Skipping measurement objects based on prediction analysis in wireless communication

Abstract

Aspects relate to skipping measurement objects based on prediction analysis in wireless communication. A user equipment (UE) may receive measurement objects during a measurement window from a network. The measurement objects may include frequency and signal information. The UE may measure the measurement objects. Further, the UE may skip processing of a future measurement object in a future measurement window based on an artificial intelligence / machine learning (AI / ML) prediction.

Description

[Corrected under Rule 26, 23.09.2024]SKIPPING MEASUREMENT OBJECTS BASED ON PREDICTION ANALYSIS IN WIRELESS COMMUNICATIONTECHNICAL FIELD

[0001] The technology discussed below relates generally to wireless communication networks, and more particularly, to skipping measurement objects based on prediction analysis.

[0002] INTRODUCTION

[0003] Wireless communications systems are widely deployed to provide various types of communication content such as voice, video, packet data, messaging, broadcast, and so on. These systems may be capable of supporting communication with multiple users by sharing the available system resources (e.g., time, frequency, and power) . Examples of such multiple-access systems include fourth generation (4G) systems such as Long Term Evolution (LTE) systems, LTE-Advanced (LTE-A) systems, or LTE-APro systems, and fifth generation (5G) systems which may be referred to as New Radio (NR) systems. These systems may employ technologies such as code division multiple access (CDMA) , time division multiple access (TDMA) , frequency division multiple access (FDMA) , orthogonal FDMA (OFDMA) , or discrete Fourier transform spread orthogonal frequency division multiplexing (DFT-S-OFDM) . A wireless multiple-access communications system may include one or more base stations, each supporting wireless communication for communication devices, which may be known as user equipment (UE) .

[0004] The number of available carriers has been growing over the years as has the number of available frequencies for wireless communication. The greater number of frequencies is great in terms of achieving better throughput and network capacity for user equipment (UE) . In the 5G NR Radio Resource Management (RRM) measurement framework, the network configures measurement objects, measurement gaps and measurement report configuration for the UE. Based on this, the UE follows the configured measurement period and duration associated with the measurement objects to complete the measurement and deliver the measurement report the network.

[0005] BRIEF SUMMARY OF SOME EXAMPLES

[0006] The following presents a summary of one or more aspects of the present disclosure, in order to provide a basic understanding of such aspects. This summary is not an extensive overview of all contemplated features of the disclosure and is intended neither to identify key or critical elements of all aspects of the disclosure nor to delineate the scope of any or all aspects of the disclosure. Its sole purpose is to present some concepts of one or more aspects of the disclosure in a form as a prelude to the more detailed description that is presented later.

[0007] In one example, a user equipment (UE) is provided. The UE includes one or more memories and one or more processors coupled to the one or more memories. The one or more processors may be configured to receive measurement objects during a measurement window from a network, in which, the measurement objects may include frequency and signal information, and the one or more processors may measure the measurement objects. Further, the one or more processors may skip processing of a future measurement object in a future measurement window based on an artificial intelligence / machine learning (AI / ML) prediction.

[0008] Another example provides a method operable at a UE. The method may include receiving measurement objects during a measurement window from a network, in which, the measurement objects may include frequency and signal information, and the method may include measuring the measurement objects. The method may further include skipping processing of a future measurement object in a future measurement window based on an AI / ML prediction.

[0009] In yet another example a UE is provided. The UE may include means for receiving measurement objects during a measurement window from a network, in which, the measurement objects may include frequency and signal information; means for measuring the measurement objects; and means for skipping processing of a future measurement object in a future measurement window based on an AI / ML prediction.

[0010] These and other aspects will become more fully understood upon a review of the detailed description, which follows. Other aspects, features, and examples will become apparent to those of ordinary skill in the art, upon reviewing the following description of specific, exemplary examples of in conjunction with the accompanying figures. While features may be discussed relative to certain examples and figures below, all examples can include one or more of the advantageous features discussed herein. In other words, while one or more examples may be discussed as having certain advantageous features, one or more of such features may also be used in accordance with the various examples discussed herein. In similar fashion, while exemplary examples may be discussed below as device, system, or method examples such exemplary examples can be implemented in various devices, systems, and methods.BRIEF DESCRIPTION OF THE DRAWINGS

[0011] FIG. 1 is a diagram illustrating an example of a wireless communication system and an access network according to some aspects.

[0012] FIGs. 2A, 2B, 2C, and 2D are diagrams illustrating examples of a first 5G / NR frame, DL channels within a 5G / NR subframe, a second 5G / NR frame, and UL channels within a 5G / NR subframe, respectively.

[0013] FIG. 3 is a diagram providing a high-level illustration of one example of a configuration of a disaggregated base station according to some aspects.

[0014] FIG. 4 is a diagram illustrating an example of a UE in communication with a network entity and a network according to some aspects.

[0015] FIG. 5 is a diagram illustrating an example of a process to skip future measurement objects according to some aspects.

[0016] FIG. 6 is a diagram illustrating an example of a network entity under the control of a network transmitting measurement objects to a UE according to some aspects.

[0017] FIG. 7 is a diagram illustrating an example of a process to predict signal quality of skipped non-measured objects by AI / ML prediction according to some aspects.

[0018] FIG. 8 is a diagram illustrating an example of measured RSRP for a UE relative to distance from a cell center according to some aspects.

[0019] FIG. 9 is a block diagram illustrating an example of a hardware implementation for a UE to implement skipping measurement objects based on prediction analysis in wireless communication according to some aspects.

[0020] FIG. 10 is a flow chart of an example process for determining a future measurement object in a future measurement window to skip processing of according to some aspects.

[0021] FIG. 11 is a block diagram illustrating an example of a hardware implementation for an example network computer system (e.g., a core network computer system) according to some aspects.DETAILED DESCRIPTION

[0022] The detailed description set forth below in connection with the appended drawings is intended as a description of various configurations and is not intended to represent the only configurations in which the concepts described herein may be practiced. The detailed description includes specific details for the purpose of providing a thorough understanding of various concepts. However, it will be apparent to those skilled in the art that these concepts may be practiced without these specific details. In some instances, well known structures and components are shown in block diagram form in order to avoid obscuring such concepts.

[0023] While aspects and examples are described in this application by illustration to some examples, those skilled in the art will understand that additional implementations and use cases may come about in many different arrangements and scenarios. Innovations described herein may be implemented across many differing platform types, devices, systems, shapes, sizes, and packaging arrangements. For example, aspects and / or uses may come about via integrated chip examples and other non-module-component based devices (e.g., end-user devices, vehicles, communication devices, computing devices, industrial equipment, retail / purchasing devices, medical devices, AI-enabled devices, etc. ) . While some examples may or may not be specifically directed to use cases or applications, a wide assortment of applicability of described innovations may occur. Implementations may range a spectrum from chip-level or modular components to non-modular, non-chip-level implementations and further to aggregate, distributed, or OEM devices or systems incorporating one or more aspects of the described innovations. In some practical settings, devices incorporating described aspects and features may also necessarily include additional components and features for implementation and practice of claimed and described examples. For example, transmission and reception of wireless signals necessarily includes a number of components for analog and digital purposes (e.g., hardware components including antenna, RF-chains, power amplifiers, modulators, buffer, processor (s) , interleaver, adders / summers, etc. ) . It is intended that innovations described herein may be practiced in a wide variety of devices, chip-level components, systems, distributed arrangements, disaggregated arrangements (e.g., base station or UE) , end-user devices, etc. of varying sizes, shapes and constitution.

[0024] In the 5G NR radio resource management (RRM) measurement framework, the network configures measurement objects, measurement gaps, and measurement report configurations for the UE. Based on this, the UE follows the configured measurement period and duration associated with the measurement objects to complete the measurements and deliver the measurement report to the network. However, requiring the UE to measure every measurement object on each occasion is burdensome especially when the differences of recent measurement results may be quite small. This also requires a significant amount of power usage by the UE.

[0025] If the UE was provided with more flexibility to skip some measurement occasions in order not to measure the measurement objects and / or to predict the results of the skipped measurement objects by artificial intelligence / machine learning (AI / ML) solutions, it may: be beneficial for UE power saving; reduce data interruption due to the gaps caused by measurements; and result in less measurement results reporting, which is also beneficial for decreasing uplink interferences. For example, less measurement result reporting may be beneficial for decreasing uplink interferences and may be especially beneficial in massive Internet of Things (IoT) scenarios.

[0026] Various aspects described hereafter may relate to implementations and enhancements including: determination of measurement object skipping by the UE based on AI / ML predictions; UE indication to the network on the measurement objects skipped; and AI / ML based UE and / or network predictions on the skipped measurement objects. As described hereafter, various aspects relate to skipping measurement objects based on prediction analysis in wireless communication. For example, the UE may measure the measurement objects and may skip processing of a future measurement object in a future measurement window based on an artificial intelligence / machine learning (AI / ML) prediction. Further, based on an available history of beam and cell measurements of measurement objects, the UE may determine AI / ML based predictions of rates of changes of beam and cell measurements of measurement objects related to serving and candidate cells in a future window of time and increase or decrease measurement periodicity if the predictions of the rates of changes of beam and cell measurements in the future window of time, increase or decrease, respectively. Additionally, the UE may: increase or decrease the measurement periodicity by selecting from within a range of measurement periodicities configured by the network, transmit to the network the selected measurement periodicity, and transmit to the network a request for values of the measurement periodicity, if the range of measurement periodicities configured by the network is determined not to be able to meet AI / ML measurement prediction accuracy requirements. This type of adaptive measurement periodicity to track changes in received signals at the UE can be beneficially utilized in predicting an impending radio link failure (RLF) or handover for the UE.

[0027] The various aspects presented throughout this disclosure may be implemented across a broad variety of telecommunication systems, network architectures, and communication standards. Referring now to FIG. 1, as an illustrative example without limitation, a schematic illustration of a wireless communication network including a radio access network (RAN) 100 and a core network 160 is provided. The RAN 100 may implement any suitable wireless communication technology or technologies to provide radio access. As one example, the RAN 100 may operate according to 3rd Generation Partnership Project (3GPP) New Radio (NR) specifications, often referred to as 5G. As another example, the RAN 100 may operate under a hybrid of 5G NR and Evolved Universal Terrestrial Radio Access Network (eUTRAN) standards, often referred to as LTE. The 3GPP refers to this hybrid RAN as a next-generation RAN, or NG-RAN. In other examples, the RAN 100 may operate according to a hybrid of 5G NR and 6G, may operate according to 6G, or may operate according to other future radio access technology (RAT) . Of course, many other examples may be utilized within the scope of the present disclosure.

[0028] The geographic region covered by the RAN 100 may be divided into a number of cellular regions (cells) that can be uniquely identified by a user equipment (UE) based on an identification broadcasted over a geographical area from one access point or network entity. FIG. 1 illustrates cells 102, 104, 106, 108, and 110 each of which may include one or more sectors (not shown) . A sector is a sub-area of a cell. All sectors within one cell are served by the same network entity. A radio link within a sector can be identified by a single logical identification belonging to that sector. In a cell that is divided into sectors, the multiple sectors within a cell can be formed by groups of antennas with each antenna responsible for communication with UEs in a portion of the cell.

[0029] In general, a respective network entity serves each cell. Broadly, a network entity is responsible for radio transmission and reception in one or more cells to or from a UE. A network entity may also be referred to by those skilled in the art as a base station (e.g., an aggregated base station or disaggregated base station) , base transceiver station (BTS) , a radio base station, a radio transceiver, a transceiver function, a basic service set (BSS) , an extended service set (ESS) , an access point (AP) , a Node B (NB) , an evolved NB (eNB) , a 5G NB (gNB) , a transmission receive point (TRP) , or some other suitable terminology. In some examples, a network entity may include two or more TRPs that may be collocated or non-collocated. Each TRP may communicate on the same or different carrier frequency within the same or different frequency band. In examples where the RAN 100 operates according to both the LTE and 5G NR standards, one of the network entities may be an LTE network entity, while another network entity may be a 5G NR network entity.

