Methods and apparatus for ai / ML based BFR enhancement

Abstract

Systems and methods for the use of various artificial intelligence (AI) / machine learning (ML) models with respect to block error rate (BLER) are described herein. The generation and use of BLER predictions and prediction of layer 1 (L1) Reference Signal Received Power (RSRP) of candidate reference signals are discussed. Various examples of the inputs that may be used with respect to these ML models are discussed. A predicted BFD may be reported to a network node prior to an actual BFD based on the AL / ML models.

Description

METHODS AND APPARATUS FOR AI / ML BASED BFR ENHANCEMENTTECHNICAL FIELD

[0001] This application relates generally to wireless communication systems, including wireless communication systems capable of performing block error rate predictions.BACKGROUND

[0002] Wireless mobile communication technology uses various standards and protocols to transmit data between a base station and a wireless communication device. Wireless communication system standards and protocols can include, for example, 3rd Generation Partnership Project (3GPP) Long Term Evolution (LTE) (e.g., 4G) , 3GPP New Radio (NR) (e.g., 5G) , and Institute of Electrical and Electronics Engineers (IEEE) 802.11 standard for Wireless Local Area Networks (WLAN) (commonly known to industry groups as ) .

[0003] As contemplated by the 3GPP, different wireless communication systems' standards and protocols can use various radio access networks (RANs) for communicating between a base station of the RAN (which may also sometimes be referred to generally as a RAN node, a network node, or simply a node) and a wireless communication device known as a user equipment (UE) . 3GPP RANs can include, for example, Global System for Mobile communications (GSM) , Enhanced Data Rates for GSM Evolution (EDGE) RAN (GERAN) , Universal Terrestrial Radio Access Network (UTRAN) , Evolved Universal Terrestrial Radio Access Network (E-UTRAN) , and / or Next-Generation Radio Access Network (NG-RAN) .

[0004] Each RAN may use one or more radio access technologies (RATs) to perform communication between the base station and the UE. For example, the GERAN implements GSM and / or EDGE RAT, the UTRAN implements Universal Mobile Telecommunication System (UMTS) RAT or other 3GPP RAT, the E-UTRAN implements LTE RAT (sometimes simply referred to as LTE) , and NG-RAN implements NR RAT (sometimes referred to herein as 5G RAT, 5G NR RAT, or simply NR) . In certain deployments, the E-UTRAN may also implement NR RAT. In certain deployments, NG-RAN may also implement LTE RAT.

[0005] A base station used by a RAN may correspond to that RAN. One example of an E-UTRAN base station is an Evolved Universal Terrestrial Radio Access Network (E- UTRAN) Node B (also commonly denoted as evolved Node B, enhanced Node B, eNodeB, or eNB) . One example of an NG-RAN base station is a next generation Node B (also sometimes referred to as a g Node B or gNB) .

[0006] A RAN provides its communication services with external entities through its connection to a core network (CN) . For example, E-UTRAN may utilize an Evolved Packet Core (EPC) while NG-RAN may utilize a 5G Core Network (5GC) .

[0007] Frequency bands for 5G NR may be separated into two or more different frequency ranges. For example, Frequency Range 1 (FR1) may include frequency bands operating in sub-6 gigahertz (GHz) frequencies, some of which are bands that may be used by previous standards, and may potentially be extended to cover new spectrum offerings from 410 megahertz (MHz) to 7125 MHz. Frequency Range 2 (FR2) may include frequency bands from 24.25 GHz to 52.6 GHz. Note that in some systems, FR2 may also include frequency bands from 52.6 GHz to 71 GHz (or beyond) . Bands in the millimeter wave (mmWave) range of FR2 may have smaller coverage but potentially higher available bandwidth than bands in FR1. Skilled persons will recognize these frequency ranges, which are provided by way of example, may change from time to time or from region to region.

[0008] BRIEF DESCRIPTION OF THE SEVERAL VIEWS OF THE DRAWINGS

[0009] 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] FIG. 1 illustrates an example framework for the use of AI and / or ML in the context of a wireless communication system in accordance with some embodiments.

[0011] FIG. 2A illustrates two timelines for a beam failure detection procedure in accordance with some embodiments.

[0012] FIG. 2B illustrates a table that indicates configurations for different frequency ranges.

[0013] FIG. 3A illustrates a flow diagram for BFR for a primary cell (PCell) in accordance with some embodiments.

[0014] FIG. 3B illustrates a flow diagram for BFR for a secondary cell (SCell) in accordance with some embodiments.

[0015] FIG. 4A illustrates one example of a legacy implementation of BFR in accordance with some embodiments.

[0016] FIG. 4B illustrates an example where the UE may use AI / ML to predict BFD before the BFD happens in accordance with some embodiments.

[0017] FIG. 4C illustrates an example where the UE may use AI / ML to predict to predict some BFIs after one or more real BFIs are detected in accordance with some embodiments.

[0018] FIG. 5 illustrates an example of a flow diagram for a UE-sided procedure for BFD prediction as between a UE and a network according to embodiments herein.

[0019] FIG. 6A illustrates an example of UE configured to perform BLER prediction in a future time.

[0020] FIG. 6B illustrates an example of UE configured to predict a BLER value of an RS based on samples from another BFD-RS.

[0021] FIG. 6C illustrates an example of UE configured to predict a BLER value of a BFD-RS set for one TRP point based on actual values of one or more BFD-RS sets for other TRP points in a multi-TRP scenario in accordance with some embodiments.

[0022] FIG. 6D illustrates an example of a block diagram 618 for an AI / ML to predict BLER values.

[0023] FIG. 7 illustrates two example trigger events for an event triggered BLER prediction in accordance with some embodiments.

[0024] FIG. 8A illustrates an example timeline where a BFD is triggered using predicted BLER in accordance with some embodiments.

[0025] FIG. 8B illustrates an example timeline where a BFD is triggered using some actual BLER and some predicted BLER in accordance with some embodiments.

[0026] FIG. 9A illustrates an example BFR and truncated BFR MAC CE with one octet Ci field in accordance with some embodiments.

[0027] FIG. 9B illustrates an example BFR and truncated BFR MAC CE with one octet Ci field in accordance with some embodiments.

[0028] FIG. 10 illustrates a method of a UE in accordance with some embodiments.

[0029] FIG. 11 illustrates a method of a network node in accordance with some embodiments.

[0030] FIG. 12 illustrates an example architecture of a wireless communication system, according to embodiments disclosed herein.

[0031] FIG. 13 illustrates a system for performing signaling between a wireless device and a network device, according to embodiments disclosed herein.DETAILED DESCRIPTION

[0032] Various embodiments are described with regard to a UE. However, reference to a UE is merely provided for illustrative purposes. The example embodiments may be utilized with any electronic component that may establish a connection to a network and is configured with the hardware, software, and / or firmware to exchange information and data with the network. Therefore, the UE as described herein is used to represent any appropriate electronic component.

[0033] Frameworks for Artificial Intelligence / Machine Learning in Wireless Communication Systems

[0034] FIG. 1 illustrates an example framework 100 for the use of AI and / or ML in the context of a wireless communication system. Discussion herein relates to the use of an AI / ML model (sometimes referred to as simply a “model” herein) .

[0035] The framework 100 includes a data collection functionality 102, a model training functionality 104, a management functionality 106, an inference / prediction functionality 108, and a model storage functionality 110.

[0036] As illustrated, the data collection functionality 102 may provide training data 112 to the model training functionality 104, may provide monitoring data 114 to the management functionality 106, and / or may provide inference / prediction data 116 to the inference / prediction functionality 108. The model training functionality 104 may provide trained / updated model signaling 124 to the model storage functionality 110. The management functionality 106 may provide performance feedback / retraining request signaling 122 to the model training functionality 104, may provide model transfer / delivery request signaling 128 to the model storage functionality 110, and / or may provide selection /  (de) activation / switching / fallback signaling 120 to the inference / prediction functionality 108. The inference / prediction functionality 108 may provide output monitoring signaling 118 to the management functionality 106. The model storage functionality 110 may provide model transfer / delivery model / transfer delivery signaling 126 to the inference / prediction functionality 108.

[0037] In the framework 100, an AI / ML model may be trained at the model training functionality 104 based on training data 112 received from the data collection functionality 102. Once trained, the model may be provided to the model storage functionality 110.

[0038] When the model is to be used, it is provided from the model storage functionality 110 to the inference / prediction functionality 108. The data collection functionality 102 may also provide the inference / prediction functionality 108 with inference / prediction data 116 (e.g., input data) . The inference / prediction functionality 108 may then make an inference by applying the inference / prediction data 116 to the model. This inference may be reported to a functionality outside the framework 100 for further use.

[0039] The management functionality 106 manages the overall operation of the framework 100. Management decisions may be based on monitoring data 114 received at the management functionality 106 from the data collection functionality 102 and / or output monitoring signaling 118 received from the inference / prediction functionality 108. The management functionality 106 may, for example, may provide the model training functionality 104 with training data 112 to inform the model training functionality 104 of the performance of a trained model and / or to request that a present model be retrained. The management functionality 106 may, for example, provide model transfer / delivery request signaling 128 to the model storage functionality 110 to control the transfer to and use of the model at the inference / prediction functionality 108. The management functionality 106 may, for example, control the inference / prediction functionality 108 through selection /  (de) activation / switching / fallback signaling 120 to, among other things, indicate a model that is to be used and / or a method of using a present model.

[0040] Use Cases for Artificial Intelligence / Machine Learning in Wireless Communication Systems

[0041] With respect to wireless communications systems considerations, various use cases have been identified for the study of useful application of AI / ML models for categories related to physical layer (PHY layer) considerations. One such case is the study of a use of AI / ML models in channel state information (CSI) feedback contexts with the purpose of achieving CSI feedback enhancements. For example, CSI temporal prediction using AI / ML models may be considered.

[0042] Another such case relates to beam management considerations. For example, Layer 1 (L1) beam temporal / spatial prediction using AI / ML models may be considered.

[0043] Still another such case relates to positioning accuracy enhancements that may be achieved through the use of AI / ML models.

[0044] With respect to AI / ML use within a wireless communication system, there are various possible levels of UE / base station collaboration possible. For example, in some cases, it may be that in some cases there is no collaboration between the UE and the base station with respect to the use of an ML model. In other cases, it may be that there is signaling-based collaboration between the UE and the base station, but without a transfer of the ML model as between the base station and the UE (such cases may use, for example, assistance information for ML model selection purposes) . In still other cases, it may be that there is signaling-based collaboration between the UE and the base station that includes the transfer of the ML model for use as between the UE and the base station. At least some embodiments discussed herein are applicable to, for example, signaling-based collaboration cases (with or without model transfer) .

[0045] Proposals for wireless communications systems may relate to the use of AI / ML-enhanced mobility cases. These cases may be divided into various subtopics. For example, a first such subtopic may be with respect to AI / ML-based radio resource management (RRM) prediction, for example the prediction of future L1 and / or Layer 3 (L3) measurement (s) based on historical measurements. In such cases, it may be the intention to reduce UE measurement efforts and / or to reduce a latency for triggering a measurement event.

[0046] In another example, another such subtopic may be with respect to AI / ML-based target cell selection, for example with respect to the prediction and notification to the network of which cell and / or beam to which to switch and / or when to make the switch. In such cases, it may be the intention is to allow the UE to not report all its local useful observations with respect to handover to the network, thereby assisting the UE to remain within a given power and / or memory and / or privacy constraint.

[0047] In another example, another such subtopic may be with respect to AI / ML-based failure avoidance, for example with respect to a prediction of and notification to the network of a radio link failure (RLF)  / handover failure (HOF) that may happen in the future. In such cases, it may be the intention to enable the network to proactively avoid  RLF rather than to react after the RLF occurs (as per some existing passive mechanisms) .

[0048] Other use cases for the beneficial application of AI / ML include, but are not limited to, AI / ML-based UE trajectory prediction, AI / ML-based discontinuous reception (DRX) adaptation, AI / ML-based slicing / QoE mechanisms, and / or AI / ML-based cell reselection mechanisms.

[0049] Accordingly, as can be seen, there are multiple proposals to study AI / ML-based mobility enhancement. Herein, details of various embodiments for such AI / ML-based mobility enhancements are discussed.

[0050] It may be that, in some embodiments herein, a UE makes use of an ML model that is trained at a UE based on UE’s mobility and mobility related information. In some cases, the UE may notify the network of a prediction of a best target cell and / or beam for a regular HO based on its used of the ML model. In some cases, the UE may notify the network of its prediction on a suggested / rejected candidate cell list for conditional handover (CHO) based on its use of the ML model. In some cases, a UE may be able to predict an imminent RLF and notify the network ahead of time based on its use of the ML model.

[0051] Further, beam failure recovery (BFR) was introduced in NR for coverage enhancement. Some embodiments herein include the use of AI / ML to enhance BFR. For instance, a UE may use AI / ML to enhance BFR.

[0052] Beam Failure Detection (BFD)

[0053] FIG. 2A illustrates two timelines (first timeline 202 and second timeline 204) for a beam failure detection procedure. With respect to various wireless systems, beam failure detection may be considered a combined layer 1  / layer 2 (L1 / L2) procedure.

[0054] L1 provides media access control (MAC) layer indications of beam failure instances (BFIs) . If the block error rate (BLER) of a hypothetical physical downlink control channel (PDCCH) is worse than the threshold Qout for the resources in the set of resources configured for BFD (i.e., q0) , L1 triggers a beam failure indication (BFI) and sends it to MAC.

[0055] In some cases, both an synchronization signal block (SSB) and an CSI-reference signal (RS) may be configured in q0, with q0's highest possible number being with respect to a per frequency range. For example, FIG. 2B illustrates a table 206 that  indicates configurations for different frequency ranges. As shown, in a first frequency range 208 (e.g., FR1 less than or equal to 3 GHz) the maximum number Lmax of candidate SSBs per half frame may be four, and the maximum number of radio link monitoring reference signal (RLM-RS) resources (NRLM) may be two. In a second frequency range 210 (e.g., FR1 greater than 3 GHz) the maximum number Lmax of candidate SSBs per half frame may be eight, and the maximum number of radio link monitoring reference signal (RLM-RS) resources (NRLM) may be four. In a third frequency range 212 (e.g, FR2) the maximum number Lmax of candidate SSBs per half frame may be 64, and the maximum number of radio link monitoring reference signal (RLM-RS) resources (NRLM) may be eight.

[0056] Further, in some cases, q0 can be explicitly configured in Radio Resource Control (RRC) , or implicitly determined by the transmission configuration indication (TCI) state of an activated PDCCH, if q0 is not configured in the RRC. In some such cases, two BFD-RS sets can be configured in multi-transmission / reception point (s) (TRP) beam failure recover (BFR) .

[0057] Returning to BFD being considered as a L1 / L2 procedure, in some wireless systems, a MAC layer starts a timer as soon as the MAC layer receives the BFI and the MAC layer keeps incrementing a counter by 1 for every BFI. In some cases, if there are no beam failure instances received at the MAC and the timer expires, the MAC layer may reset the BFI_COUNTER and assume that there are no more beam failure instances. For instance, in FIG. 2A, in the second timeline 204 a first BFI is received and the counter is set to one. Then the timer expires and the count is reset to zero. In other cases, when a certain threshold of BFI is reached, for example, when BFI_COUNTER is greater than or equal to beamFailureInstanceMaxCount, the MAC may trigger Beam Failure and may start a recovery procedure. For instance, in FIG. 2A, in the first timeline 202 multiple BFIs are received. When the count reaches the threshold the MAC may trigger beam failure and start a recovery procedure.

[0058] Beam Failure Recovery (BFR)

[0059] In some wireless systems, in the case of beam failure recovery (BFR) , a UE is provided with a set of resources (q1) for the recovery procedure in the BeamFailureRecoveryConfig. When a L1 Reference Signal Received Power (RSRP) of any resource in q1 > a threshold (e.g., Qin_LR) , the PHY layer may sends a corresponding resource index to the MAC layer.

[0060] FIG. 3A illustrates a flow diagram 302 for BFR for a primary cell (PCell) in accordance with some embodiments. For PCell BFR, the UE 304 may perform a Random Access Channel (RACH) procedure on the best candidate beam selected during BFD. In some examples, if the best beam is within any of the beams configured in the beam failure recovery configuration, the UE 304 may select Contention-Free Random Access (CFRA) RACH procedure 306 else the UE 304 selects the Contention-Based Random Access (CBRA) RACH procedure 308.

[0061] For example, a counter may track the L1 beam failure instance indications. Once a maximum count threshold is reached, PCell BFR operation is triggered 310. If the best beam is within any of the beams configured in the beam failure recovery configuration, the UE 304 sends a BFR specific preamble 312 to a network node 316 and the network node sends the UE 304 a UE specific downlink control information (DCI) 314. If the best beam is outside of the beams configured in the beam failure recovery configuration, the UE 304 sends a random access preamble 318 to the network node 316. The network node 316sends a random access response 320 to the UE 304. The UE 304 sends a scheduled transmission 322 to the network node 316, and the network node 316 sends a contention resolution 324 to the UE 304.

[0062] FIG. 3B illustrates a flow diagram 326 for BFR for a secondary cell (SCell) in accordance with some embodiments. A trigger 332 may be determined for SCell BFR operation after a number of beam failure instances reaches a threshold. For SCell BFR, the UE 328 may transmit BFR MAC control element (CE) transmission scheme. In some cases, it may be transmitted via any available uplink grant. For instance, the UE 328 may detect 334 beam failure on SCell and detect a good candidate beam. If there is an available uplink grant, the UE may send a BFR MAC CE 336 to the network node 330, and the network node 330 may respond by sending the UE 328 an ACK message 338.

[0063] In other cases, if no uplink grant is available, if a BFR-scheduling request (SR) is configured, the BFR-SR 340 will be triggered. Further, if no uplink grant is available, if a BFR-SR is not configured or a BFR-SR transmission fails, the RACH procedure may be triggered.

[0064] Embodiments herein provide enhancements to BFR. Some embodiments may resolve the following issues of BFR. In some wireless systems, the use of BFR may entail various deficiencies which embodiments disclosed herein help to alleviate.

[0065] For instance, BFR is a passive mechanism rather than a proactive mechanism. Thus, the cost after a BFD in a PCell is significant for the UE. For instance, the UE performs a RACH after the BFD. In some embodiments, AI / ML may be used to trigger BFR reporting in advanced. For example, a predicted BLER of BFD RS in a future time may trigger BFR reporting in advance. The network node may reconfigure beam timely to avoid RACH.

[0066] Further, BFD is based on BLER of configured BFD RS (s) , which may not cover all beam directions. For instance, for frequency range of less than 3GHz there may be up to two RSs, up to four for greater than 3GHz in the FR1 band, and up to eight in FR2. In some embodiments, the UE may predict BLER of one RS from other BFD RS (s) , to reduce measurement efforts. This may be helpful especially in battery limited cases.

[0067] Additionally, in some cases the UE may report an L1 RSRP of candidate RS (s) greater than a threshold. Consequentially, in some such cases, the reporting latency may cause a mismatch in link recovery. To overcome this deficiency, in some embodiments, the UE may be configured to report an L1 RSRP prediction in future time to reduce the mismatched and / or outdated reporting.

[0068] FIG. 4A, FIG. 4B, and FIG. 4C illustrate three different methods for handling beam failures. Note that for FIGS 4A-4C, a threshold of five BFIs is used to trigger a BFD. This threshold may be larger or fewer based on desired implementation. Specifically, FIG. 4A illustrates one example of a legacy implementation of BFR in accordance with some embodiments. As shown on the timeline 402, in legacy BFR, the UE may detect five real BFIs 404 between time slot T7 and T12. In some embodiments, five BFI may be a threshold that may cause the UE to trigger a RACH procedure 406 to recover after the beam failure.

[0069] FIG. 4B illustrates an example where the UE 408 may use AI / ML to predict BFD 410 before the BFD 410 happens in accordance with some embodiments. For instance, as shown, between time T0 and time 11 the UE 408 may predict that between time T7 and time T12 BFIs may be detected which may result in a RACH procedure to recover the beam failure. However, because the BFD 410 is predicted before BFD 410, the PCell link is still available to report the predicted BFD. Accordingly, the UE 408 may report a BFR MAC-CE 414 to the network node 412. The BFR MAC-CE 414 may indicate that the UE 408 has predicted the BFD 410 will happen in the future. The  network node may switch the beam 416 used for the link with the UE 408 to avoid the BFD 410.

[0070] FIG. 4C illustrates an example where the UE 418 may use AI / ML to predict to predict some BFIs (e.g., predicted BFIs 420) after one or more real BFIs (e.g., real BFIs 422) are detected in accordance with some embodiments. For instance, during time T7 through time T9, the UE 418 may detect two real BFIs 422. The UE 418 may also predict that there will be three more BFIs (e.g., predicted BFIs 420) in the next time slots. Accordingly, the UE 418 may predict that a BFD may occur. After the real BFIs 422 are detected, the PCell link may not be available to report the BFR MAC-CE 424. Accordingly, the UE 418 may report the BFR MAC-CE 424 via the SCell. The network node 426 may switch beams used to communicate with the UE 418 based on the BFR MAC-CE 424.

[0071] FIG. 5 illustrates an example of a flow diagram 502 for a UE-sided procedure for BFD prediction as between a UE 504 and a network 506 according to embodiments herein. Note that in some embodiments, the UE-sided procedure for BFD prediction may also incorporate the use of a UE server 508.

[0072] The flow diagram 502 begins with the generation and transmission of UE capability reporting 510 by the UE 504 to the network 506. In some embodiments the UE capability reporting 510 may include one or more of: whether the UE supports temporal prediction of BLER of one BFD-RS temporal prediction; whether the UE supports prediction of cross BFD-RS BLER; a maximum number of history samples / slots that the UE may use; a maximum number of predicted samples / slots; and / or a maximum number of parallel predictions that the UE may perform.

[0073] Then, the network 506 provides the UE 504 with a training configuration 512. The training configuration 512 may include one or more of: a ML model type (e.g., a long-short term memory (LSTM) ML model type, a recurrent neural network (RNN) ML model type, etc. ) to train, a layer to train, and / or or one or more dedicated ML model (s) to use; a window length corresponding to the history of measurements and / or type of predictions (e.g., predictions in temporal and / or spatial domain, or cross BFD-RS prediction) to use with the ML model; and / or a maximum number of parallel predictions that should be provided by the UE 504.

[0074] The UE 504 then performs data collection 514. In some embodiments, this process incorporates the generation / training of the ML model at the UE 504 using the  collected data. In some embodiments, the UE 504 provides collected data to the UE server 508 such that offline training 516 (e.g., generation of the ML model) occurs instead at the UE server 508, which then provided the ML model so generated back to the UE 504.

[0075] The UE 504 then sends the network 506 a notification message 518. Contents of the notification message 518 may notify the network 506 of which ML model (s) are available at the UE 1204 (and, in at least some cases, model IDs corresponding to these ML model (s) .

[0076] Contents of the notification message 518 may notify the network 506 of which model (s) are available in UE and their model IDs. The notification message 518 may also notify the network 506 of a model applicability condition that is usable by the network 506 for purposes of determining which ML model at the UE 504 to use. Note that a model applicability condition may include, for example, one or more of use scenario information (e.g., indoor / outdoor) , antenna type information, channel type information, UE speed information (e.g., that a UE is travelling less than 5 kilometers per hour (kmph) ) , UE height information (e.g., corresponding to movement of the UE in elevation) , BFD-RS set, TRP information, etc. Contents of the notification message 518 may notify the network 506 of a UE-preferred model ID. Note that the notification message 518 may be provided, for example, as part of a MAC-CE, uplink assistance information (UAI) , or RRC message (e.g., in an RRCReconfigurationComplete message or a newly-provisioned RRC message) .

[0077] Based on the notification message 518, the network 506 may determine which ML model to activate at the UE 504 and may provide an activation message 520 to the UE 504 that instructs the UE 504 to activate the selected ML model. The activation message 520 may be provided, for example, as part of DCI, a MAC-CE, or RRC messaging.

[0078] The UE 504 then proceeds to perform an inference of BLER prediction 522 according to network configurations and detects BFD based on the BLER prediction. The UE 504 sends a report 524 to the network 506 for a BFR based on actual and / or predicted L1 RSRP.

[0079] It is contemplated that with respect to the UE-sided procedure, either UE 504 or the network 506 may perform performance monitoring 526 of the ML model. The monitoring metric may be one or both of prediction error and system performance. Based  on the outcome of the performance monitoring 526, either the UE 504 or the network 506 may initiate lifecycle monitoring (LCM) signaling 528 for model switching or model deactivation, which then results in a model switch / model deactivation 530 at the UE 504. In deactivation situations, it may be that the UE 504 and the network 506 then fallback to non-AI / ML-based measurement reporting solutions.

[0080] Details of BFD-RS BLER Prediction

[0081] In some embodiments, the UE can be configured to perform any combination of the following embodiments for BLER prediction. For example, FIG. 6A illustrates an example of UE configured to perform BLER prediction in a future time.

[0082] In some embodiments, the UE may be configured to perform BLER prediction for one configured BFD-RS (explicit case) or the TCI of activated PDCCH (implicit case) . The UE may further predict its future BLER based on one or several previous BLER samples. For example, in the illustrated embodiment, for an SSB1 configured as BFD-RS, the UE may predict two BLER values in a future time period 602 (e.g., t+4, t+5) based history measurements in a past time period 604 (e.g., t, t+1, t+2, t+3) , as shown in FIG. 6A. In some cases, the number of previous samples and predicted samples are configured by the network.

[0083] FIG. 6B illustrates an example of UE configured to predict a BLER value of an RS based on samples from another BFD-RS. In the illustrated embodiment, the UE may be configured to predict a BLER value of another RS based on BLER sample (s) of one or more BFD-RS (s) . The UE may predict BLER value of another RS that is different from the RS that is associated with the samples. In some cases, the RS can be another configured BFD-RS, thus providing the benefit of reducing the UE’s measurement efforts. For example, the UE may predict the BLER value 606 of BFD-RS 2 based on one or both of the sampled BLER value 610 of BFD-RS 3 and / or the sampled BLER value 608 of BFD-RS 1.

[0084] In some embodiments, the RS that is predicted may be an SSB / CSI-RS that is not configured as a BFD-RS (e.g., the TCI of an activated PDCCH) . This may carry the benefit of covering all possible beam spatial directions, thus alleviating the problem of a maximum number of BFD-RS being small.

[0085] Further, in some cases, long-term beam correlation between the RS and the BFD-RS (e.g. QCL) can be configured by a network node as assistance information.

[0086] FIG. 6C illustrates an example of UE configured to predict a BLER value of a BFD-RS set for one TRP point based on actual values of one or more BFD-RS sets for other TRP points in a multi-TRP scenario in accordance with some embodiments. In some embodiments, the UE may be configured to perform BLER prediction based on BLER sample (s) of one BFD-RS from one BFD-RS set (for one TRP) , and predict a BLER value of another BFD-RS from another BFD-RS set (for another TRP) . This may provide the benefit of reducing the UE’s measurement efforts. For example, the BLER value 612 of BFD-RS set 3 for TRP3 may be predicted based on actual BLER values (e.g., BLER value 614 and / or BLER value 616) from another BFD-RS set for another TRP. In some cases, the TRP deployment geometry may be provided by the network node as assistance information.

[0087] Further, in other alternatives, the UE may be configured to perform BLER predictions based on other measurement quantities. For example Cell L3 measurement, L1 RSRP of the RS, can also be used as assistance information and / or as an AI / ML input. For instance, FIG. 6D illustrates an example of a block diagram 618 for an AI / ML to predict BLER values. As shown, Time samples 620 of BLER of a first BFD-RS, time samples 622 of BLER of a second BFD-RS, and assistance information 624 (e.g., inter-beam correlation, cell RSRP, etc. ) may be input into an AI / ML model 626. The AI / ML model 626 may output a predicted BLER 628 of a third BFD-RS.

[0088] The embodiments shown in FIGS 6A-6D can configured to work together or independently of each other. In some embodiments, a confidence level of the prediction and / or the dwelling time of the prediction can be generated.

[0089] When to perform BLER prediction

[0090] Some embodiments may support per serving cell configuration of continuous, periodic and event triggered BLER prediction. In the case of continuous prediction, the UE may start prediction upon the reception of configuration until a timer expiry. In the case of periodic prediction, the UE may be configured with another periodicity for predicted BLER measurement. In the case of event triggered prediction, to reduce UE power consumption of performing BLER prediction, various trigger events may be introduced to cause the UE to begin BLER prediction.

[0091] FIG. 7 illustrates two example trigger events for an event triggered BLER prediction in accordance with some embodiments. A first trigger event 702 (also referred to as E1) may be when the MAC layer detects at least M consecutive BFI. M may be a  value that is configured by RRC. For example, when M=2 and the BFD is determined when five BFIs are received at the MAC layer, the UE may start to perform a prediction when two actual BFIs 704 are received, thus the three BFIs 706 following the two actual BFIs 704 are predicted.

[0092] A second trigger event 702 (also referred to as E2) may be when the BLER of configured BFD-RS (s) is greater than a threshold. It may be noted that the threshold may be smaller than Qout so that prediction can perform earlier than a beam failure. Qout may be the threshold level at which the downlink radio link cannot be reliably received and may correspond to out-of-sync BLER. In some embodiments, Qout may be the 10%block error rate of a hypothetical PDCCH transmission. For example, Qout may be 10%and the threshold for prediction to start (e.g., second trigger event 702) may be 8%.

[0093] A third trigger event (also referred to as E3) may occur when the BLER of M (e.g., a value that is greater than 1) BFD-RS (s) is greater than a threshold. In some embodiments, M is an integer. In some embodiments, the first trigger event 702, E1, may also be configured together with the second trigger event 708, E2, and / or the third trigger event E3. For example, reporting may be triggered when both the first trigger event 702, E1, and the second trigger event 708, E2, are satisfied.

[0094] In some embodiments, the second trigger event 708, E2, and third trigger event, E3, may be configured whether the RS (s) is in a configured BFD-RS set, or another configured RS set. In some embodiments, the dwelling time and confidence level of one BLER prediction may also be generated. A confidence level may be the mean squared error (MSE) between an actual and a predicted BLER.

[0095] BFD Trigger Conditions

[0096] New BFD trigger conditions may be established based on the predictions. In some embodiments, for one BFD-RS, if its predicted BLER in time T is greater than Qout and its confidence level is greater than a configured threshold, it may be regarded that BLER of this BFD-RS is greater than Qout in time T. In some embodiments, if BLER of all the configured RS (s) greater than Qout in time T, the PHY layer may generate a BFI in time T, and send the BFI to MAC with the predicted time T information (if BFI is generated based on predicted BLER of some RS) .

[0097] FIG. 8A illustrates an example timeline 802 where a BFD is triggered using predicted BLER in accordance with some embodiments. In some embodiments, all RS (s)  use predicted BLER as illustrated in FIG. 8A. For example, some embodiments may use a temporal BLER prediction in time T from history measurements in time T-n.

[0098] FIG. 8B illustrates an example timeline 804 where a BFD is triggered using some actual BLER and some predicted BLER in accordance with some embodiments. In some embodiments, some RS (s) use an actual BLER and some RS (s) use a predicted BLER, as illustrated in FIG. 8B. For example, some embodiments may use cross-RS BLER prediction in time T to reduce UE measurement burden.

[0099] In some embodiments, some RS (s) are not part of BFD-RS (s) if the network wants the UE to use a prediction for some RS (s) not in BFD-RS (s) set. In some embodiments, the MAC layer declares BFD when a BFI counter (e.g., BFI_COUNTER) is greater than or equal to a threshold (e.g., beamFailureInstanceMaxCount) . The timing to declare the BFD is in advance of when it would occur in a legacy system because of the ability to predict BFI before they occur.

[0100] BFR

[0101] In some embodiments, BFR MAC-CE may be sent based on the BLER prediction. In some embodiments, for BFD detected in an Pcell or an SCell (SpCell) , if some BFIs are generated based on BLER prediction and there is no actual BFI is detected (e.g., the channel of SpCell is still available when the BFD is detected) , the UE may, in some cases, report the BFR MAC-CE to SpCell. In some embodiments, BFR MAC-CE may include at most one suitable candidate RS for one serving cell. In some embodiments, the UE may report an available L1 RSRP actual and / or predicted measurements for candidate RS (s) to SpCell in a new RRC message. In both the BFR MAC-CE and RRC message cases, the UE may predict the BLER before an actual BFD. Therefore the channel may still be available allowing the UE to send the BFR MAC-CE or RRC message over the channel that the UE predicts will deteriorate.

[0102] The predicted beam failure may be reported through other methods when the BLER prediction is based on at least one actual BFI detected. In some embodiments, for BFD detected in a SpCell, if some BFIs are generated based on a BLER prediction and there is at least one actual BFI detected, the UE can report the BFR MAC-CE via one available SCell. In some embodiments, the UE may report available L1 RSRP actual and / or predicted measurements in one SCell in a new RRC message. For example, the UE may apply a Logical Channel Prioritization (LCP) restriction to send a signal radio bearer 1 (SRB1) associated radio link control (RLC) bearer in the available SCell. In  some embodiments, the UE may perform uplink switching to a SCell, in some examples on another band, based on a switching pattern pre-configured by the network. In some embodiments, the UE may report the multi-transmission and reception point (mTRP) BFR MAC-CE via one available TRP which may not declare a BFD.

[0103] In some embodiments, for BFD detected in a SpCell, if all BFIs are generated based on actual BLER measurements, the UE may follow legacy BFR procedures. For example, the UE may trigger a RACH transmission in the SpCell. In some embodiments, for BFD detected in a SCell, the UE may report the BFR MAC-CE as is done in legacy implementations.

[0104] BFR MAC-CE

[0105] FIG. 9A illustrates an example BFR and truncated BFR MAC CE 902 with one octet Ci field in accordance with some embodiments. FIG. 9B illustrates an example BFR and truncated BFR MAC CE 904 with one octet Ci field in accordance with some embodiments. The MAC CEs for BFR (e.g., BFR MAC CE 902 and BFR MAC CE 902) may comprise either a BFR MAC CE or a truncated BFR MAC CE. The BFR MAC CE and Truncated BFR MAC CE may be identified by a MAC subheader with Logical Channel ID (LCID)  / eLCID.

[0106] The C fields (e.g., C field 906 and C field 908) may indicate beam failure detection. The AC fields (e.g., AC field 910 and AC field 912) may indicate the presence of the Candidate RS ID field in the octet. The candidate RS ID fields (e.g., field 914 and field 916) may be set to the index of an SSB with SS-RSRP above rsrp-ThresholdBFR amongst the SSBs in candidateBeamRSSCellList or to the index of a CSI-RS with CSI-RSRP above rsrp-ThresholdBFR amongst the CSI-RSs in candidateBeamRSSCellList. The BFR MAC CE may include a reserved bit (e.g., reserve bit 918) .

[0107] In some embodiments, when BFR MAC-CE reporting is triggered, the UE may be configured to report a new BFR MAC-CE based on a predicted L1 RSRP of a candidate RS. Reporting predicted L1 RSRP may carry the benefit of reducing channel mismatch caused by a reporting delay.

[0108] In some embodiments, the network configures the UE, via RRC, whether to report a BFR MAC-CE based on actual and / or predicted L1 RSRP. For example, in some embodiments, the current MAC-CE format may be reused with a new LCID for predicted L1 RSRP. If the network configures the UE to report both actual and predicted BFR MAC-CE, the UE will report both. In some embodiments, the “R” field (e.g., reserve bit  918) may be used to indicate whether the L1 RSRP is an actual or a predicted L1 RSRP. The network can configure the UE to prioritize actual or predicted L1 RSRP. In some embodiments, the predicted result may be reported when there is enough spare resources in the MAC PDU. For example, the predicted result may be included in a padding bit.

[0109] Model Monitoring and LCM

[0110] It is contemplated that, with respect to UE-sided procedures for BLER prediction, model monitoring (e.g., monitoring of the performance of the ML model) may be performed at the UE and / or at the base station.

[0111] In the case of model monitoring being performed at the base station, the performance monitoring metric may be up to base station implementation. In some embodiments, the UE may be configured to provide the base station with information to help the base station to perform the monitoring. Such information may include, extra temporal information such as a timestamp (s) for prediction (s) , and timestamp (s) of corresponding actual measurement (s) . Such information may also or alternatively include extra spatial information such as the UE’s actual position, the UE's actual moving orientation, a change to the UE's moving orientation, and / or the delta (difference in) direction that may be compared with the prediction.

[0112] In the case of model monitoring being performed at the UE, the model monitoring metric, in some cases may be the confidence level of the prediction or prediction accuracy information. For example, this may take the form of the error between prediction and actual BLER measurements. For instance, a mean squared error (MSE) between some predicted BLER measurements and corresponding actual BLER measurement (s) may be used (note that the use of a MSE metric in this manner may be an example of a "confidence level" as discussed herein) . For monitoring purposes, the UE may perform both a BLER and their prediction for one small set of RS. Further, in some embodiments, the model monitoring metric may take the form of system performance. For example, a throughput change or a number of a radio link failure (RLF) in a configured duration.

[0113] In some embodiments, the UE can be configured to perform either a UE initiated model switch or a network initiated model switch.

[0114] In the case of a UE initiated model switch, the UE may be configured with a condition and UE behaviors regarding to model metric (e.g., a confidence level) . For example, the UE is configured with an MSE with a 0.01 threshold and corresponding  behavior. In other words, when the MSE is greater than 0.01, the UE may fallback to a conventional measurement of BLER. As another example, the network may configure different models associated with different BFD-RS patterns, for example, different combination of BFD-RS (s) or different BFD-RS sets. When a BFD-RS pattern changes, for example, via DCI, MAC-CE or RRC, the UE switches to the associated model.

[0115] In the case of a network initiated model switch, the UE may report the model monitoring metric, and may wait for base station LCM signaling. In this case, the UE may report a model monitoring metric via a UAI or a MAC-CE. As an example, when BFD-RS pattern changes, for example, via DCI, MAC-CE or RRC, the UE may rely on an explicit network indication on whether or not to perform a model switch.

[0116] In some cases, the UE may fallback to a conventional solution (e.g., actual BLER measurement) in either case of a UE initiated model switch or a network initiated model switch as is disclosed herein.

[0117] In some embodiments, the base station may provide the following information to the UE as assistance information for UE monitoring: nearby base station deployment geometry, a long-term statistic of temporal correlation, and / or a long-term statistic of inter-beam correlation such as a QCL type D.

[0118] Assistance information for BLER prediction

[0119] Assistance information used with respect to BLER prediction may include assistance information that is sent from the UE to the base station. Further, assistance information used with respect to BLER prediction may also / alternatively include assistance information that is sent from the base station to the UE.

[0120] In the case of the assistance information coming from UE to the base station, the UE may report the following assistance information to network: a suggested optimal evaluation interval of Qout_LR; a suggested optimal value of beamFailureInstanceMaxCount; a suggested BFD-RS (s) set; and / or a suggested BFD-RS (s) for actual measurement. The threshold Qout_LR may be the level at which the downlink radio level link of a given resource configuration cannot be reliably received. In some embodiments, UAI may be used to send the assistance information from the UE to the base station.

[0121] In the case of the assistance information coming from the base station to the UE, the base station may provide the following assistance information to the UE: nearby base station deployment geometry; long-term static of temporal correlation; and / or long-term  statistic of inter-cell correlation or inter-beam correlation. In some embodiments, a new downlink (DL) message can be used to send the assistance information from the base station to the UE. In some embodiments, the message can be a MAC-CE or a RRC message such as an RRCReconfigurationComplete or a new RRC message.

[0122] FIG. 10 illustrates a method 1000 of a UE, in accordance with some embodiments. The method 1000 includes sending 1002, to a network node, a message indicating that the UE supports prediction of a BLER. The method 1000 further includes receiving 1004, from the network node, an activation message identifying a prediction model for use at the UE to predict the BLER. The method 1000 further includes determining 1006, using the prediction model, one or more predicted BFIs. The method 1000 further includes determining 1008 a potential future BFD based on the one or more predicted BFIs. The method 1000 further includes send 1010 a BFR message to the network node before the potential future BFD occurs.

[0123] In some embodiments, the BFR message includes predicted layer 1 RSRP of candidate reference signals in a future time.

[0124] In some embodiments, the potential future BFD is predicted before any real BFIs are detected, and wherein the BFR message is sent to a PCell via a MAC-CE or a RRC message.

[0125] In some embodiments, the potential future BFD is predicted after one or more real BFI are detected, and wherein the BFR message is sent to a SCell via a MAC-CE or a RRC message.

[0126] In some embodiments, the method 1000 further comprises sending a notification message identifying one or more prediction models available at the UE.

[0127] In some embodiments, determining the potential future BFD comprises predicting a block error rate (BLER) for a configured BFD-reference signal (RS) or a transmission configuration indication (TCI) of activated physical downlink control channel (PDCCH) based on historic BLER samples.

[0128] In some embodiments, determining the potential future BFD comprises predicting a block error rate (BLER) of a first reference signal based on BLER samples of a second reference signal.

[0129] In some embodiments, determining one or more predicted BFIs using the prediction model comprises performing a continuous prediction that starts upon reception of configuration until a timer expiry.

[0130] In some embodiments, determining one or more predicted BFIs using the prediction model comprises performing a periodic prediction.

[0131] In some embodiments, determining one or more predicted BFIs using the prediction model comprises performing an event triggered prediction.

[0132] The method of claim 10, wherein events that trigger the event triggered prediction include when media access control (MAC) layer detects a threshold number of consecutive BFI, when a block error rate (BLER) of configured BFD-reference signals (RSs) is greater than a threshold percentage, or when the BLER of a set number of the BFD-RSs is greater than the threshold percentage.

[0133] In some embodiments, the method 1000 further comprises monitoring performance of the prediction model.

[0134] Embodiments contemplated herein include an apparatus comprising means to perform one or more elements of the method 1000. This apparatus may be, for example, an apparatus of a UE (such as a wireless device 1302 that is a UE, as described herein) .

[0135] Embodiments contemplated herein include one or more non-transitory computer-readable media comprising instructions to cause an electronic device, upon execution of the instructions by one or more processors of the electronic device, to perform one or more elements of the method 1000. This non-transitory computer-readable media may be, for example, a memory of a UE (such as a memory 1306 of a wireless device 1302 that is a UE, as described herein) .

[0136] Embodiments contemplated herein include an apparatus comprising logic, modules, or circuitry to perform one or more elements of the method 1000. This apparatus may be, for example, an apparatus of a UE (such as a wireless device 1302 that is a UE, as described herein) .

[0137] Embodiments contemplated herein include an apparatus comprising: one or more processors and one or more computer-readable media comprising instructions that, when executed by the one or more processors, cause the one or more processors to perform one or more elements of the method 1000. This apparatus may be, for example, an apparatus of a UE (such as a wireless device 1302 that is a UE, as described herein) .

[0138] Embodiments contemplated herein include a signal as described in or related to one or more elements of the method 1000.

[0139] Embodiments contemplated herein include a computer program or computer program product comprising instructions, wherein execution of the program by a processor is to cause the processor to carry out one or more elements of the method 1000. The processor may be a processor of a UE (such as a processor (s) 1304 of a wireless device 1302 that is a UE, as described herein) . These instructions may be, for example, located in the processor and / or on a memory of the UE (such as a memory 1306 of a wireless device 1302 that is a UE, as described herein) .

[0140] FIG. 11 illustrates a method 1100 for a network node in accordance with some embodiments. The method 1100 includes receiving 1102, from a UE, a message indicating that the UE supports prediction of a BLER. The method 1100 further includes sending 1104, to the UE, an activation message identifying a prediction model for use at the UE to predict the BLER. The method 1100 further includes receiving 1106 BFR message before a potential future BFD occurs, wherein the BFR is based on the prediction model.

[0141] In some embodiments, the BFR message includes predicted layer 1 (L1)

[0142] Reference Signal Received Power (RSRP) of candidate reference signals in a future time.

[0143] In some embodiments, the method 1100 further comprises switching beams based on the predicted L1 RSRP values.

[0144] In some embodiments, the potential future BFD is predicted by the UE before any real BFIs are detected, and wherein the BFR message is sent to a PCell via a MAC-CE or a RRC message.

[0145] In some embodiments, the potential future BFD is predicted by the UE after one or more real BFI are detected, and wherein the BFR message is sent to a SCell via a MAC-CE or a RRC message.

[0146] In some embodiments, the method 1100 further comprises receiving a notification message identifying one or more prediction models available at the UE.

[0147] In some embodiments, the method 1100 further comprises monitoring performance of the prediction model.

[0148] In some embodiments, the method 1100 further comprises initiating lifecycle monitoring (LCM) signaling for model switching or model deactivation.

[0149] Embodiments contemplated herein include an apparatus comprising means to perform one or more elements of the method 1100. This apparatus may be, for example, an apparatus of a base station (such as a network device 1318 that is a base station, as described herein) .

[0150] Embodiments contemplated herein include one or more non-transitory computer-readable media comprising instructions to cause an electronic device, upon execution of the instructions by one or more processors of the electronic device, to perform one or more elements of the method 1100. This non-transitory computer-readable media may be, for example, a memory of a base station (such as a memory 1322 of a network device 1318 that is a base station, as described herein) .

[0151] Embodiments contemplated herein include an apparatus comprising logic, modules, or circuitry to perform one or more elements of the method 1100. This apparatus may be, for example, an apparatus of a base station (such as a network device 1318 that is a base station, as described herein) .

[0152] Embodiments contemplated herein include an apparatus comprising: one or more processors and one or more computer-readable media comprising instructions that, when executed by the one or more processors, cause the one or more processors to perform one or more elements of the method 1100. This apparatus may be, for example, an apparatus of a base station (such as a network device 1318 that is a base station, as described herein) .

[0153] Embodiments contemplated herein include a signal as described in or related to one or more elements of the method 1100.

[0154] Embodiments contemplated herein include a computer program or computer program product comprising instructions, wherein execution of the program by a processing element is to cause the processing element to carry out one or more elements of the method 1100. The processor may be a processor of a base station (such as a processor (s) 1320 of a network device 1318 that is a base station, as described herein) . These instructions may be, for example, located in the processor and / or on a memory of the base station (such as a memory 1322 of a network device 1318 that is a base station, as described herein) .

[0155] FIG. 12 illustrates an example architecture of a wireless communication system 1200, according to embodiments disclosed herein. The following description is provided for an example wireless communication system 1200 that operates in conjunction with  the LTE system standards and / or 5G or NR system standards as provided by 3GPP technical specifications.

[0156] As shown by FIG. 12, the wireless communication system 1200 includes UE 1202 and UE 1204 (although any number of UEs may be used) . In this example, the UE 1202 and the UE 1204 are illustrated as smartphones (e.g., handheld touchscreen mobile computing devices connectable to one or more cellular networks) , but may also comprise any mobile or non-mobile computing device configured for wireless communication.

[0157] The UE 1202 and UE 1204 may be configured to communicatively couple with a RAN 1206. In embodiments, the RAN 1206 may be NG-RAN, E-UTRAN, etc. The UE 1202 and UE 1204 utilize connections (or channels) (shown as connection 1208 and connection 1210, respectively) with the RAN 1206, each of which comprises a physical communications interface. The RAN 1206 can include one or more base stations (such as base station 1212 and base station 1214) that enable the connection 1208 and connection 1210.

[0158] In this example, the connection 1208 and connection 1210 are air interfaces to enable such communicative coupling, and may be consistent with RAT (s) used by the RAN 1206, such as, for example, an LTE and / or NR.

[0159] In some embodiments, the UE 1202 and UE 1204 may also directly exchange communication data via a sidelink interface 1216. The UE 1204 is shown to be configured to access an access point (shown as AP 1218) via connection 1220. By way of example, the connection 1220 can comprise a local wireless connection, such as a connection consistent with any IEEE 802.11 protocol, wherein the AP 1218 may comprise a router. In this example, the AP 1218 may be connected to another network (for example, the Internet) without going through a CN 1224.

[0160] In embodiments, the UE 1202 and UE 1204 can be configured to communicate using orthogonal frequency division multiplexing (OFDM) communication signals with each other or with the base station 1212 and / or the base station 1214 over a multicarrier communication channel in accordance with various communication techniques, such as, but not limited to, an orthogonal frequency division multiple access (OFDMA) communication technique (e.g., for downlink communications) or a single carrier frequency division multiple access (SC-FDMA) communication technique (e.g., for uplink and ProSe or sidelink communications) , although the scope of the embodiments is  not limited in this respect. The OFDM signals can comprise a plurality of orthogonal subcarriers.

[0161] In some embodiments, all or parts of the base station 1212 or base station 1214 may be implemented as one or more software entities running on server computers as part of a virtual network. In addition, or in other embodiments, the base station 1212 or base station 1214 may be configured to communicate with one another via interface 1222. In embodiments where the wireless communication system 1200 is an LTE system (e.g., when the CN 1224 is an EPC) , the interface 1222 may be an X2 interface. The X2 interface may be defined between two or more base stations (e.g., two or more eNBs and the like) that connect to an EPC, and / or between two eNBs connecting to the EPC. In embodiments where the wireless communication system 1200 is an NR system (e.g., when CN 1224 is a 5GC) , the interface 1222 may be an Xn interface. The Xn interface is defined between two or more base stations (e.g., two or more gNBs and the like) that connect to 5GC, between a base station 1212 (e.g., a gNB) connecting to 5GC and an eNB, and / or between two eNBs connecting to 5GC (e.g., CN 1224) .

[0162] The RAN 1206 is shown to be communicatively coupled to the CN 1224. The CN 1224 may comprise one or more network elements 1226, which are configured to offer various data and telecommunications services to customers / subscribers (e.g., users of UE 1202 and UE 1204) who are connected to the CN 1224 via the RAN 1206. The components of the CN 1224 may be implemented in one physical device or separate physical devices including components to read and execute instructions from a machine-readable or computer-readable medium (e.g., a non-transitory machine-readable storage medium) .

[0163] In embodiments, the CN 1224 may be an EPC, and the RAN 1206 may be connected with the CN 1224 via an S1 interface 1228. In embodiments, the S1 interface 1228 may be split into two parts, an S1 user plane (S1-U) interface, which carries traffic data between the base station 1212 or base station 1214 and a serving gateway (S-GW) , and the S1-MME interface, which is a signaling interface between the base station 1212 or base station 1214 and mobility management entities (MMEs) .

[0164] In embodiments, the CN 1224 may be a 5GC, and the RAN 1206 may be connected with the CN 1224 via an NG interface 1228. In embodiments, the NG interface 1228 may be split into two parts, an NG user plane (NG-U) interface, which carries traffic data between the base station 1212 or base station 1214 and a user plane  function (UPF) , and the S1 control plane (NG-C) interface, which is a signaling interface between the base station 1212 or base station 1214 and access and mobility management functions (AMFs) .

[0165] Generally, an application server 1230 may be an element offering applications that use internet protocol (IP) bearer resources with the CN 1224 (e.g., packet switched data services) . The application server 1230 can also be configured to support one or more communication services (e.g., VoIP sessions, group communication sessions, etc. ) for the UE 1202 and UE 1204 via the CN 1224. The application server 1230 may communicate with the CN 1224 through an IP communications interface 1232.

[0166] FIG. 13 illustrates a system 1300 for performing signaling 1334 between a wireless device 1302 and a network device 1318, according to embodiments disclosed herein. The system 1300 may be a portion of a wireless communications system as herein described. The wireless device 1302 may be, for example, a UE of a wireless communication system. The network device 1318 may be, for example, a base station (e.g., an eNB or a gNB) of a wireless communication system.

[0167] The wireless device 1302 may include one or more processor (s) 1304. The processor (s) 1304 may execute instructions such that various operations of the wireless device 1302 are performed, as described herein. The processor (s) 1304 may include one or more baseband processors implemented using, for example, a central processing unit (CPU) , a digital signal processor (DSP) , an application specific integrated circuit (ASIC) , a controller, a field programmable gate array (FPGA) device, another hardware device, a firmware device, or any combination thereof configured to perform the operations described herein.

[0168] The wireless device 1302 may include a memory 1306. The memory 1306 may be a non-transitory computer-readable storage medium that stores instructions 1308 (which may include, for example, the instructions being executed by the processor (s) 1304) . The instructions 1308 may also be referred to as program code or a computer program. The memory 1306 may also store data used by, and results computed by, the processor (s) 1304.

[0169] The wireless device 1302 may include one or more transceiver (s) 1310 that may include radio frequency (RF) transmitter circuitry and / or receiver circuitry that use the antenna (s) 1312 of the wireless device 1302 to facilitate signaling (e.g., the signaling  1334) to and / or from the wireless device 1302 with other devices (e.g., the network device 1318) according to corresponding RATs.

[0170] The wireless device 1302 may include one or more antenna (s) 1312 (e.g., one, two, four, or more) . For embodiments with multiple antenna (s) 1312, the wireless device 1302 may leverage the spatial diversity of such multiple antenna (s) 1312 to send and / or receive multiple different data streams on the same time and frequency resources. This behavior may be referred to as, for example, multiple input multiple output (MIMO) behavior (referring to the multiple antennas used at each of a transmitting device and a receiving device that enable this aspect) . MIMO transmissions by the wireless device 1302 may be accomplished according to precoding (or digital beamforming) that is applied at the wireless device 1302 that multiplexes the data streams across the antenna (s) 1312 according to known or assumed channel characteristics such that each data stream is received with an appropriate signal strength relative to other streams and at a desired location in the spatial domain (e.g., the location of a receiver associated with that data stream) . Certain embodiments may use single user MIMO (SU-MIMO) methods (where the data streams are all directed to a single receiver) and / or multi user MIMO (MU-MIMO) methods (where individual data streams may be directed to individual (different) receivers in different locations in the spatial domain) .

[0171] In certain embodiments having multiple antennas, the wireless device 1302 may implement analog beamforming techniques, whereby phases of the signals sent by the antenna (s) 1312 are relatively adjusted such that the (joint) transmission of the antenna (s) 1312 can be directed (this is sometimes referred to as beam steering) .

[0172] The wireless device 1302 may include one or more interface (s) 1314. The interface (s) 1314 may be used to provide input to or output from the wireless device 1302. For example, a wireless device 1302 that is a UE may include interface (s) 1314 such as microphones, speakers, a touchscreen, buttons, and the like in order to allow for input and / or output to the UE by a user of the UE. Other interfaces of such a UE may be made up of transmitters, receivers, and other circuitry (e.g., other than the transceiver (s) 1310 / antenna (s) 1312 already described) that allow for communication between the UE and other devices and may operate according to known protocols (e.g.,  and the like) .

[0173] The wireless device 1302 may include a prediction module 1316. The prediction module 1316 may be implemented via hardware, software, or combinations thereof. For  example, the prediction module 1316 may be implemented as a processor, circuit, and / or instructions 1308 stored in the memory 1306 and executed by the processor (s) 1304. In some examples, the prediction module 1316 may be integrated within the processor (s) 1304 and / or the transceiver (s) 1310. For example, the prediction module 1316 may be implemented by a combination of software components (e.g., executed by a DSP or a general processor) and hardware components (e.g., logic gates and circuitry) within the processor (s) 1304 or the transceiver (s) 1310.

[0174] The prediction module 1316 may be used for various aspects of the present disclosure, for example, aspects of FIGS. 1-12. The prediction module 1316 is configured to cause the wireless device 1302 to perform UE-based functionalities corresponding to BLER prediction as discussed herein.

[0175] The network device 1318 may include one or more processor (s) 1320. The processor (s) 1320 may execute instructions such that various operations of the network device 1318 are performed, as described herein. The processor (s) 1320 may include one or more baseband processors implemented using, for example, a CPU, a DSP, an ASIC, a controller, an FPGA device, another hardware device, a firmware device, or any combination thereof configured to perform the operations described herein.

[0176] The network device 1318 may include a memory 1322. The memory 1322 may be a non-transitory computer-readable storage medium that stores instructions 1324 (which may include, for example, the instructions being executed by the processor (s) 1320) . The instructions 1324 may also be referred to as program code or a computer program. The memory 1322 may also store data used by, and results computed by, the processor (s) 1320.

[0177] The network device 1318 may include one or more transceiver (s) 1326 that may include RF transmitter circuitry and / or receiver circuitry that use the antenna (s) 1328 of the network device 1318 to facilitate signaling (e.g., the signaling 1334) to and / or from the network device 1318 with other devices (e.g., the wireless device 1302) according to corresponding RATs.

[0178] The network device 1318 may include one or more antenna (s) 1328 (e.g., one, two, four, or more) . In embodiments having multiple antenna (s) 1328, the network device 1318 may perform MIMO, digital beamforming, analog beamforming, beam steering, etc., as has been described.

[0179] The network device 1318 may include one or more interface (s) 1330. The interface (s) 1330 may be used to provide input to or output from the network device 1318. For example, a network device 1318 that is a base station may include interface (s) 1330 made up of transmitters, receivers, and other circuitry (e.g., other than the transceiver (s) 1326 / antenna (s) 1328 already described) that enables the base station to communicate with other equipment in a core network, and / or that enables the base station to communicate with external networks, computers, databases, and the like for purposes of operations, administration, and maintenance of the base station or other equipment operably connected thereto.

[0180] The network device 1318 may include a prediction module 1332. The prediction module 1332 may be implemented via hardware, software, or combinations thereof. For example, the prediction module 1332 may be implemented as a processor, circuit, and / or instructions 1324 stored in the memory 1322 and executed by the processor (s) 1320. In some examples, the prediction module 1332 may be integrated within the processor (s) 1320 and / or the transceiver (s) 1326. For example, the prediction module 1332 may be implemented by a combination of software components (e.g., executed by a DSP or a general processor) and hardware components (e.g., logic gates and circuitry) within the processor (s) 1320 or the transceiver (s) 1326.

[0181] The prediction module 1332may be used for various aspects of the present disclosure, for example, aspects of FIGS. 1-12. The prediction module 1332 is configured to cause the network device 1318to perform base-station-based functionalities corresponding to BLER prediction as discussed herein.

[0182] For one or more embodiments, at least one of the components set forth in one or more of the preceding figures may be configured to perform one or more operations, techniques, processes, and / or methods as set forth herein. For example, a baseband processor as described herein in connection with one or more of the preceding figures may be configured to operate in accordance with one or more of the examples set forth herein. For another example, circuitry associated with a UE, base station, network element, etc. as described above in connection with one or more of the preceding figures may be configured to operate in accordance with one or more of the examples set forth herein.

[0183] Any of the above described embodiments may be combined with any other embodiment (or combination of embodiments) , unless explicitly stated otherwise. The  foregoing description of one or more implementations provides illustration and description, but is not intended to be exhaustive or to limit the scope of embodiments to the precise form disclosed. Modifications and variations are possible in light of the above teachings or may be acquired from practice of various embodiments.

[0184] Embodiments and implementations of the systems and methods described herein may include various operations, which may be embodied in machine-executable instructions to be executed by a computer system. A computer system may include one or more general-purpose or special-purpose computers (or other electronic devices) . The computer system may include hardware components that include specific logic for performing the operations or may include a combination of hardware, software, and / or firmware.

[0185] It should be recognized that the systems described herein include descriptions of specific embodiments. These embodiments can be combined into single systems, partially combined into other systems, split into multiple systems or divided or combined in other ways. In addition, it is contemplated that parameters, attributes, aspects, etc. of one embodiment can be used in another embodiment. The parameters, attributes, aspects, etc. are merely described in one or more embodiments for clarity, and it is recognized that the parameters, attributes, aspects, etc. can be combined with or substituted for parameters, attributes, aspects, etc. of another embodiment unless specifically disclaimed herein.

[0186] It is well understood that the use of personally identifiable information should follow privacy policies and practices that are generally recognized as meeting or exceeding industry or governmental requirements for maintaining the privacy of users. In particular, personally identifiable information data should be managed and handled so as to minimize risks of unintentional or unauthorized access or use, and the nature of authorized use should be clearly indicated to users.

[0187] Although the foregoing has been described in some detail for purposes of clarity, it will be apparent that certain changes and modifications may be made without departing from the principles thereof. It should be noted that there are many alternative ways of implementing both the processes and apparatuses described herein. Accordingly, the present embodiments are to be considered illustrative and not restrictive, and the description is not to be limited to the details given herein, but may be modified within the scope and equivalents of the appended claims.

Claims

1.A method of a user equipment (UE) , comprising:sending, to a network node, a message indicating that the UE supports prediction of a block error rate (BLER) ;receiving, from the network node, an activation message identifying a prediction model for use at the UE to predict the BLER;determining, using the prediction model, one or more predicted beam failure indications (BFIs) ;determining a potential future beam failure detection (BFD) based on the one or more predicted BFIs; andsending a beam failure recovery (BFR) message to the network node before the potential future BFD occurs.2.The method of claim 1, wherein the BFR message includes predicted layer 1 Reference Signal Received Power (RSRP) of candidate reference signals in a future time.3.The method of claim 1, wherein the potential future BFD is predicted before a real BFI is detected, and wherein the BFR message is sent to a primary cell (PCell) via a medium access control control element (MAC-CE) or a radio resource control (RRC) message.4.The method of claim 1, wherein the potential future BFD is predicted after one or more real BFIs are detected, and wherein the BFR message is sent to a secondary cell (SCell) via a medium access control control element (MAC-CE) or a radio resource control (RRC) message.5.The method of claim 1, further comprising sending a notification message identifying one or more prediction models available at the UE.6.The method of claim 1, wherein determining the potential future BFD comprises predicting the BLER for a configured BFD-reference signal (RS) or a transmission configuration indication (TCI) of activated physical downlink control channel (PDCCH) based on historic BLER samples.7.The method of claim 1, wherein determining the potential future BFD comprises predicting the BLER of a first reference signal based on BLER samples of a second reference signal.8.The method of claim 1, wherein determining the one or more predicted BFIs using the prediction model comprises performing a continuous prediction that starts upon reception of configuration until a timer expiry.9.The method of claim 1, wherein determining the one or more predicted BFIs using the prediction model comprises performing a periodic prediction.10.The method of claim 1, wherein determining the one or more predicted BFIs using the prediction model comprises performing an event triggered prediction.11.The method of claim 10, wherein events that trigger the event triggered prediction include when media access control (MAC) layer detects a threshold number of consecutive BFI, when the BLER of configured BFD-reference signals (RSs) is greater than a threshold percentage, or when the BLER of a set number of the BFD-RSs is greater than the threshold percentage.12.The method of claim 10, further comprising monitoring performance of the prediction model.13.The method of claim 1, further comprising sending, to the network node, assistance information, wherein the assistance information comprises at least one of:a suggested optimal evaluation interval of Qout_LR;a suggested optimal value of beamFailureInstanceMaxCount;a suggested BFD-reference signal (RS) set; ora suggested BFD-RS for actual measurement.14.The method of claim 1, further comprising receiving, from the network node, assistance information, wherein the assistance information comprises at least one of:nearby network node deployment geometry;long-term static of temporal correlation; orlong-term statistic of inter-cell correlation or inter-beam correlation.15.A method of a network node, comprising:receiving, from a user equipment (UE) , a message indicating that the UE supports prediction of a block error rate (BLER) ;sending, to the UE, an activation message identifying a prediction model for use at the UE to predict the BLER; andreceiving a beam failure recovery (BFR) message before a potential future BFD occurs, wherein the BFR message is based on the prediction model.16.The method of claim 15, wherein the BFR message includes predicted layer 1 (L1) Reference Signal Received Power (RSRP) values of candidate reference signals in a future time.17.The method of claim 16, further comprising switching beams based on the predicted L1 RSRP values.18.The method of claim 15, wherein the potential future BFD is predicted by the UE before a real BFI is detected, and wherein the BFR message is sent to a primary cell (PCell) via a medium access control control element (MAC-CE) or a radio resource control (RRC) message.19.The method of claim 15, wherein the potential future BFD is predicted by the UE after one or more real BFIs are detected, and wherein the BFR message is sent to a secondary cell (SCell) via a medium access control control element (MAC-CE) or a radio resource control (RRC) message.20.The method of claim 15, further comprising receiving a notification message identifying one or more prediction models available at the UE.21.The method of claim 15, further comprising monitoring performance of the prediction model.22.The method of claim 15, further comprising initiating lifecycle monitoring (LCM) signaling for model switching or model deactivation.23.The method of claim 15, further comprising receiving, from the UE, assistance information, wherein the assistance information comprises at least one of:a suggested optimal evaluation interval of Qout_LR;a suggested optimal value of beamFailureInstanceMaxCount;a suggested BFD-reference signal (RS) set; ora suggested BFD-RS for actual measurement.24.The method of claim 15, further comprising sending, to the UE, assistance information, wherein the assistance information comprises at least one of:nearby network node deployment geometry;long-term static of temporal correlation; orlong-term statistic of inter-cell correlation or inter-beam correlation.25.An apparatus comprising means to perform the method of any of claim 1 to claim 24.26.A computer-readable media comprising instructions to cause an electronic device, upon execution of the instructions by one or more processors of the electronic device, to perform the method of any of claim 1 to claim 24.27.An apparatus comprising logic, modules, or circuitry to perform the method of any of claim 1 to claim 24.

Images