Method of reducing reference signal overhead and relevant devices

Abstract

A method of reducing reference signal overhead and relevant devices are provided. The method by a terminal device includes measuring a downlink reference signal transmitted out through N transmit antennas of a network device to obtain measurement results, wherein the N transmit antennas transmitting the downlink reference signal are mapped from M antenna ports of a resource of the downlink reference signal by a first neural network, where M < N; and applying a second neural network on the measurement results to obtain channel information of a channel of the N transmit antennas or a channel information feedback report of the channel of the N transmit antennas. This facilitates low-overhead reference signal transmission.

Description

METHOD OF REDUCING REFERENCE SIGNAL OVERHEAD AND RELEVANT DEVICES

[0001] BACKGROUND OF DISCLOSURE

[0002] 1. Field of the Disclosure

[0003] The present application relates to the field of communication systems, and more particularly, to a method of reducing reference signal overhead and relevant devices.2. Description of the Related Art

[0004] In cellular wireless communication systems developed by the Third Generation Partnership Project (3GPP) , user equipment (UE) is connected by a wireless link to a radio access network (RAN) . The RAN includes a set of base stations (BSs) which provide wireless links to UEs located in cells covered by the base station and an interface to a core network (CN) which provides overall network control. The RAN and CN each conduct respective functions in relation to the overall network. The so-called 4G Long Term Evolution (LTE) system, namely, an Evolved Universal Mobile Telecommunication System Territorial Radio Access Network (E-UTRAN) has been developed for a mobile access network where one or more macro-cells are supported by a base station known as an eNodeB or eNB (evolved NodeB) . Evolved from LTE, the so-called 5G or new radio (NR) systems where one or more cells are supported by a base station known as a gNB. Envisioned to succeed the current 5G networks, the 6G cellular system is the forthcoming generation of wireless communication technology.

[0005] The 5G (fifth-generation) wireless systems support the transmission of CSI-RS for the system to measure the channel state information of downlink. The CSI-RS can be used by the UE to measure the channel state information, which can include the precoding matrix indicator (PMI) , ranking and / or channel quality indicator (CQI) information. The CSI-RS can also be used for beam management, fine time-frequency tracking, mobility measurement and rate matching.

[0006] One of the main usage cases of CSI-RS is for the UE to measure the downlink channel and obtain the channel state information. For that, the system can configure one more multiple CSI-RS resource set for the UE through RRC signaling. Each CSI-RS resource set can contain one or more CSI-RS resources. Each CSI-RS resource can be configured with up to 32 antenna ports, which can be mapped to one or more OFDM symbols, where each antenna port can correspond to one gNB transmit antenna. By measuring each antenna port, the UE can measure the channel between the UE and each gNB antenna.

[0007] To support flexible antenna configuration and deployment scenarios, NR supports various number of antenna ports: 1, 2, 4, 8, 12, 16, 24, and 32.

[0008] In a later release of NR specification, to support the deployment scenarios with very large number of gNB antennas, the number of antenna ports of CSI-RS is extended to 128. To support that, 4 CSI-RS resource with 32 antenna ports are aggregated to formulate an equivalent 128 port CSI-RS resource.

[0009] There are three different transmission modes of CSI-RS: periodic, semi-persistent and aperiodic.

[0010] In periodic transmission, the gNB provides the configuration of CSI-RS resources and then each CSI-RS resource would be transmitted periodically according to the periodicity and slot location provided by the RRC configuration. In semi-persistent transmission, the gNB first provides the configuration of CSI-RS resources, including periodicity and slot location in RRC. When the transmission of CSI-RS resource is needed, the gNB can send a MAC CE activation command to activate the transmission of CSI-RS resource and then the CSI-RS resource would be transmitted periodically according to periodicity and slot location until the gNB sends a MAC CE deactivation command. In aperiodic transmission, the gNB first provides the configuration of CSI-RS resource in RRC and then uses a DCI to trigger the transmission of one instance of CSI-RS resource.

[0011] In the band of centimeter wave, one base station could be equipped with hundreds of, or even thousands of transmit antennas. To train the channel of such system and obtain the CSI of the channel, the number of ports in the CSI-RS for CSI acquisition is generally the same as the number of transmit antennas, according to the existing technical solutions. Thus, the overhead of CSI-RS transmission in centimeter wave system would be so significant that the overall performance of the system would be impaired.SUMMARY

[0012] An object of the present application is to propose a method of reducing reference signal overhead and relevant devices, which can solve issues in the relevant art, provide low-overhead reference signal transmission, provide a good communication performance, and / or provide high reliability.

[0013] In a first aspect, some embodiments of the present application provide a method of reducing reference signal overhead, performed by a terminal device, including measuring a downlink reference signal transmitted out through N transmit antennas of a network device to obtain measurement results, wherein the N transmit antennas transmitting the downlink reference signal are mapped from M antenna ports of a resource of the downlink reference signal by a first neural network, where M < N; and applying a second neural network on the measurement results to obtain channel information of a channel of the N transmit antennas or a channel information feedback report of the channel of the N transmit antennas.

[0014] In a second aspect, some embodiments of the present application provide a method of reducing reference signal overhead, performed by a network device, including mapping M antenna ports of a resource of a downlink reference signal onto N transmit antennas of the network device by a first neural network, where M < N; and transmitting out the downlink reference signal through the N transmit antennas for a terminal device to measure the downlink reference signal such that measurement results of the downlink reference signal are applied to a second neural network to obtain channel information of a channel of the N transmit antennas or a channel information feedback report of the channel of the N transmit antennas.

[0015] In a third aspect, some embodiments of the present application provide a terminal device, including a memory; and a processor coupled to the memory, wherein the processor is configured to call and run program instructions stored in the memory, to execute the method described in the first aspect.

[0016] In a fourth aspect, some embodiments of the present application provide a network device, including a memory; and a processor coupled to the memory, wherein the processor is configured to call and run program instructions stored in the memory, to execute the method described in the second aspect.

[0017] In a fifth aspect, some embodiments of the present application provide a terminal device, including a measuring part, configured to measure a downlink reference signal transmitted out through N transmit antennas of a network device to obtain measurement results, wherein the N transmit antennas transmitting the downlink reference signal are mapped from M antenna ports of a resource of the downlink reference signal by a first neural network, where M < N; and an applying part, configured to apply a second neural network on the measurement results to obtain channel information of a channel of the N transmit antennas or a channel information feedback report of the channel of the N transmit antennas.

[0018] In a sixth aspect, some embodiments of the present application provide a network device, including a mapping part, configured to map M antenna ports of a resource of a downlink reference signal onto N transmit antennas of the network device by a first neural network, where M < N; and a transmitting part, configured to transmit out the downlink reference signal through the N transmit antennas for a terminal device to measure the downlink reference signal such that measurement results of the downlink reference signal are applied to a second neural network to obtain channel information of a channel of the N transmit antennas or a channel information feedback report of the channel of the N transmit antennas.

[0019] In a seventh aspect, some embodiments of the present application provide a non-transitory machine-readable storage medium has stored thereon instructions that, when executed by a computer, cause the computer to execute any of the above methods.

[0020] In an eighth aspect, some embodiments of the present application provide a chip includes a processor, configured to call and run a computer program stored in a memory, to cause a device in which the chip is installed to execute any of the above methods.

[0021] In a ninth aspect, some embodiments of the present application provide a computer readable storage medium, in which a computer program is stored, causing a computer to execute any of the above methods.

[0022] In a tenth aspect, some embodiments of the present application provide a computer program product includes a computer program, and the computer program causes a computer to execute any of the above methods.

[0023] In an eleventh aspect, some embodiments of the present application provide a computer program that causes a computer to execute any of the above methods.BRIEF DESCRIPTION OF DRAWINGS

[0024] In order to illustrate the embodiments of the present application or related art more clearly, the following figures will be described in the embodiments are briefly introduced. It is obvious that the drawings are merely some embodiments of the present application, a person having ordinary skill in this field can obtain other figures according to these figures without paying the premise.

[0025] FIG. 1 is a block diagram of a terminal device and a network device in a wireless communication system according to an embodiment of the present application.

[0026] FIG. 2 is a flowchart of a method of reducing reference signal overhead by a terminal device according to an embodiment of the present application.

[0027] FIG. 3 is a flowchart of a method of reducing reference signal overhead by a network device according to an embodiment of the present application.

[0028] FIG. 4 is a schematic diagram illustrating an example of the CSI-RS transmission and measurement according to an embodiment of the present application.

[0029] FIG. 5 is a block diagram of a terminal device according to an embodiment of the present application.

[0030] FIG. 6 is a block diagram of a network device according to an embodiment of the present application.

[0031] FIG. 7 is a block diagram of a system for wireless communication according to an embodiment of the present application.DETAILED DESCRIPTION OF EMBODIMENTS

[0032] Embodiments of the present application are described in detail with the technical matters, structural features, achieved objects, and effects with reference to the accompanying drawings as follows. Specifically, the terminologies in the embodiments of the present application are merely for describing the purpose of the certain embodiment, but not to limit the disclosure.

[0033] In this document, the symbol " / " should be interpreted to indicate "and / or. " A combination such as “at least one of A, B, or C, ” “one or more of A, B, or C, ” “at least one of A, B, and C, ” “one or more of A, B, and C, ” or “A, B, and / or C” may be A only, B only, C only, A and B, A and C, B and C, or A and B and C, where any combination may contain one or more members of A, B, or C.

[0034] The following table includes some abbreviations or explanations that may be used in some embodiments of the present application:

[0035] The present application provides solutions for transmission and measurement of reference signal (e.g., CSI-RS) with a small number of ports to measure the channel of system of a large number of transmit antennas. For instance, the proposed solution provides low-overhead reference signal (e.g., CSI-RS) transmission.

[0036] FIG. 1 illustrates that, in some embodiments, one or more terminal device (e.g., user equipments (UEs) ) 10 and one or more network devices (e.g., base stations or gNBs) 20 in a wireless communication system 30 according to an embodiment of the present application are provided. The wireless communication system 30 includes the one or more terminal devices 10 and one or more network devices 20. The one or more terminal devices 10 may include a memory 12, a transceiver 13, and a processor 11 coupled to the memory 12 and the transceiver 13. The one or more network devices 20 may include a memory 22, a transceiver 23, and a processor 21 coupled to the memory 22 and the transceiver 23. The processor 11 or 21 may be configured to implement proposed functions, procedures and / or methods described in this description. Layers of radio interface protocol may be implemented in the processor 11 or 21. The memory 12 or 22 is operatively coupled with the processor 11 or 21 and stores a variety of information to operate the processor 11 or 21. The transceiver 13 or 23 is operatively coupled with the processor 11 or 21, and the transceiver 13 or 23 transmits and / or receives a radio signal. When the wireless communication system 30 complies with the New Radio (NR) standard of the 3rd Generation Partnership Project (3GPP) , the next generation core network is a backend serving network system and may include an Access and Mobility Management Function (AMF) , User Plane Function (UPF) , and a Session Management Function (SMF) . In one aspect, the terminal device 10 can include almost any consumer electronic device or appliance that can connect to a radio access network and a core network for the releases of 3GPP and further, such as, but not limited to NR networks.

[0037] The processor 11 or 21 may include application-specific integrated circuit (ASIC) , other chipset, logic circuit and / or data processing device. The memory 12 or 22 may include read-only memory (ROM) , random access memory (RAM) , flash memory, memory card, storage medium and / or other storage device. The transceiver 13 or 23 may include baseband circuitry to process radio frequency signals. When the embodiments are implemented in software, the techniques described herein can be implemented with modules (e.g., procedures, functions, and so on) that perform the functions described herein. The modules can be stored in the memory 12 or 22 and executed by the processor 11 or 21. The memory 12 or 22 can be implemented within the processor 11 or 21 or external to the processor 11 or 21 in which case those can be communicatively coupled to the processor 11 or 21 via various means as is known in the art.

[0038] In some embodiments, the processor 11 of the terminal device 10 is utilized to measure a downlink reference signal transmitted out through N transmit antennas of a network device to obtain measurement results, wherein the N transmit antennas transmitting the downlink reference signal are mapped from M antenna ports of a resource of the downlink reference signal by a first neural network, where M < N, and apply a second neural network on the measurement results to obtain channel information of a channel of the N transmit antennas or a channel information feedback report of the channel of the N transmit antennas. This facilitates measuring the channel of very large number of antennas with reference signal with much smaller number of ports, thereby providing low-overhead reference signal transmission.

[0039] In some embodiments, the processor 21 of the network device 20 is utilized to map M antenna ports of a resource of a downlink reference signal onto N transmit antennas of the network device by a first neural network, where M < N, and transmit out the downlink reference signal through the N transmit antennas for a terminal device to measure the downlink reference signal such that measurement results of the downlink reference signal are applied to a second neural network to obtain channel information of a channel of the N transmit antennas or a channel information feedback report of the channel of the N transmit antennas. This facilitates measuring the channel of very large number of antennas with reference signal with much smaller number of ports, thereby providing low-overhead reference signal transmission.

[0040] FIG. 2 illustrates a method of reducing reference signal overhead 100 by a terminal device according to an embodiment of the present application. In some embodiments, the method 100 includes the following.

[0041] In Block 102, the terminal device (e.g., a user equipment (UE) ) measures a downlink reference signal (e.g., CSI-RS) transmitted out through N transmit antennas of a network device (e.g., a base station, or a gNB) to obtain measurement results, wherein the N transmit antennas transmitting the downlink reference signal are mapped from M antenna ports of a resource of the downlink reference signal by a first neural network (e.g., Tx neural network) , where M < N. More specifically, the terminal device may be provided with a configuration of the downlink reference signal with the M antenna ports such that the downlink reference signal transmitted out through the N transmit antennas can be measured based on the configuration of the downlink reference signal with the M antenna ports. For example, the configuration of the downlink reference signal with the M antenna ports may include at least one of time domain location, frequency domain allocation, transmit power of the downlink reference signal and allocation of the M antenna ports in the downlink reference signal. The terminal device may also be provided with the number of transmit antennas (i.e., the number N) of which full channel information the terminal device is to obtain.

[0042] In Block 104, the terminal device applies a second neural network (e.g., Rx neural network) on the measurement results to obtain channel information (e.g., channel state information (CSI) ) of a channel of the N transmit antennas or a channel information feedback report (e.g., CSI feedback report) of the channel of the N transmit antennas. For example, the UE may measure a CSI-RS with 32 antenna ports (where M=32) to obtain the CSI of a channel of 128 antenna ports (where N=128) . More specifically, in one example, the output of the second neural network may include the channel information of the channel of the N transmit antennas, and the channel information feedback report may be calculated by the terminal device based on the obtained channel information of the channel of the N transmit antennas. In another example, the output of the second neural network may include the channel information feedback report of the channel of the N transmit antennas. The channel information feedback report can contain at least one of or all of precoding matrix indicator (PMI) , ranking (RI) and channel quality indicator (CQI) information.

[0043] The present application provides a solution to measure the channel of very large number of antennas with reference signal with much smaller number of ports. In other words, the overhead of reference signal needed to obtain the wireless channel of system (for example, the system of centimeter wave band) with very large scale antenna array is reduced.

[0044] In some embodiments, the terminal device may construct the second neural network based on the parameters provided by the network device. The method may further include being provided with a configuration of the second neural network for the terminal device to determine the second neural network, wherein the configuration of the second neural network includes one or more parameters provided by the network device, and the second neural network is constructed based on the one or more parameters provided by the network device.

[0045] In some embodiments, the second neural network may be constructed based on an indicated configuration for the second neural network. The method may further include being provided with a list of multiple configurations of the second neural network; being provided with a configuration index indicating one configuration of the second neural network from the provided list of multiple configurations of the second neural network; and determining the second neural network according to the provided configuration index.

[0046] In some embodiments, the terminal device may construct the second neural network based on UE implementation. The method may further include constructing the second neural network according to a configuration of N and M which are provided by the network device. Furthermore, the terminal device may construct the second neural network with an aid of channel characteristic of the channel between the network device and the terminal device provided by the network device.

[0047] In some embodiments, the terminal device may construct the second neural network based on some measurement results at the UE side. The method may further include being provided with a configuration of a first downlink reference signal with N antenna ports and a configuration of a second downlink reference signal with M antenna ports, where M < N; measuring the first downlink reference signal based on the configuration of the first downlink reference signal with N antenna ports and the second downlink reference signal based on the configuration of the second downlink reference signal with M antenna ports; and constructing the second neural network by using the measurement results of the first downlink reference signal and the second downlink reference signal.

[0048] In some embodiments, the network device may construct the first neural network based on downlink measurement results. In another example, the network device may construct the first neural network based on measurement results on some uplink reference signal. The method may further include being provided with a configuration of an uplink reference signal; and transmitting the uplink reference signal according to the configuration of the uplink reference signal, wherein the transmitted uplink reference signal is measured by the network device, and the first neural network is constructed based on the measurement results of the uplink reference signal.

[0049] FIG. 3 illustrates a method of reducing reference signal overhead 200 by a network device according to an embodiment of the present application. In some embodiments, the method 200 includes the following. In Block 202, the network device (e.g., base station or gNB) maps M antenna ports of a resource of a downlink reference signal (e.g., CSI-RS) onto N transmit antennas of the network device by a first neural network (e.g., Tx neural network) , where M < N. In Block 204, the network device, transmits out the downlink reference signal through the N transmit antennas for a terminal device (e.g., a user equipment (UE) ) to measure the downlink reference signal such that measurement results of the downlink reference signal are applied to a second neural network (e.g., Rx neural network) to obtain channel information (e.g., channel state information (CSI) ) of a channel of the N transmit antennas or a channel information feedback report (e.g., CSI feedback report) of the channel of the N transmit antennas. This facilitates measuring the channel of very large number of antennas with reference signal with much smaller number of ports, thereby providing low-overhead reference signal transmission. Other details of the method 200 may be referred to the method 100 described above and are not repeated herein.

[0050] Further details about the invention are provided below.

[0051] A UE can be requested to measure a CSI-RS with M antenna ports to obtain the CSI of a channel of N antenna ports, where M < N. The UE can be first provided with the configuration of one CSI-RS resource with M antenna ports. The UE can also be provided with the configuration of a detection neural network, which the UE can be requested to apply on the measurement of the CSI-RS resource with M antenna ports to obtain the channel information of N ports. The output of the detection neural network could be the channel information of N ports and then the UE calculate the feedback CSI report, such as PMI, RI and CQI based on the obtained channel information of N ports. Another example of the output of the detection neural network could be the CSI feedback report such as PMI, RI and CQI.

[0052] An example of the CSI-RS transmission and measurement according to the techniques presented in the present application is illustrated in FIG. 4.

[0053] As shown in FIG. 4, the CSI-RS with M ports passes through a Tx neural network at the side of base station. The Tx neural network would map the M ports of CSI-RS resource onto N transmit antennas. After that, the CSI-RS is transmitted out through those N transmit antennas. At the UE side, the UE first receives the CSI-RS and then measures the CSI-RS. Then the UE inputs the measurement results of the CSI-RS to the Rx neural network and the output of the Rx neural network could be the full channel measurement of all N Tx transmit antennas. The output of the Rx neural network could be the CSI report such as PMI, CQI and / or RI of the channel of all N Tx transmit antennas.

[0054] In one method, the UE can be provided with the following configurations:

[0055] ● The configuration of CSI-RS with M ports. The configuration could include the time domain location of the CSI-RS transmission and frequency domain allocation of the CSI-RS. The configuration could further include the transmit power of the CSI-RS transmission and the allocation of the M ports in the CSI-RS.

[0056] ● The number of antennas of which the full channel information the UE is requested to obtain.

[0057] ● The configuration of the Rx neural network, which can notify the UE how to construct one Rx neural network used to obtain the channel information of full N transmit antennas or the CSI report of PMI / CQI / RI of the channel information of full N transmit antennas. For the configuration of the Rx neural network, the system can provide one of the following alternatives:

[0058] ○ In one example, the system can provide one or more parameters for the Rx neural network and then the UE can construct the Rx neural network based on the parameters provided by the system.

[0059] ○ In one example, the UE can be first provided with a list of multiple configurations of Rx neural network. The list of multiple configurations of Rx neural network can be pre-specified or pre-configured. The list of multiple configurations of Rx neural network can be provided by the system for example in RRC configuration. Then the system can provide one configuration index to the UE and the provided configuration index indicates one configuration of the Rx neural network from the provided list of multiple configurations of Rx neural network. Then the UE shall determine the Rx neural network according to the provided configuration index.

[0060] ○ In one example, the UE can be requested to construct the Rx neural network based on UE implementation and some measurement results at the UE side.

[0061] When the UE receives the configuration information, the UE can be requested to construct the Rx neural network based on the configuration information received from the system. The UE can receive the CSI-RS according to the configuration of CSI-RS and then measure the CSI-RS. Then the UE inputs the measurement results of the CSI-RS into the Rx neural network and the output of the Rx neural network could be the channel information of the full N transmit antennas. The output of the Rx neural network could be the CSI report of PMI / RI / CQI of the channel of the full N transmit antennas.

[0062] In one method, the UE can construct the Rx neural network through UE’s implementation. The UE can construct the Rx neural network according to the configuration of N and M which are provided by the system. The system can further provide the configuration information of channel characteristic of the channel between the system and UE, which can assist the UE to construct the Rx neural network at the UE side.

[0063] In one method, the UE can be provided with the configuration of a first CSI-RS with N ports and configuration of a second CSI-RS with M ports. Then the UE can receive and measure the first CSI-RS with N ports and the second CSI-RS with M ports. The UE can measure the first CSI-RS and the second CSI-RS. Then the UE can use the measurement results of the first CSI-RS and the second CSI-RS to construct the Rx neural network.

[0064] In one method, the system can construct the Tx neural network based on downlink measurement results. The system can transmit a first reference signal with N ports and requests the UE to measure the first reference signal and report the measurement result to the system. In another example, the system can construct the Tx neural network based on measurement results on some uplink reference signal. To support that, the system can request the UE to transmit a first uplink reference signal. The system can first provide the configuration of the first uplink reference signal, which can include one or more of the followings: the time domain location and the frequency domain resource allocation of the first uplink reference signal, the Tx power of the first uplink reference signal and the signal sequence of the first uplink reference signal. Upon receiving the configuration of the first uplink reference signal, the UE can be requested to transmit the first uplink reference signal according to the configuration provided by the system. The system can first receive and measure the first uplink reference signal and then construct the Tx neural network based on the measurement results of the first uplink reference signal.

[0065] FIG. 5 illustrates a terminal device 300 according to an embodiment of the present application. The terminal device 300 includes a measuring part 301 and an applying part 302. The measuring part 301 is configured to measure a downlink reference signal transmitted out through N transmit antennas of a network device to obtain measurement results, wherein the N transmit antennas transmitting the downlink reference signal are mapped from M antenna ports of a resource of the downlink reference signal by a first neural network, where M < N. The applying part 302 is configured to apply a second neural network on the measurement results to obtain channel information of a channel of the N transmit antennas or a channel information feedback report of the channel of the N transmit antennas. This facilitates measuring the channel of very large number of antennas with reference signal with much smaller number of ports, thereby providing low-overhead reference signal transmission. The details of the terminal device 300 may be referred to the methods described above and are not repeated herein.

[0066] FIG. 6 illustrates a network device 400 according to an embodiment of the present application. The network device 400 includes a mapping part 401 and a transmitting part 402. The mapping part 401 is configured to map M antenna ports of a resource of a downlink reference signal onto N transmit antennas of the network device by a first neural network, where M < N. The transmitting part 402 is configured to transmit out the downlink reference signal through the N transmit antennas for a terminal device to measure the downlink reference signal such that measurement results of the downlink reference signal are applied to a second neural network to obtain channel information of a channel of the N transmit antennas or a channel information feedback report of the channel of the N transmit antennas. This facilitates measuring the channel of very large number of antennas with reference signal with much smaller number of ports, thereby providing low-overhead reference signal transmission. Other details of the network device 400 may be referred to the methods described above and are not repeated herein.

[0067] The embodiment of the present application further provides a computer readable storage medium for storing a computer program. The computer readable storage medium enables a computer to execute corresponding processes implemented in each of the methods of the embodiments of the present application. For brevity, details will not be described herein again.

[0068] The embodiment of the present application further provides a computer program product including computer program instructions. The computer program product enables a computer to execute corresponding processes implemented in each of the methods of the embodiments of the present application. For brevity, details will not be described herein again.

[0069] The embodiment of the present application further provides a computer program. The computer program enables a computer to execute corresponding processes implemented in each of the methods of the embodiments of the present application. For brevity, details will not be described herein again.

[0070] The description of above device embodiments is similar to the description of above method embodiments, having beneficial effects similar to the method embodiments. For technical details not disclosed in the device embodiments of the present application, please refer to the description of the method embodiments of the present application for the purpose of understanding.

[0071] Commercial interests for some embodiments are as follows. 1. Solving issues in the prior art. 2. Providing low-overhead reference signal transmission. 3. Providing a good communication performance. 4. Providing high reliability. Some embodiments of the present application are used by 5G-NR chipset vendors, V2X communication system development vendors, automakers including cars, trains, trucks, buses, bicycles, moto-bikes, helmets, and etc., drones (unmanned aerial vehicles) , smartphone makers, communication devices for public safety use, AR / VR device maker for example gaming, conference / seminar, education purposes. The deployment scenarios include, but not limited to, indoor hotspot, dense urban, urban micro, urban macro, rural, factor hall, and indoor D2D scenarios. Some embodiments of the present application are a combination of “techniques / processes” that can be adopted in 3GPP specification to create an end product. Some embodiments of the present application could be adopted in 5G NR licensed and non-licensed or shared spectrum communications. Some embodiments of the present application propose technical mechanisms. The present example embodiment is applicable to NR in unlicensed spectrum (NR-U) . The present application can be applied to other mobile networks, in particular to mobile network of any further generation cellular network technology (6G, etc. ) .

[0072] FIG. 7 is a block diagram of an example system 700 for wireless communication according to an embodiment of the present application. Embodiments described herein may be implemented into the system using any suitably configured hardware and / or software. FIG. 7 illustrates the system 700 including a radio frequency (RF) circuitry 710, a baseband circuitry 720, an application circuitry 730, a memory / storage 740, a display 750, a camera 760, a sensor 770, and an input / output (I / O) interface 780, coupled with each other at least as illustrated. The application circuitry 730 may include a circuitry such as, but not limited to, one or more single-core or multi-core processors. The processors may include any combination of general-purpose processors and dedicated processors, such as graphics processors, application processors. The processors may be coupled with the memory / storage and configured to execute instructions stored in the memory / storage to enable various applications and / or operating systems running on the system.

[0073] The baseband circuitry 720 may include circuitry such as, but not limited to, one or more single-core or multi-core processors. The processors may include a baseband processor. The baseband circuitry may handle various radio control functions that enables communication with one or more radio networks via the RF circuitry. The radio control functions may include, but are not limited to, signal modulation, encoding, decoding, radio frequency shifting, etc. In some embodiments, the baseband circuitry may provide for communication compatible with one or more radio technologies. For example, in some embodiments, the baseband circuitry may support communication with an evolved universal terrestrial radio access network (EUTRAN) , 5G NR (New Radio) network, and / or other wireless metropolitan area networks (WMAN) , a wireless local area network (WLAN) , a wireless personal area network (WPAN) . Embodiments in which the baseband circuitry is configured to support radio communications of more than one wireless protocol may be referred to as multi-mode baseband circuitry.

[0074] In various embodiments, the baseband circuitry 720 may include circuitry to operate with signals that are not strictly considered as being in a baseband frequency. For example, in some embodiments, baseband circuitry may include circuitry to operate with signals having an intermediate frequency, which is between a baseband frequency and a radio frequency. The RF circuitry 710 may enable communication with wireless networks using modulated electromagnetic radiation through a non-solid medium. In various embodiments, the RF circuitry may include switches, filters, amplifiers, etc. to facilitate the communication with the wireless network. In various embodiments, the RF circuitry 710 may include circuitry to operate with signals that are not strictly considered as being in a radio frequency. For example, in some embodiments, RF circuitry may include circuitry to operate with signals having an intermediate frequency, which is between a baseband frequency and a radio frequency.

[0075] In various embodiments, the transmitter circuitry, control circuitry, or receiver circuitry discussed above with respect to the user equipment, eNB, or gNB may be embodied in whole or in part in one or more of the RF circuitry, the baseband circuitry, and / or the application circuitry. As used herein, “circuitry” may refer to, be part of, or include an Application Specific Integrated Circuit (ASIC) , an electronic circuit, a processor (shared, dedicated, or group) , and / or a memory (shared, dedicated, or group) that execute one or more software or firmware programs, a combinational logic circuit, and / or other suitable hardware components that provide the described functionality. In some embodiments, the electronic device circuitry may be implemented in, or functions associated with the circuitry may be implemented by, one or more software or firmware modules. In some embodiments, some or all of the constituent components of the baseband circuitry, the application circuitry, and / or the memory / storage may be implemented together on a system on a chip (SOC) . The memory / storage 740 may be used to load and store data and / or instructions, for example, for system. The memory / storage for one embodiment may include any combination of suitable volatile memory, such as dynamic random access memory (DRAM) , and / or non-volatile memory, such as flash memory.

[0076] In various embodiments, the I / O interface 780 may include one or more user interfaces designed to enable user interaction with the system and / or peripheral component interfaces designed to enable peripheral component interaction with the system. User interfaces may include, but are not limited to a physical keyboard or keypad, a touchpad, a speaker, a microphone, etc. Peripheral component interfaces may include, but are not limited to, a non-volatile memory port, a universal serial bus (USB) port, an audio jack, and a power supply interface. In various embodiments, the sensor 770 may include one or more sensing devices to determine environmental conditions and / or location information related to the system. In some embodiments, the sensors may include, but are not limited to, a gyro sensor, an accelerometer, a proximity sensor, an ambient light sensor, and a positioning unit. The positioning unit may also be part of, or interact with, the baseband circuitry and / or RF circuitry to communicate with components of a positioning network, e.g., a global positioning system (GPS) satellite.

[0077] In various embodiments, the display 750 may include a display, such as a liquid crystal display and a touch screen display. In various embodiments, the system 700 may be a mobile computing device such as, but not limited to, a laptop computing device, a tablet computing device, a netbook, an ultrabook, a smartphone, an AR / VR glasses, etc. In various embodiments, system may have more or less components, and / or different architectures. Where appropriate, methods described herein may be implemented as a computer program. The computer program may be stored on a storage medium, such as a non-transitory storage medium.

[0078] A person having ordinary skill in the art understands that each of the units, algorithm, and steps described and disclosed in the embodiments of the present application are realized using electronic hardware or combinations of software for computers and electronic hardware. Whether the functions run in hardware or software depends on the condition of application and design requirement for a technical plan. A person having ordinary skill in the art can use different ways to realize the function for each specific application while such realizations should not go beyond the scope of the present application. It is understood by a person having ordinary skill in the art that he / she can refer to the working processes of the system, device, and unit in the above-mentioned embodiment since the working processes of the above-mentioned system, device, and unit are basically the same. For easy description and simplicity, these working processes will not be detailed.

[0079] It is understood that the disclosed system, device, and method in the embodiments of the present application can be realized with other ways. The above-mentioned embodiments are exemplary only. The division of the units is merely based on logical functions while other divisions exist in realization. It is possible that a plurality of units or components are combined or integrated in another system. It is also possible that some characteristics are omitted or skipped. On the other hand, the displayed or discussed mutual coupling, direct coupling, or communicative coupling operate through some ports, devices, or units whether indirectly or communicatively by ways of electrical, mechanical, or other kinds of forms.

[0080] The units as separating components for explanation are or are not physically separated. The units for display are or are not physical units, that is, located in one place or distributed on a plurality of network units. Some or all of the units are used according to the purposes of the embodiments. Moreover, each of the functional units in each of the embodiments can be integrated in one processing unit, physically independent, or integrated in one processing unit with two or more than two units.

[0081] If the software function unit is realized and used and sold as a product, it can be stored in a readable storage medium in a computer. Based on this understanding, the technical plan proposed by the present application can be essentially or partially realized as the form of a software product. Or, one part of the technical plan beneficial to the conventional technology can be realized as the form of a software product. The software product in the computer is stored in a storage medium, including a plurality of commands for a computational device (such as a personal computer, a server, or a network device) to run all or some of the steps disclosed by the embodiments of the present application. The storage medium includes a USB disk, a mobile hard disk, a read-only memory (ROM) , a random access memory (RAM) , a floppy disk, or other kinds of media capable of storing program codes.

[0082] While the present application has been described in connection with what is considered the most practical and preferred embodiments, it is understood that the present application is not limited to the disclosed embodiments but is intended to cover various arrangements made without departing from the scope of the broadest interpretation of the appended claims.

Claims

1.A method of reducing reference signal overhead, performed by a terminal device, comprising:measuring a downlink reference signal transmitted out through N transmit antennas of a network device to obtain measurement results, wherein the N transmit antennas transmitting the downlink reference signal are mapped from M antenna ports of a resource of the downlink reference signal by a first neural network, where M < N; andapplying a second neural network on the measurement results to obtain channel information of a channel of the N transmit antennas or a channel information feedback report of the channel of the N transmit antennas.2.The method of claim 1, wherein the output of the second neural network comprises the channel information of the channel of the N transmit antennas, and the channel information feedback report is calculated based on the obtained channel information of the channel of the N transmit antennas.3.The method of claim 1, wherein the output of the second neural network comprises the channel information feedback report of the channel of the N transmit antennas.4.The method of claim 2 or 3, wherein the channel information feedback report contains at least one of precoding matrix indicator (PMI) , ranking (RI) and channel quality indicator (CQI) information.5.The method of claim 1, wherein the downlink reference signal comprises a channel state information (CSI) -reference signal (RS) .6.The method of any of claims 1 to 5, further comprising:being provided with a configuration of the downlink reference signal with the M antenna ports,wherein the downlink reference signal transmitted out through the N transmit antennas is measured based on the configuration of the downlink reference signal with the M antenna ports.7.The method of claim 6, wherein the configuration of the downlink reference signal with the M antenna ports comprises at least one of time domain location, frequency domain allocation, transmit power of the downlink reference signal and allocation of the M antenna ports in the downlink reference signal.8.The method of claim any of claims 1 to 7, further comprising:being provided with the number of transmit antennas of which full channel information the terminal device is to obtain.9.The method of any of claims 1 to 8, further comprising:being provided with a configuration of the second neural network for the terminal device to determine the second neural network,wherein the configuration of the second neural network comprises one or more parameters provided by the network device, and the second neural network is constructed based on the one or more parameters provided by the network device.10.The method of any of claims 1 to 8, further comprising:being provided with a list of multiple configurations of the second neural network;being provided with a configuration index indicating one configuration of the second neural network from the provided list of multiple configurations of the second neural network; anddetermining the second neural network according to the provided configuration index.11.The method of any of claims 1 to 8, further comprising:constructing the second neural network according to a configuration of N and M which are provided by the network device.12.The method of any of claims 1 to 8, further comprising:constructing the second neural network with an aid of channel characteristic of the channel between the network device and the terminal device provided by the network device.13.The method of any of claims 1 to 8, further comprising:being provided with a configuration of a first downlink reference signal with N antenna ports and a configuration of a second downlink reference signal with M antenna ports, where M < N;measuring the first downlink reference signal based on the configuration of the first downlink reference signal with N antenna ports and the second downlink reference signal based on the configuration of the second downlink reference signal with M antenna ports; andconstructing the second neural network by using the measurement results of the first downlink reference signal and the second downlink reference signal.14.The method of any of claims 1 to 13, wherein the first neural network is constructed based on downlink measurement results.15.The method of any of claims 1 to 13, further comprising:being provided with a configuration of an uplink reference signal; andtransmitting the uplink reference signal according to the configuration of the uplink reference signal,wherein the transmitted uplink reference signal is measured by the network device, and the first neural network is constructed based on the measurement results of the uplink reference signal.16.A method of reducing reference signal overhead, performed by a network device, comprising:mapping M antenna ports of a resource of a downlink reference signal onto N transmit antennas of the network device by a first neural network, where M < N; andtransmitting out the downlink reference signal through the N transmit antennas for a terminal device to measure the downlink reference signal such that measurement results of the downlink reference signal are applied to a second neural network to obtain channel information of a channel of the N transmit antennas or a channel information feedback report of the channel of the N transmit antennas.17.The method of claim 16, wherein the output of the second neural network comprises the channel information of the channel of the N transmit antennas, and the channel information feedback report is calculated based on the obtained channel information of the channel of the N transmit antennas.18.The method of claim 16, wherein the output of the second neural network comprises the channel information feedback report of the channel of the N transmit antennas.19.The method of claim 17 or 18, wherein the channel information feedback report contains at least one of precoding matrix indicator (PMI) , ranking (RI) and channel quality indicator (CQI) information.20.The method of claim 16, wherein the downlink reference signal comprises a channel state information (CSI) -reference signal (RS) .21.The method of any of claims 16 to 20, further comprising:providing the terminal device a configuration of the downlink reference signal with the M antenna ports for the terminal device to measure the downlink reference signal based on the configuration of the downlink reference signal with the M antenna ports.22.The method of claim 21, wherein the configuration of the downlink reference signal with the M antenna ports comprises at least one of time domain location, frequency domain allocation, transmit power of the downlink reference signal and allocation of the M antenna ports in the downlink reference signal.23.The method of claim any of claims 16 to 22, further comprising:providing the terminal device the number of transmit antennas of which full channel information the terminal device is to obtain.24.The method of any of claims 16 to 23, further comprising:providing the terminal device a configuration of the second neural network for the terminal device to determine the second neural network,wherein the configuration of the second neural network provided by the network device comprises one or more parameters, and the second neural network is constructed based on the one or more parameters provided by the network device.25.The method of any of claims 16 to 23, further comprising:providing the terminal device a list of multiple configurations of the second neural network; andproviding the terminal device a configuration index indicating one configuration of the second neural network from the provided list of multiple configurations of the second neural network for the terminal device to determine the second neural network according to the provided configuration index.26.The method of any of claims 16 to 23, further comprising:providing the terminal device a configuration of N and M for the terminal device to construct the second neural network according to the configuration of N and M which are provided by the network device.27.The method of any of claims 16 to 23, further comprising:providing the terminal device channel characteristic of the channel between the network device and the terminal device for the terminal device to construct the second neural network with an aid of the channel characteristic of the channel between the network device and the terminal device.28.The method of any of claims 16 to 23, further comprising:providing the terminal device a configuration of a first downlink reference signal with N antenna ports and a configuration of a second downlink reference signal with M antenna ports, where M < N for the terminal device to measure the first downlink reference signal based on the configuration of the first downlink reference signal with N antenna ports and the second downlink reference signal based on the configuration of the second downlink reference signal with M antenna ports such that the measurement results of the first downlink reference signal and the second downlink reference signal are used to construct the second neural network.29.The method of any of claims 16 to 28, further comprising:constructing the first neural network based on downlink measurement results.30.The method of any of claims 16 to 28, further comprising:providing the terminal device a configuration of an uplink reference signal; andmeasuring the uplink reference signal transmitted by the terminal device according to the configuration of the uplink reference signal; andconstructing the first neural network based on the measurement results of the uplink reference signal.31.A terminal device, comprising:a memory; anda processor coupled to the memory,wherein the processor is configured to call and run program instructions stored in the memory, to execute the method of any of claims 1 to 15.32.A network device, comprising:a memory; anda processor coupled to the memory,wherein the processor is configured to call and run program instructions stored in the memory, to execute the method of any of claims 16 to 30.33.A terminal device, comprising:a measuring part, configured to measure a downlink reference signal transmitted out through N transmit antennas of a network device to obtain measurement results, wherein the N transmit antennas transmitting the downlink reference signal are mapped from M antenna ports of a resource of the downlink reference signal by a first neural network, where M < N; andan applying part, configured to apply a second neural network on the measurement results to obtain channel information of a channel of the N transmit antennas or a channel information feedback report of the channel of the N transmit antennas.34.A network device, comprising:a mapping part, configured to map M antenna ports of a resource of a downlink reference signal onto N transmit antennas of the network device by a first neural network, where M < N; anda transmitting part, configured to transmit out the downlink reference signal through the N transmit antennas for a terminal device to measure the downlink reference signal such that measurement results of the downlink reference signal are applied to a second neural network to obtain channel information of a channel of the N transmit antennas or a channel information feedback report of the channel of the N transmit antennas.35.A non-transitory machine-readable storage medium having stored thereon instructions that, when executed by a computer, cause the computer to execute the method of any one of claims 1 to 30.36.A chip, comprising:a processor, configured to call and run a computer program stored in a memory, to cause a device in which the chip is installed to execute the method of any one of claims 1 to 30.37.A computer readable storage medium, in which a computer program is stored, wherein the computer program causes a computer to execute the method of any one of claims 1 to 30.38.A computer program product, comprising a computer program, wherein the computer program causes a computer to execute the method of any one of claims 1 to 30.39.A computer program, wherein the computer program causes a computer to execute the method of any one of claims 1 to 30.

Images