[0030] In some examples, the RAN 100 may employ an open RAN (O-RAN) to provide a standardization of radio interfaces to procure interoperability between component radio equipment. For example, in an O-RAN, the RAN may be disaggregated into a centralized unit (CU) , a distributed unit (DU) , and a radio unit (RU) . The RU is configured to transmit and / or receive (RF) signals to and / or from one or more UEs. The RU may be located at, near, or integrated with, an antenna. The DU and the CU provide computational functions and may facilitate the transmission of digitized radio signals within the RAN 100. In some examples, the DU may be physically located at or near the RU. In some examples, the CU may be located near the core network 160.

[0031] The DU provides downlink and uplink baseband processing, a supply system synchronization clock, signal processing, and an interface with the CU. The RU provides downlink baseband signal conversion to an RF signal, and uplink RF signal conversion to a baseband signal. The O-RAN may include an open fronthaul (FH) interface between the DU and the RU. Aspects of the disclosure may be applicable to an aggregated RAN and / or to a disaggregated RAN (e.g., an O-RAN) .

[0032] Various network entity arrangements can be utilized. For example, in FIG. 1, network entities 114, 116, and 118 are shown in cells 102, 104, and 106; and another network entity 122 is shown controlling a remote radio head (RRH) 122 in cell 110. That is, a network entity can have an integrated antenna or can be connected to an antenna or RRH by feeder cables. In the illustrated example, the cells 102, 104, 106, and 110 may be referred to as macrocells, as the network entities 114, 116, 118, and 122 support cells having a large size. Further, a network entity 120 is shown in the cell 108 which may overlap with one or more macrocells. In this example, the cell 108 may be referred to as a small cell (e.g., a microcell, picocell, femtocell, home base station, home Node B, home eNode B, etc. ) , as the network entity 120 supports a cell having a relatively small size. Cell sizing can be done according to system design as well as component constraints.

[0033] It is to be understood that the RAN 100 may include any number of network entities and cells. Further, a relay node may be deployed to extend the size or coverage area of a given cell. In some examples, a cell may not necessarily be stationary, and the geographic area of the cell may move according to the location of a mobile network entity.

[0034] FIG. 1 further includes an unmanned aerial vehicle (UAV) 156, which may be a drone or quadcopter. The UAV 156 may be configured to function as a network entity, or more specifically as a mobile network entity. That is, in some examples, a cell may not necessarily be stationary, and the geographic area of the cell may move according to the location of a mobile network entity such as the UAV 156.

[0035] In addition to other functions, the network entities 114, 116, 118, 120, and 122a / 122b may perform one or more of the following functions: transfer of user data, radio channel ciphering and deciphering, integrity protection, header compression, mobility control functions (e.g., handover, dual connectivity) , inter-cell interference coordination, connection setup and release, load balancing, distribution for non-access stratum (NAS) messages, NAS node selection, synchronization, radio access network (RAN) sharing, multimedia broadcast multicast service (MBMS) , subscriber and equipment trace, RAN information management (RIM) , paging, positioning, and delivery of warning messages. The network entities 114, 116, 118, 120, and 122a / 122b may communicate directly or indirectly (e.g., through the core network 170) with each other over backhaul links 152 (e.g., X2 interface) . The backhaul links 152 may be wired or wireless.

[0036] The RAN 100 is illustrated supporting wireless communication for multiple mobile apparatuses. A mobile apparatus is commonly referred to as user equipment (UE) in standards and specifications promulgated by the 3rd Generation Partnership Project (3GPP) , but may also be referred to by those skilled in the art as a mobile station (MS) , a subscriber station, a mobile unit, a subscriber unit, a wireless unit, a remote unit, a mobile device, a wireless device, a wireless communications device, a remote device, a mobile subscriber station, an access terminal (AT) , a mobile terminal, a wireless terminal, a remote terminal, a handset, a terminal, a user agent, a mobile client, a client, or some other suitable terminology. A UE may be an apparatus that provides a user with access to network services.

[0037] Within the present document, a “mobile” apparatus need not necessarily have a capability to move, and may be stationary. The term mobile apparatus or mobile device broadly refers to a diverse array of devices and technologies. For example, some non-limiting examples of a mobile apparatus include a mobile, a cellular (cell) phone, a smart phone, a session initiation protocol (SIP) phone, a laptop, a personal computer (PC) , a notebook, a netbook, a smartbook, a tablet, a personal digital assistant (PDA) , and a broad array of embedded systems, e.g., corresponding to an “Internet of things” (IoT) . A mobile apparatus may additionally be an automotive or other transportation vehicle, a remote sensor or actuator, a robot or robotics device, a satellite radio, a global positioning system (GPS) device, an object tracking device, a drone, a multi-copter, a quad-copter, a remote control device, a consumer and / or wearable device, such as eyewear, a wearable camera, a virtual reality device, a smart watch, a health or fitness tracker, a digital audio player (e.g., MP3 player) , a camera, a game console, etc. A mobile apparatus may additionally be a digital home or smart home device such as a home audio, video, and / or multimedia device, an appliance, a vending machine, intelligent lighting, a home security system, a smart meter, etc. A mobile apparatus may additionally be a smart energy device, a security device, a solar panel or solar array, a municipal infrastructure device controlling electric power (e.g., a smart grid) , lighting, water, etc., an industrial automation and enterprise device, a logistics controller, agricultural equipment, etc. Still further, a mobile apparatus may provide for connected medicine or telemedicine support, i.e., health care at a distance. Telehealth devices may include telehealth monitoring devices and telehealth administration devices, whose communication may be prioritized access over other types of information, e.g., in terms of prioritized access for transport of critical service data, and / or relevant QoS for transport of critical service data.

[0038] Within the RAN 100, the cells may include UEs that may be in communication with one or more sectors of each cell. For example, UEs 124, 126, and 144 may be in communication with network entity 114; UEs 128 and 130 may be in communication with network entity 116; UEs 132 and 138 may be in communication with network entity 118; UE 140 may be in communication with network entity 120; UE 142 may be in communication with network entity 122a via RRH 122b; and UE 158 may be in communication with mobile network entity 156. Here, each network entity 114, 116, 118, 120, 122a / 122b, and 156 may be configured to provide an access point to the core network 170 (not shown) for all the UEs in the respective cells. In another example, a mobile network node (e.g., UAV 156) may be configured to function as a UE. For example, the UAV 156 may operate within cell 104 by communicating with network entity 116. UEs may be located anywhere within a serving cell. UEs that are located closer to a center of a cell (e.g., UE 132) may be referred to as cell center UEs, whereas UEs that are located closer to an edge of a cell (e.g., UE 134) may be referred to as cell edge UEs. Cell center UEs may have a higher signal quality (e.g., a higher reference signal received power (RSRP) or signal-to interference-plus-noise ratio (SINR) ) than cell edge UEs.

[0039] In the RAN 100, the ability for a UE to communicate while moving, independent of their location, is referred to as mobility. The various physical channels between the UE and the RAN are generally set up, maintained, and released under the control of an access and mobility management function (AMF) , which may include a security context management function (SCMF) that manages the security context for both the control plane and the user plane functionality and a security anchor function (SEAF) that performs authentication. In some examples, during a call facilitated by a network entity, or at any other time, a UE may monitor various parameters of the signal from its serving cell as well as various parameters of neighboring cells. Depending on the quality of these parameters, the UE may maintain communication with one or more of the neighboring cells. During this time, if the UE moves from one cell to another, or if signal quality from a neighboring cell exceeds that from the serving cell for a given amount of time, the UE May undertake a handoff or handover from the serving cell to the neighboring (target) cell. For example, UE 126 may move from the geographic area corresponding to its serving cell 102 to the geographic area corresponding to a neighbor cell 106. When the signal strength or quality from the neighbor cell 106 exceeds that of its serving cell 102 for a given amount of time, the UE 126 may transmit a reporting message to its serving network entity 114 indicating this condition. In response, the UE 126 may receive a handover command, and the UE may undergo a handover to the cell 106.

[0040] Wireless communication between a RAN 100 and a UE (e.g., UE 124, 126, or 144) may be described as utilizing communication links 148 over an air interface. Transmissions over the communication links 148 between the network entities and the UEs may include uplink (UL) (also referred to as reverse link) transmissions from a UE to a network entity and / or downlink (DL) (also referred to as forward link) transmissions from a network entity to a UE. For example, DL transmissions may include unicast or broadcast transmissions of control information and / or data (e.g., user data traffic or other type of traffic) from a network entity (e.g., network entity 114) to one or more UEs (e.g., UEs 124, 126, and 144) , while UL transmissions may include transmissions of control information and / or traffic information originating at a UE (e.g., UE 124) . In addition, the uplink and / or downlink control information and / or traffic information may be time-divided into frames, subframes, slots, and / or symbols. As used herein, a symbol may refer to a unit of time that, in an orthogonal frequency division multiplexed (OFDM) waveform, carries one resource element (RE) per sub-carrier. A slot may carry 7 or 14 OFDM symbols. A subframe may refer to a duration of 1ms. Multiple subframes or slots may be grouped together to form a single frame or radio frame. Within the present disclosure, a frame may refer to a predetermined duration (e.g., 10 ms) for wireless transmissions, with each frame consisting of, for example, 10 subframes of 1 ms each. Of course, these definitions are not required, and any suitable scheme for organizing waveforms may be utilized, and various time divisions of the waveform may have any suitable duration.

[0041] The communication links 148 may use multiple-input and multiple-output (MIMO) antenna technology, including spatial multiplexing, beamforming, and / or transmit diversity. For example, as shown in FIG. 1, network entity 122a / 122b may transmit a beamformed signal to the UE 142 via one or more beams 174 in one or more transmit directions. The UE 142 may further receive the beamformed signal from the network entity 122a / 122b via one or more beams 174’ in one or more receive directions. The UE 142 may also transmit a beamformed signal to the network entity 122a / 122b via the one or more beams 174’ in one or more transmit directions. The network entity 122a / 122b may further receive the beamformed signal from the UE 142 via the one or more beams 174 in one or more receive directions. The network entity 122a / 122b and the UE 142 may perform beam training to determine the best transmit and receive beams 174 / 174’ for communication between the network entity 122a / 122b and the UE 142. The transmit and receive beams for the network entity 122a / 122b may or may not be the same. The transmit and receive directions for the UE 142 may or may not be the same.

[0042] The communication links 148 may utilize one or more carriers. The network entities and UEs may use spectrum up to Y MHz (e.g., 5, 10, 15, 20, 100, 400, etc. MHz) bandwidth per carrier allocated in a carrier aggregation of up to a total of Yx MHz (x component carriers) used for transmission in each direction. The carriers may or may not be adjacent to each other. Allocation of carriers may be asymmetric with respect to DL and UL (e.g., more or fewer carriers may be allocated for DL than for UL) . The component carriers may include a primary component carrier and one or more secondary component carriers. A primary component carrier may be referred to as a primary cell (PCell) and a secondary component carrier may be referred to as a secondary cell (SCell) .

