Machine learning model monitoring for sensing

Abstract

In some aspects, a sensing node may obtain one or more sensing measurements of one or more sensing reference signals. The sensing node may apply a machine learning model to the one or more sensing measurements to obtain first sensing results associated with one or more target objects. The sensing node may obtain second sensing results associated with the one or more target objects based on one or more non-machine learning sensing methods. The sensing node may transmit, to a sensing entity, a model monitoring report indicating a result of a comparison between the first sensing results and the second sensing results.

Description

MACHINE LEARNING MODEL MONITORING FOR SENSINGTECHNICAL FIELD

[0001] Aspects of the disclosure relate generally to wireless technologies, and more particularly to radio frequency (RF) sensing that involves machine learning.BACKGROUND

[0002] Wireless communication systems have developed through various generations, including a first-generation analog wireless phone service (1G) , a second-generation (2G) digital wireless phone service (including interim 2.5G and 2.75G networks) , a third-generation (3G) high speed data, Internet-capable wireless service and a fourth-generation (4G) service (e.g., Long Term Evolution (LTE) or WiMax) . There are presently many different types of wireless communication systems in use, including cellular and personal communications service (PCS) systems. Examples of known cellular systems include the cellular analog advanced mobile phone system (AMPS) , and digital cellular systems based on code division multiple access (CDMA) , frequency division multiple access (FDMA) , time division multiple access (TDMA) , the Global System for Mobile communications (GSM) , etc.

[0003] A fifth generation (5G) wireless standard, referred to as New Radio (NR) , enables higher data transfer speeds, greater numbers of connections, and better coverage, among other improvements. The 5G standard, according to the Next Generation Mobile Networks Alliance, is designed to provide higher data rates as compared to previous standards, more accurate positioning (e.g., based on reference signals for positioning (RS-P) , such as downlink, uplink, or sidelink positioning reference signals (PRS) ) , radio frequency (RF) sensing, and other technical enhancements. These enhancements, as well as the use of higher frequency bands, advances in PRS processes and technology, and high-density deployments for 5G, enable highly accurate 5G-based positioning and RF sensing.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] In an aspect, a method of wireless sensing performed by a sensing node includes obtaining one or more sensing measurements of one or more sensing reference signals; applying a machine learning model to the one or more sensing measurements to obtain first sensing results associated with one or more target objects; obtaining second sensing results associated with the one or more target objects based on one or more non-machine learning sensing methods; and transmitting, to a sensing entity, a model monitoring report indicating a result of a comparison between the first sensing results and the second sensing results.

[0006] In an aspect, a sensing node includes one or more memories; one or more transceivers; and one or more processors communicatively coupled to the one or more memories and the one or more transceivers, the one or more processors, either alone or in combination, configured to: obtain one or more sensing measurements of one or more sensing reference signals; apply a machine learning model to the one or more sensing measurements to obtain first sensing results associated with one or more target objects; obtain second sensing results associated with the one or more target objects based on one or more non-machine learning sensing methods; and transmit, via the one or more transceivers, to a sensing entity, a model monitoring report indicating a result of a comparison between the first sensing results and the second sensing results.

[0007] In an aspect, a sensing node includes means for obtaining one or more sensing measurements of one or more sensing reference signals; means for applying a machine learning model to the one or more sensing measurements to obtain first sensing results associated with one or more target objects; means for obtaining second sensing results associated with the one or more target objects based on one or more non-machine learning sensing methods; and means for transmitting, to a sensing entity, a model monitoring report indicating a result of a comparison between the first sensing results and the second sensing results.

[0008] In an aspect, a non-transitory computer-readable medium stores computer-executable instructions that, when executed by a sensing node, cause the sensing node to: obtain one or more sensing measurements of one or more sensing reference signals; apply a machine learning model to the one or more sensing measurements to obtain first sensing results associated with one or more target objects; obtain second sensing results associated with the one or more target objects based on one or more non-machine learning sensing methods; and transmit, to a sensing entity, a model monitoring report indicating a result of a comparison between the first sensing results and the second sensing results.

[0009] Other objects and advantages associated with the aspects disclosed herein will be apparent to those skilled in the art based on the accompanying drawings and detailed description.BRIEF DESCRIPTION OF THE DRAWINGS

[0010] The accompanying drawings are presented to aid in the description of various aspects of the disclosure and are provided solely for illustration of the aspects and not limitation thereof.

[0011] FIG. 1 illustrates an example wireless communications system, according to aspects of the disclosure.

[0012] FIGS. 2A, 2B, and 2C illustrate example wireless network structures, according to aspects of the disclosure.

[0013] FIGS. 3A, 3B, and 3C are simplified block diagrams of several sample aspects of components that may be employed in a user equipment (UE) , a base station, and a network entity, respectively, and configured to support communications as taught herein.

[0014] FIG. 4 illustrates examples of various positioning methods supported in New Radio (NR) , according to aspects of the disclosure.

[0015] FIGS. 5A and 5B illustrate different types of wireless sensing, according to aspects of the disclosure.

[0016] FIG. 6 illustrates an example machine learning model, according to aspects of the disclosure.

[0017] FIG. 7A is a diagram illustrating an example of direct artificial intelligence / machine learning (AI / ML) positioning, according to aspects of the disclosure.

[0018] FIG. 7B is a diagram illustrating an example of AI / ML assisted positioning, according to aspects of the disclosure.

[0019] FIG. 8 illustrates various AI / ML positioning scenarios, according to aspects of the disclosure.

[0020] FIGS. 9A and 9B illustrate example systems for model monitoring based on result comparisons of AI / ML-based sensing methods and other reference sensing methods, according to aspects of the disclosure.

[0021] FIG. 10 is a diagram illustrating an example signaling flow for model monitoring based on result comparisons of AI / ML-based sensing methods with other reference sensing methods, according to aspects of the disclosure.

[0022] FIG. 11 illustrates an example method of wireless sensing, according to aspects of the disclosure.DETAILED DESCRIPTION

[0023] Aspects of the disclosure are provided in the following description and related drawings directed to various examples provided 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.

[0024] Various aspects relate generally to wireless sensing. Some aspects more specifically relate to using machine learning models for wireless sensing. In some examples, the network or sensing node may perform model monitoring based on result comparisons of machine learning-based methods with other reference sensing methods. The sensing node may receive a configuration to perform model monitoring (including reference sensing methods and weights / priorities) and then report back the results of the comparison (e.g., the variance of the machine learning model-based results compared to the results of the reference sensing methods) .

[0025] Particular aspects of the subject matter described in this disclosure can be implemented to realize one or more of the following potential advantages. In some examples, by performing model monitoring after deployments of the machine learning model, the described techniques can be used to determine the performance of a deployed machine learning model. If the performance of the machine learning model achieves the expectation, the deployed machine learning model can continue to be used. Otherwise, the model needs to be disabled or updated.

[0026] The words “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.

[0027] Those of skill in the art will appreciate that the information and signals described below 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 description below may be represented by voltages, currents, electromagnetic waves, magnetic fields or particles, optical fields or particles, or any combination thereof, depending in part on the particular application, in part on the desired design, in part on the corresponding technology, etc.

[0028] Further, many aspects are described in terms of sequences of actions to be performed by, for example, elements of a computing device. It will be recognized that various actions described herein can be performed by specific circuits (e.g., application specific integrated circuits (ASICs) ) , by program instructions being executed by one or more processors, or by a combination of both. Additionally, the sequence (s) of actions described herein can be considered to be embodied entirely within any form of non-transitory computer-readable storage medium having stored therein a corresponding set of computer instructions that, upon execution, would cause or instruct an associated processor of a device to perform the functionality described herein. Thus, the various aspects of the disclosure may be embodied in a number of different forms, all of which have been contemplated to be within the scope of the claimed subject matter. In addition, for each of the aspects described herein, the corresponding form of any such aspects may be described herein as, for example, “logic configured to” perform the described action.

[0029] As used herein, the terms “user equipment” (UE) and “base station” 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, consumer asset locating device, wearable (e.g., smartwatch, glasses, augmented reality (AR)  / virtual reality (VR) headset, etc. ) , vehicle (e.g., automobile, motorcycle, bicycle, etc. ) , 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 the Institute of Electrical and Electronics Engineers (IEEE) 802.11 specification, etc. ) and so on.

[0030] A base station 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, 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 purely 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, a forward traffic channel, etc. ) . As used herein the term traffic channel (TCH) can refer to either an uplink  / reverse or downlink  / forward traffic channel.

[0031] The term “base station” may refer to a single physical transmission-reception point (TRP) or to multiple physical TRPs that may or may not be co-located. For example, where the term “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 “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) (aremote 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 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.

[0032] In some implementations that support positioning of UEs, a 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) .

[0033] An “RF signal” comprises 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.

[0034] FIG. 1 illustrates an example wireless communications system 100, according to aspects of the disclosure. The wireless communications system 100 (which may also be referred to as a wireless wide area network (WWAN) ) may include various base stations 102 (labeled “BS” ) and various UEs 104. The base stations 102 may include macro cell base stations (high power cellular base stations) and / or small cell base stations (low power cellular base stations) . In an aspect, the macro cell base stations may include eNBs and / or ng-eNBs where the wireless communications system 100 corresponds to an LTE network,  or gNBs where the wireless communications system 100 corresponds to a NR network, or a combination of both, and the small cell base stations may include femtocells, picocells, microcells, etc.

[0035] The base stations 102 may collectively form a RAN and interface with a core network 170 (e.g., an evolved packet core (EPC) or a 5G core (5GC) ) through backhaul links 122, and through the core network 170 to one or more location servers 172 (e.g., a location management function (LMF) or a secure user plane location (SUPL) location platform (SLP) ) . The location server (s) 172 may be part of core network 170 or may be external to core network 170. A location server 172 may be integrated with a base station 102. A UE 104 may communicate with a location server 172 directly or indirectly. For example, a UE 104 may communicate with a location server 172 via the base station 102 that is currently serving that UE 104. A UE 104 may also communicate with a location server 172 through another path, such as via an application server (not shown) , via another network, such as via a wireless local area network (WLAN) access point (AP) (e.g., AP 150 described below) , and so on. For signaling purposes, communication between a UE 104 and a location server 172 may be represented as an indirect connection (e.g., through the core network 170, etc. ) or a direct connection (e.g., as shown via direct connection 128) , with the intervening nodes (if any) omitted from a signaling diagram for clarity.

[0036] In addition to other functions, the base stations 102 may perform functions that relate to one or more of transferring user data, radio channel ciphering and deciphering, integrity protection, header compression, mobility control functions (e.g., handover, dual connectivity) , inter-cell interference coordination, connection setup and release, load balancing, distribution for non-access stratum (NAS) messages, NAS node selection, synchronization, RAN sharing, multimedia broadcast multicast service (MBMS) , subscriber and equipment trace, RAN information management (RIM) , paging, positioning, and delivery of warning messages. The base stations 102 may communicate with each other directly or indirectly (e.g., through the EPC  / 5GC) over backhaul links 134, which may be wired or wireless.

[0037] The base stations 102 may wirelessly communicate with the UEs 104. Each of the base stations 102 may provide communication coverage for a respective geographic coverage area 110. In an aspect, one or more cells may be supported by a base station 102 in each geographic coverage area 110. A “cell” is a logical communication entity used for  communication with a base station (e.g., over some frequency resource, referred to as a carrier frequency, component carrier, carrier, band, or the like) , and may be associated with an identifier (e.g., a physical cell identifier (PCI) , an enhanced cell identifier (ECI) , a virtual cell identifier (VCI) , a cell global identifier (CGI) , etc. ) for distinguishing cells operating via the same or a different carrier frequency. In some cases, different cells may be configured according to different protocol types (e.g., machine-type communication (MTC) , narrowband IoT (NB-IoT) , enhanced mobile broadband (eMBB) , or others) that may provide access for different types of UEs. Because a cell is supported by a specific base station, the term “cell” may refer to either or both of the logical communication entity and the base station that supports it, depending on the context. In addition, because a TRP is typically the physical transmission point of a cell, the terms “cell” and “TRP” may be used interchangeably. In some cases, the term “cell” may also refer to a geographic coverage area of a base station (e.g., a sector) , insofar as a carrier frequency can be detected and used for communication within some portion of geographic coverage areas 110.

[0038] While neighboring macro cell base station 102 geographic coverage areas 110 may partially overlap (e.g., in a handover region) , some of the geographic coverage areas 110 may be substantially overlapped by a larger geographic coverage area 110. For example, a small cell base station 102' (labeled “SC” for “small cell” ) may have a geographic coverage area 110' that substantially overlaps with the geographic coverage area 110 of one or more macro cell base stations 102. A network that includes both small cell and macro cell base stations may be known as a heterogeneous network. A heterogeneous network may also include home eNBs (HeNBs) , which may provide service to a restricted group known as a closed subscriber group (CSG) .

[0039] The communication links 120 between the base stations 102 and the UEs 104 may include uplink (also referred to as reverse link) transmissions from a UE 104 to a base station 102 and / or downlink (DL) (also referred to as forward link) transmissions from a base station 102 to a UE 104. The communication links 120 may use MIMO antenna technology, including spatial multiplexing, beamforming, and / or transmit diversity. The communication links 120 may be through one or more carrier frequencies. Allocation of carriers may be asymmetric with respect to downlink and uplink (e.g., more or less carriers may be allocated for downlink than for uplink) .

[0040] The wireless communications system 100 may further include a wireless local area network (WLAN) access point (AP) 150 in communication with WLAN stations (STAs) 152 via communication links 154 in an unlicensed frequency spectrum (e.g., 5 GHz) . When communicating in an unlicensed frequency spectrum, the WLAN STAs 152 and / or the WLAN AP 150 may perform a clear channel assessment (CCA) or listen before talk (LBT) procedure prior to communicating in order to determine whether the channel is available.

[0041] The small cell base station 102' may operate in a licensed and / or an unlicensed frequency spectrum. When operating in an unlicensed frequency spectrum, the small cell base station 102' may employ LTE or NR technology and use the same 5 GHz unlicensed frequency spectrum as used by the WLAN AP 150. The small cell base station 102', employing LTE  / 5G in an unlicensed frequency spectrum, may boost coverage to and / or increase capacity of the access network. NR in unlicensed spectrum may be referred to as NR-U. LTE in an unlicensed spectrum may be referred to as LTE-U, licensed assisted access (LAA) , or

[0042] The wireless communications system 100 may further include a millimeter wave (mmW) base station 180 that may operate in mmW frequencies and / or near mmW frequencies in communication with a UE 182. Extremely high frequency (EHF) is part of the RF in the electromagnetic spectrum. EHF has a range of 30 GHz to 300 GHz and a wavelength between 1 millimeter and 10 millimeters. Radio waves in this band may be referred to as a millimeter wave. Near mmW may extend down to a frequency of 3 GHz with a wavelength of 100 millimeters. The super high frequency (SHF) band extends between 3 GHz and 30 GHz, also referred to as centimeter wave. Communications using the mmW / near mmW radio frequency band have high path loss and a relatively short range. The mmW base station 180 and the UE 182 may utilize beamforming (transmit and / or receive) over a mmW communication link 184 to compensate for the extremely high path loss and short range. Further, it will be appreciated that in alternative configurations, one or more base stations 102 may also transmit using mmW or near mmW and beamforming. Accordingly, it will be appreciated that the foregoing illustrations are merely examples and should not be construed to limit the various aspects disclosed herein.

[0043] Transmit beamforming is a technique for focusing an RF signal in a specific direction. Traditionally, when a network node (e.g., a base station) broadcasts an RF signal, it  broadcasts the signal in all directions (omni-directionally) . With transmit beamforming, the network node determines where a given target device (e.g., a UE) is located (relative to the transmitting network node) and projects a stronger downlink RF signal in that specific direction, thereby providing a faster (in terms of data rate) and stronger RF signal for the receiving device (s) . To change the directionality of the RF signal when transmitting, a network node can control the phase and relative amplitude of the RF signal at each of the one or more transmitters that are broadcasting the RF signal. For example, a network node may use an array of antennas (referred to as a “phased array” or an “antenna array” ) that creates a beam of RF waves that can be “steered” to point in different directions, without actually moving the antennas. Specifically, the RF current from the transmitter is fed to the individual antennas with the correct phase relationship so that the radio waves from the separate antennas add together to increase the radiation in a desired direction, while cancelling to suppress radiation in undesired directions.

[0044] Transmit beams may be quasi-co-located, meaning that they appear to the receiver (e.g., a UE) as having the same parameters, regardless of whether or not the transmitting antennas of the network node themselves are physically co-located. In NR, there are four types of quasi-co-location (QCL) relations. Specifically, a QCL relation of a given type means that certain parameters about a second reference RF signal on a second beam can be derived from information about a source reference RF signal on a source beam. Thus, if the source reference RF signal is QCL Type A, the receiver can use the source reference RF signal to estimate the Doppler shift, Doppler spread, average delay, and delay spread of a second reference RF signal transmitted on the same channel. If the source reference RF signal is QCL Type B, the receiver can use the source reference RF signal to estimate the Doppler shift and Doppler spread of a second reference RF signal transmitted on the same channel. If the source reference RF signal is QCL Type C, the receiver can use the source reference RF signal to estimate the Doppler shift and average delay of a second reference RF signal transmitted on the same channel. If the source reference RF signal is QCL Type D, the receiver can use the source reference RF signal to estimate the spatial receive parameter of a second reference RF signal transmitted on the same channel.

[0045] In receive beamforming, the receiver uses a receive beam to amplify RF signals detected on a given channel. For example, the receiver can increase the gain setting and / or adjust the phase setting of an array of antennas in a particular direction to amplify (e.g., to  increase the gain level of) the RF signals received from that direction. Thus, when a receiver is said to beamform in a certain direction, it means the beam gain in that direction is high relative to the beam gain along other directions, or the beam gain in that direction is the highest compared to the beam gain in that direction of all other receive beams available to the receiver. This results in a stronger received signal strength (e.g., reference signal received power (RSRP) , reference signal received quality (RSRQ) , signal-to-interference-plus-noise ratio (SINR) , etc. ) of the RF signals received from that direction.

[0046] Transmit and receive beams may be spatially related. A spatial relation means that parameters for a second beam (e.g., a transmit or receive beam) for a second reference signal can be derived from information about a first beam (e.g., a receive beam or a transmit beam) for a first reference signal. For example, a UE may use a particular receive beam to receive a reference downlink reference signal (e.g., synchronization signal block (SSB) ) from a base station. The UE can then form a transmit beam for sending an uplink reference signal (e.g., sounding reference signal (SRS) ) to that base station based on the parameters of the receive beam.

[0047] Note that a “downlink” beam may be either a transmit beam or a receive beam, depending on the entity forming it. For example, if a base station is forming the downlink beam to transmit a reference signal to a UE, the downlink beam is a transmit beam. If the UE is forming the downlink beam, however, it is a receive beam to receive the downlink reference signal. Similarly, an “uplink” beam may be either a transmit beam or a receive beam, depending on the entity forming it. For example, if a base station is forming the uplink beam, it is an uplink receive beam, and if a UE is forming the uplink beam, it is an uplink transmit beam.

[0048] The electromagnetic spectrum is often subdivided, based on frequency / wavelength, into various classes, bands, channels, etc. 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) . It should be understood that 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 TELECOMMUNICATION as a “millimeter wave” band.

[0049] 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 and / or FR2 characteristics, and thus may effectively extend features of FR1 and / 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.

[0050] With the above aspects in mind, unless specifically stated otherwise, it should be understood that the term “sub-6 GHz” or the like 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, it should be understood that the term “millimeter wave” or the like if used herein may broadly represent frequencies that may include mid-band frequencies, may be within FR2, FR4, FR4-a or FR4-1, and / or FR5, or may be within the EHF band.

[0051] In a multi-carrier system, such as 5G, one of the carrier frequencies is referred to as the “primary carrier” or “anchor carrier” or “primary serving cell” or “PCell, ” and the remaining carrier frequencies are referred to as “secondary carriers” or “secondary serving cells” or “SCells. ” In carrier aggregation, the anchor carrier is the carrier operating on the primary frequency (e.g., FR1) utilized by a UE 104 / 182 and the cell in which the UE 104 / 182 either performs the initial radio resource control (RRC) connection establishment procedure or initiates the RRC connection re-establishment procedure. The primary carrier carries all common and UE-specific control channels, and may be a carrier in a licensed frequency (however, this is not always the case) . A secondary carrier is a carrier operating on a second frequency (e.g., FR2) that may be configured once the RRC connection is established between the UE 104 and the anchor carrier and that may be used to provide additional radio resources. In some cases, the secondary carrier may be a carrier in an unlicensed frequency. The secondary carrier may contain only necessary  signaling information and signals, for example, those that are UE-specific may not be present in the secondary carrier, since both primary uplink and downlink carriers are typically UE-specific. This means that different UEs 104 / 182 in a cell may have different downlink primary carriers. The same is true for the uplink primary carriers. The network is able to change the primary carrier of any UE 104 / 182 at any time. This is done, for example, to balance the load on different carriers. Because a “serving cell” (whether a PCell or an SCell) corresponds to a carrier frequency  / component carrier over which some base station is communicating, the term “cell, ” “serving cell, ” “component carrier, ” “carrier frequency, ” and the like can be used interchangeably.

[0052] For example, still referring to FIG. 1, one of the frequencies utilized by the macro cell base stations 102 may be an anchor carrier (or “PCell” ) and other frequencies utilized by the macro cell base stations 102 and / or the mmW base station 180 may be secondary carriers ( “SCells” ) . The simultaneous transmission and / or reception of multiple carriers enables the UE 104 / 182 to significantly increase its data transmission and / or reception rates. For example, two 20 MHz aggregated carriers in a multi-carrier system would theoretically lead to a two-fold increase in data rate (i.e., 40 MHz) , compared to that attained by a single 20 MHz carrier.

[0053] The wireless communications system 100 may further include a UE 164 that may communicate with a macro cell base station 102 over a communication link 120 and / or the mmW base station 180 over a mmW communication link 184. For example, the macro cell base station 102 may support a PCell and one or more SCells for the UE 164 and the mmW base station 180 may support one or more SCells for the UE 164.

[0054] In some cases, the UE 164 and the UE 182 may be capable of sidelink communication. Sidelink-capable UEs (SL-UEs) may communicate with base stations 102 over communication links 120 using the Uu interface (i.e., the air interface between a UE and a base station) . SL-UEs (e.g., UE 164, UE 182) may also communicate directly with each other over a wireless sidelink 160 using the PC5 interface (i.e., the air interface between sidelink-capable UEs) . A wireless sidelink (or just “sidelink” ) is an adaptation of the core cellular (e.g., LTE, NR) standard that allows direct communication between two or more UEs without the communication needing to go through a base station. Sidelink communication may be unicast or multicast, and may be used for device-to-device (D2D) media-sharing, vehicle-to-vehicle (V2V) communication, vehicle-to-everything (V2X)  communication (e.g., cellular V2X (cV2X) communication, enhanced V2X (eV2X) communication, etc. ) , emergency rescue applications, etc. One or more of a group of SL-UEs utilizing sidelink communications may be within the geographic coverage area 110 of a base station 102. Other SL-UEs in such a group may be outside the geographic coverage area 110 of a base station 102 or be otherwise unable to receive transmissions from a base station 102. In some cases, groups of SL-UEs communicating via sidelink communications may utilize a one-to-many (1: M) system in which each SL-UE transmits to every other SL-UE in the group. In some cases, a base station 102 facilitates the scheduling of resources for sidelink communications. In other cases, sidelink communications are carried out between SL-UEs without the involvement of a base station 102.

[0055] In an aspect, the sidelink 160 may operate over a wireless communication medium of interest, which may be shared with other wireless communications between other vehicles and / or infrastructure access points, as well as other RATs. A “medium” may be composed of one or more time, frequency, and / or space communication resources (e.g., encompassing one or more channels across one or more carriers) associated with wireless communication between one or more transmitter  / receiver pairs. In an aspect, the medium of interest may correspond to at least a portion of an unlicensed frequency band shared among various RATs. Although different licensed frequency bands have been reserved for certain communication systems (e.g., by a government entity such as the Federal Communications Commission (FCC) in the United States) , these systems, in particular those employing small cell access points, have recently extended operation into unlicensed frequency bands such as the Unlicensed National Information Infrastructure (U-NII) band used by wireless local area network (WLAN) technologies, most notably IEEE 802.11x WLAN technologies generally referred to as “Wi-Fi. ” Example systems of this type include different variants of CDMA systems, TDMA systems, FDMA systems, orthogonal FDMA (OFDMA) systems, single-carrier FDMA (SC-FDMA) systems, and so on.

[0056] Note that although FIG. 1 only illustrates two of the UEs as SL-UEs (i.e., UEs 164 and 182) , any of the illustrated UEs may be SL-UEs. Further, although only UE 182 was described as being capable of beamforming, any of the illustrated UEs, including UE 164, may be capable of beamforming. Where SL-UEs are capable of beamforming, they may  beamform towards each other (i.e., towards other SL-UEs) , towards other UEs (e.g., UEs 104) , towards base stations (e.g., base stations 102, 180, small cell 102’ , access point 150) , etc. Thus, in some cases, UEs 164 and 182 may utilize beamforming over sidelink 160.

[0057] In the example of FIG. 1, any of the illustrated UEs (shown in FIG. 1 as a single UE 104 for simplicity) may receive signals 124 from one or more Earth orbiting space vehicles (SVs) 112 (e.g., satellites) . In an aspect, the SVs 112 may be part of a satellite positioning system that a UE 104 can use as an independent source of location information. A satellite positioning system typically includes a system of transmitters (e.g., SVs 112) positioned to enable receivers (e.g., UEs 104) to determine their location on or above the Earth based, at least in part, on positioning signals (e.g., signals 124) received from the transmitters. Such a transmitter typically transmits a signal marked with a repeating pseudo-random noise (PN) code of a set number of chips. While typically located in SVs 112, transmitters may sometimes be located on ground-based control stations, base stations 102, and / or other UEs 104. A UE 104 may include one or more dedicated receivers specifically designed to receive signals 124 for deriving geo location information from the SVs 112.

[0058] In a satellite positioning system, the use of signals 124 can be augmented by various satellite-based augmentation systems (SBAS) that may be associated with or otherwise enabled for use with one or more global and / or regional navigation satellite systems. For example an SBAS may include an augmentation system (s) that provides integrity information, differential corrections, etc., such as the Wide Area Augmentation System (WAAS) , the European Geostationary Navigation Overlay Service (EGNOS) , the Multi-functional Satellite Augmentation System (MSAS) , the Global Positioning System (GPS) Aided Geo Augmented Navigation or GPS and Geo Augmented Navigation system (GAGAN) , and / or the like. Thus, as used herein, a satellite positioning system may include any combination of one or more global and / or regional navigation satellites associated with such one or more satellite positioning systems.

[0059] In an aspect, SVs 112 may additionally or alternatively be part of one or more non-terrestrial networks (NTNs) . In an NTN, an SV 112 is connected to an earth station (also referred to as a ground station, NTN gateway, or gateway) , which in turn is connected to an element in a 5G network, such as a modified base station 102 (without a terrestrial antenna) or a network node in a 5GC. This element would in turn provide access to other  elements in the 5G network and ultimately to entities external to the 5G network, such as Internet web servers and other user devices. In that way, a UE 104 may receive communication signals (e.g., signals 124) from an SV 112 instead of, or in addition to, communication signals from a terrestrial base station 102.

[0060] The wireless communications system 100 may further include one or more UEs, such as UE 190, that connects indirectly to one or more communication networks via one or more device-to-device (D2D) peer-to-peer (P2P) links (referred to as “sidelinks” ) . In the example of FIG. 1, UE 190 has a D2D P2P link 192 with one of the UEs 104 connected to one of the base stations 102 (e.g., through which UE 190 may indirectly obtain cellular connectivity) and a D2D P2P link 194 with WLAN STA 152 connected to the WLAN AP 150 (through which UE 190 may indirectly obtain WLAN-based Internet connectivity) . In an example, the D2D P2P links 192 and 194 may be supported with any well-known D2D RAT, such as LTE Direct (LTE-D) , WI-FI and so on.

[0061] FIG. 2A illustrates an example wireless network structure 200. For example, a 5GC 210 (also referred to as a Next Generation Core (NGC) ) can be viewed functionally as control plane (C-plane) functions 214 (e.g., UE registration, authentication, network access, gateway selection, etc. ) and user plane (U-plane) functions 212, (e.g., UE gateway function, access to data networks, IP routing, etc. ) which operate cooperatively to form the core network. User plane interface (NG-U) 213 and control plane interface (NG-C) 215 connect the gNB 222 to the 5GC 210 and specifically to the user plane functions 212 and control plane functions 214, respectively. In an additional configuration, an ng-eNB 224 may also be connected to the 5GC 210 via NG-C 215 to the control plane functions 214 and NG-U 213 to user plane functions 212. Further, ng-eNB 224 may directly communicate with gNB 222 via a backhaul connection 223. In some configurations, a Next Generation RAN (NG-RAN) 220 may have one or more gNBs 222, while other configurations include one or more of both ng-eNBs 224 and gNBs 222. Either (or both) gNB 222 or ng-eNB 224 may communicate with one or more UEs 204 (e.g., any of the UEs described herein) .

[0062] Another optional aspect may include a location server 230, which may be in communication with the 5GC 210 to provide location assistance for UE (s) 204. The location server 230 can be implemented as a plurality of separate servers (e.g., physically  separate servers, different software modules on a single server, different software modules spread across multiple physical servers, etc. ) , or alternately may each correspond to a single server. The location server 230 can be configured to support one or more location services for UEs 204 that can connect to the location server 230 via the core network, 5GC 210, and / or via the Internet (not illustrated) . Further, the location server 230 may be integrated into a component of the core network, or alternatively may be external to the core network (e.g., a third party server, such as an original equipment manufacturer (OEM) server or service server) .

[0063] FIG. 2B illustrates another example wireless network structure 240. A 5GC 260 (which may correspond to 5GC 210 in FIG. 2A) can be viewed functionally as control plane functions, provided by an access and mobility management function (AMF) 264, and user plane functions, provided by a user plane function (UPF) 262, which operate cooperatively to form the core network (i.e., 5GC 260) . The functions of the AMF 264 include registration management, connection management, reachability management, mobility management, lawful interception, transport for session management (SM) messages between one or more UEs 204 (e.g., any of the UEs described herein) and a session management function (SMF) 266, transparent proxy services for routing SM messages, access authentication and access authorization, transport for short message service (SMS) messages between the UE 204 and the short message service function (SMSF) (not shown) , and security anchor functionality (SEAF) . The AMF 264 also interacts with an authentication server function (AUSF) (not shown) and the UE 204, and receives the intermediate key that was established as a result of the UE 204 authentication process. In the case of authentication based on a UMTS (universal mobile telecommunications system) subscriber identity module (USIM) , the AMF 264 retrieves the security material from the AUSF. The functions of the AMF 264 also include security context management (SCM) . The SCM receives a key from the SEAF that it uses to derive access-network specific keys. The functionality of the AMF 264 also includes location services management for regulatory services, transport for location services messages between the UE 204 and a location management function (LMF) 270 (which acts as a location server 230) , transport for location services messages between the NG-RAN 220 and the LMF 270, evolved packet system (EPS) bearer identifier allocation for interworking with the EPS, and UE 204 mobility event notification. In addition, the AMF  264 also supports functionalities for  (Third Generation Partnership Project) access networks.

[0064] Functions of the UPF 262 include acting as an anchor point for intra / inter-RAT mobility (when applicable) , acting as an external protocol data unit (PDU) session point of interconnect to a data network (not shown) , providing packet routing and forwarding, packet inspection, user plane policy rule enforcement (e.g., gating, redirection, traffic steering) , lawful interception (user plane collection) , traffic usage reporting, quality of service (QoS) handling for the user plane (e.g., uplink / downlink rate enforcement, reflective QoS marking in the downlink) , uplink traffic verification (service data flow (SDF) to QoS flow mapping) , transport level packet marking in the uplink and downlink, downlink packet buffering and downlink data notification triggering, and sending and forwarding of one or more “end markers” to the source RAN node. The UPF 262 may also support transfer of location services messages over a user plane between the UE 204 and a location server, such as an SLP 272.

[0065] The functions of the SMF 266 include session management, UE Internet protocol (IP) address allocation and management, selection and control of user plane functions, configuration of traffic steering at the UPF 262 to route traffic to the proper destination, control of part of policy enforcement and QoS, and downlink data notification. The interface over which the SMF 266 communicates with the AMF 264 is referred to as the N11 interface.

[0066] Another optional aspect may include an LMF 270, which may be in communication with the 5GC 260 to provide location assistance for UEs 204. The LMF 270 can be implemented as a plurality of separate servers (e.g., physically separate servers, different software modules on a single server, different software modules spread across multiple physical servers, etc. ) , or alternately may each correspond to a single server. The LMF 270 can be configured to support one or more location services for UEs 204 that can connect to the LMF 270 via the core network, 5GC 260, and / or via the Internet (not illustrated) . The SLP 272 may support similar functions to the LMF 270, but whereas the LMF 270 may communicate with the AMF 264, NG-RAN 220, and UEs 204 over a control plane (e.g., using interfaces and protocols intended to convey signaling messages and not voice or data) , the SLP 272 may communicate with UEs 204 and external clients  (e.g., third-party server 274) over a user plane (e.g., using protocols intended to carry voice and / or data like the transmission control protocol (TCP) and / or IP) .

[0067] Yet another optional aspect may include a third-party server 274, which may be in communication with the LMF 270, the SLP 272, the 5GC 260 (e.g., via the AMF 264 and / or the UPF 262) , the NG-RAN 220, and / or the UE 204 to obtain location information (e.g., a location estimate) for the UE 204. As such, in some cases, the third-party server 274 may be referred to as a location services (LCS) client or an external client. The third-party server 274 can be implemented as a plurality of separate servers (e.g., physically separate servers, different software modules on a single server, different software modules spread across multiple physical servers, etc. ) , or alternately may each correspond to a single server.

[0068] User plane interface 263 and control plane interface 265 connect the 5GC 260, and specifically the UPF 262 and AMF 264, respectively, to one or more gNBs 222 and / or ng-eNBs 224 in the NG-RAN 220. The interface between gNB (s) 222 and / or ng-eNB (s) 224 and the AMF 264 is referred to as the “N2” interface, and the interface between gNB(s) 222 and / or ng-eNB (s) 224 and the UPF 262 is referred to as the “N3” interface. The gNB (s) 222 and / or ng-eNB (s) 224 of the NG-RAN 220 may communicate directly with each other via backhaul connections 223, referred to as the “Xn-C” interface. One or more of gNBs 222 and / or ng-eNBs 224 may communicate with one or more UEs 204 over a wireless interface, referred to as the “Uu” interface.

[0069] The functionality of a gNB 222 may be divided between a gNB central unit (gNB-CU) 226, one or more gNB distributed units (gNB-DUs) 228, and one or more gNB radio units (gNB-RUs) 229. A gNB-CU 226 is a logical node that includes the base station functions of transferring user data, mobility control, radio access network sharing, positioning, session management, and the like, except for those functions allocated exclusively to the gNB-DU (s) 228. More specifically, the gNB-CU 226 generally host the radio resource control (RRC) , service data adaptation protocol (SDAP) , and packet data convergence protocol (PDCP) protocols of the gNB 222. A gNB-DU 228 is a logical node that generally hosts the radio link control (RLC) and medium access control (MAC) layer of the gNB 222. Its operation is controlled by the gNB-CU 226. One gNB-DU 228 can support one or more cells, and one cell is supported by only one gNB-DU 228. The interface 232 between the gNB-CU 226 and the one or more gNB-DUs 228 is referred to  as the “F1” interface. The physical (PHY) layer functionality of a gNB 222 is generally hosted by one or more standalone gNB-RUs 229 that perform functions such as power amplification and signal transmission / reception. The interface between a gNB-DU 228 and a gNB-RU 229 is referred to as the “Fx” interface. Thus, a UE 204 communicates with the gNB-CU 226 via the RRC, SDAP, and PDCP layers, with a gNB-DU 228 via the RLC and MAC layers, and with a gNB-RU 229 via the PHY layer.

[0070] 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, or a network equipment, such as a base station, or one or more units (or one or more components) performing base station functionality, may be implemented in an aggregated or disaggregated architecture. For example, a base station (such as a Node B (NB) , evolved NB (eNB) , NR base station, 5G NB, AP, TRP, cell, etc. ) 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.

[0071] An aggregated base station may be configured to utilize a radio protocol stack that is physically or logically integrated within a single RAN node. A disaggregated base station may be configured to utilize a protocol stack that is physically or logically distributed among two or more units (such as one or more central or centralized units (CUs) , one or more distributed units (DUs) , or one or more radio units (RUs) ) . In some aspects, a CU may be implemented within a RAN 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 RAN 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, i.e., a virtual central unit (VCU) , a virtual distributed unit (VDU) , or a virtual radio unit (VRU) .

[0072] 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 integrated access backhaul (IAB) network, an open radio access network (O-RAN (such as the network configuration sponsored by the O-RAN  ) ) , or a virtualized radio access network (vRAN, also known as a cloud radio access network (C-RAN) ) . Disaggregation may include distributing functionality across two or more units at various physical locations, as well as distributing functionality for at least one unit  virtually, which can enable flexibility in network design. The various units of the disaggregated base station, or disaggregated RAN architecture, can be configured for wired or wireless communication with at least one other unit.

[0073] FIG. 2C illustrates an example disaggregated base station architecture 250, according to aspects of the disclosure. The disaggregated base station architecture 250 may include one or more central units (CUs) 280 (e.g., gNB-CU 226) that can communicate directly with a core network 267 (e.g., 5GC 210, 5GC 260) via a backhaul link, or indirectly with the core network 267 through one or more disaggregated base station units (such as a Near-Real Time (Near-RT) RAN Intelligent Controller (RIC) 259 via an E2 link, or a Non-Real Time (Non-RT) RIC 257 associated with a Service Management and Orchestration (SMO) Framework 255, or both) . A CU 280 may communicate with one or more DUs 285 (e.g., gNB-DUs 228) via respective midhaul links, such as an F1 interface. The DUs 285 may communicate with one or more radio units (RUs) 287 (e.g., gNB-RUs 229) via respective fronthaul links. The RUs 287 may communicate with respective UEs 204 via one or more radio frequency (RF) access links. In some implementations, the UE 204 may be simultaneously served by multiple RUs 287.

[0074] Each of the units, i.e., the CUs 280, the DUs 285, the RUs 287, as well as the Near-RT RICs 259, the Non-RT RICs 257 and the SMO Framework 255, may include one or more interfaces or be coupled to 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 the communication interfaces of the units, can be configured to communicate with one or more of the other units via the transmission medium. For example, 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. Additionally, the units can include 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.

[0075] In some aspects, the CU 280 may host one or more higher layer control functions. Such control functions can include RRC, PDCP, service data adaptation protocol (SDAP) , or the like. Each control function can be implemented with an interface configured to communicate signals with other control functions hosted by the CU 280. The CU 280  may be configured to handle user plane functionality (i.e., Central Unit –User Plane (CU-UP) ) , control plane functionality (i.e., Central Unit –Control Plane (CU-CP) ) , or a combination thereof. In some implementations, the CU 280 can be logically split into one or more CU-UP units and one or more CU-CP units. The CU-UP unit can communicate bidirectionally with the CU-CP unit via an interface, such as the E1 interface when implemented in an O-RAN configuration. The CU 280 can be implemented to communicate with the DU 285, as necessary, for network control and signaling.

[0076] The DU 285 may correspond to a logical unit that includes one or more base station functions to control the operation of one or more RUs 287. In some aspects, the DU 285 may host one or more of a RLC layer, a MAC layer, and one or more high PHY layers (such as modules for forward error correction (FEC) encoding and decoding, scrambling, modulation and demodulation, or the like) depending, at least in part, on a functional split, such as those defined by the 3rd Generation Partnership Project In some aspects, the DU 285 may further host one or more low PHY layers. Each layer (or module) can be implemented with an interface configured to communicate signals with other layers (and modules) hosted by the DU 285, or with the control functions hosted by the CU 280.

[0077] Lower-layer functionality can be implemented by one or more RUs 287. In some deployments, an RU 287, controlled by a DU 285, may correspond to a logical node that hosts RF processing functions, or low-PHY layer functions (such as performing fast Fourier transform (FFT) , inverse FFT (iFFT) , digital beamforming, physical random access channel (PRACH) extraction and filtering, or the like) , or both, based at least in part on the functional split, such as a lower layer functional split. In such an architecture, the RU (s) 287 can be implemented to handle over the air (OTA) communication with one or more UEs 204. In some implementations, real-time and non-real-time aspects of control and user plane communication with the RU (s) 287 can be controlled by the corresponding DU 285. In some scenarios, this configuration can enable the DU (s) 285 and the CU 280 to be implemented in a cloud-based RAN architecture, such as a vRAN architecture.

[0078] The SMO Framework 255 may be configured to support RAN deployment and provisioning of non-virtualized and virtualized network elements. For non-virtualized  network elements, the SMO Framework 255 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 255 may be configured to interact with a cloud computing platform (such as an open cloud (O-Cloud) 269) 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 280, DUs 285, RUs 287 and Near-RT RICs 259. In some implementations, the SMO Framework 255 can communicate with a hardware aspect of a 4G RAN, such as an open eNB (O-eNB) 261, via an O1 interface. Additionally, in some implementations, the SMO Framework 255 can communicate directly with one or more RUs 287 via an O1 interface. The SMO Framework 255 also may include a Non-RT RIC 257 configured to support functionality of the SMO Framework 255.

[0079] The Non-RT RIC 257 may be configured to include a logical function that enables non-real-time control and optimization of RAN elements and resources, artificial intelligence / machine learning (AI / ML) workflows including model training and updates, or policy-based guidance of applications / features in the Near-RT RIC 259. The Non-RT RIC 257 may be coupled to or communicate with (such as via an A1 interface) the Near-RT RIC 259. The Near-RT RIC 259 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 280, one or more DUs 285, or both, as well as an O-eNB, with the Near-RT RIC 259.

[0080] In some implementations, to generate AI / ML models to be deployed in the Near-RT RIC 259, the Non-RT RIC 257 may receive parameters or external enrichment information from external servers. Such information may be utilized by the Near-RT RIC 259 and may be received at the SMO Framework 255 or the Non-RT RIC 257 from non-network data sources or from network functions. In some examples, the Non-RT RIC 257 or the Near-RT RIC 259 may be configured to tune RAN behavior or performance. For example, the Non-RT RIC 257 may monitor long-term trends and patterns for performance and employ AI / ML models to perform corrective actions through the SMO  Framework 255 (such as reconfiguration via O1) or via creation of RAN management policies (such as A1 policies) .

[0081] FIGS. 3A, 3B, and 3C illustrate several example components (represented by corresponding blocks) that may be incorporated into a UE 302 (which may correspond to any of the UEs described herein) , a base station 304 (which may correspond to any of the base stations described herein) , and a network entity 306 (which may correspond to or embody any of the network functions described herein, including the location server 230 and the LMF 270, or alternatively may be independent from the NG-RAN 220 and / or 5GC 210 / 260 infrastructure depicted in FIGS. 2A and 2B, such as a private network) to support the operations described herein. It will be appreciated that these components may be implemented in different types of apparatuses in different implementations (e.g., in an ASIC, in a system-on-chip (SoC) , etc. ) . The illustrated components may also be incorporated into other apparatuses in a communication system. For example, other apparatuses in a system may include components similar to those described to provide similar functionality. Also, a given apparatus may contain one or more of the components. For example, an apparatus may include multiple transceiver components that enable the apparatus to operate on multiple carriers and / or communicate via different technologies.

[0082] The UE 302 and the base station 304 each include one or more wireless wide area network (WWAN) transceivers 310 and 350, respectively, providing means for communicating (e.g., means for transmitting, means for receiving, means for measuring, means for tuning, means for refraining from transmitting, etc. ) via one or more wireless communication networks (not shown) , such as an NR network, an LTE network, a GSM network, and / or the like. The WWAN transceivers 310 and 350 may each be connected to one or more antennas 316 and 356, respectively, for communicating with other network nodes, such as other UEs, access points, base stations (e.g., eNBs, gNBs) , etc., via at least one designated RAT (e.g., NR, LTE, GSM, etc. ) over a wireless communication medium of interest (e.g., some set of time / frequency resources in a particular frequency spectrum) . The WWAN transceivers 310 and 350 may be variously configured for transmitting and encoding signals 318 and 358 (e.g., messages, indications, information, and so on) , respectively, and, conversely, for receiving and decoding signals 318 and 358 (e.g., messages, indications, information, pilots, and so on) , respectively, in accordance with the designated RAT. Specifically, the WWAN transceivers 310 and 350 include one or  more transmitters 314 and 354, respectively, for transmitting and encoding signals 318 and 358, respectively, and one or more receivers 312 and 352, respectively, for receiving and decoding signals 318 and 358, respectively.

[0083] The UE 302 and the base station 304 each also include, at least in some cases, one or more short-range wireless transceivers 320 and 360, respectively. The short-range wireless transceivers 320 and 360 may be connected to one or more antennas 326 and 366, respectively, and provide means for communicating (e.g., means for transmitting, means for receiving, means for measuring, means for tuning, means for refraining from transmitting, etc. ) with other network nodes, such as other UEs, access points, base stations, etc., via at least one designated RAT (e.g., Wi-Fi, LTE Direct,  PC5, dedicated short-range communications (DSRC) , wireless access for vehicular environments (WAVE) , near-field communication (NFC) , ultra-wideband (UWB) , etc. ) over a wireless communication medium of interest. The short-range wireless transceivers 320 and 360 may be variously configured for transmitting and encoding signals 328 and 368 (e.g., messages, indications, information, and so on) , respectively, and, conversely, for receiving and decoding signals 328 and 368 (e.g., messages, indications, information, pilots, and so on) , respectively, in accordance with the designated RAT. Specifically, the short-range wireless transceivers 320 and 360 include one or more transmitters 324 and 364, respectively, for transmitting and encoding signals 328 and 368, respectively, and one or more receivers 322 and 362, respectively, for receiving and decoding signals 328 and 368, respectively. As specific examples, the short-range wireless transceivers 320 and 360 may be Wi-Fi transceivers,  transceivers,  and / or transceivers, NFC transceivers, UWB transceivers, or vehicle-to-vehicle (V2V) and / or vehicle-to-everything (V2X) transceivers.

[0084] The UE 302 and the base station 304 also include, at least in some cases, satellite signal interfaces 330 and 370, which each include one or more satellite signal receivers 332 and 372, respectively, and may optionally include one or more satellite signal transmitters 334 and 374, respectively. In some cases, the base station 304 may be a terrestrial base station that may communicate with space vehicles (e.g., space vehicles 112) via the satellite signal interface 370. In other cases, the base station 304 may be a space vehicle (or other  non-terrestrial entity) that uses the satellite signal interface 370 to communicate with terrestrial networks and / or other space vehicles.

[0085] The satellite signal receivers 332 and 372 may be connected to one or more antennas 336 and 376, respectively, and may provide means for receiving and / or measuring satellite positioning / communication signals 338 and 378, respectively. Where the satellite signal receiver (s) 332 and 372 are satellite positioning system receivers, the satellite positioning / communication signals 338 and 378 may be global positioning system (GPS) signals, global navigation satellite system (GLONASS) signals, Galileo signals, Beidou signals, Indian Regional Navigation Satellite System (NAVIC) , Quasi-Zenith Satellite System (QZSS) signals, etc. Where the satellite signal receiver (s) 332 and 372 are non-terrestrial network (NTN) receivers, the satellite positioning / communication signals 338 and 378 may be communication signals (e.g., carrying control and / or user data) originating from a 5G network. The satellite signal receiver (s) 332 and 372 may comprise any suitable hardware and / or software for receiving and processing satellite positioning / communication signals 338 and 378, respectively. The satellite signal receiver (s) 332 and 372 may request information and operations as appropriate from the other systems, and, at least in some cases, perform calculations to determine locations of the UE 302 and the base station 304, respectively, using measurements obtained by any suitable satellite positioning system algorithm.

[0086] The optional satellite signal transmitter (s) 334 and 374, when present, may be connected to the one or more antennas 336 and 376, respectively, and may provide means for transmitting satellite positioning / communication signals 338 and 378, respectively. Where the satellite signal transmitter (s) 374 are satellite positioning system transmitters, the satellite positioning / communication signals 378 may be GPS signals,  signals, Galileo signals, Beidou signals, NAVIC, QZSS signals, etc. Where the satellite signal transmitter (s) 334 and 374 are NTN transmitters, the satellite positioning / communication signals 338 and 378 may be communication signals (e.g., carrying control and / or user data) originating from a 5G network. The satellite signal transmitter (s) 334 and 374 may comprise any suitable hardware and / or software for transmitting satellite positioning / communication signals 338 and 378, respectively. The satellite signal transmitter (s) 334 and 374 may request information and operations as appropriate from the other systems.

[0087] The base station 304 and the network entity 306 each include one or more network transceivers 380 and 390, respectively, providing means for communicating (e.g., means for transmitting, means for receiving, etc. ) with other network entities (e.g., other base stations 304, other network entities 306) . For example, the base station 304 may employ the one or more network transceivers 380 to communicate with other base stations 304 or network entities 306 over one or more wired or wireless backhaul links. As another example, the network entity 306 may employ the one or more network transceivers 390 to communicate with one or more base station 304 over one or more wired or wireless backhaul links, or with other network entities 306 over one or more wired or wireless core network interfaces.

[0088] A transceiver may be configured to communicate over a wired or wireless link. A transceiver (whether a wired transceiver or a wireless transceiver) includes transmitter circuitry (e.g., transmitters 314, 324, 354, 364) and receiver circuitry (e.g., receivers 312, 322, 352, 362) . A transceiver may be an integrated device (e.g., embodying transmitter circuitry and receiver circuitry in a single device) in some implementations, may comprise separate transmitter circuitry and separate receiver circuitry in some implementations, or may be embodied in other ways in other implementations. The transmitter circuitry and receiver circuitry of a wired transceiver (e.g., network transceivers 380 and 390 in some implementations) may be coupled to one or more wired network interface ports. Wireless transmitter circuitry (e.g., transmitters 314, 324, 354, 364) may include or be coupled to a plurality of antennas (e.g., antennas 316, 326, 356, 366) , such as an antenna array, that permits the respective apparatus (e.g., UE 302, base station 304) to perform transmit “beamforming, ” as described herein. Similarly, wireless receiver circuitry (e.g., receivers 312, 322, 352, 362) may include or be coupled to a plurality of antennas (e.g., antennas 316, 326, 356, 366) , such as an antenna array, that permits the respective apparatus (e.g., UE 302, base station 304) to perform receive beamforming, as described herein. In an aspect, the transmitter circuitry and receiver circuitry may share the same plurality of antennas (e.g., antennas 316, 326, 356, 366) , such that the respective apparatus can only receive or transmit at a given time, not both at the same time. A wireless transceiver (e.g., WWAN transceivers 310 and 350, short-range wireless transceivers 320 and 360) may also include a network listen module (NLM) or the like for performing various measurements.

[0089] As used herein, the various wireless transceivers (e.g., transceivers 310, 320, 350, and 360, and network transceivers 380 and 390 in some implementations) and wired transceivers (e.g., network transceivers 380 and 390 in some implementations) may generally be characterized as “a transceiver, ” “at least one transceiver, ” or “one or more transceivers. ” As such, whether a particular transceiver is a wired or wireless transceiver may be inferred from the type of communication performed. For example, backhaul communication between network devices or servers will generally relate to signaling via a wired transceiver, whereas wireless communication between a UE (e.g., UE 302) and a base station (e.g., base station 304) will generally relate to signaling via a wireless transceiver.

[0090] The UE 302, the base station 304, and the network entity 306 also include other components that may be used in conjunction with the operations as disclosed herein. The UE 302, the base station 304, and the network entity 306 include one or more processors 342, 384, and 394, respectively, for providing functionality relating to, for example, wireless communication, and for providing other processing functionality. The processors 342, 384, and 394 may therefore provide means for processing, such as means for determining, means for calculating, means for receiving, means for transmitting, means for indicating, etc. In an aspect, the processors 342, 384, and 394 may include, for example, one or more general purpose processors, multi-core processors, central processing units (CPUs) , ASICs, digital signal processors (DSPs) , field programmable gate arrays (FPGAs) , other programmable logic devices or processing circuitry, or various combinations thereof.

[0091] The UE 302, the base station 304, and the network entity 306 include memory circuitry implementing memories 340, 386, and 396 (e.g., each including a memory device) , respectively, for maintaining information (e.g., information indicative of reserved resources, thresholds, parameters, and so on) . The memories 340, 386, and 396 may therefore provide means for storing, means for retrieving, means for maintaining, etc. In some cases, the UE 302, the base station 304, and the network entity 306 may include machine learning component 348, 388, and 398, respectively. The machine learning component 348, 388, and 398 may be hardware circuits that are part of or coupled to the processors 342, 384, and 394, respectively, that, when executed, cause the UE 302, the base station 304, and the network entity 306 to perform the functionality described herein.  In other aspects, the machine learning component 348, 388, and 398 may be external to the processors 342, 384, and 394 (e.g., part of a modem processing system, integrated with another processing system, etc. ) . Alternatively, the machine learning component 348, 388, and 398 may be memory modules stored in the memories 340, 386, and 396, respectively, that, when executed by the processors 342, 384, and 394 (or a modem processing system, another processing system, etc. ) , cause the UE 302, the base station 304, and the network entity 306 to perform the functionality described herein. FIG. 3A illustrates possible locations of the machine learning component 348, which may be, for example, part of the one or more WWAN transceivers 310, the memory 340, the one or more processors 342, or any combination thereof, or may be a standalone component. FIG. 3B illustrates possible locations of the machine learning component 388, which may be, for example, part of the one or more WWAN transceivers 350, the memory 386, the one or more processors 384, or any combination thereof, or may be a standalone component. FIG. 3C illustrates possible locations of the machine learning component 398, which may be, for example, part of the one or more network transceivers 390, the memory 396, the one or more processors 394, or any combination thereof, or may be a standalone component.

[0092] The UE 302 may include one or more sensors 344 coupled to the one or more processors 342 to provide means for sensing or detecting movement and / or orientation information that is independent of motion data derived from signals received by the one or more WWAN transceivers 310, the one or more short-range wireless transceivers 320, and / or the satellite signal interface 330. By way of example, the sensor (s) 344 may include an accelerometer (e.g., a micro-electrical mechanical systems (MEMS) device) , a gyroscope, a geomagnetic sensor (e.g., a compass) , an altimeter (e.g., a barometric pressure altimeter) , and / or any other type of movement detection sensor. Moreover, the sensor (s) 344 may include a plurality of different types of devices and combine their outputs in order to provide motion information. For example, the sensor (s) 344 may use a combination of a multi-axis accelerometer and orientation sensors to provide the ability to compute positions in two-dimensional (2D) and / or three-dimensional (3D) coordinate systems.

[0093] In addition, the UE 302 includes a user interface 346 providing means for providing indications (e.g., audible and / or visual indications) to a user and / or for receiving user  input (e.g., upon user actuation of a sensing device such a keypad, a touch screen, a microphone, and so on) . Although not shown, the base station 304 and the network entity 306 may also include user interfaces.

[0094] Referring to the one or more processors 384 in more detail, in the downlink, IP packets from the network entity 306 may be provided to the processor 384. The one or more processors 384 may implement functionality for an RRC layer, a packet data convergence protocol (PDCP) layer, a radio link control (RLC) layer, and a medium access control (MAC) layer. The one or more processors 384 may provide RRC layer functionality associated with broadcasting of system information (e.g., master information block (MIB) , system information blocks (SIBs) ) , RRC connection control (e.g., RRC connection paging, RRC connection establishment, RRC connection modification, and RRC connection release) , inter-RAT mobility, and measurement configuration for UE measurement reporting; PDCP layer functionality associated with header compression / decompression, security (ciphering, deciphering, integrity protection, integrity verification) , and handover support functions; RLC layer functionality associated with the transfer of upper layer PDUs, error correction through automatic repeat request (ARQ) , concatenation, segmentation, and reassembly of RLC service data units (SDUs) , re-segmentation of RLC data PDUs, and reordering of RLC data PDUs; and MAC layer functionality associated with mapping between logical channels and transport channels, scheduling information reporting, error correction, priority handling, and logical channel prioritization.

[0095] The transmitter 354 and the receiver 352 may implement Layer-1 (L1) functionality associated with various signal processing functions. Layer-1, which includes a physical (PHY) layer, may include error detection on the transport channels, forward error correction (FEC) coding / decoding of the transport channels, interleaving, rate matching, mapping onto physical channels, modulation / demodulation of physical channels, and MIMO antenna processing. The transmitter 354 handles mapping to signal constellations based on various modulation schemes (e.g., binary phase-shift keying (BPSK) , quadrature phase-shift keying (QPSK) , M-phase-shift keying (M-PSK) , M-quadrature amplitude modulation (M-QAM) ) . The coded and modulated symbols may then be split into parallel streams. Each stream may then be mapped to an orthogonal frequency division multiplexing (OFDM) subcarrier, multiplexed with a reference signal (e.g., pilot) in the  time and / or frequency domain, and then combined together using an inverse fast Fourier transform (IFFT) to produce a physical channel carrying a time domain OFDM symbol stream. The OFDM symbol stream is spatially precoded to produce multiple spatial streams. Channel estimates from a channel estimator may be used to determine the coding and modulation scheme, as well as for spatial processing. The channel estimate may be derived from a reference signal and / or channel condition feedback transmitted by the UE 302. Each spatial stream may then be provided to one or more different antennas 356. The transmitter 354 may modulate an RF carrier with a respective spatial stream for transmission.

[0096] At the UE 302, the receiver 312 receives a signal through its respective antenna (s) 316. The receiver 312 recovers information modulated onto an RF carrier and provides the information to the one or more processors 342. The transmitter 314 and the receiver 312 implement Layer-1 functionality associated with various signal processing functions. The receiver 312 may perform spatial processing on the information to recover any spatial streams destined for the UE 302. If multiple spatial streams are destined for the UE 302, they may be combined by the receiver 312 into a single OFDM symbol stream. The receiver 312 then converts the OFDM symbol stream from the time-domain to the frequency domain using a fast Fourier transform (FFT) . The frequency domain signal comprises a separate OFDM symbol stream for each subcarrier of the OFDM signal. The symbols on each subcarrier, and the reference signal, are recovered and demodulated by determining the most likely signal constellation points transmitted by the base station 304. These soft decisions may be based on channel estimates computed by a channel estimator. The soft decisions are then decoded and de-interleaved to recover the data and control signals that were originally transmitted by the base station 304 on the physical channel. The data and control signals are then provided to the one or more processors 342, which implements Layer-3 (L3) and Layer-2 (L2) functionality.

[0097] In the downlink, the one or more processors 342 provides demultiplexing between transport and logical channels, packet reassembly, deciphering, header decompression, and control signal processing to recover IP packets from the core network. The one or more processors 342 are also responsible for error detection.

[0098] Similar to the functionality described in connection with the downlink transmission by the base station 304, the one or more processors 342 provides RRC layer functionality  associated with system information (e.g., MIB, SIBs) acquisition, RRC connections, and measurement reporting; PDCP layer functionality associated with header compression / decompression, and security (ciphering, deciphering, integrity protection, integrity verification) ; RLC layer functionality associated with the transfer of upper layer PDUs, error correction through ARQ, concatenation, segmentation, and reassembly of RLC SDUs, re-segmentation of RLC data PDUs, and reordering of RLC data PDUs; and MAC layer functionality associated with mapping between logical channels and transport channels, multiplexing of MAC SDUs onto transport blocks (TBs) , demultiplexing of MAC SDUs from TBs, scheduling information reporting, error correction through hybrid automatic repeat request (HARQ) , priority handling, and logical channel prioritization.

[0099] Channel estimates derived by the channel estimator from a reference signal or feedback transmitted by the base station 304 may be used by the transmitter 314 to select the appropriate coding and modulation schemes, and to facilitate spatial processing. The spatial streams generated by the transmitter 314 may be provided to different antenna (s) 316. The transmitter 314 may modulate an RF carrier with a respective spatial stream for transmission.

[0100] The uplink transmission is processed at the base station 304 in a manner similar to that described in connection with the receiver function at the UE 302. The receiver 352 receives a signal through its respective antenna (s) 356. The receiver 352 recovers information modulated onto an RF carrier and provides the information to the one or more processors 384.

[0101] In the uplink, the one or more processors 384 provides demultiplexing between transport and logical channels, packet reassembly, deciphering, header decompression, control signal processing to recover IP packets from the UE 302. IP packets from the one or more processors 384 may be provided to the core network. The one or more processors 384 are also responsible for error detection.

[0102] For convenience, the UE 302, the base station 304, and / or the network entity 306 are shown in FIGS. 3A, 3B, and 3C as including various components that may be configured according to the various examples described herein. It will be appreciated, however, that the illustrated components may have different functionality in different designs. In particular, various components in FIGS. 3A to 3C are optional in alternative configurations and the various aspects include configurations that may vary due to design  choice, costs, use of the device, or other considerations. For example, in case of FIG. 3A, a particular implementation of UE 302 may omit the WWAN transceiver (s) 310 (e.g., a wearable device or tablet computer or personal computer (PC) or laptop may have Wi-Fi and / or capability without cellular capability) , or may omit the short-range wireless transceiver (s) 320 (e.g., cellular-only, etc. ) , or may omit the satellite signal interface 330, or may omit the sensor (s) 344, and so on. In another example, in case of FIG. 3B, a particular implementation of the base station 304 may omit the WWAN transceiver (s) 350 (e.g., a Wi-Fi “hotspot” access point without cellular capability) , or may omit the short-range wireless transceiver (s) 360 (e.g., cellular-only, etc. ) , or may omit the satellite signal interface 370, and so on. For brevity, illustration of the various alternative configurations is not provided herein, but would be readily understandable to one skilled in the art.

[0103] The various components of the UE 302, the base station 304, and the network entity 306 may be communicatively coupled to each other over data buses 308, 382, and 392, respectively. In an aspect, the data buses 308, 382, and 392 may form, or be part of, a communication interface of the UE 302, the base station 304, and the network entity 306, respectively. For example, where different logical entities are embodied in the same device (e.g., gNB and location server functionality incorporated into the same base station 304) , the data buses 308, 382, and 392 may provide communication between them.

[0104] The components of FIGS. 3A, 3B, and 3C may be implemented in various ways. In some implementations, the components of FIGS. 3A, 3B, and 3C may be implemented in one or more circuits such as, for example, one or more processors and / or one or more ASICs (which may include one or more processors) . Here, each circuit may use and / or incorporate at least one memory component for storing information or executable code used by the circuit to provide this functionality. For example, some or all of the functionality represented by blocks 310 to 346 may be implemented by processor and memory component (s) of the UE 302 (e.g., by execution of appropriate code and / or by appropriate configuration of processor components) . Similarly, some or all of the functionality represented by blocks 350 to 388 may be implemented by processor and memory component (s) of the base station 304 (e.g., by execution of appropriate code and / or by appropriate configuration of processor components) . Also, some or all of the functionality represented by blocks 390 to 398 may be implemented by processor and  memory component (s) of the network entity 306 (e.g., by execution of appropriate code and / or by appropriate configuration of processor components) . For simplicity, various operations, acts, and / or functions are described herein as being performed “by a UE, ” “by a base station, ” “by a network entity, ” etc. However, as will be appreciated, such operations, acts, and / or functions may actually be performed by specific components or combinations of components of the UE 302, base station 304, network entity 306, etc., such as the processors 342, 384, 394, the transceivers 310, 320, 350, and 360, the memories 340, 386, and 396, the machine learning component 348, 388, and 398, etc.

[0105] In some designs, the network entity 306 may be implemented as a core network component. In other designs, the network entity 306 may be distinct from a network operator or operation of the cellular network infrastructure (e.g., NG RAN 220 and / or 5GC 210 / 260) . For example, the network entity 306 may be a component of a private network that may be configured to communicate with the UE 302 via the base station 304 or independently from the base station 304 (e.g., over a non-cellular communication link, such as Wi-Fi) .

[0106] NR supports a number of cellular network-based positioning technologies, including downlink-based, uplink-based, and downlink-and-uplink-based positioning methods. Downlink-based positioning methods include observed time difference of arrival (OTDOA) in LTE, downlink time difference of arrival (DL-TDOA) in NR, and downlink angle-of-departure (DL-AoD) in NR. FIG. 4 illustrates examples of various positioning methods, according to aspects of the disclosure. In an OTDOA or DL-TDOA positioning procedure, illustrated by scenario 410, a UE measures the differences between the times of arrival (ToAs) of reference signals (e.g., positioning reference signals (PRS) ) received from pairs of base stations, referred to as reference signal time difference (RSTD) or time difference of arrival (TDOA) measurements, and reports them to a positioning entity. More specifically, the UE receives the identifiers (IDs) of a reference base station (e.g., a serving base station) and multiple non-reference base stations in assistance data. The UE then measures the RSTD between the reference base station and each of the non-reference base stations. Based on the known locations of the involved base stations and the RSTD measurements, the positioning entity (e.g., the UE for UE-based positioning or a location server for UE-assisted positioning) can estimate the UE’s location.

[0107] For DL-AoD positioning, illustrated by scenario 420, the positioning entity uses a measurement report from the UE of received signal strength measurements of multiple downlink transmit beams to determine the angle (s) between the UE and the transmitting base station (s) . The positioning entity can then estimate the location of the UE based on the determined angle (s) and the known location (s) of the transmitting base station (s) .

[0108] Uplink-based positioning methods include uplink time difference of arrival (UL-TDOA) and uplink angle-of-arrival (UL-AoA) . UL-TDOA is similar to DL-TDOA, but is based on uplink reference signals (e.g., sounding reference signals (SRS) ) transmitted by the UE to multiple base stations. Specifically, a UE transmits one or more uplink reference signals that are measured by a reference base station and a plurality of non-reference base stations. Each base station then reports the reception time (referred to as the relative time of arrival (RTOA) ) of the reference signal (s) to a positioning entity (e.g., a location server) that knows the locations and relative timing of the involved base stations. Based on the reception-to-reception (Rx-Rx) time difference between the reported RTOA of the reference base station and the reported RTOA of each non-reference base station, the known locations of the base stations, and their known timing offsets, the positioning entity can estimate the location of the UE using TDOA.

[0109] For UL-AoA positioning, one or more base stations measure the received signal strength of one or more uplink reference signals (e.g., SRS) received from a UE on one or more uplink receive beams. The positioning entity uses the signal strength measurements and the angle (s) of the receive beam (s) to determine the angle (s) between the UE and the base station (s) . Based on the determined angle (s) and the known location (s) of the base station (s) , the positioning entity can then estimate the location of the UE.

[0110] Downlink-and-uplink-based positioning methods include enhanced cell-ID (E-CID) positioning and multi-round-trip-time (RTT) positioning (also referred to as “multi-cell RTT” and “multi-RTT” ) . In an RTT procedure, a first entity (e.g., a base station or a UE) transmits a first RTT-related signal (e.g., a PRS or SRS) to a second entity (e.g., a UE or base station) , which transmits a second RTT-related signal (e.g., an SRS or PRS) back to the first entity. Each entity measures the time difference between the time of arrival (ToA) of the received RTT-related signal and the transmission time of the transmitted RTT-related signal. This time difference is referred to as a reception-to-transmission (Rx-Tx) time difference. The Rx-Tx time difference measurement may be made, or may be  adjusted, to include only a time difference between nearest slot boundaries for the received and transmitted signals. Both entities may then send their Rx-Tx time difference measurement to a location server (e.g., an LMF 270) , which calculates the round trip propagation time (i.e., RTT) between the two entities from the two Rx-Tx time difference measurements (e.g., as the sum of the two Rx-Tx time difference measurements) . Alternatively, one entity may send its Rx-Tx time difference measurement to the other entity, which then calculates the RTT. The distance between the two entities can be determined from the RTT and the known signal speed (e.g., the speed of light) . For multi-RTT positioning, illustrated by scenario 430, a first entity (e.g., a UE or base station) performs an RTT positioning procedure with multiple second entities (e.g., multiple base stations or UEs) to enable the location of the first entity to be determined (e.g., using multilateration) based on distances to, and the known locations of, the second entities. RTT and multi-RTT methods can be combined with other positioning techniques, such as UL-AoA and DL-AoD, to improve location accuracy, as illustrated by scenario 440.

[0111] The E-CID positioning method is based on radio resource management (RRM) measurements. In E-CID, the UE reports the serving cell ID, the timing advance (TA) , and the identifiers, estimated timing, and signal strength of detected neighbor base stations. The location of the UE is then estimated based on this information and the known locations of the base station (s) .

[0112] To assist positioning operations, a location server (e.g., location server 230, LMF 270, SLP 272) may provide assistance data to the UE. For example, the assistance data may include identifiers of the base stations (or the cells / TRPs of the base stations) from which to measure reference signals, the reference signal configuration parameters (e.g., the number of consecutive slots including PRS, periodicity of the consecutive slots including PRS, muting sequence, frequency hopping sequence, reference signal identifier, reference signal bandwidth, etc. ) , and / or other parameters applicable to the particular positioning method. Alternatively, the assistance data may originate directly from the base stations themselves (e.g., in periodically broadcasted overhead messages, etc. ) . In some cases, the UE may be able to detect neighbor network nodes itself without the use of assistance data.

[0113] In the case of an OTDOA or DL-TDOA positioning procedure, the assistance data may further include an expected RSTD value and an associated uncertainty, or search window, around the expected RSTD. In some cases, the value range of the expected RSTD may  be + / -500 microseconds (μs) . In some cases, when any of the resources used for the positioning measurement are in FR1, the value range for the uncertainty of the expected RSTD may be + / -32 μs. In other cases, when all of the resources used for the positioning measurement (s) are in FR2, the value range for the uncertainty of the expected RSTD may be + / -8 μs.

[0114] A location estimate may be referred to by other names, such as a position estimate, location, position, position fix, fix, or the like. A location estimate may be geodetic and comprise coordinates (e.g., latitude, longitude, and possibly altitude) or may be civic and comprise a street address, postal address, or some other verbal description of a location. A location estimate may further be defined relative to some other known location or defined in absolute terms (e.g., using latitude, longitude, and possibly altitude) . A location estimate may include an expected error or uncertainty (e.g., by including an area or volume within which the location is expected to be included with some specified or default level of confidence) .

[0115] Wireless communication signals (e.g., radio frequency (RF) signals configured to carry orthogonal frequency division multiplexing (OFDM) symbols in accordance with a wireless communications standard, such as LTE, NR, etc. ) transmitted between a UE and a base station can be used for environment sensing (also referred to as “wireless sensing, ” “RF sensing, ” or “radar” ) . Using wireless communication signals for environment sensing can be regarded as consumer-level radar with advanced detection capabilities that enable, among other things, touchless / device-free interaction with a device / system. The wireless communication signals may be cellular communication signals, such as LTE or NR signals, WLAN signals, such as Wi-Fi signals, etc. As a particular example, the wireless communication signals may be an OFDM waveform as utilized in LTE and NR. High-frequency communication signals, such as millimeter wave (mmW) RF signals, are especially beneficial to use as sensing signals because the higher frequency provides, at least, more accurate range (distance) detection.

[0116] Possible use cases of RF sensing include health monitoring use cases, such as heartbeat detection, respiration rate monitoring, and the like, gesture recognition use cases, such as human activity recognition, keystroke detection, sign language recognition, and the like, contextual information acquisition use cases, such as location detection / tracking,  direction finding, range estimation, and the like, and automotive sensing use cases, such as smart cruise control, collision avoidance, and the like.

[0117] There are different types of sensing, including monostatic sensing (also referred to as “active sensing” ) and bistatic sensing (also referred to as “passive sensing” ) . FIGS. 5A and 5B illustrate these different types of sensing. Specifically, FIG. 5A is a diagram 500 illustrating a monostatic sensing scenario and FIG. 5B is a diagram 530 illustrating a bistatic sensing scenario. In FIG. 5A, the transmitter (Tx) and receiver (Rx) are co-located in the same sensing device 504 (e.g., a UE) . The sensing device 504 transmits one or more RF sensing signals 534 (e.g., uplink or sidelink positioning reference signals (PRS) where the sensing device 504 is a UE) , and some of the RF sensing signals 534 reflect off a target object 506 (e.g., an unmanned aerial vehicle (UAV) ) . The sensing device 504 can measure various properties (e.g., times of arrival (ToAs) , angles of arrival (AoAs) , phase shift, etc. ) of the reflections 536 of the RF sensing signals 534 to determine characteristics of the target object 506 (e.g., size, shape, speed, motion state, etc. ) .

[0118] In FIG. 5B, the transmitter (Tx) and receiver (Rx) are not co-located, that is, they are separate devices (e.g., a UE and a base station) . Note that while FIG. 5B illustrates using a downlink RF signal as the RF sensing signal 532, uplink RF signals or sidelink RF signals can also be used as RF sensing signals 532. In a downlink scenario, as shown, the transmitter sensing node 502 is a base station (e.g., a gNB) and the receiver sensing node 508 is a UE (e.g., a mobile phone, a V2X-capable vehicle, a roadside unit (RSU) , etc. ) , whereas in an uplink scenario, the transmitter sensing node 502 is a UE and the receiver sensing node 508 is a base station. Where the transmitter sensing node 502 is a base station and the receiver sensing node 508 a UE, the sensing is referred to as UE-assisted sensing. In UE-assisted sensing, the position of receiver sensing node 508 should be known by the network (e.g., by GPS or other UE positioning method) .

[0119] Referring to FIG. 5B in greater detail, the transmitter sensing node 502 transmits RF sensing signals 532 and 534 (e.g., positioning reference signals (PRS) ) to the receiver sensing node 508, but some of the RF sensing signals 534 reflect off a target object 506. The receiver sensing node 508 (also referred to as the “sensing device” ) can measure the times of arrival (ToAs) of the RF sensing signals 532 received directly from the transmitter sensing node 502 and the ToAs of the reflections 536 of the RF sensing signals 534 reflected from the target object 506.

[0120] More specifically, as described above, a transmitter device (e.g., a base station) may transmit a single RF signal or multiple RF signals to a receiver device (e.g., a UE) . 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. Each path may be associated with a cluster of one or more channel taps. Generally, the time at which the receiver detects the first cluster of channel taps is considered the ToA of the RF signal on the line-of-site (LOS) path (i.e., the shortest path between the transmitter and the receiver) . Later clusters of channel taps are considered to have reflected off objects between the transmitter and the receiver and therefore to have followed non-LOS (NLOS) paths between the transmitter and the receiver.

[0121] Thus, referring back to FIG. 5B, the RF sensing signals 532 followed the LOS path between the transmitter sensing node 502 and the receiver sensing node 508, and the RF sensing signals 534 followed an NLOS path between the transmitter sensing node 502 and the receiver sensing node 508 due to reflecting off the target object 506. The transmitter sensing node 502 may have transmitted multiple RF sensing signals 532, 534, some of which followed the LOS path and others of which followed the NLOS path. Alternatively, the transmitter sensing node 502 may have transmitted a single RF sensing signal in a broad enough beam that a portion of the RF sensing signal followed the LOS path (RF sensing signal 532) and a portion of the RF sensing signal followed the NLOS path (RF sensing signal 534) .

[0122] Based on the ToA of the LOS path, the ToA of the NLOS path, and the speed of light, the receiver sensing node 508 can determine the distance to the target object (s) . For example, the receiver sensing node 508 can calculate the distance to the target object as the difference between the ToA of the LOS path and the ToA of the NLOS path multiplied by the speed of light. In addition, if the receiver sensing node 508 is capable of receive beamforming, the receiver sensing node 508 may be able to determine the general direction to a target object 506 as the direction (angle) of the receive beam on which the RF sensing signal following the NLOS path was received. That is, the receiver sensing node 508 may determine the direction to the target object 506 as the AoA of the RF sensing signal, which is the angle of the receive beam used to receive the RF sensing signal. The receiver sensing node 508 may then optionally report this information to the transmitter sensing node 502, its serving base station, an application server associated  with the core network, an external client, a third-party application, or some other sensing entity. Alternatively, the receiver sensing node 508 may report the ToA measurements to the transmitter sensing node 502, or other sensing entity (e.g., if the receiver sensing node 508 does not have the processing capability to perform the calculations itself) , and the transmitter sensing node 502 may determine the distance and, optionally, the direction to the target object 506.

[0123] Note that if the RF sensing signals are uplink RF signals transmitted by a UE to a base station, the base station would perform object detection based on the uplink RF signals just like the UE does based on the downlink RF signals.

[0124] Like conventional radar, wireless communication-based sensing signals can be used to estimate the range (distance) , velocity (Doppler) , and angle (AoA) of a target object. However, the performance (e.g., resolution and maximum values of range, velocity, and angle) may depend on the design of the reference signal.

[0125] Machine learning may be used to generate models that may be used to facilitate various aspects associated with processing of data. One specific application of machine learning relates to generation of measurement models for processing of reference signals for sensing or positioning (e.g., PRS) , such as feature extraction, reporting of reference signal measurements (e.g., selecting which extracted features to report) , and so on.

[0126] Machine learning models are generally categorized as either supervised or unsupervised. A supervised model may further be sub-categorized as either a regression or classification model. Supervised learning involves learning a function that maps an input to an output based on example input-output pairs. For example, given a training dataset with two variables of age (input) and height (output) , a supervised learning model could be generated to predict the height of a person based on their age. In regression models, the output is continuous. One example of a regression model is a linear regression, which simply attempts to find a line that best fits the data. Extensions of linear regression include multiple linear regression (e.g., finding a plane of best fit) and polynomial regression (e.g., finding a curve of best fit) .

[0127] Another example of a machine learning model is a decision tree model. In a decision tree model, a tree structure is defined with a plurality of nodes. Decisions are used to move from a root node at the top of the decision tree to a leaf node at the bottom of the decision  tree (i.e., a node with no further child nodes) . Generally, a higher number of nodes in the decision tree model is correlated with higher decision accuracy.

[0128] Another example of a machine learning model is a decision forest. Random forests are an ensemble learning technique that builds off of decision trees. Random forests involve creating multiple decision trees using bootstrapped datasets of the original data and randomly selecting a subset of variables at each step of the decision tree. The model then selects the mode of all of the predictions of each decision tree. By relying on a “majority wins” model, the risk of error from an individual tree is reduced.

[0129] Another example of a machine learning model is a neural network (NN) . A neural network is essentially a network of mathematical equations. Neural networks accept one or more input variables, and by going through a network of equations, result in one or more output variables. Put another way, a neural network takes in a vector of inputs and returns a vector of outputs.

[0130] FIG. 6 illustrates an example neural network 600, according to aspects of the disclosure. The neural network 600 includes an input layer ‘i’ that receives ‘n’ (one or more) inputs (illustrated as “Input 1, ” “Input 2, ” and “Input n” ) , one or more hidden layers (illustrated as hidden layers ‘h1, ’ ‘h2, ’ and ‘h3’ ) for processing the inputs from the input layer, and an output layer ‘o’ that provides ‘m’ (one or more) outputs (labeled “Output 1” and “Output m” ) . The number of inputs ‘n, ’ hidden layers ‘h, ’a nd outputs ‘m’ may be the same or different. In some designs, the hidden layers ‘h’ may include linear function (s) and / or activation function (s) that the nodes (illustrated as circles) of each successive hidden layer process from the nodes of the previous hidden layer.

[0131] In classification models, the output is discrete. One example of a classification model is logistic regression. Logistic regression is similar to linear regression but is used to model the probability of a finite number of outcomes, typically two. In essence, a logistic equation is created in such a way that the output values can only be between ‘0’a nd ‘1. ’ Another example of a classification model is a support vector machine. For example, for two classes of data, a support vector machine will find a hyperplane or a boundary between the two classes of data that maximizes the margin between the two classes. There are many planes that can separate the two classes, but only one plane can maximize the margin or distance between the classes. Another example of a classification model is  Bayes, which is based on Bayes Theorem. Other examples of classification models  include decision tree, random forest, and neural network, similar to the examples described above except that the output is discrete rather than continuous.

[0132] Unlike supervised learning, unsupervised learning is used to draw inferences and find patterns from input data without references to labeled outcomes. Two examples of unsupervised learning models include clustering and dimensionality reduction.

[0133] Clustering is an unsupervised technique that involves the grouping, or clustering, of data points. Clustering is frequently used for customer segmentation, fraud detection, and document classification. Common clustering techniques include k-means clustering, hierarchical clustering, mean shift clustering, and density-based clustering. Dimensionality reduction is the process of reducing the number of random variables under consideration by obtaining a set of principal variables. In simpler terms, dimensionality reduction is the process of reducing the dimension of a feature set (in even simpler terms, reducing the number of features) . Most dimensionality reduction techniques can be categorized as either feature elimination or feature extraction. One example of dimensionality reduction is called principal component analysis (PCA) . In the simplest sense, PCA involves project higher dimensional data (e.g., three dimensions) to a smaller space (e.g., two dimensions) . This results in a lower dimension of data (e.g., two dimensions instead of three dimensions) while keeping all original variables in the model.

[0134] Regardless of which machine learning model is used, at a high-level, a machine learning module (e.g., implemented by a processing system, such as processors 342, 384, or 394) may be configured to iteratively analyze training input data (e.g., measurements of reference signals to / from various target UEs / target objects) and to associate this training input data with an output data set (e.g., a set of possible or likely candidate locations of the various UEs / target objects) , thereby enabling later determination of the same output data set when presented with similar input data (e.g., from other UEs / target objects at the same or similar location) .

[0135] The artificial intelligence / machine learning (AI / ML) positioning provided by an AI / ML positioning and / or sensing model may be direct AI / ML positioning / sensing or AI / ML assisted positioning / sensing. FIG. 7A is a diagram 700 illustrating an example of direct AI / ML positioning / sensing, according to aspects of the disclosure. As shown in FIG. 7A, direct AI / ML positioning / sensing is where the input features (or simply “inputs” or  “features” ) to the AI / ML positioning / sensing model are measurements of one or more reference signals (e.g., DL-PRS or SRS) and the output label (or simply “output” or “label” ) of the AI / ML positioning / sensing model is the target (estimated) location of the UE or target object. The measurements of the reference signal (s) may include the channel energy response (CER) , channel impulse response (CIR) , channel frequency response (CFR) , received signal strength indicator (RSSI) , reference signal received power (RSRP) , path RSRP (RSRPP) , reference signal received quality (RSRQ) , time of arrival (ToA) , relative ToA (RTOA) , reference signal time difference (RSTD) , angle of departure (AoD) , angle of arrival (AoA) , and / or the like of the reference signal (s) .

[0136] FIG. 7B is a diagram 750 illustrating an example of AI / ML assisted positioning and / or sensing, according to aspects of the disclosure. As shown in FIG. 7B, AI / ML assisted positioning / sensing is where the input features to the AI / ML positioning / sensing model are measurements of one or more reference signals (e.g., DL-PRS, SRS) and the output labels of the AI / ML positioning / sensing model are intermediate measurements (or quantities) of the reference signal (s) . The location of the UE or target object is then determined using non-artificial intelligence techniques (e.g., Chan’s algorithm, Kalman filtering, etc. ) or a different machine learning model. In this case, the measurements of the reference signal (s) may include the CER, CIR, CFR, RSSI, RSRP, RSRPP, RSRQ, delay, Doppler, angle spectrum, and / or the like of the reference signal (s) . The intermediate measurements of the reference signal (s) may include the ToA, RTOA, RSTD, AoD, AoA, line-of-sight (LOS) indication, and / or the like of the reference signal (s) .

[0137] FIG. 8 illustrates various artificial intelligence / machine learning (AI / ML) positioning and / or sensing scenarios, according to aspects of the disclosure. As shown in diagram 800, there are three AI / ML positioning / sensing deployment scenarios based on downlink reference signals (e.g., DL-PRS) . The first deployment scenario (labeled “Case 1” ) is a UE-based positioning / sensing case with a UE-side AI / ML positioning / sensing model (labeled “AI / ML” ) . In this case, the UE applies the AI / ML positioning / sensing model (or simply “AI / ML model” ) to determine a location of the UE or target object and reports the location to the network (e.g., LMF 270) . The AI / ML positioning / sensing provided by the AI / ML positioning / sensing model may be direct AI / ML (D-AI / ML) positioning / sensing or AI / ML assisted (A-AI / ML) positioning / sensing.

[0138] The second deployment scenario (labeled “Case 2a” ) is UE-assisted / network-based positioning / sensing with a UE-side AI / ML positioning / sensing model that provides AI / ML assisted positioning / sensing. That is, the UE inputs measurements of downlink reference signals (e.g., DL-PRS) received from one or more TRPs into the AI / ML positioning / sensing model to obtain intermediate measurements (or quantities) of the downlink reference signals. The UE then reports the intermediate measurements to the network (e.g., LMF 270) . As noted above, for AI / ML assisted positioning / sensing, the measurements of the downlink reference signals may include the CER, CIR, CFR, RSSI, RSRP, RSRPP, RSRQ, delay, Doppler, angle spectrum (which shows a strength or a probability of each value (e.g., the x-axis is delay and the y-axis is the probability of the delay) , and / or the like of the downlink reference signals. The intermediate measurements of the downlink reference signals may include the ToA, RSTD, AoD, AoA, line-of-sight (LOS) indication, and / or the like of the downlink reference signals.

[0139] The third deployment scenario (labeled “Case 2b” ) is UE-assisted / network-based positioning / sensing with a network-side model that provides direct AI / ML positioning / sensing. That is, the UE reports the measurements of the downlink reference signals received from one or more TRPs to the core network (e.g., LMF 270) . The core network then applies the AI / ML positioning / sensing model to the measurements to determine the location of the UE or target object. In this case, the measurements of the downlink reference signals reported to the network may include the CER, CIR, CFR, RSSI, RSRP, RSRPP, RSRQ, ToA, RSTD, AoD, AoA, LOS indication, delay, Doppler, angle spectrum, and / or the like of the downlink reference signals.

[0140] As shown in diagram 850, there are two AI / ML positioning / sensing deployment scenarios based on uplink reference signals (e.g., SRS) . The first deployment scenario (labeled “Case 3a” ) is NG-RAN node-assisted positioning / sensing with an NG RAN-side model that provides AI / ML assisted positioning / sensing. In this case, the NG-RAN applies an AI / ML positioning / sensing model to TRP measurements of one or more uplink reference signals (e.g., SRS) transmitted by a UE to obtain intermediate measurements of the received uplink reference signal (s) . The NG-RAN then reports the intermediate measurements to the core network (e.g., LMF 270) . As noted above, for AI / ML assisted positioning / sensing, the measurements of the uplink reference signal (s) may include the CER, CIR, CFR, RSSI, RSRP, RSRPP, RSRQ, delay, Doppler, angle spectrum, and / or  the like of the uplink reference signal (s) . The intermediate measurements of the uplink reference signal (s) may include the RTOA, RSTD, AoD, AoA, LOS indication, and / or the like of the uplink reference signal (s) .

[0141] The second deployment scenario (labeled “Case 3b” ) is NG-RAN node-assisted positioning / sensing with a network-side AI / ML positioning / sensing model that provides direct AI / ML positioning / sensing. In this case, the NG-RAN reports measurements of one or more uplink reference signals received from a UE to the core network (e.g., LMF 270) . The core network then applies an AI / ML positioning / sensing model to the measurements of the uplink reference signal (s) to obtain a target location of the UE. The measurements of the uplink reference signal (s) may include the CER, CIR, CFR, RSSI, RSRP, RSRPP, RSRQ, RTOA, RSTD, AoD, AoA, LOS indication, delay, Doppler, angle spectrum, and / or the like of the uplink reference signal (s) .

[0142] Note that there may be other deployment scenarios in which the UE, NG-RAN, or the core network use an AI / ML positioning / sensing model to compute or report a positioning / sensing estimate (target location) , but these cases are implementation-specific and do not necessarily involve signaling between the UE, NG-RAN, and / or the core network.

[0143] Model monitoring is a consideration in AI / ML life cycle management (LCM) . In AI / ML positioning, model monitoring is more straightforward, as target UEs can report their global navigation satellite system (GNSS) positions to validate model inference accuracies. In sensing scenarios, however, because the target objects are device-free (i.e., do not have wireless communication ability, or at least not with the sensing node (s) ) , the ground truths (i.e., the actual locations of the objects) are unknown to the sensing node that performs the model inference. As such, techniques are needed for model monitoring for sensing.

[0144] The present disclosure provides techniques for the network or UE to perform model monitoring by comparing the performance of an AI / ML model for sensing target objects to the performance of one or more non-AI / ML reference methods for sensing the same target objects.

[0145] FIGS. 9A and 9B illustrate example systems for model monitoring based on result comparisons of AI / ML-based sensing methods and other reference sensing methods, according to aspects of the disclosure. Specifically, diagram 900 in FIG. 9A illustrates  an example scenario in which a network entity 910 (e.g., a sensing management function (SnMF) , a sensing server, a base station, or other type of sensing entity) configures a receiver (Rx) sensing node 508 (e.g., a UE, base station, sensing reference unit (SRU) , or other type of sensing node) to compare the results of a AI / ML-based sensing method to one or more reference sensing methods and report the results of the comparison. Diagram 950 in FIG. 9B illustrates an example scenario in which the receiver sensing node 508 receives the position of a reference node 920 (e.g., a UE, an SRU, a base station) and uses that position to determine the performance of the AI / ML model in sensing the reference node 920 and a target object 506. In some cases, communications between the network entity 910 and the receiver sensing node 508 may be relayed by another network entity (e.g., a base station) , which is omitted in FIGS. 9A and 9B.

[0146] FIG. 10 is a diagram 1000 illustrating an example signaling flow for model monitoring based on result comparisons of AI / ML-based sensing methods with other reference sensing methods, according to aspects of the disclosure. The signaling may be between the receiver sensing node 508 and the sensing entity 910 in FIGS. 9A and 9B. Stages 1010 and 1020 may be performed in the system illustrated in FIG. 9A and stages 1030 to 1060 may be performed in the system illustrated in FIG. 9B.

[0147] At stage 1010, the sensing entity 910 transmits a message to the receiver sensing node 508 indicating that it is to perform model monitoring. The message may indicate the sensing reference method (s) and the weights for the comparison to the AI / ML sensing model inference on K measurements. That is, the AI / ML sensing model is to be applied to K sensing measurements, and the output of the model is then to be compared to the sensing results of the sensing reference method (s) using the received weights.

[0148] The reference methods for comparison with the AI / ML-based sensing methods may include (1) non-AI / ML sensing algorithms, such as compressed sensing, multiple signal classification (MUSIC) , maximal likelihood (ML) , least square (LS) , minimum mean square error (MMSE) , and the like, (2) NR positioning to sense one or more reference UEs as the target object (s) , (3) sensing one or more reference base stations as the target object (s) , (4) sensor measurements (where the receiver sensing node 508 uses one or more equipped sensors (e.g., cameras, radar sensors, lidar sensors, etc. ) to measure target objects, and / or (5) assistance information (e.g., the ground truth location (s) of the target object (s) ) from a server or other network function. Note that for the second option, the  NR positioning may be based on RF measurements or GNSS positions of the reference UE(s) . The reference UEs may report not only their positions but also velocities.

[0149] The message at stage 1010 may indicate which reference method (s) to use and the accuracies and weights (priorities) for the indicated reference methods. Alternatively, the message may indicate the criteria / priorities / conditions to use to determine the reference method (s) .

[0150] At stage 1020, the receiver sensing node 508 reports result differences between the AI / ML sensing method and the non-AI / ML sensing methods, or a model performance decision based on the result differences and the method accuracies. In the example of FIG. 10, the report indicates that for K measurements, the variance between the AI / ML sensing results is larger or smaller than weighted variances of compressed sensing and MUSIC algorithms.

[0151] As a specific example, the sensing entity 910 may indicate (at stage 1010) that the accuracy of the AI / ML-based sensing method should be 0.1 meters (m) and the accuracy of the non-AI / ML method should be 1 m. Although the non-AI / ML method has lower accuracy than the AI / ML-based sensing method in this example, the non-AI / ML method has a higher reliability than the AI / ML-based sensing method. As such, the results of the non-AI / ML method can be considered as more reliable. In this case, the model inference performance may be considered unacceptable if the AI / ML-based result are 100 m while the non-AI / ML-based result are 120 m. That is, their result difference of 20 m is much larger than their accuracy difference of 1 m. The true results should be in the range of 119 m to 121 m, based on the non-AI / ML-based result.

[0152] In some cases, the receiver sensing node 508 may indicate, in the report at stage 1020, the adopted reference method (s) (and weights) if the reference methods were self-determined by the receiver sensing node 508.

[0153] In some cases, the report at stage 1020 may include results based on multiple times of measurements (i.e., measurement occasions) , thereby indicating trends and statistic features. The sensing entity 910 may configure the number of measurements (K) for comparison to the receiver sensing node 508. For example, the model inference performance may be considered acceptable if the AI / ML-based results and the non-AI / ML-based results have the same trends or statistic features, even though their result difference is large. As another example, the AI / ML model performance may be  considered unacceptable when the AI / ML-based results are unstable (have a large variance) while the non-AI / ML-based results are stable (have a small variance) .

[0154] In some cases, the thresholds for the different reference methods compared to the AI / ML method to determine model performance may be different. For example, sensing reference UEs using NR positioning based on GNSS may have a tighter threshold than the threshold for non-AI / ML algorithms, as GNSS may be considered as the ground truth in some cases.

[0155] Model monitoring (i.e., results comparison) may be triggered in different ways. As a first option, the sensing entity 910 may indicate to the receiver sensing node 508 to perform the result comparison between the AI / ML method and the reference method (s) . As a second option, the receiver sensing node 508 may perform the result comparison based on a period of model inference time (i.e., a length of time the receiver sensing node 508 has been configured to use the AI / ML model being greater than a threshold) or a periodic timer (i.e., periodically) , which may be pre-configured by the network entity. As a third option, the receiver sensing node 508 may perform the result comparison after model transfer / delivery to itself or after local model updates.

[0156] Referring further to the non-AI / ML sensing algorithms, although the accuracies of non-AI / ML sensing algorithms may be lower than AI / ML sensing models in some cases, non-AI / ML sensing algorithms have been widely evaluated and may have higher robustness than AI / ML sensing models. As such, the receiver sensing node 508 could compare the AI / ML sensing results with multiple non-AI / ML sensing algorithms. In this case, if the result difference among the non-AI / ML algorithms is less than the result difference between the AI / ML model results and the results of the non-AI / ML algorithms, the AI / ML model may be considered to have unacceptable performance.

[0157] For example, when an AI / ML-based result is 100 m while the results of the non-AI / ML algorithms are 120 m, 121 m, and 119 m, the AI / ML model may be determined to not be accurate. As another example, for K consecutive measurements, when the AI / ML-based results are ascending while a majority of the results of the non-AI / ML algorithms are descending, the AI / ML model may be determined to not be accurate. As yet another example, when the expectation / variance of multiple AI / ML-based results is 10 m / s, while the expectations / variances of multiple higher-accuracy non-AI / ML-based results are 20 m / s, 21 m / s, and 19 m / s, the AI / ML model may be determined to not be accurate.

[0158] In some cases, different non-AI / ML algorithms may have different weights in the comparison based on their accuracies and reliabilities. In this case, the sensing entity 910 may configure the weights to the receiver sensing node 508 (at stage 1010) , or the sensing entity 910 may configure the accuracy levels to the receiver sensing node 508 and the receiver sensing node 508 may determine the weights.

[0159] In some cases, during model monitoring occasions, the network may configure denser (more) sensing resources (in time and / or frequency) for the measurements to be processed using the non-AI / ML algorithms to improve the accuracy and / or reliability of the non-AI / ML algorithms. In this case, the sensing entity 910 may indicate to the receiver sensing node 508 (at stage 1010) higher weights than otherwise for the non-AI / ML algorithms.

[0160] Referring now to the option of using NR positioning to determine the performance of an AI / ML sensing model, at stage 1030, the receiver sensing node 508 requests NR positioning for one or more reference nodes 920 in its target sensing area (i.e., the geographic area within which the receiver sensing node 508 can receive sensing reference signals from a transmitter sensing node 502) and may indicate the desired type of reference node (s) (e.g., phone, unmanned aerial vehicle (UAV) , automobile, etc. ) . In response, the sensing entity 910 selects one or more reference nodes 920 and obtains NR positioning results for (i.e., estimated location (s) of) the reference node (s) 920. For example, the sensing entity 910 may communicate with the reference node (s) 920 to request NR positioning results, in which case the reference node (s) 920 may initiate an NR positioning procedure, such as illustrated in FIG. 4, and report the results to the sensing entity 910. Alternatively, the sensing entity 910 may send a request to a location server (e.g., LMF 270) or other positioning entity associated with the reference node (s) 920 to request the NR positioning results for the reference node (s) 920. The location server may then trigger the reference node (s) 920 to perform an NR positioning procedure, such as illustrated in FIG. 4, and report the results to the sensing entity 910.

[0161] At stage 1040, the sensing entity 910 provides the NR positioning results to the receiver sensing node 508. At stage 1050, based on the NR positioning results, the receiver sensing node 508 senses the reference node (s) 920. In some cases, the transmitter sensing node 502 may configure its transmit beam direction, and the receiver sensing node 508 may configure its receive beam, in the direction (s) indicated by the NR positioning results  (i.e., the estimated location (s) of the reference node (s) 920) . The receiver sensing node 508 then compares the sensing results obtained by applying the AI / ML sensing model to the sensing measurements of the reflections from the reference node (s) 920 to the NR positioning results for the reference node (s) 920.

[0162] At stage 1060, the receiver sensing node 508 transmits a model monitoring report to the sensing entity 910 indicating the level of model performance based on weighted comparisons with the NR positioning results (and optionally other non-AI / ML algorithms) .

[0163] When using reference nodes 920 to monitor model inference performance, there are different options for finding reference nodes 920. For example, the receiver sensing node 508 may find one or more reference nodes 920 via sidelink discovery. As a second option, a base station may broadcast an indication of available reference nodes 920, or the base station may select one or more registered sensing nodes 920 in the same cell as or a nearby (e.g., adjacent) cell to the receiver sensing node 508. As a third option, the sensing entity 910 may select one or more reference nodes 920 that are in the sensing area of the receiver sensing node 508.

[0164] In some cases, where a reference node 920 is a base station or other access point, the receiver sensing node 508 may sense the reference node 920 using the AI / ML model and monitor the AI / ML-based result based on the true positions of the reference node 920. In this case, where the receiver sensing node 508 is a UE, for UE-based sensing (where the UE estimates the target object positions) , the location of the reference node 920 (base station) can be signaled to the receiver sensing node 508 (UE) via assistance data. For UE-assisted sensing (where the UE reports sensing measurements to the sensing entity, which then estimates the target object positions) , the location of the reference node 920 may not be known to the receiver sensing node 508 (UE) , so the receiver sensing node 508 would need to request the reference node position from the appropriate location server or other positioning entity.

[0165] In some cases, where the receiver sensing node 508 is a base station, the receiver sensing node 508 may be a reference node 920 and another device may send the sensing reference signal (s) .

[0166] Referring now to behaviors after model monitoring, if the result difference between the AI / ML model and the non-AI / ML method (s) , or (the confidence level of) the model  performance, satisfies a (pre-) configured threshold (i.e., model performance is lower than expected) , the receiver sensing node 508 may also report the sensing results of the non-AI / ML algorithms with the type of method indicated.

[0167] In some cases, if model performance is lower than expected based on the results comparison with one non-AI-ML method, the receiver sensing node 508 may request a results comparison with one or more other non-AI-ML methods in some (pre-) configured order as a further check. For example, if the difference between the results of the AI / ML-based method and the non-AI / ML-based method is greater than a threshold, the receiver sensing node 508 may request model monitoring using NR positioning. In this example, and others, rather than performing stages 1010 and 1020 or stages 1030 to 1060, the sensing entity 910 and the receiver sensing node 508 would perform stages 1010 to 1060.

[0168] Different types of signaling protocols may be employed for the messaging illustrated in FIG. 10. Where the sensing entity 910 is a location server or other server and the receiver sensing node 508 is a UE, the signaling may be LTE positioning protocol (LPP) signaling or a dedicated sensing protocol. Where the sensing entity 910 is a location server or other server and the receiver sensing node 508 is a base station, the signaling may be New Radio positioning protocol type A (NRPPa) signaling or a dedicated sensing protocol.

[0169] Where the sensing entity 910 is a core network entity and the receiver sensing node 508 is a UE, the signaling may be NAS signaling. Where the sensing entity 910 is a core network entity and the receiver sensing node 508 is a base station, the signaling may be next generation application protocol (NGAP) signaling.

[0170] Where the sensing entity 910 is a base station and the receiver sensing node 508 is a UE, the signaling may be RRC signaling, MAC control element (MAC-CE) signaling, or downlink control information (DCI) signaling. Where the sensing entity 910 is a first UE and the receiver sensing node 508 is a second UE, the signaling may be RRC signaling, MAC-CE signaling, sidelink control information (SCI) signaling, physical sidelink control channel (PSCCH) signaling, or physical sidelink shared channel (PSSCH) signaling. Where the sensing entity 910 is a UE and the receiver sensing node 508 is a base station, the signaling may be RRC signaling, MAC-CE signaling, or uplink control information (UCI) signaling.

[0171] FIG. 11 illustrates an example method 1100 of wireless sensing, according to aspects of the disclosure. In an aspect, method 1100 may be performed by a sensing node (e.g., any of the UEs, SRUs, or base stations described herein) .

[0172] At operation 1110, the sensing node may obtain one or more sensing measurements of one or more sensing reference signals.

[0173] In an aspect, where the sensing node is a UE, operation 1110 may be performed by the one or more WWAN transceivers 310, the one or more short-range wireless transceivers 320, the one or more processors 342, memory 340, and / or machine learning component 348, any or all of which may be considered means for performing this operation. In an aspect, where the sensing node is a base station or base station component, operation 1110 may be performed by the one or more WWAN transceivers 350, the one or more short-range wireless transceivers 360, the one or more network transceivers 380, the one or more processors 384, memory 386, and / or machine learning component 388, any or all of which may be considered means for performing this operation.

[0174] At operation 1120, the sensing node may apply a machine learning model to the one or more sensing measurements to obtain first sensing results associated with one or more target objects.

[0175] In an aspect, where the sensing node is a UE, operation 1120 may be performed by the one or more WWAN transceivers 310, the one or more short-range wireless transceivers 320, the one or more processors 342, memory 340, and / or machine learning component 348, any or all of which may be considered means for performing this operation. In an aspect, where the sensing node is a base station or base station component, operation 1120 may be performed by the one or more WWAN transceivers 350, the one or more short-range wireless transceivers 360, the one or more network transceivers 380, the one or more processors 384, memory 386, and / or machine learning component 388, any or all of which may be considered means for performing this operation.

[0176] At operation 1130, the sensing node may obtain second sensing results associated with the one or more target objects based on one or more non-machine learning sensing methods.

[0177] In an aspect, where the sensing node is a UE, operation 1130 may be performed by the one or more WWAN transceivers 310, the one or more short-range wireless transceivers 320, the one or more processors 342, memory 340, and / or machine learning component  348, any or all of which may be considered means for performing this operation. In an aspect, where the sensing node is a base station or base station component, operation 1130 may be performed by the one or more WWAN transceivers 350, the one or more short-range wireless transceivers 360, the one or more network transceivers 380, the one or more processors 384, memory 386, and / or machine learning component 388, any or all of which may be considered means for performing this operation.

[0178] At operation 1140, the sensing node may transmit, to a sensing entity (e.g., another UE, a base station, an SnMF, an LMF, etc. ) , a model monitoring report indicating a result of a comparison between the first sensing results and the second sensing results.

[0179] In an aspect, where the sensing node is a UE, operation 1140 may be performed by the one or more WWAN transceivers 310, the one or more short-range wireless transceivers 320, the one or more processors 342, memory 340, and / or machine learning component 348, any or all of which may be considered means for performing this operation. In an aspect, where the sensing node is a base station or base station component, operation 1140 may be performed by the one or more WWAN transceivers 350, the one or more short-range wireless transceivers 360, the one or more network transceivers 380, the one or more processors 384, memory 386, and / or machine learning component 388, any or all of which may be considered means for performing this operation.

[0180] As will be appreciated, a technical advantage of the method 1100 is enabling the sensing node to determine the performance of a deployed machine learning model. Based on the determined performance, the network entity may further determine a better sensing method (such as disabling the AI / ML-based method and enabling a non-AI / ML-based method, or upgrading the AI / ML model) at the sensing node to improve the sensing performance.

[0181] In the detailed description above it can be seen that different features are grouped together in examples. This manner of disclosure should not be understood as an intention that the example clauses have more features than are explicitly mentioned in each clause. Rather, the various aspects of the disclosure may include fewer than all features of an individual example clause disclosed. Therefore, the following clauses should hereby be deemed to be incorporated in the description, wherein each clause by itself can stand as a separate example. Although each dependent clause can refer in the clauses to a specific combination with one of the other clauses, the aspect (s) of that dependent clause are not  limited to the specific combination. It will be appreciated that other example clauses can also include a combination of the dependent clause aspect (s) with the subject matter of any other dependent clause or independent clause or a combination of any feature with other dependent and independent clauses. The various aspects disclosed herein expressly include these combinations, unless it is explicitly expressed or can be readily inferred that a specific combination is not intended (e.g., contradictory aspects, such as defining an element as both an electrical insulator and an electrical conductor) . Furthermore, it is also intended that aspects of a clause can be included in any other independent clause, even if the clause is not directly dependent on the independent clause.

[0182] Implementation examples are described in the following numbered clauses:

[0183] Clause 1. A method of wireless sensing performed by a sensing node, comprising: obtaining one or more sensing measurements of one or more sensing reference signals; applying a machine learning model to the one or more sensing measurements to obtain first sensing results associated with one or more target objects; obtaining second sensing results associated with the one or more target objects based on one or more non-machine learning sensing methods; and transmitting, to a sensing entity, a model monitoring report indicating a result of a comparison between the first sensing results and the second sensing results.

[0184] Clause 2. The method of clause 1, wherein the one or more non-machine learning sensing methods comprise: a compressed sensing algorithm, a multiple signal classification (MUSIC) algorithm, a maximal likelihood (ML) algorithm, a least square (LS) algorithm, a minimum mean square error (MMSE) algorithm, or any combination thereof.

[0185] Clause 3. The method of clause 2, wherein obtaining the second sensing results comprises: applying the one or more non-machine learning sensing methods to the one or more sensing measurements to obtain the second sensing results.

[0186] Clause 4. The method of any of clauses 1 to 3, wherein: the one or more target objects are one or more reference nodes, and the second sensing results are positions of the one or more reference nodes.

[0187] Clause 5. The method of clause 4, wherein obtaining the second sensing results comprises: receiving the positions of the one or more reference nodes.

[0188] Clause 6. The method of clause 5, further comprising: transmitting, to the sensing entity, a request for the positions of the one or more reference nodes.

[0189] Clause 7. The method of clause 6, wherein the request indicates one or more types of the one or more reference nodes.

[0190] Clause 8. The method of any of clauses 4 to 7, further comprising: selecting the one or more reference nodes based on sidelink discovery, broadcast information indicating that the one or more reference nodes are in a same cell or an adjacent cell as the sensing node, sensing assistance data from the sensing entity indicating that the one or more reference nodes are in a sensing area of the sensing node.

[0191] Clause 9. The method of any of clauses 4 to 8, wherein: the one or more reference nodes include one or more user equipments (UEs) , one or more sensing reference units (SRUs) , or any combination thereof, and the positions of the one or more UEs, the one or more SRUs, or the combination thereof are obtained based on one or more cellular-based positioning procedures involving the one or more reference nodes.

[0192] Clause 10. The method of any of clauses 4 to 9, wherein the one or more reference nodes include one or more base stations.

[0193] Clause 11. The method of any of clauses 1 to 10, wherein the one or more non-machine learning sensing methods comprise: one or more cameras of the sensing node, one or more radar sensors of the sensing node, one or more lidar sensors of the sensing node, or any combination thereof.

[0194] Clause 12. The method of any of clauses 1 to 11, wherein: the one or more sensing measurements comprise a plurality of sensing measurements obtained over a plurality of measurement occasions, the first sensing results comprise a first sensing result for each of the plurality of measurement occasions, the second sensing results comprise a second sensing result for each of the plurality of measurement occasions, and the comparison between the first sensing results and the second sensing results indicates comparisons between the first sensing results and the second sensing results over the plurality of measurement occasions.

[0195] Clause 13. The method of any of clauses 1 to 12, wherein the one or more non-machine learning sensing methods have different accuracy thresholds, different reliability thresholds, different priorities, different weights, or any combination thereof.

[0196] Clause 14. The method of clause 13, further comprising: receiving, from the sensing entity, a configuration for performing the comparison between the first sensing results and the second sensing results, wherein the configuration indicates the different accuracy  thresholds, the different reliability thresholds, the different priorities, different weights, or the combination thereof.

[0197] Clause 15. The method of any of clauses 13 to 14, wherein: the one or more non-machine learning sensing methods are weighted higher than the machine learning model, and a resource pattern of the one or more sensing reference signals has an increased density of resources in time, frequency, or both based on the one or more non-machine learning sensing methods being weighted higher than the machine learning model.

[0198] Clause 16. The method of any of clauses 1 to 15, wherein the model monitoring report is triggered based on: a request from the sensing entity for the model monitoring report, a length of time the sensing node has been configured to use the machine learning model being greater than a threshold, a periodic timer, upon receipt of the machine learning model, upon update of the machine learning model, or any combination thereof.

[0199] Clause 17. The method of any of clauses 1 to 16, the model monitoring report indicates types of the one or more non-machine learning sensing methods.

[0200] Clause 18. The method of any of clauses 1 to 17, further comprising: transmitting, to the sensing entity, based on the result of the comparison between the first sensing results and the second sensing results being below a performance threshold, a request for a configuration of one or more second non-machine learning sensing methods; and receiving, from the sensing entity, in response to the request, the configuration of the one or more second non-machine learning sensing methods.

[0201] Clause 19. The method of clause 18, further comprising: obtaining third sensing results associated with the one or more target objects based on the one or more second non-machine learning sensing methods; and transmitting, to the sensing entity, a second model monitoring report indicating a result of a comparison between the first sensing results and the third sensing results.

[0202] Clause 20. The method of any of clauses 1 to 19, wherein the sensing node is: a user equipment (UE) , or a base station.

[0203] Clause 21. The method of any of clauses 1 to 20, wherein the sensing entity is: a user equipment (UE) , a base station, or a server.

[0204] Clause 22. A sensing node, comprising: one or more memories; one or more transceivers; and one or more processors communicatively coupled to the one or more memories and the one or more transceivers, the one or more processors, either alone or in combination,  configured to: obtain one or more sensing measurements of one or more sensing reference signals; apply a machine learning model to the one or more sensing measurements to obtain first sensing results associated with one or more target objects; obtain second sensing results associated with the one or more target objects based on one or more non-machine learning sensing methods; and transmit, via the one or more transceivers, to a sensing entity, a model monitoring report indicating a result of a comparison between the first sensing results and the second sensing results.

[0205] Clause 23. The sensing node of clause 22, wherein the one or more non-machine learning sensing methods comprise: a compressed sensing algorithm, a multiple signal classification (MUSIC) algorithm, a maximal likelihood (ML) algorithm, a least square (LS) algorithm, a minimum mean square error (MMSE) algorithm, or any combination thereof.

[0206] Clause 24. The sensing node of clause 23, wherein the one or more processors configured to obtain the second sensing results comprises the one or more processors, either alone or in combination, configured to: apply the one or more non-machine learning sensing methods to the one or more sensing measurements to obtain the second sensing results.

[0207] Clause 25. The sensing node of any of clauses 22 to 24, wherein: the one or more target objects are one or more reference nodes, and the second sensing results are positions of the one or more reference nodes.

[0208] Clause 26. The sensing node of clause 25, wherein the one or more processors configured to obtain the second sensing results comprises the one or more processors, either alone or in combination, configured to: receive, via the one or more transceivers, the positions of the one or more reference nodes.

[0209] Clause 27. The sensing node of clause 26, wherein the one or more processors, either alone or in combination, are further configured to: transmit, via the one or more transceivers, to the sensing entity, a request for the positions of the one or more reference nodes.

[0210] Clause 28. The sensing node of clause 27, wherein the request indicates one or more types of the one or more reference nodes.

[0211] Clause 29. The sensing node of any of clauses 25 to 28, wherein the one or more processors, either alone or in combination, are further configured to: select the one or more reference nodes based on sidelink discovery, broadcast information indicating that  the one or more reference nodes are in a same cell or an adjacent cell as the sensing node, sensing assistance data from the sensing entity indicating that the one or more reference nodes are in a sensing area of the sensing node.

[0212] Clause 30. The sensing node of any of clauses 25 to 29, wherein: the one or more reference nodes include one or more user equipments (UEs) , one or more sensing reference units (SRUs) , or any combination thereof, and the positions of the one or more UEs, the one or more SRUs, or the combination thereof are obtained based on one or more cellular-based positioning procedures involving the one or more reference nodes.

[0213] Clause 31. The sensing node of any of clauses 25 to 30, wherein the one or more reference nodes include one or more base stations.

[0214] Clause 32. The sensing node of any of clauses 22 to 31, wherein the one or more non-machine learning sensing methods comprise: one or more cameras of the sensing node, one or more radar sensors of the sensing node, one or more lidar sensors of the sensing node, or any combination thereof.

[0215] Clause 33. The sensing node of any of clauses 22 to 32, wherein: the one or more sensing measurements comprise a plurality of sensing measurements obtained over a plurality of measurement occasions, the first sensing results comprise a first sensing result for each of the plurality of measurement occasions, the second sensing results comprise a second sensing result for each of the plurality of measurement occasions, and the comparison between the first sensing results and the second sensing results indicates comparisons between the first sensing results and the second sensing results over the plurality of measurement occasions.

[0216] Clause 34. The sensing node of any of clauses 22 to 33, wherein the one or more non-machine learning sensing methods have different accuracy thresholds, different reliability thresholds, different priorities, different weights, or any combination thereof.

[0217] Clause 35. The sensing node of clause 34, wherein the one or more processors, either alone or in combination, are further configured to: receive, via the one or more transceivers, from the sensing entity, a configuration for performing the comparison between the first sensing results and the second sensing results, wherein the configuration indicates the different accuracy thresholds, the different reliability thresholds, the different priorities, different weights, or the combination thereof.

[0218] Clause 36. The sensing node of any of clauses 34 to 35, wherein: the one or more non-machine learning sensing methods are weighted higher than the machine learning model, and a resource pattern of the one or more sensing reference signals has an increased density of resources in time, frequency, or both based on the one or more non-machine learning sensing methods being weighted higher than the machine learning model.

[0219] Clause 37. The sensing node of any of clauses 22 to 36, wherein the model monitoring report is triggered based on: a request from the sensing entity for the model monitoring report, a length of time the sensing node has been configured to use the machine learning model being greater than a threshold, a periodic timer, upon receipt of the machine learning model, upon update of the machine learning model, or any combination thereof.

[0220] Clause 38. The sensing node of any of clauses 22 to 37, the model monitoring report indicates types of the one or more non-machine learning sensing methods.

[0221] Clause 39. The sensing node of any of clauses 22 to 38, wherein the one or more processors, either alone or in combination, are further configured to: transmit, via the one or more transceivers, to the sensing entity, based on the result of the comparison between the first sensing results and the second sensing results being below a performance threshold, a request for a configuration of one or more second non-machine learning sensing methods; and receive, via the one or more transceivers, from the sensing entity, in response to the request, the configuration of the one or more second non-machine learning sensing methods.

[0222] Clause 40. The sensing node of clause 39, wherein the one or more processors, either alone or in combination, are further configured to: obtain third sensing results associated with the one or more target objects based on the one or more second non-machine learning sensing methods; and transmit, via the one or more transceivers, to the sensing entity, a second model monitoring report indicating a result of a comparison between the first sensing results and the third sensing results.

[0223] Clause 41. The sensing node of any of clauses 22 to 40, wherein the sensing node is: a user equipment (UE) , or a base station.

[0224] Clause 42. The sensing node of any of clauses 22 to 41, wherein the sensing entity is: a user equipment (UE) , a base station, or a server.

[0225] Clause 43. A sensing node, comprising: means for obtaining one or more sensing measurements of one or more sensing reference signals; means for applying a machine  learning model to the one or more sensing measurements to obtain first sensing results associated with one or more target objects; means for obtaining second sensing results associated with the one or more target objects based on one or more non-machine learning sensing methods; and means for transmitting, to a sensing entity, a model monitoring report indicating a result of a comparison between the first sensing results and the second sensing results.

[0226] Clause 44. The sensing node of clause 43, wherein the one or more non-machine learning sensing methods comprise: a compressed sensing algorithm, a multiple signal classification (MUSIC) algorithm, a maximal likelihood (ML) algorithm, a least square (LS) algorithm, a minimum mean square error (MMSE) algorithm, or any combination thereof.

[0227] Clause 45. The sensing node of clause 44, wherein the means for obtaining the second sensing results comprises: means for applying the one or more non-machine learning sensing methods to the one or more sensing measurements to obtain the second sensing results.

[0228] Clause 46. The sensing node of any of clauses 43 to 45, wherein: the one or more target objects are one or more reference nodes, and the second sensing results are positions of the one or more reference nodes.

[0229] Clause 47. The sensing node of clause 46, wherein the means for obtaining the second sensing results comprises: means for receiving the positions of the one or more reference nodes.

[0230] Clause 48. The sensing node of clause 47, further comprising: means for transmitting, to the sensing entity, a request for the positions of the one or more reference nodes.

[0231] Clause 49. The sensing node of clause 48, wherein the request indicates one or more types of the one or more reference nodes.

[0232] Clause 50. The sensing node of any of clauses 46 to 49, further comprising: means for selecting the one or more reference nodes based on sidelink discovery, broadcast information indicating that the one or more reference nodes are in a same cell or an adjacent cell as the sensing node, sensing assistance data from the sensing entity indicating that the one or more reference nodes are in a sensing area of the sensing node.

[0233] Clause 51. The sensing node of any of clauses 46 to 50, wherein: the one or more reference nodes include one or more user equipments (UEs) , one or more sensing reference units  (SRUs) , or any combination thereof, and the positions of the one or more UEs, the one or more SRUs, or the combination thereof are obtained based on one or more cellular-based positioning procedures involving the one or more reference nodes.

[0234] Clause 52. The sensing node of any of clauses 46 to 51, wherein the one or more reference nodes include one or more base stations.

[0235] Clause 53. The sensing node of any of clauses 43 to 52, wherein the one or more non-machine learning sensing methods comprise: one or more cameras of the sensing node, one or more radar sensors of the sensing node, one or more lidar sensors of the sensing node, or any combination thereof.

[0236] Clause 54. The sensing node of any of clauses 43 to 53, wherein: the one or more sensing measurements comprise a plurality of sensing measurements obtained over a plurality of measurement occasions, the first sensing results comprise a first sensing result for each of the plurality of measurement occasions, the second sensing results comprise a second sensing result for each of the plurality of measurement occasions, and the comparison between the first sensing results and the second sensing results indicates comparisons between the first sensing results and the second sensing results over the plurality of measurement occasions.

[0237] Clause 55. The sensing node of any of clauses 43 to 54, wherein the one or more non-machine learning sensing methods have different accuracy thresholds, different reliability thresholds, different priorities, different weights, or any combination thereof.

[0238] Clause 56. The sensing node of clause 55, further comprising: means for receiving, from the sensing entity, a configuration for performing the comparison between the first sensing results and the second sensing results, wherein the configuration indicates the different accuracy thresholds, the different reliability thresholds, the different priorities, different weights, or the combination thereof.

[0239] Clause 57. The sensing node of any of clauses 55 to 56, wherein: the one or more non-machine learning sensing methods are weighted higher than the machine learning model, and a resource pattern of the one or more sensing reference signals has an increased density of resources in time, frequency, or both based on the one or more non-machine learning sensing methods being weighted higher than the machine learning model.

[0240] Clause 58. The sensing node of any of clauses 43 to 57, wherein the model monitoring report is triggered based on: a request from the sensing entity for the model monitoring  report, a length of time the sensing node has been configured to use the machine learning model being greater than a threshold, a periodic timer, upon receipt of the machine learning model, upon update of the machine learning model, or any combination thereof.

[0241] Clause 59. The sensing node of any of clauses 43 to 58, the model monitoring report indicates types of the one or more non-machine learning sensing methods.

[0242] Clause 60. The sensing node of any of clauses 43 to 59, further comprising: means for transmitting, to the sensing entity, based on the result of the comparison between the first sensing results and the second sensing results being below a performance threshold, a request for a configuration of one or more second non-machine learning sensing methods; and means for receiving, from the sensing entity, in response to the request, the configuration of the one or more second non-machine learning sensing methods.

[0243] Clause 61. The sensing node of clause 60, further comprising: means for obtaining third sensing results associated with the one or more target objects based on the one or more second non-machine learning sensing methods; and means for transmitting, to the sensing entity, a second model monitoring report indicating a result of a comparison between the first sensing results and the third sensing results.

[0244] Clause 62. The sensing node of any of clauses 43 to 61, wherein the sensing node is: a user equipment (UE) , or a base station.

[0245] Clause 63. The sensing node of any of clauses 43 to 62, wherein the sensing entity is: a user equipment (UE) , a base station, or a server.

[0246] Clause 64. A non-transitory computer-readable medium storing computer-executable instructions that, when executed by a sensing node, cause the sensing node to: obtain one or more sensing measurements of one or more sensing reference signals; apply a machine learning model to the one or more sensing measurements to obtain first sensing results associated with one or more target objects; obtain second sensing results associated with the one or more target objects based on one or more non-machine learning sensing methods; and transmit, to a sensing entity, a model monitoring report indicating a result of a comparison between the first sensing results and the second sensing results.

[0247] Clause 65. The non-transitory computer-readable medium of clause 64, wherein the one or more non-machine learning sensing methods comprise: a compressed sensing algorithm, a multiple signal classification (MUSIC) algorithm, a maximal likelihood  (ML) algorithm, a least square (LS) algorithm, a minimum mean square error (MMSE) algorithm, or any combination thereof.

[0248] Clause 66. The non-transitory computer-readable medium of clause 65, wherein the computer-executable instructions that, when executed by the sensing node, cause the sensing node to obtain the second sensing results comprise computer-executable instructions that, when executed by the sensing node, cause the sensing node to: apply the one or more non-machine learning sensing methods to the one or more sensing measurements to obtain the second sensing results.

[0249] Clause 67. The non-transitory computer-readable medium of any of clauses 64 to 66, wherein: the one or more target objects are one or more reference nodes, and the second sensing results are positions of the one or more reference nodes.

[0250] Clause 68. The non-transitory computer-readable medium of clause 67, wherein the computer-executable instructions that, when executed by the sensing node, cause the sensing node to obtain the second sensing results comprise computer-executable instructions that, when executed by the sensing node, cause the sensing node to: receive the positions of the one or more reference nodes.

[0251] Clause 69. The non-transitory computer-readable medium of clause 68, further comprising computer-executable instructions that, when executed by the sensing node, cause the sensing node to: transmit, to the sensing entity, a request for the positions of the one or more reference nodes.

[0252] Clause 70. The non-transitory computer-readable medium of clause 69, wherein the request indicates one or more types of the one or more reference nodes.

[0253] Clause 71. The non-transitory computer-readable medium of any of clauses 67 to 70, further comprising computer-executable instructions that, when executed by the sensing node, cause the sensing node to: select the one or more reference nodes based on sidelink discovery, broadcast information indicating that the one or more reference nodes are in a same cell or an adjacent cell as the sensing node, sensing assistance data from the sensing entity indicating that the one or more reference nodes are in a sensing area of the sensing node.

[0254] Clause 72. The non-transitory computer-readable medium of any of clauses 67 to 71, wherein: the one or more reference nodes include one or more user equipments (UEs) , one or more sensing reference units (SRUs) , or any combination thereof, and the positions  of the one or more UEs, the one or more SRUs, or the combination thereof are obtained based on one or more cellular-based positioning procedures involving the one or more reference nodes.

[0255] Clause 73. The non-transitory computer-readable medium of any of clauses 67 to 72, wherein the one or more reference nodes include one or more base stations.

[0256] Clause 74. The non-transitory computer-readable medium of any of clauses 64 to 73, wherein the one or more non-machine learning sensing methods comprise: one or more cameras of the sensing node, one or more radar sensors of the sensing node, one or more lidar sensors of the sensing node, or any combination thereof.

[0257] Clause 75. The non-transitory computer-readable medium of any of clauses 64 to 74, wherein: the one or more sensing measurements comprise a plurality of sensing measurements obtained over a plurality of measurement occasions, the first sensing results comprise a first sensing result for each of the plurality of measurement occasions, the second sensing results comprise a second sensing result for each of the plurality of measurement occasions, and the comparison between the first sensing results and the second sensing results indicates comparisons between the first sensing results and the second sensing results over the plurality of measurement occasions.

[0258] Clause 76. The non-transitory computer-readable medium of any of clauses 64 to 75, wherein the one or more non-machine learning sensing methods have different accuracy thresholds, different reliability thresholds, different priorities, different weights, or any combination thereof.

[0259] Clause 77. The non-transitory computer-readable medium of clause 76, further comprising computer-executable instructions that, when executed by the sensing node, cause the sensing node to: receive, from the sensing entity, a configuration for performing the comparison between the first sensing results and the second sensing results, wherein the configuration indicates the different accuracy thresholds, the different reliability thresholds, the different priorities, different weights, or the combination thereof.

[0260] Clause 78. The non-transitory computer-readable medium of any of clauses 76 to 77, wherein: the one or more non-machine learning sensing methods are weighted higher than the machine learning model, and a resource pattern of the one or more sensing reference signals has an increased density of resources in time, frequency, or both based on the one  or more non-machine learning sensing methods being weighted higher than the machine learning model.

[0261] Clause 79. The non-transitory computer-readable medium of any of clauses 64 to 78, wherein the model monitoring report is triggered based on: a request from the sensing entity for the model monitoring report, a length of time the sensing node has been configured to use the machine learning model being greater than a threshold, a periodic timer, upon receipt of the machine learning model, upon update of the machine learning model, or any combination thereof.

[0262] Clause 80. The non-transitory computer-readable medium of any of clauses 64 to 79, the model monitoring report indicates types of the one or more non-machine learning sensing methods.

[0263] Clause 81. The non-transitory computer-readable medium of any of clauses 64 to 80, further comprising computer-executable instructions that, when executed by the sensing node, cause the sensing node to: transmit, to the sensing entity, based on the result of the comparison between the first sensing results and the second sensing results being below a performance threshold, a request for a configuration of one or more second non-machine learning sensing methods; and receive, from the sensing entity, in response to the request, the configuration of the one or more second non-machine learning sensing methods.

[0264] Clause 82. The non-transitory computer-readable medium of clause 81, further comprising computer-executable instructions that, when executed by the sensing node, cause the sensing node to: obtain third sensing results associated with the one or more target objects based on the one or more second non-machine learning sensing methods; and transmit, to the sensing entity, a second model monitoring report indicating a result of a comparison between the first sensing results and the third sensing results.

[0265] Clause 83. The non-transitory computer-readable medium of any of clauses 64 to 82, wherein the sensing node is: a user equipment (UE) , or a base station.

[0266] Clause 84. The non-transitory computer-readable medium of any of clauses 64 to 83, wherein the sensing entity is: a user equipment (UE) , a base station, or a server.

[0267] 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.

[0268] 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.

[0269] The various illustrative logical blocks, modules, and circuits described in connection with the aspects disclosed herein may be implemented or performed with a general purpose processor, a digital signal processor (DSP) , an ASIC, a field-programable gate array (FPGA) , or other programmable logic device, discrete gate or transistor logic, discrete hardware components, or any combination thereof designed to perform the functions described herein. A general-purpose processor may be a microprocessor, 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, for example, 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.

[0270] The methods, sequences and / or algorithms described in connection with the aspects disclosed herein may be embodied directly in hardware, in a software module executed by a processor, or in a combination of the two. A software module may reside in random access memory (RAM) , flash memory, read-only memory (ROM) , erasable programmable ROM (EPROM) , electrically erasable programmable ROM (EEPROM) , registers, hard disk, a removable disk, a CD-ROM, or any other form of storage medium known in the art. An example storage medium is coupled to the processor such that the processor can read information from, and write information to, the storage medium. In  the alternative, the storage medium may be integral to the processor. The processor and the storage medium may reside in an ASIC. The ASIC may reside in a user terminal (e.g., UE) . In the alternative, the processor and the storage medium may reside as discrete components in a user terminal.

[0271] In one or more example aspects, the functions described may be implemented in hardware, software, firmware, or any combination thereof. If implemented in software, the functions may be stored on or transmitted over as one or more instructions or code on a computer-readable medium. Computer-readable media includes both computer storage media and communication media including any medium that facilitates transfer of a computer program from one place to another. A storage media may be any available media that can be accessed by a computer. By way of example, and not limitation, such computer-readable media can comprise RAM, ROM, EEPROM, CD-ROM or other optical disk storage, magnetic disk storage or other magnetic storage devices, or any other medium that can be used to carry or store desired program code in the form of instructions or data structures and that can be accessed by a computer. Also, any connection is properly termed a computer-readable medium. For example, if the software is transmitted from a website, server, or other remote source using a coaxial cable, fiber optic cable, twisted pair, digital subscriber line (DSL) , or wireless technologies such as infrared, radio, and microwave, then the coaxial cable, fiber optic cable, twisted pair, DSL, or wireless technologies such as infrared, radio, and microwave are included in the definition of medium. Disk and disc, as used herein, includes compact disc (CD) , laser disc, optical disc, digital versatile disc (DVD) , floppy disk and Blu-ray disc where disks usually reproduce data magnetically, while discs reproduce data optically with lasers. Combinations of the above should also be included within the scope of computer-readable media.

[0272] While the foregoing disclosure shows illustrative aspects of the disclosure, it should be noted that various changes and modifications could be made herein without departing from the scope of the disclosure as defined by the appended claims. For example, the functions, steps and / or actions of the method claims in accordance with the aspects of the disclosure described herein need not be performed in any particular order. Further, no component, function, action, or instruction described or claimed herein should be construed as critical or essential unless explicitly described as such. Furthermore, as used  herein, the terms “set, ” “group, ” and the like are intended to include one or more of the stated elements. Also, as used herein, the terms “has, ” “have, ” “having, ” “comprises, ” “comprising, ” “includes, ” “including, ” and the like does not preclude the presence of one or more additional elements (e.g., an element “having” A may also have B) . Further, the phrase “based on” is intended to mean “based, at least in part, on” unless explicitly stated otherwise. Also, as used herein, the term “or” is intended to be inclusive when used in a series and may be used interchangeably with “and / or, ” unless explicitly stated otherwise (e.g., if used in combination with “either” or “only one of” ) or the alternatives are mutually exclusive (e.g., “one or more” should not be interpreted as “one and more” ) . Furthermore, although components, functions, actions, and instructions may be described or claimed in the singular, the plural is contemplated unless limitation to the singular is explicitly stated. Accordingly, as used herein, the articles “a, ” “an, ” “the, ” and “said” are intended to include one or more of the stated elements. Additionally, as used herein, the terms “at least one” and “one or more” encompass “one” component, function, action, or instruction performing or capable of performing a described or claimed functionality and also “two or more” components, functions, actions, or instructions performing or capable of performing a described or claimed functionality in combination.

Claims

1.A sensing node, comprising:one or more memories;one or more transceivers; andone or more processors communicatively coupled to the one or more memories and the one or more transceivers, the one or more processors, either alone or in combination, configured to:obtain one or more sensing measurements of one or more sensing reference signals;apply a machine learning model to the one or more sensing measurements to obtain first sensing results associated with one or more target objects;obtain second sensing results associated with the one or more target objects based on one or more non-machine learning sensing methods; andtransmit, via the one or more transceivers, to a sensing entity, a model monitoring report indicating a result of a comparison between the first sensing results and the second sensing results.2.The sensing node of claim 1, wherein the one or more non-machine learning sensing methods comprise:a compressed sensing algorithm,a multiple signal classification (MUSIC) algorithm,a maximal likelihood (ML) algorithm,a least square (LS) algorithm,a minimum mean square error (MMSE) algorithm, orany combination thereof.3.The sensing node of claim 1, wherein:the one or more target objects are one or more reference nodes, andthe second sensing results are positions of the one or more reference nodes.4.The sensing node of claim 3, wherein the one or more processors configured to obtain the second sensing results comprises the one or more processors, either alone or in combination, configured to:receive, via the one or more transceivers, the positions of the one or more reference nodes.5.The sensing node of claim 4, wherein the one or more processors, either alone or in combination, are further configured to:transmit, via the one or more transceivers, to the sensing entity, a request for the positions of the one or more reference nodes.6.The sensing node of claim 5, wherein the request indicates one or more types of the one or more reference nodes.7.The sensing node of claim 3, wherein the one or more processors, either alone or in combination, are further configured to:select the one or more reference nodes based on sidelink discovery, broadcast information indicating that the one or more reference nodes are in a same cell or an adjacent cell as the sensing node, sensing assistance data from the sensing entity indicating that the one or more reference nodes are in a sensing area of the sensing node.8.The sensing node of claim 3, wherein:the one or more reference nodes include one or more user equipments (UEs) , one or more sensing reference units (SRUs) , or any combination thereof, andthe positions of the one or more UEs, the one or more SRUs, or the combination thereof are obtained based on one or more cellular-based positioning procedures involving the one or more reference nodes.9.The sensing node of claim 1, wherein the one or more non-machine learning sensing methods comprise:one or more cameras of the sensing node,one or more radar sensors of the sensing node,one or more lidar sensors of the sensing node, orany combination thereof.10.The sensing node of claim 1, wherein:the one or more sensing measurements comprise a plurality of sensing measurements obtained over a plurality of measurement occasions,the first sensing results comprise a first sensing result for each of the plurality of measurement occasions,the second sensing results comprise a second sensing result for each of the plurality of measurement occasions, andthe comparison between the first sensing results and the second sensing results indicates comparisons between the first sensing results and the second sensing results over the plurality of measurement occasions.11.The sensing node of claim 1, wherein the one or more non-machine learning sensing methods have different accuracy thresholds, different reliability thresholds, different priorities, different weights, or any combination thereof.12.The sensing node of claim 11, wherein the one or more processors, either alone or in combination, are further configured to:receive, via the one or more transceivers, from the sensing entity, a configuration for performing the comparison between the first sensing results and the second sensing results, wherein the configuration indicates the different accuracy thresholds, the different reliability thresholds, the different priorities, different weights, or the combination thereof.13.The sensing node of claim 11, wherein:the one or more non-machine learning sensing methods are weighted higher than the machine learning model, anda resource pattern of the one or more sensing reference signals has an increased density of resources in time, frequency, or both based on the one or more non-machine learning sensing methods being weighted higher than the machine learning model.14.The sensing node of claim 1, wherein the model monitoring report is triggered based on:a request from the sensing entity for the model monitoring report,a length of time the sensing node has been configured to use the machine learning model being greater than a threshold,a periodic timer,upon receipt of the machine learning model,upon update of the machine learning model, orany combination thereof.15.The sensing node of claim 1, wherein the one or more processors, either alone or in combination, are further configured to:transmit, via the one or more transceivers, to the sensing entity, based on the result of the comparison between the first sensing results and the second sensing results being below a performance threshold, a request for a configuration of one or more second non-machine learning sensing methods; andreceive, via the one or more transceivers, from the sensing entity, in response to the request, the configuration of the one or more second non-machine learning sensing methods.16.The sensing node of claim 15, wherein the one or more processors, either alone or in combination, are further configured to:obtain third sensing results associated with the one or more target objects based on the one or more second non-machine learning sensing methods; andtransmit, via the one or more transceivers, to the sensing entity, a second model monitoring report indicating a result of a comparison between the first sensing results and the third sensing results.17.A method of wireless sensing performed by a sensing node, comprising:obtaining one or more sensing measurements of one or more sensing reference signals;applying a machine learning model to the one or more sensing measurements to obtain first sensing results associated with one or more target objects;obtaining second sensing results associated with the one or more target objects based on one or more non-machine learning sensing methods; andtransmitting, to a sensing entity, a model monitoring report indicating a result of a comparison between the first sensing results and the second sensing results.18.The method of claim 17, wherein:the one or more sensing measurements comprise a plurality of sensing measurements obtained over a plurality of measurement occasions,the first sensing results comprise a first sensing result for each of the plurality of measurement occasions,the second sensing results comprise a second sensing result for each of the plurality of measurement occasions, andthe comparison between the first sensing results and the second sensing results indicates comparisons between the first sensing results and the second sensing results over the plurality of measurement occasions.19.The method of claim 17, further comprising:transmitting, to the sensing entity, based on the result of the comparison between the first sensing results and the second sensing results being below a performance threshold, a request for a configuration of one or more second non-machine learning sensing methods; andreceiving, from the sensing entity, in response to the request, the configuration of the one or more second non-machine learning sensing methods.20.A sensing node, comprising:means for obtaining one or more sensing measurements of one or more sensing reference signals;means for applying a machine learning model to the one or more sensing measurements to obtain first sensing results associated with one or more target objects;means for obtaining second sensing results associated with the one or more target objects based on one or more non-machine learning sensing methods; andmeans for transmitting, to a sensing entity, a model monitoring report indicating a result of a comparison between the first sensing results and the second sensing results.

Images