中的具有所述最高RSRP的所述天线进行操作的所述时间量中的一者或两者来在所述UE处激活的。
实施例9:根据实施例4至7中任一项所述的方法,其中,针对所述机器学习代理单元的所述训练是至少部分地基于UE训练调度来在所述UE处激活的。
实施例10:根据实施例4至9中任一项所述的方法,还包括:在所述UE处去激活针对所述机器学习代理单元的所述训练。
实施例11:根据实施例2至10中任一项所述的方法,还包括:确定特定于芯片组、UE的类型、所述UE和操作所述UE的用户中的一项或多项的所述神经网络。
实施例12:根据实施例1至11中任一项所述的方法,其中,所述当前通信测量包括针对所述第一天线的第一RSRP,所述方法还包括:测量针对所述多个天线中的每个天线的RSRP;以及识别针对在小于测量周期的门限时间百分比期间所述第一天线的所述第一RSRP是针对所述多个天线的最高RSRP,其中,所述动态门限是至少部分地基于所述识别来更新的。
实施例13:根据实施例1至11中任一项所述的方法,其中,所述当前通信测量包括用于所述第一天线的发射功率,所述方法还包括:识别用于所述第一天线的所述发射功率大于发射功率门限,其中,所述动态门限是至少部分地基于所述识别来更新的。
实施例14:根据实施例1至13中任一项所述的方法,其中,所述当前通信测量包括针对所述第一天线的第一当前通信测量,所述方法还包括:确定针对所述第二天线的第二当前通信测量;以及计算在所述第二当前通信测量与第一当前通信测量之间的差,其中,所述比较值包括所计算的差。
实施例15:根据实施例14所述的方法,还包括:确定所计算的差大于或等于所述动态门限,其中,从所述第一天线到所述第二天线的所述切换是至少部分地基于确定所计算的差大于或等于所述动态门限的。
实施例16:根据实施例1至15中任一项所述的方法,还包括:至少部分地基于所述切换来减小用于传输的发射功率。
实施例17:根据实施例1至16中任一项所述的方法,其中,所述当前通信测量包括使用反馈接收机对下行链路信号的测量或对发射功率的测量,并且其中,所述使用所述第二天线与所述无线设备进行通信包括:至少部分地基于所述切换来使用所述第二天线向所述无线设备发送上行链路信号。
实施例18:根据实施例1至17中任一项所述的方法,其中,所述当前通信测量包括在测量周期内所述第一天线的平均RSRP和在所述测量周期内所述第一天线的平均发射功率中的一者或两者。
实施例19:根据实施例18所述的方法,还包括:根据所述测量周期来周期性地测量所述当前通信测量;以及根据所述测量周期并且至少部分地基于所述周期性测量来周期性地确定是否更新所述动态门限。
实施例20:一种装置,包括用于执行如实施例1至19中任一项所述的一种方法的至少一个单元。
实施例21:一种用于无线通信的装置,包括:处理器;以及与所述处理器进行电子通信的存储器,所述存储器存储可由所述处理器执行以使所述装置执行如实施例1至19中任一项所述的一种方法的指令。
实施例22:一种存储用于无线通信的代码的非暂时性计算机可读介质,所述代码包括可由处理器执行以执行如实施例1至19中任一项所述的一种方法的指令。
应当注意的是,本文描述的方法描述了可能的实现方式,并且操作和步骤可以被重新排列或者以其它方式修改,并且其它实现是可能的。此外,来自两种或更多种方法的各方面可以被组合。
本文描述的技术可以用于各种无线通信***,诸如码分多址(CDMA)、时分多址(TDMA)、频分多址(FDMA)、正交频分多址(OFDMA)、单载波频分多址(SC-FDMA)和其它***。CDMA***可以实现诸如CDMA 2000、通用陆地无线接入(UTRA)等的无线电技术。CDMA2000涵盖IS-2000、IS-95和IS-856标准。IS-2000版本通常可以被称为CDMA2000 1X、1X等。IS-856(TIA-856)通常被称为CDMA2000 1xEV-DO、高速分组数据(HRPD)等。UTRA包括宽带CDMA(W-CDMA)和CDMA的其它变型。TDMA***可以实现诸如全球移动通信***(GSM)之类的无线电技术。
OFDMA***可以实现诸如超移动宽带(UMB)、演进型UTRA(E-UTRA)、电气与电子工程师协会(IEEE)802.11(Wi-Fi)、IEEE 802.16(WiMAX)、IEEE 802.20、闪速-OFDM等的无线电技术。UTRA和E-UTRA是通用移动电信***(UMTS)的一部分。LTE、LTE-A和LTE-A专业是UMTS的使用E-UTRA的版本。在来自名称为“第3代合作伙伴计划”(3GPP)的组织的文档中描述了UTRA、E-UTRA、UMTS、LTE、LTE-A、LTE-A专业、NR和GSM。在来自名称为“第3代合作伙伴计划2”(3GPP2)的组织的文档中描述了CDMA2000和UMB。本文中描述的技术可以用于本文提及的***和无线电技术以及其它***和无线电技术。虽然可能出于举例的目的,描述了LTE、LTE-A、LTE-A专业或NR***的各方面,并且可能在大部分的描述中使用了LTE、LTE-A、LTE-A专业或NR术语,但是本文中描述的技术可以适用于LTE、LTE-A、LTE-A专业或NR应用之外的范围。
宏小区通常覆盖相对大的地理区域(例如,半径为若干千米),并且可以允许由具有与网络提供商的服务订制的UE进行不受限制的接入。相比于宏小区,小型小区可以与较低功率的基站相关联,并且小型小区可以在与宏小区相同或不同(例如,经许可、免许可等)的频带中操作。根据各个示例,小型小区可以包括微微小区、毫微微小区和微小区。例如,微微小区可以覆盖小的地理区域,并且可以允许由具有与网络提供商的服务订制的UE进行不受限制的接入。毫微微小区也可以覆盖小的地理区域(例如,住宅),并且可以提供由与该毫微微小区具有关联的UE(例如,封闭用户组(CSG)中的UE、针对住宅中的用户的UE等)进行的受限制的接入。针对宏小区的eNB可以被称为宏eNB。针对小型小区的eNB可以被称为小型小区eNB、微微eNB、毫微微eNB或家庭eNB。eNB可以支持一个或多个(例如,两个、三个、四个等)小区,以及还可以支持使用一个或多个分量载波的通信。
本文中描述的无线通信***可以支持同步或异步操作。对于同步操作,基站可以具有相似的帧定时,并且来自不同基站的传输可以在时间上近似对齐。对于异步操作,基站可以具有不同的帧定时,并且来自不同基站的传输可以不在时间上对齐。本文中描述的技术可以用于同步或异步操作。
本文中描述的信息和信号可以使用各种不同的技术和方法中的任何一种来表示。例如,可能贯穿描述所提及的数据、指令、命令、信息、信号、比特、符号和码片可以由电压、电流、电磁波、磁场或粒子、光场或粒子或者其任意组合来表示。
可以利用被设计为执行本文所述功能的通用处理器、DSP、ASIC、FPGA或其它可编程逻辑器件、分立门或者晶体管逻辑、分立硬件组件或者其任意组合来实现或执行结合本文的公开内容描述的各种说明性的框和模块。通用处理器可以是微处理器,但是在替代方式中,处理器可以是任何常规的处理器、控制器、微控制器或者状态机。处理器还可以实现为计算设备的组合(例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器与DSP核的结合、或者任何其它这种配置)。