[0043] The communication links 148 in the RAN 100 may further utilize one or more multiplexing and multiple access algorithms to enable simultaneous communication of the various devices. For example, 5G NR specifications provide multiple access for UL or reverse link transmissions from UEs 124, 126, and 144 to network entity 114, and for multiplexing DL or forward link transmissions from the network entity 114 to UEs 124, 126, and 144 utilizing orthogonal frequency division multiplexing (OFDM) with a cyclic prefix (CP) . In addition, for UL transmissions, 5G NR specifications provide support for discrete Fourier transform-spread-OFDM (DFT-s-OFDM) with a CP (also referred to as single-carrier FDMA (SC-FDMA) ) . However, within the scope of the present disclosure, multiplexing and multiple access are not limited to the above schemes, and may be provided utilizing time division multiple access (TDMA) , code division multiple access (CDMA) , frequency division multiple access (FDMA) , sparse code multiple access (SCMA) , resource spread multiple access (RSMA) , or other suitable multiple access schemes. Further, multiplexing DL transmissions from the network entity 114 to UEs 124, 126, and 144 may be provided utilizing time division multiplexing (TDM) , code division multiplexing (CDM) , frequency division multiplexing (FDM) , orthogonal frequency division multiplexing (OFDM) , sparse code multiplexing (SCM) , or other suitable multiplexing schemes.

[0044] Further, the communication links 148 in the RAN 100 may utilize one or more duplexing algorithms. Duplex refers to a point-to-point communication link where both endpoints can communicate with one another in both directions. Full-duplex means both endpoints can simultaneously communicate with one another. Half-duplex means only one endpoint can send information to the other at a time. Half-duplex emulation is frequently implemented for wireless links utilizing time division duplex (TDD) . In TDD, transmissions in different directions on a given channel are separated from one another using time division multiplexing. That is, at some times the channel is dedicated for transmissions in one direction, while at other times the channel is dedicated for transmissions in the other direction, where the direction may change very rapidly, e.g., several times per slot. In a wireless link, a full-duplex channel generally relies on physical isolation of a transmitter and receiver, and suitable interference cancellation technologies. Full-duplex emulation is frequently implemented for wireless links by utilizing frequency division duplex (FDD) or spatial division duplex (SDD) . In FDD, transmissions in different directions may operate at different carrier frequencies (e.g., within paired spectrum) . In SDD, transmissions in different directions on a given channel are separated from one another using spatial division multiplexing (SDM) . In other examples, full-duplex communication may be implemented within unpaired spectrum (e.g., within a single carrier bandwidth) , where transmissions in different directions occur within different sub-bands of the carrier bandwidth. This type of full-duplex communication may be referred to herein as sub-band full duplex (SBFD) , also known as flexible duplex (FD) .

[0045] In various implementations, the communication links 148 in the RAN 100 may utilize licensed spectrum, unlicensed spectrum, or shared spectrum. Licensed spectrum provides for exclusive use of a portion of the spectrum, generally by virtue of a mobile network operator purchasing a license from a government regulatory body. Unlicensed spectrum provides for shared use of a portion of the spectrum without need for a government-granted license. While compliance with some technical rules is generally still required to access unlicensed spectrum, generally, any operator or device may gain access. Shared spectrum may fall between licensed and unlicensed spectrum, wherein technical rules or limitations may be required to access the spectrum, but the spectrum may still be shared by multiple operators and / or multiple RATs. For example, the holder of a license for a portion of licensed spectrum may provide licensed shared access (LSA) to share that spectrum with other parties, e.g., with suitable licensee-determined conditions to gain access.

[0046] The electromagnetic spectrum is often subdivided, based on frequency / wavelength, into various classes, bands, channels, etc. In 5G NR, two initial operating bands have been identified as frequency range designations FR1 (410 MHz –7.125 GHz) and FR2 (24.25 GHz –52.6 GHz) . Although a portion of FR1 is greater than 6 GHz, FR1 is often referred to (interchangeably) as a “sub-6 GHz” band in various documents and articles. A similar nomenclature issue sometimes occurs with regard to FR2, which is often referred to (interchangeably) as a “millimeter wave” band in documents and articles, despite being different from the extremely high frequency (EHF) band (30 GHz –300 GHz) which is identified by the International Telecommunications Union (ITU) as a “millimeter wave” band.

[0047] The frequencies between FR1 and FR2 are often referred to as mid-band frequencies. Recent 5G NR studies have identified an operating band for these mid-band frequencies as frequency range designation FR3 (7.125 GHz –24.25 GHz) . Frequency bands falling within FR3 may inherit FR1 characteristics and / or FR2 characteristics, and thus may effectively extend features of FR1 and / or FR2 into mid-band frequencies. In addition, higher frequency bands are currently being explored to extend 5G NR operation beyond 52.6 GHz. For example, three higher operating bands have been identified as frequency range designations FR2-2 (52.6 GHz –71 GHz) , FR4 (71 GHz –114.25 GHz) , and FR5 (114.25 GHz –300 GHz) . Each of these higher frequency bands falls within the EHF band.

[0048] With the above aspects in mind, unless specifically stated otherwise, it should be understood that the term “sub-6 GHz” or the like if used herein may broadly represent frequencies that may be less than 6 GHz, may be within FR1, or may include mid-band frequencies. Further, unless specifically stated otherwise, it should be understood that the term “millimeter wave” or the like if used herein may broadly represent frequencies that may include mid-band frequencies, may be within FR2, FR4, FR2-2, and / or FR5, or may be within the EHF band.

[0049] In some examples, access to the air interface may be scheduled, wherein a scheduling entity (e.g., a network entity 114) allocates resources for communication among some or all devices and equipment within its service area or cell. Within the present disclosure, as discussed further below, the scheduling entity may be responsible for scheduling, assigning, reconfiguring, and releasing resources for one or more scheduled entities. That is, for scheduled communication, UEs (e.g., UE 124) , which may be scheduled entities, may utilize resources allocated by the scheduling entity 114.

[0050] Network entities are not the only entities that may function as scheduling entities. That is, in some examples, a UE may function as a scheduling entity, scheduling resources for one or more scheduled entities (e.g., one or more other UEs) . For example, two or more UEs (e.g., UEs 144 and 146) may communicate with each other using peer to peer (P2P) or sidelink signals via a sidelink 150 therebetween without relaying that communication through a network entity (e.g., network entity 114) . In some examples, the UEs 144 and 146 may each function as a scheduling entity or transmitting sidelink device and / or a scheduled entity or a receiving sidelink device to communicate sidelink signals therebetween without relying on scheduling or control information from a network entity (e.g., network entity 114) . In other examples, the network entity 114 may allocate resources to the UEs 144 and 146 for sidelink communication. For example, the UEs 144 and 146 may communicate using sidelink signaling in a P2P network, a device-to-device (D2D) network, vehicle-to-vehicle (V2V) network, a vehicle-to-everything (V2X) , a mesh network, or other suitable network.

[0051] In some examples, a D2D relay framework may be included within a cellular network to facilitate relaying of communication to / from the network entity 114 via D2D links (e.g., sidelink 150) . For example, one or more UEs (e.g., UE 144) within the coverage area of the network entity 114 may operate as a relaying UE to extend the coverage of the network entity 114, improve the transmission reliability to one or more UEs (e.g., UE 146) , and / or to allow the network entity to recover from a failed UE link due to, for example, blockage or fading.

[0052] The wireless communications system may further include a Wi-Fi access point (AP) 176 in communication with Wi-Fi stations (STAs) 178 via communication links 180 in a 5 GHz unlicensed frequency spectrum. When communicating in an unlicensed frequency spectrum, the STAs 170  / AP 176 may perform a clear channel assessment (CCA) prior to communicating in order to determine whether the channel is available.

[0053] In some examples, a UE may correspond to an IoT device 182. The IoT device 182 may include, for example, a passive IoT device, such as RFID-type sensor / actuator (SA) , a semi-passive IoT device, or an active IoT device. Active IoT devices and semi-active IoT device may include a battery or power source that may be charged, for example, using wireless power transfer (WPT) or, more generally, ambient energy harvesting, whereas passive IoT devices lack an internal power source, and therefore, use ambient energy harvesting to power the device. Semi-passive IoT devices may include a capacitor or other storage device that provides a warm start-up to the energy harvesting in the device. The IoT device 182 may communicate with a network entity (e.g., network entity 114 or RFID reader) . In some examples, the network entity 114 may communicate with the IoT device via cellular (Uu) links. For example, the network entity 114 may provide an energy transmission on the downlink to power the IoT device. The energy transmission may further be modulated and backscattered by the IoT device 182 as an information-bearing signal on the uplink. In addition, the network entity 114 may transmit control information and / or data to the IoT device 182 on the downlink, which may be detected by the IoT device using, for example, envelope detection. In this manner, the network entity 114 may read information from the IoT device 182 and write information to the IoT device 182.

[0054] The network entities 114, 116, 118, 120, and 122a / 122b provide wireless access points to the core network 160 for any number of UEs or other mobile apparatuses via core network backhaul links 154. The core network backhaul links 154 may provide a connection between the network entities 114, 116, 118, 120, and 122a / 122b and the core network 170. In some examples, the core network backhaul links 154 may include backhaul links 152 that provide interconnection between the respective network entities. The core network may be part of the wireless communication system and may be independent of the radio access technology used in the RAN 100. Various types of backhaul interfaces may be employed, such as a direct physical connection (wired or wireless) , a virtual network, or the like using any suitable transport network.

[0055] The core network 160 may include an Access and Mobility Management Function (AMF) 162, other AMFs 168, a Session Management Function (SMF) 164, and a User Plane Function (UPF) 166. The AMF 162 may be in communication with a Unified Data Management (UDM) 170. The AMF 162 is the control node that processes the signaling between the UEs and the core network 160. Generally, the AMF 162 provides QoS flow and session management. All user Internet protocol (IP) packets are transferred through the UPF 166. The UPF 166 provides UE IP address allocation as well as other functions. The UPF 166 is configured to couple to IP Services 172. The IP Services 172 may include the Internet, an intranet, an IP Multimedia Subsystem (IMS) , a PS Streaming Service, and / or other IP services.

[0056] FIG. 2A is a diagram 200 illustrating an example of a first subframe within a 5G / NR frame structure. FIG. 2B is a diagram 230 illustrating an example of DL channels within a 5G / NR subframe. FIG. 2C is a diagram 250 illustrating an example of a second subframe within a 5G / NR frame structure. FIG. 2D is a diagram 280 illustrating an example of UL channels within a 5G / NR subframe. The 5G / NR frame structure may be FDD in which for a particular set of subcarriers (carrier system bandwidth) , subframes within the set of subcarriers are dedicated for either DL or UL, or may be TDD in which for a particular set of subcarriers (carrier system bandwidth) , subframes within the set of subcarriers are dedicated for both DL and UL. In the examples provided by FIGs. 2A, 2C, the 5G / NR frame structure is assumed to be TDD, with subframe 4 being configured with slot format 28 (with mostly DL) , where D is DL, U is UL, and X is flexible for use between DL / UL, and subframe 3 being configured with slot format 34 (with mostly UL) . While subframes 3, 4 are shown with slot formats 34, 28, respectively, any particular subframe may be configured with any of the various available slot formats 0-61. Slot formats 0, 1 are all DL, UL, respectively. Other slot formats 2-61 include a mix of DL, UL, and flexible symbols. UEs are configured with the slot format (dynamically through DL control information (DCI) , or semi-statically / statically through radio resource control (RRC) signaling) through a received slot format indicator (SFI) . Note that the description infra applies also to a 5G / NR frame structure that is TDD.

