Multi-step artificial intelligence and / or machine learning (ai / ML) based object recognition with micro-doppler

Abstract

Disclosed are techniques for communications and sensing. For example, a first device can receive, from a second device, information indicating a first machine learning (ML) model for classifying an object and associated with an object signature quantized with a first number of bits. The first device can determine, using the first ML model, first classification results of a first micro-Doppler spectrum of the object and transmit, to the second device, a report comprising the first classification results. The first device can receive, from the second device based on the first classification results, information indicating a second ML model for classifying the object and associated with an object signature quantized with a second number of bits. The first device can determine, using the second ML model, second classification results of a second micro-Doppler spectrum of the object and transmit, to the second device, a report comprising the second classification results.

Description

MULTI-STEP ARTIFICIAL INTELLIGENCE AND / OR MACHINE LEARNING (AI / ML) BASED OBJECT RECOGNITION WITH MICRO-DOPPLERFIELD

[0001] The present disclosure generally relates to identifying targets or objects using wireless communications (e.g., radio frequency (RF) sensing) . For example, aspects of the present disclosure relate to a multi-step artificial intelligence and / or machine learning (AI / ML) based object recognition with micro-Doppler.BACKGROUND

[0002] Wireless communications systems are widely deployed to provide various types of communication content, such as voice, video, packet data, messaging, and broadcast. These systems may be capable of supporting communication with multiple users by sharing the available system resources (e.g., time, frequency, and power) . Examples of such multiple-access systems include fourth generation (4G) systems such as Long Term Evolution (LTE) systems, LTE-Advanced (LTE-A) systems, or LTE-A Pro systems, and fifth generation (5G) systems which may be referred to as New Radio (NR) systems. These systems may employ technologies such as code division multiple access (CDMA) , time division multiple access (TDMA) , frequency division multiple access (FDMA) , orthogonal FDMA (OFDMA) , or discrete Fourier transform spread orthogonal frequency division multiplexing (DFT-S-OFDM) . A wireless multiple-access communications system may include one or more base stations or one or more network access nodes, each simultaneously supporting communication for multiple communication devices, which may be otherwise known as user equipment (UE) . Some wireless communications systems may support communications between UEs, which may involve direct transmissions between two or more UEs.

[0003] Due to larger bandwidths being allocated for wireless cellular communications systems (e.g., including 5G) and more use cases being introduced into the cellular communications systems, reducing communications or signaling overhead can be essential for future cellular systems.SUMMARY

[0004] The following presents a simplified summary relating to one or more aspects disclosed herein. Thus, the following summary should not be considered an extensive overview relating to all contemplated aspects, nor should the following summary be considered to identify key or critical elements relating to all contemplated aspects or to delineate the scope associated with any particular aspect. Accordingly, the following summary has the sole purpose to present certain concepts relating to one or more aspects relating to the mechanisms disclosed herein in a simplified form to precede the detailed description presented below.

[0005] Disclosed are systems, apparatuses, methods and computer-readable media for a multi-step AI / ML-based object recognition with micro-Doppler. According to at least one example, a first network device for wireless communications, the first network device comprising: at least one memory; and at least one processor coupled to the at least one memory and configured to: receive, from a second network device, first information indicating a first machine learning (ML) model for classifying an object, the first ML model associated with a first object signature quantized with a first number of bits; determine, using the first ML model, first classification results of a first micro-Doppler spectrum of the object; transmit, to the second network device, a first report comprising the first classification results; receive, from the second network device based on the first classification results, second information indicating a second ML model for classifying the object, the second ML model associated with a second object signature quantized with a second number of bits, wherein the first number of bits is less than the second number of bits; determine, using the second ML model, second classification results of a second micro-Doppler spectrum of the object; and transmit, to the second network device, a second report comprising the second classification results.

[0006] In another illustrative example, a method is provided for wireless communications at a network device. The method includes: receiving, from a second network device, first information indicating a first machine learning (ML) model for classifying an object, the first ML model associated with a first object signature quantized with a first number of bits; determining, using the first ML model, first classification results of a first micro-Doppler spectrum of the object; transmitting, to the second network device, a first report comprising the first classification results; receiving, from the second network device based on the first  classification results, second information indicating a second ML model for classifying the object, the second ML model associated with a second object signature quantized with a second number of bits, wherein the first number of bits is less than the second number of bits; determining, using the second ML model, second classification results of a second micro-Doppler spectrum of the object; and transmitting, to the second network device, a second report comprising the second classification results.

[0007] In another illustrative example, a non-transitory computer-readable medium is provided that includes stored thereon instructions that, when executed by one or more processors, cause the one or more processors to: receive, from a second network device, first information indicating a first machine learning (ML) model for classifying an object, the first ML model associated with a first object signature quantized with a first number of bits; determine, using the first ML model, first classification results of a first micro-Doppler spectrum of the object; transmit, to the second network device, a first report comprising the first classification results; receive, from the second network device based on the first classification results, second information indicating a second ML model for classifying the object, the second ML model associated with a second object signature quantized with a second number of bits, wherein the first number of bits is less than the second number of bits; determine, using the second ML model, second classification results of a second micro-Doppler spectrum of the object; and transmit, to the second network device, a second report comprising the second classification results.

[0008] In another illustrative example, an apparatus for generating virtual content is provided that includes: means for receiving, from a second network device, first information indicating a first machine learning (ML) model for classifying an object, the first ML model associated with a first object signature quantized with a first number of bits; means for determining, using the first ML model, first classification results of a first micro-Doppler spectrum of the object; means for transmitting, to the second network device, a first report comprising the first classification results; means for receiving, from the second network device based on the first classification results, second information indicating a second ML model for classifying the object, the second ML model associated with a second object signature quantized with a second number of bits, wherein the first number of bits is less than the second number of bits; means  for determining, using the second ML model, second classification results of a second micro-Doppler spectrum of the object; and means for transmitting, to the second network device, a second report comprising the second classification results.

[0009] In another illustrative example, a first network device for wireless communications, the first network device comprising: at least one memory; and at least one processor coupled to the at least one memory and configured to: transmit, to a second network device, first information indicating a first machine learning (ML) model for classifying an object, the first ML model associated with a first object signature quantized with a first number of bits; receive, from the second network device based on the first ML model, a first report comprising first classification results of a first micro-Doppler spectrum of the object; transmit, to the second network device based on the first classification results, second information indicating a second ML model for classifying the object, the second ML model associated with a second object signature quantized with a second number of bits, wherein the first number of bits is less than the second number of bits; and receive, from the second network device based on the second ML model, a second report comprising second classification results of a second micro-Doppler spectrum of the object.

[0010] In another illustrative example, a method is provided for wireless communications and sensing performed at a network device. The method includes: transmitting, to a second network device, first information indicating a first machine learning (ML) model for classifying an object, the first ML model associated with a first object signature quantized with a first number of bits; receiving, from the second network device based on the first ML model, a first report comprising first classification results of a first micro-Doppler spectrum of the object; transmitting, to the second network device based on the first classification results, second information indicating a second ML model for classifying the object, the second ML model associated with a second object signature quantized with a second number of bits, wherein the first number of bits is less than the second number of bits; and receiving, from the second network device based on the second ML model, a second report comprising second classification results of a second micro-Doppler spectrum of the object.

[0011] In another illustrative example, a non-transitory computer-readable medium is provided that includes stored thereon instructions that, when executed by one or more processors, cause the one or more processors to: transmit, to a second network device, first information indicating a first machine learning (ML) model for classifying an object, the first ML model associated with a first object signature quantized with a first number of bits; receive, from the second network device based on the first ML model, a first report comprising first classification results of a first micro-Doppler spectrum of the object; transmit, to the second network device based on the first classification results, second information indicating a second ML model for classifying the object, the second ML model associated with a second object signature quantized with a second number of bits, wherein the first number of bits is less than the second number of bits; and receive, from the second network device based on the second ML model, a second report comprising second classification results of a second micro-Doppler spectrum of the object.

[0012] In another illustrative example, an apparatus for wireless communications is provided that includes: means for transmitting, to a second network device, first information indicating a first machine learning (ML) model for classifying an object, the first ML model associated with a first object signature quantized with a first number of bits; means for receiving, from the second network device based on the first ML model, a first report comprising first classification results of a first micro-Doppler spectrum of the object; means for transmitting, to the second network device based on the first classification results, second information indicating a second ML model for classifying the object, the second ML model associated with a second object signature quantized with a second number of bits, wherein the first number of bits is less than the second number of bits; and means for receiving, from the second network device based on the second ML model, a second report comprising second classification results of a second micro-Doppler spectrum of the object.

[0013] Aspects generally include a method, apparatus, system, computer program product, non-transitory computer-readable medium, user device, image processing device, and / or processing system as substantially described with reference to and as illustrated by the drawings and specification.

[0014] Some aspects include a device having a processor configured to perform one or more operations of any of the methods summarized above. Further aspects include processing devices for use in a device configured with processor-executable instructions to perform operations of any of the methods summarized above. Further aspects include a non-transitory processor-readable storage medium having stored thereon processor-executable instructions configured to cause a processor of a device to perform operations of any of the methods summarized above. Further aspects include a device having means for performing functions of any of the methods summarized above.

[0015] In some aspects, one or more of the apparatuses described herein is, is part of, and / or includes a UE, such as a wearable device, an extended reality (XR) device (e.g., a virtual reality (VR) device, an augmented reality (AR) device, or a mixed reality (MR) device) , a head-mounted display (HMD) device, a wireless communication device, a mobile device (e.g., a mobile telephone and / or mobile handset and / or so-called “smart phone” or other mobile device) , a camera, a personal computer, a laptop computer, a server computer, a vehicle or a computing device or component of a vehicle, another device, or a combination thereof. In some aspects, the apparatus includes a camera or multiple cameras for capturing one or more images. In some aspects, the apparatus further includes a display for displaying one or more images, notifications, and / or other displayable data. In some aspects, the apparatuses described above can include one or more sensors (e.g., one or more inertial measurement units (IMUs) , such as one or more gyroscopes, one or more gyrometers, one or more accelerometers, any combination thereof, and / or other sensor) .

[0016] Some aspects include a device having a processor configured to perform one or more operations of any of the methods summarized above. Further aspects include processing devices for use in a device configured with processor-executable instructions to perform operations of any of the methods summarized above. Further aspects include a non-transitory processor-readable storage medium having stored thereon processor-executable instructions configured to cause a processor of a device to perform operations of any of the methods summarized above. Further aspects include a device having means for performing functions of any of the methods summarized above.

[0017] The foregoing has outlined rather broadly the features and technical advantages of examples according to the disclosure in order that the detailed description that follows may be better understood. Additional features and advantages will be described hereinafter. The conception and specific examples disclosed may be readily utilized as a basis for modifying or designing other structures for carrying out the same purposes of the present disclosure. Such equivalent constructions do not depart from the scope of the appended claims. Characteristics of the concepts disclosed herein, both their organization and method of operation, together with associated advantages will be better understood from the following description when considered in connection with the accompanying figures. Each of the figures is provided for the purposes of illustration and description, and not as a definition of the limits of the claims. The foregoing, together with other features and aspects, will become more apparent upon referring to the following specification, claims, and accompanying drawings.

[0018] This summary is not intended to identify key or essential features of the claimed subject matter, nor is it intended to be used in isolation to determine the scope of the claimed subject matter. The subject matter should be understood by reference to appropriate portions of the entire specification of this patent, any or all drawings, and each claim.BRIEF DESCRIPTION OF THE DRAWINGS

[0019] Illustrative aspects of the present application are described in detail below with reference to the following figures:

[0020] FIG. 1 is a diagram illustrating an example of a wireless network, in accordance with some aspects of the present disclosure.

[0021] FIG. 2 is a diagram illustrating an example of a network node in communication with a user equipment (UE) in a wireless network, in accordance with some aspects of the present disclosure.

[0022] FIG. 3 is a diagram illustrating an example disaggregated base station architecture, in accordance with the present disclosure, in accordance with some aspects of the present disclosure.

[0023] FIG. 4 is a diagram illustrating an example of unmanned aerial vehicle (UAV) UEs within a wireless communication network environment, in accordance with the present disclosure, in accordance with some aspects of the present disclosure.

[0024] FIG. 5 is a diagram illustrating an example architecture of a functional framework for radio access network (RAN) intelligence enabled by data collection, in accordance with the present disclosure, in accordance with some aspects of the present disclosure.

[0025] FIG. 6 is a diagram showing an example of a waveform that may be employed by the disclosed system for RF sensing, in accordance with some aspects of the present disclosure.

[0026] FIG. 7A is a diagram showing examples of different first level classifications of aerial objects, in accordance with some aspects of the present disclosure.

[0027] FIG. 7B is a diagram showing examples of different second level classifications of aerial objects, in accordance with some aspects of the present disclosure.

[0028] FIG. 8 is a diagram illustrating an example of a micro-Doppler spectrum measured using a sliding window, in accordance with some aspects of the present disclosure.

[0029] FIG. 9 is a diagram illustrating examples of micro-Doppler spectrums associated with different target objects measured using radar, in accordance with some aspects of the present disclosure.

[0030] FIG. 10A and FIG. 10B are diagrams illustrating examples of micro-Doppler spectrums associated with different target objects derived from simulated motion models of the target objects, in accordance with some aspects of the present disclosure.

[0031] FIG. 11 is a diagram illustrating an example of an application scenario for cellular network based sensing, in accordance with some aspects of the present disclosure.

[0032] FIG. 12 is a diagram illustrating an example of a procedure for measuring and reporting a micro-Doppler spectrum and / or features of an object, in accordance with some aspects of the present disclosure.

[0033] FIG. 13 is a diagram illustrating examples of micro-Doppler spectrums associated with different types of UAV objects derived from simulated motion models of the target objects, in accordance with some aspects of the present disclosure.

[0034] FIG. 14 is a diagram illustrating examples of micro-Doppler spectrums associated with different individual UAV objects derived from simulated motion models of the target objects, in accordance with some aspects of the present disclosure.

[0035] FIG. 15 is a diagram including graphs illustrating examples of classification accuracies using object micro-Doppler signatures quantized with different numbers of bits, in accordance with some aspects of the present disclosure.

[0036] FIG. 16 is a table illustrating an example of tradeoffs between artificial intelligence (AI) performance of micro-Doppler classification resolution and accuracy, in accordance with some aspects of the present disclosure.

[0037] FIG. 17 is a diagram illustrating an example of classification categories of object micro-Doppler signatures, in accordance with some aspects of the present disclosure.

[0038] FIG. 18 is a diagram illustrating an example of signaling for two-step AI / ML-based object recognition with micro-Doppler, in accordance with some aspects of the present disclosure.

[0039] FIG. 19 is a diagram illustrating examples of layers of an AI / ML model for multi-step AI / ML-based object recognition with micro-Doppler, in accordance with some aspects of the present disclosure.

[0040] FIG. 20 is a flow diagram illustrating an example of a process for multi-step AI / ML-based object recognition with micro-Doppler performed by a measuring device, in accordance with some aspects of the present disclosure.

[0041] FIG. 21 is a flow diagram illustrating an example of a process for multi-step AI / ML-based object recognition with micro-Doppler performed by a controlling device, in accordance with some aspects of the present disclosure.

[0042] FIG. 22 is a diagram illustrating an example of a system for implementing certain aspects described herein, in accordance with some aspects of the present disclosure.DETAILED DESCRIPTION

[0043] Certain aspects of this disclosure are provided below for illustration purposes. Alternate aspects may be devised without departing from the scope of the disclosure. Additionally, well-known elements of the disclosure will not be described in detail or will be omitted so as not to obscure the relevant details of the disclosure. Some of the aspects described herein can be applied independently and some of them may be applied in combination as would be apparent to those of skill in the art. In the following description, for the purposes of explanation, specific details are set forth in order to provide a thorough understanding of aspects of the application. However, it will be apparent that various aspects may be practiced without these specific details. The figures and description are not intended to be restrictive.

[0044] The ensuing description provides example aspects only, and is not intended to limit the scope, applicability, or configuration of the disclosure. Rather, the ensuing description of the example aspects will provide those skilled in the art with an enabling description for implementing an example aspect. It should be understood that various changes may be made in the function and arrangement of elements without departing from the spirit and scope of the application as set forth in the appended claims.

[0045] The terms “exemplary” and / or “example” are used herein to mean “serving as an example, instance, or illustration. ” Any aspect described herein as “exemplary” and / or “example” is not necessarily to be construed as preferred or advantageous over other aspects. Likewise, the term “aspects of the disclosure” does not require that all aspects of the disclosure include the discussed feature, advantage or mode of operation.

[0046] Radar sensing systems use radio frequency (RF) waveforms to perform RF sensing to determine or estimate one or more characteristics of a target object, such as the distance, angle, and / or velocity of the target object. A target object may include a vehicle, an obstruction, a user, a building, or other object. A typical radar system includes at least one transmitter, at least one receiver, and at least one processor. A radar sensing system may perform monostatic sensing when one receiver is employed that is co-located with a transmitter. A radar system  may perform bistatic sensing when one receiver of a first device is employed that is located remote from a transmitter of a second device. Similarly, a radar system may perform multi-static sensing when multiple receivers of multiple devices are employed that are all located remotely from at least one transmitter of at least one device.

[0047] During operation of a radar sensing system, a transmitter transmits an electromagnetic (EM) signal in the RF domain towards a target object. The signal reflects off of the target object to produce one or more reflection signals, which provides information or properties regarding the target, such as target object’s location and speed. At least one receiver receives the one or more reflection signals and at least one processor, which may be associated with at least one receiver, utilizes the information from the one or more reflection signals to determine information or properties of the target object. A target object can also be referred herein as a target.

[0048] Generally, RF sensing involves monitoring moving targets with different motions (e.g., a moving car or pedestrian, a body motion of a person, such as breathing, and / or other micro-motions related to a target) . Doppler, which measures the frequency variation in a signal caused by a difference in speed between a source and a receiver, is an important characteristic for sensing of a target.

[0049] In some cases, the radar sensing signals, which can be referred to as radar reference signals (RSs) , such as sensing reference signals (S-RS) , may be designed for and used for sensing purposes. Radar RSs do not contain any communications information. Conversely, communication RSs, such as demodulation reference signals (DMRSs) , are typically designed for and solely used for communications purposes, such as estimating channel parameters for communications.

[0050] Cellular communications systems are designed to transmit communication signals on designated communication frequency bands (e.g., 23 gigahertz (GHz) , 3.5 GHz, etc. for 5G / NR, 2.2 GHz for LTE, among others) . RF sensing systems are designed to transmit RF sensing signals on designated radar RF frequency bands (e.g., 77 GHz for autonomous driving) . The spectrum for communications and sensing is very likely to be shared in future cellular communication systems, in which case the communications and sensing should be jointly  considered.

[0051] In some cases, due to larger bandwidths being allocated for wireless communications systems (e.g., including cellular communications systems such as 4G / LTE, 5G / NR, and beyond) and more use cases being introduced into the wireless communications systems, multiplexing (e.g., via time division multiplexing and / or frequency division multiplexing) sensing and communication signals for joint communications and sensing can be an essential feature for existing or future wireless communication systems. Simultaneously performing wireless communications and radar sensing can provide for a cost-efficient deployment for both radar and communication systems.

[0052] Joint communications and radar sensing can provide for mutual performance gains. For example, sensing information, such as Doppler measurements, can be used to improve communication link quality (e.g., Sensing-assisted Communications) . Also, cooperative sensing can be more feasible with wireless communication networks (e.g., Communication-assisted Sensing) .

[0053] Integrated sensing and communication (ISAC) , which uses multiplexed sensing and communication signals, can be regarded as a key 5G, as well as sixth generation (6G) , feature by the cellular industry. ISAC can provide cost effectiveness by utilizing shared RF, and possibly baseband, hardware (HW) for both sensing and communications. ISAC can also provide spectrum effectiveness by providing an always-on availability of the spectrum for both sensing and communications use cases. ISAC can be utilized for a variety of different use cases including, but not limited to, macro sensing (e.g., meteorological monitoring; autonomous driving; dynamic mapping; low-altitude airspace, such as an unmanned air vehicle, management; and intruder detection) , micro sensing (e.g., gesture recognition, vital sign detection, and high-resolution imaging using terahertz signals) , and sensing-assisted communication (e.g., beam management) . Some contributions in 3GPP for ISAC have already been made. For example, some companies have proposed some requirements and network architecture for ISAC in 3GPP standalone 1 (SA1) . In addition, in China, international mobile telecommunications (IMT) -2020 and IMT-2030 are promoting ISAC for 5G-A and 6G.