本文中所描述的功能可以用硬件、由处理器执行的软件、固件或其任意组合来实现。如果用由处理器执行的软件来实现,所述功能可以作为一个或多个指令或代码存储在计算机可读介质上或通过其进行发送。其它示例和实现方式在本公开内容和所附权利要求的范围之内。例如,由于软件的性质,本文描述的功能可以使用由处理器执行的软件、硬件、固件、硬接线或这些项中的任意项的组合来实现。实现功能的特征还可以在物理上位于各个位置处,包括被分布为使得功能中的各部分功能在不同的物理位置处实现。
计算机可读介质包括非暂时性计算机存储介质和通信介质二者,通信介质包括促进计算机程序从一个地方到另一个地方的传送的任何介质。非暂时性存储介质可以是能够由通用计算机或专用计算机访问的任何可用介质。通过举例而非限制的方式,非暂时性计算机可读介质可以包括RAM、ROM、电可擦除可编程ROM(EEPROM)、闪速存储器、压缩光盘(CD)ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能够用于以指令或数据结构的形式携带或存储期望的程序代码单元以及能够由通用或专用计算机、或通用或专用处理器访问的任何其它非暂时性介质。此外,任何连接适当地被称为计算机可读介质。例如,如果软件是使用同轴电缆、光纤光缆、双绞线、数字用户线(DSL)或诸如红外线、无线电和微波之类的无线技术来从网站、服务器或其它远程源发送的,则同轴电缆、光纤光缆、双绞线、DSL或诸如红外线、无线电和微波之类的无线技术被包括在介质的定义内。如本文中所使用的,磁盘和光盘包括CD、激光光盘、光盘、数字多功能光盘(DVD)、软盘和蓝光光盘,其中,磁盘通常磁性地复制数据,而光盘则利用激光来光学地复制数据。上文的组合也被包括在计算机可读介质的范围内。
如本文所使用的(包括在权利要求中),如项目列表(例如,以诸如“中的至少一个”或“中的一个或多个”之类的短语结束的项目列表)中所使用的“或”指示包含性列表,使得例如A、B或C中的至少一个的列表意指A或B或C或AB或AC或BC或ABC(即A和B和C)。此外,如本文所使用的,短语“基于”不应当被解释为对封闭的条件集合的引用。例如,在不脱离本公开内容的范围的情况下,被描述为“基于条件A”的示例性步骤可以基于条件A和条件B两者。换句话说,如本文所使用的,应当以与解释短语“至少部分地基于”相同的方式来解释短语“基于”。
在附图中,相似的组件或特征可以具有相同的附图标记。此外,相同类型的各种组件可以通过在附图标记后跟随有破折号和第二标记进行区分,所述第二标记用于在相似组件之间进行区分。如果在说明书中仅使用了第一附图标记,则描述适用于具有相同的第一附图标记的相似组件中的任何一个组件,而不考虑第二附图标记或其它后续附图标记。
本文结合附图阐述的描述对示例配置进行了描述,而不表示可以实现或在权利要求的范围内的所有示例。本文所使用的术语“示例性”意味着“用作示例、实例或说明”,而不是“优选的”或者“比其它示例有优势”。出于提供对所描述的技术的理解的目的,详细描述包括具体细节。但是,可以在没有这些具体细节的情况下实施这些技术。在一些实例中,公知的结构和设备以框图的形式示出,以便避免使所描述的示例的概念模糊。
为使本领域技术人员能够实现或者使用本公开内容,提供了本文中的描述。对于本领域技术人员来说,对本公开内容的各种修改将是显而易见的,并且在不脱离本公开内容的范围的情况下,本文中定义的总体原理可以应用于其它变型。因此,本公开内容不限于本文中描述的示例和设计,而是被赋予与本文中公开的原理和新颖特征相一致的最广范围。
Claims (38)
1.一种用于用户设备(UE)处的无线通信的方法,包括:
使用多个天线中的第一天线与无线设备进行通信;
至少部分地基于当前通信测量来将动态门限从第一门限值更新为不同于所述第一门限值的第二门限值;
至少部分地基于在经更新的动态门限与至少部分地基于所述当前通信测量的比较值之间的比较,来从所述第一天线切换到所述多个天线中的第二天线;以及
至少部分地基于所述切换来使用所述第二天线与所述无线设备进行通信。
2.根据权利要求1所述的方法,其中,所述动态门限是至少部分地基于神经网络来更新的。
3.根据权利要求2所述的方法,其中,更新所述动态门限包括:
将在所述多个天线中的天线之间的参考信号接收功率的差集合输入到所述神经网络中;
接收所述动态门限的门限值集合作为所述神经网络的输出;以及
至少部分地基于与所述第二门限值相关联的概率值来从所述门限值集合中选择所述第二门限值。
4.根据权利要求2所述的方法,还包括:
在所述UE处激活针对包括所述神经网络的机器学习代理单元的训练;以及
至少部分地基于天线切换数量和使用所述多个天线中的具有最高参考信号接收功率的天线进行操作的时间量中的一者或两者,来更新在所述神经网络的节点之间的一个或多个权重,其中,所述动态门限是至少部分地基于在所述神经网络的所述节点之间的一个或多个经更新的权重来更新的。
5.根据权利要求4所述的方法,其中,更新在所述神经网络的节点之间的所述一个或多个权重包括:
将使用所述动态门限的所述天线切换数量与使用静态门限的天线切换数量进行比较;以及
至少部分地基于所述比较来将奖励值或成本值应用于用于所述神经网络的成本函数,其中,更新在所述神经网络的所述节点之间的所述一个或多个权重是至少部分地基于所述成本函数的。
6.根据权利要求4所述的方法,其中,更新在所述神经网络的所述节点之间的所述一个或多个权重包括:
将使用所述动态门限使用所述多个天线中的具有所述最高参考信号接收功率的所述天线进行操作的所述时间量与使用静态门限使用所述多个天线中的具有所述最高参考信号接收功率的所述天线进行操作的时间量进行比较;以及
至少部分地基于所述比较来将奖励值或成本值应用于用于所述神经网络的成本函数,其中,更新在所述神经网络的所述节点之间的所述一个或多个权重是至少部分地基于所述成本函数的。
7.根据权利要求4所述的方法,其中,针对所述机器学习代理单元的所述训练是至少部分地基于所述天线切换数量和使用所述多个天线中的具有所述最高参考信号接收功率的所述天线进行操作的所述时间量中的一者或两者来在所述UE处激活的。
8.根据权利要求4所述的方法,其中,针对所述机器学习代理单元的所述训练是至少部分地基于UE训练调度来在所述UE处激活的。
9.根据权利要求4所述的方法,还包括:
在所述UE处去激活针对所述机器学习代理单元的所述训练。
10.根据权利要求2所述的方法,还包括:
确定特定于芯片组、UE的类型、所述UE和操作所述UE的用户中的一项或多项的所述神经网络。
11.根据权利要求1所述的方法,其中,所述当前通信测量包括针对所述第一天线的第一参考信号接收功率,所述方法还包括:
测量针对所述多个天线中的每个天线的参考信号接收功率;以及
识别在小于测量周期的门限时间百分比期间针对所述第一天线的所述第一参考信号接收功率是针对所述多个天线的最高参考信号接收功率,其中,所述动态门限是至少部分地基于所述识别来更新的。
12.根据权利要求1所述的方法,其中,所述当前通信测量包括用于所述第一天线的发射功率,所述方法还包括:
识别用于所述第一天线的所述发射功率大于发射功率门限,其中,所述动态门限是至少部分地基于所述识别来更新的。
13.根据权利要求1所述的方法,其中,所述当前通信测量包括针对所述第一天线的第一当前通信测量,所述方法还包括:
确定针对所述第二天线的第二当前通信测量;以及
计算在所述第二当前通信测量与第一当前通信测量之间的差,其中,所述比较值包括所计算的差。
14.根据权利要求13所述的方法,还包括:
确定所计算的差大于或等于所述动态门限,其中,从所述第一天线到所述第二天线的所述切换是至少部分地基于确定所计算的差大于或等于所述动态门限的。
15.根据权利要求1所述的方法,还包括:
至少部分地基于所述切换来减小用于传输的发射功率。
16.根据权利要求1所述的方法,其中,所述当前通信测量包括使用反馈接收机对下行链路信号的测量或对发射功率的测量,并且其中,所述使用所述第二天线与所述无线设备进行通信包括:
至少部分地基于所述切换来使用所述第二天线向所述无线设备发送上行链路信号。
17.根据权利要求1所述的方法,其中,所述当前通信测量包括在测量周期内所述第一天线的平均参考信号接收功率和在所述测量周期内所述第一天线的平均发射功率中的一者或两者。
18.根据权利要求17所述的方法,还包括:
根据所述测量周期来周期性地测量所述当前通信测量;以及
根据所述测量周期并且至少部分地基于所述周期性测量来周期性地确定是否更新所述动态门限。
19.一种用于用户设备(UE)处的无线通信的装置,包括:
处理器;以及
与所述处理器进行电子通信的存储器,所述存储器存储可由所述处理器执行以使得所述装置进行以下操作的指令:
使用多个天线中的第一天线与无线设备进行通信;
至少部分地基于当前通信测量来将动态门限从第一门限值更新为不同于所述第一门限值的第二门限值;
至少部分地基于在经更新的动态门限与至少部分地基于所述当前通信测量的比较值之间的比较,来从所述第一天线切换到所述多个天线中的第二天线;以及
至少部分地基于所述切换来使用所述第二天线与所述无线设备进行通信。
20.根据权利要求19所述的装置,其中,所述动态门限是至少部分地基于神经网络来更新的。
21.根据权利要求20所述的装置,其中,所述用于更新所述动态门限的指令可由所述处理器执行以使得所述装置进行以下操作:
将在所述多个天线中的天线之间的参考信号接收功率的差集合输入到所述神经网络中;
接收所述动态门限的门限值集合作为所述神经网络的输出;以及
至少部分地基于与所述第二门限值相关联的概率值来从所述门限值集合中选择所述第二门限值。
22.根据权利要求20所述的装置,其中,所述指令还可由所述处理器执行以使得所述装置进行以下操作:
在所述UE处激活针对包括所述神经网络的机器学习代理单元的训练;以及
至少部分地基于天线切换数量和使用所述多个天线中的具有最高参考信号接收功率的天线进行操作的时间量中的一者或两者,来更新在所述神经网络的节点之间的一个或多个权重,其中,所述动态门限是至少部分地基于在所述神经网络的所述节点之间的一个或多个经更新的权重来更新的。
23.根据权利要求22所述的装置,其中,所述用于更新在所述神经网络的节点之间的所述一个或多个权重的指令可由所述处理器执行以使得所述装置进行以下操作:
将使用所述动态门限的所述天线切换数量与使用静态门限的天线切换数量进行比较;以及
至少部分地基于所述比较来将奖励值或成本值应用于用于所述神经网络的成本函数,其中,更新在所述神经网络的所述节点之间的所述一个或多个权重是至少部分地基于所述成本函数的。
24.根据权利要求22所述的装置,其中,所述用于更新在所述神经网络的所述节点之间的所述一个或多个权重的指令可由所述处理器执行以使得所述装置进行以下操作:
将使用所述动态门限使用所述多个天线中的具有所述最高参考信号接收功率的所述天线进行操作的所述时间量与使用静态门限使用所述多个天线中的具有所述最高参考信号接收功率的所述天线进行操作的时间量进行比较;以及
至少部分地基于所述比较来将奖励值或成本值应用于用于所述神经网络的成本函数,其中,更新在所述神经网络的所述节点之间的所述一个或多个权重是至少部分地基于所述成本函数的。
25.根据权利要求22所述的装置,其中,针对所述机器学习代理单元的所述训练是至少部分地基于所述天线切换数量和使用所述多个天线中的具有所述最高参考信号接收功率的所述天线进行操作的所述时间量中的一者或两者来在所述UE处激活的。
26.根据权利要求22所述的装置,其中,针对所述机器学习代理单元的所述训练是至少部分地基于UE训练调度来在所述UE处激活的。
27.根据权利要求22所述的装置,其中,所述指令还可由所述处理器执行以使得所述装置进行以下操作:
在所述UE处去激活针对所述机器学习代理单元的所述训练。
28.根据权利要求20所述的装置,其中,所述指令还可由所述处理器执行以使得所述装置进行以下操作:
确定特定于芯片组、UE的类型、所述UE和操作所述UE的用户中的一项或多项的所述神经网络。
29.根据权利要求19所述的装置,其中,所述当前通信测量包括针对所述第一天线的第一参考信号接收功率,并且其中,所述指令还可由所述处理器执行以使得所述装置进行以下操作:
测量针对所述多个天线中的每个天线的参考信号接收功率;以及
识别在小于测量周期的门限时间百分比期间针对所述第一天线的所述第一参考信号接收功率是针对所述多个天线的最高参考信号接收功率,其中,所述动态门限是至少部分地基于所述识别来更新的。
30.根据权利要求19所述的装置,其中,所述当前通信测量包括用于所述第一天线的发射功率,并且其中,所述指令还可由所述处理器执行以使得所述装置进行以下操作:
识别用于所述第一天线的所述发射功率大于发射功率门限,其中,所述动态门限是至少部分地基于所述识别来更新的。
31.根据权利要求19所述的装置,其中,所述当前通信测量包括针对所述第一天线的第一当前通信测量,并且其中,所述指令还可由所述处理器执行以使得所述装置进行以下操作:
确定针对所述第二天线的第二当前通信测量;以及
计算在所述第二当前通信测量与第一当前通信测量之间的差,其中,所述比较值包括所计算的差。
32.根据权利要求31所述的装置,其中,所述指令还可由所述处理器执行以使得所述装置进行以下操作:
确定所计算的差大于或等于所述动态门限,其中,从所述第一天线到所述第二天线的所述切换是至少部分地基于确定所计算的差大于或等于所述动态门限的。
33.根据权利要求19所述的装置,其中,所述指令还可由所述处理器执行以使得所述装置进行以下操作:
至少部分地基于所述切换来减小用于传输的发射功率。
34.根据权利要求19所述的装置,其中,所述当前通信测量包括使用反馈接收机对下行链路信号的测量或对发射功率的测量,并且其中,所述用于使用所述第二天线与所述无线设备进行通信的指令可由所述处理器执行以使得所述装置进行以下操作:
至少部分地基于所述切换来使用所述第二天线向所述无线设备发送上行链路信号。
35.根据权利要求19所述的装置,其中,所述当前通信测量包括在测量周期内所述第一天线的平均参考信号接收功率和在所述测量周期内所述第一天线的平均发射功率中的一者或两者。
36.根据权利要求35所述的装置,其中,所述指令还可由所述处理器执行以使得所述装置进行以下操作:
根据所述测量周期来周期性地测量所述当前通信测量;以及
根据所述测量周期并且至少部分地基于所述周期性测量来周期性地确定是否更新所述动态门限。
37.一种用于用户设备(UE)处的无线通信的装置,包括:
用于使用多个天线中的第一天线与无线设备进行通信的单元;
用于至少部分地基于当前通信测量来将动态门限从第一门限值更新为不同于所述第一门限值的第二门限值的单元;
用于至少部分地基于在经更新的动态门限与至少部分地基于所述当前通信测量的比较值之间的比较,来从所述第一天线切换到所述多个天线中的第二天线的单元;以及
用于至少部分地基于所述切换来使用所述第二天线与所述无线设备进行通信的单元。