[0057] Other wireless communication technologies may have a different frame structure and / or different channels. A frame (10 ms) may be divided into 10 equally sized subframes (1 ms) . Each subframe may include one or more time slots. Subframes may also include mini-slots, which may include 7, 4, or 2 symbols. Each slot may include 7 or 14 symbols, depending on the slot configuration. For slot configuration 0, each slot may include 14 symbols, and for slot configuration 1, each slot may include 7 symbols. The symbols on DL may be cyclic prefix (CP) OFDM (CP-OFDM) symbols. The symbols on UL may be CP-OFDM symbols (for high throughput scenarios) or discrete Fourier transform (DFT) spread OFDM (DFT-s-OFDM) symbols (also referred to as single carrier frequency-division multiple access (SC-FDMA) symbols) (for power limited scenarios; limited to a single stream transmission) . The number of slots within a subframe is based on the slot configuration and the numerology. For slot configuration 0, different numerologies μ 0 to 5 allow for 1, 2, 4, 8, 16, and 32 slots, respectively, per subframe. For slot configuration 1, different numerologies 0 to 2 allow for 2, 4, and 8 slots, respectively, per subframe. Accordingly, for slot configuration 0 and numerology μ, there are 14 symbols / slot and 2μ slots / subframe. The subcarrier spacing and symbol length / duration are a function of the numerology. The subcarrier spacing may be equal to 2μ*15 kKz, where μ is the numerology 0 to 5. As such, the numerology μ=0 has a subcarrier spacing of 15 kHz and the numerology μ=5 has a subcarrier spacing of 480 kHz. The symbol length / duration is inversely related to the subcarrier spacing. FIGs. 2A-2D provide an example of slot configuration 0 with 14 symbols per slot and numerology μ=0 with 1 slot per subframe. The subcarrier spacing is 15 kHz and symbol duration is approximately 66.7 μs.

[0058] A resource grid may be used to represent the frame structure. Each time slot includes a resource block (RB) (also referred to as physical RBs (PRBs) ) that extends 12 consecutive subcarriers. The resource grid is divided into multiple resource elements (REs) . The number of bits carried by each RE depends on the modulation scheme.

[0059] As illustrated in FIG. 2A, some of the REs carry reference (pilot) signals (RS) for the UE. The RS may include demodulation RS (DM-RS) (indicated as Rx for one particular configuration, where 100x is the port number, but other DM-RS configurations are possible) and channel state information reference signals (CSI-RS) for channel estimation at the UE. The RS may also include beam measurement RS (BRS) , beam refinement RS (BRRS) , and phase tracking RS (PT-RS) .

[0060] FIG. 2B illustrates an example of various DL channels within a subframe of a frame. The physical downlink control channel (PDCCH) carries DCI within one or more control channel elements (CCEs) , each CCE including nine RE groups (REGs) , each REG including four consecutive REs in an OFDM symbol. A primary synchronization signal (PSS) may be within symbol 2 of particular subframes of a frame. The PSS is used by a UE 104 to determine subframe / symbol timing and a physical layer identity. A secondary synchronization signal (SSS) may be within symbol 4 of particular subframes of a frame. The SSS is used by a UE to determine a physical layer cell identity group number and radio frame timing. Based on the physical layer identity and the physical layer cell identity group number, the UE can determine a physical cell identifier (PCI) . Based on the PCI, the UE can determine the locations of the aforementioned DM-RS. The physical broadcast channel (PBCH) , which carries a master information block (MIB) , may be logically grouped with the PSS and SSS to form a synchronization signal (SS)  / PBCH block (SSB) . The MIB provides a number of RBs in the system bandwidth and a system frame number (SFN) . The physical downlink shared channel (PDSCH) carries user data, broadcast system information not transmitted through the PBCH such as system information blocks (SIBs) , and paging messages.

[0061] As illustrated in FIG. 2C, some of the REs carry DM-RS (indicated as R for one particular configuration, but other DM-RS configurations are possible) for channel estimation at the base station. The UE may transmit DM-RS for the physical uplink control channel (PUCCH) and DM-RS for the physical uplink shared channel (PUSCH) . The PUSCH DM-RS may be transmitted in the first one or two symbols of the PUSCH. The PUCCH DM-RS may be transmitted in different configurations depending on whether short or long PUCCHs are transmitted and depending on the particular PUCCH format used. Although not shown, the UE may transmit sounding reference signals (SRS) . The SRS may be used by a base station for channel quality estimation to enable frequency-dependent scheduling on the UL.

[0062] FIG. 2D illustrates an example of various UL channels within a subframe of a frame. The PUCCH may be located as indicated in one configuration. The PUCCH carries uplink control information (UCI) , such as scheduling requests, a channel quality indicator (CQI) , a precoding matrix indicator (PMI) , a rank indicator (RI) , and hybrid automatic repeat request (HARQ) ACK / NACK feedback. The PUSCH carries data, and may additionally be used to carry a buffer status report (BSR) , a power headroom report (PHR) , and / or UCI.

[0063] Deployment of communication systems, such as 5G new radio (NR) systems, may be arranged in multiple manners with various components or constituent parts. In a 5G NR system, or network, a network node, a network entity, a mobility element of a network, a radio access network (RAN) node, a core network node, a network element, or a network equipment, such as a base station (BS) , or one or more units (or one or more components) performing base station functionality, may be implemented in an aggregated or disaggregated architecture. For example, a BS (such as a Node B (NB) , evolved NB (eNB) , NR BS, 5G NB (gNB) , access point (AP) , a transmit receive point (TRP) , or a cell, etc. ) may be implemented as an aggregated base station (also known as a standalone BS or a monolithic BS) or a disaggregated base station.

[0064] An aggregated base station may be configured to utilize a radio protocol stack that is physically or logically integrated within a single RAN node. A disaggregated base station may be configured to utilize a protocol stack that is physically or logically distributed among two or more units (such as one or more central or centralized units (CUs) , one or more distributed units (DUs) , or one or more radio units (RUs) ) . In some aspects, a CU may be implemented within a RAN node, and one or more DUs may be co-located with the CU, or alternatively, may be geographically or virtually distributed throughout one or multiple other RAN nodes. The DUs may be implemented to communicate with one or more RUs. Each of the CU, DU and RU also can be implemented as virtual units, i.e., a virtual central unit (VCU) , a virtual distributed unit (VDU) , or a virtual radio unit (VRU) .

[0065] Base station-type operation or network design may consider aggregation characteristics of base station functionality. For example, disaggregated base stations may be utilized in an integrated access backhaul (IAB) network, an open radio access network (O-RAN (such as the network configuration sponsored by the O-RAN Alliance) ) , or a virtualized radio access network (vRAN, also known as a cloud radio access network (C-RAN) ) . Disaggregation may include distributing functionality across two or more units at various physical locations, as well as distributing functionality for at least one unit virtually, which can enable flexibility in network design. The various units of the disaggregated base station, or disaggregated RAN architecture, can be configured for wired or wireless communication with at least one other unit.

[0066] FIG. 3 shows a diagram illustrating an example disaggregated base station 300 architecture. The disaggregated base station 300 architecture may include one or more central units (CUs) 310 that can communicate directly with a core network 320 via a backhaul link, or indirectly with the core network 320 through one or more disaggregated base station units (such as a Near-Real Time (Near-RT) RAN Intelligent Controller (RIC) 325 via an E3 link, or a Non-Real Time (Non-RT) RIC 315 associated with a Service Management and Orchestration (SMO) Framework 305, or both) . A CU 310 may communicate with one or more distributed units (DUs) 330 via respective midhaul links, such as an F1 interface. The DUs 330 may communicate with one or more radio units (RUs) 340 via respective fronthaul links. The RUs 340 may communicate with respective UEs 350 via one or more radio frequency (RF) access links. In some implementations, the UE 350 may be simultaneously served by multiple RUs 340.

[0067] Each of the units, i.e., the CUs 310, the DUs 330, the RUs 340, as well as the Near-RT RICs 325, the Non-RT RICs 315 and the SMO Framework 305, may include one or more interfaces or be coupled to one or more interfaces configured to receive or transmit signals, data, or information (collectively, signals) via a wired or wireless transmission medium. Each of the units, or an associated processor or controller providing instructions to the communication interfaces of the units, can be configured to communicate with one or more of the other units via the transmission medium. For example, the units can include a wired interface configured to receive or transmit signals over a wired transmission medium to one or more of the other units. Additionally, the units can include a wireless interface, which may include a receiver, a transmitter or transceiver (such as a radio frequency (RF) transceiver) , configured to receive or transmit signals, or both, over a wireless transmission medium to one or more of the other units.

[0068] In some aspects, the CU 310 may host one or more higher layer control functions. Such control functions can include radio resource control (RRC) , packet data convergence protocol (PDCP) , service data adaptation protocol (SDAP) , or the like. Each control function can be implemented with an interface configured to communicate signals with other control functions hosted by the CU 310. The CU 310 may be configured to handle user plane functionality (i.e., Central Unit –User Plane (CU-UP) ) , control plane functionality (i.e., Central Unit –Control Plane (CU-CP) ) , or a combination thereof. In some implementations, the CU 310 can be logically split into one or more CU-UP units and one or more CU-CP units. The CU-UP unit can communicate bidirectionally with the CU-CP unit via an interface, such as the E1 interface when implemented in an O-RAN configuration. The CU 310 can be implemented to communicate with the DU 330, as necessary, for network control and signaling.

[0069] The DU 330 may correspond to a logical unit that includes one or more base station functions to control the operation of one or more RUs 340. In some aspects, the DU 330 may host one or more of a radio link control (RLC) layer, a medium access control (MAC) layer, and one or more high physical (PHY) layers (such as modules for forward error correction (FEC) encoding and decoding, scrambling, modulation and demodulation, or the like) depending, at least in part, on a functional split, such as those defined by the 3rd Generation Partnership Project (3GPP) . In some aspects, the DU 330 may further host one or more low PHY layers. Each layer (or module) can be implemented with an interface configured to communicate signals with other layers (and modules) hosted by the DU 330, or with the control functions hosted by the CU 310.

[0070] Lower-layer functionality can be implemented by one or more RUs 340. In some deployments, an RU 340, controlled by a DU 330, may correspond to a logical node that hosts RF processing functions, or low-PHY layer functions (such as performing fast Fourier transform (FFT) , inverse FFT (iFFT) , digital beamforming, physical random access channel (PRACH) extraction and filtering, or the like) , or both, based at least in part on the functional split, such as a lower layer functional split. In such an architecture, the RU (s) 340 can be implemented to handle over the air (OTA) communication with one or more UEs 350. In some implementations, real-time and non-real-time aspects of control and user plane communication with the RU (s) 340 can be controlled by the corresponding DU 330. In some scenarios, this configuration can enable the DU (s) 330 and the CU 310 to be implemented in a cloud-based RAN architecture, such as a vRAN architecture.

[0071] The SMO Framework 305 may be configured to support RAN deployment and provisioning of non-virtualized and virtualized network elements. For non-virtualized network elements, the SMO Framework 305 may be configured to support the deployment of dedicated physical resources for RAN coverage requirements which may be managed via an operations and maintenance interface (such as an O1 interface) . For virtualized network elements, the SMO Framework 305 may be configured to interact with a cloud computing platform (such as an open cloud (O-Cloud) 390) to perform network element life cycle management (such as to instantiate virtualized network elements) via a cloud computing platform interface (such as an O3 interface) . Such virtualized network elements can include, but are not limited to, CUs 310, DUs 330, RUs 340 and Near-RT RICs 325. In some implementations, the SMO Framework 305 can communicate with a hardware aspect of a 5G RAN, such as an open eNB (O-eNB) 311, via an O1 interface. Additionally, in some implementations, the SMO Framework 305 can communicate directly with one or more RUs 340 via an O1 interface. The SMO Framework 305 also may include a Non-RT RIC 315 configured to support functionality of the SMO Framework 305.

[0072] The Non-RT RIC 315 may be configured to include a logical function that enables non-real-time control and optimization of RAN elements and resources, Artificial Intelligence / Machine Learning (AI / ML) workflows including model training and updates, or policy-based guidance of applications / features in the Near-RT RIC 325. The Non-RT RIC 315 may be coupled to or communicate with (such as via an A1 interface) the Near-RT RIC 325. The Near-RT RIC 325 may be configured to include a logical function that enables near-real-time control and optimization of RAN elements and resources via data collection and actions over an interface (such as via an E3 interface) connecting one or more CUs 310, one or more DUs 330, or both, as well as an O-eNB, with the Near-RT RIC 325.

[0073] In some implementations, to generate AI / ML models to be deployed in the Near-RT RIC 325, the Non-RT RIC 315 may receive parameters or external enrichment information from external servers. Such information may be utilized by the Near-RT RIC 325 and may be received at the SMO Framework 305 or the Non-RT RIC 315 from non-network data sources or from network functions. In some examples, the Non-RT RIC 315 or the Near-RT RIC 325 may be configured to tune RAN behavior or performance. For example, the Non-RT RIC 315 may monitor long-term trends and patterns for performance and employ AI / ML models to perform corrective actions through the SMO Framework 305 (such as reconfiguration via O1) or via creation of RAN management policies (such as A1 policies) .

[0074] In the 5G NR RRM measurement framework, the network configures measurement objects, measurement gaps, and measurement report configurations for the UE. Based on this, the UE follows the configured measurement period and duration associated with the measurement objects to complete the measurements and deliver the measurement report to the network. However, requiring the UE to measure every measurement object on each occasion is burdensome especially when the differences of recent measurement results may be quite small. This also requires a significant amount of power usage by the UE.

[0075] If the UE was provided with more flexibility to skip some measurement occasions in order not to measure the measurement objects and / or to predict the results of the skipped measurement objects by artificial intelligence / machine learning (AI / ML) solutions, it may: be beneficial for UE power saving; reduce data interruption due to the gaps caused by measurements; and result in less measurement results reporting, which is also beneficial for decreasing uplink interferences. For example, less measurement result reporting may be beneficial for decreasing uplink interferences and may be especially beneficial in massive Internet of Things (IoT) scenarios.

[0076] Various aspects described hereafter may relate to implementations and enhancements including: determination of measurement object skipping by the UE based on AI / ML predictions; UE indication to the network on the measurement objects skipped; and AI / ML based UE and / or network predictions on the skipped measurement objects. As described hereafter, various aspects relate to skipping measurement objects based on prediction analysis in wireless communication. For example, the UE may measure the measurement objects and may skip processing of a future measurement object in a future measurement window based on an artificial intelligence / machine learning (AI / ML) prediction. Further, based on an available history of beam and cell measurements of measurement objects, the UE may determine AI / ML based predictions of rates of changes of beam and cell measurements of measurement objects related to serving and candidate cells in a future window of time and increase or decrease measurement periodicity if the predictions of the rates of changes of beam and cell measurements in the future window of time, increase or decrease, respectively. Additionally, the UE may: increase or decrease the measurement periodicity by selecting from within a range of measurement periodicities configured by the network, transmit to the network the selected measurement periodicity, and transmit to the network a request for values of the measurement periodicity, if the range of measurement periodicities configured by the network is determined not to be able to meet AI / ML measurement prediction accuracy requirements. This type of adaptive measurement periodicity to track changes in received signals at the UE can be beneficially utilized in predicting an impending radio link failure (RLF) or handover for the UE.

[0077] As to measurement objects, these may include the entities on which the UE performs measurements. Measurement objects may vary by the type of measurement, such as intra-frequency, inter-frequency, and inter-RAT (Radio Access Technology) , and include details like frequency and / or time locations, cell-specific offsets, or the like. For example, a measurement object may be a carrier frequency that the UE measures, and the other quantities such as time locations, offsets are part of the associated measurement configuration. The object ID links a measurement object to each serving cell. As to measurement reporting configurations, these typically define how the UE reports measurements and may include the triggering criteria, the reference signal (RS) type used for measurements, and the reporting format. As to measurement gaps, measurement gaps may include the time periods that the UE can utilize to perform the specified measurements.

[0078] As will be described, various aspects relate to skipping measurement objects based on prediction analysis in wireless communication. With initial reference to FIG. 4, FIG. 4 is a simplified diagram illustrating an example of a UE in communication with a network through a network entity according to some aspects. As shown in FIG. 4, a UE 195 may be in communication with a network entity 406 via uplink and downlink signals 412 and 414. Network entity 406 may also include a core network backhaul link. UE 195 may include an antenna 406, a transceiver 420, a processor 422, and a memory 424. Components of UE 195 will be described in more detail hereafter. It should be appreciated that UE 195 may be any of the previously described UEs (e.g., UEs 124, 126, 144, etc. ) in FIG. 1 and network entity 406 may be any of the network entities (e.g., network entities 114, 116, 118, etc. ) , previously described FIG. 1. In particular, network 160 is in communication with UE 195 via network entity 406.

[0079] In one aspect, as will be described in more detail hereafter, UE 195 may receive measurement objects during a measurement window from network 160 via network entity 406 via downlink signals 414 through antenna 406 and transceiver 420. UE 195, under the control of processor 422, may receive the measurement objects during the measurement window from the network 160, in which the measurement objects may include frequency and signal information, and may measure the measurement objects. Further, UE 195 may, under the control of processor 422, skip processing of a future measurement object in a future measurement window based on an AI / ML prediction. Details of these implementations will be described in more detail hereafter.

[0080] In one aspect, as will be described, UE 195 may be allowed to skip the measurement objects if particular criteria are satisfied. The criteria may be defined and / or configured based on: average historical measurement results; rates of changes (e.g., fluctuation) of the historical measurement results; AI / ML prediction or inference on the trends of signal quality of measured objects in the near future; UE status including: stationary or mobile, UE type (e.g., cell phone, IoT device, etc. ) , and UE positioning. UE positioning may include positioning factors, such as cell-free deployment, cell center deployment, or cell edge deployment. Further, in some aspects, the UE may use a threshold to determine whether the historical or future measurement results are stable or not. This threshold may be included in the criteria and may be configured by network 160. In one aspect, UE 195 collects measurement results and determines whether the measured frequencies and / or signals are stable or have potential large changes in a given time / window. Based on this stability, the UE 195 can determine based on the AI / ML prediction whether or not to proceed with skipped measurement objects in the future.

[0081] AI generally is a field of research in computer science that develops and studies methods and software that enable machines to perceive their environment and use learning and intelligence to take actions that maximize their chances of achieving defined goals, such as, making predictions, recommendations or decisions influencing real or virtual environments. In particular, AI is a set of technologies that enable computers to perform a variety of advanced functions, including the ability to see, understand and translate spoken and written language, analyze data, make recommendations, and many other functions. ML may be considered a field of study in AI concerned with the development and study of statistical algorithms that can learn from data and generalize to unseen data and thus perform tasks without explicit instructions. The term AI / ML prediction referred to herein may be any type of AI and / or ML related techniques, processes, algorithms, etc., that may be utilized in prediction to achieve the described functions. In other aspects, prediction techniques that are not AI and / or ML related may be utilized to achieve the described functions.

[0082] Examples of how an AI / ML model may be trained, including the types of data inputted and types of data outputted, may be associated with aspects related to flexible measurement object skipping. One implementation for training the AI / ML model for flexible measurement object skipping may include examples of input data for the AI / ML model including: measurement configuration provided by the network including measurement objects and cells to be measured; UE status: stationary or mobile; UE status: UE type; UE status: UE position in the cell; and thresholds for determining stability of historical and future measurements, as configured by the network.

[0083] In the example of training the AI / ML model for flexible measurement object skipping, examples of output data of the AI / ML model may include: list of measurement objects to be skipped by the UE (UE side model or network side model) ; measurement reconfiguration determined by the network (network side model) , including list of measurement objects that can be skipped by the UE; and determination of fallback to a measurement mode that does not involve prediction (UE side or network side model) .

[0084] Examples of how an AI / ML model may be trained including the types of data inputted and types of data outputted, may be associated with aspects related to adaptive measurement periodicity. One implementation for training the AI / ML model for adaptive measurement periodicity may include examples of input data for the AI / ML model including: measurement configuration provided by the network including measurement objects and beams and cells to be measured, and range of values of measurement periodicities; and UE status: UE position in the cell.

[0085] In the example of training the AI / ML model for adaptive measurement periodicity, examples of output data of the AI / ML model may include: predictions of rates of change of beam and cell measurements for the serving cell and the candidate cells; and value of measurement periodicity to be used (UE side model) .

[0086] FIG. 5 is a diagram illustrating an example of a process to skip future measurement objects, according to some aspects. In this process 500, at 510, UE 195 receives a measurement configuration from network 160. At block 515, UE 195 performs a measurement of a measurement object and processes historical measurement results. UE 195, at 520, reports the measurement results to network 160 for processing by network 160. Based on this, at 530, network 160 performs measurement result processing. At 535, UE 195 may request to skip one future measurement object or a set of a future measurement objects. In particular UE 195, based on receiving measurement objects during the measurement window from the network 160, in which the measurement objects may include frequency and signal information, may process the measurement objects and determine a future measurement object or a set of future measurement objects in future measurement window (s) for which to skip processing based on an AI / ML prediction. Based on this determination, UE 195, at 535, may request allowance from the network 160 to skip the future measurement object or the set of future measurement objects. Based on this, at 540, network 160 may inform UE 195 whether or not UE 195 is allowed to skip the requested future measurement object or set of future measurement objects. If allowed, at block 545, UE 195 may skip measurement of the future measurement object or a set of future measurement objects. As will be described, in measuring the measurement objects, UE 195 may measure and track changes (e.g., rate of changes) in received signal levels –e.g., received signal received power (RSRP) , received signal received quality (RSRQ) , or Signal-to-Interference-plus-Noise Ratio (SINR) .

[0087] In the aspect where UE 195 determines future measurement objects in future measurement windows, the AI / ML prediction may be based on historical measurements of measurement objects, averaged historical measurements of measurement objects, rates of changes of historical measurements of measurement objects, or other types of analysis of historical measurements of measurement objects. Additionally, the AI / ML prediction may be based on the status of the UE 195 including whether the UE is stationary, whether the UE is mobile, or the type of device of the UE (e.g., a stationary IoT device or a mobile cell-phone device) . As an example, a stationary UE (e.g., a stationary IoT device) may not be required to measure all configured measurements objects, due to it being stationary, and may be suitable for skipping measurement objects base upon AI / ML prediction. Further, the UE 195 may report to network 160, which measurement objects are planned to be skipped. In some aspects, before the UE 195 skips the measurement object, the UE 195 may receive confirmation of the allowance to skip by the network 160.

[0088] In some aspects, the future measurement object or the set of future measurement objects to be skipped may be pre-configured, configured, or re-configured by network 160. For example, network 160 may configure UE 195 to switch to another measurement pattern with less measurement sampling points and / or longer intervals. For example, this may be based on whether reported results from the UE 195 are consistent or stable. In one aspect, network 160 may re-configure the UE 195 as to what measurement object or set of measurement objects to skip or may provide a dynamic indication to the UE 195 as to what measurement object or set of measurement objects to skip. In other aspects, network 160 may set up a timer for skipping future measurement objects and transmit to the UE 195 skipping instructions as to future measurement objects to skip based on the timer.

[0089] FIG. 6 is a diagram illustrating an example of a network entity 406 under the control of the network 160 transmitting measurement objects to a UE 195 (not shown in FIG. 6) , according to some aspects. As can be seen in FIG. 6, for illustrative purposes, during a window periodicity 610, the network entity 406 transmits measurement objects to the UE, in a measurement window 612. Network 160 (not shown in Fig. 6) defines the window periodicity period 610 and the measurement window 612. In particular, as part of the Radio Resource management (RRM) measurement framework, the network configures measurement objects for the UE associated with Synchronization Signal Blocks (SSBs) . As seen in this example, in FIG. 6, SSB #0, SSB #1, SSB #2, and SSB #3, are transmitted in each measurement window 612 to the UE. As an example, this may be part of a SSB Measurement Timing Configuration (SMTC) management window. As an example, network 160 may define the window periodicity and transmit the SSBs via the network entity 460 for UE 195 to measure.

