[go: up one dir, main page]

WO2025166573A1 - 通信方法、设备和存储介质 - Google Patents

通信方法、设备和存储介质

Info

Publication number
WO2025166573A1
WO2025166573A1 PCT/CN2024/076448 CN2024076448W WO2025166573A1 WO 2025166573 A1 WO2025166573 A1 WO 2025166573A1 CN 2024076448 W CN2024076448 W CN 2024076448W WO 2025166573 A1 WO2025166573 A1 WO 2025166573A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
model
indication information
function
terminal device
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
PCT/CN2024/076448
Other languages
English (en)
French (fr)
Inventor
刘正宣
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.)
Beijing Xiaomi Mobile Software Co Ltd
Original Assignee
Beijing Xiaomi Mobile Software 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 Beijing Xiaomi Mobile Software Co Ltd filed Critical Beijing Xiaomi Mobile Software Co Ltd
Priority to CN202480024889.9A priority Critical patent/CN121002913A/zh
Priority to PCT/CN2024/076448 priority patent/WO2025166573A1/zh
Publication of WO2025166573A1 publication Critical patent/WO2025166573A1/zh
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
    • H04W8/24—Transfer of terminal data

Definitions

  • the present disclosure relates to the field of communication technology, and in particular to a communication method, device, and storage medium.
  • Machine learning algorithms are currently one of the most important implementation methods of artificial intelligence (AI) technology. By applying machine learning to large amounts of training data, AI models can be generated, which can then be used to predict events. Multiple AI models with different parameter configurations can be trained in a single scenario, and the terminal device needs to select the best performing AI model from among these models for prediction.
  • AI artificial intelligence
  • the embodiments of the present disclosure provide a communication method, a device, and a storage medium.
  • a communication method which is performed by a terminal device.
  • the method includes:
  • a first AI model or a first AI function is determined from a plurality of AI models or AI functions based on first information, wherein the first information includes information associated with parameters for training the first AI model or the first AI function.
  • a communication method is provided, which is performed by a network device.
  • the method includes:
  • Sending fourth information to the terminal device where the fourth information is used by the terminal device to determine a first AI model or a first AI function from a plurality of AI models or AI functions, the fourth information including information associated with the network device in the first information, and the first information including information associated with parameters for training the first AI model or the first AI function.
  • a terminal device including:
  • a processing module is configured to determine a first AI model or a first AI function from a plurality of AI models or AI functions based on first information, wherein the first information includes information associated with parameters for training the first AI model or the first AI function.
  • a network device including:
  • the transceiver module is configured to send fourth information to the terminal device, where the fourth information is used by the terminal device to determine a first AI model or a first AI function from a plurality of AI models or AI functions, the fourth information including information associated with the network device in the first information, and the first information including information associated with parameters for training the first AI model or the first AI function.
  • a communication system which may include: a terminal device and a network device; wherein the terminal device is configured to execute the method described in the optional implementation manner of the first aspect, and the network device is configured to execute the method described in the optional implementation manner of the second aspect.
  • a storage medium which stores instructions.
  • the communication device executes the method described in the optional implementation of the first aspect or the second aspect.
  • a first AI model or a first AI function is determined from a plurality of AI models or AI functions based on first information, wherein the first information includes information associated with parameters for training the first AI model or the first AI function.
  • a terminal device can select a model based on the first information, eliminating the need to monitor each model, thereby reducing the computational complexity of the terminal device and eliminating the need to send monitoring data to a network device, thereby reducing data transmission overhead and improving network performance.
  • FIG1A is a schematic diagram showing the architecture of a communication system according to an embodiment of the present disclosure.
  • FIG1B is a schematic diagram showing an observation window and a prediction window according to an embodiment of the present disclosure.
  • FIG2C is an interactive diagram illustrating a communication method according to an embodiment of the present disclosure.
  • FIG3D is a flow chart illustrating a communication method according to an embodiment of the present disclosure.
  • FIG3F is a flow chart illustrating a communication method according to an embodiment of the present disclosure.
  • FIG4A is a flow chart showing a communication method according to an embodiment of the present disclosure.
  • FIG4B is a flow chart showing a communication method according to an embodiment of the present disclosure.
  • FIG5 is an interactive schematic diagram illustrating a communication method according to an embodiment of the present disclosure.
  • FIG6A is a schematic structural diagram of a terminal device proposed in an embodiment of the present disclosure.
  • FIG6B is a schematic structural diagram of a network device proposed in an embodiment of the present disclosure.
  • FIG7A is a schematic structural diagram of a communication device proposed in an embodiment of the present disclosure.
  • a first AI model or a first AI function is determined from a plurality of AI models or AI functions based on first information, wherein the first information includes information associated with parameters for training the first AI model or the first AI function.
  • the first information includes at least one of the following:
  • first indication information where the first indication information is used to indicate channel characteristics
  • the fourth indication information is used to indicate the parameters configured by the network device for the terminal device.
  • the terminal device can select a model according to a variety of indication information, thereby improving the flexibility of model selection.
  • the fifth indication information includes at least one of the following: the second indication information, the third indication information, and the fourth indication information.
  • the terminal device can select a model according to the first indication information and the fifth indication information, thereby improving the accuracy of the model selection.
  • determining the first AI model or the first AI function from the plurality of AI models or AI functions according to the first information includes:
  • the terminal device can select a model according to the third indication information and the sixth indication information, thereby improving the accuracy of the model selection.
  • the terminal device can select a model based on the third indication information, the second indication information, and the fourth indication information, thereby further improving the accuracy of the model selection.
  • the method further includes:
  • the network device may send the fourth information to the terminal device so that the terminal device selects a model according to the fourth information.
  • receiving third information sent by the network device includes:
  • Seventh indication information where the seventh indication information is used to indicate a fifth AI model or a fifth AI function, where the fifth AI model or the fifth AI function includes an AI model or AI function that can be used by the terminal device.
  • the terminal device can report different indication information to the network device so that the network device can determine the fourth indication information, making the determination method of the fourth indication information more flexible and accurate.
  • receiving fourth information sent by the network device includes:
  • the terminal device may receive the third indication information sent by the network device, so as to perform model selection according to the third indication information.
  • different channel characteristics can correspond to at least one AI model or AI function, so that the most suitable AI model or AI function can be selected, thereby improving the accuracy of model prediction.
  • an embodiment of the present disclosure provides a communication method, which is performed by a network device.
  • the method includes:
  • Sending fourth information to the terminal device where the fourth information is used by the terminal device to determine a first AI model or a first AI function from a plurality of AI models or AI functions, the fourth information including information associated with the network device in the first information, and the first information including information associated with parameters for training the first AI model or the first AI function.
  • sending the fourth information to the terminal device includes:
  • the method further includes:
  • the third information is sent to the terminal device via a first signaling, where the first signaling includes at least one of the following: a radio resource control RRC message, a media access control control element MAC-CE, and downlink control information DCI.
  • the first signaling includes at least one of the following: a radio resource control RRC message, a media access control control element MAC-CE, and downlink control information DCI.
  • receiving the second information reported by the terminal device includes:
  • the second signaling includes at least one of the following: RRC, MAC-CE, uplink control information UCI.
  • Seventh indication information where the seventh indication information is used to indicate a fifth AI model or a fifth AI function, where the fifth AI model or the fifth AI function includes an AI model or AI function that can be used by the terminal device.
  • the network device sends fourth information to the terminal device, where the fourth information includes information associated with the network device in the first information, where the first information includes information associated with parameters for training the first AI model or the first AI function;
  • the terminal device determines a first AI model or a first AI function from a plurality of AI models or AI functions according to the first information.
  • an embodiment of the present disclosure proposes a storage medium storing instructions, which, when executed on a communication device, enables the communication device to execute the method described in the optional implementation of the first aspect or the second aspect.
  • the present disclosure provides a communication method, device, and storage medium.
  • the terms communication method and information processing method are interchangeable; the terms communication device and information processing device are interchangeable; and the terms communication system and information processing system are interchangeable.
  • the terms "at least one of”, “one or more”, “a plurality of”, “multiple”, etc. can be used interchangeably.
  • descriptions such as “at least one of A and B,” “A and/or B,” “A in one case, B in another case,” or “in response to one case A, in response to another case B” may include the following technical solutions depending on the situation: in some embodiments, A (A is executed independently of B); in some embodiments, B (B is executed independently of A); in some embodiments, execution is selected from A and B (A and B are selectively executed); and in some embodiments, A and B (both A and B are executed). The above is also applicable when there are more branches such as A, B, and C.
  • the description object is a "level”
  • the ordinal number before the "level” in the “first level” and the “second level” does not limit the priority between the "levels”.
  • the number of description objects is not limited by the ordinal number and can be one or more. Taking “first device” as an example, the number of "devices" can be one or more.
  • the objects modified by different prefixes can be the same or different.
  • terms such as “in response to", “in response to determining", “in the case of", “at the time of", “when!, “if", “if", etc. can be used interchangeably.
  • devices and the like can be interpreted as physical or virtual, and their names are not limited to those described in the embodiments.
  • Terms such as “device,” “equipment,” “device,” “circuit,” “network element,” “node,” “function,” “unit,” “section,” “system,” “network,” “chip,” “chip system,” “entity,” and “subject” can be used interchangeably.
  • network can be interpreted as devices included in the network (eg, access network equipment, core network equipment, etc.).
  • the terminal device 101 may include at least one of a mobile phone, a wearable device, an Internet of Things device, a car with communication function, a smart car, a tablet computer, a computer with wireless transceiver function, a virtual reality (VR) terminal device, an augmented reality (AR) terminal device, a wireless terminal device in industrial control, a wireless terminal device in self-driving, a wireless terminal device in remote medical surgery, a wireless terminal device in smart grid, a wireless terminal device in transportation safety, a wireless terminal device in smart city, and a wireless terminal device in smart home, but is not limited to these.
  • a mobile phone a wearable device, an Internet of Things device, a car with communication function, a smart car, a tablet computer, a computer with wireless transceiver function, a virtual reality (VR) terminal device, an augmented reality (AR) terminal device, a wireless terminal device in industrial control, a wireless terminal device in self-driving, a wireless terminal device in remote medical surgery, a wireless terminal device in smart
  • the technical solution of the present disclosure may be applicable to the Open RAN architecture.
  • the interfaces between or within the access network devices involved in the embodiments of the present disclosure may become internal interfaces of Open RAN, and the processes and information interactions between these internal interfaces may be implemented through software or programs.
  • LTE Long Term Evolution
  • LTE-A LTE-Advanced
  • LTE-B LTE-Beyond
  • SUPER 3G IMT-Advanced
  • 4G 4th generation mobile communication system
  • 5G 5th generation mobile communication system
  • 5G 5G New Radio
  • FAA New Radio Access Technology
  • RAT New Radio
  • NR New Radio Access
  • NX New Radio Access
  • FX Future generation radio access
  • GSM Global System for Mobile communications
  • GSM registered trademark
  • CDMA2000 Ultra Mobile Broadband
  • UMB Ultra Mobile Broadband
  • IEEE 802.11 Wi-Fi (registered trademark)
  • IEEE 802.16 WiMAX (registered trademark)
  • IEEE 802.20 Ultra-WideBand (UWB), Bluetooth (registered trademark), Public Land Mobile Network (PLMN) network
  • D2D Device-to-Device
  • M2M Machine-to-Machine
  • IoT Vehicle-to-Everything
  • the Rel-18 Type II codebook uses a traditional autoregressive or linear minimum mean squares error (LMMSE) algorithm to predict future downlink channel information based on historical downlink channel information estimated by the terminal. The precoding information corresponding to the future time is then calculated based on the predicted downlink channel information.
  • LMMSE linear minimum mean squares error
  • the Rel-18 Type II codebook can significantly improve system performance compared to the Rel-16/17 Type II codebook.
  • AI has been widely applied to the physical layer of wireless communications.
  • the aforementioned traditional CSI prediction algorithm can also predict future channel information through AI model reasoning.
  • Current simulation evaluations show that AI-based prediction performance outperforms traditional non-AI algorithms.
  • CSI at multiple historical moments is required.
  • Downlink channel information is estimated based on Channel Status Information-Reference Signals (CSI-RS) sent at multiple historical moments.
  • This range (the time range corresponding to multiple historical moments) is called the observation window.
  • the range (the time range corresponding to multiple future moments) within which CSI at multiple future moments is predicted is called the prediction window.
  • Figure 1B is a schematic diagram of an observation window and a prediction window according to an embodiment of the present disclosure. As shown in Figure 1B, three observation windows and prediction windows under different parameter configurations are listed.
  • the length of the prediction window, w d K ⁇ D.
  • observation window and prediction window in FIG1B are for illustration only, and the values of the four parameters N, M, K, and D can be arbitrarily combined, which is not limited in the embodiment of the present disclosure.
  • the AI function or AI model on the UE side can realize function or model identification between the UE and the network (Network, NW) through corresponding function identification or model identification methods.
  • function identification can be achieved by the UE reporting its supported functions to the NW through capability reporting.
  • a function supported by the UE may include one or more artificial intelligence/machine learning (AI/ML) models.
  • Model IDs can also be used in life cycle management (LCM) based on function identification.
  • model identification can be achieved by NW identifying the models supported by UE through Model ID, and UE can indicate the supported models to NW through Model ID.
  • model identification must be completed before model inference.
  • UE-side model identification includes the following types:
  • the corresponding model can be assigned a corresponding Model ID.
  • Model recognition is achieved through air interface signaling, which includes the following two methods:
  • Method 2 The NW actively initiates model identification, and the UE can assist in completing the remaining steps of model identification.
  • the corresponding model can be assigned a corresponding Model ID.
  • Performance monitoring of the CSI prediction model on the UE side includes the following three methods:
  • the UE calculates the performance criteria of the AI model based on the measured channel information to monitor the model performance.
  • the UE reports the measured channel information to the NW, allowing the NW to calculate the performance criteria of the AI model to monitor the model performance.
  • the UE calculates the performance criteria of the AI model based on the measured channel information and reports the performance criteria calculation results to the NW so that the NW can monitor the performance of the AI model. Test model performance.
  • AI/ML model performance monitoring based on the UE side and/or NW side is a method for selecting a model, but this method may result in high computational complexity of the UE or high data transmission overhead (a method of hybrid monitoring on the UE side and the NW side).
  • the UE needs to traverse and monitor each AI model and calculate the performance indicators of each AI model.
  • the computational complexity of the UE will increase exponentially with the number of AI models on the UE side. Therefore, how the UE selects an AI model or AI function becomes an urgent problem to be solved.
  • FIG2A is an interactive diagram illustrating a communication method according to an embodiment of the present disclosure.
  • the method may be executed by the above-mentioned communication system. As shown in FIG2A , the method may include:
  • Step S2101 The network device sends third information to the terminal device.
  • the terminal device may receive the third message.
  • the terminal device may receive the third message sent by the network device.
  • the terminal device may also receive the third message sent by another entity.
  • the second information may be used by the network device to determine the fourth indication information.
  • the fourth indication information can be used to indicate the parameters configured by the network device for the terminal device.
  • the parameters configured by the network device for the terminal device may include one or more of N, M, K, and D, wherein the definitions of N, M, K, and D can refer to the description of Figure 1B and will not be repeated here.
  • the second information may include at least one of the following:
  • the seventh indication information may be used to indicate a fifth AI model or a fifth AI function, where the fifth AI model or the fifth AI function includes an AI model or AI function that can be used by the terminal device.
  • the second indication information can be used to indicate additional conditions corresponding to the terminal device.
  • the additional conditions corresponding to the terminal device may be hardware parameters such as memory and power.
  • the first indication information may be an amplitude value or an amplitude range of TDCP, for example, the first indication information may be TDCP of 0.5, or TDCP of 0.26 to 0.5.
  • the second indication information may be a power value of 20%.
  • the fifth AI model may be an AI model that can be used at the current moment among multiple AI models supported by the terminal device
  • the fifth AI function may be an AI function that can be used at the current moment among multiple AI functions supported by the terminal device.
  • the seventh indication information may include a fifth AI model and a fifth AI function
  • the seventh indication information may include a model identifier of the fifth AI model or a function identifier of the fifth AI function.
  • Different AI models correspond to different model identifiers
  • different AI functions correspond to different function identifiers.
  • the AI model may be an AI model for CSI prediction.
  • the network device may send the third information to the terminal device via first signaling.
  • the first signaling may include at least one of the following: Radio Resource Control (RRC) message, Medium Access Control Control Element (MAC-CE), and Downlink Control Information (DCI).
  • RRC Radio Resource Control
  • MAC-CE Medium Access Control Control Element
  • DCI Downlink Control Information
  • Step S2102 The terminal device reports the second information to the network device.
  • the network device may receive the second message.
  • the network device may receive the second information reported by the terminal device.
  • the network device may also receive the second information reported by another entity.
  • the terminal device may report the second information to the network device through a second signaling, and the second signaling may include at least one of the following: RRC, MAC-CE, and uplink control information (Uplink Control Information, UCI).
  • RRC Radio Resource Control
  • MAC-CE Radio Resource Control Control
  • UCI Uplink Control Information
  • the terminal device may report the second information to the network device via an RRC message.
  • the terminal device may report the second information to the network device via MAC-CE.
  • the terminal device may report the second information to the network device via UCI.
  • the network device may determine the fourth indication information based on the first indication information.
  • the value or value range of TDCP determines at least one of the parameters N, M, K, and D.
  • the network device may determine the fourth indication information based on the second indication information. For example, the network device may determine at least one of the parameters N, M, K, and D based on the remaining memory or remaining power of the terminal device.
  • the network device may also determine the fourth indication information according to multiple of the first indication information, the second indication information, and the seventh indication information.
  • Step S2104 The network device sends fourth indication information to the terminal device.
  • the terminal device may receive the fourth indication information.
  • the terminal device may receive the fourth indication information sent by the network device.
  • the terminal device may also receive the fourth indication information sent by another entity.
  • Step S2105 The network device sends third indication information to the terminal device.
  • the third indication information may be used to indicate additional conditions corresponding to the network device.
  • the additional conditions corresponding to the network device may be channel scenarios, data sets, etc. related to training AI models or AI functions.
  • Step S2106 The terminal device determines at least one third AI model or third AI function from the multiple AI models or AI functions according to the third indication information.
  • multiple AI models or AI functions may be AI models or AI functions supported by the terminal device.
  • the AI model supported by the terminal device may be an AI model identified through model recognition.
  • the specific method of model recognition can refer to the above description and will not be repeated here.
  • the AI function supported by the terminal device may be an AI function identified through function.
  • the specific method of function identification can refer to the above description and will not be repeated here.
  • multiple AI models or AI functions may be AI models or AI functions deployed on the terminal device side.
  • each third indication information may correspond to at least one AI model or AI function.
  • the additional condition corresponding to the network device is the channel scenario.
  • Table 1 shows the AI models under different channel scenarios. As shown in Table 1, multiple AI models include A0, B0, C0, A1, B1, C1, A2, B2, and C2. Each channel scenario corresponds to three AI models, among which the AI models corresponding to the UMa scenario include A0, B0, and C0, the AI models corresponding to the UMi scenario include A1, B1, and C1, and the AI models corresponding to the indoor scenario include A2, B2, and C2. If the third indication information is UMa, the terminal device can determine that A0, B0, and C0 are the third AI model from A0, B0, C0, A1, B1, C1, A2, B2, and C2.
  • Step S2107 The terminal device determines the first AI model or the first AI function from at least one third AI model or third AI function according to the fourth indication information.
  • the terminal device may determine an AI model that matches the fourth indication information from at least one third AI model as the first AI model.
  • the terminal device may determine an AI function matching the fourth indication information from at least one third AI function as the first AI function.
  • step S2106 can be omitted, and the third AI model or the third AI function can be used as the first AI model or the first AI function.
  • the third AI model can be used as the first AI model
  • the third AI function can be used as the first AI function.
  • the terminal device can select a model based on the third indication information and the fourth indication information, without the need to monitor each model, thereby reducing the computational complexity of the terminal device and eliminating the need to send monitoring data to the network device, thereby reducing the data transmission overhead and improving network performance.
  • step S2101 can be implemented as an independent embodiment
  • step S2102 can be implemented as an independent embodiment
  • step S2103 can be implemented as an independent embodiment
  • step S2104 can be implemented as an independent embodiment
  • step S2105 can be implemented as an independent embodiment
  • step S2101 + step S2102 can be implemented as an independent embodiment
  • step S2102 + step S2103 can be implemented as an independent embodiment
  • step S2103 + step S2104 can be implemented as an independent embodiment
  • step S2106 + step S2107 can be implemented as an independent embodiment
  • step S2104 + step S2105 + step S2106 + step S2107 can be implemented as independent embodiments, but the present invention is not limited thereto.
  • the above steps S2101 to S2107 can be executed in a swapped order or simultaneously.
  • the above steps S2101 to S2107 are all optional steps.
  • FIG2B is an interactive diagram illustrating a communication method according to an embodiment of the present disclosure.
  • the method may be executed by the above-mentioned communication system. As shown in FIG2B , the method may include:
  • Step S2201 The network device sends third information to the terminal device.
  • step S2201 can refer to the optional implementation of step S2101 in Figure 2A and other related parts in the embodiment involved in Figure 2A, which will not be repeated here.
  • step S3102 can refer to the optional implementation of step S2102 in Figure 2A and other related parts in the embodiment involved in Figure 2A, which will not be repeated here.
  • the terminal device can obtain the fourth indication information from the upper layer(s).
  • the terminal device may perform processing to obtain the fourth indication information.
  • step S3104 can refer to the optional implementation of step S2105 in FIG2A and other related parts in the embodiment involved in FIG2A , which will not be described in detail here.
  • the terminal device may obtain third indication information specified by the protocol.
  • the terminal device can obtain third indication information from upper layer(s).
  • the terminal device may perform processing to obtain the third indication information.
  • step S3106 can refer to the optional implementation of step S2107 in Figure 2A and other related parts in the embodiment involved in Figure 2A, which will not be repeated here.
  • Step S3201 Obtain third information.
  • step S3201 can be found in step S2101 of FIG. 2A , the optional implementation of step S3101 of FIG. 3A , and other related parts in the embodiments involved in FIG. 2A and FIG. 3A , which will not be repeated here.
  • Step S3202 Report the second information.
  • step S3202 can be found in step S2102 of FIG. 2A , the optional implementation of step S3102 of FIG. 3A , and other related parts in the embodiments involved in FIG. 2A and FIG. 3A , which will not be described in detail here.
  • Step S3203 Obtain fourth indication information.