[0054] As previously mentioned, Doppler measures the frequency variation in a signal  caused by a difference in speed between a source and a receiver and is an important characteristic for sensing of a target object. For mobile objects, their micro-movements (e.g., rotation of rotors of a drone, swaying of arms of a pedestrian, and rotation of wheels of a vehicle) can result in micro-Doppler shifts in the echo (reflection) of a sensing signal (e.g., a sensing RS) , in addition to Doppler shifts caused by their general body motion. Micro-Doppler can be utilized to differentiate different kinds (e.g., categories) of moving objects (e.g., drones, birds, people, and vehicles) , as the different kinds of moving objects have different modes of micro-motions (e.g., rotor rotation of drones, wing flapping of birds, arm swaying of pedestrians, and wheel rotation of vehicles) . For the same kind (e.g., category) of objects (e.g., drones) , the type (e.g., subcategory) of object (e.g., helicopter, quadcopter, and octocopter, which are different types of drones with different numbers, size, and / or velocity of rotors) can also have an impact on the micro-Doppler features within the micro-Doppler spectrum. Individual objects of the same type (e.g., both objects are quadcopter drones) can also be distinguished from each other by their different micro-Doppler signatures.

[0055] The measured micro-Doppler spectrum from a reflected sensing signal (e.g., reflected off of a target object) can be transmitted within a report from a radar receiver (e.g., a UE) to a base station for analysis to identify the kind (e.g., category) and optionally the type (e.g., subcategory) of the object. However, the measured micro-Doppler spectrum generally contains a very large amount of data and, as such, the transmission of the report requires a large amount of signaling resources.

[0056] Artificial intelligence (AI) based micro-Doppler analysis (e.g., utilizing AI models) has been employed to classify the kind (e.g., category, such as a drone) and the type (e.g., subcategory, such as a quadcopter) of an object. Performance of the AI can be improved by enlarging the AI model size, which can lead to an increase in power consumption and running time. As network devices (e.g. UEs) typically have limitations in their storage size, power, and running time for sensing tasks, the AI models stored onto these network devices for sensing generally have a maximum size limitation. Given an AI model size, the AI classification performance will decline with more difficult classification tasks (e.g., a task involving a large number of categories to classify) .

[0057] For unmanned aerial vehicle (e.g., drone) sensing, the inter-propeller angle offset of  a UAV (e.g., drone) can be defined as an individual object micro-Doppler signature. For example, quadcopters have three inter-propeller angle offsets (e.g., where one propeller of the four propellers of a quadcopter is used as a reference) , and there may be many different signatures. Quantization can be used to reduce the total signature number. For example, each inter-propeller angle offset can be quantized by K number of bits (e.g., a quadcopter can have 3*K number of bits for its signature in total as a quadcopter has three inter-propeller angle offsets) . For example, when K number of bits is equal to two, the total signature number will be equal to 10 (e.g., as calculated by an algorithm) and, as such, there will be a total of 10 categories to classify. For another example, when K number of bits is equal to three, the total signature number will be equal to 43 (e.g., as calculated by an algorithm) and, as such, there will be a total of 43 categories to classify. Given an AI model size, the AI classification performance with more bits used for UAV signature quantization (e.g., having more categories) could be worse than using less number of bits for UAV signature quantization (e.g., having less categories) . As such, there is a tradeoff between the classification resolution and the classification accuracy. However, the more quantization bits used for an object signature (e.g., having more categories) , the higher the resolution to be able to distinguish between two object signatures.

[0058] Therefore, systems and techniques for object recognition with micro-Doppler that achieve both high accuracy and high resolution in object micro-Doppler signature classification without an increase in cost, storage, power, and running time can be beneficial.

[0059] In one or more aspects of the present disclosure, systems, apparatuses, methods (also referred to as processes) , and computer-readable media (collectively referred to herein as “systems and techniques” ) are described herein that provide multi-step AI / ML-based object recognition with micro-Doppler. In one or more examples, the systems and techniques provide an AI-based solution in object recognition with micro-Doppler that achieves both high accuracy and high resolution in object micro-Doppler signature classification with a given AI model size without an increase in cost, storage, power, and running time of the AI. When the AI model size is fixed (e.g., without an increase in storage or any other costs) , the systems and techniques allow for AI to classify an object amongst many categories for the object signature (e.g., the larger the quantization bit number for an object signature, the higher the resolution)  with an accuracy that is the same as for cases with less number of categories (e.g., using less number of quantization bits) .

[0060] In one or more examples, during operation of a process for multi-step AI / ML-based object recognition with micro-Doppler, a first network device (e.g., a measuring device, such as a UE) can receive, from a second network device (e.g., a controlling device, such as a base station) , first information (e.g., the first step) indicating a first machine learning (ML) model (e.g., an AI / ML model) for classifying an object, the first ML model associated with a first object signature quantized with a first number of bits. The first network device can determine, using the first ML model, first classification results of a first micro-Doppler spectrum of the object. The first network device can transmit, to the second network device, a first report including the first classification results. The first network device can receive, from the second network device based on the first classification results, second information (e.g., the second step) indicating a second ML model for classifying the object, the second ML model associated with a second object signature quantized with a second number of bits, where the first number of bits is less than the second number of bits. The first network device can determine, using the second ML model, second classification results of a second micro-Doppler spectrum of the object. The first network device can transmit, to the second network device, a second report including the second classification results. In one or more examples, the process may continue using subsequent steps (e.g., subsequent ML models, such as a third ML model, a fourth ML model, etc. ) .

[0061] In some examples, during operation of a process for multi-step AI / ML-based object recognition with micro-Doppler, a first network device (e.g., a controlling device, such as a base station) can transmit, to a second network device (e.g., a measuring device, such as a UE) , first information (e.g., the first step) indicating a first ML model (e.g., an AI / ML model) for classifying an object, the first ML model associated with a first object signature quantized with a first number of bits. The first network device can receive, from the second network device based on the first ML model, a first report including first classification results of a first micro-Doppler spectrum of the object. The first network device can transmit, to the second network device based on the first classification results, second information (e.g., the second step) indicating a second ML model for classifying the object, the second ML model associated with  a second object signature quantized with a second number of bits, wherein the first number of bits is less than the second number of bits. The first network device can receive, from the second network device based on the second ML model, a second report including second classification results of a second micro-Doppler spectrum of the object. In some examples, the process may continue using subsequent steps (e.g., subsequent ML models, such as a third ML model, a fourth ML model, etc. ) .

[0062] In some aspects, one category of the first step ML model can be divided into two or more sub-categories at the second step. In one or more examples, a network device (e.g., UE) may use the same measurement of the micro-Doppler spectrum of the first step (e.g., first ML model) in subsequent steps (e.g., for the second ML model, third ML model, fourth ML model, etc. ) . As such, one sensing measurement may be used for multiple processing steps.

[0063] In some examples, a first network device (e.g., UE) may use a new measurement of the micro-Doppler spectrum (e.g., measured using a new sensing RS configuration configured by a second network device, such as a base station) in a subsequent step (e.g., for the second ML model) . The second network device (e.g., base station) may use a parameter of the sensing RS configuration to indicate to the first network device (e.g., UE) the quantization bit number of the object signature of the ML model in the next step (e.g., for the second ML model) .

[0064] In one or more examples, a first network device (e.g., UE) may determine (e.g., check) whether the first network device (e.g., UE) has stored the next ML model (e.g., second ML model) with the indicated quantization bit number of the object signature. If the first network device (e.g., UE) determines that it has not stored the next ML model, the first network device (e.g., UE) can send a request for the next ML model to the second network device (e.g., base station) .

[0065] The systems and techniques have the benefit of being able to achieve both high accuracy and high resolution in object micro-Doppler signature classification with a given AI model (e.g., without an increase in cost, storage, power, and / or running time for the AI) . The systems and techniques also have the benefit of reducing the report signaling overhead for the AI / ML model configuration.

[0066] Additional aspects of the present disclosure are described in more detail below.

[0067] As used herein, the terms “user equipment” (UE) and “network entity” are not intended to be specific or otherwise limited to any particular radio access technology (RAT) , unless otherwise noted. In general, a UE may be any wireless communication device (e.g., a mobile phone, router, tablet computer, laptop computer, and / or tracking device, etc. ) , wearable (e.g., smartwatch, smart-glasses, wearable ring, and / or an extended reality (XR) device such as a virtual reality (VR) headset, an augmented reality (AR) headset or glasses, or a mixed reality (MR) headset) , vehicle (e.g., automobile, motorcycle, bicycle, etc. ) , and / or Internet of Things (IoT) device, etc., used by a user to communicate over a wireless communications network. A UE may be mobile or may (e.g., at certain times) be stationary, and may communicate with a radio access network (RAN) . As used herein, the term “UE” may be referred to interchangeably as an “access terminal” or “AT, ” a “client device, ” a “wireless device, ” a “subscriber device, ” a “subscriber terminal, ” a “subscriber station, ” a “user terminal” or “UT, ” a “mobile device, ” a “mobile terminal, ” a “mobile station, ” or variations thereof. Generally, UEs can communicate with a core network via a RAN, and through the core network the UEs can be connected with external networks such as the Internet and with other UEs. Of course, other mechanisms of connecting to the core network and / or the Internet are also possible for the UEs, such as over wired access networks, wireless local area network (WLAN) networks (e.g., based on IEEE 802.11 communication standards, etc. ) and so on.

[0068] A network entity (or network device) can be implemented in an aggregated or monolithic base station architecture, or alternatively, in a disaggregated base station architecture, and may include one or more of a central unit (CU) , a distributed unit (DU) , a radio unit (RU) , a Near-Real Time (Near-RT) RAN Intelligent Controller (RIC) , or a Non-Real Time (Non-RT) RIC. A base station (e.g., with an aggregated / monolithic base station architecture or disaggregated base station architecture) may operate according to one of several RATs in communication with UEs depending on the network in which it is deployed, and may be alternatively referred to as an access point (AP) , a network node, a NodeB (NB) , an evolved NodeB (eNB) , a next generation eNB (ng-eNB) , a New Radio (NR) Node B (also referred to as a gNB or gNodeB) , etc. A base station may be used primarily to support wireless access by UEs, including supporting data, voice, and / or signaling connections for the supported UEs. In  some systems, a base station may provide edge node signaling functions while in other systems it may provide additional control and / or network management functions. A communication link through which UEs can send signals to a base station is called an uplink (UL) channel (e.g., a reverse traffic channel, a reverse control channel, an access channel, etc. ) . A communication link through which the base station can send signals to UEs is called a downlink (DL) or forward link channel (e.g., a paging channel, a control channel, a broadcast channel, or a forward traffic channel, etc. ) . The term traffic channel (TCH) , as used herein, can refer to either an uplink, reverse or downlink, and / or a forward traffic channel.

[0069] The term “network entity” or “base station” (e.g., with an aggregated / monolithic base station architecture or disaggregated base station architecture) may refer to a single physical Transmission-Reception Point (TRP) or to multiple physical Transmission-Reception Points (TRPs) that may or may not be co-located. For example, where the term “network entity” or “base station” refers to a single physical TRP, the physical TRP may be an antenna of the base station corresponding to a cell (or several cell sectors) of the base station. Where the term “network entity” or “base station” refers to multiple co-located physical TRPs, the physical TRPs may be an array of antennas (e.g., as in a multiple-input multiple-output (MIMO) system or where the base station employs beamforming) of the base station. Where the term “base station” refers to multiple non-co-located physical TRPs, the physical TRPs may be a distributed antenna system (DAS) (a network of spatially separated antennas connected to a common source via a transport medium) or a remote radio head (RRH) (a remote base station connected to a serving base station) . Alternatively, the non-co-located physical TRPs may be the serving base station receiving the measurement report from the UE and a neighbor base station whose reference radio frequency (RF) signals (or simply “reference signals” ) the UE is measuring. Because a TRP is the point from which a base station transmits and receives wireless signals, as used herein, references to transmission from or reception at a base station are to be understood as referring to a particular TRP of the base station.

[0070] In some implementations that support positioning of UEs, a network entity or base station may not support wireless access by UEs (e.g., may not support data, voice, and / or signaling connections for UEs) , but may instead transmit reference signals to UEs to be measured by the UEs, and / or may receive and measure signals transmitted by the UEs. Such a  base station may be referred to as a positioning beacon (e.g., when transmitting signals to UEs) and / or as a location measurement unit (e.g., when receiving and measuring signals from UEs) .

[0071] An RF signal includes an electromagnetic wave of a given frequency that transports information through the space between a transmitter and a receiver. As used herein, a transmitter may transmit a single “RF signal” or multiple “RF signals” to a receiver. However, the receiver may receive multiple “RF signals” corresponding to each transmitted RF signal due to the propagation characteristics of RF signals through multipath channels. The same transmitted RF signal on different paths between the transmitter and receiver may be referred to as a “multipath” RF signal. As used herein, an RF signal may also be referred to as a “wireless signal” or simply a “signal” where it is clear from the context that the term “signal” refers to a wireless signal or an RF signal.

[0072] FIG. 1 is a diagram illustrating an example of a wireless network 100. The wireless network 100 may be or may include elements of a 5G (for example, NR) network or a 4G (for example, Long Term Evolution (LTE) ) network, among other examples. The wireless network 100 may include one or more network nodes 110 (shown as a network node 110a, a network node 110b, a network node 110c, and a network node 110d) , a UE 120 or multiple UEs 120 (shown as a UE 120a, a UE 120b, a UE 120c, a UE 120d, and a UE 120e) , or other entities. A network node 110 is an example of a network node that communicates with UEs 120. As shown, a network node 110 may include one or more network nodes. For example, a network node 110 may be an aggregated network node, meaning that the aggregated network node is configured to utilize a radio protocol stack that is physically or logically integrated within a single RAN node (for example, within a single device or unit) . As another example, a network node 110 may be a disaggregated network node (sometimes referred to as a disaggregated base station) , meaning that the network node 110 is configured to utilize a protocol stack that is physically or logically distributed among two or more nodes (such as one or more central units (CUs) , one or more distributed units (DUs) , or one or more radio units (RUs) ) .

[0073] In some examples, a network node 110 is or includes a network node that communicates with UEs 120 via a radio access link, such as an RU. In some examples, a network node 110 is or includes a network node that communicates with other network nodes  110 via a fronthaul link or a midhaul link, such as a DU. In some examples, a network node 110 is or includes a network node that communicates with other network nodes 110 via a midhaul link or a core network via a backhaul link, such as a CU. In some examples, a network node 110 (such as an aggregated network node 110 or a disaggregated network node 110) may include multiple network nodes, such as one or more RUs, one or more CUs, and / or one or more DUs. A network node 110 may include, for example, an NR base station, an LTE base station, a Node B, an eNB (for example, in 4G) , a gNB (for example, in 5G) , an access point, or a transmission reception point (TRP) , a DU, an RU, a CU, a mobility element of a network, a core network node, a network element, a network equipment, a RAN node, or a combination thereof. In some examples, the network nodes 110 may be interconnected to one another or to one or more other network nodes 110 in the wireless network 100 through various types of fronthaul, midhaul, and / or backhaul interfaces, such as a direct physical connection, an air interface, or a virtual network, using any suitable transport network.

[0074] In some examples, a network node 110 may provide communication coverage for a particular geographic area. In the Third Generation Partnership Project (3GPP) , the term “cell” can refer to a coverage area of a network node 110 or a network node subsystem serving this coverage area, depending on the context in which the term is used. A network node 110 may provide communication coverage for a macro cell, a pico cell, a femto cell, or another type of cell. A macro cell may cover a relatively large geographic area (for example, several kilometers in radius) and may allow unrestricted access by UEs 120 with service subscriptions. A pico cell may cover a relatively small geographic area and may allow unrestricted access by UEs 120 with service subscription. A femto cell may cover a relatively small geographic area (for example, a home) and may allow restricted access by UEs 120 having association with the femto cell (for example, UEs 120 in a closed subscriber group (CSG) ) . A network node 110 for a macro cell may be referred to as a macro network node. A network node 110 for a pico cell may be referred to as a pico network node. A network node 110 for a femto cell may be referred to as a femto network node or an in-home network node. In the example shown in FIG. 1, the network node 110a may be a macro network node for a macro cell 102a, the network node 110b may be a pico network node for a pico cell 102b, and the network node 110c may be a femto network node for a femto cell 102c. A network node may support one or multiple (for example, three) cells. In some examples, a cell may not necessarily be stationary, and the  geographic area of the cell may move according to the location of a network node 110 that is mobile (for example, a mobile network node) .

[0075] In some aspects, the terms “base station” or “network node” may refer to an aggregated base station, a disaggregated base station, an integrated access and backhaul (IAB) node, a relay node, or one or more components thereof. For example, in some aspects, “base station” or “network node” may refer to a CU, a DU, an RU, a Near-Real Time (Near-RT) RAN Intelligent Controller (RIC) , or a Non-Real Time (Non-RT) RIC, or a combination thereof. In some aspects, the terms “base station” or “network node” may refer to one device configured to perform one or more functions, such as those described herein in connection with the network node 110. In some aspects, the terms “base station” or “network node” may refer to a plurality of devices configured to perform the one or more functions. For example, in some distributed systems, each of a quantity of different devices (which may be located in the same geographic location or in different geographic locations) may be configured to perform at least a portion of a function, or to duplicate performance of at least a portion of the function, and the terms “base station” or “network node” may refer to any one or more of those different devices. In some aspects, the terms “base station” or “network node” may refer to one or more virtual base stations or one or more virtual base station functions. For example, in some aspects, two or more base station functions may be instantiated on a single device. In some aspects, the terms “base station” or “network node” may refer to one of the base station functions and not another. In this way, a single device may include more than one base station.

[0076] The wireless network 100 may include one or more relay stations. A relay station is a network node that can receive a transmission of data from an upstream node (for example, a network node 110 or a UE 120) and send a transmission of the data to a downstream node (for example, a UE 120 or a network node 110) . A relay station may be a UE 120 that can relay transmissions for other UEs 120. In the example shown in FIG. 1, the network node 110d (for example, a relay network node) may communicate with the network node 110a (for example, a macro network node) and the UE 120d in order to facilitate communication between the network node 110a and the UE 120d. A network node 110 that relays communications may be referred to as a relay station, a relay base station, a relay network node, a relay node, or a relay, among other examples.

[0077] The wireless network 100 may be a heterogeneous network that includes network nodes 110 of different types, such as macro network nodes, pico network nodes, femto network nodes, or relay network nodes. These different types of network nodes 110 may have different transmit power levels, different coverage areas, or different impacts on interference in the wireless network 100. For example, macro network nodes may have a high transmit power level (for example, 5 to 40 watts) whereas pico network nodes, femto network nodes, and relay network nodes may have lower transmit power levels (for example, 0.1 to 2 watts) .

[0078] A network controller 130 may couple to or communicate with a set of network nodes 110 and may provide coordination and control for these network nodes 110. The network controller 130 may communicate with the network nodes 110 via a backhaul communication link or a midhaul communication link. The network nodes 110 may communicate with one another directly or indirectly via a wireless or wireline backhaul communication link. In some aspects, the network controller 130 may be a CU or a core network device, or may include a CU or a core network device.

[0079] The UEs 120 may be dispersed throughout the wireless network 100, and each UE 120 may be stationary or mobile. A UE 120 may include, for example, an access terminal, a terminal, a mobile station, or a subscriber unit. A UE 120 may be a cellular phone (for example, a smart phone) , a personal digital assistant (PDA) , a wireless modem, a wireless communication device, a handheld device, a laptop computer, a cordless phone, a wireless local loop (WLL) station, a tablet, a camera, a gaming device, a netbook, a smartbook, an ultrabook, a medical device, a biometric device, a wearable device (for example, a smart watch, smart clothing, smart glasses, a smart wristband, smart jewelry (for example, a smart ring or a smart bracelet) ) , an entertainment device (for example, a music device, a video device, or a satellite radio) , a vehicular component or sensor, a smart meter / sensor, industrial manufacturing equipment, a global positioning system device, a UE function of a network node, or any other suitable device that is configured to communicate via a wireless or wired medium.

[0080] Some UEs 120 may be considered machine-type communication (MTC) or evolved or enhanced machine-type communication (eMTC) UEs. An MTC UE or an eMTC UE may include, for example, a robot, an unmanned aerial vehicle, a remote device, a sensor, a meter,  a monitor, or a location tag, that may communicate with a network node, another device (for example, a remote device) , or some other entity. Some UEs 120 may be considered Internet-of-Things (IoT) devices, or may be implemented as NB-IoT (narrowband IoT) devices. Some UEs 120 may be considered a Customer Premises Equipment. A UE 120 may be included inside a housing that houses components of the UE 120, such as processor components or memory components. In some examples, the processor components and the memory components may be coupled together. For example, the processor components (for example, one or more processors) and the memory components (for example, a memory) may be operatively coupled, communicatively coupled, electronically coupled, or electrically coupled.

[0081] In general, any number of wireless networks 100 may be deployed in a given geographic area. Each wireless network 100 may support a particular RAT and may operate on one or more frequencies. A RAT may be referred to as a radio technology or an air interface. A frequency may be referred to as a carrier or a frequency channel. Each frequency may support a single RAT in a given geographic area in order to avoid interference between wireless networks of different RATs. In some cases, NR or 5G RAT networks may be deployed.

[0082] In some examples, two or more UEs 120 (for example, shown as UE 120a and UE 120e) may communicate directly using one or more sidelink channels (for example, without using a network node 110 as an intermediary to communicate with one another) . For example, the UEs 120 may communicate using peer-to-peer (P2P) communications, device-to-device (D2D) communications, a vehicle-to-everything (V2X) protocol (for example, which may include a vehicle-to-vehicle (V2V) protocol, a vehicle-to-infrastructure (V2I) protocol, or a vehicle-to-pedestrian (V2P) protocol) , or a mesh network. In such examples, a UE 120 may perform scheduling operations, resource selection operations, or other operations described elsewhere herein as being performed by the network node 110.

[0083] Devices of the wireless network 100 may communicate using the electromagnetic spectrum, which may be subdivided by frequency or wavelength into various classes, bands, or channels. For example, devices of the wireless network 100 may communicate using one or more operating bands. In 5G NR, two initial operating bands have been identified as frequency range designations FR1 (410 MHz –7.125 GHz) and FR2 (24.25 GHz –52.6 GHz) .  Although a portion of FR1 is greater than 6 GHz, FR1 is often referred to (interchangeably) as a “Sub-6 GHz” band in various documents and articles. A similar nomenclature issue sometimes occurs with regard to FR2, which is often referred to (interchangeably) as a “millimeter wave” band in documents and articles, despite being different from the extremely high frequency (EHF) band (30 GHz –300 GHz) which is identified by the International Telecommunications Union (ITU) as a “millimeter wave” band.

[0084] The frequencies between FR1 and FR2 are often referred to as mid-band frequencies. Recent 5G NR studies have identified an operating band for these mid-band frequencies as frequency range designation FR3 (7.125 GHz –24.25 GHz) . Frequency bands falling within FR3 may inherit FR1 characteristics or FR2 characteristics, and thus may effectively extend features of FR1 or FR2 into mid-band frequencies. In addition, higher frequency bands are currently being explored to extend 5G NR operation beyond 52.6 GHz. For example, three higher operating bands have been identified as frequency range designations FR4a or FR4-1 (52.6 GHz –71 GHz) , FR4 (52.6 GHz –114.25 GHz) , and FR5 (114.25 GHz –300 GHz) . Each of these higher frequency bands falls within the EHF band.

[0085] With these examples in mind, unless specifically stated otherwise, the term “sub-6 GHz, ” if used herein, may broadly represent frequencies that may be less than 6 GHz, may be within FR1, or may include mid-band frequencies. Further, unless specifically stated otherwise, the term “millimeter wave, ” if used herein, may broadly represent frequencies that may include mid-band frequencies, may be within FR2, FR4, FR4-a or FR4-1, or FR5, or may be within the EHF band. It is contemplated that the frequencies included in these operating bands (for example, FR1, FR2, FR3, FR4, FR4-a, FR4-1, or FR5) may be modified, and techniques described herein are applicable to those modified frequency ranges.

[0086] In some aspects, a UE 120 may include a communication manager 140. As described in more detail elsewhere herein, the communication manager 140 may transmit an indication of micro-Doppler measurements associated with a first AI / ML model; receive, in association with transmitting the indication of the micro-Doppler measurements, an indication of a second AI / ML model that is an update of the first AI / ML model; and transmit , in connection with using the second AI / ML model, an indication associated with object recognition. Additionally,  or alternatively, the communication manager 140 may perform one or more other operations described herein.

[0087] In some aspects, the network node 110 may include a communication manager 150. As described in more detail elsewhere herein, the communication manager 150 may receive an indication of micro-Doppler measurements associated with a first AI / ML model; and transmit, in association with transmitting the indication of the micro-Doppler measurements, an indication of a second AI / ML model that is an update of the first AI / ML model. Additionally, or alternatively, the communication manager 150 may perform one or more other operations described herein.

[0088] As indicated above, FIG. 1 is provided as an example. Other examples may differ from what is described with regard to FIG. 1.

[0089] FIG. 2 is a diagram illustrating an example 200 of a network node 110 in communication with a UE 120 in a wireless network 100. The network node 110 may be equipped with a set of antennas 234a through 234t, such as T antennas (T ≥ 1) . The UE 120 may be equipped with a set of antennas 252a through 252r, such as R antennas (R ≥ 1) . The network node 110 of example 200 includes one or more radio frequency components, such as antennas 234 and a modem 232. In some examples, a network node 110 may include an interface, a communication component, or another component that facilitates communication with the UE 120 or another network node. Some network nodes 110 may not include radio frequency components that facilitate direct communication with the UE 120, such as one or more CUs, or one or more DUs.

[0090] At the network node 110, a transmit processor 220 may receive data, from a data source 212, intended for the UE 120 (or a set of UEs 120) . The transmit processor 220 may select one or more modulation and coding schemes (MCSs) for the UE 120 using one or more channel quality indicators (CQIs) received from that UE 120. The network node 110 may process (for example, encode and modulate) the data for the UE 120 using the MCS (s) selected for the UE 120 and may provide data symbols for the UE 120. The transmit processor 220 may process system information (for example, for semi-static resource partitioning information (SRPI) ) and control information (for example, CQI requests, grants, or upper layer signaling)  and provide overhead symbols and control symbols. The transmit processor 220 may generate reference symbols for reference signals (for example, a cell-specific reference signal (CRS) or a demodulation reference signal (DMRS) ) and synchronization signals (for example, a primary synchronization signal (PSS) or a secondary synchronization signal (SSS) ) . A transmit (TX) multiple-input multiple-output (MIMO) processor 230 may perform spatial processing (for example, precoding) on the data symbols, the control symbols, the overhead symbols, or the reference symbols, if applicable, and may provide a set of output symbol streams (for example, T output symbol streams) to a corresponding set of modems 232 (for example, T modems) , shown as modems 232a through 232t. For example, each output symbol stream may be provided to a modulator component (shown as MOD) of a modem 232. Each modem 232 may use a respective modulator component to process a respective output symbol stream (for example, for OFDM) to obtain an output sample stream. Each modem 232 may further use a respective modulator component to process (for example, convert to analog, amplify, filter, or upconvert) the output sample stream to obtain a downlink signal. The modems 232a through 232t may transmit a set of downlink signals (for example, T downlink signals) via a corresponding set of antennas 234 (for example, T antennas) , shown as antennas 234a through 234t.

[0091] At the UE 120, a set of antennas 252 (shown as antennas 252a through 252r) may receive the downlink signals from the network node 110 or other network nodes 110 and may provide a set of received signals (for example, R received signals) to a set of modems 254 (for example, R modems) , shown as modems 254a through 254r. For example, each received signal may be provided to a demodulator component (shown as DEMOD) of a modem 254. Each modem 254 may use a respective demodulator component to condition (for example, filter, amplify, downconvert, or digitize) a received signal to obtain input samples. Each modem 254 may use a demodulator component to further process the input samples (for example, for OFDM) to obtain received symbols. A MIMO detector 256 may obtain received symbols from the modems 254, may perform MIMO detection on the received symbols if applicable, and may provide detected symbols. A receive processor 258 may process (for example, demodulate and decode) the detected symbols, may provide decoded data for the UE 120 to a data sink 260, and may provide decoded control information and system information to a controller / processor 280. The term “controller / processor” may refer to one or more controllers, one or more  processors, or a combination thereof. A channel processor may determine a reference signal received power (RSRP) parameter, a received signal strength indicator (RSSI) parameter, a reference signal received quality (RSRQ) parameter, or a CQI parameter, among other examples. In some examples, one or more components of the UE 120 may be included in a housing 284.

[0092] The network controller 130 may include a communication unit 294, a controller / processor 290, and a memory 292. The network controller 130 may include, for example, one or more devices in a core network. The network controller 130 may communicate with the network node 110 via the communication unit 294.

[0093] One or more antennas (for example, antennas 234a through 234t or antennas 252a through 252r) may include, or may be included within, one or more antenna panels, one or more antenna groups, one or more sets of antenna elements, or one or more antenna arrays, among other examples. An antenna panel, an antenna group, a set of antenna elements, or an antenna array may include one or more antenna elements (within a single housing or multiple housings) , a set of coplanar antenna elements, a set of non-coplanar antenna elements, or one or more antenna elements coupled to one or more transmission or reception components, such as one or more components of FIG. 2.

[0094] On the uplink, at the UE 120, a transmit processor 264 may receive and process data from a data source 262 and control information (for example, for reports that include RSRP, RSSI, RSRQ, or CQI) from the controller / processor 280. The transmit processor 264 may generate reference symbols for one or more reference signals. The symbols from the transmit processor 264 may be precoded by a TX MIMO processor 266 if applicable, further processed by the modems 254 (for example, for DFT-s-OFDM or CP-OFDM) , and transmitted to the network node 110. In some examples, the modem 254 of the UE 120 may include a modulator and a demodulator. In some examples, the UE 120 includes a transceiver. The transceiver may include any combination of the antenna (s) 252, the modem (s) 254, the MIMO detector 256, the receive processor 258, the transmit processor 264, or the TX MIMO processor 266. The transceiver may be used by a processor (for example, the controller / processor 280)  and the memory 282 to perform aspects of any of the processes described herein (e.g., with reference to Figs. 6A-10) .

[0095] At the network node 110, the uplink signals from UE 120 or other UEs may be received by the antennas 234, processed by the modem 232 (for example, a demodulator component, shown as DEMOD, of the modem 232) , detected by a MIMO detector 236 if applicable, and further processed by a receive processor 238 to obtain decoded data and control information sent by the UE 120. The receive processor 238 may provide the decoded data to a data sink 239 and provide the decoded control information to the controller / processor 240. The network node 110 may include a communication unit 244 and may communicate with the network controller 130 via the communication unit 244. The network node 110 may include a scheduler 246 to schedule one or more UEs 120 for downlink or uplink communications. In some examples, the modem 232 of the network node 110 may include a modulator and a demodulator. In some examples, the network node 110 includes a transceiver. The transceiver may include any combination of the antenna (s) 234, the modem (s) 232, the MIMO detector 236, the receive processor 238, the transmit processor 220, or the TX MIMO processor 230. The transceiver may be used by a processor (for example, the controller / processor 240) and the memory 242 to perform aspects of any of the processes described herein (e.g., with reference to Figs. 6A-10) .

[0096] In some aspects, the controller / processor 280 may be a component of a processing system. A processing system may generally be a system or a series of machines or components that receives inputs and processes the inputs to produce a set of outputs (which may be passed to other systems or components of, for example, the UE 120) . For example, a processing system of the UE 120 may be a system that includes the various other components or subcomponents of the UE 120.

[0097] The processing system of the UE 120 may interface with one or more other components of the UE 120, may process information received from one or more other components (such as inputs or signals) , or may output information to one or more other components. For example, a chip or modem of the UE 120 may include a processing system, a first interface to receive or obtain information, and a second interface to output, transmit, or  provide information. In some examples, the first interface may be an interface between the processing system of the chip or modem and a receiver, such that the UE 120 may receive information or signal inputs, and the information may be passed to the processing system. In some examples, the second interface may be an interface between the processing system of the chip or modem and a transmitter, such that the UE 120 may transmit information output from the chip or modem. A person having ordinary skill in the art will readily recognize that the second interface also may obtain or receive information or signal inputs, and the first interface also may output, transmit, or provide information.

[0098] In some aspects, the controller / processor 240 may be a component of a processing system. A processing system may generally be a system or a series of machines or components that receives inputs and processes the inputs to produce a set of outputs (which may be passed to other systems or components of, for example, the network node 110) . For example, a processing system of the network node 110 may be a system that includes the various other components or subcomponents of the network node 110.

[0099] The processing system of the network node 110 may interface with one or more other components of the network node 110, may process information received from one or more other components (such as inputs or signals) , or may output information to one or more other components. For example, a chip or modem of the network node 110 may include a processing system, a first interface to receive or obtain information, and a second interface to output, transmit, or provide information. In some examples, the first interface may be an interface between the processing system of the chip or modem and a receiver, such that the network node 110 may receive information or signal inputs, and the information may be passed to the processing system. In some examples, the second interface may be an interface between the processing system of the chip or modem and a transmitter, such that the network node 110 may transmit information output from the chip or modem. A person having ordinary skill in the art will readily recognize that the second interface also may obtain or receive information or signal inputs, and the first interface also may output, transmit, or provide information.

[0100] The controller / processor 240 of the network node 110, the controller / processor 280 of the UE 120, or any other component (s) of FIG. 2 may perform one or more techniques  associated with updating an AI / ML model for object recognition, as described in more detail elsewhere herein. For example, the controller / processor 240 of the network node 110, the controller / processor 280 of the UE 120, or any other component (s) (or combinations of components) of FIG. 2 may perform or direct operations of, for example, process 2000 of FIG. 20, process 2100 of FIG. 21, and / or other processes as described herein. The memory 242 and the memory 282 may store data and program codes for the network node 110 and the UE 120, respectively. In some examples, the memory 242 and the memory 282 may include a non-transitory computer-readable medium storing one or more instructions (for example, code or program code) for wireless communication. For example, the one or more instructions, when executed (for example, directly, or after compiling, converting, or interpreting) by one or more processors of the network node 110 or the UE 120, may cause the one or more processors, the UE 120, or the network node 110 to perform or direct operations of, for example, process 2000 of FIG. 20, process 2100 of FIG. 21, and / or other processes as described herein. In some examples, executing instructions may include running the instructions, converting the instructions, compiling the instructions, and / or interpreting the instructions, among other examples.

[0101] In some aspects, a wireless communication device, such as a UE 120 or a UAV UE 120, includes means for transmitting an indication of micro-Doppler measurements associated with a first AI / ML model; means for receiving, in association with transmitting the indication of the micro-Doppler measurements, an indication of a second AI / ML model that is an update of the first AI / ML model; and / or means for transmitting, in connection with using the second AI / ML model, an indication associated with object recognition. In some aspects, the means for the wireless communication device to perform operations described herein may include, for example, one or more of communication manager 140, antenna 252, modem 254, MIMO detector 256, receive processor 258, transmit processor 264, TX MIMO processor 266, controller / processor 280, or memory 282.

[0102] In some aspects, the network node 110 includes means for receiving an indication of micro-Doppler measurements associated with a first AI / ML model; and / or means for transmitting, in association with transmitting the indication of the micro-Doppler measurements, an indication of a second AI / ML model that is an update of the first AI / ML  model. The means for the network node 110 to perform operations described herein may include, for example, one or more of communication manager 150, transmit processor 220, TX MIMO processor 230, modem 232, antenna 234, MIMO detector 236, receive processor 238, controller / processor 240, memory 242, or scheduler 246.

[0103] While blocks in FIG. 2 are illustrated as distinct components, the functions described above with respect to the blocks may be implemented in a single hardware, software, or combination component or in various combinations of components. For example, the functions described with respect to the transmit processor 264, the receive processor 258, and / or the TX MIMO processor 266 may be performed by or under the control of the controller / processor 280.

[0104] In some aspects, an individual processor may perform all of the functions described as being performed by the one or more processors. In some aspects, one or more processors may collectively perform a set of functions. For example, a first set of (one or more) processors of the one or more processors may perform a first function described as being performed by the one or more processors, and a second set of (one or more) processors of the one or more processors may perform a second function described as being performed by the one or more processors. The first set of processors and the second set of processors may be the same set of processors or may be different sets of processors. Reference to “one or more processors” should be understood to refer to any one or more of the processors described in connection with FIG. 2. Reference to “one or more memories” should be understood to refer to any one or more memories of a corresponding device, such as the memory described in connection with FIG. 2. For example, functions described as being performed by one or more memories can be performed by the same subset of the one or more memories or different subsets of the one or more memories.

[0105] As indicated above, FIG. 2 is provided as an example. Other examples may differ from what is described with regard to FIG. 2.

[0106] Deployment of communication systems, such as 5G NR systems, may be arranged in multiple manners with various components or constituent parts. In a 5G NR system, or network, a network node, a network entity, a mobility element of a network, a RAN node, a  core network node, a network element, a base station, or a network equipment may be implemented in an aggregated or disaggregated architecture. For example, a base station (such as a Node B (NB) , an evolved NB (eNB) , an NR base station, a 5G NB, an access point (AP) , a TRP, or a cell, among other examples) , or one or more units (or one or more components) performing base station functionality, may be implemented as an aggregated base station (also known as a standalone base station or a monolithic base station) or a disaggregated base station. “Network entity” or “network node” may refer to a disaggregated base station, or to one or more units of a disaggregated base station (such as one or more CUs, one or more DUs, one or more RUs, or a combination thereof) .

[0107] An aggregated base station (e.g., an aggregated network node) may be configured to utilize a radio protocol stack that is physically or logically integrated within a single RAN node (for example, within a single device or unit) . A disaggregated base station (e.g., a disaggregated network node) may be configured to utilize a protocol stack that is physically or logically distributed among two or more units (such as one or more CUs, one or more DUs, or one or more RUs) . In some examples, a CU may be implemented within a network node, and one or more DUs may be co-located with the CU, or alternatively, may be geographically or virtually distributed throughout one or multiple other network nodes. The DUs may be implemented to communicate with one or more RUs. Each of the CU, DU, and RU also can be implemented as virtual units, such as a virtual central unit (VCU) , a virtual distributed unit (VDU) , or a virtual radio unit (VRU) , among other examples.

[0108] Base station-type operation or network design may consider aggregation characteristics of base station functionality. For example, disaggregated base stations may be utilized in an IAB network, an open radio access network (O-RAN (such as the network configuration sponsored by the O-RAN Alliance) ) , or a virtualized radio access network (vRAN, also known as a cloud radio access network (C-RAN) ) to facilitate scaling of communication systems by separating base station functionality into one or more units that can be individually deployed. A disaggregated base station may include functionality implemented across two or more units at various physical locations, as well as functionality implemented for at least one unit virtually, which can enable flexibility in network design. The various units of  the disaggregated base station can be configured for wired or wireless communication with at least one other unit of the disaggregated base station.

[0109] FIG. 3 is a diagram illustrating an example disaggregated base station architecture 300, in accordance with the present disclosure. The disaggregated base station architecture 300 may include a CU 310 that can communicate directly with a core network 320 via a backhaul link, or indirectly with the core network 320 through one or more disaggregated control units (such as a Near-RT RIC 325 via an E2 link, or a Non-RT RIC 315 associated with a Service Management and Orchestration (SMO) Framework 305, or both) . A CU 310 may communicate with one or more DUs 330 via respective midhaul links, such as through F1 interfaces. Each of the DUs 330 may communicate with one or more RUs 340 via respective fronthaul links. Each of the RUs 340 may communicate with one or more UEs 120 via respective radio frequency (RF) access links. In some implementations, a UE 120 may be simultaneously served by multiple RUs 340.

[0110] Each of the units, including the CUs 310, the DUs 330, the RUs 340, as well as the Near-RT RICs 325, the Non-RT RICs 315, and the SMO Framework 305, may include one or more interfaces or be coupled with one or more interfaces configured to receive or transmit signals, data, or information (collectively, signals) via a wired or wireless transmission medium. Each of the units, or an associated processor or controller providing instructions to one or multiple communication interfaces of the respective unit, can be configured to communicate with one or more of the other units via the transmission medium. In some examples, each of the units can include a wired interface, configured to receive or transmit signals over a wired transmission medium to one or more of the other units, and a wireless interface, which may include a receiver, a transmitter or transceiver (such as a RF transceiver) , configured to receive or transmit signals, or both, over a wireless transmission medium to one or more of the other units.

[0111] In some aspects, the CU 310 may host one or more higher layer control functions. Such control functions can include radio resource control (RRC) functions, packet data convergence protocol (PDCP) functions, or service data adaptation protocol (SDAP) functions, among other examples. Each control function can be implemented with an interface configured  to communicate signals with other control functions hosted by the CU 310. The CU 310 may be configured to handle user plane functionality (for example, Central Unit –User Plane (CU-UP) functionality) , control plane functionality (for example, Central Unit –Control Plane (CU-CP) functionality) , or a combination thereof. In some implementations, the CU 310 can be logically split into one or more CU-UP units and one or more CU-CP units. A CU-UP unit can communicate bidirectionally with a CU-CP unit via an interface, such as the E1 interface when implemented in an O-RAN configuration. The CU 310 can be implemented to communicate with a DU 330, as necessary, for network control and signaling.

[0112] Each DU 330 may correspond to a logical unit that includes one or more base station functions to control the operation of one or more RUs 340. In some aspects, the DU 330 may host one or more of a radio link control (RLC) layer, a medium access control (MAC) layer, and one or more high physical (PHY) layers depending, at least in part, on a functional split, such as a functional split defined by the 3GPP. In some aspects, the one or more high PHY layers may be implemented by one or more modules for forward error correction (FEC) encoding and decoding, scrambling, and modulation and demodulation, among other examples. In some aspects, the DU 330 may further host one or more low PHY layers, such as implemented by one or more modules for a fast Fourier transform (FFT) , an inverse FFT (iFFT) , digital beamforming, or physical random access channel (PRACH) extraction and filtering, among other examples. Each layer (which also may be referred to as a module) can be implemented with an interface configured to communicate signals with other layers (and modules) hosted by the DU 330, or with the control functions hosted by the CU 310.

[0113] Each RU 340 may implement lower-layer functionality. In some deployments, an RU 340, controlled by a DU 330, may correspond to a logical node that hosts RF processing functions or low-PHY layer functions, such as performing an FFT, performing an iFFT, digital beamforming, or PRACH extraction and filtering, among other examples, based on a functional split (for example, a functional split defined by the 3GPP) , such as a lower layer functional split. In such an architecture, each RU 340 can be operated to handle over the air (OTA) communication with one or more UEs 120. In some implementations, real-time and non-real-time aspects of control and user plane communication with the RU (s) 340 can be controlled by the corresponding DU 330. In some scenarios, this configuration can enable each DU 330 and  the CU 310 to be implemented in a cloud-based RAN architecture, such as a vRAN architecture.

[0114] The SMO Framework 305 may be configured to support RAN deployment and provisioning of non-virtualized and virtualized network elements. For non-virtualized network elements, the SMO Framework 305 may be configured to support the deployment of dedicated physical resources for RAN coverage requirements, which may be managed via an operations and maintenance interface (such as an O1 interface) . For virtualized network elements, the SMO Framework 305 may be configured to interact with a cloud computing platform (such as an open cloud (O-Cloud) platform 390) to perform network element life cycle management (such as to instantiate virtualized network elements) via a cloud computing platform interface (such as an O2 interface) . Such virtualized network elements can include, but are not limited to, CUs 310, DUs 330, RUs 340, non-RT RICs 315, and Near-RT RICs 325. In some implementations, the SMO Framework 305 can communicate with a hardware aspect of a 4G RAN, such as an open eNB (O-eNB) 311, via an O1 interface. Additionally, in some implementations, the SMO Framework 305 can communicate directly with each of one or more RUs 340 via a respective O1 interface. The SMO Framework 305 also may include a Non-RT RIC 315 configured to support functionality of the SMO Framework 305.

[0115] The Non-RT RIC 315 may be configured to include a logical function that enables non-real-time control and optimization of RAN elements and resources, AI / ML workflows including model training and updates, or policy-based guidance of applications / features in the Near-RT RIC 325. The Non-RT RIC 315 may be coupled to or communicate with (such as via an A1 interface) the Near-RT RIC 325. The Near-RT RIC 325 may be configured to include a logical function that enables near-real-time control and optimization of RAN elements and resources via data collection and actions over an interface (such as via an E2 interface) connecting one or more CUs 310, one or more DUs 330, or both, as well as an O-eNB, with the Near-RT RIC 325.

[0116] In some implementations, to generate AI / ML models to be deployed in the Near-RT RIC 325, the Non-RT RIC 315 may receive parameters or external enrichment information from external servers. Such information may be utilized by the Near-RT RIC 325 and may be  received at the SMO Framework 305 or the Non-RT RIC 315 from non-network data sources or from network functions. In some examples, the Non-RT RIC 315 or the Near-RT RIC 325 may be configured to tune RAN behavior or performance. For example, the Non-RT RIC 315 may monitor long-term trends and patterns for performance and employ AI / ML models to perform corrective actions through the SMO Framework 305 (such as reconfiguration via an O1 interface) or via creation of RAN management policies (such as A1 interface policies) .

[0117] As indicated above, FIG. 3 is provided as an example. Other examples may differ from what is described with regard to FIG. 3.

[0118] FIG. 4 is a diagram illustrating an example of UAV UEs 120 within a wireless communication network environment 400, in accordance with the present disclosure. As shown in FIG. 4, the environment 400 can include one or more UEs 120, which may include one or more UAVs 120-1 and one or more UAV controllers (UAV-Cs) 120-2, a RAN 405, a core network 420, a UAV service supplier (USS) device 415, and a ground control system (GCS) 410. Devices of environment 400 can interconnect via wired connections, wireless connections, or a combination of wired and wireless connections.

[0119] The UAV 120-1 (also referred to herein as a UAV UE 120-1) may include an aircraft without a human pilot aboard and can also be referred to as an unmanned aircraft (UA) , a UAV, a remotely piloted vehicle (RPV) , a remotely piloted aircraft (RPA) , a remotely operated aircraft (ROA) , or an uncrewed aerial vehicle. The UAV 120-1 may have a variety of shapes, sizes, configurations, characteristics, or the like for a variety of purposes and applications. In some examples, the UAV 120-1 may include one or more sensors, such as an electromagnetic spectrum sensor (e.g., a visual spectrum, infrared, or near infrared camera, a radar system, or the like) , a biological sensor, a temperature sensor, and / or a chemical sensor, among other examples. In some examples, the UAV 120-1 may include one or more components for communicating with one or more network nodes 110. Additionally, or alternatively, the UAV 120-1 may transmit information to and / or receive information from the GCS 410, such as sensor data, flight plan information, or the like. Such information can be communicated directly (e.g., via an RRC signal and / or the like) and / or via the network node (s) 110 on the RAN 405. The UAV 120-1 may be a component of an unmanned aircraft system  (UAS) . The UAS may include the UAV 120-1, a UAV-C 120-2 (also referred to herein as a UAV-C UE 120-2) , and a system of communication (such as wireless communication network environment 400 or another system of communication) between the UAV 120-1 and the UAV-C 120-2.

[0120] The RAN 405 may include one or more network nodes 110 that provide access for the UAV UEs 120 to the core network 420. For example, the RAN 405 may include one or more aggregated network nodes and / or one or more disaggregated network nodes (e.g., including one or more CUs, one or more DUs, and / or one or more RUs) . The UAV 120-1 may communicate with the network nodes 110 via the Uu interface. For example, the UAV 120-1 may transmit communications to a network node 110 and / or receive communications from the network node 110 via the Uu interface. Such Uu connectivity may be used to support different applications for the UAV 120-1, such as video transmission from the UAV 120-1 or C2 communications for remote command and control of the UAV 120-1, among other examples.

[0121] The GCS 410 may include one or more devices capable of managing the UAV 120-1 and / or flight plans for the UAV 120-1. For example, the GCS 410 may include a server device, a desktop computer, a laptop computer, or a similar device. In some examples, the GCS 410 may communicate with one or more devices of the environment 400 (e.g., the UAV 120-1, the USS device 415, and / or the like) to receive information regarding flight plans for the UAV UEs 120-1 and / or to provide recommendations associated with such flight plans, as described elsewhere herein. In some examples, the GCS 410 may permit a user to control one or more of the UAVs 120-1 (e.g., via the UAV-C 120-2) . Additionally, or alternatively, the GCS 410 can use a neural network and / or other artificial intelligence (AI) to control one or more of the UAVs 120-1. In some examples, the GCS 410 may be included in a data center, a cloud computing environment, a server farm, or the like, which may include multiple GCSs 410. While shown as being external from the core network 420 in FIG. 4, in some aspects, the GCS 410 may reside at least partially within the core network 420.

[0122] The USS device 415 includes one or more devices capable of receiving, storing, processing, and / or providing information associated with the UAV UEs 120 and / or the GCS 410. For example, the USS device 415 can include an application server, a desktop computer,  a laptop computer, a tablet computer, a mobile phone, or a similar device. In some examples, the UAVs 120-1 can interact with the USS device 415 to register a flight plan, receive approval, analysis, and / or recommendations related to a flight plan, or the like. The USS device 415 may register the UAV UE 120 with the USS device 415 by assigning an application-level UAV identifier to the UAV UE 120. The application-level UAV identifier may be an aviation administration (e.g., a regulatory body that governs aviation operation in a jurisdiction in which the USS device 415 and the UAV UE 120 are operating) UAV identifier.

[0123] The core network 420 includes a network that enables communications between the RAN 405 (e.g., the network node (s) 110) and one or more devices and / or networks connected to the core network 420. For example, the core network 420 may be a 5G core network. The core network 420 may include one or more core network devices 425, such as one or more access and mobility management functions (AMFs) (herein after referred to as an “AMF” ) 430, one or more network exposure functions (NEFs) (herein after referred to as an “NEF” ) 435, one or more session management functions (SMFs) (herein after referred to as an “SMF” ) 440, one or more policy control functions (PCFs) (herein after referred to as a “PCF” ) 445, and / or other entities and / or functions that provide mobility functions for the UAV UEs 120 and enable the UAV UEs 120 to communicate with other devices of the environment 400.

[0124] The AMF 430 may include one or more network devices, such as one or more server devices, capable of managing authentication, activation, deactivation, and / or mobility functions associated with the UAV UE 120 connected to the core network 420. In some examples, the AMF 430 may perform operations relating to authentication of the UAV 120-1. The AMF 430 may maintain a non-access stratum (NAS) signaling connection with the UAV 120-1.

[0125] The NEF 435 may include one or more network exposure devices, such as one or more server devices, capable of exposing capabilities, events, information, or the like in one or more wireless networks to help other devices in the one or more wireless networks discover network services and / or utilize network resources efficiently. In some examples, the NEF 435 may receive traffic from and / or send traffic to the UAV 120-1 via the AMF 430 and the network node 110, and the NEF 435 may receive traffic from and / or send traffic to the USS device 415  via a UAS network function (UAS-NF) 460. In some examples, the NEF 435 may obtain a data structure, such as approval of a flight plan for the UAV 120-1, from the USS device 415 and divide the data structure into a plurality of data segments. In some examples, the NEF 435 may determine a location and / or reachability of the UAV 120-1 and / or a communication capability of the network node 110 to determine how to send the plurality of data segments to the UAV 120-1.

[0126] The SMF 440 may include one or more network devices, such as one or more server devices, capable of managing sessions for the RAN 405 and allocating addresses, such as Internet protocol (IP) addresses, to the UAVs 120-1. In some examples, the SMF 440 may perform operations relating to registration of the UAV 120-1. For example, the AMF 430 may receive a registration request from the UAV 120-1 and forward a request to the SMF 440 to create a corresponding packet data unit (PDU) session. The SMF 440 may allocate an address to the UAV 120-1 and establish the PDU session for the AMF 430.

[0127] The PCF 445 may include one or more network devices, such as one or more server devices, capable of managing traffic to and from the UAV UEs 120 through the RAN 405 and enforcing a QoS on the RAN 405. In some examples, the PCF 445 may implement charging rules and flow control rules, manage traffic priority, and / or manage a QoS for the UAVs 120-1.

[0128] The USS device 415 may communicate with the core network 420 using the UAS-NF 460. The UAS-NF 460 may be a service-based interface to enable the USS device 415 to provide information to the core network 420. For example, the USS device 415 may provide, via the UAS-NF 460, registration information associated with a registration between the UAV 120-1 and the USS device 415. The UAS-NF 460 may include a device, such as a server device, that is external to the core network 420, or the UAS-NF 460 may reside, at least partially, on a core network device 425 within the core network 420. In some aspects, the UAS-NF 460 may be co-located with the NEF 435. In some aspects, or more of the core network device (s) 425 and / or the UAS-NF 460 may correspond to network controller 130, as described above in connection with FIG. 1.

[0129] The UAV-C 120-2 may remotely control the UAV 120-2 by transmitting C2 communications to the UAV 120-1 and / or receiving C2 communications from the UAV 120-1. In some examples, the UAV-C 120-2 and the UAV 120-1 may use the Uu interface for the C2 communications. For example, the UAV-C 120-2 may transmit C2 communications to UAV 120-1 (and receive C2 communications from the UAV 120-1) via the network node 110. In some examples, the UAV-C 120-2 and the UAV 120-1 may use a non-cellular communication system (e.g., non-3GPP connectivity) , such as wireless fidelity (Wi-Fi) , for the C2 communications. Currently, NR, in the specification promulgated by 3GPP, does not support transmission of C2 communications via the PC5 interface. However, in some cases, the UAV-C 120-2 may be capable of communicating via the PC5 interface, but may not have Uu capability. Furthermore, because PC5 can cover a longer distance than Wi-Fi, transmission of C2 communications via PC5 unicast communications may result in an increased range of the C2 communications, as compared with Wi-Fi. In addition, transmission of C2 communications via PC5 unicast communications (e.g., via a PC5 direct link between the UAV 120-1 and the UAV-C 120-2) may result in decreased latency, as compared with C2 communications transmitted via the network node 110 using the Uu interface.

[0130] As indicated above, FIG. 4 is provided as an example. Other examples may differ from what is described with respect to FIG. 4.

[0131] FIG. 5 is a diagram illustrating an example architecture 500 of a functional framework for radio access network (RAN) intelligence enabled by data collection, in accordance with the present disclosure. In some scenarios, the functional framework for RAN intelligence may be enabled by further enhancement of data collection through use cases and / or examples. For example, principles or algorithms for RAN intelligence enabled by AI / ML and the associated functional framework (e.g., the AI functionality and / or the input / output of the component for AI enabled optimization) have been utilized or studied to identify the benefits of AI enabled RAN through possible use cases (e.g., beam management, energy saving, load balancing, mobility management, and / or coverage optimization, among other examples) . In one example, as shown by the architecture 500, a functional framework for RAN intelligence may include multiple logical entities, such as a model training host 502, a model inference host 504, data sources 506, and an actor 508.

[0132] The model inference host 504 may be configured to run an AI / ML model based on inference data provided by the data sources 506, and the model inference host 504 may produce an output (e.g., a prediction) with the inference data input to the actor 508. The actor 508 may be an element or an entity of a core network or a RAN. For example, the actor 508 may be a UE, a network node, base station (e.g., a gNB) , a CU, a DU, and / or an RU, among other examples. In addition, the actor 508 may also depend on the type of tasks performed by the model inference host 504, type of inference data provided to the model inference host 504, and / or type of output produced by the model inference host 504. For example, if the output from the model inference host 504 is associated with position determination, the actor 508 may be a UE, a DU or an RU. In some examples, the model inference host 504 may be hosted on the actor 508. For example, a UE may be the actor 508 and may host the model inference host 504. In some aspects, a UE (e.g., the actor 508) may be a data source 506. For example, the UE may perform a measurement (e.g., an NR measurement) , may input the measurement to the AI / ML model at the model inference host 504 (or may provide the measurement to the model inference host 504) , and may act based on an output of the AI / ML model (e.g., an object recognition) .

[0133] After the actor 508 receives an output from the model inference host 504, the actor 508 may determine whether to act based on the output. For example, if the actor 508 is a UE and the output from the model inference host 504 is associated with position information, the actor 508 may determine whether to report the position information, reconfigure a beam, among other examples. If the actor 508 determines to act based on the output, in some examples, the actor 508 may indicate the action to at least one subject of action 510.

[0134] The data sources 506 may also be configured for collecting data that is used as training data for training an ML model or as inference data for feeding an ML model inference operation. For example, the data sources 506 may collect data from one or more core network and / or RAN entities, which may include the actor 508 or the subject of action 510, and provide the collected data to the model training host 502 for ML model training. In some aspects, the model training host 502 may be co-located with the model inference host 504 and / or the actor 508. For example, the actor 508 or the subject of action 510 may provide performance feedback associated with the beam configuration to the data sources 506, where the performance  feedback may be used by the model training host 502 for monitoring or evaluating the ML model performance, such as whether the output (e.g., prediction) provided to the actor 508 is accurate. In some examples, the model training host 502 may monitor or evaluate ML model performance using a training position value, which may be provided by a node (e.g., a UE 120 or a network node 110) , as described elsewhere herein. In some examples, if the output provided by the actor 508 is inaccurate (or the accuracy is below an accuracy threshold) , then the model training host 502 may determine to modify or retrain the ML model used by the model inference host, such as via an ML model deployment / update.

[0135] As indicated above, FIG. 5 is provided as an example. Other examples may differ from what is described with regard to FIG. 5.

[0136] FIG. 6 is a diagram showing an example of a waveform 600 that may be employed by the systems and techniques described herein for RF sensing of an object. In this figure, the waveform 600 includes a plurality of communications instances (communications signals) 610a, 610b and a plurality of radar reference signals (RSs) 620a, 620b, where the communications instances 610a, 610b and radar RSs 620a, 620b are alternating with one another. Each communication instance 610a, 610b includes a communications symbol (e.g., one OFDM symbol) , which is formed by a plurality of bits.

[0137] Each radar RS 620a, 620b includes an RF sensing signal for RF sensing (e.g., monostatic sensing or bistatic sensing for obtaining a micro-Doppler spectrum) . The length (duration) of a single radar RS is Tradar_RS, and the period of the radar RS transmission is Tsensing. It should be noted that this waveform 600 is compatible with a receiver performing a full-duplex operation.

[0138] As noted above, Doppler measures the frequency variation in a signal (which is caused by a difference in speed between a source and a receiver) . Doppler may be indicative of motion. For mobile objects, their micro-movements (e.g., rotation of rotors of a drone, swaying of arms of a pedestrian, and rotation of wheels of a vehicle) may result in micro-Doppler shifts in the echo (reflection) of a sensing signal (e.g., a sensing RS) , in addition to Doppler shifts caused by their general body motion. Micro-Doppler may be utilized to differentiate different kinds (e.g., categories) of moving objects (e.g., drones, birds, people, and  vehicles) , as the different kinds of moving objects have different modes of micro-motions (e.g., rotor rotation of drones, wing flapping of birds, arm swaying of pedestrians, and wheel rotation of vehicles) . For the same kind (e.g., category) of objects (e.g., drones) , the type of object (e.g., helicopter, quadcopter, and octocopter, which are different types of drones with different numbers, size, and / or velocity of rotors) may also have an impact on the micro-Doppler features within the micro-Doppler spectrum. Individual objects of the same type (e.g., both objects are quadcopter drones) may also be distinguished from each other by their different micro-Doppler signatures.

[0139] FIGS. 7A and 7B show different classification tasks for classifying aerial objects. In particular, FIG. 7A is a diagram showing examples of different first level classifications of aerial objects. In FIG. 7A, different first level (e.g., Level 1) classifications for classifying a kind (e.g., a category) of low-altitude flying object are shown. These different first level (e.g., Level 1) classifications are shown to include classifications of aircraft (e.g., which may include a glider aircraft 710) , for drones 720 (e.g., which may include quadcopter 720a and a hexacopter 740b types of drones) , and for birds (e.g., which may include a pigeon 730a, a seagull 730b, and a hawk 730c types of birds) .

[0140] FIG. 7B is a diagram showing examples of different second level classifications of aerial objects. Different second level (e.g., Level 2) classification attributes may be used for classifying a type (e.g., a subcategory) of UAV (e.g., a drone) . These different first level (e.g., Level 1) classification attributes may include, but not limited to, a UAV size (e.g., a large, medium, or small size) , a UAV attitude angle (e.g., front, side, or back) , a UAV rotor number (e.g., one, three, four, six, or eight rotors) , and / or whether or not a UAV is camera equipped (e.g., aerial photography is authorized) . In FIG. 7B, the second level (e.g., Level 1) classification attribute of the UAV rotor number (e.g., a quadcopter 740a with four rotors, a hexacopter 740b with six rotors, and an octocopter 740c with eight rotors) is shown.

[0141] In one or more aspects, during operation of measuring a micro-Doppler spectrum, a network device (e.g., a radar receiver, such as in the form of a UE) can receive a reflected sensing signal, which has reflected off of a target object. The network device (e.g., UE) can measure the reflected sensing signal to obtain a time domain sequence. The network device (e.g., UE) can use a sliding window in the time domain sequence to calculate the fast Fourier  transform (FFT) of the window to obtain the micro-Doppler spectrum 830.

[0142] FIG. 8 is a diagram 800 illustrating an example of using a sliding window 810 in a time domain sequence to obtain a micro-Doppler spectrum 830. As shown in FIG. 8, the micro-Doppler spectrum 830 is measured using the sliding window 810. In FIG. 8, the sliding window 810 is moved (e.g., slid) across time to different positions (e.g., a first position 820a, a second position 820b, and a third position 820c) in time. When the sliding window 810 is moved to each position in time, an FFT is calculated for the sliding window to obtain an FFT sequence 840a, 840b, 840c. For example, when the sliding window 810 is moved to the first position 820a, an FFT is calculated for the sliding window 810 to obtain the FFT sequence 840a. The FFT sequences 840a, 840b, 840c together make up the micro-Doppler spectrum 830, which is shown in FIG. 8 as a graph with an x-axis denoting time and a y-axis denoting frequency.

[0143] Conventional Doppler shift can only show the velocity of an object’s body. When moving objects are detected, the identity (e.g., kind or category) of an object cannot be recognized by its velocity alone, because many different kinds of moving objects have overlapping velocity ranges. However, the micro-Doppler spectrum can be used to identify the kind (e.g., category) of the detected object. The use of the sliding window 810 can allow for obtaining the micro-Doppler spectrum 830 of a detected object.

[0144] FIG. 9 shows examples 900 of micro-Doppler spectrums 920a, 920b associated with different target objects (e.g., a quadcopter UAV 910a and a bird 910b) measured using radar. In FIG. 9, the micro-Doppler spectrum 920a of a quadcopter UAV 910a, and the micro-Doppler spectrum 920b of a bird 910b are shown. The micro-Doppler spectrums 920a, 920b are both shown in graphs with an x-axis denoting time in milliseconds (ms) and a y-axis denoting velocity in meters per second (m / s) . Each of the micro-Doppler spectrums 920a, 920b is shown to have a pattern (e.g., a signature) , which has a period. The period of a pattern of a micro-Doppler spectrum, the shape of the pattern of the micro-Doppler spectrum, and the maximum micro-Doppler shift can be used to estimate the micro-motion of an object. The estimated micro-motion of the object can be used to identify the detected object (e.g., identify the kind or category of the object) .

[0145] FIGS. 10A and 10B are diagrams illustrating examples 1000 of micro-Doppler spectrums 1030a, 1030b associated with different target objects (e.g., a UAV 1010a and a bird 1010b) derived from simulated motion models 1020a, 1020b of the target objects. In FIG. 10A, motion models 1020a, 1020b were simulated for two different kinds of target objects (e.g., a UAV 1010a and a bird 1010b) . For the motion model 1020a for the UAV 1010a, the UAV 1010a is represented by nine points. One point represents the main central body of the UAV 1010a. The remaining eight points each represent a tip of one of the eight blades on the two rotors of the UAV 1010a (e.g., where each rotor of the two rotors has a total of four blades) . From the motion models 1020a, 1020b, micro-Doppler spectrums 1030a, 1030b are obtained. Each of the micro-Doppler spectrums 1030a, 1030b is shown in FIG. 10B to have a pattern (e.g., a signature) , which can be used to identify the object (e.g., identify the kind or category of the object) .

[0146] In one or more examples, also during operation of measuring a micro-Doppler spectrum, a measured micro-Doppler spectrum (e.g., the micro-Doppler spectrum 830 of FIG. 8) from a reflected sensing signal (e.g., reflected off of a target object) may be transmitted within a report from a radar receiver (e.g., a first network device, such as a UE) to a base station (e.g., a second network device) for analysis to identify the kind (e.g., category) and optionally the type of the object.

[0147] Various different application scenarios may be employed for sensing objects to measure micro-Doppler spectrums. FIG. 11 shows an example of an application scenario 1100 for cellular based network sensing. In FIG. 11, the application scenario 1100 is directed to sensing assisted by the use of one network device (e.g., a UE) .

[0148] For the application scenario 1100, a first network device 1130 (e.g., operating as a radar receiver in the form of a UE) , a second network device 1120 (e.g., operating as a radar transmitter in the form of a base station, such as a gNB) , and a target object 1140 (e.g., in the form of a drone) are shown. During operation of the application scenario 1100, the second network device 1120 (e.g., gNB) may send a sensing signal (e.g., a sensing RS) to the object 1140. The sensing signal can reflect off of the object 1140 to produce a reflection sensing signal. The first network device 1130 (e.g., UE) may receive the reflected sensing signal, and measure the reflected sensing signal to obtain a micro-Doppler spectrum 1150 for the object  1140. The first network device 1130 (e.g., UE) may transmit a report (e.g., a sensing measurement report) including the micro-Doppler spectrum 1150 to the second network device 1120 (e.g., gNB) for the second network device 1120 to identify the object 1140 (e.g., drone) based on the micro-Doppler spectrum 1150.

[0149] As mentioned in the application scenario 1100, a network device (e.g., in the form of a UE) may transmit to another network device (e.g., in the form of a gNB) a report including the measured micro-Doppler spectrum of the reflected sensing signal. However, the measured micro-Doppler spectrum typically contains a very large amount of data and, as such, the transmission of the report requires a large amount of signaling resources.

[0150] FIG. 12 shows an example procedure 1200 for measuring and reporting a micro-Doppler spectrum and / or features of an object. FIG. 12 shows a system 1230 including a network device 1280 (e.g., operating as a radar transmitter in the form of a base station, such as a gNB) , another network device 1290 (e.g., operating as a radar receiver in the form of a UE) , an object 1295a (e.g., in the form of a drone) , and another object 1295b (e.g., in the form of a bird) . In one or more examples, the system 1230 of FIG. 12 may include more or less number of network devices and / or objects than as shown in FIG. 12. In some examples, the system 1230 of FIG. 12 may include different types of network devices (e.g., vehicles) and / or objects (e.g., pedestrians or vehicles) , than as shown in FIG. 12.

[0151] During operation of the procedure 1200 of FIG. 12, the network device 1280 (e.g., operating as a radar transmitter in the form of a base station, such as a gNB) may send configuration requirements to the network device 1290 (e.g., operating as a radar receiver in the form of a UE) . The configuration requirements may include a required micro-Doppler features configuration 1210 (e.g., an expected micro-Doppler configuration for a sensing report 1270) and / or may include a sensing resource allocation 1220 (e.g., an associated sensing resource allocation) for the sensing signal (e.g., sensing RS) . The network device 1290 (e.g., UE) may receive the configuration requirements from the network device 1280 (e.g., gNB) .

[0152] The network device 1280 (e.g., gNB) may transmit a sensing signal (e.g., a sensing RS) to one of the objects 1295a, 1295b. The sensing signal can reflect off of one of the objects 1295a, 1295b to produce a reflection sensing signal. The network device 1290 (e.g., UE) may  receive the reflected sensing signal 1240, and measure the reflected sensing signal to obtain a micro-Doppler spectrum 1250 for the detected object 1295a, 1295b. The network device 1290 (e.g., UE) may extract micro-Doppler features 1260 from the measured micro-Doppler spectrum 1250, based on the configuration requirements. The network device 1290 (e.g., UE) may transmit a report (e.g., a sensing report 1270) including the micro-Doppler spectrum 1250 and / or the extracted micro-Doppler features 1260 to the network device 1280 (e.g., gNB) , for the network device 1280 (e.g., gNB) to identify the detected object 1295a, 1295b based on the micro-Doppler spectrum 1250 and / or micro-Doppler features 1260. In one or more examples, the report (e.g., sensing report 1270) may include a local identification result (e.g., an identification by the network device 1290 of the kind or category of the object, based on the micro-Doppler spectrum 1250 and / or the extracted micro-Doppler features 1260) and a confidence level (e.g., represented in a percentage (%) ) for the identification of the object (e.g., a first object 1295a is a UAV with a 90%confidence level, and a second object 1295b is a bird with a 50%confidence level) . In some examples, the report (e.g., sensing report 1270) may also include an estimated velocity and / or size of the object.

[0153] In one or more aspects, the configuration requirements may include a definition of the micro-Doppler features for the report (e.g., the sensing report 1270) . In one or more examples, the definition of the micro-Doppler features for the report may include, but is not limited to, a number of micro-Doppler paths (e.g., a number of moving entities of the object, such as blades, rotors, or wings) , a maximum frequency shift for each of the micro-Doppler paths, a minimum frequency shift for each of the micro-Doppler paths, a period for each of the micro-Doppler paths, a phase (or state) of each of the micro-Doppler paths, a phase difference (or state difference) for each of the micro-Doppler paths, a maximum power for each of the micro-Doppler paths, a mean power for each of the micro-Doppler paths, a minimum power for each of the micro-Doppler paths, and / or a motion pattern for each of the micro-Doppler paths. For instance, one micro-Doppler path can be associated with one moving entity of an object (e.g., a propeller of a flying object such as a UAE or drone, a wing of a bird, etc. ) or with a moving object as a whole. In one or more examples, the motion pattern for each of the Doppler paths may include a rotation motion pattern associated with a sinewave, a swing motion pattern associated with part of a sinewave, and / or a shaking motion pattern associated with a triangular wave.

[0154] FIG. 13 shows examples 1300 of micro-Doppler spectrums 1350a, 1350b associated with different types of unmanned aerial vehicle (UAV) objects (e.g., an object 1310 shown as a UAV with one rotor 1320 including a total of two blades 1330a, 1330b, and a quadcopter UAV with four rotors) measured using radar. In FIG. 13, a system including a network device 1340 (e.g., in the form of a base station, such as a gNB) and an object 1310 is shown. The object 1310 in FIG. 13 is shown to be in the form of a UAV, which includes a rotor 1320 with two blades (e.g., blade 1 1330a and blade 2 1330b) . The micro-Doppler spectrum 1350a is a measured micro-Doppler spectrum for the object 1310 (e.g., a UAV) . In the micro-Doppler spectrum 1350a, the motion of each of the blades (e.g., blade 1 1330a and blade 2 1330b) is shown as a sinusoid wave in the micro-Doppler pattern of the micro-Doppler spectrum 1350a. The movement of the body of the object 1310 is shown as a middle horizontal line (e.g., the conventional Doppler shift) in the micro-Doppler spectrum 1350a.

[0155] In FIG. 13, the micro-Doppler spectrum 1350b is a measured micro-Doppler spectrum for a quadcopter UAV with four rotors. In the micro-Doppler spectrum 1350b, the motion of each of the four rotors is shown in the micro-Doppler pattern of the micro-Doppler spectrum 1350b. Each of the rotors produces a micro-Doppler path in the micro-Doppler spectrum 1350b. The movement of the body of the quadcopter UAV is shown as a middle horizontal line (e.g., the conventional Doppler shift) in the micro-Doppler spectrum 1350b.

[0156] In one or more examples, individual objects of the same type (e.g., both objects are quadcopter drones, each with four rotors) can be distinguished from each other by their different micro-Doppler signatures. FIG. 14 shows an example of different UAVs being distinguished from each other by their different micro-Doppler signatures. In particular, FIG. 14 is a diagram illustrating examples 1400 of micro-Doppler spectrums associated with different individual UAV objects (e.g., UAV 1 and UAV 2) derived from simulated motion models of the target objects (e.g., the UAVs) . In FIG. 14, two micro-Doppler spectrums (e.g., a direct micro-Doppler spectrum 1410a of UAV 1, and an indirect micro-Doppler spectrum 1410b of UAV 1) obtained from the same UAV (e.g., UAV 1) are shown. FIG. 14 also shows a direct micro-Doppler spectrum 1420 obtained from a different UAV (e.g., UAV 2) . The direct micro-Doppler spectrum 1420 of UAV 2 shows a more uniform phase distribution of the four rotors of UAV 2 than the direct micro-Doppler spectrum 1410a and indirect micro-Doppler  spectrum 1410b of UAV 1. The different phase distribution of the four rotors of the UAVs for the micro-Doppler spectrums of the two UAVs can be used to distinguish UAV 1 from UAV 2.

[0157] As previously mentioned, AI-based micro-Doppler analysis (e.g., utilizing AI models) has been utilized to classify the kind (e.g., category, such as a drone) and the type (e.g., subcategory, such as a quadcopter) of an object. Performance of the AI may be improved by enlarging the AI model size, which can lead to an increase in power consumption and running time. Network devices (e.g. UEs) typically have limitations in their storage size, power, and running time for sensing tasks and, as such, the AI models stored onto these network devices for sensing generally have a maximum size limitation. Given an AI model size, the AI classification performance can decline with more difficult classification tasks (e.g., tasks involving a large number of categories to classify) .

[0158] For UAV (e.g., drone) sensing, the inter-propeller angle offset of a UAV (e.g., a drone) may be defined as an individual object micro-Doppler signature. For example, quadcopters have three inter-propeller angle offsets (e.g., where one propeller of the four propellers of a quadcopter is used as a reference) , and there may be many different signatures. Quantization may be used to reduce the total signature number. For example, each inter-propeller angle offset may be quantized by K number of bits (e.g., a quadcopter may have 3*K number of bits for its signature in total, as a quadcopter has three inter-propeller angle offsets) . For example, when K number of bits is equal to two, the total signature number will be equal to 10 (e.g., calculated by an algorithm) and, thus, there will be a total of 10 categories to classify. For another example, when K number of bits is equal to three, the total signature number will be equal to 43 (e.g., calculated by an algorithm) and, thus, there will be a total of 43 categories to classify. Given an AI model size, the AI classification performance with more bits used for UAV signature quantization (e.g., having more categories) can be worse than using a lower number of bits for UAV signature quantization (e.g., having less categories) , as shown in the graphs 1510, 1520 of FIG. 15. Therefore, there can be a tradeoff between the classification resolution and the classification accuracy. However, the more quantization bits used for an object signature (e.g., having more categories) , the higher the resolution to be able to distinguish between two object signatures (e.g., to distinguish between two different  objects) .

[0159] FIG. 15 is a diagram including graphs 1510, 1520 illustrating examples 1500 of classification accuracies using object signatures quantized with different numbers of bits. In FIG. 15, simulations were run using a given size of an AI model. For each of the graphs 1510, 1520 of FIG. 15, the x-axis represents the iteration number of the training, and the y-axis represents the classification accuracy of the micro-Doppler signature in percentage (%) .

[0160] For graph 1510, K number of bits is equal to two and the total signature number will be equal to 10 (e.g., calculated by an algorithm) and, as such, there are a total of 10 categories (e.g., signatures) to classify and the UAV signature has six bits. The graph 1510 shows a classification accuracy of 94 percent.

[0161] For graph 1520, K number of bits is equal to three and the total signature number will be equal to 43 (e.g., calculated by an algorithm) and, as such, there will be a total of 43 categories to classify and the UAV signature has nine bits. The graph 1520 shows a classification accuracy of 74 percent.

[0162] In summary of the performances given in the graphs 1510, 1520, given an AI model size, the classifying accuracy decreases when using more quantization bits for an object signature (e.g., more categories) . As such, there can be a tradeoff between the classification resolution and the classification accuracy. However, the more quantization bits used for an object signature (e.g., having more categories) , the higher the resolution to be able to distinguish between two object signatures (e.g., to distinguish between two different objects) .

[0163] FIG. 16 is a table 1600 illustrating an example of tradeoffs between AI performance of micro-Doppler classification resolution and accuracy. In FIG. 16, the table 1600 is shown to include a column for the number of bits (e.g., large or small number) for signature quantization 1610, a column for the number of categories 1620 (e.g., large or small number) , a column for classification resolution 1630 (e.g., high or low) , and a column for classification accuracy 1640 (e.g., low or high) . As shown in the table 1600, as the number of bits for signature quantization increases, the category number increases and the resolution increases, but the accuracy decreases. Table 1600 also shows that as the number of bits for signature quantization  decreases, the accuracy increases, but the category number decreases and the resolution decreases. Therefore, systems and techniques for object recognition with micro-Doppler that achieve both high accuracy and high resolution in object micro-Doppler signature classification without an increase in cost, storage, power, and running time can be useful.

[0164] In one or more aspects, the systems and techniques provide multi-step AI / ML-based object recognition with micro-Doppler. In one or more examples, the systems and techniques provide an AI-based solution in object recognition with micro-Doppler that can achieve both high accuracy and high resolution in object micro-Doppler signature classification with a given AI model size without an increase in cost, storage, power, and running time of the AI. When the AI model size is fixed (e.g., without an increase in storage or any other costs) , the systems and techniques allow for AI to classify an object (e.g., a UAV) amongst many categories for the object signature (e.g., the larger the quantization bit number for an object signature, the higher the resolution) with an accuracy that is the same as for cases with less number of categories (e.g., using less number of quantization bits) .

[0165] In one or more aspects, during operation of the multi-step AI / ML-based object recognition with micro-Doppler, for the first step, a first network device (e.g., a controlling device, such as base station, for example a gNB, such as network device 1120 of FIG. 11) may configure to a second network device (e.g., a measuring device, such as a UE, for example network device 1130 of FIG. 11) a first AI / ML model with a first object signature quantized with a first number of bits and a first number of total categories. The second network device (e.g., UE) may use this first AI / ML model to classify the received micro-Doppler spectrum of an object (e.g., a drone, such as object 1140 of FIG. 11) to obtain first classification results (e.g., including a category for the object) . The second network device (e.g., UE) may generate a first report including the first classification results. The second network device (e.g., UE) may then send the first report to the first network device (e.g., base station) . The second network device (e.g., UE) may also send a request to the first network device (e.g., base station) for a second AI / ML model.

[0166] During operation of the multi-step AI / ML-based object recognition with micro-Doppler, for the second step, after the first network device (e.g., base station) receives the first  report and the request for the second AI / ML model, the first network device (e.g., base station) may configure to the second network device (e.g., UE) a second AI / ML model with a second object signature quantized with a second number of bits, where the second number of bits is larger than the first number of bits. The second AI / ML model can only classify subcategories belonging to one category of the first AI / ML model (e.g., the subcategories related to the first classification result in the first report) . The second network device (e.g., UE) may use this second AI / ML model to classify the received micro-Doppler spectrum of an object to obtain second classification results (e.g., including a subcategory for the object) . The second network device (e.g., UE) may generate a second report including the second classification results. The second network device (e.g., UE) may then send the second report to the first network device (e.g., base station) .

[0167] FIG. 17 shows examples of categories of object micro-Doppler signatures for a first AI / ML model and subcategories of object micro-Doppler signatures for a second AI / ML model. In particular, FIG. 17 is a diagram illustrating an example 1700 of classification categories of object micro-Doppler signatures. In FIG. 17, two-bit quantized categories 1730 for a first AI / ML model (e.g., model A 1710) are shown as a1, a2, a3, and a4. Three-bit quantized subcategories 1740 for second AI / ML models (model B1 1720a, model B2 1720b, model B3 1720c, and model B4 1720d) are shown as b11, b12, b21, b22, b31, b32, b41, and b42.

[0168] Each two-bit quantized category 1730 (e.g., a1, a2, a3, and a4) is associated with two of the three-bit quantized subcategories 1740 (e.g., b11, b12, b21, b22, b31, b32, b41, and b42) . For example, two-bit quantized category 1730 of a2 is associated with the three-bit quantized subcategories 1740 of b21 and b22. As such, if the first classification results of a network device (e.g., measuring device, such as a UE) using the first AI / ML model is the two-bit quantized category 1730 of a2, a network device (e.g., controlling device, such as a base station) can configure the second AI / ML model B2 1720b to further classify between the three-bit quantized subcategories 1740 of b21 and b22.

[0169] FIG. 18 is a diagram illustrating an example of signaling 1800 for two-step AI / ML-based object recognition with micro-Doppler. While FIG. 18 is illustrated as a two-step  approach, additional steps can be performed for other numbers of steps in a multi-step approach. In FIG. 18, a first network device 1810 and a second network device 1820 are shown. In one or more examples, the first network device 1810 may be a controlling device, and the second network device 1820 may be a measuring device. In some examples, the network devices 1810, 1820 may each be a UE, a base station (e.g., gNB) , a network server, or sensing server.

[0170] During operation of the signaling 1800 of FIG. 18 for two-step AI / ML-based object recognition with micro-Doppler, the first network device 1810 (e.g., a controlling device, such as a base station) can transmit, to the second network device 1810 (e.g., a measuring device, such as a UE) , first information 1830 (e.g., the first step) indicating a first ML model (e.g., an AI / ML model) for classifying an object. The first ML model may be associated with a first object signature quantized with a first number (e.g., M number) of bits. The first model may be trained to classify a plurality of categories of one or more objects. The second network device 1820 can receive this first information 1830.

[0171] The second network device 1820 can determine, using the first ML model, first classification results of a first micro-Doppler spectrum of the object. The second network device 1820 can transmit, to the first network device 1810, a first report including the first classification results 1840 of the first micro-Doppler spectrum of the object. The first network device 1810 can receive, from the second network device 1820 based on the first ML model, the first report including the first classification results 1840 of the first micro-Doppler spectrum of the object.

[0172] The first network device 1810 can transmit, to the second network device 1820 based on the first classification results, second information 1850 (e.g., the second step) indicating a second ML model (e.g., an AI / ML model) for classifying the object. The second ML model may be associated with a second object signature quantized with a second number (e.g., N number) of bits. The first number (M) of bits is less than the second number (N) of bits. The second ML model may be trained to classify a plurality of subcategories of one category (e.g., the category of the object identified within the first report) of the plurality of categories of the first ML model. The second network device 1820 can receive this second information 1850.

[0173] The second network device 1820 can determine, using the second ML model, second classification results of a second micro-Doppler spectrum of the object. The second network device 1820 can transmit, to the first network device 1810, a second report 1860 including the second classification results. The first network device 1810 can receive, from the first network device 1810 based on the second ML model, the second report 1860 including the second classification results of the second micro-Doppler spectrum of the object. In one or more examples, the process may continue using subsequent steps (e.g., subsequent ML models, such as a third ML model, a fourth ML model, etc. ) .

[0174] In one or more examples, the first micro-Doppler spectrum of the object and the second micro-Doppler spectrum of the object are the same micro-Doppler spectrum measurement of the object obtained by the second network device 1820. In some examples, the first micro-Doppler spectrum of the object and the second micro-Doppler spectrum of the object are different micro-Doppler spectrum measurements of the object obtained by the second network device 1820.

[0175] In one or more aspects, the first ML model (e.g., with a lower number of signature quantization bits than the second ML model) and multiple subsequent ML models (e.g., with a higher number of signature quantization bits, but only for subcategories) may have common parameters. As such, the first network device (e.g., controlling device, such as a base station) only needs to configure the different parameters of the ML model, which can reduce the signaling resources overhead. In some examples, the ML models may be trained using transfer learning procedures. In one or more examples, the parameters of the shallow layers (e.g., first layers) of the ML models may be pretrained and common. In some examples, only the parameters of the deep layers (e.g., including the last layer) of the ML models may be trained with a corresponding dataset and may be different. For example, only parameters within the last layer (e.g., of the deep layers) of the ML models may be different.

[0176] FIG. 19 is a diagram illustrating examples 1900 of layers of an AI / ML model for multi-step AI / ML-based object recognition with micro-Doppler. In FIG. 19, a network device 1910 (e.g., a measuring device in the form of a UE) is shown. FIG. 19 also shows layers 1920 (e.g., first layers) of an ML model with common parameters. As previously mentioned, the last  layer of the ML models may have different parameters. As shown in FIG. 19, last layer A 1930a (e.g., from a first ML model) , last layer 1930b (e.g., from a second ML model) , and last layer 1930c (e.g., from a third ML model) may have different parameters from each other.

[0177] In one or more examples, the network device 1910 may store the layers 1920 (e.g., the first layers) of the ML model within its memory. As such, a network device (e.g., a controlling device, such as a base station) may only need to configure the last layer (e.g., last layer A 1930a) to the network device 1910 for a particular ML model (e.g., a first ML model) . Since the network device (e.g., controlling device) only needs to send one layer (e.g., a last layer) to the network device 1910 for the configuration of a specific ML model, the signaling overhead can be reduced.

[0178] In one or more aspects, a network device (e.g., a measuring device, such as a UE) may use the same measurement of the micro-Doppler spectrum of the first step (e.g., first ML model) in subsequent steps (e.g., for the second ML model, third ML model, fourth ML model, etc. ) . As such, one sensing measurement may be used for multiple processing steps.

[0179] In one or more examples, the sensing RS for the one measurement needs to satisfy the highest requirement to generate a qualified micro-Doppler spectrum for alternative ML models. For a higher-order step of ML model, when there are more quantization bits for the object signature, the pattern of the micro-Doppler spectrum needs to be more recognizable (e.g., a higher confidence level or higher frequency and time resolution requires denser and / or more time domain resource of sensing RS) . As such, a network device (e.g., a controlling device, such as a base station) may configure to another network device (e.g., a measuring device, such as a UE) a high quality sensing RS (e.g., having a high density of sensing resources and for a long time duration) for sensing the object to obtain the micro-Doppler object signature. In one or more examples, a network device (e.g., controlling device, such as a base station) may indicate to the other network device (e.g., a measuring device, such as a UE) the quantization bit number of the object signature of the ML model associated with each ML model update configuration.

[0180] In one or more aspects, a first network device (e.g., a measuring device, such as a UE) may use a new measurement of the micro-Doppler spectrum (e.g., measured using a new  sensing RS configuration configured by a second network device, for example a controlling device, such as a base station) in a subsequent step (e.g., for the second ML model) . As such, the second network device may transmit to the first network device a first configuration of sensing resources for obtaining the first micro-Doppler spectrum of the object (e.g., using the first ML model) . The second network device may also transmit to the first network device a second configuration of sensing resources for obtaining the second micro-Doppler spectrum of the object (e.g., using the second ML model) . In one or more examples, the first configuration of sensing resources includes a lower number of resources, a larger interval of resource and / or a shorter duration of time than the second configuration of sensing resources.

[0181] In one or more examples, a configuration of sensing resources (e.g., a second configuration of sensing resources) can indicate the quantization bit number for the next ML model (e.g., the second number of bits for the second ML model) . For example, the second network device (e.g., base station) may use a parameter of the sensing RS configuration to indicate to the first network device (e.g., UE) the quantization bit number of the object signature of the ML model in the next step (e.g., for the second ML model) . In one or more examples, the second network device (e.g., base station) may pre-configure a table that maps a sensing RS parameter (e.g., time domain density) to a quantization bit number of the object signature. The second network device (e.g., base station) can transmit this table to the first network device (e.g., UE) . The first network device (e.g., UE) can receive the table and can know the quantization bit number of the next ML model after receiving the new sensing RS configuration. For example, the second network device (e.g., base station) can indicate a time density for the sensing RS is equal to four, which can indicate (e.g., correspond to within the table) a quantization bit number of three.

[0182] In one or more examples, an index of an ML model can indicate the quantization bit number. In some examples, the second network device (e.g., base station) can indicate an index of a ML model for the quantization bit number. For example, the second network device (e.g., base station) can indicate the third ML model, which can indicate a quantization bit number of three.

[0183] In one or more aspects, a first network device (e.g., a measuring device, such as a UE) may determine (e.g., check) whether the first network device (e.g., UE) has stored the next ML model (e.g., second ML model) with the indicated quantization bit number of the object signature. If the first network device (e.g., UE) determines that it has not stored the next ML model, the first network device (e.g., UE) can send a request to the second network device (e.g., a controlling device, such as a base station) for the next ML model (e.g., the second ML model) .

[0184] In one or more examples, if the first network device (e.g., UE) has stored another ML model with the indicated quantization bit number, the first network device (e.g., UE) may send a request with this ML model index to the second network device (e.g., base station) . The second network device (e.g., base station) may then only configure to the first network device (e.g., UE) the parameters of the next-step model that are different from the stored ML model on the first network device (e.g., UE) .

[0185] In one or more examples, the first network device (e.g., UE) may also send the second network device (e.g., base station) a list of ML models it has stored. The second network device (e.g., base station) may then choose and indicate one of the stored ML models that has the smallest difference from the next-step ML model to configure the different parameters. Otherwise, if the first network device (e.g., UE) has the next-step ML model stored, the first network device (e.g., UE) can process a new measurement of the micro-Doppler spectrum using the next-step ML model directly. Although the second network device (e.g., controlling device) is described as being implemented as a base station (e.g., a gNB) , other types of network devices (e.g., a network server) may be employed for the second network device (e.g., for configuring the ML model) .

[0186] In one or more aspects, signaling from a controlling device to a measuring device for sending (e.g., transmitting) configurations may have various different implementations using different signaling protocols. In one or more examples, a base station (e.g., gNB) operating as a controlling device can send (e.g. indicate) to a UE operating as a measuring device configurations via L1 downlink control information (DCI) , L2 MAC-CE, or L3 RRC. In some examples, a core network function operating as a controlling device can send (e.g. indicate) to a UE or base station (e.g., gNB) operating as a measuring device configurations  via NAS / NGAP signaling. In one or more examples, a network server (e.g., a location server or a sensing server) operating as a controlling device can send (e.g. indicate) to a UE operating as a measuring device configurations via RRC information elements (IEs) carried in an LTE positioning protocol (LPP) (e.g., for the location server) or in a dedicated sensing protocol (e.g., for the sensing server) . In some examples, a network server (e.g., a location server or a sensing server) operating as a controlling device can send (e.g. indicate) to a base station (e.g., gNB) operating as a measuring device configurations via the new NR positioning protocol A (NRPPa) protocol (e.g., for the location server) or via a dedicated sensing protocol (e.g., for the sensing server) . In one or more examples, a UE operating as a controlling device can send (e.g. indicate) to another UE operating as a measuring device configurations via sidelink (SL) , SL L1 (e.g., sidelink control information (SCI) (physical sidelink control channel (PSCCH) ) , and / or SL data (physical sidelink shared channel (PSSCH) ) , SL L2 MAC-CE, or SL L3 RRC (PC5) . In some examples, a UE operating as a controlling device can send (e.g. indicate) to a base station (e.g., gNB) operating as a measuring device configurations via L1 uplink control information (UCI) , L2 MAC-CE, or L3 RRC.

[0187] In one or more aspects, signaling from a measuring device to a controlling device for sending (e.g., transmitting) reports (e.g., micro-Doppler reports) may have various different implementations using different signaling protocols. In one or more examples, a UE operating as a measuring device can send (e.g. indicate) to a base station (e.g., gNB) operating as a controlling device a report via L1 UCI / UL-data, L2 MAC-CE, or L3 RRC. In some examples, a UE or a base station (e.g., gNB) operating as a measuring device can send (e.g. indicate) to a core network function operating as a controlling device a report via NAS / NGAP signaling. In one or more examples, a UE operating as a measuring device can send (e.g. indicate) to a network server (e.g., a location server or a sensing server) operating as a controlling device a report via RRC information elements (IEs) carried in LPP (e.g., for the location server) or in a dedicated sensing protocol (e.g., for the sensing server) . In some examples, a base station (e.g., gNB) operating as a measuring device can send (e.g. indicate) to a network server (e.g., a location server or a sensing server) operating as a controlling device a report via the NRPPa protocol (e.g., for the location server) or via a dedicated sensing protocol (e.g., for the sensing server) . In one or more examples, a UE operating as a measuring device can send (e.g. indicate) to another UE operating as a controlling device a report via SL, via SL L1 (SCI (PSCCH)  and / or SL data (PSSCH) ) , SL L2 MAC-CE, or SL L3 RRC (PC5) . In some examples, a base station (e.g., gNB) operating as a measuring device can send (e.g. indicate) to a UE operating as a controlling device a report via L1 downlink control information (DCI)  / downlink (DL) -data, L2 MAC-CE, or L3 RRC.

[0188] FIG. 20 is a flow chart illustrating an example of a process 2000 for multi-step AI / ML-based object recognition with micro-Doppler performed by a controlling device. The process 2000 can be performed by a first network device (e.g., a measuring device, such as network device 1820 of FIG. 18) or by a component or system (e.g., a chipset) of the first network device. The operations of the process 2000 may be implemented as software components that are executed and run on one or more processors (e.g., processor 2210 of FIG. 22 or other processor (s) ) . Further, the transmission and / or reception of signals by the first network device in the process 2000 may be enabled, for example, by one or more antennas and / or one or more transceivers (e.g., wireless transceiver (s) ) .

[0189] At block 2010, the first network device (or component thereof) can receive, from a second network device, first information indicating a first machine learning (ML) model for classifying an object, the first ML model associated with a first object signature quantized with a first number of bits. In some cases, the first network device and the second network device can each be a user equipment (UE) , a base station, a network server, a sensing server, or other device. For instance, in one illustrative example, the first network device can be a UE and the second network device can be a base station, a network server, or a sensing server. In another illustrative example, the first network device can be a first UE and the second network device can be a second UE.

[0190] At block 2020, the first network device (or component thereof) can determine, using the first ML model, first classification results of a first micro-Doppler spectrum of the object.

[0191] At block 2030, the first network device (or component thereof) can transmit (or output for transmission) , to the second network device, a first report including the first classification results.

[0192] At block 2040, the first network device (or component thereof) can receive, from the second network device based on the first classification results, second information indicating a second ML model for classifying the object, the second ML model associated with a second object signature quantized with a second number of bits, wherein the first number of bits is less than the second number of bits. In some aspects, an index of the second ML model indicates the second number of bits. In some cases, the first ML model is trained to classify a plurality of categories of one or more objects, and the second ML model is trained to classify a plurality of subcategories of a category of the plurality of categories. For instance, the category corresponds to the first classification results (e.g., the second model classifies subcategories of the category corresponding to the first classification result. ) . In one illustrative example referring to FIG. 17, the subcategories b11 and b12 are subcategories of the category a1 (out of two-bit quantized categories 1730 of model A 1710) , which are shown as three-bit quantized subcategories.

[0193] At block 2050, the first network device (or component thereof) can determine, using the second ML model, second classification results of a second micro-Doppler spectrum of the object. In some aspects, the first micro-Doppler spectrum of the object and the second micro-Doppler spectrum of the object are a same micro-Doppler spectrum measurement of the object obtained by the first network device. In some aspects, the first micro-Doppler spectrum of the object and the second micro-Doppler spectrum of the object are different micro-Doppler spectrum measurements of the object obtained by the first network device.

[0194] In some aspects, the first network device (or component thereof) can receive, from the second network device, a first configuration of sensing resources for obtaining the first micro-Doppler spectrum of the object. In some examples, the first configuration of sensing resources includes a lower number of sensing resources, a larger interval of sensing resources, and / or a shorter duration of time than the second configuration of sensing resources. In some cases, the first network device (or component thereof) can receive, from the second network device, a second configuration of sensing resources for obtaining the second micro-Doppler spectrum of the object and a table mapping different configurations of sensing resources to different numbers of bits for quantizing object signatures. In some cases, the second configuration of sensing resources indicates the second number of bits.

[0195] At block 2060, the first network device (or component thereof) can transmit (or output for transmission) , to the second network device, a second report including the second classification results. In some cases, the first network device (or component thereof) can transmit (or output for transmission) , to the second network device, a request signal requesting the second ML model. In some examples, the first network device (or component thereof) can transmit (or output for transmission) , to the second network device, an index associated with the second ML model. For instance, the transmitted index may include the index of the second ML model indicating the second number of bits (for which the second object signature associated with the second ML model is quantized) .

[0196] In some aspects, as noted previously, one sensing measurement may be used for multiple processing steps. For instance, the first network device (or component thereof) can receive, from the second network device based on the second classification results, third information indicating a third ML model for classifying the object, the third ML model associated with a third object signature quantized with a third number of bits, wherein the second number of bits is less than the third number of bits; determine, using the third ML model, third classification results of a third micro-Doppler spectrum of the object; and output, for transmission to the second network device, a third report including the third classification results.

[0197] FIG. 21 is a flow chart illustrating an example of a process 2100 for multi-step AI / ML-based object recognition with micro-Doppler performed by a measuring device. The process 2100 can be performed by a first network device (e.g., a controlling device, such as network device 1810 of FIG. 18) or by a component or system (e.g., a chipset) of the first network device. The operations of the process 2100 may be implemented as software components that are executed and run on one or more processors (e.g., processor 2210 of FIG. 22 or other processor (s) ) . Further, the transmission and / or reception of signals by the first network device in the process 2100 may be enabled, for example, by one or more antennas and / or one or more transceivers (e.g., wireless transceiver (s) ) .

[0198] At block 2110, the first network device (or component thereof) can transmit (or output for transmission) , to a second network device, first information indicating a first  machine learning (ML) model for classifying an object, the first ML model associated with a first object signature quantized with a first number of bits. In some cases, the first network device and the second network device can each be a user equipment (UE) , a base station, a network server, a sensing server, or other device. For instance, in one illustrative example, the first network device can be a base station, a network server, or a sensing server and the second network device can be a UE. In another illustrative example, the first network device can be a first UE and the second network device can be a second UE.

[0199] At block 2120, the first network device (or component thereof) can receive, from the second network device based on the first ML model, a first report including first classification results of a first micro-Doppler spectrum of the object.

[0200] At block 2130, the first network device (or component thereof) can transmit (or output for transmission) , to the second network device based on the first classification results, second information indicating a second ML model for classifying the object, the second ML model associated with a second object signature quantized with a second number of bits, wherein the first number of bits is less than the second number of bits.

[0201] In some aspects, an index of the second ML model indicates the second number of bits. In some cases, the first ML model is trained to classify a plurality of categories of one or more objects, and the second ML model is trained to classify a plurality of subcategories of a category of the plurality of categories. For instance, the category corresponds to the first classification results (e.g., the second model classifies subcategories of the category corresponding to the first classification result. ) . In one illustrative example referring to FIG. 17, the subcategories b11 and b12 are subcategories of the category a1 (out of two-bit quantized categories 1730 of model A 1710) , which are shown as three-bit quantized subcategories.

[0202] At block 2140, the first network device (or component thereof) can receive, from the second network device based on the second ML model, a second report including second classification results of a second micro-Doppler spectrum of the object. In some aspects, the first micro-Doppler spectrum of the object and the second micro-Doppler spectrum of the object are a same micro-Doppler spectrum measurement of the object obtained by the first network device. In some aspects, the first micro-Doppler spectrum of the object and the second  micro-Doppler spectrum of the object are different micro-Doppler spectrum measurements of the object obtained by the first network device.

[0203] In some aspects, the first network device (or component thereof) can transmit (or output for transmission) , to the second network device, a first configuration of sensing resources for obtaining the first micro-Doppler spectrum of the object. In some cases, the first configuration of sensing resources includes a lower number of sensing resources, a larger interval of sensing resources, and / or a shorter duration of time than the second configuration of sensing resources. In some aspects, the first network device (or component thereof) can transmit (or output for transmission) , to the second network device, a second configuration of sensing resources for obtaining the second micro-Doppler spectrum of the object and a table mapping different configurations of sensing resources to different numbers of bits for quantizing object signatures. In some cases, the second configuration of sensing resources indicates the second number of bits.

[0204] In some aspects, the first network device (or component thereof) can receive, from the second network device, a request signal requesting the second ML model. In some cases, the first network device (or component thereof) can receive, from the second network device, an index associated with the second ML model. For instance, the transmitted index may include the index of the second ML model indicating the second number of bits (for which the second object signature associated with the second ML model is quantized) .

[0205] As noted above, the process 2000 and the process 2100 may be performed by one or more computing devices or apparatuses or by a component or system of the computing device (s) or apparatus (es) . In some illustrative examples, the process 2000 can be performed by network device 1820 of FIG. 18 and / or one or more computing devices or systems (e.g., the computing system 2200 of FIG. 22) . In one or more illustrative examples, the process 2100 can be performed by network entity 1810 of FIG. 18 and / or one or more computing devices or systems (e.g., the computing system 2200 of FIG. 22) . In some cases, such a computing device or apparatus may include a processor, microprocessor, microcomputer, or other component of a device that is configured to carry out the steps of the process 2000 and / or the process 2100.  Such computing device may further include a network interface configured to communicate data.

[0206] The components of the computing device can be implemented in circuitry. For example, the components can include and / or can be implemented using electronic circuits or other electronic hardware, which can include one or more programmable electronic circuits (e.g., microprocessors, graphics processing units (GPUs) , digital signal processors (DSPs) , central processing units (CPUs) , and / or other suitable electronic circuits) , and / or can include and / or be implemented using computer software, firmware, or any combination thereof, to perform the various operations described herein. The computing device may further include a display (as an example of the output device or in addition to the output device) , a network interface configured to communicate and / or receive the data, any combination thereof, and / or other component (s) . The network interface may be configured to communicate and / or receive Internet Protocol (IP) based data or other type of data.

[0207] The process 2000 and process 2100 are each illustrated as a logical flow diagram, the operations of which represent a sequence of operations that can be implemented in hardware, computer instructions, or a combination thereof. In the context of computer instructions, the operations represent computer-executable instructions stored on one or more computer-readable storage media that, when executed by one or more processors, perform the recited operations. Generally, computer-executable instructions include routines, programs, objects, components, data structures, and the like that perform particular functions or implement particular data types. The order in which the operations are described is not intended to be construed as a limitation, and any number of the described operations can be combined in any order and / or in parallel to implement the processes.

[0208] Additionally, the process 2000 and the process 2100 may be performed under the control of one or more computer systems configured with executable instructions and may be implemented as code (e.g., executable instructions, one or more computer programs, or one or more applications) executing collectively on one or more processors, by hardware, or combinations thereof. As noted above, the code may be stored on a computer-readable or machine-readable storage medium, for example, in the form of a computer program comprising  a plurality of instructions executable by one or more processors. The computer-readable or machine-readable storage medium may be non-transitory.

[0209] FIG. 22 is a block diagram illustrating an example of a computing system 2200, which may be employed by the disclosed system for multi-step AI / ML-based object recognition with micro-Doppler. In particular, FIG. 22 illustrates an example of computing system 2200, which can be for example any computing device making up internal computing system, a remote computing system, a camera, or any component thereof in which the components of the system are in communication with each other using connection 2205. Connection 2205 can be a physical connection using a bus, or a direct connection into processor 2210, such as in a chipset architecture. Connection 2205 can also be a virtual connection, networked connection, or logical connection.

[0210] In some aspects, computing system 2200 is a distributed system in which the functions described in this disclosure can be distributed within a datacenter, multiple data centers, a peer network, etc. In some aspects, one or more of the described system components represents many such components each performing some or all of the function for which the component is described. In some aspects, the components can be physical or virtual devices.

[0211] Example system 2200 includes at least one processing unit (CPU or processor) 2210 and connection 2205 that communicatively couples various system components including system memory 2215, such as read-only memory (ROM) 2220 and random access memory (RAM) 2225 to processor 2210. Computing system 2200 can include a cache 2212 of high-speed memory connected directly with, in close proximity to, or integrated as part of processor 2210.

[0212] Processor 2210 can include any general purpose processor and a hardware service or software service, such as services 2232, 2234, and 2236 stored in storage device 2230, configured to control processor 2210 as well as a special-purpose processor where software instructions are incorporated into the actual processor design. Processor 2210 may essentially be a completely self-contained computing system, containing multiple cores or processors, a bus, memory controller, cache, etc. A multi-core processor may be symmetric or asymmetric.

[0213] To enable user interaction, computing system 2200 includes an input device 2245, which can represent any number of input mechanisms, such as a microphone for speech, a touch-sensitive screen for gesture or graphical input, keyboard, mouse, motion input, speech, etc. Computing system 2200 can also include output device 2235, which can be one or more of a number of output mechanisms. In some instances, multimodal systems can enable a user to provide multiple types of input / output to communicate with computing system 2200.

[0214] Computing system 2200 can include communications interface 2240, which can generally govern and manage the user input and system output. The communication interface may perform or facilitate receipt and / or transmission wired or wireless communications using wired and / or wireless transceivers, including those making use of an audio jack / plug, a microphone jack / plug, a universal serial bus (USB) port / plug, an AppleTM LightningTM port / plug, an Ethernet port / plug, a fiber optic port / plug, a proprietary wired port / plug, 3G, 4G, 5G and / or other cellular data network wireless signal transfer, a BluetoothTM wireless signal transfer, a BluetoothTM low energy (BLE) wireless signal transfer, an IBEACONTM wireless signal transfer, a radio-frequency identification (RFID) wireless signal transfer, near-field communications (NFC) wireless signal transfer, dedicated short range communication (DSRC) wireless signal transfer, 802.11 Wi-Fi wireless signal transfer, wireless local area network (WLAN) signal transfer, Visible Light Communication (VLC) , Worldwide Interoperability for Microwave Access (WiMAX) , Infrared (IR) communication wireless signal transfer, Public Switched Telephone Network (PSTN) signal transfer, Integrated Services Digital Network (ISDN) signal transfer, ad-hoc network signal transfer, radio wave signal transfer, microwave signal transfer, infrared signal transfer, visible light signal transfer, ultraviolet light signal transfer, wireless signal transfer along the electromagnetic spectrum, or some combination thereof.

[0215] The communications interface 2240 may also include one or more range sensors (e.g., LIDAR sensors, laser range finders, RF radars, ultrasonic sensors, and infrared (IR) sensors) configured to collect data and provide measurements to processor 2210, whereby processor 2210 can be configured to perform determinations and calculations needed to obtain various measurements for the one or more range sensors. In some examples, the measurements can include time of flight, wavelengths, azimuth angle, elevation angle, range, linear velocity  and / or angular velocity, or any combination thereof. The communications interface 2240 may also include one or more Global Navigation Satellite System (GNSS) receivers or transceivers that are used to determine a location of the computing system 2200 based on receipt of one or more signals from one or more satellites associated with one or more GNSS systems. GNSS systems include, but are not limited to, the US-based GPS, the Russia-based Global Navigation Satellite System (GLONASS) , the China-based BeiDou Navigation Satellite System (BDS) , and the Europe-based Galileo GNSS. There is no restriction on operating on any particular hardware arrangement, and therefore the basic features here may easily be substituted for improved hardware or firmware arrangements as they are developed.

[0216] Storage device 2230 can be a non-volatile and / or non-transitory and / or computer-readable memory device and can be a hard disk or other types of computer readable media which can store data that are accessible by a computer, such as magnetic cassettes, flash memory cards, solid state memory devices, digital versatile disks, cartridges, a floppy disk, a flexible disk, a hard disk, magnetic tape, a magnetic strip / stripe, any other magnetic storage medium, flash memory, memristor memory, any other solid-state memory, a compact disc read only memory (CD-ROM) optical disc, a rewritable compact disc (CD) optical disc, digital video disk (DVD) optical disc, a blu-ray disc (BDD) optical disc, a holographic optical disk, another optical medium, a secure digital (SD) card, a micro secure digital (microSD) card, a Memory card, a smartcard chip, a EMV chip, a subscriber identity module (SIM) card, a mini / micro / nano / pico SIM card, another integrated circuit (IC) chip / card, random access memory (RAM) , static RAM (SRAM) , dynamic RAM (DRAM) , read-only memory (ROM) , programmable read-only memory (PROM) , erasable programmable read-only memory (EPROM) , electrically erasable programmable read-only memory (EEPROM) , flash EPROM (FLASHEPROM) , cache memory (e.g., Level 1 (L1) cache, Level 2 (L2) cache, Level 3 (L3) cache, Level 4 (L4) cache, Level 5 (L5) cache, or other (L#) cache) , resistive random-access memory (RRAM / ReRAM) , phase change memory (PCM) , spin transfer torque RAM (STT-RAM) , another memory chip or cartridge, and / or a combination thereof.

[0217] The storage device 2230 can include software services, servers, services, etc., that when the code that defines such software is executed by the processor 2210, it causes the system to perform a function. In some aspects, a hardware service that performs a particular  function can include the software component stored in a computer-readable medium in connection with the necessary hardware components, such as processor 2210, connection 2205, output device 2235, etc., to carry out the function. The term “computer-readable medium” includes, but is not limited to, portable or non-portable storage devices, optical storage devices, and various other mediums capable of storing, containing, or carrying instruction (s) and / or data. A computer-readable medium may include a non-transitory medium in which data can be stored and that does not include carrier waves and / or transitory electronic signals propagating wirelessly or over wired connections. Examples of a non-transitory medium may include, but are not limited to, a magnetic disk or tape, optical storage media such as compact disk (CD) or digital versatile disk (DVD) , flash memory, memory or memory devices. A computer-readable medium may have stored thereon code and / or machine-executable instructions that may represent a procedure, a function, a subprogram, a program, a routine, a subroutine, a module, a software package, a class, or any combination of instructions, data structures, or program statements. A code segment may be coupled to another code segment or a hardware circuit by passing and / or receiving information, data, arguments, parameters, or memory contents. Information, arguments, parameters, data, etc. may be passed, forwarded, or transmitted via any suitable means including memory sharing, message passing, token passing, network transmission, or the like.

[0218] Specific details are provided in the description above to provide a thorough understanding of the aspects and examples provided herein, but those skilled in the art will recognize that the application is not limited thereto. Thus, while illustrative aspects of the application have been described in detail herein, it is to be understood that the inventive concepts may be otherwise variously embodied and employed, and that the appended claims are intended to be construed to include such variations, except as limited by the prior art. Various features and aspects of the above-described application may be used individually or jointly. Further, aspects can be utilized in any number of environments and applications beyond those described herein without departing from the broader scope of the specification. The specification and drawings are, accordingly, to be regarded as illustrative rather than restrictive. For the purposes of illustration, methods were described in a particular order. It should be appreciated that in alternate aspects, the methods may be performed in a different order than that described.

[0219] For clarity of explanation, in some instances the present technology may be presented as including individual functional blocks comprising devices, device components, steps or routines in a method embodied in software, or combinations of hardware and software. Additional components may be used other than those shown in the figures and / or described herein. For example, circuits, systems, networks, processes, and other components may be shown as components in block diagram form in order not to obscure the aspects in unnecessary detail. In other instances, well-known circuits, processes, algorithms, structures, and techniques may be shown without unnecessary detail in order to avoid obscuring the aspects.

[0220] Further, those of skill in the art will appreciate that the various illustrative logical blocks, modules, circuits, and algorithm steps described in connection with the aspects disclosed herein may be implemented as electronic hardware, computer software, or combinations of both. To clearly illustrate this interchangeability of hardware and software, various illustrative components, blocks, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented as hardware or software depends upon the particular application and design constraints imposed on the overall system. Skilled artisans may implement the described functionality in varying ways for each particular application, but such implementation decisions should not be interpreted as causing a departure from the scope of the present disclosure.

[0221] Individual aspects may be described above as a process or method which is depicted as a flowchart, a flow diagram, a data flow diagram, a structure diagram, or a block diagram. Although a flowchart may describe the operations as a sequential process, many of the operations can be performed in parallel or concurrently. In addition, the order of the operations may be re-arranged. A process is terminated when its operations are completed, but could have additional steps not included in a figure. A process may correspond to a method, a function, a procedure, a subroutine, a subprogram, etc. When a process corresponds to a function, its termination can correspond to a return of the function to the calling function or the main function.

[0222] Processes and methods according to the above-described examples can be implemented using computer-executable instructions that are stored or otherwise available from computer-readable media. Such instructions can include, for example, instructions and  data which cause or otherwise configure a general purpose computer, special purpose computer, or a processing device to perform a certain function or group of functions. Portions of computer resources used can be accessible over a network. The computer executable instructions may be, for example, binaries, intermediate format instructions such as assembly language, firmware, source code. Examples of computer-readable media that may be used to store instructions, information used, and / or information created during methods according to described examples include magnetic or optical disks, flash memory, USB devices provided with non-volatile memory, networked storage devices, and so on.

[0223] In some aspects the computer-readable storage devices, mediums, and memories can include a cable or wireless signal containing a bitstream and the like. However, when mentioned, non-transitory computer-readable storage media expressly exclude media such as energy, carrier signals, electromagnetic waves, and signals per se.

[0224] Those of skill in the art will appreciate that information and signals may be represented using any of a variety of different technologies and techniques. For example, data, instructions, commands, information, signals, bits, symbols, and chips that may be referenced throughout the above description may be represented by voltages, currents, electromagnetic waves, magnetic fields or particles, optical fields or particles, or any combination thereof, in some cases depending in part on the particular application, in part on the desired design, in part on the corresponding technology, etc.

[0225] The various illustrative logical blocks, modules, and circuits described in connection with the aspects disclosed herein may be implemented or performed using hardware, software, firmware, middleware, microcode, hardware description languages, or any combination thereof, and can take any of a variety of form factors. When implemented in software, firmware, middleware, or microcode, the program code or code segments to perform the necessary tasks (e.g., a computer-program product) may be stored in a computer-readable or machine-readable medium. A processor (s) may perform the necessary tasks. Examples of form factors include laptops, smart phones, mobile phones, tablet devices or other small form factor personal computers, personal digital assistants, rackmount devices, standalone devices, and so on. Functionality described herein also can be embodied in peripherals or add-in cards.  Such functionality can also be implemented on a circuit board among different chips or different processes executing in a single device, by way of further example.

[0226] The instructions, media for conveying such instructions, computing resources for executing them, and other structures for supporting such computing resources are example means for providing the functions described in the disclosure.

[0227] The techniques described herein may also be implemented in electronic hardware, computer software, firmware, or any combination thereof. Such techniques may be implemented in any of a variety of devices such as general purposes computers, wireless communication device handsets, or integrated circuit devices having multiple uses including application in wireless communication device handsets and other devices. Any features described as modules or components may be implemented together in an integrated logic device or separately as discrete but interoperable logic devices. If implemented in software, the techniques may be realized at least in part by a computer-readable data storage medium comprising program code including instructions that, when executed, performs one or more of the methods, algorithms, and / or operations described above. The computer-readable data storage medium may form part of a computer program product, which may include packaging materials. The computer-readable medium may comprise memory or data storage media, such as random access memory (RAM) such as synchronous dynamic random access memory (SDRAM) , read-only memory (ROM) , non-volatile random access memory (NVRAM) , electrically erasable programmable read-only memory (EEPROM) , FLASH memory, magnetic or optical data storage media, and the like. The techniques additionally, or alternatively, may be realized at least in part by a computer-readable communication medium that carries or communicates program code in the form of instructions or data structures and that can be accessed, read, and / or executed by a computer, such as propagated signals or waves.

[0228] The program code may be executed by a processor, which may include one or more processors, such as one or more digital signal processors (DSPs) , general purpose microprocessors, an application specific integrated circuits (ASICs) , field programmable logic arrays (FPGAs) , or other equivalent integrated or discrete logic circuitry. Such a processor may be configured to perform any of the techniques described in this disclosure. A general-purpose processor may be a microprocessor; but in the alternative, the processor may be any  conventional processor, controller, microcontroller, or state machine. A processor may also be implemented as a combination of computing devices, e.g., a combination of a DSP and a microprocessor, a plurality of microprocessors, one or more microprocessors in conjunction with a DSP core, or any other such configuration. Accordingly, the term “processor, ” as used herein may refer to any of the foregoing structure, any combination of the foregoing structure, or any other structure or apparatus suitable for implementation of the techniques described herein.

[0229] One of ordinary skill will appreciate that the less than ( “<” ) and greater than ( “>” ) symbols or terminology used herein can be replaced with less than or equal to ( “≤” ) and greater than or equal to ( “≥” ) symbols, respectively, without departing from the scope of this description.

[0230] Where components are described as being “configured to” perform certain operations, such configuration can be accomplished, for example, by designing electronic circuits or other hardware to perform the operation, by programming programmable electronic circuits (e.g., microprocessors, or other suitable electronic circuits) to perform the operation, or any combination thereof.

[0231] The phrase “coupled to” or “communicatively coupled to” refers to any component that is physically connected to another component either directly or indirectly, and / or any component that is in communication with another component (e.g., connected to the other component over a wired or wireless connection, and / or other suitable communication interface) either directly or indirectly.

[0232] Claim language or other language reciting “at least one of” a set and / or “one or more” of a set indicates that one member of the set or multiple members of the set (in any combination) satisfy the claim. For example, claim language reciting “at least one of A and B” or “at least one of A or B” means A, B, or A and B. In another example, claim language reciting “at least one of A, B, and C” or “at least one of A, B, or C” means A, B, C, or A and B, or A and C, or B and C, A and B and C, or any duplicate information or data (e.g., A and A, B and B, C and C, A and A and B, and so on) , or any other ordering, duplication, or combination of A, B, and C. The language “at least one of” a set and / or “one or more” of a set does not limit  the set to the items listed in the set. For example, claim language reciting “at least one of A and B” or “at least one of A or B” may mean A, B, or A and B, and may additionally include items not listed in the set of A and B. The phrases “at least one” and “one or more” are used interchangeably herein.

[0233] Claim language or other language reciting “at least one processor configured to, ” “at least one processor being configured to, ” “one or more processors configured to, ” “one or more processors being configured to, ” or the like indicates that one processor or multiple processors (in any combination) can perform the associated operation (s) . For example, claim language reciting “at least one processor configured to: X, Y, and Z” means a single processor can be used to perform operations X, Y, and Z; or that multiple processors are each tasked with a certain subset of operations X, Y, and Z such that together the multiple processors perform X, Y, and Z; or that a group of multiple processors work together to perform operations X, Y, and Z. In another example, claim language reciting “at least one processor configured to: X, Y, and Z” can mean that any single processor may only perform at least a subset of operations X, Y, and Z.

[0234] Where reference is made to one or more elements performing functions (e.g., steps of a method) , one element may perform all functions, or more than one element may collectively perform the functions. When more than one element collectively performs the functions, each function need not be performed by each of those elements (e.g., different functions may be performed by different elements) and / or each function need not be performed in whole by only one element (e.g., different elements may perform different sub-functions of a function) . Similarly, where reference is made to one or more elements configured to cause another element (e.g., an apparatus) to perform functions, one element may be configured to cause the other element to perform all functions, or more than one element may collectively be configured to cause the other element to perform the functions.

[0235] Where reference is made to an entity (e.g., any entity or device described herein) performing functions or being configured to perform functions (e.g., steps of a method) , the entity may be configured to cause one or more elements (individually or collectively) to perform the functions. The one or more components of the entity may include at least one memory, at least one processor, at least one communication interface, another component  configured to perform one or more (or all) of the functions, and / or any combination thereof. Where reference to the entity performing functions, the entity may be configured to cause one component to perform all functions, or to cause more than one component to collectively perform the functions. When the entity is configured to cause more than one component to collectively perform the functions, each function need not be performed by each of those components (e.g., different functions may be performed by different components) and / or each function need not be performed in whole by only one component (e.g., different components may perform different sub-functions of a function) .

[0236] The various illustrative logical blocks, modules, engines, circuits, and algorithm steps described in connection with the embodiments disclosed herein may be implemented as electronic hardware, computer software, firmware, or combinations thereof. To clearly illustrate this interchangeability of hardware and software, various illustrative components, blocks, engines, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented as hardware or software depends upon the particular application and design constraints imposed on the overall system. Skilled artisans may implement the described functionality in varying ways for each particular application, but such implementation decisions should not be interpreted as causing a departure from the scope of the present application.

[0237] The techniques described herein may also be implemented in electronic hardware, computer software, firmware, or any combination thereof. Such techniques may be implemented in any of a variety of devices such as general purposes computers, wireless communication device handsets, or integrated circuit devices having multiple uses including application in wireless communication device handsets and other devices. Any features described as engines, modules, or components may be implemented together in an integrated logic device or separately as discrete but interoperable logic devices. If implemented in software, the techniques may be realized at least in part by a computer-readable data storage medium comprising program code including instructions that, when executed, performs one or more of the methods described above. The computer-readable data storage medium may form part of a computer program product, which may include packaging materials. The computer-readable medium may comprise memory or data storage media, such as random access memory  (RAM) such as synchronous dynamic random access memory (SDRAM) , read-only memory (ROM) , non-volatile random access memory (NVRAM) , electrically erasable programmable read-only memory (EEPROM) , FLASH memory, magnetic or optical data storage media, and the like. The techniques additionally, or alternatively, may be realized at least in part by a computer-readable communication medium that carries or communicates program code in the form of instructions or data structures and that can be accessed, read, and / or executed by a computer, such as propagated signals or waves.

[0238] The program code may be executed by a processor, which may include one or more processors, such as one or more digital signal processors (DSPs) , general purpose microprocessors, an application specific integrated circuits (ASICs) , field programmable logic arrays (FPGAs) , or other equivalent integrated or discrete logic circuitry. Such a processor may be configured to perform any of the techniques described in this disclosure. A general purpose processor may be a microprocessor; but in the alternative, the processor may be any conventional processor, controller, microcontroller, or state machine. A processor may also be implemented as a combination of computing devices, e.g., a combination of a DSP and a microprocessor, a plurality of microprocessors, one or more microprocessors in conjunction with a DSP core, or any other such configuration. Accordingly, the term “processor, ” as used herein may refer to any of the foregoing structure, any combination of the foregoing structure, or any other structure or apparatus suitable for implementation of the techniques described herein.

[0239] Illustrative aspects of the disclosure include:

[0240] Aspect 1. A first network device for wireless communications, the first network device comprising: at least one memory; and at least one processor coupled to the at least one memory and configured to: receive, from a second network device, first information indicating a first machine learning (ML) model for classifying an object, the first ML model associated with a first object signature quantized with a first number of bits; determine, using the first ML model, first classification results of a first micro-Doppler spectrum of the object; transmit, to the second network device, a first report comprising the first classification results; receive, from the second network device based on the first classification results, second information indicating a second ML model for classifying the object, the second ML model associated with  a second object signature quantized with a second number of bits, wherein the first number of bits is less than the second number of bits; determine, using the second ML model, second classification results of a second micro-Doppler spectrum of the object; and transmit, to the second network device, a second report comprising the second classification results.

[0241] Aspect 2. The first network device of Aspect 1, wherein the first ML model is trained to classify a plurality of categories of one or more objects, and the second ML model is trained to classify a plurality of subcategories of a category of the plurality of categories.

[0242] Aspect 3. The first network device of Aspect 2, wherein the category corresponds to the first classification results.

[0243] Aspect 4. The first network device of any of Aspects 1 to 3, wherein the first micro-Doppler spectrum of the object and the second micro-Doppler spectrum of the object are a same micro-Doppler spectrum measurement of the object obtained by the first network device.

[0244] Aspect 5. The first network device of any of Aspects 1 to 4, wherein the first micro-Doppler spectrum of the object and the second micro-Doppler spectrum of the object are different micro-Doppler spectrum measurements of the object obtained by the first network device.

[0245] Aspect 6. The first network device of any of Aspects 1 to 5, wherein the at least one processor is configured to receive, from the second network device, a first configuration of sensing resources for obtaining the first micro-Doppler spectrum of the object.

[0246] Aspect 7. The first network device of Aspect 6, wherein the at least one processor is configured to receive, from the second network device, a second configuration of sensing resources for obtaining the second micro-Doppler spectrum of the object and a table mapping different configurations of sensing resources to different numbers of bits for quantizing object signatures.

[0247] Aspect 8. The first network device of Aspect 7, wherein the first configuration of sensing resources comprises at least one of a lower number of sensing resources, a larger interval of sensing resources, or a shorter duration of time than the second configuration of sensing resources.

[0248] Aspect 9. The first network device of any of Aspects 7 or 8, wherein the second configuration of sensing resources indicates the second number of bits.

[0249] Aspect 10. The first network device of any of Aspects 1 to 9, wherein an index of the second ML model indicates the second number of bits.

[0250] Aspect 11. The first network device of any of Aspects 1 to 10, wherein the at least one processor is configured to output, for transmission to the second network device, a request signal requesting the second ML model.

[0251] Aspect 12. The first network device of Aspect 11, wherein the at least one processor is configured to output, for transmission to the second network device, an index associated with the second ML model.

[0252] Aspect 13. The first network device of any of Aspects 1 to 12, wherein the first network device and the second network device are each one of user equipment (UE) , a base station, a network server, or a sensing server.

[0253] Aspect 14. The first network device of any of Aspects 1 to 13, wherein the at least one processor is configured to: receive, from the second network device based on the second classification results, third information indicating a third ML model for classifying the object, the third ML model associated with a third object signature quantized with a third number of bits, wherein the second number of bits is less than the third number of bits; determine, using the third ML model, third classification results of a third micro-Doppler spectrum of the object; and output, for transmission to the second network device, a third report comprising the third classification results.

[0254] Aspect 15. A method for wireless communications at a first network device, the method comprising: receiving, from a second network device, first information indicating a first machine learning (ML) model for classifying an object, the first ML model associated with a first object signature quantized with a first number of bits; determining, using the first ML model, first classification results of a first micro-Doppler spectrum of the object; transmitting, to the second network device, a first report comprising the first classification results; receiving, from the second network device based on the first classification results, second information  indicating a second ML model for classifying the object, the second ML model associated with a second object signature quantized with a second number of bits, wherein the first number of bits is less than the second number of bits; determining, using the second ML model, second classification results of a second micro-Doppler spectrum of the object; and transmitting, to the second network device, a second report comprising the second classification results.

[0255] Aspect 16. The method of Aspect 15, wherein the first ML model is trained to classify a plurality of categories of one or more objects, and the second ML model is trained to classify a plurality of subcategories of a category of the plurality of categories

[0256] Aspect 17. The method of Aspect 16, wherein the category corresponds to the first classification results.

[0257] Aspect 18. The method of any of Aspects 15 to 17, wherein the first micro-Doppler spectrum of the object and the second micro-Doppler spectrum of the object are a same micro-Doppler spectrum measurement of the object obtained by the first network device.

[0258] Aspect 19. The method of any of Aspects 15 to 18, wherein the first micro-Doppler spectrum of the object and the second micro-Doppler spectrum of the object are different micro-Doppler spectrum measurements of the object obtained by the first network device.

[0259] Aspect 20. The method of any of Aspects 15 to 19, further comprising receiving, from the second network device, a first configuration of sensing resources for obtaining the first micro-Doppler spectrum of the object.

[0260] Aspect 21. The method of Aspect 20, further comprising receiving, from the second network device, a second configuration of sensing resources for obtaining the second micro-Doppler spectrum of the object and a table mapping different configurations of sensing resources to different numbers of bits for quantizing object signatures.

[0261] Aspect 22. The method of Aspect 21, wherein the first configuration of sensing resources comprises at least one of a lower number of sensing resources, a larger interval of sensing resources, or a shorter duration of time than the second configuration of sensing resources.

[0262] Aspect 23. The method of any of Aspects 21 or 22, wherein the second configuration of sensing resources indicates the second number of bits.

[0263] Aspect 24. The method of any of Aspects 15 to 23, wherein an index of the second ML model indicates the second number of bits.

[0264] Aspect 25. The method of any of Aspects 15 to 24, further comprising transmitting, to the second network device, a request signal requesting the second ML model.

[0265] Aspect 26. The method of Aspect 25, further comprising transmitting, to the second network device, an index associated with the second ML model.

[0266] Aspect 27. The method of any of Aspects 15 to 26, wherein the first network device and the second network device are each one of user equipment (UE) , a base station, a network server, or a sensing server.

[0267] Aspect 28. The method of any of Aspects 15 to 27, further comprising: receiving, from the second network device based on the second classification results, third information indicating a third ML model for classifying the object, the third ML model associated with a third object signature quantized with a third number of bits, wherein the second number of bits is less than the third number of bits; determining, using the third ML model, third classification results of a third micro-Doppler spectrum of the object; and outputting, for transmission to the second network device, a third report comprising the third classification results.

[0268] Aspect 29. A first network device for wireless communications, the first network device comprising: at least one memory; and at least one processor coupled to the at least one memory and configured to: transmit, to a second network device, first information indicating a first machine learning (ML) model for classifying an object, the first ML model associated with a first object signature quantized with a first number of bits; receive, from the second network device based on the first ML model, a first report comprising first classification results of a first micro-Doppler spectrum of the object; transmit, to the second network device based on the first classification results, second information indicating a second ML model for classifying the object, the second ML model associated with a second object signature quantized with a second number of bits, wherein the first number of bits is less than the second number of bits;  and receive, from the second network device based on the second ML model, a second report comprising second classification results of a second micro-Doppler spectrum of the object.

[0269] Aspect 30. The first network device of Aspect 29, wherein the first ML model is trained to classify a plurality of categories of one or more objects, and wherein the second ML model is trained to classify a plurality of subcategories of a category of the plurality of categories.

[0270] Aspect 31. The first network device of any of Aspects 29 or 30, wherein the first micro-Doppler spectrum of the object and the second micro-Doppler spectrum of the object are a same micro-Doppler spectrum measurement of the object obtained by the second network device.

[0271] Aspect 32. The first network device of any of Aspects 29 to 31, wherein the first micro-Doppler spectrum of the object and the second micro-Doppler spectrum of the object are different micro-Doppler spectrum measurements of the object obtained by the second network device.

[0272] Aspect 33. The first network device of any of Aspects 29 to 32, wherein the at least one processor is configured to output, for transmission to the second network device, a first configuration of sensing resources for obtaining the first micro-Doppler spectrum of the object.

[0273] Aspect 34. The first network device of Aspect 33, wherein the at least one processor is configured to output, for transmission to the second network device, a second configuration of sensing resources for obtaining the second micro-Doppler spectrum of the object and a table mapping different configurations of sensing resources to different numbers of bits for quantizing object signatures.

[0274] Aspect 35. The first network device of Aspect 34, wherein the first configuration of sensing resources comprises at least one of a lower number of sensing resources, a larger interval of sensing resources, or a shorter duration of time than the second configuration of sensing resources.

[0275] Aspect 36. The first network device of any of Aspects 34 or 35, wherein the second configuration of sensing resources indicates the second number of bits.

[0276] Aspect 37. The first network device of any of Aspects 29 to 36, wherein an index of the second ML model indicates the second number of bits.

[0277] Aspect 38. The first network device of any of Aspects 29 to 37, wherein the at least one processor is configured to receive, from the second network device, a request signal requesting the second ML model.

[0278] Aspect 39. The first network device of Aspect 38, wherein the at least one processor is configured to receive, from the second network device, an index associated with the second ML model.

[0279] Aspect 40. The first network device of any of Aspects 29 to 39, wherein the first network device and the second network device are each one of user equipment (UE) , a base station, a network server, or a sensing server.

[0280] Aspect 41. A method of wireless communications at a first network device, the method comprising: transmitting, to a second network device, first information indicating a first machine learning (ML) model for classifying an object, the first ML model associated with a first object signature quantized with a first number of bits; receiving, from the second network device based on the first ML model, a first report comprising first classification results of a first micro-Doppler spectrum of the object; transmitting, to the second network device based on the first classification results, second information indicating a second ML model for classifying the object, the second ML model associated with a second object signature quantized with a second number of bits, wherein the first number of bits is less than the second number of bits; and receiving, from the second network device based on the second ML model, a second report comprising second classification results of a second micro-Doppler spectrum of the object.

[0281] Aspect 42. The method of Aspect 41, wherein the first ML model is trained to classify a plurality of categories of one or more objects, and wherein the second ML model is trained to classify a plurality of subcategories of a category of the plurality of categories.

[0282] Aspect 43. The method of any of Aspects 41 or 42, wherein the first micro-Doppler spectrum of the object and the second micro-Doppler spectrum of the object are a same micro-Doppler spectrum measurement of the object obtained by the second network device.

[0283] Aspect 44. The method of any of Aspects 41 to 43, wherein the first micro-Doppler spectrum of the object and the second micro-Doppler spectrum of the object are different micro-Doppler spectrum measurements of the object obtained by the second network device.

[0284] Aspect 45. The method of any of Aspects 41 to 44, further comprising transmitting, to the second network device, a first configuration of sensing resources for obtaining the first micro-Doppler spectrum of the object.

[0285] Aspect 46. The method of Aspect 45, further comprising transmitting, to the second network device, a second configuration of sensing resources for obtaining the second micro-Doppler spectrum of the object and a table mapping different configurations of sensing resources to different numbers of bits for quantizing object signatures.

[0286] Aspect 47. The method of Aspect 46, wherein the first configuration of sensing resources comprises at least one of a lower number of sensing resources, a larger interval of sensing resources, or a shorter duration of time than the second configuration of sensing resource s.

[0287] Aspect 48. The method of any of Aspects 46 or 47, wherein the second configuration of sensing resources indicates the second number of bits.

[0288] Aspect 49. The method of any of Aspects 41 to 48, wherein an index of the second ML model indicates the second number of bits.

[0289] Aspect 50. The method of any of Aspects 41 to 49, further comprising receiving, from the second network device, a request signal requesting the second ML model.

[0290] Aspect 51. The method of Aspect 50, further comprising receiving, from the second network device, an index associated with the second ML model.

[0291] Aspect 52. The method of any of Aspects 41 to 51, wherein the first network device and the second network device are each one of user equipment (UE) , a base station, a network server, or a sensing server.

[0292] Aspect 53. A non-transitory computer-readable medium having stored thereon instructions that, when executed by one or more processors, cause the one or more processors to perform operations according to any of Aspects 15 to 28.

[0293] Aspect 54. An apparatus for generating virtual content in a distributed system, the apparatus including one or more means for performing operations according to any of Aspects 15 to 28.

[0294] Aspect 55. A non-transitory computer-readable medium having stored thereon instructions that, when executed by one or more processors, cause the one or more processors to perform operations according to any of Aspects 41 to 52.

[0295] Aspect 56. An apparatus for wireless communications, the apparatus including one or more means for performing operations according to any of Aspects 41 to 52.

[0296] The previous description is provided to enable any person skilled in the art to practice the various aspects described herein. Various modifications to these aspects will be readily apparent to those skilled in the art, and the generic principles defined herein may be applied to other aspects. Thus, the claims are not intended to be limited to the aspects shown herein, but is to be accorded the full scope consistent with the language claims, wherein reference to an element in the singular is not intended to mean “one and only one” unless specifically so stated, but rather “one or more. ”

Claims

1.A first network device for wireless communications, the first network device comprising:at least one memory; andat least one processor coupled to the at least one memory and configured to:receive, from a second network device, first information indicating a first machine learning (ML) model for classifying an object, the first ML model associated with a first object signature quantized with a first number of bits;determine, using the first ML model, first classification results of a first micro-Doppler spectrum of the object;output, for transmission to the second network device, a first report comprising the first classification results;receive, from the second network device based on the first classification results, second information indicating a second ML model for classifying the object, the second ML model associated with a second object signature quantized with a second number of bits, wherein the first number of bits is less than the second number of bits;determine, using the second ML model, second classification results of a second micro-Doppler spectrum of the object; andoutput, for transmission to the second network device, a second report comprising the second classification results.2.The first network device of claim 1, wherein the first ML model is trained to classify a plurality of categories of one or more objects, and the second ML model is trained to classify a plurality of subcategories of a category of the plurality of categories.3.The first network device of claim 2, wherein the category corresponds to the first classification results.4.The first network device of claim 1, wherein the first micro-Doppler spectrum of the object and the second micro-Doppler spectrum of the object are a same micro-Doppler spectrum measurement of the object obtained by the first network device.5.The first network device of claim 1, wherein the first micro-Doppler spectrum of the object and the second micro-Doppler spectrum of the object are different micro-Doppler spectrum measurements of the object obtained by the first network device.6.The first network device of claim 1, wherein the at least one processor is configured to receive, from the second network device, a first configuration of sensing resources for obtaining the first micro-Doppler spectrum of the object.7.The first network device of claim 6, wherein the at least one processor is configured to receive, from the second network device, a second configuration of sensing resources for obtaining the second micro-Doppler spectrum of the object and a table mapping different configurations of sensing resources to different numbers of bits for quantizing object signatures.8.The first network device of claim 7, wherein the first configuration of sensing resources comprises at least one of a lower number of sensing resources, a larger interval of sensing resources, or a shorter duration of time than the second configuration of sensing resources.9.The first network device of claim 7, wherein the second configuration of sensing resources indicates the second number of bits.10.The first network device of claim 1, wherein an index of the second ML model indicates the second number of bits.11.The first network device of claim 1, wherein the at least one processor is configured to output, for transmission to the second network device, a request signal requesting the second ML model.12.The first network device of claim 11, wherein the at least one processor is configured to output, for transmission to the second network device, an index associated with the second ML model.13.The first network device of claim 1, wherein the first network device and the second network device are each one of user equipment (UE) , a base station, a network server, or a sensing server.14.The first network device of claim 1, wherein the at least one processor is configured to:receive, from the second network device based on the second classification results, third information indicating a third ML model for classifying the object, the third ML model associated with a third object signature quantized with a third number of bits, wherein the second number of bits is less than the third number of bits;determine, using the third ML model, third classification results of a third micro-Doppler spectrum of the object; andoutput, for transmission to the second network device, a third report comprising the third classification results.15.A method for wireless communications at a first network device, the method comprising:receiving, from a second network device, first information indicating a first machine learning (ML) model for classifying an object, the first ML model associated with a first object signature quantized with a first number of bits;determining, using the first ML model, first classification results of a first micro-Doppler spectrum of the object;transmitting, to the second network device, a first report comprising the first classification results;receiving, from the second network device based on the first classification results, second information indicating a second ML model for classifying the object, the second ML model associated with a second object signature quantized with a second number of bits, wherein the first number of bits is less than the second number of bits;determining, using the second ML model, second classification results of a second micro-Doppler spectrum of the object; andtransmitting, to the second network device, a second report comprising the second classification results.16.The method of claim 15, wherein the first ML model is trained to classify a plurality of categories of one or more objects, and the second ML model is trained to classify a plurality of subcategories of a category of the plurality of categories, and wherein the category corresponds to the first classification results.17.The method of claim 15, wherein the first micro-Doppler spectrum of the object and the second micro-Doppler spectrum of the object are a same micro-Doppler spectrum measurement of the object obtained by the first network device.18.The method of claim 15, wherein the first micro-Doppler spectrum of the object and the second micro-Doppler spectrum of the object are different micro-Doppler spectrum measurements of the object obtained by the first network device.19.A first network device for wireless communications, the first network device comprising:at least one memory; andat least one processor coupled to the at least one memory and configured to:output, for transmission to a second network device, first information indicating a first machine learning (ML) model for classifying an object, the first ML model associated with a first object signature quantized with a first number of bits;receive, from the second network device based on the first ML model, a first report comprising first classification results of a first micro-Doppler spectrum of the object;output, for transmission to the second network device based on the first classification results, second information indicating a second ML model for classifying the object, the second ML model associated with a second object signature quantized with a second number of bits, wherein the first number of bits is less than the second number of bits; andreceive, from the second network device based on the second ML model, a second report comprising second classification results of a second micro-Doppler spectrum of the object.20.The first network device of claim 19, wherein the first ML model is trained to classify a plurality of categories of one or more objects, and wherein the second ML model is trained to classify a plurality of subcategories of a category of the plurality of categories.21.The first network device of claim 19, wherein the first micro-Doppler spectrum of the object and the second micro-Doppler spectrum of the object are a same micro-Doppler spectrum measurement of the object obtained by the second network device.22.The first network device of claim 19, wherein the first micro-Doppler spectrum of the object and the second micro-Doppler spectrum of the object are different micro-Doppler spectrum measurements of the object obtained by the second network device.23.The first network device of claim 19, wherein the at least one processor is configured to output, for transmission to the second network device, a first configuration of sensing resources for obtaining the first micro-Doppler spectrum of the object.24.The first network device of claim 23, wherein the at least one processor is configured to output, for transmission to the second network device, a second configuration of sensing resources for obtaining the second micro-Doppler spectrum of the object and a table mapping different configurations of sensing resources to different numbers of bits for quantizing object signatures.25.The first network device of claim 24, wherein the first configuration of sensing resources comprises at least one of a lower number of sensing resources, a larger interval of sensing resources, or a shorter duration of time than the second configuration of sensing resources.26.The first network device of claim 24, wherein the second configuration of sensing resources indicates the second number of bits.27.The first network device of claim 19, wherein an index of the second ML model indicates the second number of bits.28.The first network device of claim 19, wherein the at least one processor is configured to receive, from the second network device, a request signal requesting the second ML model.29.The first network device of claim 28, wherein the at least one processor is configured to receive, from the second network device, an index associated with the second ML model.30.The first network device of claim 19, wherein the first network device and the second network device are each one of user equipment (UE) , a base station, a network server, or a sensing server.

Images