[0090] As described herein, UE 195 may receive measurement objects (e.g., shown as SSBs) , during measurement windows 612 from network entity 406 (e.g., from the network 160) . As described herein, UE 195 may receive the measurement objects during a measurement window 612 from the network entity 406, in which the measurement objects may include frequency and signal information. UE 195 may process the measurement objects. As an example, processing a measurement object could involve storing the configuration associated with the measurement object in the memory of UE 195. UE 195 may measure and track changes (e.g., rate of changes) in received signal levels –e.g., received signal received power (RSRP) or received signal received quality (RSRQ) or Signal-to-Interference-plus-Noise Ratio (SINR) at UE 195. Further, UE 195 may determine a future measurement object in a future measurement window to skip processing of based on an AI / ML prediction. As examples shown in FIG. 6, UE 195 may determine to skip measurement objects 616 and 620 in corresponding measurement windows.

[0091] Therefore, in this example, as shown in FIG. 6, UE 195 may skip the measurement objects 616 and 620 in the corresponding measurement windows. As described herein, UE 195 may be allowed to skip the measurement objects if particular criteria set by network 160 are satisfied. The criteria may be defined and / or configured based on: average historical measurement results; rates of changes (e.g., fluctuation) of the historical measurement results; AI / ML prediction or inference on the trends of signal quality of measured objects in the near future; UE status including: stationary or mobile, UE type (e.g., cell phone, IoT device, etc. ) , and UE positioning. UE positioning may include positioning factors, such as: cell-free deployment, cell center deployment, or cell edge deployment. Further, a threshold to determine whether the historical or future measurement results are stable may be defined and included in the criteria and may be configured by the network. Based on this, UE 195 can determine whether to proceed with skipping measurement objects in measurement window.

[0092] Further, as can be seen in FIG. 6, in one aspect, UE 195 may make a prediction of the non-measurement objects 622 and 624 that are skipped. In one aspect, UE 195 may predict the signal quality of the non-measured objects 622 and 624 utilizing AI / ML prediction. Additional description of these functions are discussed elsewhere herein. In another aspect, if criteria are not met, such that predictions by UE 104 are unreliable, a fall back to the non-predicted mode 630 may be implemented. For example, the network 160 may not allow the UE 194 to continue performing AI / ML prediction and skipping of measurement objects. Additional description of these functions are discussed elsewhere herein.

[0093] Therefore, in one aspect, as illustrated in FIG. 6, UE 104 may determine future measurement objects 616, 620 in future measurement windows to skip processing of, based on AI / ML prediction. As has been described, this AI / ML prediction may be based on historical measurements of measurement objects, averaged historical measurements of measurement objects, rates of changes of historical measurements of measurement objects, or other types of analysis of historical measurements of measurement objects. Additionally, the AI / ML prediction may be based on the status of the UE 195, including whether the UE is stationary or mobile, or a type of device of the UE (e.g., cell phone, stationary IoT device, etc. ) . As an example, a stationary UE (e.g., a stationary IoT device) may not measure all configured measurements objects, due to it being stationary. Moreover, the AI / ML prediction UE positioning may include positioning factors, such as: cell-free deployment, cell center deployment, or cell edge deployment. As examples: if a cell phone has cell-free positioning deployment or is at a cell edge deployment, the UE may not be using AI / ML prediction significantly, as the UE is relying upon measurement objects to find a new cell; whereas if a cell phone has cell-free center deployment, the UE may not measure all configured measurements objects, due to it being at a centered deployment. Further, as has been described, UE 195 may report, to network 160, which measurement objects are planned to be skipped. As described herein, before the UE 195 skips the measurement object, the UE 195 may receive confirmation of the allowance to skip by the network 160.

[0094] FIG. 7 is a diagram illustrating an example of a process to predict signal quality of skipped non-measured objects by AI / ML prediction, according to some aspects. In this process 700, at 710, UE 195 receives a measurement configuration from network 160. As an example, network 160 configures UE 195 as to whether UE 195 is allowed to predict the signal quality of skipped non-measured objects. For example, the measurement configuration may be a pre-configured message to the UE or may be dynamic (e.g., L1 / L2 signaling) . At block 715, UE 195 performs a measurement of a measurement object and processes historical measurement results, as described herein. UE 195, at 720, reports the measurement results to network 160 for processing. Additionally, UE 195 indicates to the network 160 its capability as to whether it can calculate or infer the results of non-measured objects. At block 725, UE 195 determines to skip measurement objects utilizing AI / ML prediction, if conditions are satisfied, as described herein. At 730, UE 195 requests to skip one or more measurement objects and requests permission to perform a prediction of the signal quality of the skipped measurement objects. At 735, network 160 informs UE 195 whether it is allowed to skip one or more of the requested measurements object (s) , and whether UE 195 is allowed to predict the signal quality of the skipped measurement objects. At block 740, UE 195 predicts the signal quality of the non-measured objects based on AI / ML prediction. Similarly, at block 745, network 160 predicts the signal quality of the non-measured objects. At block 750, UE 195 reports the predicted signal quality results of the non-measured objects.

[0095] As previously described, whether UE 195 is allowed to predict the measurements of the skipped non-measured objects is based on the network configuration determined by network 160. Network 160 may indicate to UE 195 to fallback to operating without the use of the predictive or skipping aspects, as previously described, if the predicted results do not fulfill the previously described criteria. However, the described AI / ML prediction for non-measured objects performed at UE 195 is based on collected history results at the UE 195, which is beneficial in that the UE 195 may collect more accurate measurements compared to the network 160. As to the network 160 predicting the signal quality of the non-measured objects, the network 160 may have stronger computational capabilities compared to UE 195.

[0096] As described herein, e.g., at 710 of Fig. 7, network 160 provides a configuration to UE 195. In some aspects, network 160 configures measurement and non-measurement object patterns for UE 195, which may be associated with different intervals. As an example aspect, the configuration of measurement and non-measurement object patterns may consist of lists of measurement objects to be measured and those to be skipped, and different lists may be configured for the UE 195 for different intervals of time. For example:

[0097] Over time [0, T1] : Measured objects are frequencies f1, f2, and those that are not measured are f3, f4, f5.

[0098] Over time [T1, T2] : Measured objects are frequencies f1, f2, f3, and those that are not measured are f4, f5.

[0099] Further, network 160 may activate and / or deactivate non-measurement objects by L1 / L2 signaling.

[0100] In some aspects, if criteria is not met by the UE 195 (e.g., the prediction of non-measured objects by the UE 195 is unreliable) , network 160 may not allow UE 195 to proceed with predictions for non-measurements objects, and may instruct that the UE 195 fallback to a full measurement mode. In one example aspect, a full measurement mode may be a process, in which, the UE 195 does not perform predictions of measurements of any configured measurement objects or frequencies, but performs measurements of all of them. Various types of implementations of fallback modes are possible. As one example, implementation of the fallback mode may be timer based. In this example, network 160 may configure a timer to control how long UE 195 is allowed to perform prediction on the non-measurement objects. In another example, measurement objects may be determined in terms of a one-shot change or filtered change to decide if the fallback mode to full measurement should be implemented. The one-shot change refers to the case where the network 160 determines the non-measured objects based on predictions that use measurements of the measured objects. If the network 160 determines that the prediction of non-measured objects by the UE 195 is unreliable, based on this analysis, the UE 195 is commanded to fallback to full measurement mode. The filtered change refers to the case where the network 160 determines the non-measured objects based on predictions that use filtered measurements of the measured objects. If the network 160 determines that the prediction of non-measured objects by the UE 195 is unreliable, based on this analysis, the UE 195 is commanded to fallback to full measurement mode.

[0101] In some aspects, UE 195 may report a confidence level of a prediction. For example, UE 195 may indicate the confidence level together with the predicted measurement results. The confidence level may be based on the accuracy of the predicted results with the actual measured results of the measurement objects. For example, the confidence level may be dynamic. Additionally, UE 195 may provide assistance information (e.g., a semi-persistent confidence level) . UE 195 may report a confidence level of the measurement results and network 160 may reconfigure to the other measured objects if a low confidence level for the non-measured frequencies / signal is reported.

[0102] In some aspects, adaptive measurement periodicity may be utilized, e.g., to track changes (e.g., rate of changes) in received signal levels –e.g., received signal received power (RSRP) , received signal received quality (RSRQ) , or Signal-to-Interference-plus-Noise Ratio (SINR) at UE 195; which can then be used in predicting an impending radio link failure (RLF) or handover. It should be noted that if measurement periodicity is not set correctly, a cell change event (e.g., PCell change or PSCell change) may trigger a condition that may not be detected by UE 195 on time, potentially leading to RLF on the source cell. It should be noted that, as an example, for a high-speed UE 195, more frequent measurements may be needed. When such a UE 195 is at the cell-edge, UE 195 may miss detecting a handover event on time, resulting in source cell RLF.

[0103] FIG. 8 is a diagram illustrating an example of measured RSRP for a UE relative to distance from a cell center, according to some aspects. As shown in FIG. 8, the y-axis is measured RSRP for the UE as to the serving cell and the x-axis is the distance from the cell center for the serving cell. Serving cell line 802 shows the measured RSRP relative to the distance from the serving cell center. Candidate cell line 804 shows the measured RSRP versus distance from cell center for a candidate cell. As can be seen in FIG. 8, there is a measurement period 810 ( “measPeriod” in Fig. 8) during which the UE may undergo radio link failure (RLF) with the serving cell (based on distance from the center of the serving cell) and not being switched to another candidate cell. If the UE was switched to the candidate cell during this measurement period, RLF may be avoided.

[0104] In some aspects, network 160 may configure UE 195 with a range of measurement periodicities for each configured cell. Based on this, UE 195 may choose a measurement periodicity from the network configured range, for each configured cell. The configuration can be for the master cell group (MCG) and / or the secondary cell group (SCG) . As an example, the relevant parts of the measurement configuration of each cell group may be as follows: measurement objects (e.g., frequencies) of the serving cells and neighboring cells (e.g., candidate cells for handover or PSCell change) ; synchronization signal block measurement timing configuration (SMTC) for each frequency (including SMTC periodicity, offset, and duration (window) ) ; measurement gap length; and measurement gap repetition period. As described herein, in some aspects, based on the averaging of historical measurements of measurement objects or the determining rates of changes of historical measurements of measurement objects, UE 195 may be configured to increase or decrease a measurement periodicity. Also, as described herein, UE 195 may request network 106 to increase or decrease the measurement periodicity.

[0105] When utilizing AI / ML based cell measurement prediction by the UE 195, a value of the measurement periodicity may be chosen such that the prediction accuracy requirements for beam and cell measurements in source and candidate cells are satisfied. This may include the ability to track changes in the received signal levels (RSRP, SINR) , e.g., the rate of change. As an example implementation, from available history of beam and cell measurements, UE 195 may predict the rate of change of beam and cell measurements for some time into the future. UE 195 may then increase or decrease the measurement periodicity if the predicted rate of change of cell measurements, e.g., RSRP, increases or decreases. UE 195 may then increase or decrease the measurement periodicity from within the range of network configured periodicities. Upon choosing a value of the measurement periodicity, UE 195 may inform network 160, along with any related performance key performance indicators (KPIs) , e.g., prediction accuracy of beam and cell measurements. UE 195 may then request a periodicity configuration from the network if it determines that the configured range is not enough, i.e., it is not able to meet the prediction accuracy requirements. Further, UE 195 may provide assistance information in the request, e.g., predictions of the rate of change of cell measurements. Network 160 may then reconfigure UE 195. In particular, network 160 may reconfigure UE with a different measurement period.

[0106] As an example implementation, as shown with reference to FIG. 8, based on the previously described methodology, UE 195 may utilize an AI / ML based cell measurement prediction, as described herein, to choose a measurement periodicity, in which, the prediction accuracy requirements for beam and cell measurements in source and candidate cells are satisfied. As an example, UE 195 may predict an increased or decreased measurement periodicity and may request that network 160 reconfigure UE 195 with the different measurement periods for the cells. Based on this, as shown in FIG. 8, UE 195 may request a measurement period from serving cell 802 and candidate cell 804 that avoids period 810, where the RLF from serving cell 802 occurs, such that UE successfully hands over to the candidate cell 804. Therefore, if UE 195 is moving close to a cell edge at a high speed away from the cell center, by decreasing the measurement periodicity from the source and candidate cells, period 810 is avoided, no RLF occurs from serving cell 802, and UE 195 is successfully handed over to candidate cell 804.

[0107] As has been described, in the 5G NR radio resource management (RRM) measurement framework, the network configures measurement objects, measurement gaps, and measurement report configurations for the UE. Based on this, the UE follows the configured measurement period and duration associated with the measurement objects to complete the measurements and deliver the measurement report to the network. However, requiring the UE to measure every measurement object on each occasion is burdensome especially when the differences of recent measurement results may be quite small. This also requires a significant amount of power usage by the UE.

[0108] If the UE was provided with more flexibility to skip some measurement occasions in order not to measure the measurement objects and / or to predict the results of the skipped measurement objects by artificial intelligence / machine learning (AI / ML) solutions, it may: be beneficial for UE power saving; reduce data interruption due to the gaps caused by measurements; and result in less measurement results reporting, which is also beneficial for decreasing uplink interferences. For example, less measurement result reporting may be beneficial for decreasing uplink interferences and may be especially beneficial in massive Internet of Things (IoT) scenarios.

[0109] Various aspects described hereafter may relate to implementations and enhancements including: determination of measurement object skipping by the UE based on AI / ML predictions; UE indication to the network on the measurement objects skipped; and AI / ML based UE and / or network predictions on the skipped measurement objects. As described hereafter, various aspects relate to skipping measurement objects based on prediction analysis in wireless communication. For example, the UE may measure the measurement objects and may skip processing of a future measurement object in a future measurement window based on an artificial intelligence / machine learning (AI / ML) prediction. Further, based on an available history of beam and cell measurements of measurement objects, the UE may determine AI / ML based predictions of rates of changes of beam and cell measurements of measurement objects related to serving and candidate cells in a future window of time and increase or decrease measurement periodicity if the predictions of the rates of changes of beam and cell measurements in the future window of time, increase or decrease, respectively. Additionally, the UE may: increase or decrease the measurement periodicity by selecting from within a range of measurement periodicities configured by the network, transmit to the network the selected measurement periodicity, and transmit to the network a request for a value of the measurement periodicity, if the range of measurement periodicities configured by the network is determined not to be able to meet AI / ML measurement prediction accuracy requirements. This type of adaptive measurement periodicity to track changes in received signals at the UE can be beneficially utilized in predicting an impending radio link failure (RLF) or handover for the UE.

[0110] As to measurement objects, these are typically the entities on which the UE performs measurements. Measurement objects may vary by the type of measurement, such as intra-frequency, inter-frequency, and inter-RAT (Radio Access Technology) , and include details like frequency / time location, cell-specific offsets. The object ID links the measurement object to each serving cell. As to measurement reporting configurations, these typically define how the UE reports measurements and may include the triggering criteria, the reference signal (RS) type used for measurements, and the reporting format. As to measurement gaps, measurement gaps are typically the time periods that the UE can utilize to perform the specified measurements.

[0111] As has been described, when the UE is provided with more flexibility to skip some measurement occasions in order not to measure the objects and / or to predict the results of the skipped measurement objects by artificial intelligence / machine learning (AI / ML) solutions, it may: be beneficial for UE power saving; reduce data interruption due to the gaps caused by measurements; result in less measurement results reporting, which is also beneficial for decreasing uplink interferences. For example, less measurement result reporting may be beneficial for decreasing uplink interferences and may be especially beneficial in massive (Internet of Things) IoT scenarios.

[0112] Various implementation and enhancement aspects related to: 1) Determination of measurement object skipping by the UE based on AI / ML predictions; UE indication to the network entity on the measurement objects skipped; and AI / ML based UE side / network side prediction on the skipped measurement objects; have been described.

[0113] FIG. 9 is a block diagram illustrating an example of a hardware implementation for a UE 900 to implement skipping measurement objects based on prediction analysis in wireless communication according to some aspects. For example, UE 900 may correspond to any of the UE devices shown and described above in reference to FIGs. 1 and 4-8. As a particular example, UE may correspond to UE 195 previously described in detail.

[0114] In accordance with various aspects of the disclosure, an element, or any portion of an element, or any combination of elements may be implemented with a processing system 902 that includes one or more processors 904. The processing system 902 may include a processor 904, a memory 906, a transceiver 912, a bus interface 914, and a bus 915.

[0115] UE 900 may be implemented with the processing system 902 that includes the one or more processors 904. Examples of processors 904 include microprocessors, microcontrollers, digital signal processors (DSPs) , field programmable gate arrays (FPGAs) , programmable logic devices (PLDs) , state machines, gated logic, discrete hardware circuits, and other suitable hardware configured to perform the various functionality described throughout this disclosure. In various examples, UE 900 may be configured to perform any one or more of the functions described herein. That is, processor may be used to implement any one or more of the processes and procedures previously described or to be described hereafter.

[0116] Processor 904 may in some instances be implemented via a baseband or modem chip and in other implementations, processor 904 may include a number of devices distinct and different from a baseband or modem chip (e.g., in such scenarios as may work in concert to achieve examples discussed herein) . And as mentioned above, various hardware arrangements and components outside of a baseband modem processor can be used in implementations, including RF-chains, power amplifiers, modulators, buffers, interleavers, adders / summers, etc.

[0117] In this example, processing system 902 may be implemented with a bus architecture, represented generally by bus 915. The bus 915 may include any number of interconnecting buses and bridges depending on the specific application of the processing system 902 and the overall design constraints. The bus 915 links together various circuits including one or more processors (represented generally by the processor 904) and memory 906. Bus 915 may also link various other circuits such as timing sources, peripherals, voltage regulators, and power management circuits, which are well known in the art, and therefore, will not be described any further. A bus interface 914 provides an interface between the bus 914 and at least one antenna 910 via transceiver 912. The antenna 910 provides a means for communicating with various other apparatus over a transmission medium (e.g., air interface) , as previously described. As has been described in detail UE 900 may be in communication via a network entity with a network 160.

[0118] Processor 904 is responsible for managing the bus 915 and general processing, including the execution of software (e.g., stored in memory 906 (e.g., computer-readable medium) ) . Software shall be construed broadly to mean instructions, instruction sets, code, code segments, program code, programs, subprograms, software modules, applications, software applications, software packages, routines, subroutines, objects, executables, threads of execution, procedures, functions, etc., whether referred to as software, firmware, middleware, microcode, hardware description language, or otherwise. The software, when executed by processor 904, causes the processing system 902 to perform the various functions previously described and described below for any particular apparatus. Memory 906 may also be used for storing data that is utilized by the processor 904 when executing software.

[0119] The memory 906 may include random access memory (RAM) and read-only memory (ROM) . The memory 906 may store computer-readable, computer-executable code including instructions that, when executed by the processor 904, cause UE 900 to perform various functions described herein. The code may be stored in a non-transitory computer-readable medium such as memory 906 or another type of memory. In some cases, the code may not be directly executable by the processor 904 but may cause a computer (e.g., when compiled and executed) to perform functions described herein. In some cases, the memory may contain, among other things, a basic I / O system (BIOS) which may control basic hardware or software operation such as the interaction with peripheral components or devices.

[0120] The computer-readable medium may be a non-transitory computer-readable medium. A non-transitory computer-readable medium includes, by way of example, a magnetic storage device (e.g., hard disk, floppy disk, magnetic strip) , an optical disk (e.g., a compact disc (CD) or a digital versatile disc (DVD) ) , a smart card, a flash memory device (e.g., a card, a stick, or a key drive) , a random access memory (RAM) , a read only memory (ROM) , a programmable ROM (PROM) , an erasable PROM (EPROM) , an electrically erasable PROM (EEPROM) , a register, a removable disk, and any other suitable medium for storing software and / or instructions that may be accessed and read by a computer. The computer-readable medium may reside in the processing system 902, external to the processing system 902, or distributed across multiple entities including the processing system 902. The computer-readable medium may be embodied in a computer program product. By way of example, a computer program product may include a computer-readable medium in packaging materials. In some examples, the computer-readable medium may be part of the memory 906. Those skilled in the art will recognize how best to implement the described functionality presented throughout this disclosure depending on the particular application and the overall design constraints imposed on the overall system.

[0121] The processor 904, as utilized in UE 900, may be used to implement any one or more of the processes described herein. In some examples, memory 906 may store data that may be utilized by the processor 904 when executing software.

[0122] In some aspects of the disclosure, the processor 904 may include circuitry configured for various functions. For example, the processor 904 may include communication and processing circuitry 905 configured to communicate with a network entity (e.g., an aggregated or disaggregated base station, such as a gNB or eNB) . In some examples, the communication and processing circuitry 905 may include one or more hardware components that provide the physical structure that performs processes related to wireless communication (e.g., signal reception and / or signal transmission) and signal processing (e.g., processing a received signal and / or processing a signal for transmission) . In some examples, the communication and processing circuitry 905 may include low complexity circuitry for baseband or near-baseband processing with minimal RF processing.

[0123] In some implementations where the communication involves receiving information, the communication and processing circuitry 905 may receive a downlink transmission from the antenna 910, process (e.g., demodulate / decode) the information, and output the processed information. For example, the communication and processing circuitry 905 may output the information to another component of the processor 904, to the memory 906, or to the bus interface 914. In some examples, the communication and processing circuitry 905 may receive one or more of signals, messages, other information, or any combination thereof. In some examples, the communication and processing circuitry 905 may receive information via one or more channels. In some examples, the communication and processing circuitry 905 may include functionality for a means for receiving. In some examples, the communication and processing circuitry 905 may include functionality for a means for processing, including a means for demodulating, a means for decoding, etc.

[0124] In some implementations where the communication involves sending (e.g., transmitting) information, the communication and processing circuitry 905 may obtain information (e.g., from another component of the processor 905, the memory 906, or the bus interface 915) , process (e.g., modulate, encode, etc. ) the information, and output the processed information. For example, the communication and processing circuitry 905 may output the information to the antenna 910 (e.g., that transmits the information via radio frequency signaling or some other type of signaling suitable for the applicable communication medium) . In some examples, the communication and processing circuitry 905 may send one or more of signals, messages, other information, or any combination thereof. In some examples, the communication and processing circuitry 905 may send information via one or more channels. In some examples, the communication and processing circuitry 905 may include functionality for a means for sending (e.g., a means for transmitting) . In some examples, the communication and processing circuitry 905 may further be configured to execute communication and processing instructions 907 to implement one or more of the functions described herein.

[0125] In one aspect, as has been described, UE 900 may receive measurement objects during a measurement window from network entity via downlink signals through antenna 910 and transceiver 912. UE under the control of one or more processors 904 may receive the measurement objects during the measurement window from the network 160 through a network entity, in which, the measurement objects may include frequency and signal information. UE 900 under the control of the one or more processors 904 may measure the measurement objects. Further, UE 900 under the control of the one or more processors 904 may skip processing of a future measurement object in a future measurement window based on an artificial intelligence / machine learning (AI / ML) prediction. In one aspect, as has been described, UE 900 under the control of one processors 904 may be allowed to skip the measurement objects if particular criteria are satisfied. The criteria may be defined and / or configured based on: average historical measurement results; rates of changes (e.g., fluctuation) of the historical measurement results; AI / ML prediction or inference on the trends of signal quality of measured objects in the near future; UE status including: stationary or mobile, UE type (e.g., cell phone, IoT device, etc. ) , and UE positioning. UE positioning may include positioning factors, such as: cell-free deployment, cell center deployment, or cell edge deployment.

