Methods, devices, and systems for utilization of spectrum resources

Abstract

The present disclosure describes methods, system, and devices for utilization of spectrum resources. One method includes determining, by a base station, utilization of at least one granularity-level of spectrum resource with a collaboration-level, wherein: the granularity-level of spectrum resource represents a level on a granularity of frequency resource, and the collaboration-level represents a level of combination with a collaboration model. Another method includes determining, by a user equipment (UE), utilization of at least one granularity-level of spectrum resource with a collaboration-level, wherein: the granularity-level of spectrum resource represents a level on a granularity of frequency resource, and the collaboration-level represents a level of combination between a collaboration model.

Description

METHODS, DEVICES, AND SYSTEMS FOR UTILIZATION OF SPECTRUM RESOURCESTECHNICAL FIELD

[0001] The present disclosure is directed generally to wireless communications. Particularly, the present disclosure relates to methods, devices, and systems for utilization of spectrum resources.BACKGROUND

[0002] Wireless communication technologies are moving the world toward an increasingly connected and networked society. High-speed and low-latency wireless communications rely on efficient network resource management and allocation between user equipment and wireless access network nodes (including but not limited to base stations) . A new generation network is expected to provide high speed, low latency and ultra-reliable communication capabilities and fulfill the requirements from different industries and users.

[0003] In wireless communication system, spectrum resources are utilized by each carrier within a band. In some implementations, the granularity of bandwidth part (BWP) is introduced in new radio (NR) which is general a part of a carrier, due to the receive and transmit bandwidth of a user equipment (UE) need not be as large as the bandwidth of the cell. Spectrum resources are utilized by multiple granularities, e.g., BWP, carrier, band, band combination. In some implementations, higher capacity can be supported by carrier aggregation (CA) in case the resource on a single cell are almost fully utilized, while uplink (UL) coverage can be improved by a supplementary UL (SUL) carrier configured together with one non-supplementary UL carrier in a same cell. There are some issues / problems associated with some implementations. For some examples, the utilization of each granularity of spectrum resources may be fixed and specified; and / or a cell may be defined based on the granularity of carrier; and / or how to achieve intelligent or efficient utilization of spectrum resources.

[0004] The present disclosure describes various embodiments for utilization of spectrum resources, addressing at least one of the issues / problems discussed in the present disclosure, thus increasing efficiency of spectrum resource utilization and improving telecommunication field. As a non-limiting example, the present disclosure describes embodiments for more intelligent and / or higher efficient utilization of one or more granularities of spectrum resources when Artificial Intelligence / Machine Learning (AI / ML) or other technology is being used.SUMMARY

[0005] This document relates to methods, systems, and devices for wireless communication, and more specifically, for utilization of spectrum resources. The various embodiments in the present disclosure may include new method for operation with spectrum resource utilization, which is beneficial to enhance efficient utilization of spectrum resources, increase the telecommunication resource utilization efficiency, and / or boost performance of the wireless communication.

[0006] In one embodiment, the present disclosure describes a method for wireless communication. The method includes determining, by a base station, utilization of at least one granularity-level of spectrum resource with a collaboration-level, wherein: the granularity-level of spectrum resource represents a level on a granularity of frequency resource, and the collaboration-level represents a level of combination with a collaboration model.

[0007] In another embodiment, the present disclosure describes another method for wireless communication. The method includes determining, by a user equipment (UE) , utilization of at least one granularity-level of spectrum resource with a collaboration-level, wherein: the granularity-level of spectrum resource represents a level on a granularity of frequency resource, and the collaboration-level represents a level of combination between a collaboration model.

[0008] In some other embodiments, an apparatus for wireless communication may include a memory storing instructions and a processing circuitry in communication with the memory. When the processing circuitry executes the instructions, the processing circuitry is configured to carry out the above methods.

[0009] In some other embodiments, a device for wireless communication may include a memory storing instructions and a processing circuitry in communication with the memory. When the processing circuitry executes the instructions, the processing circuitry is configured to carry out the above methods.

[0010] In some other embodiments, a computer-readable medium comprising instructions which, when executed by a computer, cause the computer to carry out the above methods. The computer-readable medium may be a non-transitory computer-readable medium.

[0011] The above and other aspects and their implementations are described in greater detail in the drawings, the descriptions, and the claims.BRIEF DESCRIPTION OF THE DRAWINGS

[0012] FIG. 1A shows an example of a wireless communication system include one wireless network node and one or more user equipment.

[0013] FIG. 1B shows an example of granularity levels of frequency resources.

[0014] FIG. 1C shows an example of changing locations and / or widths of bandwidth parts (BWPs) .

[0015] FIG. 2 shows an example of a network node.

[0016] FIG. 3 shows an example of a user equipment.

[0017] FIG. 4A shows a flow diagram of a method for wireless communication.

[0018] FIG. 4B shows a flow diagram of another method for wireless communication.

[0019] FIG. 5 shows an exemplary embodiment in the present disclosure.

[0020] FIG. 6 shows another exemplary embodiment in the present disclosure.

[0021] FIG. 7A shows another exemplary embodiment in the present disclosure.

[0022] FIG. 7B shows another exemplary embodiment in the present disclosure.

[0023] FIG. 8A shows another exemplary embodiment in the present disclosure.

[0024] FIG. 8B shows another exemplary embodiment in the present disclosure.DETAILED DESCRIPTION

[0025] The present disclosure will now be described in detail hereinafter with reference to the accompanied drawings, which form a part of the present disclosure, and which show, by way of illustration, specific examples of embodiments. Please note that the present disclosure may, however, be embodied in a variety of different forms and, therefore, the covered or claimed subject matter is intended to be construed as not being limited to any of the embodiments to be set forth below.

[0026] Throughout the specification and claims, terms may have nuanced meanings suggested or implied in context beyond an explicitly stated meaning. Likewise, the phrase “in one embodiment” or “in some embodiments” as used herein does not necessarily refer to the same embodiment and the phrase “in another embodiment” or “in other embodiments” as used herein does not necessarily refer to a different embodiment. The phrase “in one implementation” or “in some implementations” as used herein does not necessarily refer to the same implementation and the phrase “in another implementation” or “in other implementations” as used herein does not necessarily refer to a different implementation. It is intended, for example, that claimed subject matter includes combinations of exemplary embodiments or implementations in whole or in part.

[0027] In general, terminology may be understood at least in part from usage in context. For example, terms, such as “and” , “or” , or “and / or, ” as used herein may include a variety of meanings that may depend at least in part upon the context in which such terms are used. Typically, “or” if used to associate a list, such as A, B or C, is intended to mean A, B, and C, here used in the inclusive sense, as well as A, B or C, here used in the exclusive sense. In addition, the term “one or more” or “at least one” as used herein, depending at least in part upon context, may be used to describe any feature, structure, or characteristic in a singular sense or may be used to describe combinations of features, structures or characteristics in a plural sense. Similarly, terms, such as “a” , “an” , or “the” , again, may be understood to convey a singular usage or to convey a plural usage, depending at least in part upon context. In addition, the term “based on” or “determined by” may be understood as not necessarily intended to convey an exclusive set of factors and may, instead, allow for existence of additional factors not necessarily expressly described, again, depending at least in part on context.

[0028] The present disclosure describes methods and devices for utilization of spectrum resources.

[0029] New generation (NG) mobile communication system are moving the world toward an increasingly connected and networked society. High-speed and low-latency wireless communications rely on efficient network resource management and allocation between user equipment and wireless access network nodes (including but not limited to wireless base stations) . A new generation network is expected to provide high speed, low latency and ultra-reliable communication capabilities and fulfil the requirements from different industries and users.

[0030] The 4th Generation mobile communication technology (4G) Long-Term Evolution (LTE) or LTE-Advance (LTE-A) , the 5th Generation mobile communication technology (5G) , and the further 6th Generation mobile communication technology (6G) face more and more demands. Based on the current development trend, 4G and 5G systems are developing supports on features of enhanced mobile broadband (eMBB) , ultra-reliable low-latency communication (URLLC) , and massive machine-type communication (mMTC) .

[0031] In wireless communication system, spectrum resources are utilized by each carrier within a band. In some implementations, the granularity of bandwidth part (BWP) is introduced in new radio (NR) which is general a part of a carrier, due to the receive and transmit bandwidth of a user equipment (UE) need not be as large as the bandwidth of the cell. Spectrum resources are utilized by multiple granularities, e.g., BWP, carrier, band, band combination. In some implementations, higher capacity can be supported by carrier aggregation (CA) in case the resource on a single cell are almost fully utilized, while uplink (UL) coverage can be improved by an supplementary UL (SUL) carrier configured together with one non-supplementary UL carrier in a same cell.  There are some issues / problems associated with some implementations. For some examples, the utilization of each granularity of spectrum resources may be fixed and specified; and / or a cell may be defined based on the granularity of carrier; and / or how to achieve intelligent or efficient utilization of spectrum resources.

[0032] The present disclosure describes various embodiments for utilization of spectrum resources, addressing at least one of the issues / problems discussed in the present disclosure, thus increasing efficiency of spectrum resource utilization and improving telecommunication field. In some implementations, Artificial Intelligence / Machine Learning (AI / ML) may be used in 5G, 6G or further wireless communication system to improve the efficiency of communication system. As a non-limiting example, the present disclosure describes embodiments for more intelligent and / or higher efficient utilization of one or more granularities of spectrum resources when Artificial Intelligence / Machine Learning (AI / ML) or other technology is being used.

[0033] FIG. 1A shows a wireless communication system 100 including a wireless network node (or a wireless communication node) 118 and one or more user equipment (UE) (or a wireless communication device) 110. The wireless network node may include a network base station, which may be a nodeB (NB, e.g., a gNB) in a mobile telecommunications context. Each of the UE may wirelessly communicate with the wireless network node via one or more radio channels 115 for downlink / uplink communication. For example, a first UE 110 may wirelessly communicate with a wireless network node 118 via a channel including a plurality of radio channels during a certain period of time. The network base station 118 may send high layer signaling to the UE 110. The high layer signaling may include configuration information for communication between the UE and the base station. In one implementation, the high layer signaling may include a radio resource control (RRC) message.

[0034] FIG. 2 shows an example of electronic device 200 to implement a network base station. The example electronic device 200 may include radio transmitting / receiving (Tx / Rx) circuitry 208 to transmit / receive communication with UEs and / or other base stations. The electronic device 200 may also include network interface circuitry 209 to communicate the base station with other base stations and / or a core network, e.g., optical or wireline interconnects, Ethernet, and / or other data transmission mediums / protocols. The electronic device 200 may optionally include an input / output (I / O) interface 206 to communicate with an operator or the like.

[0035] The electronic device 200 may also include system circuitry 204. System circuitry 204 may include processor (s) 221 and / or memory 222. Memory 222 may include an operating system 224, instructions 226, and parameters 228. Instructions 226 may be configured for the one or more of the processors 124 to perform the functions of the network node. The parameters 228 may include parameters to support execution of the  instructions 226. For example, parameters may include network protocol settings, bandwidth parameters, radio frequency mapping assignments, and / or other parameters.

[0036] FIG. 3 shows an example of an electronic device to implement a terminal device 300 (for example, user equipment (UE) ) . The UE 300 may be a mobile device, for example, a smart phone or a mobile communication module disposed in a vehicle. The UE 300 may include communication interfaces 302, a system circuitry 304, an input / output interfaces (I / O) 306, a display circuitry 308, and a storage 309. The display circuitry may include a user interface 310. The system circuitry 304 may include any combination of hardware, software, firmware, or other logic / circuitry. The system circuitry 304 may be implemented, for example, with one or more systems on a chip (SoC) , application specific integrated circuits (ASIC) , discrete analog and digital circuits, and other circuitry. The system circuitry 304 may be a part of the implementation of any desired functionality in the UE 300. In that regard, the system circuitry 304 may include logic that facilitates, as examples, decoding and playing music and video, e.g., MP3, MP4, MPEG, AVI, FLAC, AC3, or WAV decoding and playback; running applications; accepting user inputs; saving and retrieving application data; establishing, maintaining, and terminating cellular phone calls or data connections for, as one example, internet connectivity; establishing, maintaining, and terminating wireless network connections, Bluetooth connections, or other connections; and displaying relevant information on the user interface 310. The user interface 310 and the inputs / output (I / O) interfaces 306 may include a graphical user interface, touch sensitive display, haptic feedback or other haptic output, voice or facial recognition inputs, buttons, switches, speakers and other user interface elements. Additional examples of the I / O interfaces 306 may include microphones, video and still image cameras, temperature sensors, vibration sensors, rotation and orientation sensors, headset and microphone input  / output jacks, Universal Serial Bus (USB) connectors, memory card slots, radiation sensors (e.g., IR sensors) , and other types of inputs.

[0037] Referring to FIG. 3, the communication interfaces 302 may include a Radio Frequency (RF) transmit (Tx) and receive (Rx) circuitry 316 which handles transmission and reception of signals through one or more antennas 314. The communication interface 302 may include one or more transceivers. The transceivers may be wireless transceivers that include modulation  / demodulation circuitry, digital to analog converters (DACs) , shaping tables, analog to digital converters (ADCs) , filters, waveform shapers, filters, pre-amplifiers, power amplifiers and / or other logic for transmitting and receiving through one or more antennas, or (for some devices) through a physical (e.g., wireline) medium. The transmitted and received signals may adhere to any of a diverse array of formats, protocols, modulations (e.g., QPSK, 16-QAM, 64-QAM, or 256-QAM) , frequency  channels, bit rates, and encodings. As one specific example, the communication interfaces 302 may include transceivers that support transmission and reception under the 2G, 3G, BT, WiFi, Universal Mobile Telecommunications System (UMTS) , High Speed Packet Access (HSPA) +, 4G  / Long Term Evolution (LTE) , 5G standards, and / or 6G standards. The techniques described below, however, are applicable to other wireless communications technologies whether arising from the 3rd Generation Partnership Project (3GPP) , GSM Association, 3GPP2, IEEE, or other partnerships or standards bodies.

[0038] Referring to FIG. 3, the system circuitry 304 may include one or more processors 321 and memories 322. The memory 322 stores, for example, an operating system 324, instructions 326, and parameters 328. The processor 321 is configured to execute the instructions 326 to carry out desired functionality for the UE 300. The parameters 328 may provide and specify configuration and operating options for the instructions 326. The memory 322 may also store any BT, WiFi, 3G, 4G, 5G, 6G, or other data that the UE 300 may send, or has received, through the communication interfaces 302. In various implementations, a system power for the UE 300 may be supplied by a power storage device, such as a battery or a transformer.

[0039] The present disclosure describes various embodiment for operation with mode switching, which may be implemented, partly or totally, by the network base station and / or the user equipment described above in FIGS. 2 and 3. The various embodiments in the present disclosure may enable efficient utilization of spectrum resources in the telecommunication system, which may increase the overall communication efficiency and / or boost latency performance of communication traffic.

[0040] In some implementations in new radio (NR) , spectrum resources are utilized by each carrier within a band defined in the specification, e.g. some examples as shown in Table 1, which may be similar as long-term evolution (LTE) . The granularity of bandwidth part (BWP) is introduced in NR which is general a part of a carrier, due to the receive and transmit bandwidth of a user equipment (UE) need not be as large as the bandwidth of the cell. As shown in FIG. 1B, spectrum resources may be utilized by multiple granularities (band combinations (BCs) (152) , bands (154) , carriers (156) , and BWPs (158) , and a cell may be defined based on the granularity of carrier. One BC may includes one or more bands, one band may include one or more carriers, and / or one carrier may include one or more BWPs.

[0041] In some implementations, for each BWP as shown in FIG. 1C, the BWP’s width may be ordered to change (e.g. to shrink during period of low activity to save power) ; and / or the BWP’s location may move in the frequency domain (e.g. to increase scheduling flexibility) ; and / or the subcarrier spacing may be ordered to change (e.g. to allow different services) .

[0042] Table 1: Examples of some NR operation bands

[0043] In some implementations, Artificial Intelligence / Machine Learning (AI / ML) or other technology for air-interface may be used for some function, such as channel state information (CSI) feedback enhancement for overhead reduction or improved accuracy, beam management enhancement for beam prediction for overhead / latency reduction or beam selection accuracy improvement, positioning accuracy enhancements for different scenarios. In some implementations, AI / ML model may include an algorithm that is pre-trained / initialized based on a training data set, and then, the AI / ML model may be used to generate a set of outputs based on a set of input. The AI / ML models may be deployed at UE side or gNB side, or both sides. Note, the AL / ML model can refer to a general terminology, and may be also regarded as a collaboration model, which is to describe a UE is capable of doing a processing method, a functionality, or a feature. The functionality, processing method or a feature may be enabled by one or multiple AI / ML models.

[0044] In some implementations, for carrier aggregation (CA) operation, multiple cells may be used for transmission simultaneously with one carrier in one cell. The maximum bandwidth of a NR carrier may be 100MHz for a first frequency range (FR1) and 400MHz for a second frequency range (FR2) , respectively. In order to achieve wider bandwidth, carrier aggregation (CA) of up to 16 NR carriers is further supported. Both CA within a frequency band (intra-band CA) and CA across frequency bands (inter-band CA) are supported. For the case of inter-band CA, CA with different numerologies, e.g., CA between NR carrier in FR1 and NR carrier in FR2, is also supported.

[0045] In some implementations, for supplemental UL (SUL) operation, a UE may be configured with two uplink (UL) carriers as normal uplink and supplementary uplink for one downlink (DL) carrier of the same cell. Uplink transmissions on those two UL carriers are controlled by the network to avoid overlapping physical uplink shared channel / physical uplink control channel (PUSCH / PUCCH) transmissions in time. Overlapping transmissions on PUSCH are avoided through scheduling while overlapping transmissions on PUCCH are avoided through configuration (PUCCH can only be configured for only one of the two UL carriers of the cell) . In addition, initial access is supported in each of the uplink, i.e., random access can be performed on either normal uplink or SUL.

[0046] In some embodiments in the present disclosure, in order to achieve intelligent or efficient utilization of one or more granularities of spectrum resources, e.g., BWP, carrier, band, band combination, different levels of AI / ML application may be used. In some embodiments, in order to use a unified framework to support the requirements from both CA and SUL, a unified cell definition / management with different levels to match / align different granularities of spectrum resources may be used.

[0047] Referring to FIG. 4A, the present disclosure describes various embodiments of a method 400 for wireless communication. The method 400 may be performed by a wireless communication node (e.g., a base station or a radio access network (RAN) ) . The method 400 may include step 410, determining, by a base station, utilization of at least one granularity-level of spectrum resource with a collaboration-level, wherein: the granularity-level of spectrum resource represents a level on a granularity of frequency resource, and / or the collaboration-level represents a level of combination with a collaboration model.

[0048] Referring to FIG. 4B, the present disclosure describes various embodiments of a method 450 for wireless communication. The method 450 may be performed by a wireless communication device (e.g., a user equipment) . The method 450 may include step 460, determining, by a user equipment (UE) , utilization of at least one granularity-level of spectrum resource with a collaboration-level, wherein: the granularity-level of spectrum resource represents a level on a granularity of frequency resource, and / or the collaboration-level represents a level of combination between a collaboration model.

[0049] In some implementations, the granularity-level of spectrum resource comprises at least one of the following: a bandwidth part (BWP) level, a carrier level, a band level, or a band combination (BC) level.

[0050] In some implementations, the collaboration-level comprises at least one of the following: a first collaboration level, a second collaboration level, or a third collaboration level; and / or the collaboration model  comprises an artificial intelligence and / or a machine learning (ML) model.

[0051] In some implementations, the granularity-level of spectrum resource is a BWP level; and / or the collaboration model is combined with each BWP of a BWP set or a portion of the BWP set, and / or a BWP combined with the collaboration model for a group of UEs comprises a common BWP or a common frequency resource (CFR) .

[0052] In some implementations, the granularity-level of spectrum resource is a carrier level; and / or the UE determines one or more candidates of carrier aggregation (CA) combinations, or the UE determines a carrier to be in one of the following states: activation, deactivation, or dormancy, by: determining the carrier to be in a state based on an indication from the base station and recommending the state, and / or performing an operation for the carrier to be in a state and delivering a result of the operation to the base station.

[0053] In some implementations, the granularity-level of spectrum resource is a band level; and / or in response to one band of a band pair is combined with the collaboration model, the other band of the band pair is combined with the collaboration model, or in response to one band of a band group is combined with the collaboration model, all other bands of the band group are combined with the collaboration model.

[0054] In some implementations, in response to the collaboration-level being a first collaboration level, all parameters related the granularity-level of spectrum resource are determined by the collaboration model.

[0055] In some implementations, in response to the collaboration-level being a second collaboration level, a portion of the parameters of the granularity-level of spectrum resource are determined by the collaboration model.

[0056] In some implementations, in response to the collaboration-level being a third collaboration level, after the parameters of the granularity-level of spectrum resource are initially determined without the collaboration model, the collaboration-level for the granularity-level of spectrum resource is switched to a collaboration level.

[0057] In some implementations, a utilization mode for the granularity-level of spectrum resource switches between a collaboration mode and a non-collaboration mode.

[0058] In some implementations, the method may also include switching the utilization mode between the collaboration mode and the non-collaboration mode comprises switching between different frequency resources of the granularity-level of spectrum resource.

[0059] In some implementations, the method may also include switching the utilization mode between the collaboration mode and the non-collaboration mode comprises switching within same frequency resource of the granularity-level of spectrum resource.

[0060] In some implementations, the utilization of at least one granularity-level of spectrum resource comprises a multi-level cell, wherein each level of the multi-level cell is a cell associated to a granularity-level of spectrum resource.

[0061] In some implementations, the cell is determined based on at least one of the following: a highest level of the multi-level cell, a lowest level of the multi-level cell, or each level of the multi-level cell.

[0062] In some implementations, the multi-level cell comprises at least one of following: a multi-level physical cell identifier (PCID) , at least one cell with a highest level PCID is utilized independently, at least one parameter of a higher level cell in the multi-level cell comprises same parameters for a lower level cell in the multi-level cell, and / or a number of cells in the multi-level cell is determined by a number of highest level PCIDs.

[0063] In some implementations, at least one cell group is determined by same level cells, or at least one cell group is determined by different level cells.

[0064] In some implementations, at least one cell for initial access is determined by one of the following: each level cell, only highest or lowest level cell, or partial level cells.

[0065] The present disclosure describes various non-limiting embodiments as below, which is merely to illustrate the application, and dos not impose limitations. In some embodiments, AI / ML is used as non-limiting examples, and other method / models may also be used to combine with the spectrum utilization.

[0066] Embodiment Set I

[0067] In various embodiments when spectrum utilization is combined with AI / ML, one of following granularity of spectrum resources may be used to combine with AI / ML.

[0068] In some implementations, BWP level utilization may be combined with AI / ML. A baseline combination may be the configuration wherein each BWP may be combined with AI / ML; or partial BWP may be combined with AI / ML. Optionally the configuration may be referred on some assistant information, e.g. the assistant information is the UE preference on which BWP or which part of BWP that UE is expected to be combined with AI / ML, and delivered or reported by the UE to the base station. Optionally, a common BWP or common frequency resource (CFR) may be used for AI / ML based BWP for a group of UEs.

[0069] In some implementations, carrier level utilization may be combined with AI / ML. A baseline combination may be the configuration wherein each carrier may be combined with AI / ML; or partial carrier may be combined with AI / ML. Optionally the configuration may be referred on some assistant information, e.g. the assistant information is the UE preference on which carrier or which part of carrier that UE is expected to be combined with AI / ML, and delivered or reported by the UE to the base station. Optionally, a common carrier may be used for AI / ML based carrier for a group of UEs. Optionally, in case of carrier aggregation (CA) , carriers or cells used for CA may be configured based on some assistant information report. One or more candidates of CA combination which are preferred by UE may be delivered or reported by the UE to the base station. Furthermore, carrier or cell for activation, deactivation, and / or dormancy may be combined with AI / ML so that it becomes more intelligent. Optionally, carrier or cell for activation, deactivation, and / or dormancy may be determined by the UE. In one alternative (Alt. 1) , carrier or cell activation, deactivation, and / or dormancy may be still based on indication from the network (e.g., a base station) , and the UE may deliver or recommend the preferred carrier or cell for activation, deactivation, and / or dormancy. In another alternative (Alt. 2) , the UE may perform the operation of carrier or cell activation, deactivation, and / or dormancy and deliver the results to the network (NW) . In Alt. 2, the indication of Carrier / cell (de) activation / dormancy from NW may or may not be performed, and / or the UE may ignore or discard the indication when received.

[0070] In some implementations, band level utilization may be combined with AI / ML. A baseline combination may be the configuration wherein each band may be combined with AI / ML; or partial band may be combined with AI / ML. Optionally the configuration may be referred on some assistant information, e.g. the assistant information is the UE preference on which band or which part of band that UE is expected to be combined with AI / ML, and delivered or reported by the UE to the base station. Optionally, a common band may be used for AI / ML based carrier for a group of UEs. Optionally, in case band pair or band group is configured by the network or reported by the UE, the restriction may comprise that in case one band of a band pair or band group is configured / combined with AI / ML, the other band (s) may be also configured / combined with AI / ML. Some implementations may result in benefit for Tx switching and may be performed on a AI / ML based band pair.

[0071] In some implementations, band combination level utilization may be combined with AI / ML. A baseline combination may be the configuration wherein each band combination may be combined with AI / ML; or partial band combination may be combined with AI / ML. Optionally the configuration may be referred on some assistant information, e.g. the assistant information is the UE preference on which band combination or  which part of band combination that the UE is expected to be combined with AI / ML, and delivered or reported by the UE. Optionally, a common band combination may be used for AI / ML based carrier for a group of UEs.

[0072] Various embodiments may result in the below benefits: with the methods to achieve intelligent or efficient utilization of one or more granularities of spectrum resources, e.g., BWP, carrier, band, band combination, it may be achieved by different level spectrum resources combined with AI / ML; and / or any one of the granularities of spectrum resources may be combined with AI / ML.

[0073] Embodiment Set II

[0074] In various embodiments when spectrum utilization may be combined with AI / ML, at least one of granularities of spectrum resources can be used to combine with AI / ML in other embodiments.

[0075] In some implementations, at least one AI / ML or collaboration level may be combined with one granularity of spectrum resources utilization.

[0076] In a first level (e.g., Level n1) , all parameters of the granularity of spectrum resources may be determined by AI / ML; and / or all parameters related to the granularity of spectrum resources may be determined by AI / ML.

[0077] In a second level (e.g., Level n2) , partial parameters of (and / or related to) the granularity of spectrum resources may be determined by AI / ML. Optionally the other parameters may be determined by legacy manner, e.g. network configuration or UE report.

[0078] In a third level (e.g., Level n3) , application of the granularity of spectrum resources may be indicated to AI / ML mode with one level above (e.g., Level n2 or Level n1) . That is, default application of the granularity of spectrum resources is based on legacy manner which is not combined with AI / ML, after the granularity of spectrum resources determined by the legacy manner, it can be switched to AI / ML mode with one level above (e.g., Level n2 or Level n1) . by an AI / ML function.

[0079] BWP utilization may be taken as a non-limiting example. When BWP level utilization may be combined with AI / ML, a baseline combination may be the configuration of each BWP or partial BWP to be combined with AI / ML. Optionally the configuration may be referred on some assistant information, e.g. the assistant information is the UE preference on which BWP or which part of BWP that UE is expected to be combined with AI / ML, and delivered or reported by UE. Optionally, a common BWP or common frequency resource (CFR) may be used for AI / ML based BWP for a group of UEs. Optionally, at least one AI / ML level  may be combined with BWP utilization.

[0080] For an example of Level n1 being used, all parameters of BWP may be determined by AI / ML. That is, parameters of numerology and location are all determined by AI / ML model, wherein, parameters of numerology comprise subcarrierSpacing, cyclicPrefix, etc; and / or parameters of location comprise locationAndBandwidth, etc. In some implementations, the parameters related to a BWP may be also determined by the AI / ML, such as the parameters of signal or channel within the BWP.

[0081] For an example of Level n2 being used, partial parameters of BWP may be determined by AI / ML. Optionally the other parameters are determined by legacy manner, e.g. network configuration or UE report. That is, partial parameters could be determined by AI / ML, while others determined by legacy manner. For example, parameters of numerology are determined by AI / ML, parameters of location are determined as legacy manner. For another example, parameters of location are determined by AI / ML, parameters of numerology are determined as legacy manner. Note the partial parameters related to a BWP may be also determined by the AI / ML, such as the parameters of signal or channel within the BWP.

[0082] For an example of Level n3 being used, application of BWP may be indicated to AI / ML mode with one level above. That is, default application of BWP is based on legacy manner which is not combined with AI / ML, after BWP determined by the legacy manner, it can be switched to AI / ML mode with one level above by an AI / ML function.

[0083] Various embodiments may result in the below benefits: with the methods to achieve intelligent or efficient utilization of one or more granularities of spectrum resources, e.g., BWP, carrier, band, band combination, it can be achieved by different level spectrum resources combined with different levels of AI / ML; and / or any one of the granularities of spectrum resources may be combined with AI / ML.

[0084] Embodiment Set III

[0085] In various embodiments when spectrum utilization can be combined with AI / ML, at least one of granularities of spectrum resources may be used to combine with AI / ML. Optionally, at least one AI / ML level  may be combined with one granularity of spectrum resources utilization.

[0086] In some implementations, for a granularity of spectrum resources utilization, switching between AI / ML mode and fallback mode may be supported by one of following options, wherein the fall back mode may be a legacy mode.

[0087] For a first option (Option 1) , switching between AI / ML mode and fallback mode may occur between / among different resources of the granularity of spectrum resources utilization, e.g. BWP / carrier / band switching. At least one of the resources is configured / applied with AI / ML, at least one of the resources is not configured / applied with AI / ML. AI / ML mode or fallback mode may be achieved by switching to or from the at least one of resources. Optionally, different levels of AI / ML or collaboration levels may be configured / applied to different resources of the granularity of spectrum resources utilization. That is for the non-fallback mode, there could be switching between / among AI / ML or collaboration levels.

[0088] For a second option (Option 2) , switching between AI / ML mode and fallback mode may occur within the same resource of the granularity of spectrum resources utilization, e.g. switching within one BWP / carrier / band. One resource of the granularity of spectrum resources utilization may be configured / applied with AI / ML, AI / ML mode or fallback mode may be achieved based on each resource with switching. Optionally, different levels of AI / ML or collaboration levels may be configured / applied to each resource. That is for the non-fallback mode, there may be switching between / among AI / ML or collaboration levels.

[0089] In some implementations, not all resources of the granularity of spectrum resources utilization are configured / applied with AI / ML, or at least one resource of the granularity of spectrum resources utilization may be configured / applied without AI / ML.

[0090] BWP utilization may be taken as a non-limiting example. When BWP level utilization may be combined with AI / ML, a baseline combination may be the configuration of each BWP or partial BWP to be combined with AI / ML. Optionally the configuration may be referred on some assistant information, e.g. the assistant information is the UE preference on which BWP or which part of BWP that UE is expected to be combined with AI / ML, and delivered or reported by UE. Optionally, a common BWP or common frequency resource (CFR) may be used for AI / ML based BWP for a group of UEs. Optionally, at least one AI / ML or collaboration level may be combined with BWP utilization. Optionally, when the granularity of spectrum resources utilization is BWP, switching between AI / ML mode and fallback mode may be supported by one of following options.

[0091] For examples of Option 1, switching may occur between / among different BWP. At least one BWP is configured / applied with AI / ML, at least one BWP is not configured / applied with AI / ML. AI / ML mode or fallback mode may be achieved by switching to or from the at least one BWP. As shown in FIG. 5, BWP#1 (510) is in a fallback mode, so that BWP#1 is not configured / applied with AI / ML or collaboration mode, BWP#2 (520) is configured / applied with AI / ML or collaboration mode, switching between AI / ML mode and fallback mode may be supported by switching BWP between BWP#1 and BWP#2. In some implementations, different levels of AI / ML or collaboration levels may be configured / applied to different resources of the granularity of spectrum resources utilization. As shown in FIG. 5, BWP#1 is not configured / applied with AI / ML or collaboration mode, BWP#2 is configured / applied with AI / ML or collaboration mode level n1, BWP#3 (530) is configured / applied with AI / ML or collaboration mode level n1 / n2, and / or BWP#4 (540) is configured / applied with AI / ML or collaboration mode level n1 / n2 / n3. For example, switching between AI / ML mode with different levels and fallback mode may be supported by switching BWP among BWP#1, BWP#2, and / or BWP#3.

[0092] For examples of Option 2, switching may occur within the same BWP. The BWP may be configured / applied with AI / ML, AI / ML mode or fallback mode may be achieved based on each BWP with switching. For example, a BWP#1 is configured / applied without AI / ML or collaboration mode, furthermore, BWP#1 may be switched to AI / ML or collaboration mode when needed. Optionally, different levels of AI / ML or collaboration levels may be configured / applied to each BWP. For example, BWP#1 is configured / applied without AI / ML or collaboration mode, furthermore, BWP#1 may be switched to AI / ML or collaboration mode with one level when needed.

[0093] Various embodiments may result in the below benefits: with the methods to achieve intelligent or efficient utilization of one or more granularities of spectrum resources, e.g., BWP, carrier, band, band combination, it may be achieved by different level spectrum resources combined with different levels of AI / ML, and combined with switching between AI / ML mode and fallback mode; and / or any one of the granularities of spectrum resources may be combined with AI / ML.

[0094] Embodiment Set IV

[0095] In various embodiments when spectrum utilization may be combined with AI / ML, at least one of granularities of spectrum resources can be used to combine with AI / ML in other embodiments. A multiple-level (multi-level) , or known as a unified cell, may be introduced for management with different levels to match or align different granularities of spectrum resources. The multi-level cell may be combined with AI / ML. Optionally the multi-level cell may support the requirements from both CA and SUL.

[0096] In some implementations, as shown in FIG. 6, the multi-level cell (e.g., cell (600) ) with each level may be associated to spectrum resource of BC / Band / carrier / BWP. Multi-level cell may be worked with several potential types (e.g., two types) .

[0097] For a first type (Type 1) , each level of the multi-level cell may be utilized equally. For a non-limiting example, as shown in FIG. 7A, cell#1 / 2 / 3 / 4 are utilized equally. e.g. cell#1 / 2 / 3 / 4 may be optionally combined with different level of spectrum resources without overlapping, as shown in FIG. 7B.

[0098] For a second type (Type 2) , each level of the multi-level cell may be utilized as nest structure. For a non-limiting example, as shown in FIG. 8A, cell#1 / 2 / 3 / 4 are utilized as nest structure, e.g. cell#1 / 2 / 3 / 4 may be optionally combined with different level of spectrum resources with overlapping, as shown in FIG. 8B.

[0099] In some implementations, cell determination may be based on a level by one of following options. For a first option (Option 1) , cell is determined or defined based on each level of the multi-level cell corresponding with one granularity of spectrum resources. In some implementations, option 1 may be combined with Type 1 multi-level cell. Furthermore, each level of the granularity of spectrum resources may be determined as a cell, e.g. one BWP may be deployed as a cell. As a result, more cells may be derived.

[0100] For a second option (Option 2) , cell may be determined or defined based on highest or lowest or each level of the multi-level cell corresponding with one granularity of spectrum resources. In some implementations, option 2 may be combined with Type 2 multi-level cell. Furthermore, the details of Option 2 may comprise at least one of following. For a first alternative (Alt. 1) , a multi-level physical cell identifier (PCID) may be applied for multi-level cell. For example, a first synchronization signal (SS0) with N0 indices correspond for the highest-level PCID, a second synchronization signal (SS1) with N1 indices correspond for the second level PCID, a third synchronization signal (SS2) with N2 indices correspond for the third level PCID, etc. In some implementations, synchronization signal block (SSB) may be comprised in each BWP; or in some implementations, synchronization signal block (SSB) may not be comprised in each BWP. For a second alternative (Alt. 2) , only cells with highest level PCID may be worked valid / independently, or cells with each level PCID may be worked independently. Optionally the cell with lower level PCID has some restrictions / association with the cell with higher level PCID. For a third alternative (Alt. 3) , the cell with lower level has some restrictions / association with the cell with higher level, the restriction / association may include: for a function / parameter with one or more configurations of a higher level cell, same / sub-set configuration may be applied for that of a lower level cell. For a fourth alternative (Alt. 4) , the number of cells may be only determined by the number of highest level PCID. Optionally, the number of cells may be determined by the  number of highest level PCID and additional levels PCID.

[0101] In some implementations, a cell group or cell aggregation determination may be based on a level by one of following options. For a first option (Option 1) , a cell group or cell aggregation may be determined by same level cells. That is, multi-level cell groups may be derived. For a second option (Option 2) , a cell group or cell aggregation may be determined by different level cells. That is, multi-level cell groups may be also derived, and the non-independent lower level cell may be generated before the grouping. In some implementations, the restrictions / association may be changed due to the grouping, e.g., after the grouping, the cell group with lower level has some restrictions / association with the cell group with higher level, regardless each cell level within the cell group.

[0102] In some implementations, the cell used for initial access may be determined by one of following options. For a first option (Option 1) , each level cell may be used for initial access. Optionally, in case a PCID is detected and not a valid / independently cell, the rest procedure of initial access may be based on the associated higher / highest level cell (master cell) , or still based on the cell. For a second option (Option 2) , only one level cell or partial levels cells may be used for initial access. Optionally, the highest level or the lowest level cell may be used for initial access. After initial access, different level of cells may be used, e.g. by cell switching.

[0103] In some implementations, the multi-level cell may be combined with AI / ML. When the AI / ML model is located in the network (NW) side, the multi-level cell (re) generation / determination may be determined by the model, e.g., determining single level or multi-level cell; same or different function for each level cell; the relation or configuration among cells may be determined by the model, e.g. restrictions / association among cells; the resources for one or more cells may be determined by the model, e.g. which granularity may be applied, the restrictions / association among cells. Optionally, information (e.g., the preferred each level or multi-level cell, the preferred granularity for one or more levels cells) reporting enhancement for inference may be applied. That is, the information may be reported from the UE to assist NW-side AI / ML model for inference / prediction.

[0104] In some implementations, the multi-level cell may be combined with AI / ML. When the AI / ML model is located in the UE side, there may be some labels for supervised or semi-supervised learning, further with classification / prediction within the labels. Optionally, the types of labels may be at least one of following: a set of parameters with limited combination, e.g. one or more granularities of spectrum resources, or one or more levels cells. Optionally, the label and / or other training data may be requested or reported or delivered from the UE to the network (NW) . Optionally, signalling used for above labels derive or deliver may be indicated from the network to the UE, wherein the signalling may be L1 signaling (e.g. downlink control information  (DCI) ) , or L2 signalling (e.g. medium access control (MAC) control element (CE) ) , or L3 signalling (e.g., radio resource control (RRC) ) . Optionally, in case there are no labels for unsupervised learning or reinforcement learning, the types of classification for the inference may be derived, e.g. mapping schemes, interleaved manners, etc. Optionally, the UE may report the predicted information to the NW, wherein the predicted information may be based on the output of AI / ML model inference, e.g. multi-level cell determination, resources for each level cell. Optionally, the UE may report the predicted information of N future time instances to the NW, wherein the predicted information may be based on the output of AI / ML model inference. Optionally, the UE may report confidence / probability information of the predicted information to NW.

[0105] Various embodiments may result in the below benefits: with the methods to achieve intelligent or efficient utilization of one or more granularities of spectrum resources, e.g., BWP, carrier, band, band combination, it may be achieved by different level spectrum resources combined with different levels of AI / ML; single granularity of one spectrum resource for a cell with one level, multi-level cell may be used to associate with different granularities of spectrum resources; and / or any one of the granularities of spectrum resources may be combined with AI / ML.

[0106] The present disclosure describes various embodiments for enhancement on spectrum utilization. When spectrum utilization is combined with AI / ML, at least one of following resources of spectrum may be applied: BWP, carrier, band or band combination level utilization may be combined with AI / ML. Optionally, a common BWP or common frequency resource (CFR) may be used for AI / ML based BWP for a group of UEs. Optionally, one or more candidates of CA combination which are preferred by UE may be delivered or reported by UE. Optionally, Carrier / cell (de) activation / dormancy may be determined by UE. For one alternative, carrier / cell (de) activation / dormancy may be still based on indication from Network and UE may deliver or recommend the preferred Carriers / cells for (de) activation / dormancy. For another alternative, the UE may perform the operation of carrier / cell (de) activation / dormancy and deliver the results to the NW. Optionally, in case one band of a band pair or band group is configured / combined with AI / ML, the other band may be also configured / combined with AI / ML.

[0107] In various embodiments, at least one AI / ML level may be combined with one granularity of spectrum resources utilization. Level n1: all parameters of the granularity of spectrum resources may be determined by AI / ML; Level n2: partial parameters of the granularity of spectrum resources may be determined by AI / ML. Level n3: Application of the granularity of spectrum resources may be indicated to AI / ML mode with one level above.

[0108] In various embodiments, for the granularity of spectrum resources utilization, switching between AI / ML mode and fallback mode may be supported by one of following options. Option 1: Switching between / among different resources of the granularity of spectrum resources utilization. Option 2: Switching within the same resource of the granularity of spectrum resources utilization.

[0109] In various embodiments, the multi-level cell with each level may be associated to spectrum resource of BC / Band / carrier / BWP. Cell may be determined or defined based on highest or lowest or each level of the multi-level cell corresponding with one granularity of spectrum resources. For one alternative, the multi-level PCID may be applied for multi-level cell. For another alternative, only cells with highest level PCID may be worked valid / independently, or cells with each level PCID may be worked independently; the number of cells may be only determined by the number of highest level PCID. Optionally, cell group or cell aggregation may be determined by same level cells. Optionally, the cell used for initial access may be determined by one of following options. Option 1, each level cell may be used for initial access. Option 2, only one level cell or partial levels cells may be used for initial access.

[0110] The present disclosure describes methods, apparatus, and computer-readable medium for wireless communication. The present disclosure addressed the issues with spectrum resource utilization. The methods, devices, and computer-readable medium described in the present disclosure may facilitate the performance of wireless communication, thus improving efficiency and overall performance. The methods, devices, and computer-readable medium described in the present disclosure may improves the overall efficiency of the wireless communication systems.

[0111] In some other embodiments, a computer-readable medium comprising instructions which, when executed by a computer, cause the computer to carry out the above methods. The computer-readable medium may be referred as non-transitory computer-readable media (CRM) that stores data for extended periods such as a flash drive or compact disk (CD) , or for short periods in the presence of power such as a memory device or random access memory (RAM) . In some embodiments, computer-readable instructions may be included in a software, which is embodied in one or more tangible, non-transitory, computer-readable media. Such non-transitory computer-readable media can be media associated with user-accessible mass storage as well as certain short-duration storage that are of non-transitory nature, such as internal mass storage or ROM. The software implementing various embodiments of the present disclosure can be stored in such devices and executed by a processor (or processing circuitry) . A computer-readable medium can include one or more memory devices or chips, according to particular needs. The software can cause the processor (including CPU, GPU, FPGA, and  the like) to execute particular processes or particular parts of particular processes described herein, including defining data structures stored in RAM and modifying such data structures according to the processes defined by the software.

[0112] Reference throughout this specification to features, advantages, or similar language does not imply that all of the features and advantages that may be realized with the present solution should be or are included in any single implementation thereof. Rather, language referring to the features and advantages is understood to mean that a specific feature, advantage, or characteristic described in connection with an embodiment is included in at least one embodiment of the present solution. Thus, discussions of the features and advantages, and similar language, throughout the specification may, but do not necessarily, refer to the same embodiment.

[0113] Furthermore, the described features, advantages and characteristics of the present solution may be combined in any suitable manner in one or more embodiments. One of ordinary skill in the relevant art may recognize, in light of the description herein, that the present solution can be practiced without one or more of the specific features or advantages of a particular embodiment. In other instances, additional features and advantages may be recognized in certain embodiments that may not be present in all embodiments of the present solution.

Claims

1.A method for wireless communication, comprising:determining, by a base station, utilization of at least one granularity-level of spectrum resource with a collaboration-level, wherein:the granularity-level of spectrum resource represents a level on a granularity of frequency resource, andthe collaboration-level represents a level of combination with a collaboration model.2.A method for wireless communication, comprising:determining, by a user equipment (UE) , utilization of at least one granularity-level of spectrum resource with a collaboration-level, wherein:the granularity-level of spectrum resource represents a level on a granularity of frequency resource, andthe collaboration-level represents a level of combination between a collaboration model.3.The method according to any of claims 1 and 2, wherein:the granularity-level of spectrum resource comprises at least one of the following: a bandwidth part (BWP) level, a carrier level, a band level, or a band combination (BC) level.4.The method according to any of claims 1 and 3, wherein:the collaboration-level comprises at least one of the following: a first collaboration level, a second collaboration level, or a third collaboration level; andthe collaboration model comprises an artificial intelligence (AI) and / or a machine learning (ML) model.5.The method according to any of claims 1 to 4, wherein:the granularity-level of spectrum resource is a BWP level; andthe collaboration model is combined with each BWP of a BWP set or a portion of the BWP set, ora BWP combined with the collaboration model for a group of UEs comprises a common BWP or a common frequency resource (CFR) .6.The method according to any of claims 1 to 4, whereinthe granularity-level of spectrum resource is a carrier level; andthe UE determines one or more candidates of carrier aggregation (CA) combinations, orthe UE determines a carrier to be in one of the following states: activation, deactivation, or dormancy, by:determining the carrier to be in a state based on an indication from the base station and recommending the state, orperforming an operation for the carrier to be in a state and delivering a result of the operation to the base station.7.The method according to any of claims 1 to 4, whereinthe granularity-level of spectrum resource is a band level; andin response to one band of a band pair is combined with the collaboration model, the other band of the band pair is combined with the collaboration model, orin response to one band of a band group is combined with the collaboration model, all other bands of the band group are combined with the collaboration model.8.The method according to any of claims 1 to 4, wherein:in response to the collaboration-level being a first collaboration level, all parameters related to the granularity-level of spectrum resource are determined by the collaboration model.9.The method according to any of claims 1 to 4, wherein:in response to the collaboration-level being a second collaboration level, a portion of the parameters related to the granularity-level of spectrum resource are determined by the collaboration model.10.The method according to any of claims 1 to 4, wherein:in response to the collaboration-level being a third collaboration level, after the parameters of the granularity-level of spectrum resource are initially determined without the collaboration model, the collaboration-level for the granularity-level of spectrum resource is switched to a collaboration level.11.The method according to any of claims 1 to 4, wherein:a utilization mode for the granularity-level of spectrum resource switches between a collaboration mode and a non-collaboration mode.12.The method according to claim 11, wherein:switching the utilization mode between the collaboration mode and the non-collaboration mode comprises switching between different frequency resources of the granularity-level of spectrum resource.13.The method according to claim 11, wherein:switching the utilization mode between the collaboration mode and the non-collaboration mode comprises switching within same frequency resource of the granularity-level of spectrum resource.14.The method according to any of claims 1 to 4, wherein:the utilization of at least one granularity-level of spectrum resource comprises a multi-level cell, wherein each level of the multi-level cell is a cell associated to a granularity-level of spectrum resource.15.The method according to claim 14, wherein:the cell is determined based on at least one of the following: a highest level of the multi-level cell, a lowest level of the multi-level cell, or each level of the multi-level cell.16.The method according to claim 15, wherein:the multi-level cell comprises at least one of following:a multi-level physical cell identifier (PCID) ,at least one cell with a highest level PCID is utilized independently,at least one parameter of a higher level cell in the multi-level cell comprises same parameters for a lower level cell in the multi-level cell, ora number of cells in the multi-level cell is determined by a number of highest level PCIDs.17.The method according to claim 15, wherein:at least one cell group is determined by same level cells, orat least one cell group is determined by different level cells.18.The method according to claim 15, wherein:at least one cell for initial access is determined by one of the following: each level cell, only highest or lowest level cell, or partial level cells.19.A wireless communications apparatus comprising a processor and a memory, wherein the processor is configured to read code from the memory and implement a method recited in any of claims 1 to 18.20.A computer program product comprising a computer-readable program medium code stored thereupon, the computer-readable program medium code, when executed by a processor, causing the processor to implement a method recited in any of claims 1 to 18.

Images