38.一种存储用于用户设备(UE)处的无线通信的代码的非暂时性计算机可读介质,所述代码包括可由处理器执行以进行以下操作的指令:
使用多个天线中的第一天线与无线设备进行通信;
至少部分地基于当前通信测量来将动态门限从第一门限值更新为不同于所述第一门限值的第二门限值;
至少部分地基于在经更新的动态门限与至少部分地基于所述当前通信测量的比较值之间的比较,来从所述第一天线切换到所述多个天线中的第二天线;以及
至少部分地基于所述切换来使用所述第二天线与所述无线设备进行通信。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/455,460 | 2019-06-27 | ||
US16/455,460 US11057079B2 (en) | 2019-06-27 | 2019-06-27 | Dynamic thresholds for antenna switching diversity |
PCT/US2020/038942 WO2020263741A1 (en) | 2019-06-27 | 2020-06-22 | Dynamic thresholds for antenna switching diversity |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113994608A true CN113994608A (zh) | 2022-01-28 |
CN113994608B CN113994608B (zh) | 2024-05-21 |
Family
ID=71528087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080045460.XA Active CN113994608B (zh) | 2019-06-27 | 2020-06-22 | 用于天线切换分集的动态门限 |
Country Status (9)
Country | Link |
---|---|
US (2) | US11057079B2 (zh) |
EP (1) | EP3991314A1 (zh) |
JP (1) | JP2022539006A (zh) |
KR (1) | KR20220027086A (zh) |
CN (1) | CN113994608B (zh) |
AU (1) | AU2020308426A1 (zh) |
BR (1) | BR112021025742A2 (zh) |
TW (1) | TWI770540B (zh) |
WO (1) | WO2020263741A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114222239A (zh) * | 2021-10-13 | 2022-03-22 | 成都市以太节点科技有限公司 | 一种用于通信链路切换判定的rsrp迟滞容限动态优化方法 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10638475B2 (en) * | 2018-09-12 | 2020-04-28 | Verizon Patent And Licensing Inc. | Systems and methods for dynamically adjusting subframes |
US11057079B2 (en) | 2019-06-27 | 2021-07-06 | Qualcomm Incorporated | Dynamic thresholds for antenna switching diversity |
US20220286324A1 (en) * | 2019-07-12 | 2022-09-08 | Nokia Technologies Oy | Channel prediction framework for radio communication |
US11115138B2 (en) * | 2019-08-19 | 2021-09-07 | Apple Inc. | Method for antenna occlusion detection |
WO2021115546A1 (en) * | 2019-12-09 | 2021-06-17 | Telefonaktiebolaget Lm Ericsson (Publ) | Classification of microwave link data |
US11463138B2 (en) * | 2019-12-20 | 2022-10-04 | Qualcomm Incorporated | Neural network and antenna configuration indication |
KR20210103311A (ko) * | 2020-02-13 | 2021-08-23 | 삼성전자주식회사 | 차량의 통신 방법 및 통신 장치 |
US11576067B2 (en) * | 2020-09-01 | 2023-02-07 | Qualcomm Incorporated | Transmission imbalance estimation |
CN113676271B (zh) * | 2021-07-05 | 2024-05-28 | 维沃移动通信有限公司 | 切换天线的方法及装置 |
CN114222342B (zh) * | 2021-10-25 | 2024-04-05 | 深圳市永达电子信息股份有限公司 | 基于动态rsrp阈值的通信终端入区判定方法、***和计算机存储介质 |
US11818616B2 (en) * | 2021-10-26 | 2023-11-14 | Dell Products, Lp | System and method for tuning antennas using quality of service management and received access point telemetry |
US20230261709A1 (en) * | 2022-02-11 | 2023-08-17 | Qualcomm Incorporated | Calibration application for mitigating millimeter wave signal blockage |
JP7469366B2 (ja) | 2022-05-12 | 2024-04-16 | アンリツ株式会社 | 移動端末試験装置、及び移動端末試験方法 |
US20230387976A1 (en) * | 2022-05-31 | 2023-11-30 | Motional Ad Llc | Antenna monitoring and selection |
CN115134024B (zh) * | 2022-05-31 | 2023-07-11 | 南京邮电大学 | 一种基于二维经验模式分解的频谱预测方法 |
EP4307572A1 (en) * | 2022-07-12 | 2024-01-17 | Nokia Technologies Oy | Method for beam management |
US20240097768A1 (en) * | 2022-09-20 | 2024-03-21 | Qualcomm Incorporated | Machine learning based antenna selection |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5603107A (en) * | 1995-06-09 | 1997-02-11 | Ford Motor Company | Switching system for diversity antenna FM receiver |
CN107113041A (zh) * | 2015-01-06 | 2017-08-29 | 高通股份有限公司 | 用于在毫米波基站处进行波束整形和无线设备处的快速天线子阵列选择的技术 |
US20180084555A1 (en) * | 2016-09-20 | 2018-03-22 | Kabushiki Kaisha Toshiba | Wireless communication device, wireless communication terminal and wireless communication method |
CN109417417A (zh) * | 2016-06-30 | 2019-03-01 | 高通股份有限公司 | 用于在无线通信中采用天线切换分集的技术 |
Family Cites Families (58)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA1335836C (en) * | 1988-07-07 | 1995-06-06 | Ichiro Iida | Adaptive routing system |
AU672833B2 (en) | 1992-10-26 | 1996-10-17 | Siemens Aktiengesellschaft | Method and installation for antenna-selection diversity in a wireless telephone receiver |
DE69809596D1 (de) * | 1997-12-30 | 2003-01-02 | Ericsson Inc | Vereinheitlichtes antennendiversityschaltungssystem für tdma-telefone |
US20040204105A1 (en) * | 2002-05-24 | 2004-10-14 | Ying-Chang Liang | Method and apparatus for a base station with multiple distributed antennas to communicate with mobile stations |
US7724853B2 (en) * | 2006-07-14 | 2010-05-25 | Qualcomm Incorporated | Enabling mobile switched antennas |
US20080233869A1 (en) * | 2007-03-19 | 2008-09-25 | Thomas Baker | Method and system for a single-chip fm tuning system for transmit and receive antennas |
US10548512B2 (en) * | 2009-06-24 | 2020-02-04 | The Medical Research, Infrastructure and Health Services Fund of the Tel Aviv Medical Center | Automated near-fall detector |
US8965441B1 (en) * | 2010-01-22 | 2015-02-24 | Amazon Technologies, Inc. | Reducing wireless interference with transmit power level management |
US9083405B2 (en) * | 2010-06-29 | 2015-07-14 | Telefonaktiebolaget L M Ericsson (Publ) | Uplink switched antenna transmit diversity method and apparatus |
US8265552B2 (en) | 2010-08-31 | 2012-09-11 | Verizon Patent And Licensing Inc. | Beam selection in a multiple beam antenna in a fixed wireless CPE |
US8971948B1 (en) * | 2010-11-19 | 2015-03-03 | Qualcomm Incorporated | Systems and methods for compensating antenna gain imbalance |
US8873660B2 (en) | 2011-02-24 | 2014-10-28 | Motorola Mobility Llc | Diversity control in a wireless communications device |
US10209771B2 (en) * | 2016-09-30 | 2019-02-19 | Sony Interactive Entertainment Inc. | Predictive RF beamforming for head mounted display |
US8907847B2 (en) * | 2012-05-02 | 2014-12-09 | Hing S. Tong | Directional antenna system for portable communication device |
US9601828B2 (en) * | 2012-05-21 | 2017-03-21 | Qualcomm Incorporated | Systems, apparatus, and methods for antenna switching approach for initial acquisition procedure |
US10420170B2 (en) | 2013-10-08 | 2019-09-17 | Parallel Wireless, Inc. | Parameter optimization and event prediction based on cell heuristics |
JP5921583B2 (ja) | 2014-01-29 | 2016-05-24 | ソフトバンク株式会社 | 電波状況報知装置、通信装置及びプログラム |
US9143206B2 (en) * | 2014-02-04 | 2015-09-22 | Qualcomm Incorporated | Antenna selection with eMBMS |