  • step S3204 can be found in step S2105 of FIG. 2A , the optional implementation of step S3104 of FIG. 3A , and other related parts in the embodiments involved in FIG. 2A and FIG. 3A , which will not be described in detail here.
  • Step S3205 Determine multiple third AI models or third AI functions from the multiple AI models or AI functions according to the third indication information.
  • step S3205 can be found in step S2106 of FIG. 2A , the optional implementation of step S3105 of FIG. 3A , and other related parts in the embodiments involved in FIG. 2A and FIG. 3A , which will not be described in detail here.
  • Step S3207 Determine the first AI model or the first AI function from at least one fourth AI model or fourth AI function according to the fourth indication information.
  • the above steps S3201 to S3207 can be executed in a swapped order or simultaneously.
  • the above steps S3201 to S3207 are all optional steps.
  • FIG3C is a flow chart of a communication method according to an embodiment of the present disclosure. As shown in FIG3C , the embodiment of the present disclosure relates to a communication method, which can be executed by a terminal device. The method may include:
  • Step S3301 Obtain third information.
  • step S3301 can be found in step S2101 of FIG. 2A , the optional implementation of step S3101 of FIG. 3A , and other related parts in the embodiments involved in FIG. 2A and FIG. 3A , which will not be repeated here.
  • Step S3302 Report the second information.
  • step S3302 can be found in step S2102 of FIG. 2A , the optional implementation of step S3102 of FIG. 3A , and other related parts in the embodiments involved in FIG. 2A and FIG. 3A , which will not be repeated here.
  • Step S3303 Obtain fourth indication information.
  • step S3303 can be found in step S2104 of FIG. 2A , the optional implementation of step S3103 of FIG. 3A , and other related parts in the embodiments involved in FIG. 2A and FIG. 3A , which will not be described in detail here.
  • Step S3304 Obtain third indication information.
  • step S3304 can be found in step S2105 of FIG. 2A , the optional implementation of step S3104 of FIG. 3A , and other related parts in the embodiments involved in FIG. 2A and FIG. 3A , which will not be described in detail here.
  • Step S3305 Determine multiple third AI models or third AI functions from the multiple AI models or AI functions according to the third indication information.
  • step S3305 can be found in step S2106 of FIG. 2A , the optional implementation of step S3105 of FIG. 3A , and other related parts in the embodiments involved in FIG. 2A and FIG. 3A , which will not be described in detail here.
  • Step S3306 Determine a first AI model or a first AI function from at least one third AI model or a third AI function according to the sixth indication information.
  • step S3306 can refer to the optional implementation of step S2107 in Figure 2A, steps S2207 to S2208 in Figure 2B, and other related parts in the embodiments involved in Figures 2A and 2B, which will not be repeated here.
  • the sixth indication information may include at least one of the following: the second indication information and the fourth indication information.
  • the terminal device may determine the first AI model or the first AI function from at least one third AI model or third AI function based on the second indication information.
  • the terminal device may determine the first AI model or the first AI function from at least one third AI model or third AI function based on the fourth indication information.
  • the terminal device may determine the first AI model or the first AI function from at least one third AI model or third AI function based on the second indication information and the fourth indication information.
  • the terminal device may first determine at least one eighth AI model or eighth AI function from at least one third AI model or third AI function based on the second indication information, and then determine the first AI model or first AI function from at least one eighth AI model or eighth AI function based on the fourth indication information.
  • the eighth AI model or eighth AI function determined according to the second indication information includes one, then the eighth AI model or eighth AI function can be used as the first AI model or first AI function.
  • the terminal device may first determine at least one ninth AI model or ninth AI function from at least one third AI model or third AI function according to the fourth indication information, and then determine the first AI model or first AI function from at least one ninth AI model or ninth AI function according to the second indication information.
  • the ninth AI model or ninth AI function determined according to the fourth indication information includes one, then the ninth AI model or ninth AI function can be used as the first AI model or first AI function.
  • step S3301 can be implemented as an independent embodiment
  • step S3302 can be implemented as an independent embodiment
  • step S3303 can be implemented as an independent embodiment
  • step S3304 can be implemented as an independent embodiment
  • step S3302 + step S3303 can be implemented as an independent embodiment
  • step S3305 + step S3306 can be implemented as an independent embodiment
  • step S3303 + step S3304 + step S3305 + step S3306 can be implemented as independent embodiments, but the present invention is not limited thereto.
  • the above steps S3301 to S3306 can be executed in a swapped order or simultaneously.
  • the above steps S3301 to S3306 are all optional steps.
  • FIG3D is a flow chart of a communication method according to an embodiment of the present disclosure. As shown in FIG3D , the embodiment of the present disclosure relates to a communication method, which can be executed by a terminal device. The method may include:
  • Step S3401 Obtain fourth information.
  • step S3401 can refer to the optional implementation of step S2301 in Figure 2C and other related parts in the embodiment involved in Figure 2C, which will not be repeated here.
  • the terminal device may receive the fourth information sent by the network device, but is not limited thereto.
  • the terminal device may also receive the fourth information sent by other entities.
  • the terminal device may obtain fourth information specified by the protocol.
  • the terminal device can obtain the fourth information from the upper layer(s).
  • the terminal device may perform processing to obtain the fourth information.
  • step S3401 may be omitted, and the terminal device may autonomously implement the function indicated by the fourth information, or the above function may be default or by default.
  • Step S3402 Determine at least one second AI model or second AI function from multiple AI models or AI functions based on the first indication information.
  • step S3402 can refer to the optional implementation of step S2302 in Figure 2C and other related parts in the embodiment involved in Figure 2C, which will not be repeated here.
  • Step S3403 Determine a first AI model or a first AI function from at least one second AI model or a second AI function according to the fifth indication information.
  • step S3403 can refer to the optional implementation of step S2303 in Figure 2C and other related parts in the embodiment involved in Figure 2C, which will not be repeated here.
  • step S3401 can be implemented as an independent embodiment
  • step S3402 can be implemented as an independent embodiment
  • step S3403 can be implemented as an independent embodiment
  • step S3402 + step S3403 can be implemented as independent embodiments, but the present invention is not limited thereto.
  • the above steps S3401 to S3403 can be executed in a swapped order or simultaneously.
  • the above steps S3401 to S3403 are all optional steps.
  • FIG3E is a flow chart of a communication method according to an embodiment of the present disclosure. As shown in FIG3E , the embodiment of the present disclosure relates to a communication method, which can be executed by a terminal device. The method may include:
  • step S3501 can refer to the optional implementation of step S2301 in Figure 2C and other related parts in the embodiment involved in Figure 2C, which will not be repeated here.
  • Step S3502 Determine a first AI model or a first AI function from multiple AI models or AI functions based on the first information.
  • step S3502 For optional implementations of step S3502, reference may be made to steps S2106 to S2107 of FIG. 2A , steps S2206 to S2208 of FIG. 2B , steps S2302 to S2303 of FIG. 2C , steps S3105 to S3106 of FIG. 3A , steps S3205 to S3207 of FIG. 3B , steps S3305 to S3306 of FIG. 3C , and optional implementations of steps S3402 to S3403 of FIG. 3D , as well as other related parts in the embodiments involved in FIG. 2A , FIG. 2B , FIG. 2C , FIG. 3A , FIG. 3B , FIG. 3C , and FIG. 3D , which will not be repeated here.
  • the above steps S3501 to S3502 can be executed in an interchangeable order or simultaneously.
  • the above steps S3501 to S3502 are all optional steps.
  • FIG3F is a flow chart of a communication method according to an embodiment of the present disclosure. As shown in FIG3F , the embodiment of the present disclosure relates to a communication method, which can be executed by a terminal device. The method may include:
  • Step S3601 Determine a first AI model or a first AI function from multiple AI models or AI functions based on first information.
  • step S3601 For optional implementations of step S3601, reference may be made to steps S2106 to S2107 of FIG. 2A , steps S2206 to S2208 of FIG. 2B , steps S2302 to S2303 of FIG. 2C , steps S3105 to S3106 of FIG. 3A , steps S3205 to S3207 of FIG. 3B , steps S3305 to S3306 of FIG. 3C , and optional implementations of steps S3402 to S3403 of FIG. 3D , as well as other related parts in the embodiments involved in FIG. 2A , FIG. 2B , FIG. 2C , FIG. 3A , FIG. 3B , FIG. 3C , and FIG. 3D , which will not be repeated here.
  • the terminal device may determine a first AI model or a first AI function from a plurality of AI models or AI functions based on the second indication information.
  • the terminal device may determine a first AI model or a first AI function from a plurality of AI models or AI functions based on the third indication information.
  • the terminal device may determine a first AI model or a first AI function from a plurality of AI models or AI functions based on the fourth indication information.
  • the terminal device can determine the first AI model or the first AI function from multiple AI models or AI functions based on any one or more indication information in the first information, and the embodiments of the present disclosure are not limited to this.
  • the first information includes at least one of the following:
  • first indication information where the first indication information is used to indicate channel characteristics
  • Second indication information where the second indication information is used to indicate an additional condition corresponding to the terminal device
  • the fourth indication information is used to indicate the parameters configured by the network device for the terminal device.
  • determining the first AI model or the first AI function from the plurality of AI models or AI functions according to the first information includes:
  • the first AI model or the first AI function is determined from the at least one third AI model or third AI function according to sixth indication information, where the sixth indication information includes at least one of the following: the second indication information and the fourth indication information.
  • determining, according to the sixth indication information, the first AI model or the first AI function from the at least one third AI model or third AI function includes:
  • the third AI model or the third AI function includes a plurality of third AI models or third AI functions, and determining, according to the sixth indication information, the first AI model or the first AI function from the at least one third AI model or third AI function includes:
  • the receiving third information sent by the network device includes:
  • the third information is received by the network device through the first signaling, where the first signaling includes at least one of the following: a radio resource control RRC message, a media access control control element MAC-CE, and downlink control information DCI.
  • the first signaling includes at least one of the following: a radio resource control RRC message, a media access control control element MAC-CE, and downlink control information DCI.
  • the second information is reported to the network device through a second signaling, where the second signaling includes at least one of the following: RRC, MAC-CE, and uplink control information UCI.
  • the second information includes at least one of the following:
  • Seventh indication information where the seventh indication information is used to indicate a fifth AI model or a fifth AI function, where the fifth AI model or the fifth AI function includes an AI model or AI function that can be used by the terminal device.
  • the method further comprises:
  • each first indication information corresponds to at least one AI model or AI function.
  • FIG4A is a flow chart of a communication method according to an embodiment of the present disclosure. As shown in FIG4A , the embodiment of the present disclosure relates to a communication method, which can be performed by a network device. The method may include:
  • Step S4101 Send the third information.
  • step S4101 can refer to the optional implementation of step S2101 in Figure 2A and other related parts in the embodiment involved in Figure 2A, which will not be repeated here.
  • the network device may send the third information to the terminal device, but is not limited thereto.
  • the network device may also send the third information to other entities.
  • Step S4102 Obtain second information.
  • step S4102 can refer to the optional implementation of step S2102 in Figure 2A and other related parts in the embodiment involved in Figure 2A, which will not be repeated here.
  • Step S4103 Determine fourth indication information according to the second information.
  • step S4103 can refer to the optional implementation of step S2103 in Figure 2A and other related parts in the embodiment involved in Figure 2A, which will not be repeated here.
  • Step S4104 Send the fourth indication information.
  • step S4104 can refer to the optional implementation of step S2104 in Figure 2A and other related parts in the embodiment involved in Figure 2A, which will not be repeated here.
  • Step S4105 Send the third indication information.
  • step S4105 can refer to the optional implementation of step S2105 in Figure 2A and other related parts in the embodiment involved in Figure 2A, which will not be repeated here.
  • the network device may send the fourth indication information to the terminal device, but is not limited thereto.
  • the network device may also send the fourth indication information to other entities.
  • the above steps S4101 to S4105 are all optional steps.
  • the fourth information includes at least one of the following:
  • the fourth indication information is used to indicate the parameters configured by the network device for the terminal device.
  • sending the fourth information to the terminal device includes:
  • the method further comprises:
  • sending the third information to the terminal device includes:
  • the receiving the second information reported by the terminal device includes:
  • the second signaling includes at least one of the following: RRC, MAC-CE, and uplink control information UCI.
  • the second information includes at least one of the following:
  • first indication information where the first indication information is used to indicate channel characteristics
  • Second indication information where the second indication information is used to indicate an additional condition corresponding to the terminal device
  • Seventh indication information where the seventh indication information is used to indicate a fifth AI model or a fifth AI function, where the fifth AI model or the fifth AI function includes an AI model or AI function that can be used by the terminal device.
  • FIG5 is an interactive diagram of a communication method according to an embodiment of the present disclosure. As shown in FIG5 , the embodiment of the present disclosure relates to a communication method, which can be executed by a communication system. The method may include:
  • Step S5101 The network device sends fourth information.
  • step S5101 can be found in the optional implementation of step S2301 in Figure 2C, step S3401 in Figure 3D, step S4201 in Figure 4B, and other related parts in the embodiments involved in Figures 2C, 3D, and 4B, which will not be repeated here.
  • Step S5102 The terminal device determines a first AI model or a first AI function from multiple AI models or AI functions based on the first information.
  • step S5102 For optional implementations of step S5102, reference may be made to steps S2106 to S2107 of FIG. 2A , steps S2206 to S2208 of FIG. 2B , steps S2302 to S2303 of FIG. 2C , steps S3105 to S3106 of FIG. 3A , steps S3205 to S3207 of FIG. 3B , steps S3305 to S3306 of FIG. 3C , and optional implementations of steps S3402 to S3403 of FIG. 3D , as well as other related parts in the embodiments involved in FIG. 2A , FIG. 2B , FIG. 2C , FIG. 3A , FIG. 3B , FIG. 3C , and FIG. 3D , which will not be repeated here.
  • the NW can send signaling to query the UE's ability to support the AI function for AI CSI prediction.
  • the UE reports the AI function supported by the UE to the NW based on the received signaling, thus completing function identification.
  • model identification has been completed between the UE and the NW through a model identification method. Due to changes in the UE's own hardware conditions or channel environment, the UE can select an appropriate AI model based on relevant parameter information associated with the trained AI model or additional condition information on the UE/NW side to reduce the number of candidate AI models, thereby reducing the computational complexity of the UE's model selection or reducing the overhead of the UE's feedback monitoring data.
  • the first parameter information in Example 2 and Example 1 may correspond to a value or a value range.
  • Example 4 The UE proactively reports one or more of the following information to the NW through signaling such as RRC/MAC-CE/UCI, or the NW triggers or instructs the UE to report one or more of the following information through signaling such as RRC/MAC-CE/DCI:
  • the NW may also send second parameter information to the UE, that is, additional condition information indicating the NW side.
  • Example 6 The UE may select a corresponding AI function or model for inference based on the received configuration information related to the selected AI model or the received second parameter information.
  • the UE can complete the collection of data for training the CSI prediction AI model based on the received CSI-RS resources. Due to UE mobility, different movement speeds will result in different time-varying channel characteristics, that is, different TDCPs. Accordingly, the values of the parameters N, M, K, and D may also vary, which will cause the UE to train different models based on these parameter configurations and collected data. Therefore, the trained AI model can be associated with at least one value corresponding to the TDCP.
  • TDCP measurements are obtained by the UE based on the Tracking Reference Signals (TRS) resources configured by the gNB. Based on the received TRS, the UE can calculate the correlation of the time domain channel at different time intervals.
  • the correlation of the time domain channel includes the amplitude value and phase, where the amplitude value is the normalized result and the value range is between 0 and 1.
  • the trained AI model has a certain degree of generalization, and it is not necessary to have each TDCP amplitude value correspond to an AI model, that is, a certain TDCP amplitude range corresponds to an AI model. For example, the UE trained four models A, B, C, and D, and the correspondence between each model and the TDCP amplitude value range is shown in Table 3.
  • the UE or gNB can select the corresponding AI model based on one or more of the configuration parameter information N, M, K, and D.
  • the collected dataset can be a dataset for a specific channel scenario, including UMa, Urban Microcell (UMi), indoor, and rural scenarios.
  • the channel scenario is conditional information on the gNB side, and different channel scenarios can correspond to different AI models.
  • Table 1 shows the different AI models corresponding to different channel scenarios.
  • Each channel scenario includes three AI models. If the UE does not know the current channel scenario, it will need to select from nine models, significantly increasing the UE's computational complexity.
  • the channel scenario is a condition on the gNB side, and the gNB can send this condition information to the UE via RRC signaling.
  • the RRC signaling can indicate that the current channel scenario is the UMa scenario. In this way, the UE can select one of A0, B0, and C0 corresponding to the UMa scenario, significantly reducing the UE's computational complexity.
  • the UE can proactively report available AI models to the gNB.
  • the gNB can send signaling to query the UE for supported AI models, prompting the UE to report available AI models. Changes in the UE's processing capabilities or hardware capabilities constitute additional conditional information on the UE side. Only after receiving the additional conditional information or available AI models reported by the UE will the gNB configure the corresponding N, M, K, or D parameters based on the received information or the UE's reported AI model.
  • the UE can select an AI model from a limited set of one or more AI models based on the reconfigured parameters from the gNB and the UE's additional conditional information. This avoids the UE having to select candidate models from a larger number of AI models, thereby reducing the complexity of the UE's model selection process.
  • a communication system which may include a terminal device and a network device, wherein the terminal device can execute the communication method executed by the terminal device in the aforementioned embodiment of the present disclosure; the network device can execute the communication method executed by the network device in the aforementioned embodiment of the present disclosure.
  • the embodiments of the present disclosure further provide an apparatus for implementing any of the above methods.
  • an apparatus comprising units or modules for implementing each step performed by a terminal in any of the above methods.
  • another apparatus comprising units or modules for implementing each step performed by a network device (e.g., an access network device, a core network function node, a core network device, etc.) in any of the above methods.
  • a network device e.g., an access network device, a core network function node, a core network device, etc.
  • the units or modules in the device can be implemented in the form of hardware circuits, and the functions of some or all of the units or modules can be realized by designing the hardware circuits.
  • the above-mentioned hardware circuits can be understood as one or more processors.
  • the above-mentioned hardware circuit is an application-specific integrated circuit (ASIC), and the functions of some or all of the above units or modules are realized by designing the logical relationship of the components in the circuit.
  • ASIC application-specific integrated circuit
  • the above-mentioned hardware circuit can be implemented by a programmable logic device (PLD).
  • PLD programmable logic device
  • FPGA field programmable gate array
  • it can include a large number of logic gate circuits, and the connection relationship between the logic gate circuits is configured by a configuration file, thereby realizing the functions of some or all of the above units or modules.
  • All units or modules of the above devices can be implemented in the form of software called by the processor, or in the form of hardware circuits, or in part by software called by the processor, and the rest by hardware circuits.
  • the processor is a circuit with signal processing capabilities.
  • the processor can be a circuit with instruction reading and execution capabilities, such as a central processing unit (CPU), a microprocessor, a graphics processing unit (GPU) (which can be understood as a microprocessor), or a digital signal processor (DSP).
  • the processor can implement certain functions through the logical relationship of hardware circuits, and the logical relationship of the above hardware circuits is fixed.
  • reconfigurable for example, a processor is a hardware circuit implemented as an application-specific integrated circuit (ASIC) or a programmable logic device (PLD), such as an FPGA.
  • ASIC application-specific integrated circuit
  • PLD programmable logic device
  • the process of the processor loading a configuration document to implement the hardware circuit configuration can be understood as the process of the processor loading instructions to implement the functions of some or all of the above units or modules.
  • it can also be a hardware circuit designed for artificial intelligence, which can be understood as an ASIC, such as a neural network processing unit (NPU), a tensor processing unit (TPU), a deep learning processing unit (DPU), etc.
  • NPU neural network processing unit
  • TPU tensor processing unit
  • DPU deep learning processing unit
  • Figure 6A is a structural diagram of a terminal device proposed in an embodiment of the present disclosure.
  • the terminal device 101 may include at least one of a processing module 6101, a transceiver module 6102, etc.
  • the processing module 6101 is configured to determine a first AI model or a first AI function from a plurality of AI models or AI functions based on first information, wherein the first information includes information associated with parameters for training the first AI model or the first AI function.
  • the transceiver module 6102 can be used to execute at least one of the communication steps such as sending and/or receiving (for example, step S2101, but not limited thereto) performed by the terminal device 101 in any of the above methods, which will not be repeated here.
  • the processing module 6101 is used to execute at least one of the other steps (for example, step S2105, but not limited thereto) performed by the terminal device 101 in any of the above methods, which will not be repeated here.
  • the transceiver module may include a transmitting module and/or a receiving module, and the transmitting module and the receiving module may be separate or integrated.
  • the transceiver module may be interchangeable with the transceiver.
  • the processing module can be a single module or can include multiple submodules.
  • the multiple submodules respectively execute all or part of the steps required to be executed by the processing module.
  • the processing module can be interchangeable with the processor.
  • Figure 6B is a structural diagram of a network device proposed in an embodiment of the present disclosure.
  • the network device 102 may include: at least one of a transceiver module 6201, a processing module 6202, etc.
  • the transceiver module 6201 is configured to send fourth information to the terminal device, and the fourth information is used by the terminal device to determine the first AI model or the first AI function from a plurality of AI models or AI functions.
  • the fourth information includes information associated with the network device in the first information, and the first information includes information associated with the parameters for training the first AI model or the first AI function.
  • the transceiver module 6201 can be used to perform at least one of the communication steps such as sending and/or receiving (for example, step S2101, but not limited to this) performed by the network device 102 in any of the above methods, which will not be repeated here.
  • the transceiver module may include a transmitting module and/or a receiving module, and the transmitting module and the receiving module may be separate or integrated.
  • the transceiver module may be interchangeable with the transceiver.
  • FIG. 7A is a schematic diagram of the structure of a communication device 7100 proposed in an embodiment of the present disclosure.
  • Communication device 7100 can be a network device (e.g., an access network device, a core network device, etc.), a terminal (e.g., a user device, etc.), a chip, a chip system, or a processor that supports a first device to implement any of the above methods, or a chip, a chip system, or a processor that supports a terminal to implement any of the above methods.
  • Communication device 7100 can be used to implement the methods described in the above method embodiments. For details, please refer to the description of the above method embodiments.
  • the communication device 7100 includes one or more processors 7101.
  • the processor 7101 may be a general-purpose processor or a dedicated processor, for example, a baseband processor or a central processing unit.
  • the baseband processor may be used to process communication protocols and communication data
  • the central processing unit may be used to control a communication device (e.g., a base station, a baseband chip, an IoT device, an IoT device chip, a DU or CU, etc.), execute programs, and process program data.
  • the communication device 7100 is used to perform any of the above methods.
  • the communication device 7100 further includes one or more memories 7102 for storing instructions.
  • the memories 7102 may be located outside the communication device 7100.
  • the communication device 7100 may include one or more interface circuits.
  • the interface circuits are connected to the memory 7102 and may be used to receive signals from the memory 7102 or other devices, or to send signals to the memory 7102 or other devices.
  • the interface circuits may read instructions stored in the memory 7102 and send the instructions to the processor 7101.
  • the communication device 7100 described in the above embodiments may be a first device or an IoT device, but the scope of the communication device 7100 described in the present disclosure is not limited thereto, and the structure of the communication device 7100 may not be limited by FIG. 7A .
  • the communication device may be an independent device or may be part of a larger device.
  • the chip 7200 includes one or more processors 7201 , and the chip 7200 is configured to execute any of the above methods.

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开涉及一种通信方法、设备和存储介质。该方法包括：根据第一信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能，所述第一信息包括与训练所述第一AI模型或所述第一AI功能的参数关联的信息。也就是说，终端设备可以根据第一信息进行模型选择，无需对每个模型进行模型监测，降低了终端设备的计算复杂度，也无需将监测数据发送给网络设备，降低了数据传输的开销，从而可以提高网络性能。

Description

通信方法、设备和存储介质 技术领域
本公开涉及通信技术领域，尤其涉及一种通信方法、设备和存储介质。
背景技术
机器学习算法是目前人工智能(Artificial Intelligence，AI)技术最重要的实现方法之一。通过机器学习对大量的训练数据进行学习，可以获得AI模型，通过AI模型可以对事件进行预测。在一个场景下可以训练多个不同参数配置的AI模型，终端设备需要从多个AI模型选择性能最好的AI模型进行预测。
发明内容
本公开实施例提出了一种通信方法、设备和存储介质。
根据本公开实施例的第一方面，提出了一种通信方法，由终端设备执行，所述方法包括：
根据第一信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能，所述第一信息包括与训练所述第一AI模型或所述第一AI功能的参数关联的信息。
根据本公开实施例的第二方面，提出了一种通信方法，由网络设备执行，所述方法包括：
向终端设备发送第四信息，所述第四信息用于所述终端设备从多个AI模型或AI功能中确定第一AI模型或第一AI功能，所述第四信息包括第一信息中与所述网络设备关联的信息，所述第一信息包括与训练所述第一AI模型或所述第一AI功能的参数关联的信息。
根据本公开实施例的第三方面，提出了一种终端设备，包括：
处理模块，被配置为根据第一信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能，所述第一信息包括与训练所述第一AI模型或所述第一AI功能的参数关联的信息。
根据本公开实施例的第四方面，提出了一种网络设备，包括：
收发模块，被配置为向终端设备发送第四信息，所述第四信息用于所述终端设备从多个AI模型或AI功能中确定第一AI模型或第一AI功能，所述第四信息包括第一信息中与所述网络设备关联的信息，所述第一信息包括与训练所述第一AI模型或所述第一AI功能的参数关联的信息。
根据本公开实施例的第五方面，提出了一种通信设备，包括：一个或多个处理器；其中，所述通信设备用于执行第一方面或第二方面的可选实现方式。
根据本公开实施例的第六方面，提出了一种通信系统，该通信系统可以包括：终端设备和网络设备；其中，该终端设备被配置为执行如第一方面的可选实现方式所描述的方法，该网络设备被配置为执行如第二方面的可选实现方式所描述的方法。
根据本公开实施例的第七方面，提出了一种存储介质，该存储介质存储有指令，当该指令在通信设备上运行时，使得该通信设备执行如第一方面或第二方面的可选实现方式所描述的方法。
本公开实施例提供的技术方案可以包括以下有益效果：根据第一信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能，所述第一信息包括与训练所述第一AI模型或所述第一AI功能的参数关联的信息。也就是说，终端设备可以根据第一信息进行模型选择，无需对每个模型进行模型监测，降低了终端设备的计算复杂度，也无需将监测数据发送给网络设备，降低了数据传输的开销，从而可以提高网络性能。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
为了更清楚地说明本公开实施例中的技术方案，以下对实施例描述所需的附图进行介绍，以下附图仅仅是本公开的一些实施例，不对本公开的保护范围造成具体限制。
图1A是根据本公开实施例示出的一种通信系统的架构示意图。
图1B是根据本公开实施例示出的一种观测窗和预测窗的示意图。
图2A是根据本公开实施例示出的一种通信方法的交互示意图。
图2B是根据本公开实施例示出的一种通信方法的交互示意图。
图2C是根据本公开实施例示出的一种通信方法的交互示意图。
图3A是根据本公开实施例示出的一种通信方法的流程示意图。
图3B是根据本公开实施例示出的一种通信方法的流程示意图。
图3C是根据本公开实施例示出的一种通信方法的流程示意图。
图3D是根据本公开实施例示出的一种通信方法的流程示意图。
图3E是根据本公开实施例示出的一种通信方法的流程示意图。
图3F是根据本公开实施例示出的一种通信方法的流程示意图。
图4A是根据本公开实施例示出的一种通信方法的流程示意图。
图4B是根据本公开实施例示出的一种通信方法的流程示意图。
图5是根据本公开实施例示出的一种通信方法的交互示意图。
图6A是本公开实施例提出的一种终端设备的结构示意图。
图6B是本公开实施例提出的一种网络设备的结构示意图。
图7A是本公开实施例提出的通信设备的结构示意图。
图7B是本公开实施例提出的芯片的结构示意图。
具体实施方式
本公开实施例提出了一种通信方法、设备和存储介质。
第一方面，本公开实施例提出了一种通信方法，由终端设备执行，所述方法包括：
根据第一信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能，所述第一信息包括与训练所述第一AI模型或所述第一AI功能的参数关联的信息。
在上述实施例中，终端设备可以根据第一信息进行模型选择，无需对每个模型进行模型监测，降低了终端设备的计算复杂度，也无需将监测数据发送给网络设备，降低了数据传输的开销，从而可以提高网络性能。
结合第一方面的一些实施例，在一些实施例中，所述第一信息包括以下至少一项：
第一指示信息，所述第一指示信息用于指示信道特性；
第二指示信息，所述第二指示信息用于指示所述终端设备对应的额外条件；
第三指示信息，所述第三指示信息用于指示网络设备对应的额外条件；
第四指示信息，所述四指示信息用于指示所述网络设备为所述终端设备配置的参数。
在上述实施例中，终端设备可以根据多种指示信息进行模型选择，提高了模型选择的灵活性。
结合第一方面的一些实施例，在一些实施例中，所述根据第一信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能包括：
根据所述第一指示信息，从所述多个AI模型或AI功能中确定至少一个第二AI模型或第二AI功能；
根据第五指示信息，从所述至少一个第二AI模型或第二AI功能中确定所述第一AI模型或所述第一AI功能，所述第五指示信息包括以下至少一项：所述第二指示信息、所述第三指示信息、所述第四指示信息。
在上述实施例中，终端设备可以根据第一指示信息和第五指示信息进行模型选择，提高了模型选择的准确率。
结合第一方面的一些实施例，在一些实施例中，所述根据第一信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能包括：
根据所述第三指示信息，从所述多个AI模型或AI功能中确定至少一个第三AI模型或第三AI功能；
根据第六指示信息，从所述至少一个第三AI模型或第三AI功能中确定所述第一AI模型或所述第一AI功能，所述第六指示信息包括以下至少一项：所述第二指示信息、所述第四指示信息。
在上述实施例中，终端设备可以根据第三指示信息和第六指示信息进行模型选择，提高了模型选择的准确率。
结合第一方面的一些实施例，在一些实施例中，所述第三AI模型或所述第三AI功能包括多个，所述根据第六指示信息，从所述至少一个第三AI模型或第三AI功能中确定所述第一AI模型或所述第一AI功能包括：
根据所述第二指示信息，从多个第三AI模型或第三AI功能中确定至少一个第四AI模型或第四AI功能；
根据所述第四指示信息，从所述至少一个第四AI模型或第四AI功能中确定所述第一AI模型或所述第一AI功能。
在上述实施例中，终端设备可以根据第三指示信息、第二指示信息以及第四指示信息进行模型选择，进一步提高了模型选择的准确率。
结合第一方面的一些实施例，在一些实施例中，所述方法还包括：
接收所述网络设备发送的第四信息，所述第四信息用于所述终端设备从多个AI模型或AI功能中确定第一AI模型或第一AI功能，所述第四信息包括第一信息中与所述网络设备关联的信息。
在上述实施例中，网络设备可以向终端设备发送第四信息，以便终端设备根据第四信息选择模型。
结合第一方面的一些实施例，在一些实施例中，所述接收所述网络设备发送的第四信息包括：
向所述网络设备上报第二信息，所述第二信息用于所述网络设备确定所述第四指示信息；
接收所述网络设备发送的所述第四指示信息。
在上述实施例中，终端设备可以向网络设备发送第二信息，以请求网络设备发送第四指示信息。
结合第一方面的一些实施例，在一些实施例中，接收所述网络设备发送的第三信息，所述第三信息用于指示所述终端设备上报所述第二信息。
在上述实施例中，终端设备可以在接收到网络发送的第三信息后，向网络设备发送第二信息，使得信息传输的方式更加灵活。
结合第一方面的一些实施例，在一些实施例中，所述接收所述网络设备发送的第三信息包括：
接收所述网络设备通过第一信令发送的所述第三信息，所述第一信令包括以下至少一项：无线资源控制RRC消息、媒体接入控制控制单元MAC-CE、下行控制信息DCI。
在上述实施例中，终端设备可以接收网络设备通过第一信令中的任一信令发送第三信息，使得第三信息的传输方式更加灵活。
结合第一方面的一些实施例，在一些实施例中，所述向所述网络设备上报第二信息包括：
通过第二信令向所述网络设备上报所述第二信息，所述第二信令包括以下至少一项：RRC、MAC-CE、上行控制信息UCI。
在上述实施例中，终端设备可以通过第二信令中的任一信令上报第二信息，使得第二信息的传输方式更加灵活。
结合第一方面的一些实施例，在一些实施例中，所述第二信息包括以下至少一项：
所述第一指示信息；
所述第二指示信息；
第七指示信息，所述第七指示信息用于指示第五AI模型或第五AI功能，所述第五AI模型或所述第五AI功能包括所述终端设备能够使用的AI模型或AI功能。
在上述实施例中，终端设备可以向网络设备上报不同的指示信息，以便网络设备确定第四指示信息，使得第四指示信息的确定方式更加灵活、准确。
结合第一方面的一些实施例，在一些实施例中，所述接收所述网络设备发送的第四信息包括：
接收所述网络设备发送的所述第三指示信息。
在上述实施例中，终端设备可以接收网络设备发送的第三指示信息，以便根据该第三指示信息进行模型选择。
结合第一方面的一些实施例，在一些实施例中，每个所述第一指示信息对应至少一个AI模型或AI功能。
在上述实施例中，不同的信道特性可以对应至少一个AI模型或AI功能，从而可以选择最合适的AI模型或AI功能，提高了模型预测的准确率。
第二方面，本公开实施例提出了一种通信方法，由网络设备执行，所述方法包括：
向终端设备发送第四信息，所述第四信息用于所述终端设备从多个AI模型或AI功能中确定第一AI模型或第一AI功能，所述第四信息包括第一信息中与所述网络设备关联的信息，所述第一信息包括与训练所述第一AI模型或所述第一AI功能的参数关联的信息。
结合第二方面的一些实施例，在一些实施例中，所述向终端设备发送第四信息包括：
接收所述终端设备上报的第二信息；
根据所述第二信息确定第四指示信息，所述四指示信息用于指示所述网络设备为所述终端设备配置的参数；
向所述终端设备发送所述第四指示信息。
结合第二方面的一些实施例，在一些实施例中，所述方法还包括：
向所述终端设备发送第三信息，所述第三信息用于指示所述终端设备上报所述第二信息。
结合第二方面的一些实施例，在一些实施例中，所述向所述终端设备发送第三信息包括：
通过第一信令向所述终端设备发送所述第三信息，所述第一信令包括以下至少一项：无线资源控制RRC消息、媒体接入控制控制单元MAC-CE、下行控制信息DCI。
结合第二方面的一些实施例，在一些实施例中，所述接收所述终端设备上报的第二信息包括：
接收所述终端设备通过第二信令上报的所述第二信息，所述第二信令包括以下至少一项：RRC、 MAC-CE、上行控制信息UCI。
结合第二方面的一些实施例，在一些实施例中，所述第二信息包括以下至少一项：
第一指示信息，所述第一指示信息用于指示信道特性；
第二指示信息，所述第二指示信息用于指示所述终端设备对应的额外条件；
第七指示信息，所述第七指示信息用于指示第五AI模型或第五AI功能，所述第五AI模型或所述第五AI功能包括所述终端设备能够使用的AI模型或AI功能。
结合第二方面的一些实施例，在一些实施例中，所述向终端设备发送第四信息包括：
向所述终端设备发送第三指示信息，所述第三指示信息用于指示所述网络设备对应的额外条件。
第三方面，本公开实施例提出了一种通信方法，所述方法包括：
网络设备向终端设备发送第四信息，所述第四信息包括第一信息中与所述网络设备关联的信息，所述第一信息包括与训练所述第一AI模型或所述第一AI功能的参数关联的信息；
终端设备根据第一信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能。
第四方面，本公开实施例提出了一种终端设备，该终端设备可以包括收发模块、处理模块中的至少一者；其中，该终端设备可以用于执行第一方面的可选实现方式。
第五方面，本公开实施例提出了一种网络设备，该网络设备可以包括收发模块、处理模块中的至少一者；其中，该网络设备可以用于执行第二方面的可选实现方式。
第六方面，本公开实施例提出了一种终端设备，该终端设备可以包括：一个或多个处理器；其中，该终端设备可以用于执行第一方面的可选实现方式。
第七方面，本公开实施例提出了一种网络设备，该网络设备可以包括：一个或多个处理器；其中，该网络设备可以用于执行第二方面的可选实现方式。
第八方面，本公开实施例提出了一种通信设备，该通信设备可以包括：一个或多个处理器；其中，该通信设备可以用于执行第一方面或第二方面的可选实现方式。
第九方面，本公开实施例提出了一种通信系统，该通信系统可以包括：终端设备和网络设备；其中，该终端设备被配置为执行如第一方面的可选实现方式所描述的方法，该网络设备被配置为执行如第二方面的可选实现方式所描述的方法。
第十方面，本公开实施例提出了一种存储介质，该存储介质存储有指令，当该指令在通信设备上运行时，使得该通信设备执行如第一方面或第二方面的可选实现方式所描述的方法。
第十一方面，本公开实施例提出了一种程序产品，该程序产品被通信设备执行时，使得该通信设备执行如第一方面或第二方面的可选实现方式所描述的方法。
第十二方面，本公开实施例提出了计算机程序，当其在计算机上运行时，使得计算机执行如第一方面或第二方面的可选实现方式所描述的方法。
第十三方面，本公开实施例提供了一种芯片或芯片系统。该芯片或芯片系统包括处理电路，被配置为执行如第一方面或第二方面的可选实现方式所描述的方法。
可以理解地，上述终端设备、网络设备、通信设备、通信系统、存储介质、程序产品、计算机程序、芯片或芯片系统均可以用于执行本公开实施例所提出的方法。因此，其所能达到的有益效果可以参考对应方法中的有益效果，此处不再赘述。
本公开实施例提出了一种通信方法、设备和存储介质。在一些实施例中，通信方法与信息处理方法等术语可以相互替换；通信装置与信息处理装置、通信设备等术语可以相互替换；通信系统、信息处理系统等术语可以相互替换。
本公开实施例并非穷举，仅为部分实施例的示意，不作为对本公开保护范围的具体限制。在不矛盾的情况下，某一实施例中的每个步骤均可以作为独立实施例来实施，且各步骤之间可以任意组合，例如，在某一实施例中去除部分步骤后的方案也可以作为独立实施例来实施，且在某一实施例中各步骤的顺序可以任意交换，另外，某一实施例中的可选实现方式可以任意组合；此外，各实施例之间可以任意组合，例如，不同实施例的部分或全部步骤可以任意组合，某一实施例可以与其他实施例的可选实现方式任意组合。
在各本公开实施例中，如果没有特殊说明以及逻辑冲突，各实施例之间的术语和/或描述具有一致性，且可以互相引用，不同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。
本公开实施例中所使用的术语只是为了描述特定实施例的目的，而并非作为对本公开的限制。
在本公开实施例中，除非另有说明，以单数形式表示的元素，如“一个”、“一种”、“该”、“上述”、“所述”、“前述”、“这一”等，可以表示“一个且只有一个”，也可以表示“一个或多个”、“至少一个”等。例如，在翻译中使用如英语中的“a”、“an”、“the”等冠词(article)的情况下，冠词之后的名词可以理解为单数表达形式，也可以理解为复数表达形式。
在一些实施例中，“多个”可以指两个或两个以上。
在一些实施例中，“至少一者(至少一项、至少一个)(at least one of)”、“一个或多个(一项或多项)(one or more)”、“多个(a plurality of)”、“多个(multiple)等术语可以相互替换。
在一些实施例中，“A、B中的至少一者”、“A和/或B”、“在一情况下A，在另一情况下B”、“响应于一情况A，响应于另一情况B”等记载方式，根据情况可以包括以下技术方案：在一些实施例中A(与B无关地执行A)；在一些实施例中B(与A无关地执行B)；在一些实施例中从A和B中选择执行(A和B被选择性执行)；在一些实施例中A和B(A和B都被执行)。当有A、B、C等更多分支时也类似上述。
在一些实施例中，“A或B”等记载方式，根据情况可以包括以下技术方案：在一些实施例中A(与B无关地执行A)；在一些实施例中B(与A无关地执行B)；在一些实施例中从A和B中选择执行(A和B被选择性执行)。当有A、B、C等更多分支时也类似上述。
本公开实施例中的“第一”、“第二”等前缀词，仅仅为了区分不同的描述对象，不对描述对象的位置、顺序、优先级、数量或内容等构成限制，对描述对象的陈述参见权利要求或实施例中上下文的描述，不应因为使用前缀词而构成多余的限制。例如，描述对象为“字段”，则“第一字段”和“第二字段”中“字段”之前的序数词并不限制“字段”之间的位置或顺序，“第一”和“第二”并不限制其修饰的“字段”是否在同一个消息中，也不限制“第一字段”和“第二字段”的先后顺序。再如，描述对象为“等级”，则“第一等级”和“第二等级”中“等级”之前的序数词并不限制“等级”之间的优先级。再如，描述对象的数量并不受序数词的限制，可以是一个或者多个，以“第一装置”为例，其中“装置”的数量可以是一个或者多个。此外，不同前缀词修饰的对象可以相同或不同，例如，描述对象为“装置”，则“第一装置”和“第二装置”可以是相同的装置或者不同的装置，其类型可以相同或不同；再如，描述对象为“信息”，则“第一信息”和“第二信息”可以是相同的信息或者不同的信息，其内容可以相同或不同。
在一些实施例中，“包括A”、“包含A”、“用于指示A”、“携带A”，可以解释为直接携带A，也可以解释为间接指示A。
在一些实施例中，“响应于……”、“响应于确定……”、“在……的情况下”、“在……时”、“当……时”、“若……”、“如果……”等术语可以相互替换。
在一些实施例中，“大于”、“大于或等于”、“不小于”、“多于”、“多于或等于”、“不少于”、“高于”、“高于或等于”、“不低于”、“以上”等术语可以相互替换，“小于”、“小于或等于”、“不大于”、“少于”、“少于或等于”、“不多于”、“低于”、“低于或等于”、“不高于”、“以下”等术语可以相互替换。
在一些实施例中，装置等可以解释为实体的、也可以解释为虚拟的，其名称不限定于实施例中所记载的名称。“装置”、“设备(equipment)”、“设备(device)”、“电路”、“网元”、“节点”、“功能”、“单元”、“部件(section)”、“系统”、“网络”、“芯片”、“芯片系统”、“实体”、“主体”等术语可以相互替换。
在一些实施例中，“网络”可以解释为网络中包含的装置(例如，接入网设备、核心网设备等)。
在一些实施例中，“接入网设备(Access Network Device，AN Device)”也、“无线接入网设备(Radio Access Network Device，RAN Device)”、“基站(Base Station，BS)”、“无线基站(Radio Base Station)”、“固定台(Fixed Station)”、“节点(Node)”、“接入点(Access Point)”、“发送点(Transmission Point，TP)”、“接收点(Reception Point，RP)”、“发送和/或接收点(Transmission/Reception Point，TRP)”、“面板(Panel)”、“天线面板(Antenna Panel)”、“天线阵列(Antenna Array)”、“小区(Cell)”、“宏小区(Macro Cell)”、“小型小区(Small Cell)”、“毫微微小区(Femto Cell)”、“微微小区(Pico Cell)”、“扇区(Sector)”、“小区组(Cell Group)”、“服务小区”、“载波(Carrier)”、“分量载波(Component Carrier)”、“带宽部分(Bandwidth Part，BWP)”等术语可以相互替换。
在一些实施例中，“终端(Terminal)”、“终端设备(Terminal Device)”、“用户设备(User Equipment，UE)”、“用户终端(User Terminal)”、“移动台(Mobile Station，MS)”、“移动终端(Mobile Terminal，MT)”、订户站(Subscriber Station)、移动单元(Mobile Unit)、订户单元(Subscriber Unit)、无线单元(Wireless Unit)、远程单元(Remote Unit)、移动设备(Mobile Device)、无线设备(Wireless Device)、无线通信设备(Wireless Communication Device)、远程设备(Remote Device)、移动订户站(Mobile Subscriber Station)、接入终端(Access Terminal)、移动终端(Mobile Terminal)、无线终端(Wireless Terminal)、远程终端(Remote Terminal)、手持设备(Handset)、用户代理(User Agent)、移动客户端(Mobile Client)、客户端(Client)等术语可以相互替换。
在一些实施例中，接入网设备、核心网设备、或网络设备可以被替换为终端。例如，针对将接入网设备、核心网设备、或网络设备以及终端间的通信置换为多个终端间的通信(例如，设备对设备(device-to-device，D2D)、车联网(vehicle-to-everything，V2X)等)的结构，也可以应用本公开的各实施例。在该情况下，也可以设为终端具有接入网设备所具有的全部或部分功能的结构。此外，“上行”、“下行”等术语也可以被替换为与终端间通信对应的术语(例如，“侧行(side)”)。例如，上行信道、下行信道等可以被替换为侧行信道或直连信道，上行链路、下行链路等可以被替换为侧行链路或直连链路。
在一些实施例中，终端可以被替换为接入网设备、核心网设备、或网络设备。在该情况下，也可以设为接入网设备、核心网设备、或网络设备具有终端所具有的全部或部分功能的结构。
在一些实施例中，获取数据、信息等可以遵照所在地国家的法律法规。
在一些实施例中，可以在得到用户同意后获取数据、信息等。
此外，本公开实施例的表格中的每一元素、每一行、或每一列均可以作为独立实施例来实施，任意元素、任意行、任意列的组合也可以作为独立实施例来实施。
图1A是根据本公开实施例示出的一种通信系统的架构示意图。如图1A所示，该通信系统100可以包括终端设备(Terminal Device)101、网络设备102。
在一些实施例中，终端设备101可以包括手机(mobile phone)、可穿戴设备、物联网设备、具备通信功能的汽车、智能汽车、平板电脑(Pad)、带无线收发功能的电脑、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(Industrial Control)中的无线终端设备、无人驾驶(Self-Driving)中的无线终端设备、远程手术(Remote Medical Surgery)中的无线终端设备、智能电网(Smart Grid)中的无线终端设备、运输安全(Transportation Safety)中的无线终端设备、智慧城市(Smart City)中的无线终端设备、智慧家庭(Smart Home)中的无线终端设备中的至少一者，但不限于此。
在一些实施例中，网络设备102可以包括接入网设备、核心网设备中的至少一者。
在一些实施例中，接入网设备可以是将终端设备接入到无线网络的节点或设备，接入网设备可以包括5G通信系统中的演进节点B(evolved NodeB，eNB)、下一代演进节点B(next generation eNB，ng-eNB)、下一代节点B(next generation NodeB，gNB)、节点B(node B，NB)、家庭节点B(home node B，HNB)、家庭演进节点B(home evolved nodeB，HeNB)、无线回传设备、无线网络控制器(Radio Network Controller，RNC)、基站控制器(Base Station Controller，BSC)、基站收发台(Base Transceiver Station，BTS)、基带单元(Base Band Unit，BBU)、移动交换中心、6G通信系统中的基站、开放型基站(Open RAN)、云基站(Cloud RAN)、其他通信系统中的基站、Wi-Fi系统中的接入节点中的至少一者，但不限于此。
在一些实施例中，本公开的技术方案可适用于Open RAN架构，此时，本公开实施例所涉及的接入网设备间或者接入网设备内的接口可变为Open RAN的内部接口，这些内部接口之间的流程和信息交互可以通过软件或者程序实现。
在一些实施例中，接入网设备可以由集中单元(Central Unit，CU)与分布式单元(Distributed Unit，DU)组成的，其中，CU也可以称为控制单元(Control Unit)，采用CU-DU的结构可以将接入网设备的协议层拆分开，部分协议层的功能放在CU集中控制，剩下部分或全部协议层的功能分布在DU中，由CU集中控制DU，但不限于此。
在一些实施例中，核心网设备可以是一个设备，也可以是多个设备或设备群。核心网可以包括演进分组核心(Evolved Packet Core，EPC)、5G核心网络(5G Core Network，5GCN)、下一代核心(Next Generation Core，NGC)中的至少一者。
可以理解的是，本公开实施例描述的通信系统是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提出的技术方案的限定，本领域普通技术人员可知，随着系统架构的演变和新业务场景的出现，本公开实施例提出的技术方案对于类似的技术问题同样适用。
下述本公开实施例可以应用于图1A所示的通信系统100、或部分主体，但不限于此。图1A所示的各主体是示例，通信系统可以包括图1A中的全部或部分主体，也可以包括图1A以外的其他主体，各主体数量和形态为任意，各主体可以是实体的也可以是虚拟的，各主体之间的连接关系是示例，各主体之间可以不连接也可以连接，其连接可以是任意方式，可以是直接连接也可以是间接连接，可以是有线连接也可以是无线连接。
本公开各实施例可以应用于长期演进(Long Term Evolution，LTE)、LTE-Advanced(LTE-A)、LTE-Beyond(LTE-B)、SUPER 3G、IMT-Advanced、第四代移动通信系统(4th generation mobile communication system，4G)、)、第五代移动通信系统(5th generation mobile communication system，5G)、5G新空口(new radio，NR)、未来无线接入(Future Radio Access，FRA)、新无线接入技术(New-Radio Access Technology，RAT)、新无线(New Radio，NR)、新无线接入(New Radio Access，NX)、未来一代无线接入(Future generation radio access，FX)、Global System for Mobile communications(GSM(注册商标))、CDMA2000、超移动宽带(Ultra Mobile Broadband，UMB)、IEEE 802.11(Wi-Fi(注册商标))、IEEE 802.16(WiMAX(注册商标))、IEEE 802.20、超宽带(Ultra-WideBand，UWB)、蓝牙(Bluetooth(注册商标))、陆上公用移动通信网(Public Land Mobile Network，PLMN)网络、设备到设备(Device-to-Device，D2D)系统、机器到机器(Machine to Machine，M2M)系统、物联网(Internet of Things，IoT)系统、车联网(Vehicle-to-Everything，V2X)、利用其他通信方法的系统、基于它们而扩展的下一代系统等。此外，也可以将多个系统组合(例 如，LTE或者LTE-A与5G的组合等)应用。
在本公开的一些实施例中，对于中高速移动的终端设备，由于信道信息在时域的快速变化，如果仍采用传统的第三代合作伙伴计划(3rd Generation Partnership Project，3GPP)Rel-15/16/17 Type II码本反馈信道状态信息(Channel Status Information，CSI)，将导致系统性能降低。为了解决该问题，在3GPP Rel-18标准化中又引入了Rel-18 Type II增加的码本。
在一些实施例中，Rel-18 Type II码本是基于终端侧根据历史时刻估计的下行信道信息，利用现有的传统的自回归或线性最小均方误差(Linear Minimum Mean Squares Error，LMMSE)算法预测未来时刻的下行信道信息，然后再根据预测的下行信道信息计算未来时刻对应的预编码信息。在中高速移动的场景下，与Rel-16/17 Type II码本相比，Rel-18 Type II码本能够明显地提升系统性能。
在一些实施例中，随着AI技术的应用发展，AI已广泛地应用到无线通信物理层。上述的传统CSI预测算法也可通过AI模型推理预测未来时刻的信道信息。目前的仿真评估显示基于AI的预测性能优于传统非AI算法的预测性能。
在一些实施例中，在采用AI或是非AI的预测算法时，都需要利用到多个历史时刻的CSI。基于多个历史时刻发送的信道状态信息参考信号(Channel Status Information-Reference Signal，CSI-RS)估计下行信道信息，这一范围内(多个历史时刻对应的时间范围)称为观测窗。预测多个未来时刻的CSI这一范围内(多个未来时刻对应的时间范围)称为预测窗。
图1B是根据本公开实施例示出的一种观测窗和预测窗的示意图。如图1B所示，列举了三种不同参数配置下的观测窗和预测窗。其中，N表示观测窗内发送CSI-RS的N个时刻，例如，N＝4/5/8/10；M表示观测窗内发送CSI-RS的间隔，例如，M＝D＝2.5/4/5slots，K表示预测窗内有K个时刻预测CSI，例如，K＝1/3/4slots，D表示预测窗内预测CSI的相邻时刻之间的间隔，例如，D＝1/2.5/4/5/8slots；预测窗的长度wd＝K·D。
需要说明的是，图1B中的观测窗和预测窗为举例说明，上述N、M、K、D四个参数的取值可以任意组合，本公开实施例对此不作限定。
在一些实施例中，UE侧的AI功能或AI模型可以通过相应的功能识别或模型识别的方法，实现UE和网络(Network，NW)之间的功能或模型识别。
在一些实施例中，功能识别可以是UE通过能力上报的方式把它所支持的功能上报给NW，UE所支持的某一功能下可包括一个或多个人工智能/机器学习(Artificial Intelligence/Machine Learning，AI/ML)模型。在基于功能识别的生命周期管理(Life Cyclic Management，LCM)，模型标识(Model ID)也可以用到。
在一些实施例中，模型识别可以是通过Model ID的方式实现NW识别UE所支持的模型，UE把所支持的模型可通过Model ID指示给NW。
在一些实施例中，在模型推理之前需要先完成相应的模型识别，对于UE侧模型识别包含以下几种类型：
(1)通过离线的方式实现对NW和UE侧模型的识别
在基于离线方式识别模型期间，相应的模型可分配对应的Model ID。
(2)通过空口信令的方式实现模型的识别，具体包括以下两种方式：
方式1、UE主动发起模型识别，NW可辅助完成模型识别的剩余步骤。
在模型识别期间，相应的模型可分配对应的Model ID。
方式2、NW主动发起模型识别，UE可辅助完成模型识别的剩余步骤。
在模型识别期间，相应的模型可分配对应的Model ID。
在一些实施例中，在完成相关功能识别或模型识别之后，对于一个UE侧的AI模型，可以通过额外的条件信息实现用于推理的UE侧模型和训练的模型保持一致。额外的条件信息可以是NW侧的条件信息，也可以是UE侧的条件信息。但是，当额外的条件信息对应多个AI模型时，就不能根据额外的条件信息唯一地确定用于推理的AI模型。例如，在某一城市宏小区(Urban Macro cell，UMa)的信道场景下，可训练多个不同N，M，D，K参数配置下对应的AI模型。因此，需要从多个模型中选择一个模型用于推理。
在一些实施例中，基于模型的性能监测，可以从多个模型选择一个性能较好的模型用于推理。对于UE侧的CSI预测模型的性能监测，包括以下三种方法：
方法1、UE侧性能监测：
UE根据测量的信道信息实现AI模型的性能准则计算，以监测模型性能。
方法2、NW侧性能监测：
UE把测量的信道信息上报给NW，让NW实现AI模型的性能准则计算，以监测模型性能。
方法3、UE侧和NW侧混合监测：
UE根据测量的信道信息实现AI模型的性能准则计算，将性能准测计算结果上报给NW，以便NW监 测模型性能。
在一些实施例中，基于UE侧和/或NW侧的AI/ML模型性能监测是一种选择模型的方法，但是该方法可能导致UE的计算复杂度高或数据传输开销大(UE侧和NW侧混合监测的方法)。特别地，当UE侧的AI模型较多时，UE需要对每个AI模型进行遍历监测，计算每个AI模型的性能指标，UE的计算复杂度将与UE侧AI模型的个数成倍增加。因此，UE如何选择AI模型或AI功能成为亟待解决的问题。
图2A是根据本公开实施例示出的一种通信方法的交互示意图。该方法可以由上述通信系统执行。如图2A所示，该方法可以包括：
步骤S2101、网络设备向终端设备发送第三信息。
在一些实施例中，终端设备可以接收第三消息。例如，终端设备可以接收网络设备发送的第三信息。再例如，终端设备也可以接收其他实体发送的第三信息。
在一些实施例中，所述第三信息可以用于指示所述终端设备上报所述第二信息。
在一些实施例中，所述第二信息可以用于所述网络设备确定所述第四指示信息。
在一些实施例中，该第四指示信息可以用于指示所述网络设备为所述终端设备配置的参数。
在一些实施例中，网络设备为终端设备配置的参数可以包括N、M、K、D中的一个或多个，其中，N、M、K、D的定义可以参考图1B的说明，此处不再赘述。
需要说明的是，上述网络设备为终端设备配置的参数为举例说明，本公开实施例对此不作限定。
在一些实施例中，该第二信息可以包括以下至少一项：
第一指示信息；
第二指示信息；
第七指示信息，所述第七指示信息可以用于指示第五AI模型或第五AI功能，所述第五AI模型或所述第五AI功能包括所述终端设备能够使用的AI模型或AI功能。
在一些实施例中，该第一指示信息可以用于指示信道特性。例如，该第一指示信息可以是时域信道属性信息(Time-Domain Channel Properties，TDCP)。
在一些实施例中，所述第二指示信息可以用于指示所述终端设备对应的额外条件。
在一些实施例中，终端设备对应的额外条件可以是内存、电量等等硬件参数。
在一些实施例中，该第一指示信息和该第二指示信息可以为一个取值或者一个取值区间范围。
示例地，该第一指示信息可以是TDCP的一个幅度值或一个幅度范围，例如，该第一指示信息可以是TDCP为0.5，或者TDCP为0.26～0.5。该第二指示信息可以是电量取值为20％。
在一些实施例中，第五AI模型可以是终端设备支持的多个AI模型中当前时刻能够使用的AI模型，第五AI功能可以是终端设备支持的多个AI功能中当前时刻能够使用的AI功能。
在一些实施例中，一个AI功能可以包括一个或多AI模型。
在一些实施例中，该第七指示信息可以包括第五AI模型和第五AI功能，该第七指示信息可以包括第五AI模型的模型标识或者第五AI功能的功能标识。其中，不同AI模型对应不同的模型标识，不同AI功能对应不同的功能标识。
在一些实施例中，AI模型可以是用于CSI预测的AI模型。
在一些实施例中，AI功能可以是用于CSI预测的AI功能。
在一些实施例中，网络设备可以通过第一信令向终端设备发送该第三信息。
在一些实施例中，该第一信令可以包括以下至少一项：无线资源控制(Radio Resource Control，RRC)消息、媒体接入控制控制单元(Medium Access Control Control Element，MAC-CE)、下行控制信息(Downlink Control Information，DCI)。
例如，网络设备可以通过RRC消息向终端设备发送该第三信息，触发或指示终端设备上报该第二信息。再例如，网络设备可以通过MAC-CE向终端设备发送该第三信息，触发或指示终端设备上报该第二信息。又例如，网络设备可以通过DCI向终端设备发送该第三信息，触发或指示终端设备上报该第二信息。
步骤S2102、终端设备向网络设备上报第二信息。
在一些实施例中，网络设备可以接收第二消息。例如，网络设备可以接收终端设备上报的第二信息。再例如，网络设备也可以接收其他实体上报的第二信息。
在一些实施例中，终端设备可以通过第二信令向网络设备上报所述第二信息，所述第二信令可以包括以下至少一项：RRC、MAC-CE、上行控制信息(Uplink Control Information，UCI)。
例如，终端设备可以通过RRC消息向网络设备上报该第二信息，再例如，终端设备可以通过MAC-CE向网络设备上报该第二信息，又例如，终端设备可以通过UCI向网络设备上报该第二信息。
步骤S2103、网络设备根据第二信息确定第四指示信息。
在一些实施例中，网络设备可以根据该第一指示信息确定该第四指示信息。例如，网络设备可以根据 TDCP的取值或取值区间范围确定参数N、M、K、D中的至少一个。
在一些实施例中，网络设备可以根据该第二指示信息确定该第四指示信息。例如，网络设备可以根据终端设备的剩余内存或剩余电量确定参数N、M、K、D中的至少一个。
在一些实施例中，网络设备可以根据该第七指示信息确定该第四指示信息。例如，网络设备可以根据第五AI模型或第五AI功能确定参数N、M、K、D中的至少一个。
在一些实施例中，网络设备也可以根据该第一指示信息、该第二指示信息、该第七指示信息中的多个确定该第四指示信息。
步骤S2104、网络设备向终端设备发送第四指示信息。
在一些实施例中，终端设备可以接收第四指示信息。例如，终端设备可以接收网络设备发送的第四指示信息。再例如，终端设备也可以接收其他实体发送的第四指示信息。
步骤S2105、网络设备向终端设备发送第三指示信息。
在一些实施例中，该第三指示信息可以用于指示网络设备对应的额外条件。
在一些实施例中，网络设备对应的额外条件可以是与训练AI模型或AI功能相关的信道场景、数据集等。
步骤S2106、终端设备根据第三指示信息，从多个AI模型或AI功能中确定至少一个第三AI模型或第三AI功能。
在一些实施例中，多个AI模型或AI功能可以是终端设备支持的AI模型或AI功能。
在一些实施例中，终端设备支持的AI模型可以是通过模型识别的AI模型，模型识别的具体方式可以参考上述描述，此处不在赘述。
在一些实施例中，终端设备支持的AI功能可以是通过功能识别的AI功能，功能识别的具体方式可以参考上述描述，此处不在赘述。
在一些实施例中，多个AI模型或AI功能可以是部署在终端设备侧的AI模型或AI功能。
在一些实施例中，每个第三指示信息可以对应至少一个AI模型或AI功能。
例如，网络设备对应的额外条件为信道场景，表1示出了不同信道场景下的AI模型，如表1所示，多个AI模型包括A0、B0、C0、A1、B1、C1、A2、B2、C2，每个信道场景对应三个AI模型，其中，UMa场景对应的AI模型包括A0、B0、C0，UMi场景对应的AI模型包括A1、B1、C1，indoor场景对应的AI模型包括A2、B2、C2。若该第三指示信息为UMa，则终端设备可以从A0、B0、C0、A1、B1、C1、A2、B2、C2中确定A0、B0、C0为第三AI模型。
表1
步骤S2107、终端设备根据第四指示信息，从至少一个第三AI模型或第三AI功能中确定第一AI模型或第一AI功能。
在一些实施例中，终端设备可以从至少一个第三AI模型中确定与该第四指示信息匹配的AI模型，作为该第一AI模型。
在一些实施例中，终端设备可以从至少一个第三AI功能中确定与该第四指示信息匹配的AI功能，作为该第一AI功能。
例如，若A0对应的参数N＝4，B0对应的参数N＝5，C0对应的参数N＝8，第四指示信息为N＝5，则可以将B0作为该第一AI模型。
在一些实施例中，若第三AI模型或第三AI功能包括一个，则步骤S2106可以省略，可以将第三AI模型或第三AI功能作为第一AI模型或第一AI功能。例如，将第三AI模型作为第一AI模型，将第三AI功能作为第一AI功能。
采用上述方法，终端设备可以根据第三指示信息和第四指示信息进行模型选择，无需对每个模型进行模型监测，降低了终端设备的计算复杂度，也无需将监测数据发送给网络设备，降低了数据传输的开销，从而可以提高网络性能。
本公开实施例所涉及的方法可以包括上述步骤S2101～步骤S2107中的至少一者。例如，步骤S2101可以作为独立实施例来实施，步骤S2102可以作为独立实施例来实施，步骤S2103可以作为独立实施例来实施，步骤S2104可以作为独立实施例来实施，步骤S2105可以作为独立实施例来实施，步骤S2101+步骤S2102可以作为独立实施例来实施，步骤S2102+步骤S2103可以作为独立实施例来实施，步骤S2103+步骤S2104可以作为独立实施例来实施，步骤S2106+步骤S2107可以作为独立实施例来实施，步骤S2104+步骤S2105+步骤S2106+步骤S2107可以作为独立实施例来实施，但不限于此。
在一些实施例中，上述步骤S2101～步骤S2107均可以交换顺序或同时执行。
在一些实施例中，上述步骤S2101～步骤S2107均为可选步骤。
在一些实施例中，可参见图2A所对应的说明书之前或之后记载的其他可选实现方式。
图2B是根据本公开实施例示出的一种通信方法的交互示意图。该方法可以由上述通信系统执行。如图2B所示，该方法可以包括：
步骤S2201、网络设备向终端设备发送第三信息。
该步骤S2201的可选实现方式可以参见图2A的步骤S2101的可选实现方式、及图2A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S2202、终端设备向网络设备上报第二信息。
该步骤S2202的可选实现方式可以参见图2A的步骤S2102的可选实现方式、及图2A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S2203、网络设备根据第二信息确定第四指示信息。
该步骤S2203的可选实现方式可以参见图2A的步骤S2103的可选实现方式、及图2A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S2204、网络设备向终端设备发送第四指示信息。
该步骤S2204的可选实现方式可以参见图2A的步骤S2104的可选实现方式、及图2A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S2205、网络设备向终端设备发送第三指示信息。
该步骤S2205的可选实现方式可以参见图2A的步骤S2105的可选实现方式、及图2A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S2206、终端设备根据第三指示信息，从多个AI模型或AI功能中确定多个第三AI模型或第三AI功能。
该步骤S2206的可选实现方式可以参见图2A的步骤S2106的可选实现方式、及图2A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S2207、终端设备根据第二指示信息，从多个第三AI模型或第三AI功能中确定至少一个第四AI模型或第四AI功能。
在一些实施例中，终端设备可以从至少一个第三AI模型中确定与该第二指示信息匹配的AI模型，作为该第一AI模型。
在一些实施例中，终端设备可以从至少一个第三AI功能中确定与该第二指示信息匹配的AI功能，作为该第一AI功能。
例如，若第二指示信息指示终端设备的剩余内存为a0，第三AI模型包括A0、B0、C0，A0对应的剩余内存为a1，B0对应的剩余内存为a2，C0对应的剩余内存为a3，a1<a2<a3，a1<a0<a2，则终端设备可以从A0、B0、C0选择B0和C0为第四AI模型。
步骤S2208、终端设备根据第四指示信息，从至少一个第四AI模型或第四AI功能中确定第一AI模型或第一AI功能。
该步骤S2208的可选实现方式可以参见图2A的步骤S2107的可选实现方式、及图2A所涉及的实施例中其他关联部分，此处不再赘述。
在一些实施例中，若第四AI模型或第四AI功能包括一个，则步骤S2208可以省略，可以将第四AI模型或第四AI功能作为第一AI模型或第一AI功能。例如，将第四AI模型作为第一AI模型，将第四AI功能作为第一AI功能。
采用上述方法，终端设备可以根据第三指示信息和第四指示信息进行模型选择，无需对每个模型进行模型监测，降低了终端设备的计算复杂度，也无需将监测数据发送给网络设备，降低了数据传输的开销，从而可以提高网络性能。
本公开实施例所涉及的方法可以包括上述步骤S2201～步骤S2208中的至少一者。例如，步骤S2201可以作为独立实施例来实施，步骤S2202可以作为独立实施例来实施，步骤S2203可以作为独立实施例来实施，步骤S2204可以作为独立实施例来实施，步骤S2205可以作为独立实施例来实施，步骤S2201+步骤S2202可以作为独立实施例来实施，步骤S2202+步骤S2203可以作为独立实施例来实施，步骤S2203+步骤S2204可以作为独立实施例来实施，步骤S2206+步骤S2207+步骤S2208可以作为独立实施例来实施，步骤S2204+步骤S2205+步骤S2206+步骤S2207+步骤S2208可以作为独立实施例来实施，但不限于此。
在一些实施例中，上述步骤S2201～步骤S2208均可以交换顺序或同时执行。
在一些实施例中，上述步骤S2201～步骤S2208均为可选步骤。
图2C是根据本公开实施例示出的一种通信方法的交互示意图。该方法可以由上述通信系统执行。如 图2C所示，该方法可以包括：
步骤S2301、网络设备向终端设备发送第四信息。
在一些实施例中，终端设备可以接收第四消息。例如，终端设备可以接收网络设备发送的第四信息。再例如，终端设备也可以接收其他实体发送的第四信息。
在一些实施例中，所述第四信息可以用于所述终端设备从多个AI模型或AI功能中确定第一AI模型或第一AI功能。
在一些实施例中，所述第四信息可以包括第一信息中与所述网络设备关联的信息。
在一些实施例中，所述第一信息可以包括与训练所述第一AI模型或所述第一AI功能的参数关联的信息。
在一些实施例中，该第四信息可以用于请求终端设备进行模型选择。
例如，从多个AI模型或AI功能中确定第一AI模型或第一AI功能。
在一些实施例中，该第四信息可以用于触发终端设备进行模型选择。
在一些实施例中，该第四信息可以用于指示终端设备进行模型选择。
在一些实施例中，该第四信息的名称不做限定，例如可以是“模型选择请求信息”、“模型选择指示信息”、“功能选择请求信息”、“功能选择指示信息”等。
在一些实施例中，该第一信息可以包括以下至少一项：
第一指示信息，所述第一指示信息可以用于指示信道特性；
第二指示信息，所述第二指示信息可以用于指示所述终端设备对应的额外条件；
第三指示信息，所述第三指示信息可以用于指示网络设备对应的额外条件；
第四指示信息，所述四指示信息可以用于指示所述网络设备为所述终端设备配置的参数。
在一些实施例中，该第一信息可以为一个取值或者一个取值区间范围。
示例地，该第三指示信息可以是UMa，该第四指示信息可以是N＝4，M＝4slots，K＝4slots，D＝8slots。
在一些实施例中，该第四信息可以包括以下至少一项：
第三指示信息；
第四指示信息。
在一些实施例中，该第三指示信息和该第四指示信息可以独立发送，例如，网络设备可以在第一时刻向终端设备发送该第三指示信息，在第二时刻向终端设备发送该第四指示信息，该第一时刻与该第二时刻不同。
需要说明的是，网络设备向终端设备发送该第四指示信息的方式可以参考上述步骤S2101～步骤S2104，此处不再赘述。同样地，该第三指示信息的发送方式可以参考该第四指示信息的发送方式，此处不再赘述。
在一些实施例中，网络设备可以同时向终端设备发送该第三指示信息和该第四指示信息。
步骤S2302、终端设备根据第一指示信息，从多个AI模型或AI功能中确定至少一个第二AI模型或第二AI功能。
在一些实施例中，每个第一指示信息可以对应至少一个AI模型或AI功能。
在一些实施例中，一个第一指示信息可以对应一个AI模型或AI功能。
在一些实施例中，一个第一指示信息可以对应多个AI模型或AI功能。
示例地，该第一指示信息用于指示TDCP，表2示出了一种AI模型与TDCP幅度值之间的对应关系，如表2所示，多个AI模型包括A3、B3、A4、B4、A5、B5、A6、B6，A3和B3对应的TDCP取值范围为0～0.25，A4和B4对应的TDCP取值范围为0.26～0.5，A5和B5对应的TDCP取值范围为0.51～0.75，A6和B6对应的TDCP取值范围为0.76～1。其中，TDCP取值范围为归一化的结果。
表2
若该第一指示信息为0.27，则终端设备可以将A4和B4作为该第二AI模型；若该第一指示信息为0.59～0.75，则可以将A5和B5作为该第二AI模型。
需要说明的是，若该第一指示信息对应一个AI模型或AI功能，则步骤S2302可以省略。
步骤S2303、终端设备根据第五指示信息，从至少一个第二AI模型或第二AI功能中确定第一AI模型或第一AI功能。
在一些实施例中，所述第五指示信息可以包括以下至少一项：所述第二指示信息、所述第三指示信息、所述第四指示信息。
在一些实施例中，终端设备可以根据该第二指示信息，从至少一个第二AI模型或第二AI功能中确定 第一AI模型或第一AI功能。
在一些实施例中，根据该第二指示信息从至少一个第二AI模型或第二AI功能中确定第一AI模型或第一AI功能的具体方式，可以参考步骤S2207的实现方式，此处不再赘述。
在一些实施例中，终端设备可以根据该第三指示信息，从至少一个第二AI模型或第二AI功能中确定第一AI模型或第一AI功能。
在一些实施例中，根据该第三指示信息从至少一个第二AI模型或第二AI功能中确定第一AI模型或第一AI功能的具体方式，可以参考步骤S2105的实现方式，此处不再赘述。
在一些实施例中，终端设备可以根据该第四指示信息，从至少一个第二AI模型或第二AI功能中确定第一AI模型或第一AI功能。
在一些实施例中，根据该第四指示信息从至少一个第二AI模型或第二AI功能中确定第一AI模型或第一AI功能的具体方式，可以参考步骤S2106的实现方式，此处不再赘述。
在一些实施例中，终端设备可以根据该第二指示信息和该第四指示信息，从至少一个第二AI模型或第二AI功能中确定第一AI模型或第一AI功能。
在一种实现方式中，终端设备可以先根据该第二指示信息，从至少一个第二AI模型或第二AI功能中确定至少一个第六AI模型或第六AI功能，再根据该第四指示信息，从至少一个第六AI模型或第六AI功能中第一AI模型或第一AI功能。
需要说明的是，若根据该第二指示信息确定的第六AI模型或第六AI功能包括一个，则可以将该第六AI模型或第六AI功能作为该第一AI模型或第一AI功能。
在另一种实现方式中，终端设备可以先根据该第四指示信息，从至少一个第二AI模型或第二AI功能中确定至少一个第七AI模型或第七AI功能，再根据该第二指示信息，从至少一个第七AI模型或第七AI功能中第一AI模型或第一AI功能。
同样需要说明的是，若根据该第四指示信息确定的第七AI模型或第七AI功能包括一个，则可以将该第七AI模型或第七AI功能作为该第一AI模型或第一AI功能。
采用上述方法，终端设备可以根据第一指示信息和第五指示信息进行模型选择，无需对每个模型进行模型监测，降低了终端设备的计算复杂度，也无需将监测数据发送给网络设备，降低了数据传输的开销，从而可以提高网络性能。
本公开实施例所涉及的方法可以包括上述步骤S2301～步骤S2303中的至少一者。例如，步骤S2301可以作为独立实施例来实施，步骤S2302可以作为独立实施例来实施，步骤S2303可以作为独立实施例来实施，步骤S2302+步骤S2303可以作为独立实施例来实施，但不限于此。
在一些实施例中，上述步骤S2301～步骤S2303均可以交换顺序或同时执行。
在一些实施例中，上述步骤S2301～步骤S2303均为可选步骤。
在一些实施例中，信息等的名称不限定于实施例中所记载的名称，“信息(information)”、“消息(message)”、“信号(signal)”、“信令(signaling)”、“报告(report)”、“配置(configuration)”、“指示(indication)”、“指令(instruction)”、“命令(command)”、“信道”、“参数(parameter)”、“域”、“字段”、“符号(symbol)”、“码元(symbol)”、“码本(codebook)”、“码字(codeword)”、“码点(codepoint)”、“比特(bit)”、“数据(data)”、“程序(program)”、“码片(chip)”等术语可以相互替换。
在一些实施例中，“获取”、“获得”、“得到”、“接收”、“传输”、“双向传输”、“发送和/或接收”可以相互替换，其可以解释为从其他主体接收，从协议中获取，从高层获取，自身处理得到、自主实现等多种含义。
在一些实施例中，“发送”、“发射”、“上报”、“下发”、“传输”、“双向传输”、“发送和/或接收”等术语可以相互替换。
在一些实施例中，“特定(certain)”、“预定(preseted)”、“预设”、“设定”、“指示(indicated)”、“某一”、“任意”、“第一”等术语可以相互替换，“特定A”、“预定A”、“预设A”、“设定A”、“指示A”、“某一A”、“任意A”、“第一A”可以解释为在协议等中预先规定的A，也可以解释为通过设定、配置、或指示等得到的A，也可以解释为特定A、某一A、任意A、或第一A等，但不限于此。
图3A是根据本公开实施例示出的一种通信方法的流程示意图。如图3A所示，本公开实施例涉及通信方法，该方法可以由终端设备执行。该方法可以包括：
步骤S3101、获取第三信息。
该步骤S3101的可选实现方式可以参见图2A的步骤S2101的可选实现方式、及图2A所涉及的实施例中其他关联部分，此处不再赘述。
在一些实施例中，终端设备可以接收由网络设备发送的第三信息，但不限于此，终端设备也可以接收由其他主体发送的第三信息。
在一些实施例中，终端设备可以获取由协议规定的第三信息。
在一些实施例中，终端设备可以从高层(upper layer(s))获取第三信息。
在一些实施例中，终端设备可以进行处理从而得到第三信息。
在一些实施例中，步骤S3101可以被省略，终端设备可以自主实现第三信息所指示的功能，或上述功能为缺省或默认。
步骤S3102、上报第二信息。
该步骤S3102的可选实现方式可以参见图2A的步骤S2102的可选实现方式、及图2A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S3103、获取第四指示信息。
该步骤S3103的可选实现方式可以参见图2A的步骤S2104的可选实现方式、及图2A所涉及的实施例中其他关联部分，此处不再赘述。
在一些实施例中，终端设备可以接收由网络设备发送的第四指示信息，但不限于此，终端设备也可以接收由其他主体发送的第四指示信息。
在一些实施例中，终端设备可以获取由协议规定的第四指示信息。
在一些实施例中，终端设备可以从高层(upper layer(s))获取第四指示信息。
在一些实施例中，终端设备可以进行处理从而得到第四指示信息。
在一些实施例中，步骤S3103可以被省略，终端设备可以自主实现第四指示信息所指示的功能，或上述功能为缺省或默认。
步骤S3104、获取第三指示信息。
该步骤S3104的可选实现方式可以参见图2A的步骤S2105的可选实现方式、及图2A所涉及的实施例中其他关联部分，此处不再赘述。
在一些实施例中，终端设备可以接收由网络设备发送的第三指示信息，但不限于此，终端设备也可以接收由其他主体发送的第三指示信息。
在一些实施例中，终端设备可以获取由协议规定的第三指示信息。
在一些实施例中，终端设备可以从高层(upper layer(s))获取第三指示信息。
在一些实施例中，终端设备可以进行处理从而得到第三指示信息。
在一些实施例中，步骤S3104可以被省略，终端设备可以自主实现第三指示信息所指示的功能，或上述功能为缺省或默认。
步骤S3105、根据第三指示信息，从多个AI模型或AI功能中确定至少一个第三AI模型或第三AI功能。
该步骤S3105的可选实现方式可以参见图2A的步骤S2106的可选实现方式、及图2A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S3106、根据第四指示信息，从至少一个第三AI模型或第三AI功能中确定第一AI模型或第一AI功能。
该步骤S3106的可选实现方式可以参见图2A的步骤S2107的可选实现方式、及图2A所涉及的实施例中其他关联部分，此处不再赘述。
本公开实施例所涉及的方法可以包括上述步骤S3101～步骤S3106中的至少一者。例如，步骤S3101可以作为独立实施例来实施，步骤S3102可以作为独立实施例来实施，步骤S3103可以作为独立实施例来实施，步骤S3104可以作为独立实施例来实施，步骤S3101+步骤S3102可以作为独立实施例来实施，步骤S3105+步骤S3106可以作为独立实施例来实施，步骤S3103+步骤S3104+步骤S3105+步骤S3106可以作为独立实施例来实施，但不限于此。
在一些实施例中，上述步骤S3101～步骤S3106均可以交换顺序或同时执行。
在一些实施例中，上述步骤S3101～步骤S3106均为可选步骤。
图3B是根据本公开实施例示出的一种通信方法的流程示意图。如图3B所示，本公开实施例涉及通信方法，该方法可以由终端设备执行。该方法可以包括：
步骤S3201、获取第三信息。
该步骤S3201的可选实现方式可以参见图2A的步骤S2101、图3A的步骤S3101的可选实现方式、以及图2A、图3A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S3202、上报第二信息。
该步骤S3202的可选实现方式可以参见图2A的步骤S2102、图3A的步骤S3102的可选实现方式、以及图2A、图3A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S3203、获取第四指示信息。
该步骤S3203的可选实现方式可以参见图2A的步骤S2104、图3A的步骤S3103的可选实现方式、以及图2A、图3A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S3204、获取第三指示信息。
该步骤S3204的可选实现方式可以参见图2A的步骤S2105、图3A的步骤S3104的可选实现方式、以及图2A、图3A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S3205、根据第三指示信息，从多个AI模型或AI功能中确定多个第三AI模型或第三AI功能。
该步骤S3205的可选实现方式可以参见图2A的步骤S2106、图3A的步骤S3105的可选实现方式、以及图2A、图3A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S3206、根据第二指示信息，从多个第三AI模型或第三AI功能中确定至少一个第四AI模型或第四AI功能。
该步骤S3206的可选实现方式可以参见图2B的步骤S2207的可选实现方式、及图2B所涉及的实施例中其他关联部分，此处不再赘述。
步骤S3207、根据第四指示信息，从至少一个第四AI模型或第四AI功能中确定第一AI模型或第一AI功能。
该步骤S3207的可选实现方式可以参见图2B的步骤S2208的可选实现方式、及图2B所涉及的实施例中其他关联部分，此处不再赘述。
本公开实施例所涉及的方法可以包括上述步骤S3201～步骤S3207中的至少一者。例如，步骤S3201可以作为独立实施例来实施，步骤S3202可以作为独立实施例来实施，步骤S3203可以作为独立实施例来实施，步骤S3204可以作为独立实施例来实施，步骤S3201+步骤S3202可以作为独立实施例来实施，步骤S3202+步骤S3203可以作为独立实施例来实施，步骤S3205+步骤S3206+步骤S3207可以作为独立实施例来实施，步骤S3203+步骤S3204+步骤S3205+步骤S3206+步骤S3207可以作为独立实施例来实施，但不限于此。
在一些实施例中，上述步骤S3201～步骤S3207均可以交换顺序或同时执行。
在一些实施例中，上述步骤S3201～步骤S3207均为可选步骤。
图3C是根据本公开实施例示出的一种通信方法的流程示意图。如图3C所示，本公开实施例涉及通信方法，该方法可以由终端设备执行。该方法可以包括：
步骤S3301、获取第三信息。
该步骤S3301的可选实现方式可以参见图2A的步骤S2101、图3A的步骤S3101的可选实现方式、以及图2A、图3A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S3302、上报第二信息。
该步骤S3302的可选实现方式可以参见图2A的步骤S2102、图3A的步骤S3102的可选实现方式、以及图2A、图3A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S3303、获取第四指示信息。
该步骤S3303的可选实现方式可以参见图2A的步骤S2104、图3A的步骤S3103的可选实现方式、以及图2A、图3A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S3304、获取第三指示信息。
该步骤S3304的可选实现方式可以参见图2A的步骤S2105、图3A的步骤S3104的可选实现方式、以及图2A、图3A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S3305、根据第三指示信息，从多个AI模型或AI功能中确定多个第三AI模型或第三AI功能。
该步骤S3305的可选实现方式可以参见图2A的步骤S2106、图3A的步骤S3105的可选实现方式、以及图2A、图3A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S3306、根据第六指示信息，从至少一个第三AI模型或第三AI功能中确定第一AI模型或第一AI功能。
该步骤S3306的可选实现方式可以参见图2A的步骤S2107、图2B的步骤S2207～步骤S2208的可选实现方式、及图2A、图2B所涉及的实施例中其他关联部分，此处不再赘述。
在一些实施例中，该第六指示信息可以包括以下至少一项：该第二指示信息、所述第四指示信息。
在一些实施例中，终端设备可以根据该第二指示信息，从至少一个第三AI模型或第三AI功能中确定第一AI模型或第一AI功能。
在一些实施例中，终端设备可以根据该第四指示信息，从至少一个第三AI模型或第三AI功能中确定第一AI模型或第一AI功能。
在一些实施例中，终端设备可以根据该第二指示信息和该第四指示信息，从至少一个第三AI模型或第三AI功能中确定第一AI模型或第一AI功能。
在一种实现方式中，终端设备可以先根据该第二指示信息，从至少一个第三AI模型或第三AI功能中确定至少一个第八AI模型或第八AI功能，再根据该第四指示信息，从至少一个第八AI模型或第八AI功能中第一AI模型或第一AI功能。
需要说明的是，若根据该第二指示信息确定的第八AI模型或第八AI功能包括一个，则可以将该第八AI模型或第八AI功能作为该第一AI模型或第一AI功能。
在另一种实现方式中，终端设备可以先根据该第四指示信息，从至少一个第三AI模型或第三AI功能中确定至少一个第九AI模型或第九AI功能，再根据该第二指示信息，从至少一个第九AI模型或第九AI功能中第一AI模型或第一AI功能。
同样需要说明的是，若根据该第四指示信息确定的第九AI模型或第九AI功能包括一个，则可以将该第九AI模型或第九AI功能作为该第一AI模型或第一AI功能。
本公开实施例所涉及的方法可以包括上述步骤S3301～步骤S3306中的至少一者。例如，步骤S3301可以作为独立实施例来实施，步骤S3302可以作为独立实施例来实施，步骤S3303可以作为独立实施例来实施，步骤S3304可以作为独立实施例来实施，步骤S3302+步骤S3303可以作为独立实施例来实施，步骤S3305+步骤S3306可以作为独立实施例来实施，步骤S3303+步骤S3304+步骤S3305+步骤S3306可以作为独立实施例来实施，但不限于此。
在一些实施例中，上述步骤S3301～步骤S3306均可以交换顺序或同时执行。
在一些实施例中，上述步骤S3301～步骤S3306均为可选步骤。
图3D是根据本公开实施例示出的一种通信方法的流程示意图。如图3D所示，本公开实施例涉及通信方法，该方法可以由终端设备执行。该方法可以包括：
步骤S3401、获取第四信息。
该步骤S3401的可选实现方式可以参见图2C的步骤S2301的可选实现方式、及图2C所涉及的实施例中其他关联部分，此处不再赘述。
在一些实施例中，终端设备可以接收由网络设备发送的第四信息，但不限于此，终端设备也可以接收由其他主体发送的第四信息。
在一些实施例中，终端设备可以获取由协议规定的第四信息。
在一些实施例中，终端设备可以从高层(upper layer(s))获取第四信息。
在一些实施例中，终端设备可以进行处理从而得到第四信息。
在一些实施例中，步骤S3401可以被省略，终端设备可以自主实现第四信息所指示的功能，或上述功能为缺省或默认。
步骤S3402、根据第一指示信息，从多个AI模型或AI功能中确定至少一个第二AI模型或第二AI功能。
该步骤S3402的可选实现方式可以参见图2C的步骤S2302的可选实现方式、及图2C所涉及的实施例中其他关联部分，此处不再赘述。
步骤S3403、根据第五指示信息，从至少一个第二AI模型或第二AI功能中确定第一AI模型或第一AI功能。
该步骤S3403的可选实现方式可以参见图2C的步骤S2303的可选实现方式、及图2C所涉及的实施例中其他关联部分，此处不再赘述。
本公开实施例所涉及的方法可以包括上述步骤S3401～步骤S3403中的至少一者。例如，步骤S3401可以作为独立实施例来实施，步骤S3402可以作为独立实施例来实施，步骤S3403可以作为独立实施例来实施，步骤S3402+步骤S3403可以作为独立实施例来实施，但不限于此。
在一些实施例中，上述步骤S3401～步骤S3403均可以交换顺序或同时执行。
在一些实施例中，上述步骤S3401～步骤S3403均为可选步骤。
图3E是根据本公开实施例示出的一种通信方法的流程示意图。如图3E所示，本公开实施例涉及通信方法，该方法可以由终端设备执行。该方法可以包括：
步骤S3501、获取第四信息。
该步骤S3501的可选实现方式可以参见图2C的步骤S2301的可选实现方式、及图2C所涉及的实施例中其他关联部分，此处不再赘述。
步骤S3502、根据第一信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能。
该步骤S3502的可选实现方式可以参见图2A的步骤S2106～步骤S2107、图2B的步骤S2206～步骤S2208、图2C的步骤S2302～步骤S2303、图3A的步骤S3105～步骤S3106、图3B的步骤S3205～步骤S3207、图3C的步骤S3305～步骤S3306、图3D的步骤S3402～步骤S3403的可选实现方式、以及图2A、图2B、图2C、图3A、图3B、图3C、图3D所涉及的实施例中其他关联部分，此处不再赘述。
在一些实施例中，上述步骤S3501～步骤S3502可以交换顺序或同时执行。
在一些实施例中，上述步骤S3501～步骤S3502均为可选步骤。
图3F是根据本公开实施例示出的一种通信方法的流程示意图。如图3F所示，本公开实施例涉及通信方法，该方法可以由终端设备执行。该方法可以包括：
步骤S3601、根据第一信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能。
该步骤S3601的可选实现方式可以参见图2A的步骤S2106～步骤S2107、图2B的步骤S2206～步骤S2208、图2C的步骤S2302～步骤S2303、图3A的步骤S3105～步骤S3106、图3B的步骤S3205～步骤S3207、图3C的步骤S3305～步骤S3306、图3D的步骤S3402～步骤S3403的可选实现方式、以及图2A、图2B、图2C、图3A、图3B、图3C、图3D所涉及的实施例中其他关联部分，此处不再赘述。
在一些实施例中，终端设备可以根据第一指示信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能。
在一些实施例中，终端设备可以根据第二指示信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能。
在一些实施例中，终端设备可以根据第三指示信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能。
在一些实施例中，终端设备可以根据第四指示信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能。
需要说明的是，终端设备可以根据第一信息中的任意一个或多个指示信息，从多个AI模型或AI功能中确定第一AI模型或第一AI功能，本公开实施例对此不作限定。
在一些实施例中，所述第一信息包括以下至少一项：
第一指示信息，所述第一指示信息用于指示信道特性；
第二指示信息，所述第二指示信息用于指示所述终端设备对应的额外条件；
第三指示信息，所述第三指示信息用于指示网络设备对应的额外条件；
第四指示信息，所述四指示信息用于指示所述网络设备为所述终端设备配置的参数。
在一些实施例中，所述根据第一信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能包括：
根据所述第一指示信息，从所述多个AI模型或AI功能中确定至少一个第二AI模型或第二AI功能；
根据第五指示信息，从所述至少一个第二AI模型或第二AI功能中确定所述第一AI模型或所述第一AI功能，所述第五指示信息包括以下至少一项：所述第二指示信息、所述第三指示信息、所述第四指示信息。
在一些实施例中，所述根据第一信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能包括：
根据所述第三指示信息，从所述多个AI模型或AI功能中确定至少一个第三AI模型或第三AI功能；
根据第六指示信息，从所述至少一个第三AI模型或第三AI功能中确定所述第一AI模型或所述第一AI功能，所述第六指示信息包括以下至少一项：所述第二指示信息、所述第四指示信息。
在一些实施例中，所述根据第六指示信息，从所述至少一个第三AI模型或第三AI功能中确定所述第一AI模型或所述第一AI功能包括：
根据所述第四指示信息，从所述至少一个第三AI模型或第三AI功能中确定所述第一AI模型或所述第一AI功能。
在一些实施例中，所述第三AI模型或所述第三AI功能包括多个，所述根据第六指示信息，从所述至少一个第三AI模型或第三AI功能中确定所述第一AI模型或所述第一AI功能包括：
根据所述第二指示信息，从多个第三AI模型或第三AI功能中确定至少一个第四AI模型或第四AI功能；
根据所述第四指示信息，从所述至少一个第四AI模型或第四AI功能中确定所述第一AI模型或所述第一AI功能。
在一些实施例中，所述方法还包括：
向所述网络设备上报第二信息，所述第二信息用于所述网络设备确定所述第四指示信息；
接收所述网络设备发送的所述第四指示信息。
在一些实施例中，所述方法还包括：
接收所述网络设备发送的第三信息，所述第三信息用于指示所述终端设备上报所述第二信息。
在一些实施例中，所述接收所述网络设备发送的第三信息包括：
接收所述网络设备通过第一信令发送的所述第三信息，所述第一信令包括以下至少一项：无线资源控制RRC消息、媒体接入控制控制单元MAC-CE、下行控制信息DCI。
在一些实施例中，所述向所述网络设备上报第二信息包括：
通过第二信令向所述网络设备上报所述第二信息，所述第二信令包括以下至少一项：RRC、MAC-CE、上行控制信息UCI。
在一些实施例中，所述第二信息包括以下至少一项：
所述第一指示信息；
所述第二指示信息；
第七指示信息，所述第七指示信息用于指示第五AI模型或第五AI功能，所述第五AI模型或所述第五AI功能包括所述终端设备能够使用的AI模型或AI功能。
在一些实施例中，所述方法还包括：
接收所述网络设备发送的所述第三指示信息。
在一些实施例中，每个所述第一指示信息对应至少一个AI模型或AI功能。
图4A是根据本公开实施例示出的一种通信方法的流程示意图。如图4A所示，本公开实施例涉及通信方法，该方法可以由网络设备执行。该方法可以包括：
步骤S4101、发送第三信息。
该步骤S4101的可选实现方式可以参见图2A的步骤S2101的可选实现方式、及图2A所涉及的实施例中其他关联部分，此处不再赘述。
在一些实施例中，网络设备可以向终端设备发送该第三信息，但不限于此，网络设备也可以向其他主体发送该第三信息。
步骤S4102、获取第二信息。
该步骤S4102的可选实现方式可以参见图2A的步骤S2102的可选实现方式、及图2A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S4103、根据第二信息确定第四指示信息。
该步骤S4103的可选实现方式可以参见图2A的步骤S2103的可选实现方式、及图2A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S4104、发送第四指示信息。
该步骤S4104的可选实现方式可以参见图2A的步骤S2104的可选实现方式、及图2A所涉及的实施例中其他关联部分，此处不再赘述。
步骤S4105、发送第三指示信息。
该步骤S4105的可选实现方式可以参见图2A的步骤S2105的可选实现方式、及图2A所涉及的实施例中其他关联部分，此处不再赘述。
在一些实施例中，网络设备可以向终端设备发送该第四指示信息，但不限于此，网络设备也可以向其他主体发送该第四指示信息。
本公开实施例所涉及的方法可以包括上述步骤S4101～步骤S4105中的至少一者。例如，步骤S4101可以作为独立实施例来实施，步骤S4102可以作为独立实施例来实施，步骤S4103可以作为独立实施例来实施，步骤S4104可以作为独立实施例来实施，步骤S4105可以作为独立实施例来实施，步骤S4101+步骤S4102可以作为独立实施例来实施，步骤S4102+步骤S4103可以作为独立实施例来实施，步骤S4103+步骤S4104可以作为独立实施例来实施，但不限于此。
在一些实施例中，上述步骤S4101～步骤S4105均可以交换顺序或同时执行。
在一些实施例中，上述步骤S4101～步骤S4105均为可选步骤。
图4B是根据本公开实施例示出的一种通信方法的流程示意图。如图4B所示，本公开实施例涉及通信方法，该方法可以由网络设备执行。该方法可以包括：
步骤S4201、发送第四信息。
该步骤S4201的可选实现方式可以参见图2C的步骤S2301的可选实现方式、及图2C所涉及的实施例中其他关联部分，此处不再赘述。
在一些实施例中，网络设备可以向终端设备发送该第四信息，但不限于此，网络设备也可以向其他主体发送该第四信息。
在一些实施例中，所述第四信息包括以下至少一项：
第三指示信息，所述第三指示信息用于指示网络设备对应的额外条件；
第四指示信息，所述四指示信息用于指示所述网络设备为所述终端设备配置的参数。
在一些实施例中，所述向终端设备发送第四信息包括：
接收所述终端设备上报的第二信息；
根据所述第二信息确定所述第四指示信息；
向所述终端设备发送所述第四指示信息。
在一些实施例中，所述方法还包括：
向所述终端设备发送第三信息，所述第三信息用于指示所述终端设备上报所述第二信息。
在一些实施例中，所述向所述终端设备发送第三信息包括：
通过第一信令向所述终端设备发送所述第三信息，所述第一信令包括以下至少一项：无线资源控制RRC消息、媒体接入控制控制单元MAC-CE、下行控制信息DCI。
在一些实施例中，所述接收所述终端设备上报的第二信息包括：
接收所述终端设备通过第二信令上报的所述第二信息，所述第二信令包括以下至少一项：RRC、MAC-CE、上行控制信息UCI。
在一些实施例中，所述第二信息包括以下至少一项：
第一指示信息，所述第一指示信息用于指示信道特性；
第二指示信息，所述第二指示信息用于指示所述终端设备对应的额外条件；
第七指示信息，所述第七指示信息用于指示第五AI模型或第五AI功能，所述第五AI模型或所述第五AI功能包括所述终端设备能够使用的AI模型或AI功能。
图5是根据本公开实施例示出的一种通信方法的交互示意图。如图5所示，本公开实施例涉及通信方法，该方法可以由通信系统执行。该方法可以包括：
步骤S5101、网络设备发送第四信息。
该步骤S5101的可选实现方式可以参见图2C的步骤S2301、图3D的步骤S3401、图4B的步骤S4201可选实现方式、及图2C、图3D、图4B所涉及的实施例中其他关联部分，此处不再赘述。
步骤S5102、终端设备根据第一信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能。
该步骤S5102的可选实现方式可以参见图2A的步骤S2106～步骤S2107、图2B的步骤S2206～步骤S2208、图2C的步骤S2302～步骤S2303、图3A的步骤S3105～步骤S3106、图3B的步骤S3205～步骤S3207、图3C的步骤S3305～步骤S3306、图3D的步骤S3402～步骤S3403的可选实现方式、以及图2A、图2B、图2C、图3A、图3B、图3C、图3D所涉及的实施例中其他关联部分，此处不再赘述。
在一些实施例中，上述方法可以包括上述通信系统、终端设备、网络设备等的实施例所述的方法，此处不再赘述。
在一些实施例中，NW可以发送信令查询UE支持AI CSI预测的AI功能的能力，UE根据接收到的信令把UE所支持的AI功能上报给NW，即完成了功能识别。或者，UE和NW之间已通过模型识别的方法完成模型识别。由于UE本身硬件条件或信道环境的变化，UE可以基于与训练AI模型关联的相关参数信息或UE/NW侧的额外条件信息，选择合适的AI模型，以减少候选AI模型的个数，从而降低UE选择模型的计算复杂度或减少UE反馈监测数据的开销。
在一些实施例中，用于CSI预测的AI功能或模型选择方法可以包括以下实施例：
实施例1、训练的AI模型至少关联了第一参数信息，该第一参数信息表征了信道特性，例如，该第一参数信息可以是TDCP。
实施例2、实施例1中的第一参数信息可以对应一个取值或一个取值区间范围。
实施例3、训练的AI模型至少还关联了第二参数信息，第二参数信息可以是UE侧或NW侧的额外条件信息，或者为网络给终端配置的参数信息。UE侧的额外条件信息可以为UE的内存或电量等相关硬件信息，NW侧的额外条件信息可以为与训练的AI模型相关的信道场景、数据集等。
实施例4、UE主动通过RRC/MAC-CE/UCI等信令把以下一种或多种信息上报给NW，或者NW通过信令如RRC/MAC-CE/DCI触发或指示UE上报以下一种或多种信息：
UE根据网络配置的导频信息计算的第一参数信息；
第二参数信息，即UE侧的额外条件信息；
UE侧可用的AI功能或模型。
实施例5、NW基于实施例4中接收的一种或多种信息，重新配置与待选AI模型相关的配置信息。
可选地，NW还可以向UE发送第二参数信息，即指示NW侧的额外条件信息。
实施例6、UE可以根据接收到的与待选AI模型相关的配置信息，或接收到的第二参数信息，选择对应的AI功能或模型进行推理。
下面通过两个示例对模型选择方法进行说明：
示例1、
若gNB配置了参数N、M、K、D和相应的CSI-RS资源，则UE可以根据接收到的CSI-RS资源完成训练CSI预测的AI模型的收集。由于UE的移动性，不同的移动速度将导致信道时变特性不同，即TDCP不同。相应地，参数N、M、K和D的取值可能也不同，这将导致UE可以根据这些参数配置及收集的数据训练出不同的模型。因此，训练的AI模型可以至少关联一个TDCP所对应的值。
TDCP的测量由UE根据gNB配置的跟踪参考信号(Tracking Reference Signals，TRS)资源测量得到。UE基于接收到的TRS可以计算出不同时间间隔下的时域信道的相关性。时域信道的相关性包含了幅度值和相位，其中幅度值为归一化的结果，取值范围为0～1之间。训练的AI模型具有一定的泛化性，不必令每个TDCP的幅度值都对应一个AI模型，即某一TDCP的幅度范围对应一个AI模型。示例性的，UE训练了A，B，C，D四种模型，其中每个模型与TDCP幅度取值范围的对应关系如表3所示。
表3
可选地，若多个CSI预测的AI模型对应相同的TDCP幅度值，则UE或gNB可以根据配置参数信息N、M、K、D中的一种或多种，选择对应的AI模型。
示例2、
若gNB配置了参数N、M、K、D和相应的CSI-RS资源，则UE可以根据接收到的CSI-RS资源完成训练CSI预测的AI模型的收集，从而训练出不同参数配置对应的AI模型。由示例1可知，训练的不同AI模型还可关联不同的TDCP幅度值或幅度范围。
收集的数据集可以是某一个信道场景下的数据集，信道场景可以包括UMa、城市微小区(Urban Micro cell，UMi)、室内(indoor)、农村(rural)等。该信道场景为gNB侧的条件信息，不同的信道场景下，对应的AI模型可以不同。例如，不同信道场景下对应的不同AI模型如表1所示。每个信道场景下包含了3个AI模型。如果UE不知道当前的信道场景，将需要从9个模型中进行选择，那么UE的计算复杂度将显著提高。信道场景为gNB侧的条件，gNB可以将该条件信息通过RRC信令发送给UE，例如，可以通过RRC信令中的指示信息指示当前的信道场景为UMa场景，这样，UE可以从UMa场景下对应的A0，B0和C0中选择一个，显著降低UE的计算复杂度。
UE在使用AI模型推理的过程中，UE本身的硬件水平如电量等情况导致UE的处理能力降低时，UE将不能再使用部分的AI模型进行推理。此时，UE可主动将可用的AI模型上报给gNB。可选地，gNB也可以发送信令查询UE可能支持的AI模型，让UE上报可用的AI模型。UE的处理能力或硬件水平的变化属于UE侧的额外条件信息，gNB只有接收到UE上报的额外条件信息，或者上报的可用AI模型后，才会根据接收到的信息或UE上报的AI模型进行相应的N，M，K或D的参数配置。最后，UE可以根据gNB重新配置的参数信息及UE的额外条件信息，从有限的一个或多个AI模型中选择一个AI模型，避免UE从更多AI模型中选择候选模型，以减少UE选择模型的处理复杂度。
在本公开的一些实施例中，提供一种通信系统，该通信系统可以包括终端设备和网络设备，其中，该终端设备可以执行本公开前述实施例中的由终端设备执行的通信方法；该网络设备可以执行本公开前述实施例中由网络设备执行的通信方法。
本公开实施例还提出用于实现以上任一方法的装置，例如，提出一装置，上述装置包括用以实现以上任一方法中终端所执行的各步骤的单元或模块。再如，还提出另一装置，包括用以实现以上任一方法中网络设备(例如接入网设备、核心网功能节点、核心网设备等)所执行的各步骤的单元或模块。
应理解以上装置中各单元或模块的划分仅是一种逻辑功能的划分，在实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。此外，装置中的单元或模块可以以处理器调用软件的形式实现：例如装置包括处理器，处理器与存储器连接，存储器中存储有指令，处理器调用存储器中存储的指令，以实现以上任一方法或实现上述装置各单元或模块的功能，其中处理器例如为通用处理器，例如中央处理单元(Central Processing Unit，CPU)或微处理器，存储器为装置内的存储器或装置外的存储器。或者，装置中的单元或模块可以以硬件电路的形式实现，可以通过对硬件电路的设计实现部分或全部单元或模块的功能，上述硬件电路可以理解为一个或多个处理器；例如，在一种实现中，上述硬件电路为专用集成电路(Application-Specific Integrated Circuit，ASIC)，通过对电路内元件逻辑关系的设计，实现以上部分或全部单元或模块的功能；再如，在另一种实现中，上述硬件电路为可以通过可编程逻辑器件(Programmable Logic Device，PLD)实现，以现场可编程门阵列(Field Programmable Gate Array，FPGA)为例，其可以包括大量逻辑门电路，通过配置文件来配置逻辑门电路之间的连接关系，从而实现以上部分或全部单元或模块的功能。以上装置的所有单元或模块可以全部通过处理器调用软件的形式实现，或全部通过硬件电路的形式实现，或部分通过处理器调用软件的形式实现，剩余部分通过硬件电路的形式实现。
在本公开实施例中，处理器是具有信号处理能力的电路，在一种实现中，处理器可以是具有指令读取与运行能力的电路，例如中央处理单元(Central Processing Unit，CPU)、微处理器、图形处理器(Graphics Processing Unit，GPU)(可以理解为微处理器)、或数字信号处理器(Digital Signal Processor，DSP)等；在另一种实现中，处理器可以通过硬件电路的逻辑关系实现一定功能，上述硬件电路的逻辑关系是固定的 或可以重构的，例如处理器为专用集成电路(Application-Specific Integrated Circuit，ASIC)或可编程逻辑器件(Programmable Logic Device，PLD)实现的硬件电路,例如FPGA。在可重构的硬件电路中，处理器加载配置文档，实现硬件电路配置的过程，可以理解为处理器加载指令，以实现以上部分或全部单元或模块的功能的过程。此外，还可以是针对人工智能设计的硬件电路，其可以理解为ASIC，例如神经网络处理单元(Neural Network Processing Unit，NPU)、张量处理单元(Tensor Processing Unit，TPU)、深度学习处理单元(Deep learning Processing Unit，DPU)等。
图6A是本公开实施例提出的一种终端设备的结构示意图。如图6A所示，该终端设备101可以包括处理模块6101、收发模块6102等中的至少一者。在一些实施例中，该处理模块6101，被配置为根据第一信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能，所述第一信息包括与训练所述第一AI模型或所述第一AI功能的参数关联的信息。可选地，该收发模块6102可以用于执行以上任一方法中终端设备101执行的发送和/或接收等通信步骤(例如步骤S2101，但不限于此)中的至少一者，此处不再赘述。可选地，该处理模块6101以用于执行以上任一方法中终端设备101执行的其他步骤(例如步骤S2105，但不限于此)中的至少一者，此处不再赘述。
在一些实施例中，收发模块可以包括发送模块和/或接收模块，发送模块和接收模块可以是分离的，也可以集成在一起。可选地，收发模块可以与收发器相互替换。
在一些实施例中，处理模块可以是一个模块，也可以包括多个子模块。可选地，上述多个子模块分别执行处理模块所需执行的全部或部分步骤。可选地，处理模块可以与处理器相互替换。
图6B是本公开实施例提出的一种网络设备的结构示意图。如图6B所示，该网络设备102可以包括：收发模块6201、处理模块6202等中的至少一者。在一些实施例中，该收发模块6201，被配置为向终端设备发送第四信息，所述第四信息用于所述终端设备从多个AI模型或AI功能中确定第一AI模型或第一AI功能，所述第四信息包括第一信息中与所述网络设备关联的信息，所述第一信息包括与训练所述第一AI模型或所述第一AI功能的参数关联的信息。可选地，该收发模块6201可以用于执行以上任一方法中网络设备102执行的发送和/或接收等通信步骤(例如步骤S2101，但不限于此)中的至少一者，此处不再赘述。
在一些实施例中，收发模块可以包括发送模块和/或接收模块，发送模块和接收模块可以是分离的，也可以集成在一起。可选地，收发模块可以与收发器相互替换。
图7A是本公开实施例提出的通信设备7100的结构示意图。通信设备7100可以是网络设备(例如接入网设备、核心网设备等)，也可以是终端(例如用户设备等)，也可以是支持第一设备实现以上任一方法的芯片、芯片系统、或处理器等，还可以是支持终端实现以上任一方法的芯片、芯片系统、或处理器等。通信设备7100可用于实现上述方法实施例中描述的方法，具体可以参见上述方法实施例中的说明。
如图7A所示，通信设备7100包括一个或多个处理器7101。处理器7101可以是通用处理器或者专用处理器等，例如可以是基带处理器或中央处理器。基带处理器可以用于对通信协议以及通信数据进行处理，中央处理器可以用于对通信装置(如，基站、基带芯片，物联网设备、物联网设备芯片，DU或CU等)进行控制，执行程序，处理程序的数据。通信设备7100用于执行以上任一方法。
在一些实施例中，通信设备7100还包括用于存储指令的一个或多个存储器7102。可选地，全部或部分存储器7102也可以处于通信设备7100之外。
在一些实施例中，通信设备7100还包括一个或多个收发器7103。在通信设备7100包括一个或多个收发器7103时，收发器7103执行上述方法中的发送和/或接收等通信步骤(例如步骤S2101、步骤S2102，但不限于此)中的至少一者，处理器7101执行其他步骤(例如步骤S2105，步骤S2106，但不限于此)中的至少一者。
在一些实施例中，收发器可以包括接收器和/或发送器，接收器和发送器可以是分离的，也可以集成在一起。可选地，收发器、收发单元、收发机、收发电路等术语可以相互替换，发送器、发送单元、发送机、发送电路等术语可以相互替换，接收器、接收单元、接收机、接收电路等术语可以相互替换。
在一些实施例中，通信设备7100可以包括一个或多个接口电路。可选地，接口电路与存储器7102连接，接口电路可用于从存储器7102或其他装置接收信号，可用于向存储器7102或其他装置发送信号。例如，接口电路可读取存储器7102中存储的指令，并将该指令发送给处理器7101。
以上实施例描述中的通信设备7100可以是第一设备或者物联网设备，但本公开中描述的通信设备7100的范围并不限于此，通信设备7100的结构可以不受图7A的限制。通信设备可以是独立的设备或者可以是较大设备的一部分。例如所述通信设备可以是：1)独立的集成电路IC，或芯片，或，芯片系统或子系统；(2)具有一个或多个IC的集合，可选地，上述IC集合也可以包括用于存储数据，程序的存储部件；(3)ASIC，例如调制解调器(Modem)；(4)可嵌入在其他设备内的模块；(5)接收机、物联网设备、智能物联网设备、蜂窝电话、无线设备、手持机、移动单元、车载设备、第一设备、云设备、人工智能设备等等；(6)其他等等。
图7B是本公开实施例提出的芯片7200的结构示意图。对于通信设备7100可以是芯片或芯片系统的情况，可以参见图7B所示的芯片7200的结构示意图，但不限于此。
芯片7200包括一个或多个处理器7201，芯片7200用于执行以上任一方法。
在一些实施例中，芯片7200还包括一个或多个接口电路7203。可选地，接口电路7203与存储器7202连接，接口电路7203可以用于从存储器7202或其他装置接收信号，接口电路7203可用于向存储器7202或其他装置发送信号。例如，接口电路7203可读取存储器7202中存储的指令，并将该指令发送给处理器7201。
在一些实施例中，接口电路7203执行上述方法中的发送和/或接收等通信步骤(例如步骤S2101、步骤S2102，但不限于此)中的至少一者，处理器7201执行其他步骤(例如步骤S2105，步骤S2106，但不限于此)中的至少一者。
在一些实施例中，接口电路、接口、收发管脚、收发器等术语可以相互替换。
在一些实施例中，芯片7200还包括用于存储指令的一个或多个存储器7202。可选地，全部或部分存储器7202可以处于芯片7200之外。
本公开实施例还提出存储介质，上述存储介质上存储有指令，当上述指令在通信设备7100上运行时，使得通信设备7100执行以上任一方法。可选地，上述存储介质是电子存储介质。可选地，上述存储介质是计算机可读存储介质，但不限于此，其也可以是其他装置可读的存储介质。可选地，上述存储介质可以是非暂时性(non-transitory)存储介质，但不限于此，其也可以是暂时性存储介质。
本公开实施例还提出程序产品，上述程序产品被通信设备7100执行时，使得通信设备7100执行以上任一方法。可选地，上述程序产品可以是计算机程序产品。
本公开实施例还提出计算机程序，当其在计算机上运行时，使得计算机执行以上任一方法。

Claims (25)

  1. 一种通信方法，其特征在于，由终端设备执行，所述方法包括：
    根据第一信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能，所述第一信息包括与训练所述第一AI模型或所述第一AI功能的参数关联的信息。
  2. 根据权利要求1所述的方法，其特征在于，所述第一信息包括以下至少一项：
    第一指示信息，所述第一指示信息用于指示信道特性；
    第二指示信息，所述第二指示信息用于指示所述终端设备对应的额外条件；
    第三指示信息，所述第三指示信息用于指示网络设备对应的额外条件；
    第四指示信息，所述四指示信息用于指示所述网络设备为所述终端设备配置的参数。
  3. 根据权利要求2所述的方法，其特征在于，所述根据第一信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能包括：
    根据所述第一指示信息，从所述多个AI模型或AI功能中确定至少一个第二AI模型或第二AI功能；
    根据第五指示信息，从所述至少一个第二AI模型或第二AI功能中确定所述第一AI模型或所述第一AI功能，所述第五指示信息包括以下至少一项：所述第二指示信息、所述第三指示信息、所述第四指示信息。
  4. 根据权利要求2所述的方法，其特征在于，所述根据第一信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能包括：
    根据所述第三指示信息，从所述多个AI模型或AI功能中确定至少一个第三AI模型或第三AI功能；
    根据第六指示信息，从所述至少一个第三AI模型或第三AI功能中确定所述第一AI模型或所述第一AI功能，所述第六指示信息包括以下至少一项：所述第二指示信息、所述第四指示信息。
  5. 根据权利要求4所述的方法，其特征在于，所述第三AI模型或所述第三AI功能包括多个，所述根据第六指示信息，从所述至少一个第三AI模型或第三AI功能中确定所述第一AI模型或所述第一AI功能包括：
    根据所述第二指示信息，从多个第三AI模型或第三AI功能中确定至少一个第四AI模型或第四AI功能；
    根据所述第四指示信息，从所述至少一个第四AI模型或第四AI功能中确定所述第一AI模型或所述第一AI功能。
  6. 根据权利要求2-5任一项所述的方法，其特征在于，所述方法还包括：
    接收所述网络设备发送的第四信息，所述第四信息用于所述终端设备从所述多个AI模型或AI功能中确定所述第一AI模型或所述第一AI功能，所述第四信息包括所述第一信息中与所述网络设备关联的信息。
  7. 根据权利要求6所述的方法，其特征在于，所述接收所述网络设备发送的第四信息包括：
    向所述网络设备上报第二信息，所述第二信息用于所述网络设备确定所述第四指示信息；
    接收所述网络设备发送的所述第四指示信息。
  8. 根据权利要求7所述的方法，其特征在于，所述方法还包括：
    接收所述网络设备发送的第三信息，所述第三信息用于指示所述终端设备上报所述第二信息。
  9. 根据权利要求8所述的方法，其特征在于，所述接收所述网络设备发送的第三信息包括：
    接收所述网络设备通过第一信令发送的所述第三信息，所述第一信令包括以下至少一项：无线资源控制RRC消息、媒体接入控制控制单元MAC-CE、下行控制信息DCI。
  10. 根据权利要求7-9任一项所述的方法，其特征在于，所述向所述网络设备上报第二信息包括：
    通过第二信令向所述网络设备上报所述第二信息，所述第二信令包括以下至少一项：RRC、MAC-CE、上行控制信息UCI。
  11. 根据权利要求7-10任一项所述的方法，其特征在于，所述第二信息包括以下至少一项：
    所述第一指示信息；
    所述第二指示信息；
    第七指示信息，所述第七指示信息用于指示第五AI模型或第五AI功能，所述第五AI模型或所述第五AI功能包括所述终端设备能够使用的AI模型或AI功能。
  12. 根据权利要求6-11任一项所述的方法，其特征在于，所述接收所述网络设备发送的第四信息包括：
    接收所述网络设备发送的所述第三指示信息。
  13. 根据权利要求2-12任一项所述的方法，其特征在于，每个所述第一指示信息对应至少一个AI模型或AI功能。
  14. 一种通信方法，其特征在于，由网络设备执行，所述方法包括：
    向终端设备发送第四信息，所述第四信息用于所述终端设备从多个AI模型或AI功能中确定第一AI模型或第一AI功能，所述第四信息包括第一信息中与所述网络设备关联的信息，所述第一信息包括与训练所述第一AI模型或所述第一AI功能的参数关联的信息。
  15. 根据权利要求14所述的方法，其特征在于，所述向终端设备发送第四信息包括：
    接收所述终端设备上报的第二信息；
    根据所述第二信息确定第四指示信息，所述四指示信息用于指示所述网络设备为所述终端设备配置的参数；
    向所述终端设备发送所述第四指示信息。
  16. 根据权利要求15所述的方法，其特征在于，所述方法还包括：
    向所述终端设备发送第三信息，所述第三信息用于指示所述终端设备上报所述第二信息。
  17. 根据权利要求16所述的方法，其特征在于，所述向所述终端设备发送第三信息包括：
    通过第一信令向所述终端设备发送所述第三信息，所述第一信令包括以下至少一项：无线资源控制RRC消息、媒体接入控制控制单元MAC-CE、下行控制信息DCI。
  18. 根据权利要求15-17任一项所述的方法，其特征在于，所述接收所述终端设备上报的第二信息包括：
    接收所述终端设备通过第二信令上报的所述第二信息，所述第二信令包括以下至少一项：RRC、MAC-CE、上行控制信息UCI。
  19. 根据权利要求15-18任一项所述的方法，其特征在于，所述第二信息包括以下至少一项：
    第一指示信息，所述第一指示信息用于指示信道特性；
    第二指示信息，所述第二指示信息用于指示所述终端设备对应的额外条件；
    第七指示信息，所述第七指示信息用于指示第五AI模型或第五AI功能，所述第五AI模型或所述第五AI功能包括所述终端设备能够使用的AI模型或AI功能。
  20. 根据权利要求14-19任一项所述的方法，其特征在于，所述向终端设备发送第四信息包括：
    向所述终端设备发送第三指示信息，所述第三指示信息用于指示所述网络设备对应的额外条件。
  21. 一种终端设备，其特征在于，包括：
    处理模块，被配置为根据第一信息从多个AI模型或AI功能中确定第一AI模型或第一AI功能，所述第一信息包括与训练所述第一AI模型或所述第一AI功能的参数关联的信息。
  22. 一种网络设备，其特征在于，包括：
    收发模块，被配置为向终端设备发送第四信息，所述第四信息用于所述终端设备从多个AI模型或AI功能中确定第一AI模型或第一AI功能，所述第四信息包括第一信息中与网络设备关联的信息，所述第一信息包括与训练所述第一AI模型或所述第一AI功能的参数关联的信息。
  23. 一种通信设备，其特征在于，包括：
    一个或多个处理器；
    其中，所述通信设备用于执行权利要求1至13或权利要求14至20中任一项所述的通信方法。
  24. 一种通信系统，其特征在于，所述通信系统包括终端设备和网络设备，其中，所述终端设备被配置为实现权利要求1至13中任一项所述的通信方法，所述网络设备被配置为实现权利要求14至20中任一项所述的通信方法。
  25. 一种存储介质，所述存储介质存储有指令，其特征在于，当所述指令在通信设备上运行时，使得所述通信设备执行如权利要求1至13或权利要求14至20中任一项所述的通信方法。
PCT/CN2024/076448 2024-02-06 2024-02-06 通信方法、设备和存储介质 Pending WO2025166573A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202480024889.9A CN121002913A (zh) 2024-02-06 2024-02-06 通信方法、设备和存储介质
PCT/CN2024/076448 WO2025166573A1 (zh) 2024-02-06 2024-02-06 通信方法、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2024/076448 WO2025166573A1 (zh) 2024-02-06 2024-02-06 通信方法、设备和存储介质

Publications (1)

Publication Number Publication Date
WO2025166573A1 true WO2025166573A1 (zh) 2025-08-14

Family

ID=96698787

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2024/076448 Pending WO2025166573A1 (zh) 2024-02-06 2024-02-06 通信方法、设备和存储介质

Country Status (2)

Country Link
CN (1) CN121002913A (zh)
WO (1) WO2025166573A1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023036268A1 (zh) * 2021-09-10 2023-03-16 华为技术有限公司 一种通信方法及装置
CN116471609A (zh) * 2022-01-07 2023-07-21 索尼集团公司 人工智能模型的管理和分发
CN116889009A (zh) * 2023-05-15 2023-10-13 北京小米移动软件有限公司 通信方法及装置、通信设备、通信系统
CN116963092A (zh) * 2022-04-15 2023-10-27 维沃移动通信有限公司 模型确定方法、信息传输方法、装置及相关设备
CN117397323A (zh) * 2023-08-31 2024-01-12 北京小米移动软件有限公司 模型选择方法、节点及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023036268A1 (zh) * 2021-09-10 2023-03-16 华为技术有限公司 一种通信方法及装置
CN116471609A (zh) * 2022-01-07 2023-07-21 索尼集团公司 人工智能模型的管理和分发
CN116963092A (zh) * 2022-04-15 2023-10-27 维沃移动通信有限公司 模型确定方法、信息传输方法、装置及相关设备
CN116889009A (zh) * 2023-05-15 2023-10-13 北京小米移动软件有限公司 通信方法及装置、通信设备、通信系统
CN117397323A (zh) * 2023-08-31 2024-01-12 北京小米移动软件有限公司 模型选择方法、节点及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HUAWEI, HISILICON: "KI #1, Sol #5: Update to clarify the parameters for ML model discovery", 3GPP DRAFT; S2-2008646, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, vol. SA WG2, no. Elbonia; 20201116 - 20201120, 9 November 2020 (2020-11-09), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France , XP051952684 *

Also Published As

Publication number Publication date
CN121002913A (zh) 2025-11-21

Similar Documents

Publication Publication Date Title
WO2025025065A1 (zh) 通信处理方法、终端、设备、通信系统及存储介质
WO2025000237A1 (zh) 模型测试方法、设备和存储介质
WO2024234272A1 (zh) 通信方法及装置、通信设备、通信系统
WO2025147963A1 (zh) 模型监控方法、装置以及存储介质
WO2025175580A1 (zh) 通信方法、装置以及存储介质
CN117337607A (zh) 频段切换方法、终端、网络设备以及存储介质
WO2025043568A1 (zh) 通信方法、终端、网络设备及存储介质
WO2025166573A1 (zh) 通信方法、设备和存储介质
WO2025000205A1 (zh) 测量方法、设备和存储介质
WO2025160849A1 (zh) 通信方法、设备、通信系统及存储介质
WO2025208452A1 (zh) 通信方法、装置以及存储介质
WO2025081490A1 (zh) 通信方法、设备和存储介质
WO2025081439A1 (zh) 通信方法、设备和存储介质
WO2025118252A1 (zh) 通信方法、设备和存储介质
WO2025184919A1 (zh) 通信方法、终端、网络设备、通信系统及存储介质
WO2025184912A1 (zh) 测量方法、装置以及存储介质
WO2025179597A1 (zh) 通信方法、终端、网络设备、通信系统及存储介质
WO2025231591A1 (zh) 通信方法、终端、网络设备、通信装置、通信系统及介质
WO2025102381A1 (zh) 操作处理方法及装置、存储介质
WO2025208529A1 (zh) 通信方法、装置以及存储介质
WO2025208384A1 (zh) 监测方法、装置及存储介质
WO2025245705A1 (zh) 通信方法、设备和存储介质
WO2025166790A1 (zh) 通信方法、设备和存储介质
WO2025043569A1 (zh) 通信方法、终端、网络设备及存储介质
WO2025179599A1 (zh) 通信方法、终端、网络设备、通信系统及存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24922816

Country of ref document: EP

Kind code of ref document: A1