System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及通信,尤其涉及一种波束指示方法、装置及存储介质。
技术介绍
1、在新无线(new radio,nr)下行波束管理场景中,确定最优下行波束的方式,需要基站循环在不同方向发送tx beam(发送波束),用户设备使用rx beam(接收波束)接收txbeam,并测量所有tx beam上发送的信道状态信息参考信号(channel state informationreference signal,csi-rs)或同步信号块(synchronization signal block,ssb)信号,选出接收性能(如参考信号接收功率(reference signal received power,rsrp))最好的发送波束(best beam),用于后续基站使用该最好的发送波束给用户设备传输信息。
2、现有技术的实现方案,csi-rs或ssb信号需要在所有tx beam上发送,资源消耗较大;且用户设备需要分别测量所有tx beam上发送的csi-rs或ssb信号,用户设备实现较为复杂,并且测量开销较大。
技术实现思路
1、本申请提供了一种波束指示方法、装置及存储介质。
2、根据本申请的一方面,提供了一种波束指示方法,所述方法应用于用户设备ue中,所述方法包括:接收指示信息,其中,所述指示信息用于指示基站发送信息所使用的目标发送波束的第一发送波束标识,其中,所述目标发送波束为m个最优发送波束中的至少一个,其中,m为大于或者等于1的整数,所述m个最优发送波束,是基于
3、在本申请的一个实施例中,所述基于下行波束预测的人工智能或机器学习ai/ml模型,预测出的m个最优发送波束包括:
4、在所述ai/ml模型为一个的情况下,基于所述ai/ml模型预测出m个最优发送波束;或者,
5、在所述ai/ml模型为多个的情况下,基于每个所述ai/ml模型预测出至少一个最优发送波束。
6、在本申请的一个实施例中,在所述ai/ml模型为一个的情况下,在所述接收指示信息之前,所述方法还包括:
7、将所述m个最优发送波束的第二发送波束标识发送给所述基站。
8、在本申请的一个实施例中,在所述ai/ml模型为多个的情况下,在所述接收指示信息之前,所述方法还包括:
9、将各个所述ai/ml模型对应的第一模型标识以及至少一个最优发送波束的第二发送波束标识发送给所述基站。
10、在本申请的一个实施例中,在所述ai/ml模型为多个的情况下,在所述接收指示信息之前,所述方法还包括:
11、从多个所述ai/ml模型中选择出一个第一ai/ml模型;
12、将所述第一ai/ml模型对应的第一模型标识以及所述第一ai/ml模型预测出的至少一个最优发送波束的第二发送波束标识发送给所述基站。
13、在本申请的一个实施例中,在所述ai/ml模型为多个的情况下,所述指示信息还包括:所述第一发送波束标识对应的第二模型标识;所述根据所述指示信息确定接收波束,包括:
14、根据所述指示信息中的所述第一发送波束标识和所述第二模型标识确定接收波束。
15、在本申请的一个实施例中,在所述ai/ml模型为一个的情况下,所述根据所述指示信息确定接收波束,包括:
16、根据所述指示信息中的所述第一发送波束标识确定接收波束。
17、在本申请的一个实施例中,在所述ai/ml模型为一个、所述信息为参考信号、m大于1、并且所述第一发送波束标识为n个的情况下,其中,n为大于1,并且小于或者等于m的整数,所述指示信息包括n个参考信号配置信息,其中,所述参考信号配置信息中包括所述参考信号的时频资源信息以及用于发送所述参考信号的目标发送波束的第一发送波束标识,其中,所述n个第一发送波束标识是从m个所述第二发送波束标识中确定出的;
18、所述根据所述指示信息确定接收波束,包括:
19、根据所述指示信息中的所述第一发送波束标识确定接收波束。
20、在本申请的一个实施例中,在所述ai/ml模型为多个、所述信息为参考信号、m大于1、并且所述第一发送波束标识为n个的情况下,其中,n为大于1,并且小于或者等于m的整数,所述指示信息包括n个参考信号配置信息,其中,所述参考信号配置信息中包括所述参考信号的时频资源信息以及用于发送所述参考信号的目标发送波束的第一发送波束标识,所述指示信息还包括所述第一发送波束标识对应的第二模型标识;
21、所述根据所述指示信息确定接收波束,包括:
22、根据所述指示信息中的所述第一发送波束标识和所述第二模型标识确定接收波束。
23、根据本申请的另一方面,提供了一种波束指示方法,所述方法应用于基站中,所述方法包括:接收用户设备的上报信息,其中,所述上报信息包括m个最优发送波束的第一发送波束标识,其中,所述m个最优发送波束是所述用户设备基于下行波束预测的人工智能或机器学习ai/ml模型,预测出的m个最优发送波束,其中,m为大于或者等于1的整数;向所述用户设备发送指示信息,其中,所述指示信息用于指示所述基站发送信息所使用的目标发送波束的第二发送波束标识,其中,所述目标发送波束为所述m个最优发送波束中的至少一个;通过所述目标发送波束向所述用户设备发送所述信息。
24、在本申请的一个实施例中,在所述ai/ml模型为一个,m大于1的情况下,在所述向所述用户设备发送指示信息之前,所述方法还包括:
25、从m个所述第一发送波束标识中选择出一个发送波束标识作为所述第二发送波束标识。
26、在本申请的一个实施例中,在所述ai/ml模型为多个的情况下,所述上报信息还包括第一发送波束标识对应的第一模型标识的情况下,所述方法还包括:
27、从m个所述第一发送波束标识对应的第一模型标识中,确定出所述第二发送波束标识对应的第二模型标识;
28、其中,所述指示信息还包括所述第二模型标识。
29、在本申请的一个实施例中,在所述ai/ml模型为一个,所述信息为参考信号,m大于1,并且所述第二发送波束标识为n个的情况下,其中,n为大于1,并且小于或者等于m的整数,所述指示信息包括n个参考信号配置信息,其中,所述参考信号配置信息中包括所述参考信号的时频资源信息以及用于发送所述参考信号的目标发送波束的第二发送波束标识,其中,n个所述第二发送波束标识是从m个所述第一发送波束标识中确定出的。
30、在本申请的一个实施例中,在所述ai/ml模型为多个,所述信息为参考信号,m大于1,并且所述第二发送波束标识为n个的情况下,其中,n为大于1,并且小于或者等于m的整数,所述指示信息包括n个参考信号配置信息,其中,所述参考信号配置信息中包括所本文档来自技高网...
【技术保护点】
1.一种波束指示方法,其特征在于,所述方法应用于用户设备UE中,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述基于下行波束预测的人工智能或机器学习AI/ML模型,预测出的M个最优发送波束包括:
3.根据权利要求2所述的方法,其特征在于,在所述AI/ML模型为一个的情况下,在所述接收指示信息之前,所述方法还包括:
4.根据权利要求2所述的方法,其特征在于,在所述AI/ML模型为多个的情况下,在所述接收指示信息之前,所述方法还包括:
5.根据权利要求2所述的方法,其特征在于,在所述AI/ML模型为多个的情况下,在所述接收指示信息之前,所述方法还包括:
6.根据权利要求4或5所述的方法,其特征在于,在所述AI/ML模型为多个的情况下,所述指示信息还包括:所述第一发送波束标识对应的第二模型标识;所述根据所述指示信息确定接收波束,包括:
7.根据权利要求3所述的方法,其特征在于,在所述AI/ML模型为一个的情况下,所述根据所述指示信息确定接收波束,包括:
8.根据权利要求3所述的方法,其特征
9.根据权利要求4或5所述的方法,其特征在于,在所述AI/ML模型为多个、所述信息为参考信号、M大于1、并且所述第一发送波束标识为N个的情况下,其中,N为大于1,并且小于或者等于M的整数,所述指示信息包括N个参考信号配置信息,其中,所述参考信号配置信息中包括所述参考信号的时频资源信息以及用于发送所述参考信号的目标发送波束的第一发送波束标识,所述指示信息还包括所述第一发送波束标识对应的第二模型标识;
10.一种波束指示方法,其特征在于,所述方法应用于基站中,所述方法包括:
11.根据权利要求10所述的方法,其特征在于,在所述AI/ML模型为一个,M大于1的情况下,在所述向所述用户设备发送指示信息之前,所述方法还包括:
12.根据权利要求11所述的方法,其特征在于,在所述AI/ML模型为多个的情况下,所述上报信息还包括第一发送波束标识对应的第一模型标识的情况下,所述方法还包括:
13.根据权利要求10所述的方法,其特征在于,在所述AI/ML模型为一个,所述信息为参考信号,M大于1,并且所述第二发送波束标识为N个的情况下,其中,N为大于1,并且小于或者等于M的整数,所述指示信息包括N个参考信号配置信息,其中,所述参考信号配置信息中包括所述参考信号的时频资源信息以及用于发送所述参考信号的目标发送波束的第二发送波束标识,其中,N个所述第二发送波束标识是从M个所述第一发送波束标识中确定出的。
14.根据权利要求12所述的方法,其特征在于,在所述AI/ML模型为多个,所述信息为参考信号,M大于1,并且所述第二发送波束标识为N个的情况下,其中,N为大于1,并且小于或者等于M的整数,所述指示信息包括N个参考信号配置信息,其中,所述参考信号配置信息中包括所述参考信号的时频资源信息以及用于发送所述参考信号的目标发送波束的第二发送波束标识,所述指示信息还包括所述第二发送波束标识对应的第二模型标识,其中,每个所述第二发送波束标识对应的第二模型标识是从M个所述第一发送波束标识对应的第一模型标识中确定出的。
15.一种波束指示装置,其特征在于,包括存储器,收发机,处理器,其中:
16.根据权利要求15所述的装置,其特征在于,所述基于下行波束预测的人工智能或机器学习AI/ML模型,预测出的M个最优发送波束包括:
17.根据权利要求16所述的装置,其特征在于,在所述AI/ML模型为一个的情况下,在所述接收指示信息之前,所述处理器还用于执行以下操作:
18.根据权利要求16所述的装置,其特征在于,在所述AI/ML模型为多个的情况下,在所述接收指示信息之前,所述处理器还用于执行以下操作:
19.根据权利要求16所述的装置,其特征在于,在所述AI/ML模型为多个的情况下,在所述接收指示信息之前,所述处理器还用于执行以下操作:
20.根据权利要求18或19所述的装置,其特征在于,在所述AI/ML模型为多个的情况下,所述指示信息还包括:所述第一发送波束标识对应的第二模型标识;所述根...
【技术特征摘要】
1.一种波束指示方法,其特征在于,所述方法应用于用户设备ue中,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述基于下行波束预测的人工智能或机器学习ai/ml模型,预测出的m个最优发送波束包括:
3.根据权利要求2所述的方法,其特征在于,在所述ai/ml模型为一个的情况下,在所述接收指示信息之前,所述方法还包括:
4.根据权利要求2所述的方法,其特征在于,在所述ai/ml模型为多个的情况下,在所述接收指示信息之前,所述方法还包括:
5.根据权利要求2所述的方法,其特征在于,在所述ai/ml模型为多个的情况下,在所述接收指示信息之前,所述方法还包括:
6.根据权利要求4或5所述的方法,其特征在于,在所述ai/ml模型为多个的情况下,所述指示信息还包括:所述第一发送波束标识对应的第二模型标识;所述根据所述指示信息确定接收波束,包括:
7.根据权利要求3所述的方法,其特征在于,在所述ai/ml模型为一个的情况下,所述根据所述指示信息确定接收波束,包括:
8.根据权利要求3所述的方法,其特征在于,在所述ai/ml模型为一个、所述信息为参考信号、m大于1、并且所述第一发送波束标识为n个的情况下,其中,n为大于1,并且小于或者等于m的整数,所述指示信息包括n个参考信号配置信息,其中,所述参考信号配置信息中包括所述参考信号的时频资源信息以及用于发送所述参考信号的目标发送波束的第一发送波束标识,其中,所述n个第一发送波束标识是从m个所述第二发送波束标识中确定出的;
9.根据权利要求4或5所述的方法,其特征在于,在所述ai/ml模型为多个、所述信息为参考信号、m大于1、并且所述第一发送波束标识为n个的情况下,其中,n为大于1,并且小于或者等于m的整数,所述指示信息包括n个参考信号配置信息,其中,所述参考信号配置信息中包括所述参考信号的时频资源信息以及用于发送所述参考信号的目标发送波束的第一发送波束标识,所述指示信息还包括所述第一发送波束标识对应的第二模型标识;
10.一种波束指示方法,其特征在于,所述方法应用于基站中,所述方法包括:
11.根据权利要求10所述的方法,其特征在于,在所述ai/ml模型为一个,m大于1的情况下,在所述向所述用户设备发送指示信息之前,所述方法还包括:
12.根据权利要求11所述的方法,其特征在于,在所述ai/ml模型为多个的情况下,所述上报信息还包括第一发送波束标识对应的第一模型标识的情况下,所述方法还包括:
13.根据权利要求10所述的方法,其特征在于,在所述ai/ml模型为一个,所述信息为参考信号,m大于1,并且所述第二发送波束标识为n个的情况下,其中,n为大于1,并且小于或者等于m的整数,所述指示信息包括n个参考信号配置信息,其中,所述参考信号配置信息中包括所述参考信号的时频资源信息以及用于发送所述参考信号的目标发送波束的第二发送波束标识,其中,n个所述第二发送波束标识是从m个所述第一发送波束标识中确定出的。
14.根据权利要求12所述的方法,其特征在于,在所述ai/ml模型为多个,所述信息为参考信号,m大于1,并且所述第二发送波束标识为n个的情况下,其中,n为大于1,并且小于或者等于m的整数,所述指示信息包括n个参考信号配置信息,其中,所述参考信号配置信息中包括所述参考信号的时频资源信息以及用于发送所述参考信号的目标发送波束的第二发送波束标识,所述指示信息还包括所述第二发送波束标识对应的第二模型标识,其中,每个所述第二发送波束标识对应的第二模型标识是从m个所述第一发送波束标识对应的第一模型标识中确定出的。
15.一种波束指示装置,其特征在于,包括存储器,收发机,处理器,其中:
16.根据权利要求15所述的装置,其特征在于,所述基于下行波束预测的人工智能或机器学习ai/ml模型,预测出的m个最优发送波...
【专利技术属性】
技术研发人员:王达,高秋彬,
申请(专利权)人:大唐移动通信设备有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。