JP6448016B2 (ja) * | 2014-05-02 | 2019-01-09 | 富士通コネクテッドテクノロジーズ株式会社 | 端末装置、アンテナ切替プログラム及びアンテナ切替方法 |
US9231686B2 (en) | 2014-05-30 | 2016-01-05 | Apple Inc. | Dynamic antenna switching |
US10866302B2 (en) * | 2015-07-17 | 2020-12-15 | Origin Wireless, Inc. | Method, apparatus, and system for wireless inertial measurement |
JP6548376B2 (ja) * | 2014-10-06 | 2019-07-24 | 日本電産株式会社 | レーダシステム、レーダ信号処理装置、車両走行制御装置および方法、ならびにコンピュータプログラム |
US10382979B2 (en) * | 2014-12-09 | 2019-08-13 | Futurewei Technologies, Inc. | Self-learning, adaptive approach for intelligent analytics-assisted self-organizing-networks (SONs) |
US9825688B2 (en) * | 2015-02-27 | 2017-11-21 | Bose Corporation | Systems and methods of antenna diversity switching |
US9935676B2 (en) * | 2015-08-21 | 2018-04-03 | Qualcomm Incorporated | Opportunistic antenna switch diversity (ASDIV) in carrier aggregation |
US9622208B2 (en) * | 2015-09-02 | 2017-04-11 | Estimote, Inc. | Systems and methods for object tracking with wireless beacons |
US10986466B2 (en) * | 2015-10-08 | 2021-04-20 | Voxx International Corporation | System and method for locating a portable device in different zones relative to a vehicle based upon training data |
WO2017062980A1 (en) * | 2015-10-08 | 2017-04-13 | Voxx International Corporation | System and method for micro-locating and communicating with a portable vehicle control device |
WO2017067138A1 (en) * | 2015-10-21 | 2017-04-27 | Intel IP Corporation | Method, apparatus and system for reporting beam reference signal receiving power |
US10098059B2 (en) * | 2016-04-29 | 2018-10-09 | Qualcomm Incorporated | Discovering physical cell identifiers in wireless communications |
KR102456541B1 (ko) * | 2016-06-22 | 2022-10-19 | 삼성전자 주식회사 | Sar 저감을 위한 안테나 스위칭 방법 및 이를 지원하는 전자 장치 |
US9742481B1 (en) * | 2016-09-16 | 2017-08-22 | Amazon Technologies, Inc. | Antenna switching |
KR102502220B1 (ko) * | 2016-12-20 | 2023-02-22 | 삼성전자주식회사 | 전자 장치, 그의 사용자 발화 의도 판단 방법 및 비일시적 컴퓨터 판독가능 기록매체 |
CN109923791B (zh) * | 2016-12-29 | 2022-09-27 | 西安易朴通讯技术有限公司 | 自适应天线切换***及切换方法及智能终端 |
JP6819490B2 (ja) * | 2017-02-02 | 2021-01-27 | 株式会社豊田自動織機 | 産業車両用遠隔操作システム、産業車両、遠隔操作装置、産業車両用遠隔操作プログラム及び産業車両用遠隔操作方法 |
US11277195B2 (en) * | 2017-04-27 | 2022-03-15 | Airspan Ip Holdco Llc | Apparatus and method for providing network coverage in a wireless network |
US10039016B1 (en) | 2017-06-14 | 2018-07-31 | Verizon Patent And Licensing Inc. | Machine-learning-based RF optimization |
US10375585B2 (en) * | 2017-07-06 | 2019-08-06 | Futurwei Technologies, Inc. | System and method for deep learning and wireless network optimization using deep learning |
US10560303B2 (en) * | 2017-07-17 | 2020-02-11 | Cox Communications, Inc. | System and methods for a smart adaptive communication channel |
US11063653B2 (en) | 2017-08-30 | 2021-07-13 | Telefonaktiebolaget Lm Ericsson (Publ) | Wireless device for determining a best antenna beam and method thereof |
US11534323B2 (en) * | 2017-12-22 | 2022-12-27 | Coloplast A/S | Tools and methods for placing a medical appliance on a user |
US11304699B2 (en) * | 2017-12-28 | 2022-04-19 | Cilag Gmbh International | Method for adaptive control schemes for surgical network control and interaction |
US10355344B1 (en) * | 2018-02-23 | 2019-07-16 | Apple Inc. | Electronic devices having antenna diversity capabilities |
JP6569755B1 (ja) * | 2018-03-06 | 2019-09-04 | Tdk株式会社 | ニューラルネットワーク装置、信号生成方法およびプログラム |
US11036979B2 (en) * | 2018-03-15 | 2021-06-15 | Motorola Solutions, Inc. | Device, system and method for generating an alert and an automatic search for a candidate subject |
US10291310B1 (en) * | 2018-04-09 | 2019-05-14 | Qualcomm Incorporated | Gap-based antenna measurement for antenna switch diversity |
US10852968B2 (en) * | 2018-05-07 | 2020-12-01 | Apple Inc. | Techniques for managing memory allocation within a storage device to improve operation of a camera application |
US10962637B2 (en) * | 2018-06-25 | 2021-03-30 | Texas Instruments Incorporated | Radar data processing using neural network classifier and confidence metrics |
US10757596B2 (en) * | 2018-06-29 | 2020-08-25 | Intel Corporation | Methods and apparatus to collect data from user equipment outside a network |
US11038895B2 (en) * | 2018-09-28 | 2021-06-15 | Intel Corporation | Trust management mechanisms |
US11328538B2 (en) * | 2018-10-26 | 2022-05-10 | Snap-On Incorporated | Method and system for annotating graphs of vehicle data |
DE102019124713A1 (de) * | 2018-11-27 | 2020-05-28 | Samsung Electronics Co., Ltd. | Vorrichtungen und Verfahren zur Steuerung einer Exposition gegenüber drahtloser Kommunikation |
EP3671568A1 (en) * | 2018-12-17 | 2020-06-24 | IMEC vzw | Binary recurrent neural network inference technique |
US11062233B2 (en) * | 2018-12-21 | 2021-07-13 | The Nielsen Company (Us), Llc | Methods and apparatus to analyze performance of watermark encoding devices |
US11494614B2 (en) * | 2019-03-20 | 2022-11-08 | Microsoft Technology Licensing, Llc | Subsampling training data during artificial neural network training |
US10666342B1 (en) * | 2019-05-01 | 2020-05-26 | Qualcomm Incorporated | Beam management using adaptive learning |
KR20220027881A (ko) * | 2019-05-31 | 2022-03-08 | 컬버트-아이오티 코포레이션 | 지능형 추적 시스템 및 이를 위한 방법들 및 시스템들 |
US11057079B2 (en) | 2019-06-27 | 2021-07-06 | Qualcomm Incorporated | Dynamic thresholds for antenna switching diversity |
-
2019
- 2019-06-27 US US16/455,460 patent/US11057079B2/en active Active
-
2020
- 2020-06-22 KR KR1020217042678A patent/KR20220027086A/ko active Search and Examination
- 2020-06-22 AU AU2020308426A patent/AU2020308426A1/en active Pending
- 2020-06-22 EP EP20737820.9A patent/EP3991314A1/en active Pending
- 2020-06-22 BR BR112021025742A patent/BR112021025742A2/pt unknown
- 2020-06-22 JP JP2021576136A patent/JP2022539006A/ja active Pending
- 2020-06-22 WO PCT/US2020/038942 patent/WO2020263741A1/en active Application Filing
- 2020-06-22 CN CN202080045460.XA patent/CN113994608B/zh active Active
- 2020-06-23 TW TW109121309A patent/TWI770540B/zh active
-
2021
- 2021-06-04 US US17/339,833 patent/US11283489B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5603107A (en) * | 1995-06-09 | 1997-02-11 | Ford Motor Company | Switching system for diversity antenna FM receiver |
CN107113041A (zh) * | 2015-01-06 | 2017-08-29 | 高通股份有限公司 | 用于在毫米波基站处进行波束整形和无线设备处的快速天线子阵列选择的技术 |
CN109417417A (zh) * | 2016-06-30 | 2019-03-01 | 高通股份有限公司 | 用于在无线通信中采用天线切换分集的技术 |
US20180084555A1 (en) * | 2016-09-20 | 2018-03-22 | Kabushiki Kaisha Toshiba | Wireless communication device, wireless communication terminal and wireless communication method |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114222239A (zh) * | 2021-10-13 | 2022-03-22 | 成都市以太节点科技有限公司 | 一种用于通信链路切换判定的rsrp迟滞容限动态优化方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202105931A (zh) | 2021-02-01 |
JP2022539006A (ja) | 2022-09-07 |
US11283489B2 (en) | 2022-03-22 |
TWI770540B (zh) | 2022-07-11 |
US20200412417A1 (en) | 2020-12-31 |
US11057079B2 (en) | 2021-07-06 |
EP3991314A1 (en) | 2022-05-04 |
BR112021025742A2 (pt) | 2022-02-22 |
AU2020308426A1 (en) | 2022-01-27 |
KR20220027086A (ko) | 2022-03-07 |
US20210297117A1 (en) | 2021-09-23 |
WO2020263741A1 (en) | 2020-12-30 |
CN113994608B (zh) | 2024-05-21 |
WO2020263741A9 (en) | 2021-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113994608B (zh) | 用于天线切换分集的动态门限 | |
EP3921951B1 (en) | Beam management using channel state information prediction | |
US11469801B2 (en) | Beam tracking for periodic user equipment movement | |
EP4136591A1 (en) | Machine learning model selection in beamformed communications | |
CN116830658A (zh) | 用于分布式无线通信***中的移动性的小区测量和报告 | |
WO2021159472A1 (en) | Beyond-bandwidth part (bwp) sounding reference signal (srs) transmissions | |
US20230014069A1 (en) | Interference management for dynamic spectrum sharing | |
WO2023108392A1 (en) | Beam change reporting via prediction based beam management | |
WO2022178706A1 (en) | Out-of-distribution detection and reporting for machine learning model deployment | |
WO2024050655A1 (en) | Event-triggered beam avoidance prediction report | |
WO2023207769A1 (en) | Predictive beam management mode switching | |
WO2024103197A1 (en) | Overhead reduction for feedback on beam prediction results | |
WO2023201613A1 (en) | Measurement report resource management in wireless communications | |
WO2023168589A1 (en) | Machine learning models for predictive resource management | |
US20220368487A1 (en) | Uplink reference signal transmissions during power saving operations | |
WO2024093983A1 (en) | Concurrent or overlapping measurement gaps for layer one and layer three measurements | |
WO2023208021A1 (en) | Inference error information feedback for machine learning-based inferences | |
US20230232257A1 (en) | Motion-based beam management techniques in wireless communications | |
US20230254837A1 (en) | Proactive communication of hybrid beamforming parameters between devices | |
US20230261728A1 (en) | Enhanced beam failure detection | |
WO2021151240A1 (en) | Techniques for relaxing a slot format determination | |
WO2021109052A1 (en) | User equipment mobility complexity reduction with external assistance | |
WO2024097092A1 (en) | Model update techniques in wireless communications | |
EP4338488A1 (en) | Uplink reference signal transmissions during power saving operations | |
CN117981234A (zh) | 无线通信中的接收分集技术 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |