[go: up one dir, main page]

CN118509903A - 一种通信方法及装置 - Google Patents

一种通信方法及装置 Download PDF

Info

Publication number
CN118509903A
CN118509903A CN202310156244.8A CN202310156244A CN118509903A CN 118509903 A CN118509903 A CN 118509903A CN 202310156244 A CN202310156244 A CN 202310156244A CN 118509903 A CN118509903 A CN 118509903A
Authority
CN
China
Prior art keywords
transmission
indication information
determination
csi
model
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.)
Pending
Application number
CN202310156244.8A
Other languages
English (en)
Inventor
柴晓萌
李�远
孙琰
庞继勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN202310156244.8A priority Critical patent/CN118509903A/zh
Priority to KR1020257030329A priority patent/KR20250144481A/ko
Priority to PCT/CN2024/076089 priority patent/WO2024169745A1/zh
Priority to EP24756119.4A priority patent/EP4661479A1/en
Publication of CN118509903A publication Critical patent/CN118509903A/zh
Priority to US19/301,177 priority patent/US20250373397A1/en
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/092—Reinforcement learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/098—Distributed learning, e.g. federated learning
    • 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
    • H04B7/0613—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 simultaneous transmission
    • H04B7/0615—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 simultaneous transmission of weighted versions of same signal
    • H04B7/0619—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 simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0658—Feedback reduction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0002—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate
    • H04L1/0003—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate by switching between different modulation schemes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/02—Arrangements for detecting or preventing errors in the information received by diversity reception
    • H04L1/06—Arrangements for detecting or preventing errors in the information received by diversity reception using space diversity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/02—Arrangements for detecting or preventing errors in the information received by diversity reception
    • H04L1/06—Arrangements for detecting or preventing errors in the information received by diversity reception using space diversity
    • H04L1/0618—Space-time coding
    • H04L1/0675—Space-time coding characterised by the signaling
    • H04L1/0693—Partial feedback, e.g. partial channel state information [CSI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0053—Allocation of signalling, i.e. of overhead other than pilot signals
    • H04L5/0057—Physical resource allocation for CQI
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
    • H04W72/232—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal the control data signalling from the physical layer, e.g. DCI signalling
    • 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
    • H04B7/0613—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 simultaneous transmission
    • H04B7/0615—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 simultaneous transmission of weighted versions of same signal
    • H04B7/0619—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 simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Communication Control (AREA)

Abstract

一种通信方法及装置，应用于通信技术领域。该方法包括：第二设备向第一设备发送指示信息，所述指示信息用于指示第一传输的传输参数的确定方式，或者所述指示信息用于指示第一传输和第二传输的传输参数的确定方式相同，所述确定方式包括基于人工智能AI的确定方式或基于非AI的确定方式；第二设备根据所述指示信息以及来自所述第二设备的至少一个传输，确定所述第一传输的传输参数的确定方式所对应的性能；其中，所述至少一个传输中包括所述第一传输和/或所述第二传输。上述方法可以实现对人工智能的性能进行监测。

Description

一种通信方法及装置
技术领域
本申请涉及通信技术领域，尤其涉及一种通信方法及装置。
背景技术
在无线通信网络中，例如在移动通信网络中，网络支持的业务越来越多样，因此需要满足的需求越来越多样。例如，网络需要能够支持超高速率、超低时延、和/或超大连接。该特点使得网络规划、网络配置、和/或资源调度越来越复杂。这些新需求、新场景和新特性给网络规划、运维和高效运营带来了前所未有的挑战。为了迎接该挑战，可以将人工智能技术引入无线通信网络中，从而实现网络智能化。比如，将人工智能技术引入无线通信网络的一种具体应用是基于人工智能(artificial intelligence，AI)模型进行信道状态信息(channel state information，CSI)反馈。
在将人工智能引入无线通信网络的情况下，需要通过模型监测以监测AI模型的性能。如何在网络中有效地实现人工智能，比如，如何监测人工智能的性能，是目前值得研究的问题。
发明内容
本申请提供一种通信方法及装置，用以实现对人工智能的性能进行监测。
第一方面，提供一种通信方法，应用于第一设备。针对下行传输，第一设备为终端侧装置、第二设备为网络侧装置；针对上行传输，第一设备为网络侧装置、第二设备为终端侧装置。本申请中的终端侧装置可以为终端设备，或者为终端设备中的芯片、单元或模块。终端侧装置还可以为具有终端设备功能的通信装置或为具有终端设备功能的通信装置内部的芯片、单元或模块。本申请中的网络侧装置可以为网络设备，或者为网络设备中的芯片、单元或模块。网络侧装置还可以为具有网络设备功能的通信装置或为具有网络设备功能的通信装置内部的芯片、单元或模块。
所述方法包括：第一设备接收来自第二设备的指示信息，所述指示信息用于指示第一传输的传输参数的确定方式，或者所述指示信息用于指示第一传输和第二传输的传输参数的确定方式相同，所述确定方式包括基于人工智能AI的确定方式或基于非AI的确定方式；第一设备根据所述指示信息以及来自所述第二设备的至少一个传输，确定所述第一传输的传输参数的确定方式所对应的性能；其中，所述至少一个传输中包括所述第一传输和/或所述第二传输。
由于第二设备通过指示信息将第一传输的传输参数的确定方式发送给第一设备，从而可以使得第一设备获知第一传输的传输参数的确定方式，进而可以针对该确定方式，根据传输的接收情况确定该确定方式所对应的性能，从而实现模型监测。基于模型监测结果，可以采取相关措施以提高系统性能。以CSI反馈场景为例，基于上述流程，第一设备获得模型监测结果后，可以通过对比基于AI的CSI反馈方式和基于非AI的CSI反馈方式所对应的性能，从而实现对AI模型的监测，例如，对比基于AI模型的CSI反馈方式所对应的性能和基于非AI的CSI反馈方式所对应的性能，如果基于AI模型的CSI反馈方式所对应的性能更好，则说明该AI模型的性能满足需求，反之，则说明该AI的模型的性能不满足需求，进而可以进行CSI反馈方式的切换，或者AI模型的更换或更新等操作。
一种可能的实现方式中，所述传输参数包括预编码、波束、调制与编码策略(modulation and coding Scheme，MCS)、传输流数、资源分配中的一项或多项。
一种可能的实现方式中，所述第一传输的参数的确定方式，与所述第二传输的传输参数的确定方式不同。也就是说，对于存在关联关系的多个传输，其传输参数的确定方式不同。
一种可能的实现方式中，所述基于AI的确定方式至少包括：基于第一AI模型的确定方式和基于第二AI模型的确定方式。该实现方式，可以将基于AI的确定方式进一步细分为基于不同AI模型的确定方式，从而可以实现更精细化的模型监测。
可选的，所述第一AI模型的功能和所述第二AI模型的功能相同。比如，第一AI模型和第二AI模型均用于确定CSI反馈信息；再比如，第一AI模型和第二AI模型均用于进行波束预测。所述第一AI模型和所述第二AI模型的结构不同，比如神经网络的深度(层数)和/或宽度(神经元个数)不同。或者，所述第一AI模型和所述第二AI模型的系数不同。或者，所述第一AI模型和所述第二AI模型的结构和系数均不相同。
一种可能的实现方式中，所述基于AI的确定方式，包括以下一项：基于AI的CSI反馈方式；基于AI的CSI压缩方式；基于AI的CSI重构方式；基于AI的CSI预测方式；基于AI的波束预测方式。所述基于非AI的确定方式，包括以下一项：基于非AI的CSI反馈方式；基于非AI的CSI压缩方式；基于非AI的CSI重构方式；基于非AI的CSI预测方式；基于非AI的波束预测方式。
一种可能的实现方式中，所述第一传输包括一个传输或多个传输或第一时间段内的传输。这样，可以通过指示信息指示多个传输的传输参数的确定方式。
可选的，若所述第一传输包括多个传输，则所述指示信息用于指示所述多个传输中每个传输的传输参数的确定方式。
一种可能的实现方式中，所述接收来自第二设备的指示信息，包括：接收来自所述第二设备的下行控制信息，所述下行控制信息用于指示所述第一传输的传输参数的确定方式，所述第一传输为所述下行控制信息调度的传输；或者，接收来自所述第二设备的高层信令，所述高层信令用于指示所述第一传输的传输参数的确定方式。
一种可能的实现方式中，所述指示信息用于指示第一传输图样，所述第一传输图样包括N个传输对应的第一确定方式，所述N个传输中包括所述第一传输，所述第一确定方式为所述第一传输的传输参数的确定方式，N为正整数。
所述N个传输可以包括N1个传输和N2个传输。在N1大于1的情况下，该N1个传输可以是连续的N1个传输，在N2大于1的情况下，该N2个传输可以是连续N2个传输。第一传输图样中可以仅指示出所述N1个传输的传输个数并对应于该传输个数指示出第一确定方式，同样的，第一传输图样中可以仅指示出所述N2个传输的传输个数并对应于该传输个数指示出第二确定方式，这样可以在通过第一指示信息发送第一传输图样时，节省信令开销。其中，N，N1和N2均为正整数。
一种可能的实现方式中，所述指示信息用于指示第二传输图样，所述第二传输图样包括第一时间段内的传输对应的第一确定方式，所述第一时间段内的传输包括所述第一传输，所述第一确定方式为所述第一传输的传输参数的确定方式。
第一时间段内可能包括一个或多个传输。在第一时间段内包括多个传输的情况下，由于第二传输图样中可以仅针对第一时间段指示出对应的确定方式，因此可以在通过第一指示信息发送第二传输图样时，节省信令开销。
一种可能的实现方式中，所述指示信息包括所述第一传输的传输参数的确定方式的索引信息；或者，所述指示信息包括所述第一传输的类型信息，所述第一传输的传输参数的确定方式与所述第一传输的类型对应。
可选的，可以从是否用于模型监测以及是否基于AI模型确定传输参数的角度，对传输进行类型划分，从而可以使得传输的类型与该传输的传输参数的确定方式相对应。
一种可能的实现方式中，所述指示信息包括所述第一传输的指示信息和所述第二传输的指示信息，或者所述指示信息指示所述第一传输和所述第二传输的传输时刻。
一种可能的实现方式中，所述第一传输的指示信息，包括：所述第一传输的索引，和/或，所述第一传输的时频资源指示信息；所述第二传输的指示信息，包括：所述第二传输的索引，和/或，所述第二传输的时频资源指示信息。
一种可能的实现方式中，所述根据所述指示信息以及来自所述第二设备的至少一个传输，确定所述第一传输的传输参数的确定方式所对应的性能，包括：在接收所述指示信息之后的每个周期内，根据所述指示信息以及在所在周期内来自所述第二设备的至少一个传输，确定所述第一传输的传输参数的确定方式所对应的性能。由于该指示信息可以是周期性的，因此可以节省信令开销。
可选的，所述指示信息还可以用于指示周期的开始时间，结束时间，或周期长度中的一项或多项。可以理解的是，周期的开始时间，结束时间，或周期长度中未被指示出的一项或多项可以为预定义的，比如基于协议预定义的，或者，可以基于被指示出的信息和/或预定义的信息获得。
一种可能的实现方式中，还包括：向所述第二设备发送第一信息，所述第一信息包括所述性能，或者所述第一信息用于指示以下一项或多项：多个确定方式中至少一种确定方式的性能；多个确定方式对应的性能中，最优性能所对应的确定方式；多个确定方式对应的性能中，超过阈值的性能所对应的确定方式；多个确定方式对应的性能中，低于阈值的性能所对应的确定方式；多个确定方式对应的性能中，所述终端设备建议使用的确定方式。其中，所述多个确定方包括所述第二设备发送的所述至少一个传输中各传输的传输参数的确定方式。
可选的，所述性能，包括以下一项或多项：吞吐量、频谱效率、传输速率、误块率(BLER)、假设的BLER、混合自动重传请求确认/非确认(HARQ ACK/NACK)、信号与干扰加噪声比(SINR)、参考信号接收功率(RSRP)。
第二方面，提供一种通信方法，应用于第二设备。针对下行传输，第一设备为终端侧装置、第二设备为网络侧装置；针对上行传输，第一设备为网络侧装置、第二设备为终端侧装置。本申请中的终端侧装置可以为终端设备，或者为终端设备中的芯片、单元或模块。终端侧装置还可以为具有终端设备功能的通信装置或为具有终端设备功能的通信装置内部的芯片、单元或模块。本申请中的网络侧装置可以为网络设备，或者为网络设备中的芯片、单元或模块。网络侧装置还可以为具有网络设备功能的通信装置或为具有网络设备功能的通信装置内部的芯片、单元或模块。
所述方法包括：第二设备向第一设备发送指示信息，所述指示信息用于指示第一传输的传输参数的确定方式，或者所述指示信息用于指示第一传输和第二传输的传输参数的确定方式相同，所述确定方式包括基于人工智能AI的确定方式或基于非AI的确定方式；第二设备向所述第一设备发送至少一个传输，所述至少一个传输中包括所述第一传输和/或所述第二传输。
一种可能的实现方式中，所述基于AI的确定方式至少包括：基于第一AI模型的确定方式和基于第二AI模型的确定方式。
一种可能的实现方式中，所述基于AI的确定方式，包括以下一项：基于AI的CSI反馈方式；基于AI的CSI压缩方式；基于AI的CSI重构方式；基于AI的CSI预测方式；基于AI的波束预测方式。所述基于非AI的确定方式，包括以下一项：基于非AI的CSI反馈方式；基于非AI的CSI压缩方式；基于非AI的CSI重构方式；基于非AI的CSI预测方式；基于非AI的波束预测方式。
一种可能的实现方式中，所述第一传输包括一个传输或多个传输或第一时间段内的传输。
一种可能的实现方式中，所述向第一设备发送指示信息，包括：向所述第一设备发送下行控制信息，所述下行控制信息用于指示所述第一传输的传输参数的确定方式，所述第一传输为所述下行控制信息调度的传输；或者，向所述第一设备发送高层信令，所述高层信令用于指示所述第一传输的传输参数的确定方式。
一种可能的实现方式中，所述指示信息用于指示第一传输图样，所述第一传输图样包括N个传输对应的第一确定方式，所述N个传输中包括所述第一传输，所述第一确定方式为所述第一传输的传输参数的确定方式，N为正整数；或者，所述指示信息用于指示第二传输图样，所述第二传输图样包括第一时间段内的传输对应的第一确定方式，所述第一时间段内的传输包括所述第一传输，所述第一确定方式为所述第一传输的传输参数的确定方式。
一种可能的实现方式中，所述指示信息包括所述第一传输的传输参数的确定方式的索引信息；或者，所述指示信息包括所述第一传输的类型信息，所述第一传输的传输参数的确定方式与所述第一传输的类型对应。
一种可能的实现方式中，所述指示信息包括所述第一传输的指示信息和所述第二传输的指示信息，或者所述指示信息指示所述第一传输和所述第二传输的传输时刻。
一种可能的实现方式中，所述第一传输的指示信息，包括：所述第一传输的索引，和/或，所述第一传输的时频资源指示信息；所述第二传输的指示信息，包括：所述第二传输的索引，和/或，所述第二传输的时频资源指示信息。
一种可能的实现方式中，所述向所述第一设备发送至少一个传输之后，还包括：接收来自所述第一设备的第一信息，所述第一信息包括所述第一设备根据所述指示信息以及所述第二设备发送的所述至少一个传输确定出的所述第一传输的传输参数的确定方式所对应的性能，或者所述第一信息用于指示以下一项或多项：多个确定方式中至少一种确定方式的性能；多个确定方式对应的性能中，最优性能所对应的确定方式；多个确定方式对应的性能中，超过阈值的性能所对应的确定方式；多个确定方式对应的性能中，低于阈值的性能所对应的确定方式；多个确定方式对应的性能中，所述终端设备建议使用的确定方式；其中，所述多个确定方包括所述第二设备发送的所述至少一个传输中各传输的传输参数的确定方式。
一种可能的实现方式中，所述第一设备为终端设备，所述第二设备为网络设备，所述第一传输为下行传输；或者，所述第一设备为网络设备，所述第二设备为终端设备，所述第一传输为上行传输。
第三方面，提供一种通信装置，该通信装置可以实现上述第一方面中的第一设备实现的功能。该通信装置包括：处理单元和收发单元。所述收发单元，用于接收来自第二设备的指示信息，所述指示信息用于指示第一传输的传输参数的确定方式，或者所述指示信息用于指示第一传输和第二传输的传输参数的确定方式相同，所述确定方式包括基于人工智能AI的确定方式或基于非AI的确定方式；所述处理单元，用于根据所述指示信息以及来自所述第二设备的至少一个传输，确定所述第一传输的传输参数的确定方式所对应的性能；其中，所述至少一个传输中包括所述第一传输和/或所述第二传输。
第四方面，提供一种通信装置，该通信装置可以实现上述第二方面中的第二设备实现的功能，该通信装置包括：处理单元和收发单元。所述处理单元，用于通过所述收发单元向第一设备发送指示信息，所述指示信息用于指示第一传输的传输参数的确定方式，或者所述指示信息用于指示第一传输和第二传输的传输参数的确定方式相同，所述确定方式包括基于人工智能AI的确定方式或基于非AI的确定方式；以及，通过所述收发单元向所述第一设备发送至少一个传输，所述至少一个下行传输中包括所述第一传输和/或所述第二传输。
第五方面，提供一种通信装置，包括：一个或多个处理器和一个或多个存储器；其中，所述一个或多个存储器存储有一个或多个程序，当所述程序被所述一个或多个处理器执行时，使得所述通信装置执行如上述第一方面中任一项所述的方法，或者执行如上述第二方面中任一项所述的方法。
第六方面，提供一种通信方法，该通信方法包括：第二设备向第一设备发送指示信息，所述指示信息用于指示第一传输的传输参数的确定方式，或者所述指示信息用于指示第一传输和第二传输的传输参数的确定方式相同；所述第二设备向所述第一设备发送至少一个传输，所述至少一个传输中包括所述第一传输和/或所述第二传输；所述第一设备根据所述指示信息以及来自所述第二设备的所述至少一个传输，确定所述第一传输的传输参数的确定方式所对应的性能。
针对下行传输，第一设备为终端侧装置、第二设备为网络侧装置；针对上行传输，第一设备为网络侧装置、第二设备为终端侧装置。本申请中的终端侧装置可以为终端设备，或者为终端设备中的芯片、单元或模块。终端侧装置还可以为具有终端设备功能的通信装置或为具有终端设备功能的通信装置内部的芯片、单元或模块。本申请中的网络侧装置可以为网络设备，或者为网络设备中的芯片、单元或模块。网络侧装置还可以为具有网络设备功能的通信装置或为具有网络设备功能的通信装置内部的芯片、单元或模块。
第七方面，提供一种通信系统，该系统包括用于执行上述第一方面中的任一项所述的方法的第一设备，以及用于执行上述第二方面中任一项所述方法的第二设备。
第八方面，提供一种芯片系统，所述芯片系统包括至少一个芯片和存储器，所述至少一个芯片用于读取并执行所述存储器中存储的程序，以实现如上述第一方面中任一项所述的方法，或者实现如上述第二方面中任一项所述的方法。
第九方面，提供一种可读存储介质，所述可读存储介质包括程序，当所述程序在装置上运行时，使得所述装置执行如上述第一方面中任一所述的方法，或者执行如上述第二方面中任一项所述的方法。
第十方面，提供一种程序产品，所述程序产品在装置上运行时，使得所述装置执行如上述第一方面中任一项所述的方法，或者执行如上述第二方面中任一项所述的方法。
如上第二方面至第十方面的任一方面所提供的方案的效果，可参考第一方面中的相应描述。
附图说明
图1为本申请的实施例应用的通信系统的架构示意图；
图2为本申请实施例中的神经元结构的一种示意图；
图3为本申请实施例中的神经网络的层关系的一种示意图；
图4为本申请实施例中的一种AI应用框架示意图；
图5a为本申请实施例应用的另一种通信系统的结构示意图；
图5b为本申请实施例应用的另一种通信系统的结构示意图；
图6为本申请实施例中的一种CSI反馈框架示意图；
图7为本申请实施例提供的一种通信方法的流程示意图；
图8a为本申请实施例中的一种下行传输图样的示意图；
图8b为本申请实施例中的另一种下行传输图样的示意图；
图9a为本申请实施例中的一种指示信息生效时间的示意图；
图9b为本申请实施例中的另一种指示信息生效时间的示意图；
图9c为本申请实施例中的另一种指示信息生效时间的示意图；
图10为本申请实施例提供的另一种通信方法的流程示意图；
图11为本申请实施例中的一种CSI反馈场景下的通信方法的流程示意图；
图12为本申请实施例中的一种CSI预测场景下的通信方法的流程示意图；
图13为本申请实施例中的一种波束预测场景下的通信方法的流程示意图；
图14为本申请实施例提供的一种通信装置的示意图；
图15为本申请实施例提供的另一种通信装置的示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述。
本申请如下涉及的至少一个(项)，指示一个(项)或多个(项)。多个(项)，是指两个(项)或两个(项)以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外，应当理解，尽管在本申请中可能采用术语第一、第二等来描述各对象、但这些对象不应限于这些术语。这些术语仅用来将各对象彼此区分开。
本申请如下描述中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。需要说明的是，本申请中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何方法或设计方案不应被解释为比其它方法或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请提供的技术方案可以应用于各种通信系统，例如：第五代(5thgeneration，5G)或新无线(new radio，NR)系统、长期演进(long term evolution，LTE)系统、LTE频分双工(frequency division duplex，FDD)系统、LTE时分双工(time divisionduplex，TDD)系统、无线局域网(wireless local area network，WLAN)系统、卫星通信系统、未来的通信系统，如第六代(6th generation，6G)移动通信系统，或者多种系统的融合系统等。本申请提供的技术方案还可以应用于设备到设备(device to device，D2D)通信，车到万物(vehicle-to-everything，V2X)通信，机器到机器(machine to machine，M2M)通信，机器类型通信(machine type communication，MTC)，以及物联网(internet ofthings，IoT)通信系统或者其他通信系统。
通信系统中的一个网元可以向另一个网元发送信号或从另一个网元接收信号。其中信号可以包括信息、信令或者数据等。其中，网元也可以被替换为实体、网络实体、设备、通信设备、通信模块、节点、通信节点等等，本公开中以网元为例进行描述。例如，通信系统可以包括至少一个终端设备和至少一个网络设备。网络设备可以向终端设备发送下行信号，和/或终端设备可以向网络设备发送上行信号。可以理解的是，本公开中的终端设备可以替换为第一网元，网络设备可以替换为第二网元，二者执行本公开中相应的通信方法。
图1是本申请的实施例应用的通信系统1000的架构示意图。如图1所示，该通信系统包括无线接入网100和核心网200，可选的，通信系统1000还可以包括互联网300。其中，无线接入网100可以包括至少一个无线接入网设备(如图1中的110a和110b)，还可以包括至少一个终端(如图1中的120a-120j)。终端通过无线的方式与无线接入网设备相连，无线接入网设备通过无线或有线方式与核心网连接。核心网设备与无线接入网设备可以是独立的不同的物理设备，也可以是将核心网设备的功能与无线接入网设备的逻辑功能集成在同一个物理设备上，还可以是一个物理设备上集成了部分核心网设备的功能和部分的无线接入网设备的功能。终端和终端之间以及无线接入网设备和无线接入网设备之间可以通过有线或无线的方式相互连接。图1只是示意图，该通信系统中还可以包括其它网络设备，比如还可以包括无线中继设备和无线回传设备，在图1中未画出。
无线接入网设备可以是基站(base station，BS)、演进型基站(evolved NodeB，eNodeB)、发送接收点(transmission reception point，TRP)、第五代(5th generation，5G)移动通信系统中的下一代基站(next generation NodeB，gNB)、第六代(6thgeneration，6G)移动通信系统中的下一代基站、未来移动通信系统中的基站或WiFi系统中的接入节点等；也可以是完成基站部分功能的模块或单元，例如，可以是集中式单元(central unit，CU)，也可以是分布式单元(distributed unit，DU)。这里的CU完成基站的无线资源控制协议和分组数据汇聚层协议(packet data convergence protocol，PDCP)的功能，还可以完成业务数据适配协议(service data adaptation protocol，SDAP)的功能；DU完成基站的无线链路控制层和介质访问控制(medium access control，MAC)层的功能，还可以完成部分物理层或全部物理层的功能，有关上述各个协议层的具体描述，可以参考第三代合作伙伴计划(3rd generation partnership project，3GPP)的相关技术规范。包括CU和DU的基站还可以称为CU和DU分离的基站，如该基站包括gNB-CU和gNB-DU。其中，CU还可以分离为CU控制面(CU control plane,CU-CP)和CU用户面(CU user plane，CU-CP)，如该基站包括gNB-CU-CP、gNB-CU-UP和gNB-DU。无线接入网设备可以是宏基站(如图1中的110a)，也可以是微基站或室内站(如图1中的110b)，还可以是中继节点或施主节点等。本申请的实施例对无线接入网设备所采用的具体技术和具体设备形态不做限定。为了便于描述，下文以网络设备作为无线接入网设备的例子进行描述。
终端也可以称为终端设备、用户设备(user equipment，UE)、移动台、移动终端等，可以是一种具有无线收发功能的设备。终端可以被部署在陆地上，包括室内、室外、手持、和/或车载；也可以被部署在水面上(如轮船等)；还可以被部署在空中(例如飞机、气球和卫星上等)。终端可以广泛应用于各种场景，例如，设备到设备(device-to-device，D2D)、车物(vehicle to everything，V2X)通信、机器类通信(machine-type communication，MTC)、物联网(internet of things，IOT)、虚拟现实、增强现实、工业控制、自动驾驶、远程医疗、智能电网、智能家具、智能办公、智能穿戴、智能交通、智慧城市等。手持式设备、车载设备、可穿戴设备或计算设备。示例性的，终端可以是手机(mobile phone)、平板电脑、带无线收发功能的电脑。终端设备还可以是虚拟现实(virtual reality，VR)终端设备、增强现实(augmented reality，AR)终端设备、工业控制中的无线终端、无人驾驶中的无线终端、远程医疗中的无线终端、智能电网中的无线终端、智慧城市(smart city)中的无线终端、和/或智慧家庭(smart home)中的无线终端等。本申请的实施例对终端所采用的具体技术和具体设备形态不做限定。
网络设备和终端可以是固定位置的，也可以是可移动的。网络设备和终端可以部署在陆地上，包括室内或室外、手持或车载；也可以部署在水面上；还可以部署在飞机、气球和人造卫星上。本申请的实施例对网络设备和终端的应用场景不做限定。
网络设备和终端的角色可以是相对的，例如，图1中的直升机或无人机120i可以被配置成移动网络设备，对于那些通过120i接入到无线接入网100的终端120j来说，无人机120i是网络设备；但对于网络设备110a来说，120i是终端，即110a与120i之间是通过无线空口协议进行通信的。当然，110a与120i之间也可以是通过网络设备与网络设备之间的接口协议进行通信的，此时，相对于110a来说，120i也是网络设备。因此，网络设备和终端都可以统一称为通信装置，图1中的110a和110b可以称为具有网络设备功能的通信装置，图1中的120a-120j可以称为具有终端功能的通信装置。
网络设备和/或终端设备可以部署在陆地上，包括室内或室外、手持或车载；也可以部署在水面上；还可以部署在空中的飞机、气球和卫星上。本申请实施例中对网络设备和终端设备所处的场景不做限定。此外，终端设备和网络设备可以是硬件设备，也可以是在专用硬件上运行的软件功能，通用硬件上运行的软件功能，比如，是平台(例如，云平台)上实例化的虚拟化功能，又或者，是包括专用或通用硬件设备和软件功能的实体，本申请对于终端设备和网络设备的具体形态不作限定。
网络设备和终端之间、网络设备和网络设备之间、终端和终端之间可以通过授权频谱进行通信，也可以通过免授权频谱进行通信，也可以同时通过授权频谱和免授权频谱进行通信；可以通过6千兆赫(gigahertz，GHz)以下的频谱进行通信，也可以通过6GHz以上的频谱进行通信，还可以同时使用6GHz以下的频谱和6GHz以上的频谱进行通信。本申请的实施例对无线通信所使用的频谱资源不做限定。
在本申请的实施例中，网络设备的功能也可以由网络设备中的模块(如芯片)来执行，也可以由包含有网络设备功能的控制子系统来执行。这里的包含有网络设备功能的控制子系统可以是智能电网、工业控制、智能交通、智慧城市等上述应用场景中的控制中心。终端的功能也可以由终端中的模块(如芯片或调制解调器)来执行，也可以由包含有终端功能的装置来执行。
在本申请实施例中，网络设备向终端发送下行信号或下行信息，下行信息承载在下行信道上；终端向基站发送上行信号或上行信息，上行信息承载在上行信道上。终端为了与基站进行通信，需要与基站控制的小区建立无线连接。与终端建立了无线连接的小区称为该终端的服务小区。当终端与该服务小区进行通信的时候，还会受到来自邻区的信号的干扰。
在本申请的实施例中，时域符号可以是正交频分复用(orthogonal frequencydivision multiplexing，OFDM)符号，也可以是离散傅里叶变换扩频OFDM(DiscreteFourier Transform-spread-OFDM，DFT-s-OFDM)符号。如果没有特别说明，本申请实施例中的符号均指时域符号。
应理解，图1所示的通信系统中各个设备的数量、类型仅作为示意，本申请并不限于此，实际应用中在通信系统中还可以包括更多的终端设备、更多的接入网设备，还可以包括其它网元，例如可以包括核心网设备，网管和/或用于实现人工智能功能的网元。
本申请提供的方法涉及到AI。为了便于理解，下面对本申请涉及的AI的部分用语进行介绍。可以理解的是，该介绍并不作为对本申请的限定。
(1)人工智能和机器学习
人工智能(artificial intelligence，AI)指由人制造出来的机器所表现出来的智能。通常人工智能是指通过普通计算机程序来呈现人类智能的技术。人工智能可以定义为模仿人类、且具有与人类思维相关的认知功能的机器或计算机，如学习和解决问题。人工智能能够从过去的经验中学习，做出合理的决策，并快速回应。人工智能的目标是通过构建具有象征意义的推理或推理的计算机程序来理解智能。
机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。
(2)AI模型和神经网络
AI模型是AI技术功能的具体实现，AI模型表征了模型的输入和输出之间的映射关系。AI模型可以是神经网络、线性回归模型、决策树模型、支持向量机(support vectormachine，SVM)、贝叶斯网络、Q学习模型或者其他机器学习(machine learning,ML)模型。
神经网络(neural network，NN)是AI或机器学习技术的一种具体实现形式。根据通用近似定理，神经网络在理论上可以逼近任意连续函数，从而使得神经网络具备学习任意映射的能力。因此神经网络可以对复杂的高维度问题进行准确地抽象建模。
神经网络的思想来源于大脑组织的神经元结构。例如，每个神经元都对其输入值进行加权求和运算，将加权求和结果通过一个激活函数输出运算结果。如图2所示，为神经元结构的一种示意图。假设神经元的输入为x＝[x0,x1,…,xn]，与各个输入对应的权值分别为w＝[w,w1,…,wn]，其中，wi作为xi的权值，用于对xi进行加权。根据权值对输入值进行加权求和的偏置例如为b。激活函数的形式可以有多种，假设一个神经元的激活函数为：y＝f(c)＝max(0,c)，则该神经元的输出为： 再例如，一个神经元的激活函数为：y＝f(c)＝c，则该神经元的输出为： 其中，b、wi、xi可以是小数、整数(例如0、正整数或负整数)、或复数等各种可能的取值。神经网络中不同神经元的激活函数可以相同或不同。
神经网络一般包括多个层，每层可包括一个或多个神经元。通过增加神经网络的深度和/或宽度，能够提高该神经网络的表达能力，为复杂系统提供更强大的信息提取和抽象建模能力。其中，神经网络的深度可以是指神经网络包括的层数，其中每层包括的神经元个数可以称为该层的宽度。在一种实现方式中，神经网络包括输入层和输出层。神经网络的输入层将接收到的输入信息经过神经元处理，将处理结果传递给输出层，由输出层得到神经网络的输出结果。在另一种实现方式中，神经网络包括输入层、隐藏层和输出层，可参考图3。神经网络的输入层将接收到的输入信息经过神经元处理，将处理结果传递给中间的隐藏层，隐藏层对接收的处理结果进行计算，得到计算结果，隐藏层将计算结果传递给输出层或者相邻的隐藏层，最终由输出层得到神经网络的输出结果。其中，一个神经网络可以包括一个隐藏层，或者包括多个依次连接的隐藏层，不予限制。
在AI模型(如神经网络)的训练过程中，可以定义损失函数。损失函数描述了AI模型的输出值与理想目标值之间的差距或差异。本申请实施例并不限制损失函数的具体形式。AI模型的训练过程就是通过调整AI模型的模型参数，使得损失函数的取值小于门限，或者使得损失函数的取值满足目标需求的过程。例如，AI模型为神经网络，调整AI模型的模型参数包括调整如下参数中的至少一种：神经网络的层数、宽度、神经元的权值、或神经元的激活函数中的参数。
推理数据可以作为已训练好的AI模型的输入，用于AI模型的推理。在模型推理过程中，将推理数据输入AI模型，可以得到对应的输出即为推理结果。
(3)AI模型的设计
AI模型的设计主要包括数据收集环节(例如收集训练数据和/或推理数据)、模型训练环节以及模型推理环节。进一步地还可以包括推理结果应用环节。参见图4示意一种AI应用框架。在前述数据收集环节中，数据源(data source)用于提供训练数据集和推理数据。在模型训练环节中，通过对数据源提供的训练数据(training data)进行分析或训练，得到AI模型。通过模型训练节点学习得到AI模型，相当于利用训练数据学习得到模型的输入和输出之间的映射关系。在模型推理环节中，使用经由模型训练环节训练后的AI模型，基于数据源提供的推理数据进行推理，得到推理结果。该环节还可以理解为：将推理数据输入到AI模型，通过AI模型得到输出，该输出即为推理结果。该推理结果可以指示：由执行对象使用(执行)的配置参数、和/或由执行对象执行的操作。在推理结果应用环节中进行推理结果的发布，例如推理结果可以由执行(actor)实体统一规划，例如执行实体可以发送推理结果给一个或多个执行对象(例如，核心网设备、接入网设备、终端设备或网管等)去执行。又如执行实体还可以反馈模型的性能给数据源，便于后续实施模型的更新训练。
可以理解的是，在通信系统中可以包括具备人工智能功能的网元。上述AI模型设计相关的环节可以由一个或多个具备人工智能功能的网元执行。一种可能的设计中，可以在通信系统中已有网元内配置AI功能(如AI模块或者AI实体)来实现AI相关的操作，例如AI模型的训练和/或推理。例如该已有网元可以是接入网设备、终端设备、核心网设备、或网管等。另一种可能的设计中，也可以在通信系统中引入独立的网元来执行AI相关的操作，如训练AI模型。该独立的网元可以称为AI实体或者AI节点等，本申请对此名称不进行限制。该AI实体可以和通信系统中的接入网设备之间直接连接，也可以通过第三方网元和接入网设备实现间接连接。其中，第三方网元可以是认证管理功能(authentication managementfunction，AMF)网元、用户面功能(user plane function，UPF)网元等核心网网元、网管、云服务器或者其他网元，不予限制。示例性地，该独立的AI网元可以部署于网络设备侧，终端设备侧，或，核心网侧中的一项或多项。可选的，其可以部署于云端服务器上。示例性的，图5a示出了一种通信系统，该通信系统包括网络设备110，终端设备120和终端设备130，终端设备120和130可以接入网络设备110，并和网络设备110进行通信。网络设备110中可以配置AI功能(比如配置CSI重构器)，终端设备110和终端设备120中也可以配置AI功能(比如配置CSI生成器)。图5b示出了另一种通信系统，该通信系统包括网络设备210，终端设备220和终端设备230，还包括AI实体240。终端设备220和230可以接入网络设备210，并和网络设备210进行通信。网络设备210可已将终端设备220和终端设备230上报的与AI模型相关的数据转发给AI实体240，由AI实体240执行训练数据集构建、模型训练等AI相关的操作，并将训练好的神经网络模型、模型评估、测试结果等AI相关操作的输出，通过网络设备210转发给各终端设备。
本申请的一个实施例涉及CSI反馈技术。在上述通信系统如LTE或者NR系统中，接入网设备需要获取信道的CSI，以下行信道的CSI为例，接入网设备可以基于CSI决定调度终端设备的下行数据信道的资源、调制编码方案(modulation and coding scheme，MCS)以及预编码等配置。可以理解，CSI属于一种信道信息，是一种能够反映信道特征、信道质量的信息。其中，信道信息也可以称为信道响应。示例性地，CSI可采用信道矩阵表现，例如CSI包括信道矩阵，或者，CSI可以由信道的特征向量组成。在频分双工(frequency divisionduplex，FDD)通信场景中，由于上下行信道不具备互易性或者说无法保证上下行信道的互易性，接入网设备通常会向终端设备发送下行参考信号，终端设备根据接收到的下行参考信号进行信道测量、干扰测量估计下行信道信息，该下行信道信息包括CSI，进而反馈CSI给接入网设备。
一种传统的CSI反馈方式中，终端设备可以按照预定义或者接入网设备配置的方式，根据估计的CSI生成CSI报告并反馈给接入网设备。其中，下行参考信号包括信道状态信息参考信号(channel state information-reference signal，CSI-RS)或者同步信号块(synchronizing signal/physical broadcast channel block，SSB)。CSI报告包括秩指示(rank indicator，RI)，信道质量指示(channel quality indicator，CQI)和预编码矩阵指示(precoding matrix indicator，PMI)等反馈量。RI用于指示终端设备建议的下行传输层数，CQI用于指示终端设备判断的当前信道条件所能支持的调制编码方式，PMI用于指示终端设备建议的预编码，PMI所指示的预编码层数与RI对应。
将AI引入无线通信网络中，产生了一种基于AI的CSI反馈方式。如图6所示，在终端设备部署CSI生成器，该CSI生成器具备压缩和量化功能，在接入网设备部署CSI重构器，该CSI重构器具备解量化和解压缩功能。CSI生成器和CSI重构器均为AI模型。将测量估计下行信道信息中的CSI记作原始CSI，终端设备利用CSI生成器对原始CSI进行压缩以及量化处理后发送给接入网设备，接入网设备利用CSI重构器对收到的压缩以及量化的CSI进行解量化以及解压缩，得到恢复的CSI。
AI模型作为一种以数据为基础的技术，对于场景变化比较敏感，当AI模型部署的场景与训练该AI模型的训练数据对应的场景差异较大时，AI模型的性能可能会出现急剧降低。针对基于AI模型的CSI反馈场景而言，如果当前通信环境与训练AI模型时的通信环境差异较大，AI模型的性能可能会降低。AI模型的性能好坏会直接影响CSI的反馈以及恢复的准确性，如何对AI模型的性能进行监测成为一个值得研究的问题。
可以通过模型监测来判断AI模型的性能。一种模型监测方式可以称为最终关键绩效指标(key performance indicator，KPI)监测方式，可包括：监测在使用AI模型后通信系统的性能指标，根据性能指标是否满足要求来确定AI模型的性能是否满足要求。对于无线通信系统来说，该性能指标可以包括以下中的一项或多项：吞吐量、频谱效率、传输速率、误块率(block error rate，BLER)、假设的BLER(hypothetical BLER)、或，混合自动重传请求(hybrid automatic repeat request，HARQ)反馈等。另一种模型监测方式可以称为中间KPI监测方式，可以包括：监测AI模型的输出，通过对比AI模型的输出与对应的标签或者真值(ground-truth)之间的差异，判断AI模型的性能是否满足要求。中间KPI监测方式中通常可以基于以下指标中的一项或多项来确定AI模型是否满足要求：广义余弦相似度(generalized cosine similarity，GCS)、平方广义余弦相似度(square generalizedcosine similarity，SGCS)、规范均方差(normalized mean square error，NMSE)等。模型监测可以由终端执行，也可以由网络设备执行。
在无线通信场景下，为了监测AI模型的性能，对于终端来说，其需要知道下行传输的传输参数的确定方式，比如该传输参数是否是基于AI确定的；对于网络设备来说，其需要知道上行传输的传输参数的确定方式。
为此，本申请实施例提供了一种通信方法以及可以实现该方法，该通信方法的执行主体以网络侧装置和终端侧装置为例进行介绍。本申请实施例中的网络侧装置可以为网络设备，或者为网络设备中的芯片或芯片系统、单元或模块，比如网络侧装置可以为前述图1中的接入网设备110a或接入网设备110b。网络侧装置还可以为具有网络设备功能的通信装置或为具有网络设备功能的通信装置内部的芯片或芯片系统、单元或模块，该装置可以被安装在网络设备中或者和网络设备匹配使用。本申请实施例中的终端侧装置可以为终端，或者为终端中的芯片或芯片系统、单元或模块，比如可以为前述图1所示的任一个终端120。终端侧装置还可以为具有终端功能的通信装置或为具有终端功能的通信装置内部的芯片或芯片系统、单元或模块，该装置可以被安装在终端中或者和终端匹配使用。为了便于理解，本申请实施例中以终端侧装置为终端设备或终端设备内部的芯片、单元或模块，网络侧装置为网络设备或网络设备内部的芯片、单元或模块为例进行介绍。
为了在无线网络中支持机器学习功能，本申请实施例中，网络中还可能引入专门的AI实体或模块。如果引入AI实体，则该AI实体可以对应一个独立的网元；如果引入AI模块，则该AI模块可以位于某个网元内部，对应的网元可以是终端或者网络设备等。
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述。方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
在本申请的实施例中，如果没有逻辑冲突，术语“信道状态信息”和“CSI”可以互换，术语“上报”、“反馈”和“发送”可以互换。
基于上述图1、图5a或图5b所示的网络系统架构以及上述相关技术介绍的内容，图7示例性示出了本申请实施例提供的一种通信方法的可能的流程示意图。图7中的方案以第一设备和第二设备交互执行为例进行介绍。针对下行传输，第一设备为终端侧装置、第二设备为网络侧装置；针对上行传输，第一设备为网络侧装置、第二设备为终端侧装置。网络侧装置和终端侧装置的相关描述参见前述内容，不再赘述。以下实施例中，以网络侧装置为网络设备，终端侧装置为终端设备为例描述。
参见图7，该方法包括：
步骤701：第二设备向第一设备发送指示信息，相应的，第一设备接收该指示信息。
所述指示信息用于指示第一传输的传输参数的确定方式，所述确定方式包括基于AI的确定方式或基于非AI的确定方式。
可选的，第一传输的传输参数可以包括第一传输的预编码、波束、调制与编码策略(modulation and coding Scheme，MCS)、传输流数、资源分配中的一项或多项。
对于下行传输的场景，所述第二设备为网络设备，比如基站，所述第一设备为终端，所述第一传输为第一下行传输，比如包括物理下行共享信道(physical downlinkshared channel，PDSCH)、物理下行控制信道(physical downlink control channel，PDCCH)、信道状态信息参考信号(channel state information-reference signal，CSI-RS)、解调参考信号(demodulation reference signal，DMRS)、同步信号和物理广播信道块(synchronization signal and physical broadcast channel block，SSB)等中的一项或多项。该场景下，网络设备可以根据终端的反馈信息(比如信道状态信息，或者其他可用于表征信道质量的信息)确定第一传输(第一下行传输)的传输参数，网络设备也可以自行确定第一传输的传输参数。对于上行传输的场景，所述第二设备为终端，所述第一设备为网络设备，比如基站，所述第一传输为第一上行传输，比如噪声参考信号(sounding referencesignal,SRS)或跟踪参考信号(tracking reference signal,TRS)。该场景下，终端可以根据网络设备的反馈信息(比如信道状态信息，或者其他可用于表征信道质量的信息)确定第一传输(第一上行传输)的传输参数，终端也可以自行确定第一传输的传输参数。
第一传输的传输参数的确定方式，可以是基于AI的确定方式，也可以是基于非AI的确定方式。其中，第一传输的传输参数基于AI确定是指，第一传输的传输参数(比如预编码、波束、MCS、传输流数、资源分配等中的一项或多项)是基于通过AI方式获得的。第一传输的传输参数一般都是根据信道测量确定的，如何根据信道测量确定传输参数有不同的方法，如基于AI模型确定传输参数，或根据非AI算法确定传输参数。从信道测量到确定传输参数可能包括1个步骤，即直接根据信道测量计算传输参数，也可能包括多个步骤，例如根据信道测量进行信道估计获得CSI(可以是信道响应、信道特征、RSRP等不同的CSI的表示形式)，如果获得CSI的不是第二设备，则还需要经过CSI反馈，第二设备根据得到的CSI确定传输参数。基于AI的确定方式指的是上述由信道测量到确定传输参数是由AI模型完成的，或者由信道测量到确定传输参数中的多个步骤中的至少一个步骤是由AI模型完成的。例如其中信道估计是基于AI的信道估计，或者，CSI反馈是基于AI的，或者CSI反馈中的CSI压缩和/或CSI重构是基于AI的，或者CSI预测是基于AI的，或者波束预测是基于AI的，或者根据CSI确定传输参数是基于AI的。基于AI的确定方式和基于非AI的确定方式是相对于同一个步骤或者相同的多个步骤而言的。以下行传输中的CSI反馈步骤为例，如图6所示，一传输的传输参数基于AI确定指的是在终端侧，通过CSI生成器将终端测量到的原始CSI进行压缩和量化，在基站侧，通过CSI重构器对接收到的经过压缩和量化的CSI进行解量化和解压缩，以便基于CSI重构器输出的CSI确定下行传输的传输参数。第一传输的传输参数基于非AI确定是指，在终端侧，根据协议预定义(如3GPP TS38.214)的码本对CSI进行压缩和量化，在基站侧，根据对应的码本对接收到的经过压缩和量化的CSI进行解量化和解压缩，恢复出CSI。在这个示例中，基于AI的确定方式和基于非AI的确定方式是针对CSI反馈这个步骤而言的，基站侧如何根据恢复出来的CSI确定第一传输的传输参数(比如预编码、波束、MCS、传输流数、资源分配等中的一项或多项)不做限定，可以是基于AI的，也可以是基于非AI的。
可选的，为了避免其他非相关因素影响性能监测，对于两个传输参数确定方式不同的传输，除了确定方式对针对的某个或某多个特定步骤外和/或除了确定方式对针对的某个或某多个特定参数外，这两个传输的其他参数相同或其他参数的确定方式相同。例如，以CSI反馈步骤为例，两个传输分别是基于AI的CSI反馈确定的预编码和基于非AI的CSI反馈确定的预编码，则这两个传输的其他参数相同，如多用户配对方式相同、MCS相同、资源分配相同、根据CSI计算预编码的方法相同、信道估计方法相同等。
可选的，基于AI的确定方式可以包括：基于第一AI模型的确定方式和基于第二AI模型的确定方式。可以理解，还可能包括基于第三AI模型的确定方式等更多的确定方式。一种可能的实现方式中，第一AI模型的功能和第二AI模型的功能相同。比如，第一AI模型和第二AI模型均用于CSI反馈，具体的，第一AI模型和第二AI模型可以用于实现CSI的压缩，或者第一AI模型和第二AI模型可以用于实现CSI的解压缩；再比如，第一AI模型和第二AI模型均用于进行波束预测；第一AI模型和第二AI模型的结构不同，比如第一AI模型和第二AI模型均基于神经网络实现，但第一AI模型和第二AI模型的神经网络的深度(层数)和/或宽度(神经元个数)不同。另一种可能的实现方式中，第一AI模型的功能和第二AI模型的功能相同，但第一AI模型和第二AI模型的系数不同。另一种可能的实现方式中，第一AI模型的功能和第二AI模型的功能相同，但第一AI模型和第二AI模型的结构和系数均不相同。
本申请实施例可以适用于以下几种可能的场景：
可能的场景一：CSI反馈场景一。
在CSI反馈场景一中，一种情况下，CSI的压缩(还可能包括量化)通过AI模型(比如CSI生成器)完成，CSI的解压缩(或称为CSI的恢复，还可能包括解量化)通过AI模型(比如CSI重构器)完成；另一种情况下，CSI的压缩(还可能包括量化)不基于AI模型完成，CSI的解压缩(还可能包括解量化)也不基于AI模型完成，具体的，CSI的压缩(还可能包括量化)和CSI的解压缩(还可能包括解量化)可以采用基于码本的CSI反馈方式实现，比如包括以下中的一种或多种：Release-15(R15)type I码本，R15 type II码本，R16 type II码本(或称为增强的type II码本)，R16端口选择码本，R17端口选择码本，R18码本等。
相应的，对于第一传输的传输参数来说，其确定方式包括：
确定方式1：基于AI的CSI反馈方式。也就是说，对于用于确定传输参数的CSI，其压缩(还可能包括量化)是基于AI模型实现的，其解压缩(还可能包括解量化)也是基于AI模型实现的。
可选的，基于AI的CSI反馈方式进一步可以包括基于第一AI模型的CSI反馈方式和基于第二AI模型的CSI反馈方式。可以理解，还可能包括基于第三AI模型的CSI反馈方式等更多的方式。
确定方式2：基于非AI的CSI反馈方式。也就是说，对于用于确定传输参数的CSI，其压缩(还可能包括量化)不是基于AI模型实现的，其解压缩(还可能包括解量化)也不是基于AI模型实现的。
本申请实施例在CSI反馈场景下的一种实现方式的示例可以参考下文图11所示的流程。
可能的场景二：CSI反馈场景二。
在CSI反馈场景二中，一种情况下，CSI的压缩(还可能包括量化)通过AI模型(比如CSI生成器)完成；另一种情况下，CSI的压缩(还可能包括量化)不基于AI模型完成，具体的，CSI的压缩(还可能包括量化)可以采用基于码本的CSI反馈方式实现，比如包括以下中的一种或多种：Release-15(R15)type I码本，R15 type II码本，R16 type II码本(或称为增强的type II码本)，R16端口选择码本，R17端口选择码本，R18码本等。对于CSI的解压缩(还可能包括解量化)来说，其要么是基于AI方式完成，要么是基于非AI方式完成，也就是说，CSI的解压缩(还可能包括解量化)的实现方式可以是固定的。
相应的，对于第一传输的传输参数来说，其确定方式包括：
确定方式1：基于AI的CSI压缩方式。也就是说，对于用于确定传输参数的CSI，其压缩(还可能包括量化)是基于AI模型实现的，其解压缩(还可能包括解量化)是基于某种固定方式实现的，比如是基于AI方式实现的或基于非AI方式实现的。
可选的，基于AI的CSI压缩方式进一步可以包括基于第一AI模型的CSI压缩方式和基于第二AI模型的CSI压缩方式。可以理解，还可能包括基于第三AI模型的CSI压缩方式等更多的方式。
确定方式2：基于非AI的CSI压缩方式。也就是说，对于用于确定传输参数的CSI，其压缩(还可能包括量化)不是基于AI模型实现的，其解压缩(还可能包括解量化)是基于某种固定方式实现的，比如是基于AI方式实现的或基于非AI方式实现的。
可能的场景三：CSI反馈场景三。
在CSI反馈场景三中，一种情况下，CSI的解压缩(还可能包括解量化)通过AI模型(比如CSI生成器)完成；另一种情况下，CSI的解压缩(还可能包括解量化)不基于AI模型完成，具体的，CSI的解压缩(还可能包括解量化)可以采用基于码本的CSI反馈方式实现，比如包括以下中的一种或多种：Release-15(R15)type I码本，R15 type II码本，R16 type II码本(或称为增强的type II码本)，R16端口选择码本，R17端口选择码本，R18码本等。对于CSI的压缩(还可能包括量化)来说，其要么是基于AI方式完成，要么是基于非AI方式完成，也就是说，CSI的压缩(还可能包括量化)的实现方式可以是固定的。
相应的，对于第一传输的传输参数来说，其确定方式包括：
确定方式1：基于AI的CSI重构方式。也就是说，对于用于确定传输参数的CSI，其解压缩(还可能包括解量化)是基于AI模型实现的，其压缩(还可能包括量化)是基于某种固定方式实现的，比如是基于AI方式实现的或基于非AI方式实现的。
可选的，基于AI的CSI重构方式进一步可以包括基于第一AI模型的CSI重构方式和基于第二AI模型的CSI重构方式。可以理解，还可能包括基于第三AI模型的CSI重构方式等更多的方式。
确定方式2：基于非AI的CSI重构方式。也就是说，对于用于确定传输参数的CSI，其解压缩(还可能包括解量化)不是基于AI模型实现的，其压缩(还可能包括量化)是基于某种固定方式实现的，比如是基于AI方式实现的或基于非AI方式实现的。
可能的场景四：CSI预测场景。
在CSI预测场景中，对于第一传输来说，用于确定其传输参数(比如预编码)的CSI可以由第一传输的发送端(本实施例中的第二设备)基于历史数据(历史CSI)确定得到，而不用等接收端(本申请实施例中的第一设备)反馈的CSI。
在另一种CSI预测场景中，对于第一传输来说，用于确定其传输参数(比如预编码)的CSI可以由第一传输的接收端(本实施例中的第一设备)基于历史数据(历史CSI)确定得到，再将预测的CSI反馈给第一传输的发送端(本实施例中的第二设备)，用于确定第一传输的传输参数。
在CSI预测场景下，对于第一传输的传输参数来说，其确定方式可以包括：
确定方式1：基于AI的CSI预测方式。也就是说，对于用于确定传输参数的CSI，其是基于AI模型预测获得的。
可选的，基于AI的CSI预测方式进一步可以包括基于第一AI模型的CSI预测方式和基于第二AI模型的CSI预测方式。可以理解，还可能包括基于第三AI模型的CSI预测方式等更多的方式。
确定方式2：基于非AI的CSI预测方式。也就是说，对于用于确定传输参数的CSI，其不是基于AI模型预测获得的。比如，具体可以是基于自回归(auto regressive)的CSI预测方式。
确定方式3：非CSI预测方式。非CSI预测方式指的是不进行CSI预测，即，使用最近一次的CSI测量结果确定第一传输的传输参数。
本申请实施例在CSI预测场景下的一种实现方式的示例可以参考下文图12所示的流程。
可能的场景五：波束预测场景。
在波束预测场景中，波束预测指的是根据CSI(可以是信道响应、信道特征、RSRP等不同的CSI的表示形式)对上行传输或下行传输所使用的波束进行预测，波束预测可以包括空域预测和时域预测，空域预测指的是根据部分波束集合的CSI预测出全部波束集合中的最优波束，时域预测指的是根据历史CSI预测当前或未来的最优波束。对于第一传输来说，第一传输所使用的波束的确定方式(或者说预测方式)可以包括：
确定方式1：基于AI的波束预测方式。也就是说，第一传输使用的波束是基于AI模型获得的。
可选的，基于AI的波束预测方式进一步可以包括基于第一AI模型的波束预测方式和基于第二AI模型的波束预测方式。可以理解，还可能包括基于第三AI模型的波束预测方式等更多的方式。
确定方式2：基于非AI的波束预测方式。例如，第一传输使用的波束是通过线性插值的波束预测方法获得的。
确定方式3：非波束预测方式。非波束预测方式指的是不进行波束预测，即，仅从测量的波束中选择最优波束作为第一传输所使用的波束。
本申请实施例在波束预测场景下的一种实现方式的示例可以参考下文图13所示的流程。
可以理解，以上仅示例性的列举了几种可能的场景，本申请实施例还可能应用于其他场景，在此不予限制。
一种可能的实现方式中，本申请实施例中的指示信息可以指示一个传输或多个传输。以下行传输为例，一种可能的实现方式中，指示信息可以指示所有可能的下行传输，比如包括PDSCH、PDCCH、CSI-RS、DMRS、SSB等。仍以下行传输为例，另一种可能的实现方式中，指示信息可以仅指示某个或某多个特定的下行传输，比如仅指示PDSCH或CSI-RS。另一种可能的实现方式中，指示信息可以仅指示需要进行模型监测的传输，比如对于PDSCH，用于确定其传输参数的CSI可以是基于AI方式获得的(比如CSI的压缩是通过AI模型实现的)，系统可以规定针对PDSCH需要进行模型监测，以确定AI模型的性能。可选的，指示信息所指示的第一传输包括哪个或哪些，可以预先约定或者由网络侧配置，比如可以预先约定第一指示信息所指示的下行传输为所有可能的下行传输，或者预先约定第一指示信息指示的下行传输为需要进行模型监测的下行传输，哪些下行传输为需要进行模型监测的下行传输可以预先约定或者由网络侧配置。可选的，指示信息指示多个传输，则该指示信息指示所述多个传输中每个传输的传输参数的确定方式。
可选的，当第一传输存在重复或重传时，第一传输的初传以及所有重复或重传可以看成是一个传输。该场景下，第一传输的初传以及每次重复(或重传)的传输参数的确定方式均相同。可选的，当第一传输存在重复或重传时，第一传输的初传可以看成是一个独立的传输，第一传输的每次重复或重传可以分别看成是独立的传输。该场景下，第一传输的初传以及每次重复(或重传)的传输参数的确定方式可能均相同，也可能初传以及每次重复(或重传)的传输参数的确定方式有可能不同。
一种可能的实现方式中，本申请实施例中的指示信息可以指示第一时间段内的传输。可以理解，第一时间段内的传输可能包括一个传输或多个传输。可选的，第一时间段的长度可以用时间单元的个数来表示，所述时间单元例如可以是一个或多个符号、一个或多个时隙、一个或多个迷你时隙、n毫秒，n为正整数，如n＝1，或，n＝10，等，本申请实施例不予限制。
一种可能的实现方式中，本申请实施例中的指示信息包括第一传输的传输参数的确定方式的索引信息。比如，可以预先对每种确定方式进行编号，作为各确定方式的索引信息，这样，通过在指示信息中指示确定方式的编号，即可指示出第一传输的传输参数的确定方式。另一种可能的实现方式中，本申请实施例中的指示信息包括第一传输的类型信息，第一传输的类型与第一传输的传输参数的确定方式之间存在对应关系，这样，可以通过第一传输的类型来指示第一传输的传输参数的确定方式。可选的，本申请实施例中，可以从是否用于模型监测以及是否基于AI模型确定传输参数的角度，对传输进行类型划分。例如，预定义多种传输类型或者调度类型，包括，类型一：用于正常数据传输的传输或调度(该类型的传输或该类型调度的传输不用于模型监测)，类型二：用于监测的基于AI确定方式的传输或调度(该类型的传输或该类型调度的传输可以进一步分为基于不同AI模型的确定方式)，类型三：用于监测的基于非AI确定方式的传输或调度。上述传输类型或者调度类型与第一传输的传输参数的确定方式对应，指示信息可通过指示上述传输类型或者调度类型，指示第一传输的传输参数的确定方式。
一种可能的实现方式中，指示信息可以通过隐式的方式指示第一传输的传输参数的确定方式。即指示信息没有直接指示第一传输的传输参数的确定方式，但指示信息所指示的内容与第一传输的传输参数的确定方式存在关联关系。例如第一传输的传输参数的确定方式与该传输对应的参考信号存在对应关系，第一传输的传输参数的不同的确定方式分别对应不同的参考信号序列或资源映射图样，则第一设备可以根据第一传输对应的参考信号确定该第一传输的传输参数的确定方式。
一种可能的实现方式中，本申请实施例中的指示信息可以用于指示第一传输图样。所述第一传输图样包括连续N个传输对应的第一确定方式，所述连续N个传输中包括所述第一传输，所述第一确定方式为所述第一传输的传输参数的确定方式，N为正整数。该实现方式可以适用于在时间上连续的多个传输，其传输参数的确定方式相同的场景，通过第一传输图样，可以指示出连续多个传输对应的确定方式，之后的连续数个传输对应的确定方式，以此类推。以CSI反馈场景下的下行传输为例，如图8a所示，下行传输图样可以指示从其生效时刻开始，前N1个下行传输的传输参数的确定方式是CSI反馈方式1，后续N2个下行传输的传输参数的确定方式是CSI反馈方式2，后续N3个下行传输的传输参数的确定方式是CSI反馈方式3。其中，CSI反馈方式1、CSI反馈方式2和CSI反馈方式3的说明可以参见前文。相应的，该下行传输图样可以为：{CSI反馈方式1：N1，CSI反馈方式2：N2，CSI反馈方式3：N3}。可选的，下行传输图样中还可以包括一些占空位，占空位表示未指示这些下行传输的传输参数的确定方式，相应的，也就无需对这些下行传输进行模型监测，例如，下行传输图样的格式可以是{CSI反馈方式1：N1，占空位：K1，CSI反馈方式2：N2，占空位：K2，CSI反馈方式3：N3}。其中，“占空位：K1”表示对于N1个下行传输之后的K1个下行传输，未指示其传输参数的确定方式。N1，N2，N3均可以取1，因此该实现方式并不限于在时间上连续的多个传输的传输参数的确定方式相同的场景。
一种可能的实现方式中，本申请实施例中的指示信息可以用于指示第二传输图样，所述第二传输图样包括第一时间段内的传输对应的第一确定方式，所述第一时间段内的传输包括所述第一传输，所述第一确定方式为所述第一传输的传输参数的确定方式。该实现方式可以适用于一段时间内的多个传输，其传输参数的确定方式相同的场景，通过第二传输图样，可以指示出一个时间段内的传输对应的确定方式，之后的一个时间段内的传输对应的确定方式，以此类推。以CSI反馈场景下的下行传输为例，如图8b所示，下行传输图样指示从其生效时刻开始，前M1时间(比如M1个时间单元，具体的，比如M1个时隙)内的下行传输的传输参数的确定方式是CSI反馈方式1，后续M2时间内的下行传输的传输参数的确定方式是CSI反馈方式2，后续M3时间内的下行传输的传输参数的确定方式是CSI反馈方式3。相应的，该下行传输图样的具体格式可以是：{CSI反馈方式1：M1，CSI反馈方式2：M2，CSI反馈方式3：M3}。可选的，下行传输图样中还可以包括一些占空位，占空位表示未指示这些时间内的下行传输的传输参数的确定方式，例如，下行传输图样的格式可以是{CSI反馈方式1：M1，占空位：K1，CSI反馈方式2：M2，占空位：K2，CSI反馈方式3：M3}。其中，“占空位：K1”表示对于K1时间内的下行传输，未指示其传输参数的确定方式。M1，M2，M3均可以取1，因此该实现方式并不限于一段时间内的多个传输的传输参数的确定方式相同的场景。
可选的，网络侧可以预配置或者预定义多个传输图样，第二设备可以通过指示信息来指示或者激活该多个传输图样中的一个，比如通过传输图样的索引来指示或激活该多个传输图样中的一个。
一种可能的实现方式中，本申请实施例中的指示信息可以是动态信令，比如可以是下行控制信息(downlink control information，DCI)，此种情况下，该DCI指示的第一传输为该DCI调度的传输。也就是说，可以通过用于调度第一传输的DCI指示该第一传输的传输参数的确定方式。另一种可能的实现方式中，本申请实施例中的指示信息为MAC控制单元(control element，CE)。另一种可能的实现方式中，所述指示信息可以是半静态的，比如所述指示信息为高层(higher layer)信令，比如无线资源控制(radio resource control，RRC)信令，该高层信令可以指示多个传输的传输参数的确定方式，或者可以指示第一时间段内的传输的传输参数的确定方式。此外，该指示信息也可以是更高层信令与较低层信令的结合，比如RRC信令指示多个传输的传输参数的确定方式，DCI或MAC信令激活(指示)该多个传输的传输参数的确定方式中的一个。
本申请实施例中的所述指示信息可以是周期性的，也就是说，在该指示信息的生效时间内，该指示信息所指示的传输参数的确定方式以周期性进行重复，直到接收到下一个指示信息(该指示信息用于指示一个或多个传输的传输参数的确定方式)为止，或者直到接收到用于指示停止模型监测的指示信息为止，或者直到该指示信息的生效期结束为止。
可选的，指示信息的生效时间(比如通过指示信息指示的下行传输图样的生效时间)可以是t1时刻之后，如图9a所示；或者生效时间是在t1时刻之后到t2时刻之前，如图9b所示。其中，t1可以为t3+Δt1，t3为参考时刻，例如收到指示信息的时刻，可选的，该指示信息可以用于激活某个传输图样，此种情况下，t3是通过指示信息激活某个传输图样的时刻，Δt1为预定义的或网络侧配置的相对于参考时刻的时间偏移，Δt1大于或等于0。类似的，t2可以为t4+Δt2，t4为参考时刻，例如收到指示信息的时刻，可选的，该指示信息可以用于去激活某个传输图样，此种情况下，t4是通过指示信息去激活某个传输图样的时刻，t4与t3可以是同一时刻，Δt2为预定义的或网络侧配置的相对于参考时刻的时间偏移，Δt2大于或等于0。或者，t2可以为t1+Δt，Δt为预定义的或网络侧配置的生效时长，Δt大于0，如图9c所示。
如果所述指示信息是周期性的，周期T为预定义的或基站配置的，特殊的，周期T可以默认等于下行传输图样的持续时长。例如当指示信息指示的第一传输图样包括连续N个传输对应的第一确定方式时，周期T可以为该N个传输对应的时长，又例如，当指示信息指示的第二传输图样包括第一时间段内的传输对应的第一确定方式时，周期T可以为第一时间段的时长。
本申请实施例中的所述指示信息也可以是非周期性的，相对于周期性而言，非周期性指的是指示信息所指示的第一传输的传输参数的确定方式，仅一次有效，比如该指示信息指示了第一时间段内的下行传输的传输参数的确定方式，该指示信息仅在该第一时间段内有效。对于非周期的指示信息，比如下行传输图样，该下行传输图样从t1时刻开始生效1次，t1的定义可以参见前文的描述。
步骤702：第二设备向第一设备发送至少一个传输，所述至少一个传输中包括所述第一传输。相应的，第一设备接收第二设备发送的所述至少一个传输。
本申请实施例中，第一设备可以在所述至少一个传输对应的时频资源上，接收所述至少一个传输。
步骤703：第一设备根据该指示信息以及来自第二设备的至少一个传输，确定第一传输的传输参数的确定方式所对应的性能。
可选的，所述性能可以包括以下一项或多项：吞吐量、频谱效率、传输速率、BLER、假设的BLER(hypothetical BLER)、信号与干扰加噪声比(signal to interference plusnoise ratio，SINR)、参考信号接收功率(reference signal receiving power，RSRP)、HARQ反馈(比如包括HARQ ACK/NACK)、余弦相似度(generalized cosine similarity，GCS)、平方余弦相似度(squared generalized cosine similarity，SGCS)、均方误差(meansquare error，MSE)、归一化均方误差(normalized mean square error，NMSE)等，本申请实施例不予限制。
本申请实施例中，第一设备根据指示信息确定第一传输的传输参数的确定方式后，可以根据在第一传输的时频资源上的接收情况确定性能，并将确定出的性能作为该确定方式所对应的性能。若第一设备根据指示信息确定出N个(N为大于1的整数)传输的传输参数的确定方式均相同，则第一设备可以根据在该N个传输对应的时频资源上的接收情况，确定性能，该性能是综合该N个传输参数的确定方式相同的传输的接收情况确定得到的。以BLER为例，该BLER是该N个传输的平均误块率。以吞吐量为例，该吞吐量是该N个传输的总吞吐量。
可选的，第一设备可以根据指示信息指示的每种确定方式，计算每种确定方式对应的性能。
可选的，如果所述指示信息是周期性的，则第一设备可以在接收该指示信息之后的每个周期内，根据该指示信息以及在所在周期内来自第二设备的至少一个传输，确定第一传输的传输参数的确定方式所对应的性能。
可选的，第一设备可以根据模型监测结果进行一些操作，以提高系统性能。以CSI反馈场景为例，第一设备确定第一传输的传输参数的确定方式为基于AI模型的CSI反馈方式，并且该基于AI模型的CSI反馈方式所对应的性能没有达到系统要求(比如BLER高于设定阈值，或者吞吐率低于设定阈值等)，则第一设备可以将第一传输的传输参数的确定方式从基于AI模型的CSI反馈方式切换为基于非AI模型的CSI反馈方式，或者更换用于CSI压缩和解压缩的AI模型，或者更新用于CSI压缩和解压缩的AI模型(比如重新对该AI模型进行训练，用训练后的AI模型替换原来的AI模型)。
可选的，第一设备还可以向第二设备发送第一信息，所述第一信息包括第一设备确定出的第一传输的传输参数的确定方式对应的性能。也就是说，第一设备可以将确定出的性能作为监测结果发送给第二设备。
可选的，第一设备还可以第二设备发送第一信息，所述第一信息可以包括以下一项或多项：多个确定方式中至少一种确定方式的性能；多个确定方式对应的性能中，最优性能所对应的确定方式；多个确定方式对应的性能中，超过阈值的性能所对应的确定方式；多个确定方式对应的性能中，低于阈值的性能所对应的确定方式；多个确定方式对应的性能中，所述终端设备建议使用的确定方式。其中，所述多个确定方包括第二设备发送的至少一个传输中各传输的传输参数的确定方式。也就是说，第一设备可以将上述信息作为模型监测结果发送给第二设备。
可选的，第一设备也可以将模型监测结果上报给网管系统，所述模型监测结果的内容，可以参见上文描述。
图7所示的流程中，由于第二设备通过指示信息将一个或多个传输的传输参数的确定方式发送给第一设备，从而可以使得第一设备获知相关传输的传输参数的确定方式，进而可以针对每种确定方式，根据相应传输的接收情况确定对应的性能，从而实现模型监测。以CSI反馈场景为例，基于上述流程，第一设备获得模型监测结果后，可以通过对比基于AI的CSI反馈方式和基于非AI的CSI反馈方式所对应的性能，从而实现对AI模型的监测，例如，对比基于AI模型的CSI反馈方式所对应的性能和基于非AI的CSI反馈方式所对应的性能，如果基于AI模型的CSI反馈方式所对应的性能更好，则说明该AI模型的性能满足需求，反之，则说明该AI的模型的性能不满足需求，进而可以进行CSI反馈方式的切换，或者AI模型的更换或更新等操作。
基于上述图1、图5a或图5b所示的网络系统架构以及上述相关技术介绍的内容，图10示例性示出了本申请实施例提供的另一种通信方法的可能的流程示意图。图10中的方案以第一设备和第二设备交互执行为例进行介绍。针对下行传输，第一设备为终端、第二设备为网络侧装置；针对上行传输，第一设备为网络侧装置、第二设备为终端侧装置。网络侧装置和终端侧装置的相关描述参见前述内容，不再赘述。以下实施例中，以网络侧装置为网络设备，终端侧装置为终端设备为例描述。
参见图10，该方法包括：
步骤1001：第二设备向第一设备发送指示信息，相应的，第一设备接收该指示信息。
所述指示信息用于指示第一传输和第二传输的传输参数的确定方式相同，所述确定方式包括基于AI的确定方式或基于非AI的确定方式。基于AI的确定方式或基于非AI的确定方式的相关描述，可以参考图7中的相关内容。
可以理解，可以通过该指示信息，指示出第一传输和第二传输之间存在关联。这种关联关系是从传输参数的确定方式的角度定义的，比如，对于传输参数的确定方式相同的多个传输，可以称该多个传输具有关联关系。这样，第一设备可以根据该指示信息，针对这些传输参数的确定方式相同的多个传输，在进行模型监测处理时，可以根据这些下行传输的接收情况综合考虑，确定出性能，从而可以获得这些传输的传输参数的确定方式所对应的性能。
另一种可能的实现方式中，对于传输参数的确定方式不相同的多个传输(比如两个传输)，也可以称该多个传输具有关联关系。以指示信息指示第一传输和第二传输具有关联关系为例，第一设备可以根据该指示信息，针对第一传输和第二传输分别确定性能，从而可以将第一传输的传输参数的确定方式所对应的性能，与第二传输的传输参数的确定方式所对应的性能进行对比。
一种可能的实现方式中，第一设备只需要知道哪些传输的传输参数确定方式是相同的或者不同的，而不需要知道这些传输的传输参数确定方式是基于AI的还是基于非AI的。在这种情况下，第二设备无需指示这些传输的传输参数的具体确定方式，第一设备仅需要监测这些传输对应的传输参数的不同确认方式所对应的性能，如第一确定方式的性能和第二确定方式的性能，第一和第二为确定方式的虚拟标识(例如，第一性能和第二性能对应的确定方式不同，因此可以将第一性能对应的确定方式用编号“第一”来标识，将第二性能对应的确定方式用编号“第二”来标识，用于进行区分)。可选的，第一设备和第二设备可以约定虚拟标识的编码规则，比如，可以针对指示信息之后的第一个下行传输的传输参数的确定方式，可以将其虚拟标识设置为“第一”或“方式A”等，针对其后的下行传输的传输参数的另一种确定方式，将其虚拟标识设置为“第二”或“方式B”等。第一设备可以向第二设备反馈该多种确定方式的性能监测结果，监测结果可以包括以下一项或多项：多个确定方式中至少一种确定方式的性能；多个确定方式对应的性能中，最优性能所对应的确定方式；多个确定方式对应的性能中，超过阈值的性能所对应的确定方式；多个确定方式对应的性能中，低于阈值的性能所对应的确定方式；多个确定方式对应的性能中，所述终端设备建议使用的确定方式。第二设备已知每种虚拟确定方式(如上所述，例如用编号“第一”“第二”区分的确定方式)具体是哪种确定方式，如基于AI或基于非AI，或基于哪个AI模型，则第二设备可以确定每种具体的确定方式所对应的性能。
另一种可能的实现方式中，第二设备可以将第一传输和/或第二传输关联到第一设备已知传输参数确定方式的下行传输(也就是说该下行传输的传输参数的确定方式是已知的)，则第一设备可以根据已知传输参数确定方式的下行传输确定第一传输和/或第二传输的传输参数的具体确定方式，如基于AI或基于非AI，或基于哪个AI模型。例如，第一设备已知传输参数确定方式的下行传输可以是用于正常数据传输的下行传输(正常数据传输例如是无需模型监测的数据传输)，第一设备在其他流程中已知该下行传输的传输参数的具体确定方式，如在模型选择、模型切换、模型激活等流程中，第一设备已知该用于正常数据传输的下行传输是基于AI或基于非AI，或基于哪个AI模型。可以理解，对于上行传输，也可以采用上述实现方式。
另一种可能的实现方式中，第二设备可以向第一设备指示至少一个参考下行传输的传输参数的确定方式，将第一传输和/或第二传输关联到该至少一个参考下行传输，则第一设备可以知道第一传输和/或第二传输的传输参数的具体确定方式，如基于AI或基于非AI，或基于哪个AI模型。可以理解，对于上行传输，也可以采用上述实现方式。
一种可能的实现方式中，所述指示信息可以包括第一传输的指示信息和第二传输的指示信息，从而可以指示第一传输和第二传输存在关联关系，或者说指示存在关联关系的第一传输和第二传输。可选的，第一传输的指示信息可以是第一传输的索引，和/或，第一传输的时频资源指示信息。所述第二传输的指示信息可以是第二传输的索引，和/或，第二传输的时频资源指示信息。可选的，当调度第一传输时，可以在调度信令(比如本申请实施例中的指示信息)中指示与该次被调度的第一传输存在关联关系的第二传输，比如包括第二传输的指示信息。可以理解，该调度信令中包括第一传输的指示信息。基于第一传输和第二传输之间的关联关系，确定第一传输和/或第二传输的传输参数的确定方式所对应的性能的具体实现方式，可以参见前文。
一种可能的实现方式中，所述指示信息可以包括第一传输和第二传输的传输时刻，从而可以指示第一传输和第二传输存在关联关系，或者说指示存在关联关系的第一传输和第二传输。可选的，当调度第一传输时，可以在调度信令(比如本申请实施例中的指示信息)中指示与该次被调度的第一传输存在关联关系的第二传输，比如包括第二传输的传输时刻。可以理解，该调度信令还指示了第一传输的传输时刻。
一种可能的实现方式中，本申请实施例中的指示信息可以是动态信令，比如可以是DCI，此种情况下，该DCI指示的第一传输为该DCI调度的传输，其中可以包括第二传输的指示信息(比如索引)或指示第二传输的传输时刻，也就是说，可以通过用于调度第一传输的DCI指示与第一传输存在关联关系的第二传输。另一种可能的实现方式中，本申请实施例中的指示信息为MAC CE。另一种可能的实现方式中，所述指示信息可以是半静态的，比如所述指示信息为高层信令，比如RRC信令。
所述指示信息可以是周期性的，也可以是非周期性，相关描述可以参考前文。
步骤1002：第二设备向第一设备发送至少一个传输，所述至少一个传输中包括所述第一传输和/或所述第二传输。相应的，第一设备接收第二设备发送的所述至少一个传输。
本申请实施例中，第一设备可以在所述至少一个传输对应的时频资源上，接收所述至少一个传输。
步骤1003：第一设备根据该指示信息以及来自第二设备的至少一个传输，确定第一传输或第二传输的传输参数的确定方式所对应的性能。
步骤1003的具体实现方式可以参考图7中的相关描述。
一种可能的实现方式中，如果第一传输和第二传输的传输参数的确定方式不同(比如前文所述的，关联关系定义为：存在关联关系的多个传输，其传输参数的确定方式不同)，则第一设备可以分别确定第一传输和第二传输的传输参数的确定方式所对应的性能，并将第一传输的传输参数的确定方式所对应的性能，与第二传输的传输参数的确定方式所对应的性能进行比较，以确定哪种确定方式对应的性能更优，以便确定是否需要进行确定方式的切换，或者是否需要更换或更新AI模型。对于下行传输场景，终端也可以将确定出的性能发送给网络设备，由网络设备进行上述判断和决策。
图10所示的流程可以应用于CSI反馈场景、CSI压缩场景，CSI重构场景、CSI预测场景、波束预测场景、SRS发送场景，PTS发送场景等。
图10所示的流程可以应用于下行传输，此种情况下，第一设备可以是终端，第二设备可以是网络设备，第一传输和第二传输为下行传输。图10所示的流程也可以应用于上行传输，此种情况下，第一设备为网络设备，第二设备为终端，第一传输和第二传输为上行传输。
图10所示的流程中，由于第二设备通过指示信息将两个或更多个传输之间的关联关系发送给第一设备，从而可以使得第一设备获知这些传输的传输参数的确定方式，进而可以针对每种确定方式，根据相应传输的接收情况确定对应的性能，从而实现模型监测。
下面基于图7或图10所示的流程，给出几种下行传输的应用示例。可以理解的是，上行传输的应用可以参考下行传输的应用示例进行。
上述图7或图10所示的流程，在CSI反馈场景下的一种示例，可以如图11所示。如图11所示，在1101中，网络设备(如基站)向终端设备发送指示信息，该指示信息指示一个或多个下行传输的传输参数的CSI反馈方式，或者用于指示第一下行传输和第二下行传输的传输参数的CSI反馈方式相同；在1102，网络设备向终端设备发送一个或多个下行传输；在1103，终端接收到该一个或多个下行传输后，根据该指示信息获得其中的一个或多个下行传输的传输参数的CSI反馈方式，对于每种CSI反馈方式，终端根据该CSI反馈方式对应的下行传输的接收情况，确定该CSI反馈方式所对应的性能，从而可以得到模型监测结果。进一步的，终端可以根据模型监测结果执行模型切换、更新等操作。进一步的，在1104，终端可以将模型监测结果发送给基站。上述流程的具体实现细节可以参考图7或图10中的相关描述。
上述图7或图10所示的流程，在CSI预测场景下的一种示例，可以如图12所示。如图12所示，在1201中，网络设备(如基站)向终端设备发送指示信息，该指示信息指示一个或多个下行传输的传输参数的CSI预测方式，或者用于指示第一下行传输和第二下行传输的传输参数的CSI预测方式相同；在1202，网络设备向终端设备发送一个或多个下行传输；在1203，终端接收到该一个或多个下行传输后，根据该指示信息获得其中的一个或多个下行传输的传输参数的CSI预测方式，对于每种CSI预测方式，终端根据该CSI预测方式对应的下行传输的接收情况，确定该CSI预测方式所对应的性能，从而可以得到模型监测结果。进一步的，终端可以根据模型监测结果执行模型切换、更新等操作。进一步的，在1204，终端可以将模型监测结果发送给基站。上述流程的具体实现细节可以参考图7或图10中的相关描述。
上述图7或图10所示的流程，在波束预测场景下的一种示例，可以如图13所示。如图13所示，在1301中，网络设备(如基站)向终端设备发送指示信息，该指示信息指示一个或多个下行传输的传输参数的波束预测方式，或者用于指示第一下行传输和第二下行传输的传输参数的波束预测方式相同；在1302，网络设备向终端设备发送一个或多个下行传输；在1303，终端接收到该一个或多个下行传输后，根据该指示信息获得其中的一个或多个下行传输的传输参数的波束预测方式，对于每种波束预测方式，终端根据该波束预测方式对应的下行传输的接收情况，确定该波束预测方式所对应的性能，从而可以得到模型监测结果。进一步的，终端可以根据模型监测结果执行模型切换、更新等操作，也可以将模型监测结果发送给基站。上述流程的具体实现细节可以参考图7或图10中的相关描述。
可以理解，本申请的上述各实施例虽然是以采用最终KPI的模型监测方法为例描述的，但本领域技术人员可以理解，基于相同的原理，本申请的上述实施例也可以应用于采用中间KPI的模型监测方法。
可以理解的是，为了实现上述实施例中功能，网络设备和终端包括了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本申请中所公开的实施例描述的各示例的单元及方法步骤，本申请能够以硬件或硬件和计算机软件相结合的形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用场景和设计约束条件。
图14和图15为本申请的实施例提供的可能的通信装置的结构示意图。这些通信装置可以用于实现上述方法实施例中终端或网络设备的功能，因此也能实现上述方法实施例所具备的有益效果。在本申请的实施例中，该通信装置可以是如图1所示的终端120a-120j中的一个，也可以是如图1所示的基站110a或110b，还可以是应用于终端或基站的模块(如芯片)。
如图14所示，通信装置1400包括处理单元1410和收发单元1420。通信装置1400用于实现上述图7、图10至图13中所示的任一方法实施例中第一设备或第二的功能。
当通信装置1400用于实现图7所示的方法实施例中第一设备的功能时：收发单元1420用于接收来自第二设备的指示信息，所述指示信息用于指示第一传输的传输参数的确定方式，所述确定方式包括基于AI的确定方式或基于非AI的确定方式；处理单元1410用于根据所述指示信息以及来自所述第二设备的至少一个传输，确定所述第一传输的传输参数的确定方式所对应的性能；其中，所述至少一个传输中包括所述第一传输。
当通信装置1400用于实现图7所示的方法实施例中第二设备的功能时：收发单元1420用于通过收发单元1420向第一设备发送指示信息，所述指示信息用于指示第一传输的传输参数的确定方式，所述确定方式包括基于人工智能AI的确定方式或基于非AI的确定方式；以及，通过收发单元1420向所述第一设备发送至少一个传输，所述至少一个下行传输中包括所述第一传输。
当通信装置1400用于实现图10所示的方法实施例中第一设备的功能时：收发单元1420用于接收来自第二设备的指示信息，所述指示信息用于指示第一传输和第二传输的传输参数的确定方式相同，所述确定方式包括基于人工智能AI的确定方式或基于非AI的确定方式；处理单元1410，用于根据所述指示信息以及来自所述第二设备的至少一个传输，确定所述第一传输或所述第二传输的传输参数的确定方式所对应的性能；其中，所述至少一个传输中包括所述第一传输和/或所述第二传输。
当通信装置1400用于实现图10所示的方法实施例中第二设备的功能时：处理单元1410，用于通过收发单元1420向第一设备发送指示信息，所述指示信息用于指示第一传输和第二传输的传输参数的确定方式相同，所述确定方式包括基于AI的确定方式或基于非AI的确定方式；以及，通过收发单元1420向所述第一设备发送至少一个传输，所述至少一个下行传输中包括所述第一传输和/或所述第二传输。
有关上述处理单元1410和收发单元1420更详细的描述可以直接参考图7、图10所示的方法实施例中相关描述直接得到，这里不加赘述。
如图15所示，通信装置1500包括处理器1510和接口电路1520。处理器1510和接口电路1520之间相互耦合。可以理解的是，接口电路1520可以为收发器或输入输出接口。可选的，通信装置1500还可以包括存储器1530，用于存储处理器1510执行的指令或存储处理器1510运行指令所需要的输入数据或存储处理器1510运行指令后产生的数据。
当通信装置1500用于实现图7或图10所示的方法时，处理器1510用于实现上述处理单元1410的功能，接口电路1520用于实现上述收发单元1420的功能。
当上述通信装置为应用于终端的芯片时，该终端芯片实现上述方法实施例中终端的功能。该终端芯片从终端中的其它模块(如射频模块或天线)接收信息，该信息是网络设备发送给终端的；或者，该终端芯片向终端中的其它模块(如射频模块或天线)发送信息，该信息是终端发送给网络设备的。
当上述通信装置为应用于网络设备的模块时，该网络设备模块实现上述方法实施例中网络设备的功能。该网络设备模块从网络设备中的其它模块(如射频模块或天线)接收信息，该信息是终端发送给网络设备的；或者，该网络设备模块向网络设备中的其它模块(如射频模块或天线)发送信息，该信息是网络设备发送给终端的。这里的网络设备模块可以是网络设备的基带芯片，也可以是DU或其他模块，这里的DU可以是开放式无线接入网(open radio access network，O-RAN)架构下的DU。
可以理解的是，本申请的实施例中的处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其它可编程逻辑器件、晶体管逻辑器件，硬件部件或者其任意组合。通用处理器可以是微处理器，也可以是任何常规的处理器。
本申请中，还供装置的另一种示例，该通知装置包括至少一个处理器和至少一个存储器，该至少一个处理器和该至少一个存储器耦合，该至少一个存储器用于存储指令，当该指令被该至少一个处理器执行时，使得通信装置执行上述实施例中的方法。以通信装置包括一个处理器和一个存储器为例，如图15所示，通信装置1500包括一个处理器1510和一个存储器1530。处理器1510和存储器1530耦合，存储器1530中存储有指令，当存储器1530中存储的指令被处理器1510执行时，通信装置1500执行上述实施例中网络设备执行的方法。
本申请的实施例中的方法步骤可以在硬件中实现，也可以在可由处理器执行的软件指令中实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外，该ASIC可以位于网络设备或终端中。处理器和存储介质也可以作为分立组件存在于网络设备或终端中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时，全部或部分地执行本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、网络设备、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，例如，软盘、硬盘、磁带；也可以是光介质，例如，数字视频光盘；还可以是半导体介质，例如，固态硬盘。该计算机可读存储介质可以是易失性或非易失性存储介质，或可包括易失性和非易失性两种类型的存储介质。
在本申请的各个实施例中，如果没有特殊说明以及逻辑冲突，不同的实施例之间的术语和/或描述具有一致性、且可以相互引用，不同的实施例中的技术特征根据其内在的逻辑关系可以组合形成新的实施例。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A,B可以是单数或者复数。在本申请的文字描述中，字符“/”，一般表示前后关联对象是一种“或”的关系；在本申请的公式中，字符“/”，表示前后关联对象是一种“相除”的关系。“包括A，B和C中的至少一个”可以表示：包括A；包括B；包括C；包括A和B；包括A和C；包括B和C；包括A、B和C。
可以理解的是，在本申请的实施例中涉及的各种数字编号仅为描述方便进行的区分，并不用来限制本申请的实施例的范围。上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定。

Claims (14)

1.一种通信方法，其特征在于，应用于第一设备，所述方法包括：
接收来自第二设备的指示信息，所述指示信息用于指示第一传输的传输参数的确定方式，或者所述指示信息用于指示第一传输和第二传输的传输参数的确定方式相同，所述确定方式包括基于人工智能AI的确定方式或基于非AI的确定方式；
根据所述指示信息以及来自所述第二设备的至少一个传输，确定所述第一传输的传输参数的确定方式所对应的性能；其中，所述至少一个传输中包括所述第一传输和/或所述第二传输。
2.如权利要求1所述的方法，其特征在于，所述基于AI的确定方式至少包括：
基于第一AI模型的确定方式和基于第二AI模型的确定方式。
3.如权利要求2所述的方法，其特征在于，
所述基于AI的确定方式，包括以下一项：
基于AI的CSI反馈方式；
基于AI的CSI压缩方式；
基于AI的CSI重构方式；
基于AI的CSI预测方式；
基于AI的波束预测方式；
所述基于非AI的确定方式，包括以下一项：
基于非AI的CSI反馈方式；
基于非AI的CSI压缩方式；
基于非AI的CSI重构方式；
基于非AI的CSI预测方式；
基于非AI的波束预测方式。
4.如权利要求1-3任一项所述的方法，其特征在于，所述第一传输包括一个传输或多个传输或第一时间段内的传输。
5.如权利要求1-4任一项所述的方法，其特征在于，所述接收来自第二设备的指示信息，包括：
接收来自所述第二设备的下行控制信息，所述下行控制信息用于指示所述第一传输的传输参数的确定方式，所述第一传输为所述下行控制信息调度的传输；或者，
接收来自所述第二设备的高层信令，所述高层信令用于指示所述第一传输的传输参数的确定方式。
6.如权利要求1-5任一项所述的方法，其特征在于，所述指示信息用于指示第一传输图样，所述第一传输图样包括N个传输对应的第一确定方式，所述N个传输中包括所述第一传输，所述第一确定方式为所述第一传输的传输参数的确定方式，N为正整数；或者
所述指示信息用于指示第二传输图样，所述第二传输图样包括第一时间段内的传输对应的第一确定方式，所述第一时间段内的传输包括所述第一传输，所述第一确定方式为所述第一传输的传输参数的确定方式。
7.如权利要求1-6任一项所述的方法，其特征在于，所述指示信息包括所述第一传输的传输参数的确定方式的索引信息；或者，
所述指示信息包括所述第一传输的类型信息，所述第一传输的传输参数的确定方式与所述第一传输的类型对应。
8.如权利要求1-7任一项所述的方法，其特征在于，所述指示信息包括所述第一传输的指示信息和所述第二传输的指示信息，或者所述指示信息指示所述第一传输和所述第二传输的传输时刻，所述指示信息用于指示第一传输和第二传输的传输参数的确定方式相同。
9.如权利要求8所述的方法，其特征在于，所述第一传输的指示信息，包括：所述第一传输的索引，和/或，所述第一传输的时频资源指示信息；所述第二传输的指示信息，包括：所述第二传输的索引，和/或，所述第二传输的时频资源指示信息。
10.如权利要求1-9任一项所述的方法，其特征在于，所述根据所述指示信息以及来自所述第二设备的至少一个传输，确定所述第一传输的传输参数的确定方式所对应的性能，包括：
在接收所述指示信息之后的每个周期内，根据所述指示信息以及在所在周期内来自所述第二设备的至少一个传输，确定所述第一传输的传输参数的确定方式所对应的性能。
11.如权利要求1-10任一项所述的方法，其特征在于，还包括：
向所述第二设备发送第一信息，所述第一信息包括所述性能，或者所述第一信息用于指示以下一项或多项：
多个确定方式中至少一种确定方式的性能；
多个确定方式对应的性能中，最优性能所对应的确定方式；
多个确定方式对应的性能中，超过阈值的性能所对应的确定方式；
多个确定方式对应的性能中，低于阈值的性能所对应的确定方式；
多个确定方式对应的性能中，所述终端设备建议使用的确定方式；
其中，所述多个确定方式包括所述第二设备发送的所述至少一个传输中各传输的传输参数的确定方式。
12.如权利要求1-11任一项所述的方法，其特征在于，所述第一设备为终端设备，所述第二设备为网络设备，所述第一传输为下行传输；或者，
所述第一设备为网络设备，所述第二设备为终端设备，所述第一传输为上行传输。
13.一种通信方法，其特征在于，应用于第二设备，所述方法包括：
向第一设备发送指示信息，所述指示信息用于指示第一传输的传输参数的确定方式，或者所述指示信息用于指示第一传输和第二传输的传输参数的确定方式相同，所述确定方式包括基于人工智能AI的确定方式或基于非AI的确定方式；
向所述第一设备发送至少一个传输，所述至少一个传输中包括所述第一传输和/或所述第二传输。
14.一种通信装置，其特征在于，包括：一个或多个处理器和一个或多个存储器；其中，所述一个或多个存储器存储有一个或多个程序，当所述程序被所述一个或多个处理器执行时，使得所述通信装置执行如权利要求1-12中任一项所述的方法，或者执行如权利要求13所述的方法。
CN202310156244.8A 2023-02-16 2023-02-16 一种通信方法及装置 Pending CN118509903A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202310156244.8A CN118509903A (zh) 2023-02-16 2023-02-16 一种通信方法及装置
KR1020257030329A KR20250144481A (ko) 2023-02-16 2024-02-05 통신 방법, 장치 및 시스템
PCT/CN2024/076089 WO2024169745A1 (zh) 2023-02-16 2024-02-05 一种通信方法、装置及系统
EP24756119.4A EP4661479A1 (en) 2023-02-16 2024-02-05 Communication method, apparatus, and system
US19/301,177 US20250373397A1 (en) 2023-02-16 2025-08-15 Communication method, apparatus, and system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310156244.8A CN118509903A (zh) 2023-02-16 2023-02-16 一种通信方法及装置

Publications (1)

Publication Number Publication Date
CN118509903A true CN118509903A (zh) 2024-08-16

Family

ID=92242260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310156244.8A Pending CN118509903A (zh) 2023-02-16 2023-02-16 一种通信方法及装置

Country Status (5)

Country Link
US (1) US20250373397A1 (zh)
EP (1) EP4661479A1 (zh)
KR (1) KR20250144481A (zh)
CN (1) CN118509903A (zh)
WO (1) WO2024169745A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230409963A1 (en) * 2020-10-21 2023-12-21 Interdigital Patent Holdings, Inc Methods for training artificial intelligence components in wireless systems
EP4233303A4 (en) * 2020-12-24 2023-12-06 Huawei Technologies Co., Ltd. DEVICES AND METHODS FOR COMMUNICATION ON AI-ENABLED AND NON-AI-ENABLED AIR INTERFACES
WO2023012359A1 (en) * 2021-08-05 2023-02-09 Telefonaktiebolaget Lm Ericsson (Publ) Method for monitoring performance of an artificial intelligence (ai)/machine learning (ml) model or algorithm
CN115280833A (zh) * 2022-06-16 2022-11-01 北京小米移动软件有限公司 信道状态信息的处理方法、装置及通信设备
CN115580877B (zh) * 2022-09-30 2025-07-25 中国信息通信研究院 一种移动通信网络数据与模型联合部署方法和设备

Also Published As

Publication number Publication date
EP4661479A1 (en) 2025-12-10
WO2024169745A1 (zh) 2024-08-22
KR20250144481A (ko) 2025-10-10
US20250373397A1 (en) 2025-12-04

Similar Documents

Publication Publication Date Title
US20240211770A1 (en) Communication method and apparatus
EP4386620A1 (en) Model test method and apparatus
WO2023168589A1 (en) Machine learning models for predictive resource management
US20240313841A1 (en) Calibration method and apparatus
US12301483B2 (en) Interference distribution compression and reconstruction
CN116260552A (zh) 一种csi发送和接收方法及装置
WO2023147208A1 (en) Interference distribution compression and reconstruction
CN118509903A (zh) 一种通信方法及装置
CN118075802A (zh) 一种智能测量方法及装置
CN118509014A (zh) 一种通信的方法和通信装置
US20250279939A1 (en) Network controlled repeater communications based on user equipment machine learning algorithms
WO2024255037A1 (en) Communication method and communication apparatus
WO2024255038A1 (en) Communication method and communication apparatus
WO2024255035A1 (en) Communication method and communication apparatus
WO2025227415A1 (en) Hybrid measurement, prediction, and reporting
US12505362B2 (en) Model selection for split inference
WO2025208616A1 (en) Link-quality-related beam prediction performance monitoring
US12381789B2 (en) Techniques for reporting correlation metrics for machine learning reproducibility
US12261792B2 (en) Group-common reference signal for over-the-air aggregation in federated learning
US20250119958A1 (en) Digital representation of user equipment receiver for communication channel adaptation
WO2024124477A1 (en) Techniques for beam management
WO2024234283A1 (en) Reference signal quality indication for uplink beam prediction
WO2024255034A1 (en) Communication method and communication apparatus
US20250386206A1 (en) Predictive hyper-local model selection for machine learning channel state feedback
US20250351026A1 (en) Signaling for radio link failure predictions

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication