Method and apparatus of adaptive beam report for ai / ml-based beam management in mobile communications

Abstract

Examples pertaining to adaptive beam reporting for artificial intelligence (AI) / machine learning (ML) -based beam management in mobile communications are described. A user equipment (UE) measures a set of reference signal (RS) resources and provides a result of the measuring as an input to an artificial intelligence (AI) / machine learning (ML) model. The UE also determines a number of predicted best beams to be reported based at least in part on an output of the AI / ML model. The UE then transmits a beam report to a network for a current report setting. The processor determines the number of predicted best beams included in the beam report.

Description

METHOD AND APPARATUS OF ADAPTIVE BEAM REPORT FOR AI / ML-BASED BEAM MANAGEMENT IN MOBILE COMMUNICATIONS

[0001] CROSS REFERENCE TO RELATED PATENT APPLICATION (S)

[0002] The present disclosure is part of a non-provisional application claiming the priority benefit of U.S. Patent Application No. 63 / 501,419, filed 11 May 2023, the content of which herein being incorporated by reference in its entirety.TECHNICAL FIELD

[0003] The present disclosure is generally related to mobile communications and, more particularly, to adaptive beam reporting for artificial intelligence (AI)  / machine learning (ML) -based beam management in mobile communications.BACKGROUND

[0004] Unless otherwise indicated herein, approaches described in this section are not prior art to the claims listed below and are not admitted as prior art by inclusion in this section.

[0005] In wireless communications such as mobile communications under the 3rd Generation Partnership Project (3GPP) standards, a user equipment (UE) and a base station (e.g., gNB) need to find a best beam to communicate with each other, yet exhaustive beam sweeping overhead could be significantly increased as the number of available beams increases. Accordingly, beamforming is a technique that can increase downlink (DL) throughput and, thus, is essential for the millimeter wave (mmWave) technology in future wireless systems. Compared with the existing exhaustive beam sweeping procedure, an AI / ML-based solution can provide a faster way to obtain information of the best beam. For instance, an AI / ML-based beam management can reduce the required number and time of layer 1 reference signal received power (L1-RSRP) measurement. With respect to beam prediction accuracy, the term “Top-K / 1 (%) ” refers to the percentage of the top-1 genie-aided beam (the ground-truth best beam) is one of the top-K predicted beams. Based on evaluation, the accuracy increases with the value of K. For example, a spatial beam prediction with 4, 8 or 16 as the number of sensing beams can be performed to predict the best beam among 32 communication beams.

[0006] However, if an AI / ML model is inferenced at UE side, the UE would not be able to tell whether the AI / ML model’s output (e.g., predicted DL transmission (Tx) beam (s) is / are the best DL Tx beam (s) ) is correct or not. If the UE reports a larger value of K of beams, beam prediction accuracy would increase but the corresponding reporting overhead would be higher (e.g., more uplink channel information (UCI) payload) . Besides, the network would need to  configure these K beams for a Procedure 2 (P2) sweep, leading to higher measurement overhead. On the other hand, if the UE reports less value of K of beams, the beam prediction accuracy would be lower and thus reporting overhead (UCI payload) could be saved as there is a lesser number of beams being reported. Moreover, the network could configure less beams for the P2 sweep, or even skip the P2 seep if there is only one beam reported. As can be seen, it would be beneficial to have a mechanism for the UE to determine what value of K for the reporting number of beams without the UE knowing the ground-truth correctness of the predicted beam (s) . Therefore, there is a need for a solution of adaptive beam reporting for AI / ML-based beam management in mobile communications.SUMMARY

[0007] The following summary is illustrative only and is not intended to be limiting in any way. That is, the following summary is provided to introduce concepts, highlights, benefits and advantages of the novel and non-obvious techniques described herein. Select implementations are further described below in the detailed description. Thus, the following summary is not intended to identify essential features of the claimed subject matter, nor is it intended for use in determining the scope of the claimed subject matter.

[0008] An objective of the present disclosure is to propose solutions or schemes that address the aforementioned issues pertaining to adaptive beam reporting for AI / ML-based beam management in mobile communications. It is believed that implementation of one or more schemes proposed herein may avoid or otherwise alleviate issue (s) described herein.

[0009] In one aspect, a method may involve a UE measuring a set of reference signal (RS) resources. The method may also involve the UE providing a result of the measuring as an input to an AI / ML model. The method may additionally involve the UE determining a number of predicted best beams to be reported based at least in part on an output of the AI / ML model. The method may further involve the UE transmitting a beam report to a network for a current report setting, the beam report comprising the number of predicted best beams.

[0010] In another aspect, a method may involve a UE measuring a set of RS resources. The method may also involve the UE providing a result of the measuring as an input to an AI / ML model. The method may additionally involve the UE determining a number of beams or RS resources to be reported in future per report setting based at least in part on an output of the AI / ML model. The method may further involve the UE transmitting a beam report to a network, the beam report comprising the number of beams or RS resources to be reported in future per report setting, whereas the number of beams or RS resources to be included in the beam report is configured by the network.

[0011] In yet another aspect, a method may involve a network configuring a set of RS resources for a UE to measure. The method may also involve the network receiving a beam report from the UE, the beam report comprising a suggested number of RS resources to be reported per report setting as determined by the UE based on an AI / ML model. The method may further involve the network determining, based on a history of reported suggestions of numbers of RS resources to be reported per report setting from the UE, a number of RS resources to be reported per report setting in future report configurations.

[0012] It is noteworthy that, although description provided herein may be in the context of certain radio access technologies, networks and network topologies such as Long-Term Evolution (LTE) , LTE-Advanced, LTE-Advanced Pro, 5th Generation (5G) , New Radio (NR) , Internet-of-Things (IoT) and Narrow Band Internet of Things (NB-IoT) , Industrial Internet of Things (IIoT) , and 6th Generation (6G) , the proposed concepts, schemes and any variation (s)  / derivative (s) thereof may be implemented in, for and by other types of radio access technologies, networks and network topologies. Thus, the scope of the present disclosure is not limited to the examples described herein.BRIEF DESCRIPTION OF THE DRAWINGS

[0013] The accompanying drawings are included to provide a further understanding of the disclosure and are incorporated in and constitute a part of the present disclosure. The drawings illustrate implementations of the disclosure and, together with the description, serve to explain the principles of the disclosure. It is appreciable that the drawings are not necessarily in scale as some components may be shown to be out of proportion than the size in actual implementation in order to clearly illustrate the concept of the present disclosure.

[0014] FIG. 1 is a diagram depicting an example scenario of a beam management procedure in accordance with implementations of the present disclosure.

[0015] FIG. 2 is a diagram depicting an example scenario under a proposed scheme in accordance with the present disclosure.

[0016] FIG. 3 is a diagram depicting an example scenario under a proposed scheme in accordance with the present disclosure.

[0017] FIG. 4 is a diagram depicting an example scenario under a proposed scheme in accordance with the present disclosure.

[0018] FIG. 5 is a diagram depicting an example scenario under a proposed scheme in accordance with the present disclosure.

[0019] FIG. 6 is a diagram depicting an example scenario under a proposed scheme in accordance with the present disclosure.

[0020] FIG. 7 is a diagram depicting an example scenario under a proposed scheme in accordance with the present disclosure.

[0021] FIG. 8 is a diagram depicting an example communication system having an example communication apparatus and an example network apparatus in accordance with an implementation of the present disclosure.

[0022] FIG. 9 is a diagram depicting an example process in accordance with an implementation of the present disclosure.

[0023] FIG. 10 is a diagram depicting another example process in accordance with an implementation of the present disclosure.

[0024] FIG. 11 is a diagram depicting another example process in accordance with an implementation of the present disclosure.

[0025] DETAILED DESCRIPTION OF PREFERRED IMPLEMENTATIONS

[0026] Detailed embodiments and implementations of the claimed subject matters are disclosed herein. However, it shall be understood that the disclosed embodiments and implementations are merely illustrative of the claimed subject matters which may be embodied in various forms. The present disclosure may, however, be embodied in many different forms and should not be construed as limited to the exemplary embodiments and implementations set forth herein. Rather, these exemplary embodiments and implementations are provided so that description of the present disclosure is thorough and complete and will fully convey the scope of the present disclosure to those skilled in the art. In the description below, details of well-known features and techniques may be omitted to avoid unnecessarily obscuring the presented embodiments and implementations.

[0027] Overview

[0028] Implementations in accordance with the present disclosure relate to various techniques, methods, schemes and / or solutions pertaining to adaptive beam reporting for AI / ML-based beam management in mobile communications. According to the present disclosure, a number of possible solutions may be implemented separately or jointly. That is, although these possible solutions may be described below separately, two or more of these possible solutions may be implemented in one combination or another.

[0029] FIG. 1 illustrates an example network environment 100 in which various solutions and schemes in accordance with the present disclosure may be implemented. FIG. 2 ～ FIG. 11 illustrate examples of implementation of various proposed schemes in network environment 100 in accordance with the present disclosure. The following description of various proposed schemes is provided with reference to FIG. 1 ～ FIG. 11.

[0030] Referring to FIG. 1, network environment 100 may involve a UE 110, such as a mobile device or smartphone, in wireless communication with a wireless network 120 as part of a communication network. The wireless network 120 may be a public land mobile network (PLMN) including 5G / NR domain and LTE domain. UE 110 may be in, or attempting to establish, wireless communication with wireless network 120 via a base station or network node 125 (e.g., an eNB, gNB or transmit-receive point (TRP) ) . In network environment 100, UE 110 and wireless network 120 via network node 125 may implement various schemes pertaining to enhancement of adaptive beam reporting for AI / ML-based beam management in mobile communications, as described herein. It is noteworthy that, while the various proposed schemes may be individually or separately described below, in actual implementations some or all of the proposed schemes may be utilized or otherwise implemented jointly. Of course, each of the proposed schemes may be utilized or otherwise implemented individually or separately.

[0031] In mobile communications under the 3GPP standards, the concept of “spatial beam prediction” refers to the inference of the optimal communication beams using power measurement of the sensing beams. The number of sensing beams is less than the number of communication beams. During operation with respect to spatial beam prediction, network 120 and / or UE 110 measures the receive power of all the beams in the sensing beam codebook. Then, network 120 and / or UE 110 infers the optimal communication beams from the sensing beam reference signal received power (RSRP) . Moreover, the concept of “temporal beam prediction” refers to the prediction of the future optimal beam indices using the beam measurements on the sensing beams of the previous time steps. The RSRP of one or more beams can be predicted with an input of history of RSRPs. In 3GPP discussions, the set of beams that is being measured as AI / ML input (sensing beams) is referred to as “Set B” of beams. The set of beams that is being predicted as AI / ML output (usually communication beams) is referred to as “Set A” of beams.

[0032] Under various proposed schemes in accordance with the present disclosure, the output of an AI / ML model may be utilized to estimate the probability of AI / ML model’s output being correct or incorrect. Based on the estimation of the correctness of the AI / ML model’s output, UE 110 may decide the value of K for the reporting number of beams by comparing its correctness in estimation with a set of threshold. Under a proposed scheme, in case that the AI / ML model’s output is the predicted signal strength of each beam, and in case that the predicted signal strength is close to a measured signal strength, UE 110 may either report a smaller number of beams in its beam report or suggest network 120 to reduce the number of reference signal (RS) resources to be reported per report setting. Under another proposed scheme, in case that the AI / ML model’s output is the predicted L1-RSRP and its uncertainty of each beam, and in case the uncertainty is less than a threshold, UE 110 may either report a smaller number of beams in the beam report or suggest  network 120 to reduce the number of RS resources to be reported per report setting. Under yet another proposed scheme, in case that the AI / ML model’s output is confidence score of each beam, and in case the probability score of a certain set of beams is higher than a threshold, UE 110 may reduce the number of reported beams in the channel state information (CSI) beam report. UE 110 may either report a smaller number of beams in the beam report or suggest network 120 to reduce the number of RS resources to be reported per report setting.

[0033] FIG. 2 illustrates an example scenario 200 under a proposed scheme in accordance with the present disclosure. Scenario 200 may pertain to an example in which the AI / ML model output is the RSRP of each beam in Set A (UE decision) . Referring to FIG. 2, network 120 may configure UE 110 to measure Set B of beams, with the maximum number of reported RS resources (e.g., beams) being configured as 4. Then, UE 110 may measure the configured RS resources and infer the predicted RSRPs for each (or a subset of) Set A of beams by using its AI / ML model. UE 110 may calculate the difference between the predicted RSRP and the measured L1-RSRP of a certain set of beams (e.g., determined by absolute error of the predicted RSRP and the measured L1-RSRP) . The certain set of beams may be a subset of Set A and / or the previously used Tx beam (s) and / or the best beam (s) that has / have already been measured in Set B. UE 110 may compare the difference with a set of thresholds and determine the number of beams to report for the current report setting (and the thresholds may be configurable) . In case that the difference is < 1dB, UE 110 may just report the best beam (Top-1 beam) and / or its predicted RSRP. In case that the difference is < 1.5dB, UE 110 may report Top-2 beams and / or their predicted RSRPs. In case that the difference is < 2dB, UE 110 may report Top-3 beams and / or their predicted RSRPs. In other cases, UE 110 may report the Top-4 beams and / or their predicted RSRPs. Moreover, UE 110 may include the corresponding K numbers of Top-K beams in the beam report.

[0034] FIG. 3 illustrates an example scenario 300 under a proposed scheme in accordance with the present disclosure. Scenario 300 may pertain to an example in which the AI / ML model output is the RSRP of each beam in Set A (network decision) . Referring to FIG. 3, UE 110 may measure the configured Set B of beams and may infer the predicted RSRPs for each (or a subset of) Set A of beams by using its AI / ML model. UE 110 may calculate the difference between the predicted RSRP and the measured L1-RSRP of a certain set of beams (e.g., determined by an absolute error of the predicted L1-RSRP and the measured L1-RSRP) . The certain set of beams may be a subset of Set A and / or the previously used Tx beam (s) and / or the best beam (s) that has / have already been measured in Set B. UE 110 may compare the difference with a set of thresholds and determine the suggested number of beams, K, to be reported in the future beam report (and the thresholds may be configurable) . In case that the difference is < 1dB, K = 1. In case that the difference is < 1.5dB, K = 2. In case that the difference is < 2dB, K = 3. In other  cases, K = 4. UE 110 may report the Top-4 predicted beams and / or their predicted RSRPs, along with the value of K, to network 120. Based on the history of the reported value K, network 120 may determine the number of reported beams in future report configurations.

[0035] FIG. 4 illustrates an example scenario 400 under a proposed scheme in accordance with the present disclosure. Scenario 400 may pertain to an example in which the AI / ML model output is the L1-RSRP with uncertainty of each beam of each L1-RSRP (UE decision) . Referring to FIG. 4, network 120 may configure UE 110 to measure Set B of beams, with the maximum number of reported RS resources (e.g., beams) being configured as 4. Then, UE 110 may measure the configured RS resources and infer the predicted L1-RSRPs for beam in Set A (or subset of Set A) by using its AI / ML model. UE 110 may compare a set of uncertainties for a set of beams with a set of thresholds and determine the number of beams to report for the current report setting (and the thresholds may be configurable) . In case that the uncertainty value of predicted Top-1 beam (e.g., the beam with the highest predicted RSRP value) is < 0.2, UE 110 may just report the best beam (Top-1 beam) and / or its predicted RSRP. In case that the uncertainty value of predicted Top-2 beams (e.g., the beams with the first and second highest predicted RSRP values) both are <0.4, UE 110 may report Top-2 beams and / or their predicted RSRPs. In case that the uncertainty value of predicted Top-3 beams (e.g., the beams with the first, second and third highest predicted RSRP values) all are < 0.5, UE 110 may report Top-3 beams and / or their predicted RSRPs. In other cases, UE 110 may report Top-4 beams and / or their predicted RSRPs. UE 110 may include the corresponding K numbers of Top-K beams in the beam report.

[0036] FIG. 5 illustrates an example scenario 500 under a proposed scheme in accordance with the present disclosure. Scenario 500 may pertain to an example in which the AI / ML model output is L1-RSRP with uncertainty of each beam of each L1-RSRP (network decision) . Referring to FIG. 5, network 120 may configure UE 110 to measure Set B of beams, with the number of reported beams being configured as 4. Then, UE 110 may measure the configured Set B of beams and infer the predicted L1-RSRPs and the corresponding uncertainty for each beam in Set A (or a subset of Set A) by using its AI / ML model. UE 110 may compare a set of uncertainties for a set of beams with a set of thresholds and determine the suggested number of beams, K, to be reported in future beam report (s) ) (and the thresholds may be configurable) . In case that the uncertainty value of predicted Top-1 beam (e.g., the beam with the highest predicted RSRP value) is < 0.2, K = 1. In case that the uncertainty values of predicted Top-2 beams (e.g., the beams with the first and second highest predicted RSRP values) both are < 0.4, K = 2. In case that the uncertainty values of predicted Top-3 beams (e.g., the beams with the first, second and third highest predicted RSRP values) all are < 0.5, K = 3. In other cases, K = 4. UE 110 may report the Top-4 predicted beams and / or their predicted RSRPs, along with the value of K to network 120. Based on the  history of the reported value K, network 120 may determine the number of reported beams in the future report configurations.

[0037] FIG. 6 illustrates an example scenario 600 under a proposed scheme in accordance with the present disclosure. Scenario 600 may pertain to an example in which the AI / ML model output is the probability score of each beam as the best DL Tx beam (UE decision) . Referring to FIG. 6, network 120 may configure UE 110 to measure Set B of beams, with the maximum number of reported beams being configured as 4. Then, UE 110 may measure the configured RS resources and infer the probability score of each beam in Set A to be the best beam in Set A (e.g., by using the output of a softmax layer at the end of the AI / ML model) . UE 110 may compare a set of confidence scores for a set of beams with a set of thresholds and determine the number of beams to report in a CSI beam report. In case that the predicted Top-1 beam (e.g., the beam with the highest probability score) has a probability score > 0.9, UE 110 may just report the best beam (Top-1 beam) and / or its probability score. In case that the predicted Top-2 beams (e.g., the beams with the first and second highest probability scores) both have a probability score > 0.45, UE 110 may report Top-2 beams and / or their probability scores. In case that the predicted Top-3 beams (e.g., the beams with the first, second and third highest confidence scores) all have confidence scores > 0.3, UE 110 may report Top-3 beams and / or their probability scores. In other cases, UE 110 may report the Top-4 beams and / or their probability scores. UE 110 may include the corresponding K numbers of Top-K beams in the beam report.

[0038] FIG. 7 illustrates an example scenario 700 under a proposed scheme in accordance with the present disclosure. Scenario 700 may pertain to an example in which the AI / ML model output is the probability score of each beam as the best DL x beam (network decision) . Referring to FIG. 7, network 120 may configure UE 110 to measure Set B of beams, with the number of reported beams being configured as 4. Then, UE 110 may measure the configured Set B of beams and may infer the probability score of each beam in Set A to be the best beam in Set A (e.g., by using the output of a softmax layer at the end of the AI / ML model) . UE 110 may compare a set of confidence scores for a set of beams with a set of thresholds and determine the suggested number of beams, K, to be reported in future beam report (s) (and the thresholds may be configurable) . In case that the predicted Top-1 beam (e.g., the beam with the highest probability score) has a probability score > 0.9, K = 1. In case that the predicted Top-2 beams (e.g., the beams with the first and second highest probability scores) both have a probability score > 0.45, K = 2. In case that the predicted Top-3 beams 9e.g., the beams with the first, second and third highest confidence scores) all have a confidence score > 0.3, K = 3. In other cases, K = 4. UE 110 may report the identifiers (IDs) of the Top-4 predicted beams (e.g., RS resource IDs) , along with the value of K,  to network 120. Based on the history of reported value K, network 120 may determine the number of reported beams in future report configurations.

[0039] In view of the above, certain aspects of the proposed schemes with respect to UE decisions and network decisions may be summarized below.

[0040] In one aspect, a network (e.g., network 120) may configure a report setting for a UE (e.g., UE 110) to measure a set of RS resources, with the maximum number of reported beams per report setting being configured as a predefined number (e.g., 4) . Accordingly, the UE may measure the configured RS resources and use the measurement as an input to its AI / ML model. The UE may determine the number of predicted best beams, from the output of its AI / ML model, to include in the beam report for a current report setting, based on the model output itself. There may be a number of potential scenarios. In one scenario, in case that the model output includes the predicted RSRP of a full or subset of Set A, the UE may calculate an error between the predicted RSRP and the measured RSRP for the full, subset or any beam (s) in Set A, and the UE may compare a set of errors with a set of thresholds to determine the number of predicted beams to report. In another scenario, in case that the model output includes the predicted RSRP of a full or subset of Set A and the uncertainty value of each predicted RSRP value, the UE may compare a set of uncertainties with a set of thresholds to determine the number of predicted beams to report. In yet another scenario, in case that the model output includes the beam ID (or any indicator for each beam in Set A) and the confidence value (or probability value) of each beam in Set A to be the best beam among Set A, the UE may compare a set of confidence values with a set of thresholds to determine the number of predicted best beams to report to network 120.

[0041] In one aspect, a network (e.g., network 120) may configure a set of RS resources for a UE (e.g., UE 110) to measure, with a certain number of RS resources to be reported per report setting. Accordingly, the UE may measure the configured RS resources and use the measurement as an input io its AI / ML model. In case that the model output includes the predicted RSRP of a full or subset of Set A, the UE may calculate an error between the predicted RSRP and the measured RSRP for the full, subset or any beam (s) in Set A, and the UE may compare a set of errors with a set of thresholds. In case that the model output includes the predicted RSRP of a full or subset of Set A and the uncertainty value of each predicted RSRP value, the UE may compare a set of uncertainties with a set of thresholds. In case that the model output includes the beam ID (or any indicator for each beam in Set A) and the confidence value (or probability value) of each beam in Set A to be the best beam among Set A, the UE may compare a set of confidence values with a set of thresholds. Based on the comparison results, the UE may determine the suggestion of the number of RS resources to be reported per report setting. The UE may report to the network the suggestion of number of RS resources to be reported per report setting. Based on the history  of the reported suggestion of numbers of RS resources to be reported per report setting, the network may determine the number of RS resources to be reported per report setting in the future report configurations.

[0042] Illustrative Implementations

[0043] FIG. 8 illustrates an example communication system 800 having at least an example apparatus 810 and an example apparatus 820 in accordance with an implementation of the present disclosure. Each of apparatus 810 and apparatus 820 may perform various functions to implement schemes, techniques, processes and methods described herein pertaining to adaptive beam reporting for AI / ML-based beam management in mobile communications, including the various schemes described above with respect to various proposed designs, concepts, schemes, systems and methods described above, including network environment 100, as well as processes described below.

[0044] Each of apparatus 810 and apparatus 820 may be a part of an electronic apparatus, which may be a network apparatus or a UE (e.g., UE 110) , such as a portable or mobile apparatus, a wearable apparatus, a vehicular device or a vehicle, a wireless communication apparatus or a computing apparatus. For instance, each of apparatus 810 and apparatus 820 may be implemented in a smartphone, a smart watch, a personal digital assistant, an electronic control unit (ECU) in a vehicle, a digital camera, or a computing equipment such as a tablet computer, a laptop computer or a notebook computer. Each of apparatus 810 and apparatus 820 may also be a part of a machine type apparatus, which may be an IoT apparatus such as an immobile or a stationary apparatus, a home apparatus, a roadside unit (RSU) , a wire communication apparatus or a computing apparatus. For instance, each of apparatus 810 and apparatus 820 may be implemented in a smart thermostat, a smart fridge, a smart door lock, a wireless speaker or a home control center. When implemented in or as a network apparatus, apparatus 810 and / or apparatus 820 may be implemented in an eNodeB in an LTE, LTE-Advanced or LTE-Advanced Pro network or in a gNB or TRP in a 5G network, an NR network, or an IoT network.

[0045] In some implementations, each of apparatus 810 and apparatus 820 may be implemented in the form of one or more integrated-circuit (IC) chips such as, for example and without limitation, one or more single-core processors, one or more multi-core processors, one or more complex-instruction-set-computing (CISC) processors, or one or more reduced-instruction-set-computing (RISC) processors. In the various schemes described above, each of apparatus 810 and apparatus 820 may be implemented in or as a network apparatus or a UE. Each of apparatus 810 and apparatus 820 may include at least some of those components shown in FIG. 8 such as a processor 812 and a processor 822, respectively, for example. Each of apparatus 810 and apparatus 820 may further include one or more other components not pertinent to the proposed scheme of  the present disclosure (e.g., internal power supply, display device and / or user interface device) , and, thus, such component (s) of apparatus 810 and apparatus 820 are neither shown in FIG. 8 nor described below in the interest of simplicity and brevity.

[0046] In one aspect, each of processor 812 and processor 822 may be implemented in the form of one or more single-core processors, one or more multi-core processors, or one or more CISC or RISC processors. That is, even though a singular term “a processor” is used herein to refer to processor 812 and processor 822, each of processor 812 and processor 822 may include multiple processors in some implementations and a single processor in other implementations in accordance with the present disclosure. In another aspect, each of processor 812 and processor 822 may be implemented in the form of hardware (and, optionally, firmware) with electronic components including, for example and without limitation, one or more transistors, one or more diodes, one or more capacitors, one or more resistors, one or more inductors, one or more memristors and / or one or more varactors that are configured and arranged to achieve specific purposes in accordance with the present disclosure. In other words, in at least some implementations, each of processor 812 and processor 822 is a special-purpose machine specifically designed, arranged, and configured to perform specific tasks including those pertaining to UE behavior for adaptive beam reporting for AI / ML-based beam management in mobile communications in accordance with various implementations of the present disclosure.

[0047] In some implementations, apparatus 810 may also include a transceiver 816 coupled to processor 812. Transceiver 816 may be capable of wirelessly transmitting and receiving data. In some implementations, transceiver 816 may be capable of wirelessly communicating with different types of wireless networks of different radio access technologies (RATs) . In some implementations, transceiver 816 may be equipped with a plurality of antenna ports (not shown) such as, for example, four antenna ports. That is, transceiver 816 may be equipped with multiple transmit antennas and multiple receive antennas for multiple-input multiple-output (MIMO) wireless communications. In some implementations, apparatus 820 may also include a transceiver 826 coupled to processor 822. Transceiver 826 may include a transceiver capable of wirelessly transmitting and receiving data. In some implementations, transceiver 826 may be capable of wirelessly communicating with different types of UEs / wireless networks of different RATs. In some implementations, transceiver 826 may be equipped with a plurality of antenna ports (not shown) such as, for example, four antenna ports. That is, transceiver 826 may be equipped with multiple transmit antennas and multiple receive antennas for MIMO wireless communications.

[0048] In some implementations, apparatus 810 may further include a memory 814 coupled to processor 812 and capable of being accessed by processor 812 and storing data therein. In some implementations, apparatus 820 may further include a memory 824 coupled to processor  822 and capable of being accessed by processor 822 and storing data therein. Each of memory 814 and memory 824 may include a type of random-access memory (RAM) such as dynamic RAM (DRAM) , static RAM (SRAM) , thyristor RAM (T-RAM) and / or zero-capacitor RAM (Z-RAM) . Alternatively, or additionally, each of memory 814 and memory 824 may include a type of read-only memory (ROM) such as mask ROM, programmable ROM (PROM) , erasable programmable ROM (EPROM) and / or electrically erasable programmable ROM (EEPROM) . Alternatively, or additionally, each of memory 814 and memory 824 may include a type of non-volatile random-access memory (NVRAM) such as flash memory, solid-state memory, ferroelectric RAM (FeRAM) , magnetoresistive RAM (MRAM) and / or phase-change memory.

[0049] Each of apparatus 810 and apparatus 820 may be a communication entity capable of communicating with each other using various proposed schemes in accordance with the present disclosure. For illustrative purposes and without limitation, a description of capabilities of apparatus 810, as a UE (e.g., UE 110) , and apparatus 820, as a network node (e.g., network node 125) of a network (e.g., wireless network 120 as a 5G / NR mobile network) , is provided below in the context of example processes 900, 1000 and 1100.

[0050] Illustrative Processes

[0051] FIG. 9 illustrates an example process 900 in accordance with an implementation of the present disclosure. Process 900 may represent an aspect of implementing various proposed designs, concepts, schemes, systems and methods described above. More specifically, process 900 may represent an aspect of the proposed concepts and schemes pertaining to adaptive beam reporting for AI / ML-based beam management in mobile communications in accordance with the present disclosure. Process 900 may include one or more operations, actions, or functions as illustrated by one or more of blocks 910, 920, 930 and 940. Although illustrated as discrete blocks, various blocks of process 900 may be divided into additional blocks, combined into fewer blocks, or eliminated, depending on the desired implementation. Moreover, the blocks / sub-blocks of process 900 may be executed in the order shown in FIG. 9 or, alternatively, in a different order. Furthermore, one or more of the blocks / sub-blocks of process 900 may be executed repeatedly or iteratively. Process 900 may be implemented by or in apparatus 810 and apparatus 820 as well as any variations thereof. Solely for illustrative purposes and without limiting the scope, process 900 is described below in the context of apparatus 810 as a UE (e.g., UE 110) and apparatus 820 as a communication entity such as a network node or base station (e.g., network node 125) of a network (e.g., wireless network 120) . Process 900 may begin at block 910.

[0052] At 910, process 900 may involve processor 812 measuring, via transceiver 816, a set of RS resources. Process 900 may proceed from 910 to 920.

[0053] At 920, process 900 may involve processor 812 providing a result of the measuring as an input to an AI / ML model. Process 900 may proceed from 920 to 930.

[0054] At 930, process 900 may involve processor 812 determining a number of predicted best beams to be reported based at least in part on an output of the AI / ML model. Process 900 may proceed from 930 to 940.

[0055] At 940, process 900 may involve processor 812 transmitting, via transceiver 816, a beam report to a network (e.g., wireless network 120 via apparatus 820 as network node 125) for a current report setting, where the number of predicted best beams (or RS resources) included in the beam report is determined in 930..

[0056] In some implementations, in measuring the set of RS resources, process 900 may involve processor 812 performing certain operations. For instance, process 900 may involve processor 812 receiving a configuration from the network that configures the set of RS resources for the UE to measure, with the number of RS resources to be reported per report setting determined by UE. Moreover, process 900 may involve processor 812 measuring the set of RS resources.

[0057] In some implementations, the output of the AI / ML model may include a predicted RSRP of each beam of a full set or subset of a plurality of beams being predicted by the AI / ML model (Set A) . In such cases, in determining, process 900 may involve processor 812 performing certain operations. For instance, process 900 may involve processor 812 calculating an error between the predicted RSRP of each beam and a measured RSRP of the respective beam for the full set or subset of the plurality of beams of Set A to provide a set of errors. Additionally, process 900 may involve processor 812 comparing the set of errors with a set of thresholds to determine the number of predicted best beams.

[0058] In some implementations, the output of the AI / ML model may include a predicted RSRP of each beam of a full set or subset of a plurality of beams being predicted by the AI / ML model (Set A) and a set of uncertainty values comprising a respective uncertainty value of each predicted RSRP. In such cases, in determining, process 900 may involve processor 812 comparing the set of uncertainty values with a set of thresholds to determine the number of predicted best beams.

[0059] In some implementations, the output of the AI / ML model may include an indicator of each beam in a plurality of beams being predicted by the AI / ML model (Set A) and a corresponding confidence value or probability value of the respective beam in the Set A to be one of the predicted best beams among the Set A to provide a set of confidence values. In such cases, in determining, process 900 may involve processor 812 comparing the set of confidence values  with a set of thresholds to determine the number of predicted best beams. In some implementations, the indicator may include a beam ID.

[0060] FIG. 10 illustrates an example process 1000 in accordance with an implementation of the present disclosure. Process 1000 may represent an aspect of implementing various proposed designs, concepts, schemes, systems and methods described above. More specifically, process 1000 may represent an aspect of the proposed concepts and schemes pertaining to adaptive beam reporting for AI / ML-based beam management in mobile communications in accordance with the present disclosure. Process 1000 may include one or more operations, actions, or functions as illustrated by one or more of blocks 1010, 1020, 1030 and 1040. Although illustrated as discrete blocks, various blocks of process 1000 may be divided into additional blocks, combined into fewer blocks, or eliminated, depending on the desired implementation. Moreover, the blocks / sub-blocks of process 1000 may be executed in the order shown in FIG. 10 or, alternatively, in a different order. Furthermore, one or more of the blocks / sub-blocks of process 1000 may be executed repeatedly or iteratively. Process 1000 may be implemented by or in apparatus 810 and apparatus 820 as well as any variations thereof. Solely for illustrative purposes and without limiting the scope, process 1000 is described below in the context of apparatus 810 as a UE (e.g., UE 110) and apparatus 820 as a communication entity such as a network node or base station (e.g., network node 125) of a network (e.g., wireless network 120) . Process 1000 may begin at block 1010.

[0061] At 1010, process 1000 may involve processor 812 measuring, via transceiver 816, a set of RS resources. Process 1000 may proceed from 1010 to 1020.

[0062] At 1020, process 1000 may involve processor 812 providing a result of the measuring as an input to an AI / ML model. Process 1000 may proceed from 1020 to 1030.

[0063] At 1030, process 1000 may involve processor 812 determining a number of beams or RS resources to be reported in future per report setting based at least in part on an output of the AI / ML model. Process 1000 may proceed from 1030 to 1040.

[0064] At 1040, process 1000 may involve processor 812 transmitting, via transceiver 816, a beam report to a network, with the beam report at least including the number of beams or RS resources to be reported in future per report setting as a suggestion to the network, wherein a number of beams or RS resources to be included in the beam report is configured by the network.

[0065] In some implementations, in measuring the set of RS resources, process 1000 may involve processor 812 performing certain operations. For instance, process 1000 may involve processor 812 receiving a configuration from the network that configures the set of RS resources for the UE to measure, with a certain number of RS resources to be reported per report setting. Moreover, process 1000 may involve processor 812 measuring the set of RS resources.

[0066] In some implementations, the output of the AI / ML model may include a predicted RSRP of each beam of a full set or subset of a plurality of beams being predicted by the AI / ML model (Set A) . In such cases, in determining, process 1000 may involve processor 812 performing certain operations. For instance, process 1000 may involve processor 812 calculating an error between the predicted RSRP of each beam and a measured RSRP of the respective beam for the full set or subset of the plurality of beams of Set A to provide a set of errors. Additionally, process 1000 may involve processor 812 comparing the set of errors with a set of thresholds to determine the number of RS resources to be reported per report setting.

[0067] In some implementations, the output of the AI / ML model may include a predicted RSRP of each beam of a full set or subset of a plurality of beams being predicted by the AI / ML model (Set A) and a set of uncertainty values comprising a respective uncertainty value of each predicted RSRP. In such cases, in determining, process 1000 may involve processor 812 comparing the set of uncertainty values with a set of thresholds to determine the number of RS resources to be reported per report setting.

[0068] In some implementations, the output of the AI / ML model may include an indicator of each beam in a plurality of beams being predicted by the AI / ML model (Set A) and a corresponding confidence value or probability value of the respective beam in the Set A to be one of the predicted best beams among the Set A to provide a set of confidence values. In such cases, in determining, process 1000 may involve processor 812 comparing the set of confidence values with a set of thresholds to determine the number of predicted best beams. In some implementations, the indicator may include a beam ID.

[0069] FIG. 11 illustrates an example process 1100 in accordance with an implementation of the present disclosure. Process 1100 may represent an aspect of implementing various proposed designs, concepts, schemes, systems and methods described above. More specifically, process 1100 may represent an aspect of the proposed concepts and schemes pertaining to adaptive beam reporting for AI / ML-based beam management in mobile communications in accordance with the present disclosure. Process 1100 may include one or more operations, actions, or functions as illustrated by one or more of blocks 1110, 1120, 1130 and 1140. Although illustrated as discrete blocks, various blocks of process 1100 may be divided into additional blocks, combined into fewer blocks, or eliminated, depending on the desired implementation. Moreover, the blocks / sub-blocks of process 1100 may be executed in the order shown in FIG. 11 or, alternatively, in a different order. Furthermore, one or more of the blocks / sub-blocks of process 1100 may be executed repeatedly or iteratively. Process 1100 may be implemented by or in apparatus 810 and apparatus 820 as well as any variations thereof. Solely for illustrative purposes and without limiting the scope, process 1100 is described below in the context of apparatus 810 as a UE (e.g., UE 110) and  apparatus 820 as a communication entity such as a network node or base station (e.g., network node 125) of a network (e.g., wireless network 120) . Process 1100 may begin at block 1110.

[0070] At 1110, process 1100 may involve processor 822 of apparatus 820 configuring, via transceiver 826, a set of RS resources for a UE (e.g., apparatus 810) to measure. Process 1100 may proceed from 1110 to 1120.

[0071] At 1120, process 1100 may involve processor 822 receiving, via transceiver 826, a beam report from the UE, the beam report comprising a suggested number of RS resources to be reported per report setting as determined by the UE based on an AI / ML model. Process 1100 may proceed from 1120 to 1130.

[0072] At 1130, process 1100 may involve processor 822 determining, based on a history of reported suggestions of numbers of RS resources to be reported per report setting from the UE, a number of RS resources to be reported per report setting in future report configurations. Process 1100 may proceed from 1130 to 1140.

[0073] At 1140, process 1100 may involve processor 822 configuring, via transceiver 826, the UE with the number of RS resources to be reported per report setting in future report configurations.

[0074] Additional Notes

[0075] The herein-described subject matter sometimes illustrates different components contained within, or connected with, different other components. It is to be understood that such depicted architectures are merely examples, and that in fact many other architectures can be implemented which achieve the same functionality. In a conceptual sense, any arrangement of components to achieve the same functionality is effectively "associated" such that the desired functionality is achieved. Hence, any two components herein combined to achieve a particular functionality can be seen as "associated with" each other such that the desired functionality is achieved, irrespective of architectures or intermedial components. Likewise, any two components so associated can also be viewed as being "operably connected" , or "operably coupled" , to each other to achieve the desired functionality, and any two components capable of being so associated can also be viewed as being "operably couplable" , to each other to achieve the desired functionality. Specific examples of operably couplable include but are not limited to physically mateable and / or physically interacting components and / or wirelessly interactable and / or wirelessly interacting components and / or logically interacting and / or logically interactable components.

[0076] Further, with respect to the use of substantially any plural and / or singular terms herein, those having skill in the art can translate from the plural to the singular and / or from the singular to the plural as is appropriate to the context and / or application. The various singular / plural permutations may be expressly set forth herein for sake of clarity.

[0077] Moreover, it will be understood by those skilled in the art that, in general, terms used herein, and especially in the appended claims, e.g., bodies of the appended claims, are generally intended as “open” terms, e.g., the term “including” should be interpreted as “including but not limited to, ” the term “having” should be interpreted as “having at least, ” the term “includes” should be interpreted as “includes but is not limited to, ” etc. It will be further understood by those within the art that if a specific number of an introduced claim recitation is intended, such an intent will be explicitly recited in the claim, and in the absence of such recitation no such intent is present. For example, as an aid to understanding, the following appended claims may contain usage of the introductory phrases "at least one" and "one or more" to introduce claim recitations. However, the use of such phrases should not be construed to imply that the introduction of a claim recitation by the indefinite articles "a" or "an" limits any particular claim containing such introduced claim recitation to implementations containing only one such recitation, even when the same claim includes the introductory phrases "one or more" or "at least one" and indefinite articles such as "a" or "an, " e.g., “a” and / or “an” should be interpreted to mean “at least one” or “one or more; ” the same holds true for the use of definite articles used to introduce claim recitations. In addition, even if a specific number of an introduced claim recitation is explicitly recited, those skilled in the art will recognize that such recitation should be interpreted to mean at least the recited number, e.g., the bare recitation of "two recitations, " without other modifiers, means at least two recitations, or two or more recitations. Furthermore, in those instances where a convention analogous to “at least one of A, B, and C, etc. ” is used, in general such a construction is intended in the sense one having skill in the art would understand the convention, e.g., “a system having at least one of A, B, and C” would include but not be limited to systems that have A alone, B alone, C alone, A and B together, A and C together, B and C together, and / or A, B, and C together, etc. In those instances where a convention analogous to “at least one of A, B, or C, etc. ” is used, in general such a construction is intended in the sense one having skill in the art would understand the convention, e.g., “a system having at least one of A, B, or C” would include but not be limited to systems that have A alone, B alone, C alone, A and B together, A and C together, B and C together, and / or A, B, and C together, etc. It will be further understood by those within the art that virtually any disjunctive word and / or phrase presenting two or more alternative terms, whether in the description, claims, or drawings, should be understood to contemplate the possibilities of including one of the terms, either of the terms, or both terms. For example, the phrase “A or B” will be understood to include the possibilities of “A” or “B” or “A and B. ”

[0078] From the foregoing, it will be appreciated that various implementations of the present disclosure have been described herein for purposes of illustration, and that various modifications may be made without departing from the scope and spirit of the present disclosure.  Accordingly, the various implementations disclosed herein are not intended to be limiting, with the true scope and spirit being indicated by the following claims.

Claims

1.A method, comprising:measuring, by a processor of an apparatus implemented in a user equipment (UE) , a set of reference signal (RS) resources;providing, by the processor, a result of the measuring as an input to an artificial intelligence (AI)  / machine learning (ML) model;determining, by the processor, a number of predicted best beams to be reported based at least in part on an output of the AI / ML model; andtransmitting, by the processor, a beam report to a network for a current report setting, wherein the processor determines the number of predicted best beams to be included in the beam report.2.The method of Claim 1, wherein the measuring of the set of RS resources comprises:receiving a configuration from the network that configures the set of RS resources for the UE to measure, with the number of RS resources to be reported per report setting determined by UE; andmeasuring the set of RS resources.3.The method of Claim 1, wherein the output of the AI / ML model comprises a predicted reference signal received power (RSRP) of each beam of a full set or subset of a plurality of beams being predicted by the AI / ML model (Set A) .4.The method of Claim 3, wherein the determining comprises:calculating an error between the predicted RSRP of each beam and a measured RSRP of the respective beam for the full set or subset of the plurality of beams of Set A to provide a set of errors; andcomparing the set of errors with a set of thresholds to determine the number of predicted best beams.5.The method of Claim 1, wherein the output of the AI / ML model comprises a predicted reference signal received power (RSRP) of each beam of a full set or subset of a plurality  of beams being predicted by the AI / ML model (Set A) and a set of uncertainty values comprising a respective uncertainty value of each predicted RSRP.6.The method of Claim 5, wherein the determining comprises comparing the set of uncertainty values with a set of thresholds to determine the number of predicted best beams.7.The method of Claim 1, wherein the output of the AI / ML model comprises an indicator of each beam in a plurality of beams being predicted by the AI / ML model (Set A) and a corresponding confidence value or probability value of the respective beam in the Set A to be one of the predicted best beams among the Set A to provide a set of confidence values.8.The method of Claim 7, wherein the determining comprises comparing the set of confidence values with a set of thresholds to determine the number of predicted best beams.9.The method of Claim 7, wherein the indicator comprises a beam identifier (ID) .10.A method, comprising:measuring, by a processor of an apparatus implemented in a user equipment (UE) , a set of reference signal (RS) resources;providing, by the processor, a result of the measuring as an input to an artificial intelligence (AI)  / machine learning (ML) model;determining, by the processor, a number of beams or RS resources to be reported in future per report setting based at least in part on an output of the AI / ML model; andtransmitting, by the processor, a beam report to a network, the beam report at least comprising the number of beams or RS resources to be reported in future per report setting, wherein a number of beams or RS resources to be included in the beam report is configured by the network.11.The method of Claim 10, wherein the measuring of the set of RS resources comprises:receiving a configuration from the network that configures the set of RS resources for the UE to measure, with a certain number of RS resources to be reported per report setting; andmeasuring the set of RS resources.12.The method of Claim 10, wherein the output of the AI / ML model comprises a predicted reference signal received power (RSRP) of each beam of a full set or subset of a plurality of beams being predicted by the AI / ML model (Set A) .13.The method of Claim 12, wherein the determining comprises:calculating an error between the predicted RSRP of each beam and a measured RSRP of the respective beam for the full set or subset of the plurality of beams of Set A to provide a set of errors; andcomparing the set of errors with a set of thresholds to determine the number of RS resources to be reported per report setting.14.The method of Claim 10, wherein the output of the AI / ML model comprises a predicted reference signal received power (RSRP) of each beam of a full set or subset of a plurality of beams being predicted by the AI / ML model (Set A) and a set of uncertainty values comprising a respective uncertainty value of each predicted RSRP.15.The method of Claim 14, wherein the determining comprises comparing the set of uncertainty values with a set of thresholds to determine the number of RS resources to be reported per report setting.16.The method of Claim 10, wherein the output of the AI / ML model comprises an indicator of each beam in a plurality of beams being predicted by the AI / ML model (Set A) and a corresponding confidence value or probability value of the respective beam in the Set A to be one of the predicted best beams among the Set A to provide a set of confidence values.17.The method of Claim 16, wherein the determining comprises comparing the set of confidence values with a set of thresholds to determine the number of predicted best beams.18.The method of Claim 16, wherein the indicator comprises a beam identifier (ID) .19.A method, comprising:configuring, by a processor of an apparatus implemented in a network node of a network, a set of reference signal (RS) resources for a user equipment (UE) to measure;receiving, by the processor, a beam report from the UE, the beam report comprising a suggested number of RS resources to be reported per report setting as determined by the UE based on an artificial intelligence (AI)  / machine learning (ML) model; anddetermining, by the processor and based on a history of reported suggestions of numbers of RS resources to be reported per report setting from the UE, a number of RS resources to be reported per report setting in future report configurations.20.The method of Claim 19, further comprising:configuring, by the processor, the UE with the number of RS resources to be reported per report setting in future report configurations.

Images