Multi-stage model for ai / ML UE-based mobility

Abstract

In some embodiments, multiple artificial intelligence (AI) / machined learning (ML) models may be connected in a chain. Each model may serve as a stage of the chain. The AI / ML model chain may include multiple models used by a UE. An early stage model may trigger a final stage model to run. A UE may use the AI / ML model chain to predict a measurement or a mobility event, and report the prediction to the network node.

Description

MULTI-STAGE MODEL FOR AI / ML UE-BASED MOBILITYTECHNICAL FIELD

[0001] This application relates generally to wireless communication systems, including AI / ML models for mobility predictions.BACKGROUND

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

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

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

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

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

[0007] BRIEF DESCRIPTION OF THE SEVERAL VIEWS OF THE DRAWINGS

[0008] To easily identify the discussion of any particular element or act, the most significant digit or digits in a reference number refer to the figure number in which that element is first introduced.

[0009] FIG. 1 illustrates an example block diagram of two chained AI / ML models in accordance with some embodiments.

[0010] FIG. 2 illustrates an example block diagram of three chained AI / ML models in accordance with some embodiments.

[0011] FIG. 3 illustrates an example block diagram of chained AI / ML models with a shared early stage model in accordance with some embodiments.

[0012] FIG. 4 illustrates an example method performed by a UE in accordance with some embodiments.

[0013] FIG. 5 illustrates an example method performed by a network node in accordance with some embodiments.

[0014] FIG. 6 illustrates an example architecture of a wireless communication system, according to embodiments disclosed herein.

[0015] FIG. 7 illustrates a system for performing signaling between a wireless device and a network device, according to embodiments disclosed herein.DETAILED DESCRIPTION

[0016] Various embodiments are described with regard to a UE. However, reference to a UE is merely provided for illustrative purposes. The example embodiments may be utilized with any electronic component that may establish a connection to a network and is configured with the hardware, software, and / or firmware to exchange information and data with the network. Therefore, the UE as described herein is used to represent any appropriate electronic component.

[0017] One of the goals of a wireless network is to improve reliability. This may include a UE performing measurements to determine a current state of its connection with a network node. However, performing the measurements comes at the cost of power consumption at the UE. As the UE may be a battery constrained device, another goal of a wireless network is to reduce power consumption. These goals may conflict with each other. For example, performing fewer measurements may reduce power consumption, but may also reduce the reliability of the network connection.

[0018] Artificial intelligence (AI)  / machine learning (ML) may be used to reduce power consumption related to mobility, while limiting effects on the network connection reliability. Embodiments herein use AI / ML to improve the performance of a UE or other battery constrained devices. In some embodiments, a UE may use AI / ML based RRM measurement and / or event prediction. For example, cell-level measurement prediction may include intra-frequency and inter-frequency (UE sided and NW sided model) . AI / ML may be used for inter-cell beam-level measurement prediction for L3 Mobility (UE sided and NW sided model) . Additionally, AI / ML may be used for handover failure / RLF prediction (UE sided model) , measurement events prediction (UE sided model) , and other UE assistance information for the network side model.

[0019] One of the goals of the UE-based AI / ML measurement prediction is to reduce UE power consumption. However, while AI / ML inference may be less energy-consuming than the actual measurements, it is not without cost. This is especially true if model inference has to be performed constantly / continuously. One goal of embodiments herein is to reduce computational and power requirements of the UE-based AI / ML inference for mobility. While the embodiments herein focus on AI / ML inference for mobility, the AI / ML principles may be applied to other scenarios for battery constrained devices.

[0020] FIG. 1 illustrates an example block diagram 102 of two chained AI / ML models in accordance with some embodiments. This block diagram 102 illustrates a simplified principle of operation of embodiments of the present disclosure. In some embodiments, the multiple models chained together may be used by a UE to reduce power consumption. Unlike distributed models, the UE may run both of the models. Chained models may refer to multiple models used by a UE where a first model triggers a second model to run. The second model may not run unless the trigger from the first model is  output. Each of the models in the chain may be referred to as a stage. Accordingly, the chained models may also be referred to as a multi-stage model.

[0021] In the illustrated embodiment, model 1 104 may output a trigger that causes model 0 106 to run. Model 0 106 may be the actual model trained to predict a certain output (e.g. mobility events and / or measurements) . For example, model 0 106 may predict mobility events such as radio link failure, handover failure, a measurement event, etc. In some embodiments, model 0 106 may be configured to predict measurements so that the UE does not need to perform as many actual measurements.

[0022] Model 0 106 may be a more complex model than model 1 104. Accordingly, operation of model 0 106 may use more power than model 1 104. In the illustrated embodiment, model 1 104 is a simplified model trained to predict when a mobility related event is likely to occur. In some embodiments, the Model 1 input parameters may be a subset of Model 0 input parameters (as illustrated) . For example, input parameters for the models may include historical measurements, motion detection from gyroscope, outputs / triggers from previous model, previous measurements, other cell / beam measurements, measurements from RAT (s) , RRC state, barometric pressure, direction and distance traveled, orientation, and / or GNSS information. As shown, model 1 104 may have fewer inputs than model 0 106. In some embodiments model 1 104 and model 0 106 may use different sets of inputs.

[0023] Model 0 106 may be activated based on a model 1 prediction that an event of interest is likely to be predicted by model 0 106. Model 1 104 generally uses less memory and less computational power than model 0 106. For example, model 1 104 may have fewer inputs, fewer hidden layers, and a simpler output than model 0 106 resulting in less computational requirements and less power consumption.

[0024] In some embodiments, more than two stages can be used. For example, there may be three or more models that the UE runs. In some embodiments, the models may trigger each other in series. In some embodiments, the more complex model may use triggers from more than one model to operate. In some embodiments, if an actual measurement is available, the UE is expected to use it rather than a predicted measurement. This may apply to both to the final (model 0 106) output and also for the intermediate (e.g. model 1 104) output.

[0025] In some embodiments, model 1 104 runs continuously. For instance, model 1 104 may be triggered by time or system frame, or every n system frames. In some  embodiments there may be defined thresholds for model 1 104 inputs which trigger the inference from model 1 104. For instance, model 1 104 may not run until input a reaches a threshold rather than the UE running model 1 104 continuously.

[0026] In some embodiments, model 0 106 may predict Reference Signal Received Power (RSRP) and Reference Signal Received Quality (RSRQ) , per cell and / or per beam, using Synchronization Signal Block (SSB) and / or Channel State Information Reference Signal (CSI-RS) . Alternatively or in addition, model 0 106 may predict the mobility event.

[0027] For the “next model” in the chain (e.g. model 0 106) there can be trigger thresholds defined to determine when to run the model. For instance the output of model 1 104 may be a percentage of the likelihood that model 0 106 will predict a mobility event or a measurement. Model 0 106 may run when the output of model 0 106 equals or exceeds a threshold. In some embodiments, the models may be trained based on actual measurements and outcomes.

[0028] For example, the UE may collect measurements and process them normally to determine when a mobility event occurs. When the mobility event occurs, the UE may send a measurement report to the network. The network may determine whether or not to trigger a handover. This chain of events and measurements may be used to train one or more of the models. Once the models are trained to a sufficient level of accuracy, the models may be used to predict how likely the current situation is to trigger a mobility event. In some embodiments, if a mobility event is likely, model 0 106 may predict the measurement that is sent to the network to decide whether or not to trigger a handover.

[0029] FIG. 2 illustrates an example block diagram 202 of three chained AI / ML models in accordance with some embodiments. In the illustrated embodiment, Model 0 204 may predict the actual measurements. For example, model 0 204 may predict RSRQ, per cell and / or per beam, using SSB and / or CSI-RS. Alternatively or in addition, model 0 204 may predict the mobility event (which may be a refinement of the event predicted by model 1 206 as described see below) .

[0030] Model 1 206 may predict a mobility event. For example model 1 206 may predict Event A1 (Serving becomes better than a threshold) , or Event A2 (Serving becomes worse than a threshold) or any other event at least from Ax and Bx series. Model 1 206 output may trigger model 0 and the trigger may indicate the predicted event.

[0031] Model 2 208 may predict whether a mobility event is likely to occur. Model 2 208 output may trigger model 1 206. The output trigger may be a binary indication that a mobility event is likely to occur. For example, if model 2 208 predicts that the likelihood of a mobility event is greater than a threshold it may send the output trigger to model 1 206.

[0032] In some embodiments, the models may be trained based on actual measurements and outcomes. For example, the UE may collect measurements and process them normally to determine when a mobility event occurs. When the mobility event occurs, the UE may send a measurement report to the network. The network may determine whether or not to trigger a handover. This chain of events and measurements may be used to train one or more of the models. Once the models are trained to a sufficient level of accuracy, the models may be used to predict how likely the current situation is to trigger a mobility event and predict measurements. The predicted measurements may be sent by the UE to a network node in a measurement report, and the network node may determine whether to trigger a handover based on the measurement report.

[0033] In some embodiments some models may be combined into a single model (e.g. model 2 208 and model 1 206, or model 1 206 and model 0 204) . In some embodiments, in some cases (e.g. depending on the configuration from the network or UE implementation choice) model 1 output may be sufficient while in some other cases model 0 204 may also be triggered. For example, in some cases, a prediction from model 1 206 of a mobility event is what is used, and in other cases measurement predictions from model 0 204 may also be desired.

[0034] In some embodiments, in some cases the output of model 2 208 may pass-through model 1 206 with minimal processing (or be transparent to model 1 206) to trigger model 0 204 directly. For instance some inputs (e.g., the output of model 2 208) may be used by multiple models in the chain. Each of the models may be run by a same UE.

[0035] As shown, the number of inputs for each of the models in the chain may successively increase as the models get more complex. For instance, model 2 208 receives two inputs, model 1 206 receives three inputs, and model 0 204 receives six inputs. In addition, the models may use the triggers output from a previous model as an input. As shown, in some inputs, the lower complexity models may use a subset of the  inputs used by the higher complexity model. In other embodiments, the models may each use different inputs.

[0036] In some embodiments, model chains that use two or more models (e.g., FIG. 1 and FIG. 2) can be used to predict various items of interest. The desired predictions may be pre-configured or set by the network.

[0037] In some embodiments, Model 1 may predict beam measurement (s) and Model 0 may predict a cell measurement. In some embodiments, Model 1 may be trained to predict the best beam or multiple beams.

[0038] In some embodiments, Model 1 may predict a cell measurement. Further, Model 0 may predict beam measurement (s) . For instance, Model 0 may be trained to predict the best beam or multiple beams.

[0039] In some embodiments, Model 1 may predict the best beam measurement. Further, Model 0 may predict multiple beam measurements.

[0040] In some embodiments, multiple models can be used simultaneously (i.e. in parallel) to trigger the next model in the chain. For example, in FIG. 2 multiple models may replace model 2 208, and the models may run in parallel. In some embodiments, the next model in the chain (e.g., model 1 206) may run when either of the parallel models output a trigger. In some embodiments, the next model in the chain (e.g., model 1 206) may run when each of the parallel models output a trigger.

[0041] FIG. 3 illustrates an example block diagram 302 of chained AI / ML models with a shared early stage model in accordance with some embodiments. In some embodiments, one or more models of the chained models may be used to trigger multiple prediction models. For instance, two models or model chains may be triggered by one early stage model. Such cases can exploit the fact that in some embodiments, besides the L2 mobility AI / ML model, there may be other models used in the UE. One such example may be L1 layer model for CSI prediction. Accordingly, some embodiments may use a shared early stage model (e.g., shared model for mobility model chain and CSI prediction model) .

[0042] In the illustrated embodiment, instead of a dedicated early stage mode (i.e. model 2 and / or model 1 in FIG. 1 and FIG. 2) , another model (e.g. L1 layer CSI prediction model 304) is trained to also trigger a L2 mobility model (e.g., model 1 306) . This approach exploits the fact that some L1 models (e.g. CSI prediction model 304) , at least in RRC connected, operate at smaller time resolution and are likely to be always  active. This way there is little overhead (in terms of computational resources) to run a model that triggers the L2 mobility model (e.g., model 1 306) .

[0043] For example, in the illustrated embodiment a layer 1 (L1) model (e.g., CSI prediction model 304) may be used for CSI prediction. The CSI prediction model 304 may receive inputs (e.g., input x and input y) and output a CSI prediction based on the inputs. While the output of the CSI prediction model 304 in the illustrated embodiment is a CSI prediction, in other embodiments the output may be a trigger to cause another model to predict CSI.

[0044] Additionally, the CSI prediction model 304 may use the inputs to determine a likelihood of a mobility event. If the CSI prediction model 304 determines that a mobility event likelihood exceeds a threshold, it may output a trigger to model 1 306 which may be an L2 mobility model.

[0045] When model 1 306 receives the trigger from the CSI prediction model 304, it may run. Model 1 306 may receive inputs (e.g., input a, input b, and input c) . Model 1 306 may use the inputs to predict various variables. These predictions may be measurements and / or a more accurate prediction of the mobility event. The inputs of model 1 306 may be different than CSI prediction model 304 or include one or more of the same inputs as CSI prediction model 304.

[0046] The model 1 306 may send a trigger when it determines the likelihood of a mobility event exceeds a threshold to cause model 0 308 to run. In some embodiments, model 1 306 may be omitted and the trigger from the CSI prediction model 304 may cause model 0 308 to run. Model 0 308 may output a mobility inference decision.

[0047] Model inputs for some embodiments (e.g., the models in the model chains of FIG. 1, FIG. 2, and FIG. 3) may include one or more of the following. The model inputs may include an output / trigger of the previous model (in the multi-stage model chain) . The output / trigger of the previous model may be a confidence level of the previous model. The model inputs may include previous measurement (s) (in case of time-based prediction) . The previous measurements may be RSRP or RSRQ based on SSB or CSI-RS during a target time window. The model inputs may include other cell / beam measurements (s) (in case of spatial prediction) . In some embodiments, the inputs may include historical measurements for other cell / beam measurements (s) . In some embodiments, the inputs may include measurements from other RAT (s) , including 3GPP (e.g. LTE) and / or non-3GPP (e.g. Wi-Fi, Bluetooth, and ultra-wideband (UWB) ) . In  some embodiments, the inputs may include an RRC state (e.g., RRC idle, RRC connected, and RRC inactive) .

[0048] In some embodiments, the inputs may include sensor information. The sensor information may include barometric pressure, movement detected (e.g. movement detected by a gyroscope) , direction and distance travelled (as measured by sensors) , orientation / bearing, GNSS information (location, velocity and time) , and / or proximity to an obstacle (as measured by a proximity sensor) . The models may use one or more of such sensor information.

[0049] In some embodiments, the early stage models in the chain may use different inputs than the final stage model. In some embodiments, the early stage models in the chain may use a subset of inputs that the final stage model uses. In some embodiments, an early stage model in the chain may use parameters that are more power efficient to obtain. For example, the early stage model may use sensor information as inputs, and the later or final stage model may use actual measurements, the output from the early stage mode, and the sensor information.

[0050] Model outputs for some embodiments (e.g., the models in the model chains of FIG. 1, FIG. 2, and FIG. 3) may include one or more of the following. In some embodiments, the outputs may include whether a mobility related event is likely to occur. In some embodiments, the outputs may include which mobility event is likely to occur (e.g. A1-A6, B1-B2, etc) . In some embodiments, the outputs may include measurement predictions. The predicted measurements may be cell level and / or beam level. The predicted measurements may be SSB-based and based on CSI-RS, and may be RSRP, RSRQ, and / or Signal to Interference & Noise Ratio (SINR) . The outputs may also include a trigger for the next model in the chain. In some embodiments, the trigger may be associated with a confidence level above a threshold. The output may also include the confidence level.

[0051] In some embodiments, the multi-stage models herein may have an impact on the standard. For example, there may be an impact on stage-2 description of the approach in TS 38.300. In some embodiments, changes may be made to the UE procedural description in TS 38.331. For example, changes may be included regarding the measurement procedures in section 5.5 to describe the chained model usage approach. Additionally, the chained model approach may be included in UE capabilities in TS 38.306. In some embodiments, the specification may include a description of network  control over whether it is allowed to use such models (e.g., at UE resolution via dedicated RRC signaling or at cell level via e.g. SIB) in TS 38.331.

[0052] For example a network node may configure the model chain. This may be an enhancement for AI / ML life cycle management (LCM) model selection. Various embodiments may include varying degrees of network control over how model chaining is configured can be considered. For example, in some embodiments without model chaining, the network would select one model for AI / ML mobility. With chaining, the network may select two (or more) models and also signal how the models are chained (e.g., "model 0 ID" , "model 1 ID" , "model 2 ID" instead of just “model id” ) . In some embodiments, model chains may correspond to model chain IDs.

[0053] In some embodiments, the network may signal the confidence level threshold to trigger the next model in the chain. In some embodiments, the network may also exercise even finer level of control to signal not only the confidence level threshold, but also the configuration of the input parameters to every model, some of which may be outputs of the previous model in the chain and some new parameters.

[0054] In some embodiments, there may be enhancements to the measurement reporting from the UE to the network node. In some embodiments, the UE may indicate whether the reported value is an actual measurement or a predicted value. In a case of the predicted value which triggers a report, the UE may report the information about the model chain (and its triggers) that led to it.

[0055] In some embodiments, self-optimized networking (SON) may be enhanced. For example, a new report can be defined that reports instances where an early stage model outputs a trigger, but the trigger does not result in a predicted measurement (output of final stage model (e.g., (model 0) ) above the threshold that requires measurement reporting. For example, the UE may send a report to a network node to indicate near failure events predicted by an early stage model, but not confirmed by later stage models. In some embodiments, the UE may report to the network node when the model does not predict an event, but the actual measurement results in an event.

[0056] FIG. 4 illustrates an example method 400 performed by a UE in accordance with some embodiments. As shown, the method 400 includes receiving 402, from a network node, a configuration for an AI / ML model chain, wherein the AI / ML model chain includes multiple models used by a UE where an early stage model triggers a final stage model to run. The method 400 further includes configuring 404 the early stage model  and the final stage model according to the configuration, wherein an output from the early stage model triggers operation of the final stage model. The method 400 further includes predicting 406 a measurement or a mobility event using the AI / ML model chain. The method 400 further includes reporting 408 a prediction to the network node.

[0057] In some embodiments, predicting the measurement or the mobility event comprises: predicting, using the early stage model, a confidence level of the mobility event occurring; and when the confidence level exceeds a threshold, sending the output from the early stage model to the final stage model to trigger operation of the final stage model.

[0058] In some embodiments, the configuration for the AI / ML model chain includes identifications for two or more models and indicates how the two or more models are chained.

[0059] In some embodiments, the prediction comprises an indication of whether a mobility related event is likely to occur, an indication of which mobility event type is likely to occur, predicted measurements, or a combination thereof.

[0060] In some embodiments, inputs to the early stage model are fewer than the inputs to the final stage model.

[0061] In some embodiments, the method 400 further comprises configuring a third stage model to trigger operation of the early stage model.

[0062] In some embodiments, the early stage model runs continuously, and the final stage model runs when triggered by the early stage model.

[0063] In some embodiments, the early stage model is used for a layer 1 prediction as well as triggering a layer 2 mobility prediction.

[0064] Embodiments contemplated herein include an apparatus comprising means to perform one or more elements of the method 400. This apparatus may be, for example, an apparatus of a UE (such as a wireless device 702 that is a UE, as described herein) .

[0065] Embodiments contemplated herein include one or more non-transitory computer-readable media comprising instructions to cause an electronic device, upon execution of the instructions by one or more processors of the electronic device, to perform one or more elements of the method 400. This non-transitory computer-readable media may be, for example, a memory of a UE (such as a memory 706 of a wireless device 702 that is a UE, as described herein) .

[0066] Embodiments contemplated herein include an apparatus comprising logic, modules, or circuitry to perform one or more elements of the method 400. This apparatus may be, for example, an apparatus of a UE (such as a wireless device 702 that is a UE, as described herein) .

[0067] Embodiments contemplated herein include an apparatus comprising: one or more processors and one or more computer-readable media comprising instructions that, when executed by the one or more processors, cause the one or more processors to perform one or more elements of the method 400. This apparatus may be, for example, an apparatus of a UE (such as a wireless device 702 that is a UE, as described herein) .

[0068] Embodiments contemplated herein include a signal as described in or related to one or more elements of the method 400.

[0069] Embodiments contemplated herein include a computer program or computer program product comprising instructions, wherein execution of the program by a processor is to cause the processor to carry out one or more elements of the method 400. The processor may be a processor of a UE (such as a processor (s) 704 of a wireless device 702 that is a UE, as described herein) . These instructions may be, for example, located in the processor and / or on a memory of the UE (such as a memory 706 of a wireless device 702 that is a UE, as described herein) .

[0070] FIG. 5 illustrates an example method 500 performed by a network node in accordance with some embodiments. The method 500 includes generating 502 a configuration for an AI / ML model chain, wherein the AI / ML model chain includes multiple models used by a UE where an early stage model triggers a final stage model to run. The method 500 further includes sending 504, to a user equipment, the configuration for the AI / ML model chain. The method 500 further includes receiving 506, from the UE, a prediction regarding a measurement or a mobility event based on the AI / ML model chain.

[0071] In some embodiments, the AI / ML model chain: predicts, using the early stage model, a confidence level of the mobility event occurring; and when the confidence level exceeds a threshold, the early stage model sends a trigger to cause the final stage model to run.

[0072] In some embodiments, the configuration for the AI / ML model chain includes identifications for two or more models and an indication of how the two or more models are chained.

[0073] In some embodiments, the prediction comprises an indication of whether a mobility related event is likely to occur, an indication of which mobility event type is likely to occur, predicted measurements, or a combination thereof.

[0074] In some embodiments, inputs to the early stage model are fewer than the inputs to the final stage model.

[0075] In some embodiments, the configuration for the AI / ML model chain further comprises a third stage model to trigger operation of the early stage model.

[0076] In some embodiments, the early stage model runs continuously, and the final stage model runs when triggered by the early stage model.

[0077] Embodiments contemplated herein include an apparatus comprising means to perform one or more elements of the method 500. This apparatus may be, for example, an apparatus of a base station (such as a network device 718 that is a base station, as described herein) .

[0078] Embodiments contemplated herein include one or more non-transitory computer-readable media comprising instructions to cause an electronic device, upon execution of the instructions by one or more processors of the electronic device, to perform one or more elements of the method 500. This non-transitory computer-readable media may be, for example, a memory of a base station (such as a memory 722 of a network device 718 that is a base station, as described herein) .

[0079] Embodiments contemplated herein include an apparatus comprising logic, modules, or circuitry to perform one or more elements of the method 500. This apparatus may be, for example, an apparatus of a base station (such as a network device 718 that is a base station, as described herein) .

[0080] Embodiments contemplated herein include an apparatus comprising: one or more processors and one or more computer-readable media comprising instructions that, when executed by the one or more processors, cause the one or more processors to perform one or more elements of the method 500. This apparatus may be, for example, an apparatus of a base station (such as a network device 718 that is a base station, as described herein) .

[0081] Embodiments contemplated herein include a signal as described in or related to one or more elements of the method 500.

[0082] Embodiments contemplated herein include a computer program or computer program product comprising instructions, wherein execution of the program by a processing element is to cause the processing element to carry out one or more elements of the method 500. The processor may be a processor of a base station (such as a processor (s) 720 of a network device 718 that is a base station, as described herein) . These instructions may be, for example, located in the processor and / or on a memory of the base station (such as a memory 722 of a network device 718 that is a base station, as described herein) .

[0083] FIG. 6 illustrates an example architecture of a wireless communication system 600, according to embodiments disclosed herein. The following description is provided for an example wireless communication system 600 that operates in conjunction with the LTE system standards and / or 5G or NR system standards as provided by 3GPP technical specifications.

[0084] As shown by FIG. 6, the wireless communication system 600 includes UE 602 and UE 604 (although any number of UEs may be used) . In this example, the UE 602 and the UE 604 are illustrated as smartphones (e.g., handheld touchscreen mobile computing devices connectable to one or more cellular networks) , but may also comprise any mobile or non-mobile computing device configured for wireless communication.

[0085] The UE 602 and UE 604 may be configured to communicatively couple with a RAN 606. In embodiments, the RAN 606 may be NG-RAN, E-UTRAN, etc. The UE 602 and UE 604 utilize connections (or channels) (shown as connection 608 and connection 610, respectively) with the RAN 606, each of which comprises a physical communications interface. The RAN 606 can include one or more base stations (such as base station 612 and base station 614) that enable the connection 608 and connection 610.

[0086] In this example, the connection 608 and connection 610 are air interfaces to enable such communicative coupling, and may be consistent with RAT (s) used by the RAN 606, such as, for example, an LTE and / or NR.

[0087] In some embodiments, the UE 602 and UE 604 may also directly exchange communication data via a sidelink interface 616. The UE 604 is shown to be configured to access an access point (shown as AP 618) via connection 620. By way of example, the connection 620 can comprise a local wireless connection, such as a connection consistent with any IEEE 802.11 protocol, wherein the AP 618 may comprise a  router. In  this example, the AP 618 may be connected to another network (for example, the Internet) without going through a CN 624.

[0088] In embodiments, the UE 602 and UE 604 can be configured to communicate using orthogonal frequency division multiplexing (OFDM) communication signals with each other or with the base station 612 and / or the base station 614 over a multicarrier communication channel in accordance with various communication techniques, such as, but not limited to, an orthogonal frequency division multiple access (OFDMA) communication technique (e.g., for downlink communications) or a single carrier frequency division multiple access (SC-FDMA) communication technique (e.g., for uplink and ProSe or sidelink communications) , although the scope of the embodiments is not limited in this respect. The OFDM signals can comprise a plurality of orthogonal subcarriers.

[0089] In some embodiments, all or parts of the base station 612 or base station 614 may be implemented as one or more software entities running on server computers as part of a virtual network. In addition, or in other embodiments, the base station 612 or base station 614 may be configured to communicate with one another via interface 622. In embodiments where the wireless communication system 600 is an LTE system (e.g., when the CN 624 is an EPC) , the interface 622 may be an X2 interface. The X2 interface may be defined between two or more base stations (e.g., two or more eNBs and the like) that connect to an EPC, and / or between two eNBs connecting to the EPC. In embodiments where the wireless communication system 600 is an NR system (e.g., when CN 624 is a 5GC) , the interface 622 may be an Xn interface. The Xn interface is defined between two or more base stations (e.g., two or more gNBs and the like) that connect to 5GC, between a base station 612 (e.g., a gNB) connecting to 5GC and an eNB, and / or between two eNBs connecting to 5GC (e.g., CN 624) .

[0090] The RAN 606 is shown to be communicatively coupled to the CN 624. The CN 624 may comprise one or more network elements 626, which are configured to offer various data and telecommunications services to customers / subscribers (e.g., users of UE 602 and UE 604) who are connected to the CN 624 via the RAN 606. The components of the CN 624 may be implemented in one physical device or separate physical devices including components to read and execute instructions from a machine-readable or computer-readable medium (e.g., a non-transitory machine-readable storage medium) .

[0091] In embodiments, the CN 624 may be an EPC, and the RAN 606 may be connected with the CN 624 via an S1 interface 628. In embodiments, the S1 interface 628 may be split into two parts, an S1 user plane (S1-U) interface, which carries traffic data between the base station 612 or base station 614 and a serving gateway (S-GW) , and the S1-MME interface, which is a signaling interface between the base station 612 or base station 614 and mobility management entities (MMEs) .

[0092] In embodiments, the CN 624 may be a 5GC, and the RAN 606 may be connected with the CN 624 via an NG interface 628. In embodiments, the NG interface 628 may be split into two parts, an NG user plane (NG-U) interface, which carries traffic data between the base station 612 or base station 614 and a user plane function (UPF) , and the S1 control plane (NG-C) interface, which is a signaling interface between the base station 612 or base station 614 and access and mobility management functions (AMFs) .

[0093] Generally, an application server 630 may be an element offering applications that use internet protocol (IP) bearer resources with the CN 624 (e.g., packet switched data services) . The application server 630 can also be configured to support one or more communication services (e.g., VoIP sessions, group communication sessions, etc. ) for the UE 602 and UE 604 via the CN 624. The application server 630 may communicate with the CN 624 through an IP communications interface 632.

[0094] FIG. 7 illustrates a system 700 for performing signaling 734 between a wireless device 702 and a network device 718, according to embodiments disclosed herein. The system 700 may be a portion of a wireless communications system as herein described. The wireless device 702 may be, for example, a UE of a wireless communication system. The network device 718 may be, for example, a base station (e.g., an eNB or a gNB) of a wireless communication system.

[0095] The wireless device 702 may include one or more processor (s) 704. The processor (s) 704 may execute instructions such that various operations of the wireless device 702 are performed, as described herein. The processor (s) 704 may include one or more baseband processors implemented using, for example, a central processing unit (CPU) , a digital signal processor (DSP) , an application specific integrated circuit (ASIC) , a controller, a field programmable gate array (FPGA) device, another hardware device, a firmware device, or any combination thereof configured to perform the operations described herein.

[0096] The wireless device 702 may include a memory 706. The memory 706 may be a non-transitory computer-readable storage medium that stores instructions 708 (which may include, for example, the instructions being executed by the processor (s) 704) . The instructions 708 may also be referred to as program code or a computer program. The memory 706 may also store data used by, and results computed by, the processor (s) 704.

[0097] The wireless device 702 may include one or more transceiver (s) 710 that may include radio frequency (RF) transmitter circuitry and / or receiver circuitry that use the antenna (s) 712 of the wireless device 702 to facilitate signaling (e.g., the signaling 734) to and / or from the wireless device 702 with other devices (e.g., the network device 718) according to corresponding RATs.

[0098] The wireless device 702 may include one or more antenna (s) 712 (e.g., one, two, four, or more) . For embodiments with multiple antenna (s) 712, the wireless device 702 may leverage the spatial diversity of such multiple antenna (s) 712 to send and / or receive multiple different data streams on the same time and frequency resources. This behavior may be referred to as, for example, multiple input multiple output (MIMO) behavior (referring to the multiple antennas used at each of a transmitting device and a receiving device that enable this aspect) . MIMO transmissions by the wireless device 702 may be accomplished according to precoding (or digital beamforming) that is applied at the wireless device 702 that multiplexes the data streams across the antenna (s) 712 according to known or assumed channel characteristics such that each data stream is received with an appropriate signal strength relative to other streams and at a desired location in the spatial domain (e.g., the location of a receiver associated with that data stream) . Certain embodiments may use single user MIMO (SU-MIMO) methods (where the data streams are all directed to a single receiver) and / or multi user MIMO (MU-MIMO) methods (where individual data streams may be directed to individual (different) receivers in different locations in the spatial domain) .

[0099] In certain embodiments having multiple antennas, the wireless device 702 may implement analog beamforming techniques, whereby phases of the signals sent by the antenna (s) 712 are relatively adjusted such that the (joint) transmission of the antenna (s) 712 can be directed (this is sometimes referred to as beam steering) .

[0100] The wireless device 702 may include one or more interface (s) 714. The interface (s) 714 may be used to provide input to or output from the wireless device 702. For example, a wireless device 702 that is a UE may include interface (s) 714 such as  microphones, speakers, a touchscreen, buttons, and the like in order to allow for input and / or output to the UE by a user of the UE. Other interfaces of such a UE may be made up of transmitters, receivers, and other circuitry (e.g., other than the transceiver (s) 710 / antenna (s) 712 already described) that allow for communication between the UE and other devices and may operate according to known protocols (e.g.,  and the like) .

[0101] The wireless device 702 may include a model chain module 716. The model chain module 716 may be implemented via hardware, software, or combinations thereof. For example, the model chain module 716 may be implemented as a processor, circuit, and / or instructions 708 stored in the memory 706 and executed by the processor (s) 704. In some examples, the model chain module 716 may be integrated within the processor (s) 704 and / or the transceiver (s) 710. For example, the model chain module 716 may be implemented by a combination of software components (e.g., executed by a DSP or a general processor) and hardware components (e.g., logic gates and circuitry) within the processor (s) 704 or the transceiver (s) 710.

[0102] The model chain module 716 may be used for various aspects of the present disclosure, for example, aspects of FIGS. 1-6. The model chain module 716 is configured to configure a model chain and use the model chain to perform predictions.

[0103] The network device 718 may include one or more processor (s) 720. The processor (s) 720 may execute instructions such that various operations of the network device 718 are performed, as described herein. The processor (s) 720 may include one or more baseband processors implemented using, for example, a CPU, a DSP, an ASIC, a controller, an FPGA device, another hardware device, a firmware device, or any combination thereof configured to perform the operations described herein.

[0104] The network device 718 may include a memory 722. The memory 722 may be a non-transitory computer-readable storage medium that stores instructions 724 (which may include, for example, the instructions being executed by the processor (s) 720) . The instructions 724 may also be referred to as program code or a computer program. The memory 722 may also store data used by, and results computed by, the processor (s) 720.

[0105] The network device 718 may include one or more transceiver (s) 726 that may include RF transmitter circuitry and / or receiver circuitry that use the antenna (s) 728 of the network device 718 to facilitate signaling (e.g., the signaling 734) to and / or from the  network device 718 with other devices (e.g., the wireless device 702) according to corresponding RATs.

[0106] The network device 718 may include one or more antenna (s) 728 (e.g., one, two, four, or more) . In embodiments having multiple antenna (s) 728, the network device 718 may perform MIMO, digital beamforming, analog beamforming, beam steering, etc., as has been described.

[0107] The network device 718 may include one or more interface (s) 730. The interface (s) 730 may be used to provide input to or output from the network device 718. For example, a network device 718 that is a base station may include interface (s) 730 made up of transmitters, receivers, and other circuitry (e.g., other than the transceiver (s) 726 / antenna (s) 728 already described) that enables the base station to communicate with other equipment in a core network, and / or that enables the base station to communicate with external networks, computers, databases, and the like for purposes of operations, administration, and maintenance of the base station or other equipment operably connected thereto.

[0108] The network device 718 may include a model chain configuration module 732. The model chain configuration module 732 may be implemented via hardware, software, or combinations thereof. For example, the model chain configuration module 732 may be implemented as a processor, circuit, and / or instructions 724 stored in the memory 722 and executed by the processor (s) 720. In some examples, the model chain configuration module 732 may be integrated within the processor (s) 720 and / or the transceiver (s) 726. For example, the model chain configuration module 732 may be implemented by a combination of software components (e.g., executed by a DSP or a general processor) and hardware components (e.g., logic gates and circuitry) within the processor (s) 720 or the transceiver (s) 726.

[0109] The model chain configuration module 732 may be used for various aspects of the present disclosure, for example, aspects of FIGS. 1-6. The model chain configuration module 732 is configured to generate a configuration for a model chain to be sent to the wireless device 702.

[0110] For one or more embodiments, at least one of the components set forth in one or more of the preceding figures may be configured to perform one or more operations, techniques, processes, and / or methods as set forth herein. For example, a baseband processor as described herein in connection with one or more of the preceding figures  may be configured to operate in accordance with one or more of the examples set forth herein. For another example, circuitry associated with a UE, base station, network element, etc. as described above in connection with one or more of the preceding figures may be configured to operate in accordance with one or more of the examples set forth herein.

[0111] Any of the above described embodiments may be combined with any other embodiment (or combination of embodiments) , unless explicitly stated otherwise. The foregoing description of one or more implementations provides illustration and description, but is not intended to be exhaustive or to limit the scope of embodiments to the precise form disclosed. Modifications and variations are possible in light of the above teachings or may be acquired from practice of various embodiments.

[0112] Embodiments and implementations of the systems and methods described herein may include various operations, which may be embodied in machine-executable instructions to be executed by a computer system. A computer system may include one or more general-purpose or special-purpose computers (or other electronic devices) . The computer system may include hardware components that include specific logic for performing the operations or may include a combination of hardware, software, and / or firmware.

[0113] It should be recognized that the systems described herein include descriptions of specific embodiments. These embodiments can be combined into single systems, partially combined into other systems, split into multiple systems or divided or combined in other ways. In addition, it is contemplated that parameters, attributes, aspects, etc. of one embodiment can be used in another embodiment. The parameters, attributes, aspects, etc. are merely described in one or more embodiments for clarity, and it is recognized that the parameters, attributes, aspects, etc. can be combined with or substituted for parameters, attributes, aspects, etc. of another embodiment unless specifically disclaimed herein.

[0114] It is well understood that the use of personally identifiable information should follow privacy policies and practices that are generally recognized as meeting or exceeding industry or governmental requirements for maintaining the privacy of users. In particular, personally identifiable information data should be managed and handled so as to minimize risks of unintentional or unauthorized access or use, and the nature of authorized use should be clearly indicated to users.

[0115] Although the foregoing has been described in some detail for purposes of clarity, it will be apparent that certain changes and modifications may be made without departing from the principles thereof. It should be noted that there are many alternative ways of implementing both the processes and apparatuses described herein. Accordingly, the present embodiments are to be considered illustrative and not restrictive, and the description is not to be limited to the details given herein, but may be modified within the scope and equivalents of the appended claims.

Claims

1.A method performed by a user equipment (UE) , the method comprising:receiving, from a network node, a configuration for an artificial intelligence (AI)  / machined learning (ML) model chain, wherein the AI / ML model chain includes multiple models used by a UE where an early stage model triggers a final stage model to run;configuring the early stage model and the final stage model according to the configuration, wherein an output from the early stage model triggers operation of the final stage model;predicting a measurement or a mobility event using the AI / ML model chain; andreporting a prediction to the network node.2.The method of claim 1, wherein predicting the measurement or the mobility event comprises:predicting, using the early stage model, a confidence level of the mobility event occurring; andwhen the confidence level exceeds a threshold, sending the output from the early stage model to the final stage model to trigger operation of the final stage model.3.The method of claim 1, wherein the configuration for the AI / ML model chain includes identifications for two or more models and indicates how the two or more models are chained.4.The method of claim 1, wherein the prediction comprises an indication of whether a mobility related event is likely to occur, an indication of which mobility event type is likely to occur, predicted measurements, or a combination thereof.5.The method of claim 1, wherein inputs to the early stage model are fewer than the inputs to the final stage model.6.The method of claim 1, further comprising configuring a third stage model to trigger operation of the early stage model.7.The method of claim 1, wherein the early stage model runs continuously, and the final stage model runs when triggered by the early stage model.8.The method of claim 1, wherein the early stage model is used for a layer 1 prediction as well as triggering a layer 2 mobility prediction.9.A method performed by a network node, the method comprising:generating a configuration for an artificial intelligence (AI)  / machined learning (ML) model chain, wherein the AI / ML model chain includes multiple models used by a UE where an early stage model triggers a final stage model to run;sending, to a user equipment, the configuration for the AI / ML model chain; andreceiving, from the UE, a prediction regarding a measurement or a mobility event based on the AI / ML model chain.10.The method of claim 9, wherein the AI / ML model chain:predicts, using the early stage model, a confidence level of the mobility event occurring; andwhen the confidence level exceeds a threshold, the early stage model sends a trigger to cause the final stage model to run.11.The method of claim 9, wherein the configuration for the AI / ML model chain includes identifications for two or more models and an indication of how the two or more models are chained.12.The method of claim 9, wherein the prediction comprises an indication of whether a mobility related event is likely to occur, an indication of which mobility event type is likely to occur, predicted measurements, or a combination thereof.13.The method of claim 9, wherein inputs to the early stage model are fewer than the inputs to the final stage model.14.The method of claim 9, wherein the configuration for the AI / ML model chain further comprises a third stage model to trigger operation of the early stage model.15.The method of claim 9, wherein the early stage model runs continuously, and the final stage model runs when triggered by the early stage model.16.The method of claim 9, wherein the early stage model is used for a layer 1 prediction as well as triggering a layer 2 mobility prediction.17.A baseband processor for a user equipment (UE) configured to cause the UE to:receive, from a network node, a configuration for an artificial intelligence (AI)  / machined learning (ML) model chain, wherein the AI / ML model chain includes multiple models used by a UE where an early stage model triggers a final stage model to run;configure the early stage model and the final stage model according to the configuration, wherein an output from the early stage model triggers operation of the final stage model;predict a measurement or a mobility event using the AI / ML model chain; andreport a prediction to the network node.18.The baseband processor of claim 17, wherein predicting the measurement or the mobility event comprises:predict, using the early stage AI / ML model, a confidence level of the mobility event occurring; andwhen the confidence level exceeds a threshold, send the output from the early stage model to the final stage model to trigger operation of the final stage model.19.The baseband processor of claim 17, wherein the configuration for the AI / ML model chain includes identifications for two or more models and indicates how the two or more models are chained.20.The baseband processor of claim 17, wherein the prediction comprises an indication of whether a mobility related event is likely to occur, an indication of which mobility event type is likely to occur, predicted measurements, or a combination thereof.21.The baseband processor of claim 17, wherein inputs to the early stage model are fewer than the inputs to the final stage model.22.The baseband processor of claim 17, wherein the baseband processor is further configured to cause the UE to configure a third stage model to trigger operation of the early stage model.23.The baseband processor of claim 17, wherein the early stage model runs continuously, and the final stage model runs when triggered by the early stage model.24.The baseband processor of claim 17, wherein the early stage model is used for a layer 1 prediction as well as triggering a layer 2 mobility prediction.25.An apparatus comprising means to perform the method of any of claim 1 to claim 16.26.A computer-readable media comprising instructions to cause an electronic device, upon execution of the instructions by one or more processors of the electronic device, to perform the method of any of claim 1 to claim 16.27.An apparatus comprising logic, modules, or circuitry to perform the method of any of claim 1 to claim 16.

Images