Methods and apparatus of model based RRM measurement for wireless communication system

Abstract

Apparatus and methods are provided for RRM measurement prediction. In one novel aspect, the UE performs measurements on a first set of reference signals for a first set of cells and predicts on a second set of reference signals for a second set of cells. In one embodiment, the predicting is on the temporal, frequency, or spatial domain, or on a combination of domains. In one embodiment, the one or more first measurement results are a set of L1 measurement results a set of L3 measurement results. The one or more predicted results are an L1 cell quality on the second set of cells, L1 measurement results on the second set of cells, a layer-3 (L3) cell quality on the second set of reference signals, or L3 measurement results on the second set of reference signals.

Description

METHODS AND APPARATUS OF MODEL BASED RRM MEASUREMENT FOR WIRELESS COMMUNICATION SYSTEMCROSS REFERENCE TO RELATED APPLICATIONS

[0001] This application is filed under 35 U.S.C. §111 (a) and is based on and hereby claims priority under 35 U.S.C. §120 and §365 (c) from International Application No. PCT / CN2023 / 142377, titled “Method and apparatus of AI / ML based RRM measurement for wireless communication systems, ” filed on Dec. 27, 2023. The disclosure of each of the foregoing documents is incorporated herein by reference.TECHNICAL FIELD

[0002] The disclosed embodiments relate generally to wireless communication, and, more particularly, to model based RRM measurement.BACKGROUND

[0003] With the rapid development in wireless communication, the more efficient procedures are required, such as radio resource management (RRM) measurements, positioning, and mobility procedures in 5G and future 6G. In the conventional network of the 3rd generation partnership project (3GPP) 5G new radio (NR) , considering UE mobility, the UE keeps measures and reports radio resource signal environment quality to maintain service continuity and quality. Legacy handover (HO) design controlled by a series of L3 procedures including the RRM measurement and the radio resource control (RRC) reconfiguration, which involve sizable signaling and latency. Conditional handover is introduced to reduces signaling overhead by allowing the UE to make a handover decision based on predefined conditions, leading to a faster HO. Dual Active Protocol Stack (DAPS) aims to minimize interruption by maintaining two active protocol stacks, allowing the UE to communicate with both the source and target cells simultaneously during the handover process. To further reduce the latency, overhead, and interruption time during UE mobility, the mobility mechanism L1 / L2 based inter-cell mobility (LTM, L1 / L2-triggered Mobility) is enhanced to enable a serving cell to change via beam management with L1 / L2 signaling. However, with the increasing capacity and efficiency requirement, the traditional ways of measurement procedures cannot catch up with the exponential increase of the mobile network.

[0004] Apparatus and mechanisms are sought to perform model based RRM measurements for wireless communication systems.SUMMARY

[0005] Apparatus and methods are provided for RRM measurement prediction. In one novel aspect, the UE performs measurements on a first set of reference signals for a first set of cells and predicts on a second set of references for a second set of cells. In one embodiment, the predicting is on the temporal domain using one or more historical measurement results as model input and one or more future measurement results as label, on the frequency domain using one or more measurement results of a first subset of bandwidth part (BWP) as model input and measurement results of a full BWP or a second subset of BWP as label, on the spatial domain using one or more measurement results of a first set of partial beams as input and measurement results of a full set of beams or a second set of partial beams as label, or on a combination of domains including a combination of the temporal domain and the spatial domain, a combination of the temporal domain and the frequency domain, a combination of the spatial domain and the frequency domain, or a combination of the temporal domain, the spatial domain, and the frequency domain. In one embodiment, the one or more first measurement results are a set of layer-1 (L1) measurement results obtained by the UE performing L1 filtering on corresponding measurement results of the first set of reference signals. In one embodiment, the predicted result is an L1 cell quality on the second set of cells, a layer-3 (L3) cell quality on the second set of cells, or L3 measurement results on the second set of reference signals. In one embodiment, the one or more first measurement results are a set of L3 measurement results obtained by the UE performing L3 filtering on corresponding measurement results of the first set of reference signals, and wherein the one or more predicted result is L3 measurement results on the second set of reference signals.

[0006] This summary does not purport to define the invention. The invention is defined by the claims.BRIEF DESCRIPTION OF THE DRAWINGS

[0007] The accompanying drawings, where like numerals indicate like components, illustrate embodiments of the invention.

[0008] Figure 1 is a schematic system diagram illustrating an exemplary wireless network that supports AI-ML model-based RRM measurement in accordance with embodiments of the current invention.

[0009] Figure 2 illustrates exemplary diagrams for the AI-ML based RRM radio resource of reference signal defined by spatial, temporal, frequency domain and any combinations of the domains in accordance with embodiments of the current invention.

[0010] Figure 3 illustrates exemplary diagrams of overall flow of the high-level measurement model in accordance with embodiments of the current invention.

[0011] Figure 4 illustrates exemplary diagrams for overall flow for the measurement results without filtering used for AI-ML based RRM prediction in accordance with embodiments of the current invention.

[0012] Figure 5 illustrates exemplary diagrams for overall flow for the L1 measurement results (after L1 filtering) used for AI-ML based RRM prediction in accordance with embodiments of the current invention.

[0013] Figure 6 illustrates exemplary diagrams for overall flow for the L3 measurement results used for AI-ML based RRM prediction in accordance with embodiments of the current invention.

[0014] Figure 7 illustrates exemplary diagrams for overall flow for RRM measurements cell-quality prediction in accordance with embodiments of the current invention.

[0015] Figure 8 illustrates an exemplary flow diagram for AI-ML based RRM prediction measurement procedure in accordance with embodiments of the current invention.

[0016] Figure 9 illustrates an exemplary flow chart for the UE performing AI-ML model-based RRM measurement in accordance with embodiments of the current invention.DETAILED DESCRIPTION

[0017] Reference will now be made in detail to some embodiments of the invention, examples of which are illustrated in the accompanying drawings.

[0018] Several aspects of telecommunication systems will now be presented with reference to various apparatus and methods. These apparatus and methods will be described in the following detailed description and illustrated in the accompanying drawings by various blocks, components, circuits, processes, algorithms, etc. (Collectively referred to as “elements” ) . These elements may be implemented using electronic hardware, computer software, or any combination thereof. Whether such elements are implemented as hardware or software depends upon the particular application and design constraints imposed on the overall system.

[0019] Figure 1 is a schematic system diagram illustrating an exemplary wireless network that supports AI-ML model-based RRM measurement in accordance with embodiments of the current invention. Wireless communication network 100 includes one or more fixed base infrastructure units forming a network distributed over a geographical region. The base unit may also be referred to as an access point, an access terminal, a base station, a Node-B, an eNode-B (eNB) , a gNB, or by other terminology used in the art. As an example, base stations serve a number of mobile stations within a serving area, for example, a cell, or within a cell sector. In some systems, one or more base stations are coupled to a controller forming an access network that is coupled to one or more core networks. gNB 102, gNB 107 and gNB 108 are base stations in the wireless network, the serving area of which may or may not overlap with each other. gNB 102 is connected with gNB 107 via Xn interface 121. gNB 102 is connected with gNB 108 via Xn interface 122. gNB 107 is connected with gNB 108 via Xn interface 123. Core network (CN) entity 103 connects with gNB 102 and 107, through NG interface 125 and 126, respectively. Network entity CN 103 connects with gNB 108 via NG connection 127. CN 103 includes core components such as user plane function (UPF) and access and mobility management function (AMF) . UE 101 is AI-ML enabled. As an example, UE 101 is connected with gNB 102 through link 111. UE 101 also may establish mobility link with neighbouring gNB 108 through link 112.

[0020] Figure 1 further illustrates simplified interaction flow for UE 101 and gNBs 102 and 108. The latest Artificial Intelligence (AI) and Machine Learning (ML) are increasingly being integrated into wireless networks to enhance performance, elevate user experience, and diminish complexity and overhead. For example, AI-ML technologies have been harnessed to forecast the top-K beams, either in the time or spatial domain, which aids in curtailing the measurement overhead. As mobility increases, that is, the UE moves faster / more frequently or cells with higher density, the measurement overhead and power consumption will also increase accordingly. Using AI / ML predictive measurements to reduce unnecessary measurements, while providing proactive measurements for HO. As an example, at step 181, gNB 102 or 108 provides measurement configuration to UE 101 by RRC configuration signaling. The gNB can request UE 101 to perform intra-frequency, inter-frequency measurements. At step 182, UE 101 performs measurements and evaluates the criteria for measurement report based on the measurements. At step 183, the AI-ML model is used to predict the actual measurements results. In one embodiment, the AI-ML model is at UE side. At step 184, UE 101 performs measurement prediction and reports the model output to gNB. Subsequently, the gNB makes handover decision and sends handover command to UE 101.

[0021] Figure 1 further illustrates simplified block diagrams of a RAN node  / base station, and a mobile device / UE that supports AI-ML model-based RRM measurement. The gNB  / RAN node has an antenna 156, which transmits and receives radio signals. An RF transceiver circuit 153, coupled with the antenna 156, receives RF signals from antenna 156, converts them to baseband signals, and sends them to processor 152. RF transceiver 153 also converts received baseband signals from processor 152, converts them to RF signals, and sends out to antenna 156. Processor 152 processes the received baseband signals and invokes different functional modules to perform features in gNB. Memory 151 stores program instructions and data 155 to control the operations of the base station / gNB. The base station  / gNB also includes a set of control modules 157 that carry out functional tasks to communicate with mobile stations. These control modules can be implemented by circuits, software, firmware, or a combination of them.

[0022] Figure 1 also includes simplified block diagrams of a UE, such as UE 101. The UE may also be referred to as a mobile station, a mobile terminal, a mobile phone, a smart phone, a wearable device, an IoT device, a tablet, a laptop, or other terminology used in the art. The UE performs functions such as AI-ML model-based RRM measurement. UE interacts with gNB through the air interface. The UE has an antenna 166, which transmits and receives radio signals. An RF transceiver circuit 163, coupled with the antenna, receives RF signals from antenna 166, converts them to baseband signals, and sends them to processor 162. RF transceiver 163 also converts received baseband signals from processor 162, converts them to RF signals, and sends out to antenna 166. Processor 162 processes the received baseband signals and invokes different functional modules to perform features in UE 101. Memory 161 stores program instructions and data 165 to control the operations of UE 101. Antenna 166 sends uplink transmission and receives downlink transmissions to / from antenna 156 of the base station  / gNB.

[0023] The UE also includes a set of control modules that carry out functional tasks. These control modules can be implemented by circuits, software, firmware, or a combination of them. A measurement module 191 performs a first measurement on a first set of reference signals (RSs) for a first set of cells. A prediction module 192 predicts a predicted result on a second set of RSs for a second set of cells based on a first measurement result of the first measurement using one or more AI-ML models, wherein the predicting is performed on one or a combination of multiple RS radio resource domains comprising a spatial domain, a temporal domain, and a frequency domain. A filtering module 193 determines, based on the predicted result, one or more cell qualities of the first set of cells, the second set of cells, or both the first and the second set of cells. A reporting module 194 triggers one or more measurement reports based on one or more reporting criteria, wherein at least one of the one or more reporting criteria considers the first measurement result, the predicted result, or the first measurement and the predicted result, and wherein at least one or the one or more measurement reports includes the first measurement result, the predicted result, or the first measurement and the predicted result.

[0024] Figure 2 illustrates exemplary diagrams for the AI-ML based RRM radio resource of reference signal defined by spatial, temporal, frequency domain and any combinations of the domains in accordance with embodiments of the current invention. In one embodiment 200, the UE performs AI-ML model training. At step 250, the UE measures the first set of reference signals for a first set of cells and obtains the first measurement result 251. At step 260, the UE measures the second set of reference signals for a second set of cells at training stage and obtains the second measurement result 261. In one embodiment, UE performs model training using the measurement results 251 of the first set of reference signals for the first set of cells as model input and using the measurement results 261 of the second set of reference signals for the second set of cells as label. The UE generates or updates AI-ML model 270 with the model input 271 and label 272. The UE may have one or more AI-ML models.

[0025] The radio resources of the reference signals are defined spatial, temporal frequency domain and any combinations of the domains including the temporal and spatial domain, the temporal and the frequency domain, the spatial and frequency domain, and the temporal, spatial and frequency domain. The AI-ML model training as well AI-ML model-based measurement prediction may perform on different reference signal domain.

[0026] In one embodiment 210, the UE performs measurement prediction at temporal domain with one or multiple AI-ML models. As an example, the first set of reference signals for a first set of cells (model input) and the second set of reference signals for a second set of cells (model label) are same in frequency and spatial domain. At the training stage, the UE performs measurements from T-N 211 to T 212 and a second measurement from T+1 to T+M 213. AI-ML based RRM model using historical measurement results [T-N, T] as model input and future measurement results [T+1, T+M] as label. The UE has one or multiple trained AI-ML models. As an example, UE measures the first set of reference signals for a first set of cells at time [T-N, T]to predicts the second set of reference signals for a second set of cells at time [T, T+M] .

[0027] In one embodiment 220, UE performs measurement prediction at spatial domain with one or multiple AI-ML models. As an example, the first set of reference signals for a first set of cells (e.g., cell A 221) and the second set of reference signals for a second set of cells (e.g., cell B 222) are the same in frequency and temporal domain. The solid lines indicate the measured set of beams, and the dotted line indicates the predicted set of beams. At training stage, AI-ML based RRM model uses measurement results of partial beams as model input and the full beam results as label. In another embodiment, at the training stage, the AI-ML based RRM model uses measurement results of partial beams as model input and the other part of beam results as label. UE has one or multiple trained AI-ML models, as an example, UE measures the first set of reference signals for a first set of cells at partial beams set with dotted line to predicts the second set of reference signals for a second set of cells of full or the other part of beam set with solid line.

[0028] In one embodiment 230, the UE performs measurement prediction at frequency domain with one or multiple AI-ML models. As an example, the first set of reference signals for a first set of cells and the second set of reference signals for a second set of cells are same in spatial and temporal domain. The solid line indicates the measured BWPs / frequencies 231, and the dotted line indicated the predicted full / other BWPs / frequencies 232. The AI-ML based RRM model uses measurement results of some BWPs / frequencies as model input and full BWPs / frequencies results as label. In another embodiment, the AI-ML based RRM model uses measurement results of some BWPs / frequencies as model input and the other part of BWPs / frequencies results as label. In one embodiment, the first set of reference signals and the second set of reference signals are inter-frequency. In one embodiment, the first set of reference signals and the second set of reference signals are intra-frequency.

[0029] In other embodiments, combination of domains is used. In one embodiment, the first set of reference signals for a first set of cells and the second set of reference signals for a second set of cells are any combinations of the domains. In one embodiment, the first set of reference signals and the second set of reference signals are same in frequency domain, and UE performs measurement prediction at temporal-spatial domain with one or multiple AI / ML models which combine the 210 and 220, using historical measurement results [T-N, T] of partial beams as model input and future measurement results [T+1, T+M] of the full / other part of beam results as label. In another embodiment, the first set of reference signals for a first set of cells and the second set of reference signals for a second set of cells are same in spatial domain, and UE performs measurement prediction at temporal-frequency domain with one or multiple AI-ML models which combine combination of 210 and 230, using historical measurement results [T-N, T]of some BWPs / frequencies as model input and future measurement results [T+1, T+M] of full / other BWPs / frequencies as label. In yet another embodiment, the first set of reference signals for a first set of cells and the second set of reference signals for a second set of cells are same in time domain, and UE performs measurement prediction at spatial-frequency domain with one or multiple AI-ML models which combine combination of 220 and 230, using measurement results of partial beams for some BWPs / frequencies as model input and the full / other part of beam results for full / other BWPs / frequencies results as label. In one embodiment, the UE performs measurement prediction at temporal-spatial-frequency domain with one or multiple AI-ML models which combine combination of 210, 220, and 230, using historical measurement results [T-N, T] of partial beams for some BWPs / frequencies as model input and future measurement results [T+1, T+M] of the full / other part beam results for full / other BWPs / frequencies as label.

[0030] Figure 3 illustrates exemplary diagrams of overall flow of the high-level measurement model in accordance with embodiments of the current invention. The exemplary measurement procedure includes beam-level and cell-level filtering. K beams (pairs) , such as 301, 302, and 303 correspond to the measurements on SSB or CSI-RS resources are configured by the gNB for L3 mobility and detected by UE at L1. At point 311 is the measurements (beam specific samples) internal to the physical layer. Layer-1 (L1) filtering 310 is internal L1 filtering of the inputs measured at point 311 and the implementation is up to UE. Point 313 represents the measurements reported by L1 to layer-3 (L3) after L1 filtering. Beam consolidation 320 performs consolidation of beam specific measurements to derive cell quality with output 321. L3 filtering for cell quality 330 filters the measurements provided at point 321. Point 331 is the measurement after processing of L3 filtering for cell quality. The UE performs evaluation of reporting criteria at 340 based on 331 and optionally one or more other cell qualities 332. The measurement report message 341 is sent on the radio interface. L3 beam filtering 350 filters the measurement provided at point 313 and outputs 351. Beam selection for beam reporting 360 selects X measurements 361 from the measurements 351 after L3 beam filtering. The behavior of the beam consolidation / selection 320, L3 filters 330, evaluation of reporting criteria 340, L3 beam filtering 350 and beam selection for beam reporting 360 is standardized and the configuration of the L3 filters is provided by RRC signaling as in 325, 335, 345, 355 and 365, respectively. In one embodiment, AI-ML model-based RRM measurement procedure predicts one or more beam measurements and / or cell quality using one or more AI-ML models. In one embodiment, at step 371, the UE performs a first measurement on a first set of reference signals (RSs) for a first set of cells. At step 372, the UE predicts a predicted result on a second set of RSs for a second set of cells based on a first measurement result of the first measurement using one or more AI-ML models 370. The AI-ML model can be cell specific or cluster specific. In one embodiment, the predicting is performed on one or a combination of multiple RS radio resource domains comprising a spatial domain, a temporal domain, and a frequency domain as shown in 380. The predicting is on a temporal domain, a spatial domain, a frequency domain, a combination of temporal and spatial domain, a combination of temporal and frequency domain, a combination of spatial and frequency domain, or a combination of temporal, spatial and frequency domain.

[0031] Figure 4 illustrates exemplary diagrams for overall flow for the measurement results without filtering used for AI-ML based RRM prediction in accordance with embodiments of the current invention. In one embodiment, using measurements results of the first set of reference signa without filtering as model input, the UE predicts the measurement results on the second set of reference signals first and then performs L1 and L3 filtering on the measurement results of both the first set and the second set of reference signals. The UE receives gNB signals 481. Using one or more AI-ML models 470, the UE predicts beam measurement results 482. At step 410, the UE performs L1 filtering for the predicted results and outputs filtered signals 411. At step 420, the UE performs beam consolidation / selection with output 421. At step 430, the UE performs L3 filtering for cell quality based on output 421 and outputs cell quality 431. At step 430, the UE derives the cell quality 441 based on cell quality 431 and one or more other cell qualities 432. In one embodiment, the first set of reference signal and the second set of reference signals are defined by spatial, temporal, frequency domain and any combinations of the domains. The behavior of the beam consolidation / selection 420, L3 filters 430, evaluation of reporting criteria 440, L3 beam filtering 450 and beam selection for beam reporting 460 is standardized and the configuration of the L3 filters is provided by RRC signaling as in 425, 435, 445, 455 and 465, respectively.

[0032] Figure 5 illustrates exemplary diagrams for overall flow for the L1 measurement results (after L1 filtering) used for AI-ML based RRM prediction in accordance with embodiments of the current invention. In one embodiment, using measurements results of the first set of reference signal after L1 filtering as model input, the UE predicts the measurement results on the second set of reference signals first and then performs L3 filtering on the measurement results of both the first set and the second set of reference signals. At step 510, the UE performs L1 filtering for a set of references signals 511 such as 501, 502, and 503 and outputs filtered results 512. The UE predicts the measurement results on the second set of reference signals using one or more AI-ML models 570 and output predicted baems-1 581, predicted beam-2 582 and predicted beam-3 583. At step 520, the UE performs beam consolidation / selection based on the predicted beams 526 and outputs 521. At step 530, based on 521, the UE performs L3 filtering for cell quality and outputs cell quality 531. At step 540, the UE derives the cell quality based on 531 and optionally one or more other cell qualities 532. The measurement report message 541 is sent on the radio interface. L3 beam filtering 550 filters the measurement provided by the predicted beams 526 and outputs 551. Beam selection for beam reporting 560 selects X measurements 561 from the measurements 551 after L3 beam filtering. The behavior of the beam consolidation / selection 520, L3 filters 530, evaluation of reporting criteria 540, L3 beam filtering 550 and beam selection for beam reporting 560 is standardized and the configuration of the L3 filters is provided by RRC signaling as in 525, 535, 545, 555 and 565, respectively. In one embodiment, the first set of reference signals and the second set of reference signals are defined by spatial, temporal, frequency domain and any combinations of the domains.

[0033] Figure 6 illustrates exemplary diagrams for overall flow for the L3 measurement results used for AI-ML based RRM prediction in accordance with embodiments of the current invention. In one embodiment, using measurements results of the first set of reference signal after L3 filtering as model input, the UE predicts the measurement results on the second set of reference signals first. In one embodiment, UE performs L3 filter on the measurement results of the first set of reference signals first, performs measurement prediction on the second set of reference signals, then performs beam consolidation / selection and derives the cell quality. At step 610, the UE performs L1 filtering on gNB reference signals 611, such as beam 601, 602, and 603 and outputs filtered results 612. At step 650, the UE performs L3 beam filtering. The filtered result is used to predict L3 beams using one or more AI-ML models 670 and outputs predicted beam-1 681, predicted beam-2 682 and predicted beam-3 683. The predicted beams 626 is used at step 620 to perform beam consolidation and selection with output 631. At step 640, based on 631 and optionally one or more other cell qualities 632, the UE derives the cell quality. The measurement report message 641 is sent on the radio interface. Beam selection for beam reporting 660 selects X measurements 661 from the set of predicted beams 627. The behavior of the beam consolidation / selection 620, evaluation of reporting criteria 640, L3 beam filtering 650 and beam selection for beam reporting 660 is standardized and the configuration of the L3 filters is provided by RRC signaling as in 625, 635, 655 and 665, respectively. In one embodiment, the first set of reference signal and the second set of reference signals are defined by spatial, temporal, frequency domain and any combinations of the domains.

[0034] Figure 7 illustrates exemplary diagrams for overall flow for RRM measurements cell-quality prediction in accordance with embodiments of the current invention. In one embodiment 700, the UE measures the first set of cells and predicts the measurement results of the second set of cells. In one embodiment, the first set of cells is same with the predicted second set of cells. In another embodiment, the first set of cells is different with the predicted second set of cells. In one embodiment 701, the measurement results used for prediction are L1 measurement results (after L1 filtering) . In one embodiment 702, the measurement results used for prediction are L3 measurement results (after L3 cell filtering) . At step 710, the UE performs L1 filtering on the set of references signals 711 and output filtered signal set-B 712. At step 700, the UE performs cell quality prediction based using one or more AI-ML models. At step 720, the UE performs beam consolidation  / selection based on 712. In one embodiment 701, the UE predicts the cell quality 781 using one or more AI-ML models 771. At step 735, the UE performs L3 filtering for cell quality and output predicted cell quality-C 731. In another embodiment 702, the UE predicts the cell quality 782 using one or more AI-ML models 772 based on the L3 filtering for cell quality and outputs predicted cell quality-C 731. At step 740 based on 731 and optionally one or more other cell qualities 732, the UE derives the cell quality. The measurement report message 741 is sent on the radio interface. L3 beam filtering 750 performs L3 filtering on L1 filtered beams 712and output 751. Beam selection for beam reporting 760 selects X measurements 761 based on 751. The behavior of the beam consolidation / selection 720, L3 filtering for cell quality 730, evaluation of reporting criteria 740, L3 beam filtering 750 and beam selection for beam reporting 760 is standardized and the configuration of the L3 filters is provided by RRC signaling as in 725, 735, 755 and 765, respectively. In one embodiment, the first set of reference signal for the first set of cells and the second set of reference signals for the second cells are defined by spatial, temporal, frequency domain and any combinations of the domains.

[0035] Figure 8 illustrates an exemplary flow diagram for AI-ML based RRM prediction measurement procedure in accordance with embodiments of the current invention. UE 801 is connected with the CN network 802. At step 811, the UE performs measurement and model input construct. At step 812, the UE performs RRM measurement prediction. In one embodiment, for the temporal domain beam quality prediction, the UE performs full beams sweeping at observation time window and stop beam sweeping at prediction time window. In one embodiment, for the spatial domain beam quality prediction, the UE performs partial beam sweeping. In one embodiment, for the temporal-spatial domain beam quality prediction, the UE performs partial beams sweeping at observation time window. At step 813, the UE performs evaluation of reporting criteria based on predicted measurements. In one embodiment, the UE evaluates the reporting criteria considers the measurement results which are actually measured, or the measurement results which are predicted, or both of them are used. In one embodiment, the criteria basis is configured by the network. At step 820, the UE sends a measurement report to the network based on predicted measurements. In one embodiment, the UE reports the measurement results which are actually measured, or the measurement results which are predicted, or both of them. In one embodiment, the measurement report is configured by the network. In one embodiment, the one or multiple AI-ML models is cell specific, i.e., one AI-ML model corresponds to one cell. In one embodiment, the one or multiple AI-ML models is cluster specific, i.e., one AI-ML model corresponds to a cluster of cells. In one embodiment, the measured RS quality can be signal-to-noise ratio (SNR) , reference signal received power (RSRP) , or received signal strength indicator (RSSI) .

[0036] Figure 9 illustrates an exemplary flow chart for the UE performing AI-ML model-based RRM measurement in accordance with embodiments of the current invention. At step 901, the UE performs one or more first measurements on a first set of reference signals (RSs) for a first set of cells. At step 902, the UE predicts one or more predicted results on a second set of RSs for a second set of cells based on the one or more first measurement results of the first measurement using one or more AI-ML models, wherein the predicting is performed on one or a combination of multiple RS radio resource domains comprising a spatial domain, a temporal domain, and a frequency domain. At step 903, the UE determines, based on the one or more predicted results, one or more cell qualities of the first set of cells, the second set of cells, or both the first and the second set of cells.

[0037] Although the present invention has been described in connection with certain specific embodiments for instructional purposes, the present invention is not limited thereto. Accordingly, various modifications, adaptations, and combinations of various features of the described embodiments can be practiced without departing from the scope of the invention as set forth in the claims.

Claims

1.A method for a user equipment (UE) using artificial intelligence –machine learning (AI-ML) model in a wireless network comprising:performing a first measurement on a first set of reference signals (RSs) for a first set of cells;predicting one or more predicted results on a second set of RSs for a second set of cells based on one or more first measurement results of the first measurement using one or more AI-ML models, wherein the predicting is performed on one or a combination of multiple RS radio resource domains comprising a spatial domain, a temporal domain, and a frequency domain; anddetermining, based on the one or more predicted results, one or more cell qualities of the first set of cells, the second set of cells, or both the first and the second set of cells.2.The method of claim 1, wherein at least one of the one or more AI-ML models is trained by the UE with a model training using the one or more first measurement results as model input and one or more second measurement results as label, and wherein the one or more second measurement results are obtained by the UE performing a second measurement on the second set of references signals for the second set of cells.3.The method of claim 1, wherein the predicting is on the temporal domain using one or more historical measurement results as model input and one or more future measurement results as label.4.The method of claim 1, wherein the predicting is on the frequency domain using one or more measurement results of a first subset of bandwidth part (BWP) as model input and one or more measurement results of a full BWP or a second subset of BWP as label.5.The method of claim 1, wherein, the predicting is on the spatial domain using one or more measurement results of a first set of partial beams as input and one or more measurement results of a full set of beams or a second set of partial beams as label.6.The method of claim 1, wherein the predicting is on a combination of the temporal domain and the spatial domain, a combination of the temporal domain and the frequency domain, a combination of the spatial domain and the frequency domain, or a combination of the temporal domain, the spatial domain, and the frequency domain.7.The method of claim 1, wherein the one or more first measurement results are a set of layer-1 (L1) measurement results obtained by the UE performing L1 filtering on corresponding measurement results of the first set of reference signals.8.The method of claim 7, wherein the one or more predicted results are an L1 cell quality on the second set of cells, a layer-3 (L3) cell quality on the second set of cells, or one or more L3 measurement results on the second set of reference signals.9.The method of claim 1, wherein the one or more first measurement results are a set of L3 measurement results obtained by the UE performing L3 filtering on corresponding measurement results of the first set of reference signals, and wherein the one or more predicted results are L3 measurement results on the second set of reference signals.10.The method of claim 1, wherein the first set of cells are serving cells or neighboring cells of intra-frequency or inter-frequency, and wherein the second set of cells are serving cells or neighboring cells of intra-frequency or inter-frequency.11.The method of claim 1, further comprising: triggering one or more measurement reports based on one or more reporting criteria.12.The method of claim 11, wherein at least one of the one or more reporting criteria considers the one or more first measurement results, or the one or more predicted results, or the one or more first measurement results and the one or more predicted results.13.The method of claim 11, wherein at least one or the one or more measurement reports includes the one or more first measurement results, or the one or more predicted results, or the one or more first measurement results and the one or more predicted results.14.The claim of claim 1, wherein at least one of the one or more AI-ML models is cell specific or cluster specific.15.A user equipment (UE) using artificial intelligence –machine learning (AI-ML) model in a wireless network, comprising:a transceiver that transmits and receives radio frequency (RF) signal in the wireless network;a measurement module that performs a first measurement on a first set of reference signals (RSs) for a first set of cells;a prediction module that predicts one or more predicted results on a second set of RSs for a second set of cells based on one or more first measurement results of the first measurement using one or more AI-ML models, wherein the predicting is performed on one or a combination of multiple RS radio resource domains comprising a spatial domain, a temporal domain, and a frequency domain; anda quality module that determines, based on the one or more predicted results, one or more cell qualities of the first set of cells, the second set of cells, or both the first and the second set of cells.16.The UE of claim 15, wherein at least one of the one or more AI-ML models is trained for the UE with a model training using the one or more first measurement results as model input and one or more second measurement results as label, and wherein the one or more second measurement results are obtained by the UE performing a second measurement on the second set of references signals for the second set of cells.17.The UE of claim 15, wherein the predicting is on the temporal domain using one or more historical measurement results as model input and one or more future measurement results as label, on the frequency domain using one or more measurement results of a first subset of bandwidth part (BWP) as model input and one or more measurement results of a full BWP or a second subset of BWP as label, on the spatial domain using one or more measurement results of a first set of partial beams as input and one or more measurement results of a full set of beams or a second set of partial beams as label, or on a combination of the temporal domain and the spatial domain, a combination of the temporal domain and the frequency domain, a combination of the spatial domain and the frequency domain, or a combination of the temporal domain, the spatial domain, and the frequency domain.18.The UE of claim 15, wherein the one or more first measurement results are a set of layer-1 (L1) measurement results obtained by the UE performing L1 filtering on corresponding measurement results of the first set of reference signals, and wherein the one or more predicted results are an L1 cell quality on the second set cells, a layer-3 (L3) cell quality on the second set of cells, or one or more L3 measurement results on the second set of reference signals.19.The UE of claim 15, wherein the one or more first measurement results are a set of L3 measurement results obtained by the UE performing L3 filtering on corresponding measurement results of the first set of reference signals, and wherein the one or more predicted results are L3 measurement results on the second set of reference signals.20.The UE of claim 15, further comprising: a reporting module that triggers one or more measurement reports based on one or more reporting criteria, wherein at least one of the one or more reporting criteria considers the one or more first measurement results, the one or more predicted results, or the one or more first measurements and the one or more predicted results, and wherein at least one or the one or more measurement reports includes the one or more first measurement results, the one or more predicted results, or the one or more first measurements and the one or more predicted results.

Images