Machine learning-based ue beam failure recovery

Abstract

Systems, methods, and apparatuses perform machine learning-based beam failure operations. A user equipment (UE) (110) receives, from a network entity (120), one or more downlink (DL) reference signals (128). The UE generates prediction (129) based on measurements of the one or more DL reference signals. The prediction can include at a beam failure prediction, a candidate beam prediction, or both the beam failure prediction and the candidate beam prediction. The UE and the network entity perform beam failure recovery operations based on the prediction.

Description

MACHINE LEARNING-BASED UE BEAM FAILURE RECOVERYTECHNICAL FIELD

[0001] Aspects of the present disclosure relate generally to wireless communication and techniques for machine learning-based beam failure recovery.BACKGROUND

[0002] Beamforming is a technique that can enhance the signal quality between a network entity and a user equipment (UE) thereby improving data rates, reducing latency, and increasing overall network performance. In beamforming, the transmitter directs radio frequency (RF) transmission towards a specific direction (e.g., towards an intended receiver) , creating a "beam" of focused energy, rather than radiating the signal in all directions equally. The UE and the network entity measure various characteristics of reference signals and communicate with one another to determine an optimal beam for communications.

[0003] BRIEF SUMMARY

[0004] The systems, methods, and devices of this disclosure each have several innovative aspects, no single one of which is solely responsible for the desirable attributes disclosed herein.

[0005] One innovative aspect of the subject matter described in this disclosure can be implemented as a method for wireless communications by a user equipment. The method may include receiving, from a network entity, one or more downlink (DL) reference signals. The method may further include generating a prediction based on measurements of the one or more DL reference signals, the prediction including at least one of: a beam failure prediction, a candidate beam prediction, or both the beam failure prediction and the candidate beam prediction. The method may further include performing a beam failure recovery operation based on the prediction.

[0006] Another innovative aspect of the subject matter described in this disclosure can be implemented as a method for wireless communications by a network entity. The method may include transmitting, to a user equipment (UE) , a configuration including at least one of: a first configuration enabling beam failure prediction or a second configuration enabling candidate beam prediction. The method may further include transmitting one or more reference signals associated with a plurality of beams. The method may further include receiving, from the UE, a beam failure recovery request including at least one of: a first indicator of a predicted beam failure, a second indicator of a predicted candidate beam, or both the first indicator and the  second indicator. The method may further include transmitting, to the UE, a beam failure recovery response based on the beam failure recovery request.

[0007] Another innovative aspect of the subject matter described in this disclosure can be implemented as an apparatus or system. In some implementations, an apparatus includes a communication unit and a processing system. The processing system is configured to control the communication unit to implement any one of the methods described in this document.

[0008] Details of one or more implementations of the subject matter described in this disclosure are set forth in the accompanying drawings and the description below. Other features, aspects, and advantages will become apparent from the description, the drawings, and the claims.BRIEF DESCRIPTION OF THE DRAWINGS

[0009] Note that the relative dimensions of the following figures may not be drawn to scale. Like reference numbers and designations in the various drawings indicate like elements. To easily identify the discussion of any particular element or act, the most significant digit or digits in a reference number refer to the figure number in which that element is first introduced.

[0010] Figure 1 is a diagram illustrating an example wireless system including a user equipment (UE) communicating with a network entity.

[0011] Figure 2 is a diagram illustrating an example timeline of wireless communication environment with a predicted beam failure and a detected beam failure.

[0012] Figure 3 is a sequence diagram illustrating example operations of a communications process for machine learning-based beam failure prediction and recovery.

[0013] Figure 4 is a flow chart diagram illustrating example UE operations of a method for machine learning-based beam failure prediction and recovery.

[0014] Figure 5 is a flow chart diagram illustrating example network entity operations of a method for machine learning-based beam failure prediction and recovery.

[0015] Figure 6A is a diagram illustrating a first example beam grid.

[0016] Figure 6B is a timing diagram illustrating an example beam failure prediction based on temporal beam prediction for the beams in the first example beam grid in Figure 6A.

[0017] Figure 6C is a graph illustrating example predicted beam quality at a first point in time of the timing diagram illustrated in Figure 6B.

[0018] Figure 6D is a graph illustrating example predicted beam quality at a second point in time of the timing diagram illustrated in Figure 6B.

[0019] Figure 7A is a diagram illustrating a second example beam grid.

[0020] Figure 7B is a timing diagram illustrating an example beam failure prediction based on spatial-domain based beam prediction for the beams in the second example beam grid in Figure 7A.

[0021] Figure 7C is a graph illustrating example predicted beam quality at a first point in time of the timing diagram illustrated in Figure 7B.

[0022] Figure 7D is a graph illustrating example predicted beam quality at a second point in time of the timing diagram illustrated in Figure 7B.

[0023] Figure 8A is a diagram illustrating a third example beam grid.

[0024] Figure 8B is a timing diagram illustrating an example beam failure prediction based on hybrid temporal and spatial-domain beam prediction for the beams in the third example beam grid in Figure 8A.

[0025] Figure 8C is a graph illustrating example predicted beam quality at a first point in time of the timing diagram illustrated in Figure 8B.

[0026] Figure 8D is a graph illustrating example predicted beam quality at a second point in time of the timing diagram illustrated in Figure 8B.

[0027] Figure 9A is a diagram illustrating a fourth example beam grid.

[0028] Figure 9B is a timing diagram illustrating an example candidate beam prediction based on temporal beam prediction for the beams in the fourth example beam grid in Figure 9A.

[0029] Figure 9C is a graph illustrating example predicted beam quality at a point in time of the timing diagram illustrated in Figure 9B.

[0030] Figure 10 is a diagram illustrating a fifth example beam grid before and after spatial-domain based candidate beam prediction.

[0031] Figure 11A is a diagram illustrating a sixth example beam grid.

[0032] Figure 11B is a timing diagram illustrating an example candidate beam prediction based on hybrid temporal and spatial-domain beam prediction for the beams in the sixth example beam grid in Figure 11A.

[0033] Figure 11C is a graph illustrating example predicted beam quality at a point in time of the timing diagram illustrated in Figure 11B.

[0034] Figure 12 is a flow chart diagram illustrating example operations of a method for performing beam failure recovery based on predictions of beam failures or candidate beams.

[0035] Figure 13 is a block diagram illustrating example configurations of a network entity and a user equipment.DETAILED DESCRIPTION

[0036] The following description is directed to certain implementations for the purpose of describing the innovative aspects of this disclosure. However, a person having ordinary skill in the art will readily recognize that the teachings herein can be applied in a multitude of different ways. Some of the examples in this disclosure are based on wireless communication according to the 3rd Generation Partnership Project (3GPP) wireless standards, such as the 4th generation (4G) Long Term Evolution (LTE) and 5th generation (5G) New Radio (NR) standards. However, the described implementations can be implemented in any device, system, or network that is capable of transmitting and receiving radio frequency signals according to any of the wireless communication standards, including any of the Institute of Electrical and Electronics Engineers (IEEE) 802.11, 802.15, or 802.16 wireless standards, or other known signals that are used to communicate within a wireless, cellular, or internet of things (IOT) network, such as a system utilizing 3G, 4G, 5G, WiFi or future radio technology.

[0037] Beamforming is a technique that can enhance the signal quality between a network entity and a user equipment (UE) thereby improving data rates, reducing latency, and increasing overall network performance. In beamforming, the transmitter directs radio frequency (RF) transmission towards a specific direction (e.g., towards an intended receiver) , creating a beam of focused energy, rather than radiating the signal in all directions equally. Conditions in the wireless communication environment may change such that the signal quality of a signal transmitted via the chosen beam (s) drops to the point where communications is either degraded or no longer possible via the chosen beam. This situation may be referred to as a beam failure. In the event a beam failure is detected, the UE and the network entity may perform a new round of reference signal measurement and communication with one another to determine a new optimal beam or beams for communications. Reference signal measurement and beam failure recovery can introduce additional latency in the communications between the UE and network entity. This additional latency can affect network performance, leading to user dissatisfaction.

[0038] This disclosure provides systems, methods and apparatuses for a UE to predict a beam failure expected to occur at a future time (i.e., before an actual beam failure occurs) and / or a predicted candidate beam for use when an actual beam failure is detected or a beam failure is predicted. According to aspects of the disclosure, the UE utilizes machine learning techniques to predict a future beam failure (referred to as a beam failure prediction) or suitable candidate beam (referred to as candidate beam prediction) . The network entity can transmit reference signals (RSs) that are configured for use in beam failure prediction and / or candidate beam prediction. For example, the RSs can be an existing reference signal, such as channel state information RSs (CSI-RSs) , synchronization signal block (SSB) transmissions, or a new  reference signal for beam failure prediction and / or candidate beam prediction. The UE measures and analyzes the beam quality of the RSs to predict a future beam failure or predict a candidate beam for future use for beam failure recovery. In some aspects, the UE uses machine learning techniques and past measurements of beam quality for temporal based beam failure prediction or temporal based candidate beam prediction. In some aspects, the UE performs spatial-domain based beam failure prediction or candidate beam prediction. The UE reports the beam failure prediction to the network entity, such as in a beam failure recovery request message before the actual beam failure occurs. In some aspects, the UE can predict both a predicted beam failure and a predicted candidate beam, and the UE reports both to the network entity. In some aspects, when the UE detects an actual beam failure, the UE reports the beam failure along with the predicted candidate beam.

[0039] In some aspects, the UE and the network entity can implement a validation technique to verify a candidate beam prediction . The network entity may transmit another set of RSs to the UE for validating the performance of a predicted candidate beam. If the performance of the predicted candidate beam meets configured or predetermined performance criteria, the predicted candidate beam can be used for future communications between the network entity and the UE.

[0040] Particular implementations of the subject matter described in this disclosure can be implemented to realize one or more of the following potential advantages. The use of machine learning techniques enables the UE to predict a beam failure before it actually happens. The prediction provides time for the UE and the network entity to determine a new beam for future communications before a beam failure occurs, resulting in little to no latency in communications between the UE and network entity. In some aspects, the UE can perform beam failure prediction and beam failure recovery using fewer resources than would be used for beam failure recovery from an actual beam failure. The UE and network entity can use the candidate beam prediction of shorten the amount of time needed to change to a suitable beam either before a predicted beam failure or quickly after an actual beam failure.

[0041] Figure 1 is a conceptual diagram illustrating an example wireless system including a user equipment communicating with a network entity. In the example shown in Figure 1, wireless communication system 100 includes a UE 110 that wirelessly communicates with a network entity 120. The UE may communicate directly with the network entity 120 or via one or more transmit / receive points (TRPs) (e.g., TRPs 122A or 122B) . Network entity 120 may be coupled to TRPs 122A and 122B via respective fronthaul networks 130A and 130B. For example, fronthaul networks 130A and 130B may be high performance networks such as fiber optic networks.

[0042] Although illustrated as a smartphone in Figure 1, the UE 110 may be implemented as any suitable computing or electronic device, such as a mobile communication device, a modem, cellular phone, gaming device, navigation device, media device, laptop computer, desktop computer, tablet computer, smart appliance, vehicle-based communication system, an Internet-of-things (IoT) device (e.g., sensor node, controller / actuator node, combination thereof) , and the like. The UE 110 may communicate with network entity 120 and TRPs 122A and 122B using wireless links (not shown in Fig. 1) , which may be implemented as any suitable type of wireless link. The wireless links may include one or more wireless links (e.g., radio links) or bearers implemented using any suitable communication protocol or standard, or combination of communication protocols or standards, such as 3rd Generation Partnership Project Long-Term Evolution (3GPP LTE) , Fifth Generation New Radio (5G NR) , and so forth. Multiple wireless links may be aggregated in a carrier aggregation to provide a higher data rate for the UE 110.

[0043] Network entity 120 (e.g., base station, an Evolved Universal Terrestrial Radio Access Network Node B (E-UTRAN Node B) , evolved Node B, eNodeB, eNB, Next Generation Node B, gNode B, gNB, ng-eNB, access point, radio head or the like) may be implemented in a macrocell, microcell, small cell, picocell, or the like, or any combination thereof. The network entity 120 may be configured to use multiple-input and multiple-output (MIMO) communication to exchange wireless signals with UE 110.

[0044] Network entity 120 and UE 110 may use beamforming when communicating with one another. For example, network entity 120 may configure beams 124A to communicate with UE 110. Similarly, UE 110 may configure beams 125 to communicate with the network entity 120 (or TRPs 122A and 122B) . In some aspects, UE 110 may communicate with network entity 120 via multiple TRPs (e.g., TRPs 122A and 122B) associated with the network entity 120. In such aspects, TRPs 122A and 122B may be configured with beams 124B and 124C, respectively, for use in communicating with UE 110.

[0045] The network entity 120 and TRPs 122A and 122B support wireless communication with one or more UEs, such as UE 110, via radio frequency (RF) signaling using one or more applicable radio access technologies (RATs) as specified by one or more communications protocols or standards. The network entity 120 and the TRPs 122A and 122B may employ any of a variety of RATs, such as operating as a NodeB (or base transceiver station (BTS) ) for a Universal Mobile Telecommunications System (UMTS) RAT (also known as “3G” ) , operating as an enhanced NodeB ( “eNB” ) for a Third Generation Partnership Project (3GPP) Long Term Evolution (LTE) RAT, operating as a 5G node B ( “gNB” ) for a 3GPP Fifth Generation (5G) New Radio (NR) RAT, and the like.

[0046] The network entity 120 and TRPs 122A and 122B may be part of a radio access network (RAN) , for example, an Evolved Universal Terrestrial Radio Access Network, E-UTRAN, 5G NR RAN, or NR RAN. The network entity 120 may be connected to a core network 150. For example, the network entity 120 may connect to the core network 150 through an NG2 interface for control-plane signaling and using an NG3 interface for user-plane data communications when connecting to a 5G core network, or using an Si interface for control-plane signaling and user-plane data communications when connecting to an Evolved Packet Core (EPC) network. The network entity 120 may communicate using an Xn Application Protocol (XnAP) through an Xn interface or using an X2 Application Protocol (X2AP) through an X2 interface to exchange user-plane and control-plane data. The UE 110 may connect, via the core network 150, to one or more wide area networks (WANs) 160 or other packet data networks (PDNs) , such as the Internet.

[0047] Communications between network entity 120 and UE 110 utilize an uplink (UL) transmission path 112 for RF transmissions from the UE 110 to the network entity 120 and a downlink (DL) transmission path 114 for RF transmissions from the network entity 120 to the UE 110. As such, in the context of the UL transmission path 112, the UE 110 serves as the data sending device and the network entity 120 serves as the data receiving device, whereas in the context of the DL transmission path 114, the network entity 120 serves as the data sending device and the UE 110 serves as the data receiving device. UL transmission path 112 and DL transmission path 114 may utilize multiple communications channels for signal transmission. The multiple channels may each have different purposes.

[0048] UL transmission path 112 may include a Physical Uplink Shared Channel (PUSCH) , a Physical Uplink Control Channel (PUCCH) , and a Physical Random Access Channel (PRACH) . The PUSCH is used for the transmission of user data, such as voice data, video data, or text message data from UE 110 to network entity 120. Additionally, the PUSCH may be used to transmit control information (e.g., uplink control information (UCI) ) . The PUSCH may be shared by multiple UEs. The PUCCH is used for transmitting control information (e.g., UCI) from the UE to the network, such as channel quality feedback, scheduling requests, and acknowledgments. The PRACH is used for random access in the uplink direction, enabling the UE to access the system.

[0049] DL transmission path 114 may include one or more of a Physical Downlink Shared Channel (PDSCH) , a Physical Downlink Control Channel (PDCCH) , a Physical Broadcast Channel (PBCH) , or a paging channel. The PDSCH is used for transmission of user data from the network entity to the UE. The PDSCH may be shared by multiple UEs. As with the PUSCH, the data may be any type of information, such as voice data, video data, or text  message data. The paging channel is used to notify the UE 110 that there is incoming traffic for it from the network entity 120.

[0050] During operation, the network entity may transmit one or more reference signals 128 to the UE 110. The reference signals may be signals configured for beam failure prediction and / or candidate beam prediction. The UE 110 may measure attributes of the reference signals 128. Based on the attributes of the reference signals 128, the UE 110 may generate prediction 129. In some aspects, a predictions may be a beam failure prediction. In some other aspects, a prediction may be a candidate beam prediction. The UE 110 may report the prediction 129 to the network entity 120. For example, the UE may report a beam failure prediction and a candidate beam prediction in a beam failure recovery request. The network entity 120 can respond to the beam failure recovery request with a beam failure recovery response that may indicate that the network entity 120 and the UE 110 will communicate using a beam reported in the beam failure recovery request and a future time. The disclosed techniques may improve communications performance by reducing the latency involved with beam failure recovery when compared to existing systems.

[0051] In some aspects, the functionality, and thus the hardware components, of the network entity 120 may be distributed across multiple network nodes or devices and may be distributed in a manner to perform the functions described herein. As one example, the functionality of network entity 120 may be distributed across a radio unit (RU) , distributed unit (DU) , or central unit (CU) . Additionally, in the example shown in Figure 1, two TRPs 122A and 122B are illustrated. However, a wireless communications system may include a single TRP or more than two TRPs.

[0052] Further details of various techniques and aspects of disclosure are provided below with respect to Figures 2-5, 6A-6D, 7A-7D, 8A-8D, 9A-9C, 10, 11A-11C, and 12-13.

[0053] Figure 2 is a set of diagrams illustrating examples of actual beam failure and predicted beam failure during an example timeline of communications in a wireless communication environment. The examples presented in Figure 2 represent two scenarios 200 and 210. Scenario 200 shown above the time line illustrates various states of a wireless communication environment during beam failure recovery in which neither beam failure prediction nor candidate beam prediction are utilized. Scenario 210 shown below the time line illustrates various states of a wireless communication environment in which both beam failure prediction and candidate beam prediction are utilized. Other scenarios are possible, including scenarios in which beam failure prediction is used without candidate beam prediction, and scenarios in which beam failure prediction is not used and candidate beam prediction is utilized.

[0054] Scenario 200 begins with a diagram 201A representing a wireless communication environment at a time t0. The wireless communication environment includes a network entity 120 and a UE 110 in communication with one another. The network entity 120 has determined a set of candidate beams 222 and UE 110 has determined a set of candidate beams 224. Network entity 120 and UE 110 are communicating with one another via beams 222A and 224A respectively. UE 110 is shown moving towards the bottom of diagram 201A at time t0.

[0055] Scenario 200 continues to time t2, where UE 110 detects an actual beam failure. In this example, diagram 203 represents the wireless communication environment at time t2 in which communications via beam 222A of network entity 120 and beam 224A of UE 110 is disrupted by a beam failure caused by the presence of obstacle 226. In response to the communication disruption, UE 110 may report the beam failure. UE 110 and network entity 120 perform beam recovery operations to find a new beam for use in communications.

[0056] In scenario 200, diagram 204A represents the wireless communication environment when beam failure recovery is achieved at time t3. At time t3, network entity 120 and UE 110 switch to beams 222B and 224B respectively. Beams 222B and 224B may communicate using signals reflected off object 228. Communications between network entity 120 and UE 110 may be disrupted between time t2 and time t3 until the beam switch occurs.

[0057] Scenario 210 has the same initial state as scenario 200 with diagram 201B representing the initial state of the wireless communications environment at time t0. As noted above, in this scenario, UE 110 is configured for both beam failure prediction and candidate beam prediction.

[0058] Scenario 210 continues to time t1, where UE 110 has predicted a beam failure to occur at a future time. The beam failure may be predicted based on changes in beam quality as UE 110 moves to a point where obstacle 226 begins to block signals between network entity 120 and UE 110. In this example, diagram 202 represents the wireless communication environment at time t1. Prior to time t1, UE 110 has also been predicting candidate beams. Thus, when the beam failure is predicted at time t1, the UE 110 has already predicted a candidate beam for use in recovering from the predicted beam failure. As a result, network entity 120 and UE 110 need not spend time determining a beam to use, instead UE 110 may report the predicted candidate beam to network entity 120. Thus, network entity 120 and UE 110 can switch to the predicted candidate beam 224B and 222B, respectively, almost immediately after the beam failure is predicted at time t1, thereby avoiding minimal disruption in communication as shown in diagram 204B.

[0059] Figures 3-5, 6A-6D, 7A-7D, 8A-8D, 9A-9C, 10, 11A-11C, and 12-13 along with the accompanying description below describe various techniques for machine learning-based  beam failure prediction and candidate beam prediction. In some examples that follow, the operations may be described as utilizing radio resource control (RRC) signaling. Unless specified otherwise, RRC signaling may indicate a RRC reconfiguration message from the network entity to the UE, or a system information block (SIB) , where the SIB may be an existing SIB (e.g., SIB1) or a new SIB (e.g., SIB J, where J is an integer above 21) transmitted by the network entity.

[0060] Figure 3 is a sequence diagram illustrating example operations of a communications process 300 for machine learning-based beam failure prediction and recovery. In the discussion that follows, a “current beam” is a beam that is currently being used for communication between UE 110 and network entity 120 prior to beam switching. A “predicted candidate beam” is a beam that may not be the current beam, and that the UE predicts can be used for future communications between UE 110 and network entity 120, for example, when a beam failure is predicted or detected. Although not illustrated for the sake of illustration clarity, various acknowledgements for messages illustrated in Figure 3 may be implemented to ensure reliable operations for beam failure prediction and / or candidate beam prediction.

[0061] At operation 302, the UE 110 may transmit or report to network entity 120 the UE’s capability (s) for supporting UE beam failure prediction (BFP) and candidate beam prediction (CFP) . In some aspects, UE 110 may transmit UE capability information to the network entity 120 during an initial communication session setup process between the UE 110 and the network entity 120. The UE capability information may include supported frequency bands, radio access technologies, maximum transmission power, maximum data rates, and network protocols. In some aspects, the UE 110 may transmit UE capability information indicating whether the UE supports beam failure prediction (BFP) , candidate beam prediction (CFP) , or both BFP and CFP.

[0062] The UE 110 may report UE capability to the network entity 120 indicating whether the UE supports machine learning-based beam failure prediction, machine learning-based candidate beam prediction, or both machine learning-based beam failure prediction and candidate beam prediction. In some implementations, the UE may further report supported configurations for machine learning-based beam failure prediction. In some aspects, the configurations may include one or more of the following parameters: a minimum, maximum and / or supported number of DL RSs for beam failure prediction; a minimum, maximum and / or supported periodicities for the DL RSs for beam failure prediction; a minimum, maximum and / or supported predicted duration for beam failure prediction; a minimum, maximum and / or supported number of predicted beams for beam failure prediction.

[0063] In some implementations, the UE 110 may report supported configurations for machine learning-based candidate beam prediction. In some aspects, the configurations may include one or more of the following parameters: a minimum, maximum and / or supported number of DL RSs for candidate beam prediction; a minimum, maximum and / or supported periodicities for the DL RSs for candidate beam prediction; a minimum, maximum and / or supported predicted duration for candidate beam prediction; a minimum, maximum and / or supported number of predicted beams for candidate beam prediction.

[0064] In some implementations, the UE 110 may further report one or more of the following: an indicator indicating whether the UE supports per transmission / reception point (TRP) beam failure prediction or per UE (i.e., across one or more TRPs) beam failure prediction, or both per TRP and per UE beam failure prediction; an indicator indicating whether the UE supports per TRP candidate beam prediction or per UE (i.e., across TRPs) candidate beam prediction, or both per TRP and per UE beam failure prediction; an indicator indicating whether the UE supports concurrent configuration of candidate beam detection and candidate beam prediction; an indicator indicating whether the UE supports concurrent configuration of beam failure detection and beam failure prediction; or an indicator indicating whether the UE supports concurrent configuration of non-machine learning-based beam failure recovery and machine learning-based beam failure recovery.

[0065] Additionally, the UE 110 may report whether the UE supports validation of the predicted candidate beam using performance indicators associated with the predicted candidate beam.

[0066] In the example of Figure 3, the UE 110 may transmit UE capability information to network entity 120. In some implementations, the network entity may receive the UE capability from a core network (e.g., from an access and mobility management function (AMF) of the core network 150 of Figure 1) . In some other implementations, the network entity may receive the UE capability from another network entity (e.g., a gNB or eNB) .

[0067] At operation 304, the network entity 120 may, depending on the UE capability information received at operation 302, configure the UE for beam failure prediction, candidate beam prediction, or both beam failure prediction and candidate beam prediction. Additionally, the network entity 120 may configure the UE 110 for predicted candidate beam validation. In some aspects, the network entity 120 may configure the UE 110 via RRC signaling, for example, RRCReconfiguration signaling. In some aspects, the network entity 120 may provide one or more of the following parameters: a first parameter enabling machine learning-based beam failure prediction; a second parameter enabling machine learning-based candidate beam prediction; a configuration of a network beam grid; a first set of one or more RS (s) for beam  failure prediction; a second set of one or more RS (s) for candidate beam prediction; at least one uplink resource for a beam failure recovery request (BFRQ) ; a search space for a beam failure recovery response (BFRR) ; a third set of one or more DL RS (s) for candidate beam performance validation; or an uplink resource for a UE report with respect to validation of the predicted candidate beam performance. For example, the UE report may be an acknowledgement (ACK) or negative-ACK (NACK) . In some implementations, the first and second set of one or more RSs may be periodic DL RSs. In some aspects, the first set of one or more DL RSs, the second set of one or more DL RSs, and the third set of one or more DL RSs may be a set of SSBs or a set of CSI-RSs. The first set of one or more DL RSs, the second set of one or more DL RSs, and the third set of one or more DL RSs need not be the same type of RSs. For example, the first set of RSs may be a set of SSBs while the second set of RSs may be a set of CSI-RSs.

[0068] If the UE 110 is configured for beam failure prediction, then the UE 110 may perform operations 306A-306N, 308, and 310. At operations 306A-306N, the network entity 120 may transmit one or more of the first set of DL RSs configured at operation 304 for beam failure prediction.

[0069] At operation 308, the UE 110 may measure attributes of the DL RSs transmitted at operations 306A-306N. For example, the UE 110 may measure one or more of a hypothetical block error rate (BLER) , layer 1 reference signal received power (L1-RSRP) , or layer 1 signal-to-interference plus noise ratio (L1-SINR) .

[0070] At operation 310, the UE 110 may generate a beam failure prediction based on machine learning techniques and the measurements of the first set of DL RSs. The UE 110 may use various techniques to generate a beam failure prediction. In some aspects, the UE 110 may perform temporal analysis of the measurements of the DL RSs received at operations 306A-306N with respect to past measurements of DL RSs. In some other aspects, the UE 110 may perform a spatial-domain analysis of the measurements of the DL RSs received at operations 306A-306N with respect to a machine learning model trained based on past measurements of DL RSs. In still other aspects, the UE 110 may perform a hybrid analysis that combines temporal analysis and spatial-domain analysis to generate a beam failure prediction.

[0071] A single prediction of a beam failure, regardless of the technique used to predict the beam failure, may be referred to as a “beam failure instance. ” The UE 110 may declare a beam failure event after Y beam failure instances have occurred. For example, the UE may declare a beam failure event after Y consecutive beam failure instances have been predicted (or detected) . In some aspects, the value of Y may be configured by the network entity 120, for  example, by RRC signaling. In some other aspects, the UE 110 may report the value of Y to the network entity 120. In some other aspects, the value of Y may be predefined (e.g., Y=1) . Further details on the temporal analysis, spatial-domain analysis, and hybrid analysis for beam failure prediction are described with reference to Figures 6A-D, 7A-D, 8A-D, 9A-C, 10, and 11A-C.

[0072] Figure 4 is a flow chart diagram illustrating example UE operations of a method 400 for machine learning-based beam failure prediction and recovery. The example operations of method 400 may be performed, for example, by UE 110 of Figures 1-3.

[0073] At block 402, and as described above with respect to Figure 3, operation 302, the UE may optionally transmit UE capability information to a network entity. In some aspects, the UE may transmit UE capability information indicating whether the UE supports machine learning-based beam failure prediction and / or candidate beam prediction. For example, the UE may report UE capability to the network entity 120 indicating whether the UE supports machine learning-based beam failure prediction, machine learning-based candidate beam prediction, or both machine learning-based beam failure prediction and candidate beam prediction. In some aspects, the UE may further report supported reference signal configurations for machine learning-based beam failure prediction and / or candidate beam prediction.

[0074] At block 404, and as described above with respect to Figure 3, operation 304, the UE may receive a configuration for machine learning-based beam failure prediction and / or candidate beam prediction. In some aspects, the configuration information may include: a first parameter enabling machine learning-based beam failure prediction; a second parameter enabling machine learning-based candidate beam prediction; a configuration of a network beam grid; a first set of one or more RS (s) for beam failure prediction; a second set of one or more RS (s) for candidate beam prediction; at least one uplink resource for a BFRQ; a search space for BFRR; a third set of one or more DL RS (s) for candidate beam performance validation; or an uplink resource for a UE report with respect to validation of the predicted candidate beam performance.

[0075] At block 406, and as described above with respect to Figure 3, operation 306, the UE may receive from the network entity one or more of a first set of DL RSs configured for beam failure prediction.

[0076] At block 410, and as described above with respect to Figure 3, operations 308 and 310, the UE may measure the first set of DL RSs configured for beam failure prediction and may perform beam failure prediction operations utilizing the measurements. The beam failure prediction operations may determine, based on measurements of the first set of DL RSs,  whether or not a beam failure is predicted at a future time. In some aspects, the UE may perform temporal analysis of the first set of DL RS signals received at block 406 to predict a beam failure instance. In some other aspects, the UE may perform spatial-domain analysis of the first set of DL RS signals received at block 406 to predict a beam failure instance. In some other aspects, the UE may perform a hybrid temporal and spatial-domain analysis to predict a beam failure instance.

[0077] At block 412, and as described above with respect to Figure 3, operation 312, the UE may receive from the network entity one or more of a second set of DL RSs configured for candidate beam prediction.

[0078] At block 416, and as described above with respect to Figure 3, operations 314 and 316, the UE may measure the second set of DL RSs configured for candidate beam prediction and perform candidate beam prediction operations based on the measurements. The candidate prediction operations may determine a candidate beam for use at a future time.

[0079] At decision block 417, the UE may determine if the beam failure operations performed at block 410 predicted a beam failure instance for a future time. If the UE did not predict that a beam failure will occur at a future point in time ( “NO” branch of block 417) , the method returns to block 406 to receive further DL RS signals configured for beam failure prediction.

[0080] If the UE did predict a beam failure will occur at a future point in time ( “YES” branch of block 417) , then at block 418, the UE may transmit a BFRQ to the network entity. The BFRQ may indicate when the beam failure is predicted to occur and may identify a predicted candidate beam. The BFRQ may also include when the predicated candidate beam is to be applied. In some aspects, the UE may determine a predicted candidate beam based on temporal analysis of the set of DL RSs configured for candidate beam prediction. In some other aspects, the UE may determine the predicted candidate beam based on spatial-domain analysis of the set of DL RSs configured for candidate beam prediction. In some other aspects, the UE may determine the predicted candidate beam based on a hybrid temporal and spatial-domain analysis.

[0081] At block 420, and as described above with respect to Figure 3, operation 320, the UE may receive a BFRR from the network entity in response to the BFRQ. The beam failure recovery response may indicate an ACK of the BFRQ.

[0082] At block 422, and as described above with respect to Figure 3, operation 322, the UE may optionally receive downlink reference signals configured for candidate beam validation. For example, if the UE is configured for candidate beam prediction, the UE may also be configured to validate a predicted candidate beam. The UE may measure the DL RSs  configured for candidate beam prediction as described at Figure 3, operation 324 to determine a predicted beam quality of the predicted candidate beam.

[0083] At block 426, and as described above with respect to Figure 3, operation 326, the UE may transmit a candidate beam validation report to the network entity 120. The candidate beam validation report may indicate whether or not the UE determined that the predicted beam quality will be above a candidate beam quality threshold when the predicted beam failure is to occur.

[0084] At block 428, and as described above with respect to Figure 3, operation 328, the UE may communicate with the network entity using a beam reported in the BFRQ. In some aspects, the beam may be a predicted candidate beam.

[0085] Figure 5 is a flow chart diagram illustrating example network entity operations of a method 500 for machine learning-based beam failure prediction and recovery. The example operations of method 500 may be performed, for example, by network entity 120 of Figures 1-3.

[0086] At block 502, and as described above with respect to Figure 3, operation 302, the network entity may receive UE capability information from a UE. In some aspects, the network entity may transmit UE capability information indicating whether the UE supports machine learning-based beam failure prediction and / or candidate beam prediction. For example, the network entity may receive UE capability information indicating whether the UE supports machine learning-based beam failure prediction, machine learning-based candidate beam prediction, or both machine learning-based beam failure prediction and candidate beam prediction. In some aspects, the UE may further report supported reference signal configurations for machine learning-based beam failure prediction and / or candidate beam prediction. In some aspects, the network entity may receive UE capability information including similar UE capabilities as described with respect to Figure 3, operation 302.

[0087] At block 504, and as described above with respect to Figure 3, operation 304, the network entity may transmit a configuration for machine learning-based beam failure prediction and / or candidate beam prediction. In some aspects, the configuration information may include: a first parameter enabling machine learning-based beam failure prediction; a second parameter enabling machine learning-based candidate beam prediction; a configuration of a network beam grid; a first set of one or more RS (s) for beam failure prediction; a second set of one or more RS (s) for candidate beam prediction; at least one uplink resource for a BFRQ; a search space for BFRR; a third set of one or more DL RS (s) for candidate beam performance validation; or an uplink resource for a UE report with respect to validation of the predicted candidate beam performance.

[0088] At block 506, and as described above with respect to Figure 3, operation 306, the network entity may transmit one or more of a first set of DL RSs configured for beam failure prediction.

[0089] At block 512, and as described above with respect to Figure 3, operation 312, the network entity may transmit one or more of a second set of DL RSs configured for candidate beam prediction.

[0090] At block 518, and as described above with respect to Figure 3, operation 318, the network entity may receive a BFRQ from the UE. The BFRQ may indicate when the beam failure is predicted to occur and may identify a predicted candidate beam. The BFRQ may also include when the predicated candidate beam is to be applied.

[0091] At block 520, and as described above with respect to Figure 3, operation 320, the network entity may transmit a BFRR to the UE in response to receiving the BFRQ. The beam failure recovery response may indicate an ACK of the BFRQ.

[0092] If the UE is configured for candidate beam validation, then at block 522, and as described above with respect to Figure 3, operation 322, the network entity may optionally transmit downlink reference signals configured for candidate beam validation.

[0093] At block 526, and as described above with respect to Figure 3, operation 326, the network entity may receive a candidate beam validation report from the UE. The candidate beam validation report may indicate whether or not the UE determined that the predicted beam quality will be above a candidate beam quality threshold when the predicted beam failure is to occur.

[0094] At block 528, and as described above with respect to Figure 3, operation 328, the network entity may communicate with the UE using a beam reported in the BFRQ. In some aspects, the beam may be a predicted candidate beam.

[0095] The concepts of beam failure prediction and candidate beam prediction have been described with reference to Figures 1-5. Figures 6A through 11C provide more detail and examples of temporal analysis, spatial-domain analysis, and hybrid analysis. The example analysis can be implemented using machine learning techniques. Although some examples are described with reference to beam failure prediction or candidate beam prediction, the UE can use similar analysis for either or both the beam failure prediction and / or candidate beam prediction.

[0096] In some aspects, beam failure prediction is based on temporal analysis. Aspects of the temporal analysis are described with reference to Figure 3 and Figures 6A-D. The UE 110 may measure the first set of DL RSs and predict when the beam failure prediction could happen based on past measurement results. For example, the UE 110 may predict a beam quality  attribute, e.g., a layer 1 reference signal received power (L1-RSRP) , or a classification of a failure status for the configured RSs in the future based on past measurements of the first set of RSs. The first set of DL RSs may be quasi-co-located (QCLed) with the PDCCH, or with the demodulation reference signal (DMRS) for the PDCCH.

[0097] As noted above, the network entity 120 may configure a threshold for beam failure prediction. In some aspects, if a measured attribute of the first set of DL RSs crosses the threshold within N slots, the UE 110 may detect a beam failure instance. In some aspects, the UE 110 may report the value of N. In some other aspects, the network entity 120 may configure the value of N. In some other aspects, the UE 110 may calculate the value of N based on the periodicity of at least one DL RS of the second set of DL RSs configured for beam failure prediction.

[0098] In some implementations, the threshold may be a hypothetical block error ratio (BLER) threshold for beam failure prediction. The UE 110 may predict the L1-RSRP or L1-SINR for the beams for PDCCH or DMRS for PDCCH in N slots. In some aspects, the UE 110 may determine a predicted hypothetical BLER based on the predicted L1-RSRP or L1-SINR based on the UE’s receiver performance. The UE 110 may predict the hypothetical BLER for the beam (s) for PDCCH or DMRS for PDCCH in N slots.

[0099] As noted above, the network entity 120 may configure the UE for per TRP beam failure prediction or per UE (e.g., across all of the TRPs associated with the UE) beam failure prediction. In the case of per TRP beam failure prediction, if the UE 110 calculates a predicted hypothetical BLER for some or all of the beams for PDCCH for a TRP will exceed the configured or predefined threshold within the next N slots, the UE 110 may declare a beam failure instance for the TRP. For per TRP beam failure prediction, the network entity 120 may configure more than one set of DL RS (s) for beam failure prediction, where different sets of DL RS (s) corresponds to different TRPs. Similarly, in the case of per UE beam failure prediction, if the UE 110 determines that a predicted hypothetical BLER for some or all of the beams for PDCCH across TRPs will exceed the configured or predefined threshold within the next N slots, the UE 110 may declare a beam failure instance across TRPs in N slots. For per UE beam failure prediction, the network entity 120 may configure one set of DL RS (s) for beam failure prediction, where the set of DL RS (s) may correspond to one or more TRPs.

[0100] In some other implementations, the threshold may be an L1-RSRP or L1-SINR threshold for beam failure prediction. The UE 110 may predict an L1-RSRP or L1-SINR for the beams for PDCCH or DMRS for PDCCH in N slots. In the case of per TRP beam failure prediction, if the UE 110 determines that the predicted L1-RSRP or L1-SINR for some or all  of the beams for PDCCH for a TRP will be below the configured or predefined threshold within the next N slots, the UE 110 may declare a beam failure instance for the TRP in N slots.

[0101] Similarly, in the case of per UE beam failure prediction, if the UE 110 determines that the predicted L1-RSRP or L1-SINR for some or all of the beams for PDCCH across TRPs associated with the UE 110 will be below the configured or predefined threshold within the next N slots, the UE 110 may declare a beam failure instance for the TRP or across TRPs in N slots.

[0102] For both per TRP and per UE beam failure prediction, the UE 110 may predict that a beam failure will not happen within N slots. In some aspects, the UE may continue to perform beam failure prediction. In some other aspects, the UE may not continue to perform beam failure prediction for the next N slots, thereby conserving resources on the UE 110.

[0103] Figures 6A-6D illustrate examples of various aspects of beam failure prediction based on temporal analysis. Figures 6A-6D include an example timeline illustrating relative timings of various operations performed during beam failure prediction based on temporal analysis. The timeline may not be drawn to scale, and the time durations between the various operations may differ from that shown in the Figures.

[0104] Figure 6A is a diagram illustrating a first example beam grid 600. The example beam grid 600 shown in Figure 6A represents thirty-two beams (labeled 0-31) . A beam is located in the beam grid 600 based on Azimuth angle Of Departure (AoD) (X axis) and Zenith angle Of Departure (ZoD) (Y-axis) of the beam. In the example shown in Figure 6A, beams 6 and 19 are applied to the first set of DL RSs for beam failure prediction (BFP) and PDCCH.

[0105] Figure 6B is a timing diagram 610 illustrating an example beam failure prediction based on temporal beam analysis of the beams in beam grid 600 of Figure 6A. In the example shown in Figure 6B, the UE 110 receives a series of DL RSs 602A, 602B, 602C, and 602D at times t0, t1, t2, and t4 respectively, and calculates measurements of the received DL RSs. At time t3, the UE 110 utilizes temporal analysis 640 to analyze measurements of the DL RSs received at times t0 -t2. The UE 110 may store the results of the temporal analysis 640 as predicted beam failure status 604A. At time t4, the UE 110 receives an additional DL RS 602D. At time t5, the UE 110 utilizes temporal analysis 640 to analyze the measurements of DL RSs 602A-602D. The results of the temporal analysis 640 may be stored as predicted beam failure status 604B.

[0106] Figure 6C is a graph illustrating example predicted beam quality at a first point in time of the timing diagram illustrated in Figure 6B. As shown in the graph 620, the results of the temporal analysis indicate that at time t3 the predicted beam quality of each of beams 6 and  19 will be above a beam failure prediction threshold (BFP threshold) at a future point in time. As a result, the UE 110 may not predict a beam failure at time t3.

[0107] Figure 6D is a graph illustrating example predicted beam quality at a second point in time of the timing diagram illustrated in Figure 6B. At time t5, the UE 110 has continued to receive DL RSs (e.g., DL RS 602D) and has continued to measure the DL RSs. As shown in graph 630, at time t5, the predicted beam quality of the beam quality of beams 6 and 19 based on the temporal analysis of the DL RS measurements will be below the beam failure prediction threshold (BFP threshold) at a future point in time. As a result, the UE 110 may indicate an instance of a predicted beam failure at time t4. If the UE 110 predicts a threshold number of consecutive predicted beam failure instances, the UE 110 may transmit a BFRQ to the network entity 120.

[0108] In some aspects, beam failure prediction is based on spatial-domain analysis. Aspects of the spatial-domain analysis are described with reference to Figure 3 and Figures 7A-D. As with temporal-based beam failure prediction, the UE 110 may measure attributes of the DL RSs configured for beam failure prediction. The UE 110 may predict beam failure status based on the measurement results in each beam failure prediction period. In some aspects, the beam failure prediction periodicity may be X slots. Thus, the UE may perform a beam failure prediction every X slots. In some aspects, X may be determined based on at least one of the maximum, minimum, or supported periodicities for the first set of DL RSs. In some other aspects, X may be determined based on a time threshold and a discontinuous reception (DRX) inactive time. In some aspects, the time threshold may be predefined, e.g., 2 milliseconds, or configured by the network entity 120. In one example, X may be determined by the formula: X = max (min (P1, P2, …, PM) , T)       (1)

[0109] where Pk is periodicity for the DL RS k in the first set of DL RS (s) ,

[0110] M is the number of DL RSs in the first set of DL RSs, and

[0111] T is the threshold.

[0112] In another example, X may be determined by the formula: X = max (max (P1, P2, …, PM) , T) .      (2)

[0113] The first set of DL RSs may not be quasi-co-located (QCLed) with the PDCCH or the DMRS for the PDCCH. In some aspects, the first set of DL RSs may be configured for other functionalities, e.g., beam measurement and report. In such examples, the beams applied to the first set of DL RS (s) may be a subset of beams in a beam grid, where the beam grid may be configured by the network entity 120. The network entity 120 may configure the beam index within the beam grid for each DL RS in the first set of DL RSs.

[0114] As noted above, the network entity 120 may configure a threshold for beam failure prediction. In some implementations, the network entity 120 configures a hypothetical BLER threshold for beam failure prediction. As in temporal analysis, the UE 110 may predict the L1-RSRP or L1-SINR for the beams for PDCCH or DMRS for PDCCH based on the measurement of the beams in the first set of DL RSs. The UE 110 may determine the hypothetical BLER based on the predicted L1-RSRP or L1-SINR based on its receiver performance. In some other aspects, the UE 110 may predict the hypothetical BLER for the beam (s) for PDCCH or DMRS for PDCCH based on the measurement of the beams in the first set of DL RSs.

[0115] As noted above, the network entity 120 may configure the UE for per TRP beam failure prediction or per UE beam failure prediction. In the case of per TRP beam failure prediction, if the UE identifies the predicted hypothetical BLER for some or all the beams for PDCCH for a TRP is above the configured or predefined threshold, the UE may declare a beam failure instance for the TRP. Similarly, in the case of per UE beam failure prediction, if the UE identifies the predicted hypothetical BLER for a subset of or all the beams for PDCCH across multiple TRPs associated with the UE is above the configured or predefined threshold, the UE may declare a beam failure instance across TRPs.

[0116] In some other implementations, the threshold may be an L1-RSRP or L1-SINR threshold for beam failure prediction. The UE 110 may predict the L1-RSRP or L1-SINR for the beams for PDCCH or DMRS for PDCCH based on the measurement of the beams in the first set of DL RSs. If the UE 110 determines that the predicted L1-RSRP or L1-SINR for some or all the beams for PDCCH for a TRP or across TRPs is below the configured or predefined threshold, the UE 110 may declare a beam failure instance for the TRP or across TRPs.

[0117] For both per TRP and per UE beam failure prediction, if the UE 110 does not predict a beam failure instance, the UE 110 may continue to perform beam failure prediction at the next beam failure prediction period.

[0118] Figures 7A-7D illustrate examples of various aspects of beam failure prediction based on spatial-domain analysis. Figures 7A-7D include an example timeline illustrating relative timings of various operations performed during beam failure prediction based on spatial-domain analysis. The timeline may not be drawn to scale, and the time durations between the various operations may differ from that shown in the Figures.

[0119] Figure 7A is a diagram illustrating a second example beam grid. Like the beam grid 600 shown in Figure 6A, the example beam grid 700 shown in Figure 7A represents thirty-two beams, where a beam is located in the beam grid 700 based on AoD (X axis) and ZoD (Y- axis) of the beam. In the example shown in Figure 7A, beams 6 and 19 are applied to the PDCCH. Beams 3, 10, 12, 13, 23, 26, 28, and 30 are applied to the DL RSs for beam failure prediction (BFP) .

[0120] Figure 7B is a timing diagram illustrating an example beam failure prediction based on spatial-domain based beam failure prediction for the beams in the example beam grid 700. In the example time line 710 shown in Figure 7B, the UE 110 receives a series of DL RSs 702A-702C at times t0 –t2 respectively and calculates measurements of the received DL RSs. In this example, the times t0 –t2 are separated by a beam failure prediction (BFP) period of X slots. At each of the times t0 –t2, the UE 110 performs spatial-domain analysis on the DL RSs configured for beam failure prediction (BFD) , in this example, the DL RSs for beams 3, 10, 12, 13, 23, 26, 28, and 30. In some aspects, some or all of the DL RSs 702A-702C may be the same as some or all of the DL RSs 602A-602C of Figure 6B used for temporal analysis. In some other aspects, none the DL RSs 702A-702C are the same as any of the DL RSs 602A-602C.

[0121] Figure 7C is a graph illustrating example predicted beam quality at a first point in time of the timing diagram illustrated in Figure 7B. As shown in the graph 720, at time t0 the results of the spatial-domain analysis indicates that the predicted beam quality of each of beams 6 and 19 is above a beam failure prediction threshold (BFP threshold) at a future point in time. As a result, the UE 110 may not predict a beam failure at time t0.

[0122] Figure 7D is a graph illustrating example predicted beam quality at a second point in time of the timing diagram illustrated in Figure 7B. At time t1 the UE 110 receives new DL RSs and measures the DL RSs. As shown in graph 730, at time t1, spatial-domain analysis of the measurements indicates that the predicted beam quality of beams 6 and 19 based on the measurements has fallen below the beam failure prediction threshold (BFP threshold) at a future point in time. As a result, the UE 110 may predict an instance of a predicted beam failure at time t1.

[0123] Similarly, at time t2 the UE 110 receives new DL RSs and measures the DL RSs. At time t2, spatial-domain analysis of the measurements again indicates that the predicted beam quality of beams 6 and 19 based on the measurements will be below the beam failure prediction threshold at a future point in time. As a result, the UE 110 may predict another instance of a predicted beam failure at time t2. If the UE 110 predicts a threshold number of consecutive predicted beam failure instances, the UE 110 may transmit a BFRQ to the network entity 120. For example, if the beam failure reporting threshold is two, the UE 110 may transmit a BFRQ to the network entity 120 at time t2 because two predicted instances of a beam failure have occurred. If the beam failure reporting threshold is greater than two, the UE 110 will continue  to measure future DL RSs, and if the threshold number of predicted beam failure instances is reached, the UE 110 may then transmit a BFRQ to the UE 110.

[0124] In some aspects, beam failure prediction is based on hybrid temporal and spatial-domain analysis. Aspects of the hybrid temporal and spatial-domain analysis are described with reference to Figure 3 and Figures 8A-D. As in temporal analysis and spatial-domain analysis, for hybrid temporal and spatial-domain analysis, the UE 110 may measure the first set of DL RSs and may predict beam failure based on past measurements. In hybrid temporal and spatial-domain analysis, the first set of DL RSs need not be quasi-co-located (QCLed) with the PDCCH or DMRS for PDCCH. Thus, the beams applied to the first set of DL RSs may be a subset of beams in a beam grid. The network entity 120 may configure the beam grid, and may configure a beam index within the beam grid for each DL RS in the first set of DL RSs.

[0125] After measuring the first set of DL RSs, the UE 110 may perform both spatial-domain analysis and temporal analysis to predict the beam quality in N slots. The network entity 120 may configure the first set of DL RSs other functionalities besides beam failure prediction, for example, beam measurement and reporting.

[0126] Figures 8A-8D illustrate examples of various aspects of beam failure prediction based on a hybrid spatial-domain and temporal analysis. Figures 8A-8D include an example timeline illustrating relative timings of various operations performed during beam failure prediction based on a hybrid spatial-domain and temporal analysis. The timeline may not be drawn to scale, and the time durations between the various operations may differ from that shown in the Figures.

[0127] Figure 8A is a diagram illustrating a third example beam grid. Like the example beam grids shown in Figures 6A and 7A, the example beam grid 800 shown in Figure 8A represents thirty-two beams, where a beam is located in the grid 800 based on AoD (X axis) and ZoD (Y-axis) of the beam. In the example shown in Figure 8A, beams 6 and 19 are applied to the PDCCH. Beams 3, 10, 12, 13, 23, 26, 28, and 30 are applied to the DL RSs for beam failure prediction (BFP) .

[0128] Figure 8B is a timing diagram illustrating an example beam failure prediction based on hybrid temporal and spatial-domain beam prediction for the beams in the third example beam grid. In the example time line 810 shown in Figure 8B, the UE 110 receives a series of DL RSs 802A, 802B, 802C, and 802D for beam failure prediction (BFP) at times t0, t1, t2, and t4 respectively, and calculates measurements of the received DL RSs. The UE 110 utilizes hybrid temporal and spatial-domain analysis 840 to analyze measurements of the DL RSs at times t3 and t5. Thus, at time t3, the UE 110 performs a temporal analysis of the measurements of the DL RSs 802A-802C received at times t0-t2 respectively. Additionally, at  time t3, the UE 110 performs spatial domain analysis of the measurements of DL RS 802C received at time t2. The UE 110 may store the results of the hybrid analysis as predicted beam failure status 804A. In some aspects, if either the temporal analysis or the spatial domain analysis predicts a beam failure, the UE 110 may indicate a beam failure instance. In some other aspects, if both the temporal analysis and the spatial domain analysis predicts a beam failure, the UE 110 may indicate a beam failure instance. At time t4, the UE 110 receives an additional DL RS 802D. At time t5, the UE 110 utilizes temporal analysis to analyze the measurements of DL RSs 802A-802D. Additionally, the UE 110 utilizes spatial-domain analysis to analyze the measurements of DL RS 802D received at time t4. The UE 110 may store the results of the hybrid analysis as predicted beam failure status 804B. In some aspects, if either the temporal analysis or the spatial domain analysis performed at time t5 predicts a beam failure, the UE 110 may indicate a beam failure instance. In some other aspects, if both the temporal analysis and the spatial domain analysis predicts a beam failure, the UE 110 may indicate a beam failure instance. In some aspects, some or all of the DL RSs 802A-802D may be the same as some or all of the DL RSs 602A-602C of Figure 6B or the DL RSs 702A-702C of Figure 7B. In some other aspects, none the DL RSs 802A-802D are the same as any of the DL RSs 602A-602C and DL RSs 702A-702C.

[0129]

[0130] Figure 8C is a graph illustrating example predicted beam quality at a first point in time of the timing diagram illustrated in Figure 8B. As shown in the graph 820, the results of the hybrid temporal and spatial domain analysis indicates that at time t3 the predicted beam quality of each of beams 6 and 19 will be above a beam failure prediction threshold (BFP threshold) . As a result, the UE 110 may not predict a beam failure at time t3.

[0131] Figure 8D is a graph illustrating example predicted beam quality at a second point in time of the timing diagram illustrated in Figure 8B. At time t4, the UE 110 has continued to receive DL RSs and has continued to measure the DL RSs. At time t4, the UE 110 performs temporal analysis of measurements of the series of DL RSs 602A-602D. Additionally, the UE 110 performs spatial-domain analysis of DL RS 602D. As shown in graph 830, at time t5 the results of the hybrid analysis indicates that the predicted beam quality of beams 6 and 19 based on the measurements will be below the beam failure prediction threshold (BFP threshold) . As a result, the UE 110 may predict an instance of a beam failure at time t5. If the UE 110 predicts a threshold number of consecutive beam failure instances, the UE 110 may transmit a BFRQ to the network entity 120.

[0132] Returning to Figure 3, if the UE 110 is configured for candidate beam prediction, then the UE 110 may perform operations 312-316. At operation 312, the network entity 120  may transmit one or more of the second set of DL RSs configured at operation 304 for candidate beam prediction. For per TRP candidate beam prediction, the network entity 120 may configure more than one set of DL RS (s) for candidate beam prediction, where different sets of DL RS (s) correspond to different TRPs. For per UE candidate beam prediction, the network entity 120 may configure one set of DL RS (s) for candidate beam prediction, where the set of DL RS (s) corresponds to one or more TRPs.

[0133] At operation 314, the UE 110 measures attributes of the second set of DL RSs. For example, the UE 110 may measure one or more of a hypothetical BLER, L1-RSRP, or L1-SINR of the second set of DL RSs.

[0134] At operation 316, the UE 110 may generate a candidate beam prediction based on machine learning techniques and the second set of DL RSs. The UE 110 may use various techniques to generate a candidate beam prediction. For example, in some aspects, the UE 110 may perform temporal analysis of the measurements of the DL RS received at operation 310 with respect to past measurements of DL RSs. In some other aspects, the UE 110 may perform a spatial-domain analysis of the measurements of the second set of DL RSs received at operation 310 with respect to a machine learning model trained based on past measurements of DL RSs. In still other aspects, the UE 110 may perform a hybrid analysis that combines temporal analysis and spatial-domain analysis to generate a candidate beam prediction. Further details on the temporal analysis, spatial-domain analysis, and hybrid analysis will now be provided.

[0135] In some aspects, candidate beam prediction is based on temporal analysis. Aspects of the temporal analysis are described with reference to Figure 3 and Figures 9A-C. The UE 110 may measure the second set of DL RSs and may predict the candidate beam for future slots based on the past measurement results. The beams applied to the second set of DL RSs may comprise the predicted candidate beam.

[0136] As noted above, the network entity 120 may configure a threshold for candidate beam prediction. In some aspects, if a measured attribute of the second set of DL RSs crosses the threshold within N slots, the UE 110 may identify a beam associated with the second set of DL RSs as a predicted candidate beam. The value for N may be determined similarly to beam failure prediction. That is, in some aspects the UE 110 may report the value of N. In some other aspects, the network entity 120 may configure the value of N. In some other aspects, the UE 110 may calculate the value of N based on the periodicity of at least one DL RS of the second set DL RSs configured for beam failure prediction.

[0137] In some implementations, the threshold may be a hypothetical BLER threshold for candidate beam prediction. The UE 110 may predict the L1-RSRP or L1-SINR for the beams  for the second set of DL RS (s) in N slots. In some aspects, the UE 110 may determine the hypothetical BLER based on the predicted L1-RSRP or L1-SINR based on its receiver performance. In some other aspects, the UE 110 may predict the hypothetical BLER for the beam (s) for the second set of DL RSs in N slots. If the UE 110 detects that the predicted hypothetical BLER for a beam for a TRP or across TRPs in future slots is below the candidate beam prediction threshold, the UE may determine the beam as the candidate beam for the TRP or across TRPs in N slots. If the UE 110 determines that the predicted hypothetical BLER for a beam for a TRP or across TRPs in future slots is not below the candidate beam prediction threshold, the UE may determine that the beam is not a candidate beam for a TRP or across TRPs in N slots.

[0138] In some other implementations, the candidate beam predication may be a L1-RSRP or L1-SINR threshold for candidate beam prediction. The UE 110 may predict the L1-RSRP or L1-SINR for the beams for the second set of DL RSs in N slots. If the UE 110 identifies the predicted L1-RSRP or L1-SINR for a beam in future slots is above the candidate beam prediction threshold, the UE 110 may determine that the beam is a candidate beam for the TRP or across TRPs in N slots. If the predicted L1-RSRP or L1-SINR for a beam for a TRP or across TRPs in future slots is not above the candidate beam prediction threshold, the UE 110 may determine the beam is not a candidate beam for a TRP or across TRPs in N slots.

[0139] Figures 9A-9D illustrate examples of various aspects of candidate beam prediction based on temporal analysis. Figures 9A-9D include an example timeline illustrating relative timings of various operations performed during candidate beam prediction based on temporal analysis. The timeline may not be drawn to scale, and the time durations between the various operations may differ from that shown in the Figures.

[0140] Figure 9A is a diagram illustrating a fourth example beam grid. Like the example beam grids shown in Figures 6A, 7A, and 8A, the example beam grid 900 shown in Figure 9A represents thirty-two beams, where the thirty two beams (labeled 0-31) are represented in a grid. A beam is located in the grid based on AoD (X axis) and ZoD (Y-axis) of the beam. In the example shown in Figure 9A, all of the beams in beam grid 900 (e.g., beams 0-31) are configured to be applied to the second set of DL RSs for candidate beam prediction (CBP) .

[0141] Figure 9B is a timing diagram 910 illustrating an example candidate beam prediction based on temporal beam prediction for the beams in the example beam grid 900. In the example shown in Figure 9B, the UE 110 receives a series of DL RSs 902A, 902B, and 902C for candidate beam prediction (CBP) at times t0, t1, and t2 respectively, and calculates measurements of the received DL RSs. At time t3, the UE 110 utilizes temporal analysis 940  to analyze measurements of the DL RSs received at times t0-t2. The UE 110 may store the results of the temporal analysis 940 as predicted candidate beam 904.

[0142] Figure 9C is a graph illustrating example predicted beam quality at a point in time of the timing diagram illustrated in Figure 9B. As shown in the graph 920, the results of the temporal analysis indicate that at time t3 the predicted beam quality of beam 6 will be above a candidate beam prediction quality threshold (CBP threshold) at a future time, and that no other beam of beam grid 900 will be above the candidate beam prediction quality threshold (CBP threshold) at the future point in time. As a result, the UE 110 may indicate beam 6 as a predicted candidate beam.

[0143] In some aspects, candidate beam prediction is based on spatial-domain analysis. Aspects of the spatial-domain analysis are described with reference to Figure 3 and Figure 10. As is the case for temporal analysis, for spatial-domain analysis the UE 110 may measure the second set of DL RSs and may predict the candidate beam based on the measurement results of the DL RSs. The beams applied to the second set of DL RSs may or may not comprise the predicted candidate beam. Thus, the beams applied to the second set of DL RSs may be a subset of beams in a beam grid that may be configured by the network entity 120. The network entity 120 may configure the beam index within the beam grid for each DL RS in the second set of DL RSs.

[0144] In some implementations, the UE 110 may utilize a hypothetical BLER threshold for candidate beam prediction. In some aspects, the UE 110 may predict the L1-RSRP or L1-SINR for the beams in the beam grid based on the measurement of the beams for the second set of DL RS. The UE 110 may determine the hypothetical BLER based on the predicted L1-RSRP or L1-SINR based on its receiver performance. In some other aspects, the UE 110 may predict the hypothetical BLER for the beams in the beam grid based on the measurement of the beams for the second set of DL RSs. If the UE detects that the predicted hypothetical BLER for a beam for a TRP or across TRPs is below the hypothetical BLER threshold for candidate beam prediction, the UE 110 may select the beam as a candidate beam for the TRP or across TRPs. If the UE 110 does not detect that the predicted hypothetical BLER for a beam for a TRP or across TRPs is below the hypothetical BLER threshold for candidate beam prediction, the UE 110 may determine that the beam is not a candidate beam for a TRP or across TRPs.

[0145] In some other implementations, the UE 110 may utilize an L1-RSRP or L1-SINR threshold for candidate beam prediction. The UE may predict the L1-RSRP or L1-SINR for the beams in the beam grid based on the measurement of the beams for the second set of DL RSs. If the UE 110 detects that the predicted L1-RSRP or L1-SINR for a beam is above the L1-RSRP or L1-SINR threshold for candidate beam prediction, the UE 110 may select the  beam as a candidate beam for the TRP or across TRPs in N slots. If the UE 110 determines that the predicted L1-RSRP or L1-SINR for a beam is not above the L1-RSRP or L1-SINR threshold for candidate beam prediction, the UE 110 may determine the beam is not a candidate beam for a TRP or across TRPs in N slots.

[0146] Figure 10 is a diagram illustrating a fifth example beam grid before and after spatial-domain based candidate beam prediction. Like the example beam grids shown in Figures 6A, 7A, 8A, and 9A, the example beam grids 1000 and 1010 shown in Figure 10 represents thirty-two beams, where the thirty two beams (labeled 0-31) are represented in a grid. A beam is located in the grid based on AoD (X axis) and ZoD (Y-axis) of the beam. Beam grid 1000 represents a beam grid at a first point in time prior to spatial-domain analysis 1040 and beam grid 1010 shows the predicted candidate beam after spatial-domain analysis 1040.

[0147] In the example shown in Figure 10, beams 3, 10, 12, 13, 23, 26, 28, and 30 are configured to be applied to their associated DL RSs for candidate beam prediction (CBP) . The UE 110 performs spatial-domain analysis 1040 on beams 3, 10, 12, 13, 23, 26, 28, and 30. The results of the spatial domain analysis indicates the beam 6 is a predicted candidate beam, as shown in beam grid 1010.

[0148] In some aspects, candidate beam prediction is based on hybrid temporal and spatial-domain analysis. Aspects of the hybrid temporal and spatial-domain analysis are described with reference to Figure 3 and Figure 11A-C. As in temporal analysis and spatial-domain analysis, for hybrid temporal and spatial-domain analysis, the UE 110 may measure the second set of DL RSs and may predict the candidate beam in future slots based on the past measurement results. The second set of DL RSs may or may not comprise the predicted candidate beam. Thus, the beams applied to the second set of DL RSs may be a subset of beams in a beam grid configured by the network entity 120. The network entity 120 may configure a beam index within the beam grid for each DL RS in the second set of DL RSs configured for beam prediction. After measuring the second set of DL RSs, the UE 110 may perform both spatial-domain analysis and temporal analysis to predict the beam quality in N slots. If the beam quality a beam is predicted to meet the threshold criteria in N slots, the UE 110 may select the beam as a predicted candidate beam.

[0149] Figures 11A-11C illustrate examples of various aspects of candidate beam prediction based on hybrid temporal and spatial-domain analysis. Figures 11A-11C include an example timeline illustrating relative timings of various operations performed during candidate beam prediction based on temporal analysis. The timeline may not be drawn to  scale, and the time durations between the various operations may differ from that shown in the Figures.

[0150] Figure 11A is a diagram illustrating a sixth example beam grid. Like the example beam grids shown in Figures 6A, 7A, 8A, 9A and 10, the example beam grid 1100 shown in Figure 11A represents thirty-two beams, where the thirty two beams (labeled 0-31) are represented in a grid. A beam is located in the grid based on AoD (X axis) and ZoD (Y-axis) of the beam. In the example shown in Figure 11A, beams 3, 10, 12, 13, 23, 26, 28 and 30 are configured to be applied to their associated DL RSs for candidate beam prediction (CBP) .

[0151] Figure 11B is a timing diagram illustrating an example candidate beam prediction based on hybrid temporal and spatial-domain beam prediction for the beams in the sixth example beam grid. In the example time line 1110 shown in Figure 11B, the UE 110 receives a series of DL RSs 1102A, 1102B, and 1102C for candidate beam prediction (CBP) at times t0, t1, and t2 respectively, and calculates measurements of the received DL RSs. The UE 110 utilizes hybrid temporal and spatial-domain analysis 1140 to analyze measurements of the DL RSs at time t3. Accordingly, at time t3, the UE 110 utilizes temporal analysis to analyze measurements of the DL RSs 902A-902C received at times t0-t2. Additionally, at time t3, the UE 110 utilizes spatial-domain analysis to analyze measurements of DL RS 902C received at time t2. In some aspects, if either the temporal analysis or the spatial domain analysis predicts a candidate beam, the UE 110 may indicate the beam is a predicted candidate beam. In some other aspects, if both the temporal analysis and the spatial domain analysis predicts a candidate beam, the UE 110 may indicate the beam is a candidate beam. The UE 110 may store the beam as predicted candidate beam 1104. In some aspects, some or all of the DL RSs 1102A-1102C may be the same as some or all of the DL RSs 902A-902C of Figure 9B used for temporal analysis. In some other aspects, none the DL RSs 1102A-1102C are the same as any of the DL RSs 902A-902C.

[0152] Figure 11C is a graph illustrating example predicted beam quality at a point in time of the timing diagram illustrated in Figure 11B. As shown in the graph 1120, the results of the hybrid temporal and spatial domain analysis indicates that at time t3 the predicted beam quality of beam 6 will be above a candidate beam prediction quality threshold (CBP threshold) at a future time, and that no other beam of beam grid 1100 will above the candidate beam prediction quality threshold (CBP threshold) at the future point in time. As a result, the UE 110 may indicate beam 6 as a predicted candidate beam.

[0153] Returning to Figure 3, at operation 318, upon generating a beam failure prediction that a beam will fail at a future time, the UE 110 may transmit a beam failure recovery request (BFRQ) to the network entity 120. The BFRQ may indicate one or more of an index or indexes  of a predicted failed beam of a secondary cell (SCell) , an index of a predicted failed beam of a TRP, and / or one or more predicted candidate beam indexes. In some aspects, the UE 110 may transmit the beam failure recovery request to the network entity 120 using PRACH resources. In other aspects, the UE 110 may transmit the beam failure recovery request to the network entity 120 via a medium access control control element (MAC CE) .

[0154] In implementations where the UE 110 uses PRACH resources to transmit a BFRQ, the network entity 120 may configure a set of PRACH resources by RRC signaling, where each PRACH resource is associated with one beam in the beam grid or one DL RS in the configured second set of DL RSs for candidate beam prediction. In some aspects, the network entity 120 may configure a beam index from the beam grid for each PRACH resource. The UE 110 may transmit K PRACH resources associated with the predicted candidate beams to the network entity 120 to report the BFRQ, where the maximum value of K may be configured by the network entity or predefined, e.g., K=1.

[0155] In some aspects, the network entity 120 may configure different PRACH resources for candidate beam detection and candidate beam prediction. This provides a mechanism for the network entity 120 to identify whether the reported candidate beam is based on beam measurement (e.g., non-machine learning-based) or beam prediction (e.g., machine learning-based) .

[0156] In some aspects, the network entity may configure the PRACH resources for machine learning-based beam failure recovery on the primary cell (PCell) or the primary secondary cell (PSCell) for per UE (e.g., across TRPs associated with the UE) based beam failure recovery operation.

[0157] In implementations where the UE 110 transmits a BFRQ via a MAC CE, the MAC CE may include one or more of the following:

[0158] ● At least one Secondary Cell (SCell) index or serving cell index indicating the SCell or serving cell experiencing the beam failure event predicted or detected by the UE 110.

[0159] ● One or more than one failed TRP indexes, which indicate the TRP experiencing the beam failure event predicted or detected by the UE 110.

[0160] ● Timing information indicating when the beam failure is predicted to occur. In some aspects, the UE 110 may report a slot, subframe and / or frame index indicating the predicted time for beam failure. In some other aspects, the UE 110 may report a delay with a unit of symbol, slot or millisecond. The delay may represent a time delay with respect to the last symbol of the uplink signal with the BFRQ. The network entity 120 and the UE 110 may determine the  timing for the predicted beam failure to be a symbol or slot scheduled based on the reported delay and the last symbol of the uplink signal with the BFRQ.

[0161] ● A candidate beam index based on the beam grid or a DL RS index in the second set of DL RSs indicating the candidate beam information.

[0162] ● Timing information indicating when the candidate beam should be applied. In some aspects, the UE 110 may report a slot, subframe and / or frame index indicating the predicted time to apply the predicted candidate beam. In some other aspects, the UE 110 may report a delay with a unit of symbol, slot or millisecond. The network entity 120 and the UE 110 may determine the timing to apply the candidate beam to be a symbol or slot scheduled based on the reported delay and the last symbol of the uplink signal with the BFRQ.

[0163] ● An indicator indicating whether the candidate beam is identified based on beam measurement (e.g., non-machine learning-based) or candidate beam prediction (e.g., machine learning-based) .

[0164] In some implementations, the network entity 120 may configure a dedicated scheduling request (SR) for the UE 110 to use to request an uplink resource for the MAC CE. The network entity 120 may configure a common SR or different SRs for a MAC CE for non-machine learning-based beam failure recovery and a MAC CE for machine learning-based beam failure recovery.

[0165] In some other implementations, the UE 110 may report the BFRQ information described above via a PUCCH resource configured by the network entity 120.

[0166] At operation 320, the network entity 120 may transmit a beam failure recovery response (BFRR) to the UE 110. In some aspects, the beam failure recovery response may indicate an ACK of the BFRQ. In some aspects, the UE 110 may not be configured for predicted candidate beam validation, or the beam failure recovery response may indicate that the predicted candidate beam is not to be validated by the UE 110. In such aspects, the UE may start monitoring for the BFRR Z symbols or slots after transmitting the BFRQ. The value of Z may be predefined, e.g., Z=4, or may be configured by the network entity.

[0167] In some implementations, the network entity 120 may transmit a PDCCH on a dedicated search space configured by the network entity. The network entity 120 may transmit the PDCCH based on cell radio network temporary identifier (C-RNTI) or modulation and coding scheme C-RNTI (MCS-C-RNTI) . In some other implementations, the network entity 120 may transmit a PDCCH scheduling a new transmission that utilizes the same hybrid automatic repeat request (HARQ) process as a PUSCH with the MAC CE used for the BFRQ.

[0168] If the network entity 120 has configured the UE 110 for predicted candidate beam validation, the beam failure recovery response may include a trigger of a third set of DL RSs configured for validation of the predicted candidate beam performance. In some aspects, the beam failure recovery response may include an uplink resource for ACK / NACK for validation of the predicted candidate beam performance.

[0169] If the UE 110 is configured for candidate beam validation, the UE 110 and network entity 120 may perform operations 322-326. The UE 110 may be configured for candidate beam performance validation in several ways. In some aspects, the network entity 120 may configure whether or not to enable candidate beam performance validation, for example, at operation 304 discussed above. In some other aspects, the network entity 120 may configure to enable to disable the candidate beam performance validation by RRC signaling, MAC CE or downlink control information (DCI) .

[0170] In some aspects, the UE may report whether or not the UE recommends a candidate beam performance validation for the reported beams via the BFRQ transmitted at operation 318 discussed above.

[0171] At operation 322, the network entity 120 may transmit a third set of DL RSs configured for candidate beam performance validation. For example, in some aspects and as noted above, the network entity 120 transmits the BFRR as a PDCCH triggering the transmission of the third set of DL RSs for beam prediction performance validation.

[0172] At operation 324, the UE 110 measures attributes of the third set of DL RS (s) . The UE 110 may use the measurements to determine a beam quality of the predicted candidate beam or beams.

[0173] At operation 326, the UE 110 may transmit a candidate beam validation report that includes one or more indicators of the performance of the predicted candidate beam or beams. The indicators may be based on the beam quality for the candidate beam (s) selected at operation 316. In some aspects, if the UE 110 determines the beam quality of the third set of DL RS (s) meets the criteria for candidate beam prediction validation, the UE 110 may transmit an ACK to the network entity in the candidate beam validation report. If the UE 110 determines that the beam quality of the third set of DL RS (s) does not meet the criteria for candidate beam prediction validation, the UE 110 may transmit a NACK to the network entity.

[0174] In some aspects, the candidate beam validation report may include one or more of the following:

[0175] ● ACK / NACK for the DL RS (s) in the third set indicating whether the DL RS (s) in the third set meet the candidate beam criteria, where the candidate beam  criteria may be whether the beam quality for the DL RS (s) passes a configured threshold for candidate beam detection.

[0176] ● L1-RSRP or L1-SINR for at least one of the DL RSs in the third set of DL RSs. In some aspects, the UE 110 may report the L1-RSRP or L1-SINR for the best DL RS in the third set of DL RSs, e.g., the DL RS with highest L1-RSRP or L1-SINR. In some other aspects, the UE 110 may report the L1-RSRP or L1-SINR for the DL RSs in the third set of DL RSs that meet the candidate beam criteria. In some other aspects, the UE 110 may report the L1-RSRP or L1-SINR for all the DL RS (s) in the third set of DL RSs.

[0177] ● Index (es) of the DL RS (s) in the third set of DL RSs with the L1-RSRP or L1-SINR reported. In some aspects, the UE 110 may report the index (es) based on the order of the L1-RSRP or L1-SINR for each DL RS.

[0178] At operation 328, the UE 110 and network entity 120 communicate using the beam (s) reported by the UE 110 in the beam failure recovery request transmitted by the UE 110 at operation 318. The reported beam may be a detected or predicted candidate beam. In some aspects, the UE 110 applies the reported beam in the BFRQ to at least one of the channels: PDCCH, PDSCH, PUCCH, PUSCH, sounding reference signal (SRS) , and CSI-RS. The UE 110 may begin to apply the reported beam M symbols or slots after receiving the last symbol of the BFRR. Additionally, the network entity 120 may apply the reported beam in the BFRQ to at least one of the channels: PDCCH, PDSCH, PUCCH, PUSCH, SRS, and CSI-RS. Similar to the UE 110, the network entity 120 may begin to apply the reported beam M symbols or slots after transmitting the last symbol of the BFRR.

[0179] In some aspects, the UE 110 may report one or more beams that have been validated as discussed above. In such examples, the UE 110 may apply the beam that meets the candidate beam criteria to at least one of the channels: PDCCH, PDSCH, PUCCH, PUSCH, SRS, and CSI-RS. If the UE 110 reports multiple beams that meet the candidate beam criteria, in some aspects, the network entity 120 may further indicate in the BFRR which beam from the multiple beams is to be applied to the channels. In some other aspects, if the UE 110 reports multiple beams that meet the candidate beam criteria, the UE 110 may apply the beam with the highest L1-RSRP or L1-SINR to the channels.

[0180] Similarly, the network entity 120 may apply the beam that meets the candidate beam criteria to at least one of the channels: PDCCH, PDSCH, PUCCH, PUSCH, SRS, and CSI-RS. If the UE 110 reports multiple beams that meet the candidate beam criteria, in some aspects, the network entity 120 may further indicate which beam from the multiple beams are  to be applied to the channels. In some other aspects, if the UE 110 reports multiple beams that meet the candidate beam criteria, the network entity 120 may apply the beam with the highest L1-RSRP or L1-SINR to the channels.

[0181] Figure 12 is a flow chart diagram illustrating example operations of a method for performing beam failure recovery based on predictions of beam failures and / or candidate beams.

[0182] At block 1206, and as described above with respect to Figure 3, operations 306A-306N and 312, and Figure 4, block 406, a UE receives, from a network entity, one or more downlink (DL) reference signals.

[0183] At block 1210, and as described above with respect to Figure 3, operations 310 and operation 316, and Figure 4, block 410, the UE generates a prediction based on measurements of the one or more DL reference signals. The prediction may include at least one of a beam failure prediction, a candidate beam prediction, or both a beam failure prediction and a candidate beam prediction.

[0184] At block 1218, and as described above with respect to Figure 3, blocks 318-328, the UE may perform a beam failure recovery operation based on the prediction. The beam failure recovery operations may include transmitting a BFRQ to the network entity, receiving a BFRR from the network entity, validating a predicted candidate beam, and communicating based on the requested beam.

[0185] Figure 13 is a block diagram illustrating example configurations of a network entity and a user equipment. Note that the depicted hardware configurations represent the processing components and communication components related to beam failure prediction and candidate beam prediction by a UE 110. The depicted hardware configurations may omit certain components well-understood to be frequently implemented in such electronic devices, such as displays, peripherals, power supplies, and the like.

[0186] The UE 110 includes antennas 1302, a radio frequency front end (RF front end) 1304, and radio-frequency transceivers (e.g., an LTE transceiver 1306 and a 5G NR transceiver 1308) for communicating with network entity 120 and / or one or more TRPs (e.g., TRPs 122A and 122B of Figure 1) .

[0187] The RF front end 1304 includes one or more modems configured for the corresponding RAT (s) employed (for example, 3GPP 5G NR) , one or more analog-to-digital converters (ADCs) , one or more digital-to-analog converters (DACs) , signal processors, and the like. In the example illustrated in Figure 13, the RF front end 1304 of the UE 110 may couple or connect the LTE transceiver 1306, and the 5G NR transceiver 1308 to the antennas 1302 to facilitate various types of wireless communication. The RF front end 1304 operates,  in effect, as a physical (PHY) transceiver interface to conduct and process signaling between the one or more processors 1314 and the antennas 1302 so as to facilitate various types of wireless communication.

[0188] The antennas 1302 of the UE 110 may include an array of multiple antennas that may be tuned to one or more frequency bands associated with a corresponding RAT. The antennas 1302 and the RF front end 1304 may be tuned to, and / or be tunable to, one or more frequency bands defined by the 3GPP LTE and 5G NR communication standards and implemented by the LTE transceiver 1306, and / or the 5G NR transceiver 1308. Additionally, the antennas 1302, the RF front end 1304, the LTE transceiver 1306, and / or the 5G NR transceiver 1308 may be configured to support beamforming for the transmission and reception of communications with the network entity 120 and / or with one or more TRPs (e.g., TRPs 122A and 122B of Figure 1) . By way of example and not limitation, the antennas 1302 and the RF front end 1304 may be implemented for operation in sub-gigahertz bands, sub-6 GHz bands, and / or above 6 GHz bands that are defined by the 3GPP LTE and 5G NR communication standards.

[0189] The UE 110 also includes processor (s) 1314 and computer-readable storage media (CRM) 1316. The processor (s) 1314 may include, for example, one or more central processing units, graphics processing units (GPUs) , or other application-specific integrated circuits (ASIC) , and the like. To illustrate, the processor (s) 1314 may include an application processor (AP) utilized by the UE 110 to execute an operating system and various user-level software applications, as well as one or more processors utilized by modems or a baseband processor of the RF front end 1304.

[0190] CRM 1316 may include any suitable memory or storage device such as random-access memory (RAM) , static RAM (SRAM) , dynamic RAM (DRAM) , non-volatile RAM (NVRAM) , read-only memory (ROM) , Flash memory, solid-state drive (SSD) or other mass-storage devices, and the like useable to store one or more sets of executable software instructions and associated data that manipulate the one or more processors 1314 and other components of the UE 110 to perform the various functions described herein and attributed to the UE 110. The sets of executable software instructions include, for example, an operating system (OS) and various drivers (not shown) , and various software applications (not shown) , which are executable by processor (s) 1314 to enable user-plane communication, control-plane signaling, and user interaction with the UE 110. The data 1318 stored in the CRM 1316 represents, for example, user data, multimedia data, beamforming codebooks, software application configuration information, and the like.

[0191] Data 1318 may include beam measurement history 1319 and beam quality measurements 1320. Beam measurement history 1319 may include past measurements of beam quality. These past measurements may be used in a temporal analysis of current beam measurements to predict a future beam failure.

[0192] CRM 1316 also includes a communications controller 1322. Alternately or additionally, the communications controller 1322 may be implemented in whole or part as hardware logic or circuitry integrated with or separate from other components of the UE 110. In some aspects, communications controller 1322 configures the RF front end 1304, the LTE transceiver 1306, and / or the 5G NR transceiver 1308 to implement the techniques described herein for machine learning-based beam failure prediction and / or candidate beam detection.

[0193] In some aspects, UE 110 may include a prediction engine 1325. Prediction engine 1325 may use a beam failure prediction model 1321 or time series analysis to predict a future beam failure based on beam quality measurements 1320. In some aspects, prediction engine 1325 may perform temporal analysis of DL RSs associated with beams to predict whether or not a beam failure will occur at a future time. For example, the prediction engine 1325 may receive a current set of RS measurements and perform temporal analysis using beam measurement history 1319 to predict whether or not a beam failure will occur at a future time.

[0194] In some other aspects, prediction engine 1325 may receive a current set of measurements and use the beam failure prediction model in a spatial domain analysis to determine whether or not a beam failure will occur at a future time. In some other aspects, the prediction engine 1325 may perform both a temporal analysis and a spatial-domain analysis to predict whether or not a beam failure will occur at a future time.

[0195] Similarly, prediction engine 1325 may use a candidate beam prediction model 1323 or time series analysis to predict future beam quality based on beam quality measurements 1320. The future beam quality may be used to determine a predicted candidate beam. In some aspects, prediction engine 1325 may perform temporal analysis of DL RSs associated with beams to predict a candidate beam. For example, the prediction engine 1325 may receive a current set of RS measurements and perform temporal analysis using beam measurement history 1319 to predict a candidate beam. In some other aspects, prediction engine 1325 may receive a current set of measurements and use the candidate beam prediction model 1323 in a spatial domain analysis to determine a predicted candidate beam.

[0196] In some other aspects, the prediction engine 1325 may perform both a temporal analysis and a spatial-domain analysis to predict a candidate beam.

[0197] Various machine learning techniques may be used to enable prediction engine 1325 to predict beam failures and / or candidate beams. Examples of such techniques include, but are not limited to:

[0198] ● Statistical methods such as AutoRegressive Integrated Moving Average (ARIMA) .

[0199] ● Exponential Smoothing: such as Single Exponential Smoothing, Double Exponential Smoothing (Holt's method) , and Triple Exponential Smoothing (Holt-Winters method) .

[0200] ● Machine learning algorithms such as Linear Regression, Decision Trees, and Random Forests.

[0201] ● Support Vector Machines (SVM) .

[0202] ● Neural Networks such as Recurrent Neural Networks (RNNs) , Long Short-Term Memory (LSTM) networks, and Gated Recurrent Unit (GRU) networks.

[0203] ● State-Space Models such as Kalman Filters.

[0204] ● Deep Learning and Neural Networks such as Convolutional Neural Networks (CNNs)

[0205] ● Time series features based techniques such as extracting meaningful features from the time series data, such as rolling statistics (mean, variance) , Fourier or wavelet transformations, and autocorrelation functions.

[0206] ● Proximity-based methods such as k-Nearest Neighbors (k-NN) and Dynamic Time Warping (DTW) .

[0207] Turning to the hardware configuration of the network entity 120, it is noted that although Figure 13 illustrates an implementation of the network entity 120 as a single network node (for example, a 5G NR Node B, or “gNB” ) , the functionality, and thus the hardware components, of the network entity 120 instead may be distributed across multiple network nodes or devices and may be distributed in a manner to perform the functions described herein. As one example, the functionality of network entity 120 may be distributed across a radio unit (RU) , distributed unit (DU) , or central unit (CU) .

[0208] The network entity 120 includes antennas 1352, a radio frequency front end (RF front end) 1354, one or more LTE transceivers 1356, and / or one or more 5G NR transceivers 1358 for communicating with the UE 110. The RF front end 1354 of the network entity 120 may couple or connect the LTE transceivers 1356 and the 5G NR transceivers 1358 to the antennas 1352 to facilitate various types of wireless communication. Similar to RF front end 1304, the RF front end 1354 includes one or more modems, one or more ADCs, one or more  DACs, and the like. RF front end 1354 receives the one or more RF signals, for example, RF signals from UE 110, and pre-processes the one or more RF signals to generate data from the RF signals that is provided as input to processes and / or applications executing on network entity 120. This pre-processing may include, for example, power amplification, conversion of band-pass signaling to baseband signaling, initial analog-to-digital conversion, and the like.

[0209] The antennas 1352 of the network entity 120 may be configured individually and / or as one or more arrays of multiple antennas. The antennas 1352 and the RF front end 1354 may be tuned to, and / or be tunable to, one or more frequency band defined by the 3GPP LTE and 5G NR communication standards, and implemented by the LTE transceivers 1356, and / or the 5G NR transceivers 1358. Additionally, the antennas 1352, the RF front end 1354, the LTE transceivers 1356, and / or the 5G NR transceivers 1358 may be configured to support beamforming, such as Massive-MIMO, for the transmission and reception of communications with the UE 110.

[0210] The network entity 120 also includes processor (s) 1360 and computer-readable storage media (CRM) 1362. The processor 1360 may include, for example, one or more central processing units, graphics processing units (GPUs) , or other application-specific integrated circuits (ASIC) , and the like. To illustrate, the processors 1360 may include an application processor (AP) utilized by the network entity 120 to execute an operating system and various user-level software applications, as well as one or more processors utilized by modems or a baseband processor of the RF front end 1354 to enable communication with the UE 110.

[0211] CRM 1362 may include any suitable memory or storage device such as random-access memory (RAM) , static RAM (SRAM) , dynamic RAM (DRAM) , non-volatile RAM (NVRAM) , read-only memory (ROM) , or Flash memory useable to store device data of the network entity 120. The device data may include data 1364, which includes network scheduling data, radio resource management data, beamforming codebooks, software application configuration information, UE transmitter power levels, and / or TRP configuration data and the like.

[0212] Data 1364 may further include BFRQ data 1361 and UE capability information 1363. UE capability information includes data regarding the UE 110’s ability to perform machine learning-based beam failure prediction and / or candidate beam prediction. BFRQ data 1361 includes data received from a UE in a beam failure recovery request. Such data may include timing information as to when the UE predicts a beam failure to occur, a predicted candidate beam to use for future communications between the UE ant the network entity, and / or timing information indicating when the candidate beam is to be applied to avoid a future beam failure.

[0213] CRM 1362 additionally includes a communications controller 1371. Alternately or additionally, the communications controller 1371 may be implemented in whole or part as hardware logic or circuitry integrated with or separate from other components of the network entity 120. Like communications controller 1322 of UE 110, communications controller 1371 configures the RF front end 1354, the LTE transceiver 1356, and / or the 5G NR transceiver 1358 to implement the techniques described herein for UE initiated beam switching.

[0214] CRM 1362 also includes an RF resource manager 1365. In some aspects, the RF resource manager 1365 of the network entity 120 is implemented to perform various functions associated with allocating physical access (for example, resource blocks) or communication resources for the air interface of the network entity 120. The air interface of the network entity 120, may be partitioned or divided into various units (for example, frames, subframes, or slots) of one or more of bandwidth, time, symbols, or spatial layers. For example, within a framework of a 5G NR protocol, the RF resource manager 1365 may allocate bandwidth and time intervals of access in resource blocks, each of which may be allocated in whole, or in part, to one or more channels for communicating with the UE 110. The channels may include one or more of a PRACH, a PUCCH, a PUSCH, a PDCCH, a PDSCH, a PBCH, or a paging channel. The resource blocks may include multiple subcarriers that each span a portion of a frequency domain of the resource blocks. The subcarriers may be further divided into resource elements, or orthogonal frequency-division multiplexing (OFDM) symbols, that each span a portion of a time domain of the subcarriers. Consequently, a resource block includes multiple OFDM symbols that may be grouped into subcarriers with other OFDM symbols having a common frequency bandwidth. In some aspects, the OFDM symbols may be Discrete Fourier Transform-spread-Orthogonal Frequency Division Multiplexing (DFT-s-OFDM) symbols. In some other aspects, the OFDM symbols may be Cyclic Prefix-Orthogonal Frequency Division Multiplexing (CP-OFDM) symbols.

[0215] CRM 1362 further includes network entity manager 1366. Alternately or additionally, the network entity manager 1366 may be implemented in whole or part as hardware logic or circuitry integrated with or separate from other components of the network entity 120. In at least some aspects, the network entity manager 1366 configures the LTE transceivers 1356 and the 5G NR transceivers 1358 for communication with the UE 110, communication with TRPs (e.g., TRPs 122A and 122B of Figure 1) via fronthaul interface 1367, as well as communication with a core network 150 (Figure 1) .

[0216] In some aspects, the network entity 120 includes an inter-network entity station interface 1368, such as an Xn and / or X2 interface, which the network entity manager 1366 configures to exchange user-plane and control-plane data between another network entity, to  manage the communication of the network entity 120 with the UE 110. The network entity 120 includes a core network interface 1370 that the network entity manager 1366 configures to exchange user-plane and control-plane data with core network functions and entities.

[0217] It is noted that throughout this disclosure, an expression of “X / Y” may include meaning of “X or Y” . It is noted that throughout this disclosure, an expression of “X / Y” may include meaning of “X and Y” . It is noted that throughout this disclosure, an expression of “X / Y” may include meaning of “X and / or Y” . It is noted that throughout this disclosure, an expression of “ (A) B” or “B (A) ” may include concept of “only B” . It is noted that throughout this disclosure, an expression of “ (A) B” or “B (A) ” may include concept of “A+B” or “B+A” .

[0218] It is noted that some or all of the foregoing or the following implementations can be jointly combined or formed to be a new or another one implementation.

[0219] It is noted that the foregoing or the following techniques can be used to solve at least (but not limited to) the issue (s) or scenario (s) mentioned in this disclosure.

[0220] The following additional considerations may apply to the foregoing and the following discussions.

[0221] It is noted that any two or more than two of the foregoing or the following paragraphs, (sub) -bullets, points, actions, or claims described in each method / technique / implementation may be combined logically, reasonably, and properly to form a specific method.

[0222] It is noted that any sentence, paragraph, (sub) -bullet, point, action, or claim described in each of the foregoing or the following technique (s)  / implementation (s)  / concept (s) may be implemented independently and separately to form a specific method. Dependency, such as “based on” , “more specifically” , “where” or etc., in technique (s)  / implementation (s)  / concept (s) mentioned in this disclosure is just one possible implementation which would not restrict the specific method.

[0223] Certain techniques are described in this disclosure as including logic or a number of components or modules. Modules may be software modules (such as code stored on non-transitory machine-readable medium) or hardware modules. A hardware module is a tangible unit capable of performing certain operations and may be configured or arranged in a certain manner. A hardware module can comprise dedicated circuitry or logic that is permanently configured (such as a special-purpose processor, such as a field programmable gate array (FPGA) or an application-specific integrated circuit (ASIC) ) to perform certain operations. A hardware module may also comprise programmable logic or circuitry (for example, as encompassed within a general-purpose processor or other programmable processor) that is temporarily configured by software to perform certain operations. The decision to implement  a hardware module in dedicated and permanently configured circuitry, or in temporarily configured circuitry (for example, configured by software) may be driven by cost and time considerations.

[0224] Figures 1-5, 6A-6D, 7A-7D, 8A-8D, 9A-9C, 10, 11A-11C, and 12-13 and the operations described herein are examples meant to aid in understanding example implementations and should not be used to limit the potential implementations or limit the scope of the claims. Some implementations might include additional operations, fewer operations, operations in parallel or in a different order, and some operations differently.

[0225] As used herein, the terms “component” and “module” are intended to be broadly construed as hardware, firmware, or a combination of hardware and software. As used herein, a processor is implemented in hardware, firmware, or a combination of hardware and software. As used herein, the phrase “based on” is intended to be broadly construed to mean “based at least in part on. ”

[0226] Some aspects are described herein in connection with thresholds. As used herein, satisfying a threshold may refer to a value being greater than the threshold, greater than or equal to the threshold, less than the threshold, less than or equal to the threshold, equal to the threshold, not equal to the threshold, or the like.

[0227] As used herein, a phrase referring to “at least one of” or “one or more of” a list of items refers to any combination of those items, including single members. For example, “at least one of: a, b, or c” is intended to cover the possibilities of: a only, b only, c only, a combination of a and b, a combination of a and c, a combination of b and c, and a combination of a and b and c.

[0228] In this disclosure, the term "can" indicates a capability, or alternatively indicates a possible implementation option. The term "may" indicates a permission or a possible implementation option.

[0229] The various illustrative components, logic, logical blocks, modules, circuits, operations and algorithm processes described in connection with the implementations disclosed herein may be implemented as electronic hardware, firmware, software, or combinations of hardware, firmware or software, including the structures disclosed in this specification and the structural equivalents thereof. The interchangeability of hardware, firmware and software has been described generally, in terms of functionality, and illustrated in the various illustrative components, blocks, modules, circuits and processes described above. Whether such functionality is implemented in hardware, firmware or software depends upon the particular application and design constraints imposed on the overall system.

[0230] The hardware and data processing apparatus used to implement the various illustrative components, logics, logical blocks, modules and circuits described in connection with the aspects disclosed herein may be implemented or performed with a general purpose single-or multi-chip processor, a digital signal processor (DSP) , an application specific integrated circuit (ASIC) , a field programmable gate array (FPGA) or other programmable logic device (PLD) , discrete gate or transistor logic, discrete hardware components, or any combination thereof designed to perform the functions described herein. A general-purpose processor may be a microprocessor, or any conventional processor, controller, microcontroller, or state machine. A processor also may be implemented as a combination of computing devices, for example, a combination of a DSP and a microprocessor, multiple microprocessors, one or more microprocessors in conjunction with a DSP core, or any other such configuration. In some implementations, particular processes, operations and methods may be performed by circuitry that is specific to a given function.

[0231] As described above, in some aspects implementations of the subject matter described in this specification can be implemented as software. For example, various functions of components disclosed herein, or various blocks or steps of a method, operation, process or algorithm disclosed herein can be implemented as one or more modules of one or more computer programs. Such computer programs can include non-transitory processor-or computer-executable instructions encoded on one or more tangible processor-or computer-readable storage media for execution by, or to control the operation of, data processing apparatus including the components of the devices described herein. By way of example, and not limitation, such storage media may include RAM, ROM, EEPROM, CD-ROM or other optical disk storage, magnetic disk storage or other magnetic storage devices, or any other medium that may be used to store program code in the form of instructions or data structures. Combinations of the above should also be included within the scope of storage media. When implemented in software, the techniques can be provided as part of the operating system, a library used by multiple applications, a particular software application, etc. The software can be executed by one or more general-purpose processors or one or more special-purpose processors.

[0232] As used herein, the terms “user device” , “user equipment” (for example, UE 110) , “wireless communication device” , “mobile communication device” , “communication device” , or “mobile device” refer to any one or all of cellular telephones, smartphones, portable computing devices, personal or mobile multi-media players, laptop computers, tablet computers, smartbooks, Internet-of-Things (IoT) devices, palm-top computers, wireless electronic mail receivers, multimedia Internet enabled cellular telephones, wireless gaming  controllers, display sub-systems, driver assistance systems, vehicle controllers, vehicle system controllers, vehicle communication system, infotainment systems, vehicle telematics systems or subsystems, vehicle display systems or subsystems, vehicle data controllers, point-of-sale (POS) terminals, health monitoring devices, drones, cameras, media-streaming dongles or another personal media devices, wearable devices such as smartwatches, wireless hotspots, femtocells, broadband routers or other types of routers, and similar electronic devices which include a programmable processor and memory and circuitry configured to perform operations as described herein. Further, the user device in some cases may be embedded in an electronic system such as the head unit of a vehicle or an advanced driver assistance system (ADAS) . Still further, a mobile-internet device (MID) . Depending on the type, the user device can include one or more general-purpose processors, a computer-readable memory, a user interface, one or more network interfaces, one or more sensors, etc.

[0233] Various modifications to the implementations described in this disclosure may be readily apparent to persons having ordinary skill in the art, and the generic principles defined herein may be applied to other implementations without departing from the spirit or scope of this disclosure. Thus, the claims are not intended to be limited to the implementations shown herein but are to be accorded the widest scope consistent with this disclosure, the principles and the novel features disclosed herein.

[0234] Additionally, various features that are described in this specification in the context of separate implementations also can be implemented in combination in a single implementation. Conversely, various features that are described in the context of a single implementation also can be implemented in multiple implementations separately or in any suitable subcombination. As such, although features may be described above as acting in particular combinations, and even initially claimed as such, one or more features from a claimed combination can in some cases be excised from the combination, and the claimed combination may be directed to a subcombination or variation of a subcombination.

[0235] Similarly, while operations are depicted in the drawings in a particular order, this should not be understood as requiring that such operations be performed in the particular order shown or in sequential order, or that all illustrated operations be performed, to achieve desirable results. Further, the drawings may schematically depict one or more example processes in the form of a flowchart or flow diagram. However, other operations that are not depicted can be incorporated in the example processes that are schematically illustrated. For example, one or more additional operations can be performed before, after, simultaneously, or between any of the illustrated operations. In some circumstances, multitasking and parallel processing may be advantageous. Moreover, the separation of various system components in  the implementations described above should not be understood as requiring such separation in all implementations, and it should be understood that the described program components and systems can generally be integrated together in a single software product or packaged into multiple software products. Additionally, other implementations are within the scope of the following claims. In some cases, the actions recited in the claims can be performed in a different order and still achieve desirable results.

[0236] The foregoing disclosure provides illustration and description but is not intended to be exhaustive or to limit the aspects to the precise form disclosed. Modifications and variations may be made in light of the above disclosure or may be acquired from practice of the aspects. While the aspects of the disclosure have been described in terms of various examples, any combination of aspects from any of the examples is also within the scope of the disclosure. The examples in this disclosure are provided for pedagogical purposes.

Claims

1.A method for wireless communications by a user equipment (UE) , comprising:receiving, from a network entity, one or more downlink (DL) reference signals;generating a prediction based on measurements of the one or more DL reference signals, the prediction including at least one of: a beam failure prediction, a candidate beam prediction, or both the beam failure prediction and the candidate beam prediction; andperforming a beam failure recovery operation based on the prediction.2.The method of claim 1, further comprising receiving, from the network entity, a configuration including at least one of:a first indicator enabling the beam failure prediction;a second indicator enabling the candidate beam prediction;a first configuration of the one or more DL reference signals for the prediction;a second configuration of a network beam grid;at least a first uplink resource for a beam failure recovery request;a search space for a beam failure recovery response;a third configuration of at least one reference signal for candidate beam performance validation;a second uplink resource for a candidate beam prediction validation report;a beam failure prediction threshold; ora candidate beam prediction threshold.3.The method of any of claims 1 or 2, wherein the performing the beam failure recovery operation includes:transmitting a beam failure recovery request based on the beam failure prediction; andreceiving a beam failure recovery response based on the beam failure recovery request.4.The method of claim 3, further comprising:counting a quantity of predicted beam failure instances in the prediction; andtransmitting, to the network entity, the beam failure recovery request based on the quantity of predicted beam failure instances exceeding a threshold.5.The method of any of claims 3 or 4, wherein the transmitting the beam failure recovery request includes at least one of:transmitting the beam failure recovery request via at least one physical random access channel (PRACH) resource;transmitting the beam failure recovery request via a medium access control control element (MAC CE) ; ortransmitting the beam failure recovery request via a physical uplink control channel (PUCCH) resource.6.The method of claim 5, wherein the at least one PRACH resource is associated with at least one beam index of at least one candidate beam to use for the beam failure recovery operation.7.The method of any of claims 3-6, wherein the beam failure recovery request includes at least one of:a serving cell index for a predicted beam failure;a transmission reception point (TRP) index of a TRP for the predicted beam failure;first timing information indicating when the predicted beam failure will happen;second timing information indicating when a candidate beam should be applied; oran indicator indicating whether the candidate beam is identified based on beam measurement or beam prediction.8.The method of any of claims 3–7, wherein the beam failure recovery request indicates at least one candidate beam based on the candidate beam prediction.9.The method of any of claims 3-8, wherein the performing the beam failure recovery operation further includes:receiving, from the network entity, at least one reference signal associated with the at least one candidate beam for candidate beam performance validation;predicting whether the at least one candidate beam satisfies a beam quality criteria based on measurements of the at least one reference signal; andtransmitting, to the network entity, a candidate beam criteria report indicating whether the at least one candidate beam satisfies a beam quality criteria based on measurements of the at least one reference signal.10.The method of any one of claims 1-9, wherein the generating the prediction includes at least one of:generating the beam failure prediction based on one or more predicted beam failure instances, the one or more predicted beam failure instances based on the measurements of the one or more DL reference signals and one or more historical measurements of past reference signals received by the UE; orgenerating the candidate beam prediction based on at least one predicted candidate beam, the at least one predicted candidate beam based on the measurements of the one or more DL reference signals and the one or more historical measurements of the past reference signals received by the UE.11.The method of any of claims 1-10, wherein the generating the prediction includes at least one of:generating the prediction based on temporal analysis of one or more historical measurements over a time period; orgenerating the prediction based on spatial-domain analysis of the measurements of the one or more DL reference signals for one or more beams other than the at least one candidate beam; orgenerating the prediction based on a combination of the temporal analysis and the spatial-domain analysis.12.The method of any of claims 1-11, further comprising transmitting UE capability information to the network entity, the UE capability information including at least one of:a first indicator indicating whether the UE supports beam failure prediction;a second indicator indicating whether the UE supports candidate beam prediction;a third indicator indicating whether the UE supports concurrent configuration of candidate beam detection and candidate beam prediction; ora fourth indicator indicating whether the UE supports concurrent configuration of beam failure detection and beam failure prediction.13.A method for wireless communications by a network entity, comprising:transmitting, to a user equipment (UE) , a configuration including at least one of: a first configuration enabling beam failure prediction or a second configuration enabling candidate beam prediction;transmitting one or more reference signals associated with a plurality of beams;receiving, from the UE, a beam failure recovery request including at least one of: a first indicator of a predicted beam failure, a second indicator of a predicted candidate beam, or both the first indicator and the second indicator; andtransmitting, to the UE, a beam failure recovery response based on the beam failure recovery request.14.The method of claim 13, wherein the configuration further includes at least one of:a third configuration of one or more first DL reference signals for the beam failure prediction;a fourth configuration of one or more second DL reference signals for the candidate beam predictiona fifth configuration of a network beam grid;at least a first uplink resource for the beam failure recovery request;a search space for the beam failure recovery response;a sixth configuration of at least one reference signal for candidate beam performance validation;a second uplink resource for a candidate beam prediction validation report;a beam failure prediction threshold; ora candidate beam prediction threshold.15.The method of any of claims 13 or 14, wherein the one or more reference signals include at least one of:one or more first reference signals configured for beam failure prediction;one or more second reference signals configured for candidate beam prediction; orone or more third reference signals configured for candidate beam validation.16.An apparatus, comprising:a communication unit; anda processing system configured to control the communication unit to implement any one of the methods of claims 1-15.

Images