[0126] In one aspect, as has been described, UE 900 under the control of one or more processors 904 may: receive measurement objects during a measurement window from a network, the measurement objects may include frequency and signal information; measure the measurement objects; and skip processing of a future measurement object in a future measurement window based on an artificial intelligence / machine learning (AI / ML) prediction. In one example, the AI / ML prediction may be based on at least one of averaged historical measurements of measurement objects or rates of changes of historical measurements of measurement objects. In one example, the AI / ML prediction may include predicting trends of signal quality of the future measurement object in the future measurement window based on the averaged historical measurements of measurement objects or the rates of changes of historical measurements of measurement objects. In one example, the AI / ML prediction is based on whether the predicted future measurement object meets a stability criteria, in which, the stability criteria is defined by the network. Examples of the previously described implementations can be seen with reference to the previous descriptions of at least Figures 4-8.

[0127] In one example, the AI / ML prediction may be based on the status of the UE, the status of the UE including at least one of: whether the UE is stationary or mobile, or a type of device of the UE. In one example, the AI / ML prediction may be based on the positioning of the UE, the positioning of the UE may include at least one of: the UE being in cell-free deployment, the UE being near a cell center, or the UE being near a cell edge. In one example, the one or more processors 904 may further: command the transmission of a request to a network to skip the future measurement object in the future measurement window. Further, in one example, the one or more processors 904 may further: receive an allowance to skip the future measurement object in the future measurement window from the network; and proceed to skip the future measurement object in the future measurement window from the network. In one example, the one or more processors 904 may further: receive an allowance to skip the future measurement object in the future measurement window from the network; and proceed to skip the future measurement object in the future measurement window from the network. In one example, the one or more processors 904 may, based on an available history of beam and cell measurements of measurement objects, further: predict rates of changes of beam and cell measurements of measurement objects related to serving and candidate cells in a future window of time; and increase or decrease the measurement periodicity if the predictions of the rates of changes of beam and cell measurements in the future window of time increase or decrease, respectively. In one example, the one or more processors 904 may further: increase or decrease the measurement periodicity by selecting from within a range of measurement periodicities configured by the network; transmit to the network the selected measurement periodicity; and transmit to the network a request for values of the measurement periodicity, if the range of measurement periodicities configured by the network does not meet AI / ML measurement prediction accuracy requirements

[0128] Also, in one example, based on the averaged historical measurements of measurement objects or the rates of changes of historical measurements of measurement objects, the one or more processors 904 may increase or decrease a measurement periodicity. The one or more processors 904 may also command the transmission to the network of a request to increase or decrease the measurement periodicity. Examples of the previously described implementations can be seen with reference to the previous descriptions of at least Figures 4-8.

[0129] FIG. 10 is a flow chart of an example process 1000 for determining a future measurement object in a future measurement window to skip processing of according to some aspects. As described below, some or all illustrated features may be omitted in a particular implementation within the scope of the present disclosure, and some illustrated features may not be required for implementation of all examples. In some example, the method may be performed by UE 900, as described above and illustrated in FIG. 9, by a processor or processing system, or by any suitable means for carrying out the described functions.

[0130] At block 1002, the UE may receive measurement objects during a measurement window from a network, where the measurement objects include frequency and signal information. At block, 1004 the UE may measure the measurement objects. At block 1006, the UE may skip processing of a future measurement object in a future measurement window based on an artificial intelligence / machine learning (AI / ML) prediction.

[0131] In one example, the AI / ML prediction may be based on at least one of averaged historical measurements of measurement objects or rates of changes of historical measurements of measurement objects. In one example, the AI / ML prediction may include predicting trends of signal quality of the future measurement object in the future measurement window based on the averaged historical measurements of measurement objects or the rates of changes of historical measurements of measurement objects. In one example, the AI / ML prediction is based on whether the predicted future measurement object meets a stability criteria, in which, the stability criteria may be defined by the network. In one example, the AI / ML prediction may be based on the status of the UE, the status of the UE including at least one of: whether the UE is stationary or mobile, or a type of device of the UE. In one example, the AI / ML prediction is based on the positioning of the UE, the positioning of the UE including: the UE being in cell-free deployment, the UE being near a cell center, or the UE being near a cell edge. In one example, the process 1000 may include commanding the transmission of a request to a network to skip the future measurement object in the future measurement window. Further, in one example, the process 1000 may further include: receiving an allowance to skip the future measurement object in the future measurement window from the network; and proceeding to skip the future measurement object in the future measurement window from the network. Examples of the previously described implementations can be seen with reference to the previous descriptions of at least Figures 1 and 4-8.

[0132] In one configuration, the UE (e.g., UE 900) includes: means for receiving measurement objects during a measurement window from a network, the measurement objects including frequency and signal information; means for measuring the measurement objects; and means for skipping processing of a future measurement object in a future measurement window based on an artificial intelligence / machine learning (AI / ML) prediction. In one aspect, the aforementioned means may include the processor 904 shown in FIG. 9 configured to perform the functions recited by the aforementioned means. In another aspect, the aforementioned means may include a circuit or any apparatus configured to perform the functions recited by the aforementioned means.

[0133] Of course, in the above examples, the circuitry included in the processor 904 is merely provided as an example, and other means for carrying out the described functions may be included within various aspects of the present disclosure, including but not limited to the instructions stored in computer-readable storage medium in memory or other locations, or any other suitable apparatus or means described in any one of the FIGs. 1, and 4–9, utilizing, for example, the processes and / or algorithms described herein in relation to FIG. 10.

[0134] FIG. 11 is a block diagram illustrating an example of a hardware implementation for an example network computer system (e.g., a core network 160 computer system from FIG. 1) , according to some aspects. The example network computer system 1100 may include a processing system 1102 that includes one or more processors 1104. The processing system 1102 may be similar to the processing system 902 illustrated in FIG. 9, including a bus interface 1112, a bus 1115, memory 1106, and one or more processors 1104. Further, the network computer system 1100 may include an optional user interface 1110 and a communication interface 1108. The network computer system 1100 may be a suitable computer system to implement functions for a network. The one or more processors 1104, as utilized in a network computer system 1100, may be used to implement any one or more of the processes of the network previously described herein. As will be briefly described, the network computer system may be implemented by a network (e.g., core network 160 from FIG. 1) to implement the previously described features of the network.

[0135] For example, network computer system 1100 of the network 160 may command the transmission of measurement objects during a measurement window to the UE 900, in which, the measurement objects may include frequency and signal information, such that, the UE can measure the measurement objects and skip processing of a future measurement object in a future measurement window based on the AI / ML prediction. In one example, network computer system may transmit a stability criterion to the UE and to be utilized by the UE in order to determine if the future measurement object in the future measurement window should be skipped based on the AI / ML prediction if it meets the stability criteria determined by the network. In one example, the network computer system: receives a request from the UE to skip the future measurement object in the future measurement window and allows or disallows the UE request to skip the future measurement object. The network computer system commands the transmission of the allowance or disallowance to the UE. Additionally, the network computer system may also receive a request to increase or decrease the window periodicity from the UE, may approve or disapprove the request, and if approved, may reconfigure the UE to the increased window periodicity. Examples of the previously described implementations can be seen with reference to the previous descriptions of at least Figures 1 and 4-10.

[0136] Of course, in the above examples, the previous implementation by the processor of the network computer system is merely provided as an example, and other means for carrying out the described functions may be included within various aspects of the present disclosure, including but not limited to instructions stored in computer-readable storage medium, or any other suitable apparatus or means described in any one of the FIGs. Figures 1 and 4-10 utilizing the previously described processes.

[0137] The processes previously described may include additional aspects, such as any single aspect or any combination of aspects described below and / or in connection with one or more other processes described elsewhere herein.

[0138] Aspect 1: A user equipment (UE) , comprising: one or more memories; and one or more processors coupled to the one or more memories, wherein the one or more processors are configured to: receive measurement objects during a measurement window from a network, the measurement objects including frequency and signal information; measure the measurement objects; and skip processing of a future measurement object in a future measurement window based on an artificial intelligence / machine learning (AI / ML) prediction.

[0139] Aspect 2: The UE of aspect 1, wherein the AI / ML prediction is based on at least one of averaged historical measurements of measurement objects or rates of changes of historical measurements of measurement objects.

[0140] Aspect 3: The UE of aspect 2, wherein the AI / ML prediction includes predicting trends of signal quality of the future measurement object in the future measurement window based on the averaged historical measurements of measurement objects or the rates of changes of historical measurements of measurement objects.

[0141] Aspect 4: The UE of any aspects 1 through 3, wherein the AI / ML prediction is based on whether the predicted future measurement object meets a stability criteria, wherein the stability criteria is defined by the network.

[0142] Aspect 5: The UE of any aspects 1 through 4, wherein the AI / ML prediction is based on a status of the UE, the status of the UE including at least one of: whether the UE is stationary or mobile, or a type of device of the UE.

[0143] Aspect 6: The UE of any aspects 1 through 5, wherein the AI / ML prediction is based on the positioning of the UE, the positioning of the UE including: the UE being in cell-free deployment, the UE being near a cell center, or the UE being near a cell edge.

[0144] Aspect 7: The UE of any aspects 1 through 6, wherein, the one or more processors are further configured to: command transmission of a request to the network to skip the future measurement object in the future measurement window.

[0145] Aspect 8: The UE of aspect 7, wherein, the one or more processors are further configured to: receive an allowance to skip the future measurement object in the future measurement window from the network; and proceed to skip the future measurement object in the future measurement window from the network.

[0146] Aspect 9: The UE of any aspects 1 through 8, wherein based on an available history of beam and cell measurements of measurement objects, the one or more processors are further configured to: predict rates of changes of beam and cell measurements of measurement objects related to serving and candidate cells in a future window of time; and increase or decrease the measurement periodicity if the predictions of the rates of changes of beam and cell measurements in the future window of time increase or decrease, respectively.

[0147] Aspect 10: The UE of aspect 9, wherein, the one of more processors are further configured to: increase or decrease the measurement periodicity by selecting from within a range of measurement periodicities configured by the network; transmit to the network the selected measurement periodicity; and transmit to the network a request for values of the measurement periodicity, if the range of measurement periodicities configured by the network is does not meet AI / ML measurement prediction accuracy requirements.

[0148] Aspect 11: A method for wireless communications at a user equipment (UE) , the method comprising: receiving measurement objects during a measurement window from a network, the measurement objects including frequency and signal information; measuring the measurement objects; and skipping processing of a future measurement object in a future measurement window based on an artificial intelligence / machine learning (AI / ML) prediction.

[0149] Aspect 12: The method of aspect 11, wherein the AI / ML prediction is based on at least one of averaged historical measurements of measurement objects or rates of changes of historical measurements of measurement objects.

[0150] Aspect 13: The method of aspect 12, wherein the AI / ML prediction includes predicting trends of signal quality of the future measurement object in the future measurement window based on the averaged historical measurements of measurement objects or the rates of changes of historical measurements of measurement objects.

[0151] Aspect 14: The method of any aspects 11 through 13, wherein the AI / ML prediction is based on a status of the UE, the status of the UE including at least one of: whether the UE is stationary or mobile, or a type of device of the UE.

[0152] Aspect 15: The method of any aspects 11 through 14, wherein the AI / ML prediction is based on positioning of the UE, the positioning of the UE including at least one of: the UE being in cell-free deployment, the UE being near a cell center, or the UE being near a cell edge.

[0153] Aspect 16: The method of any aspects 11 through 15, further comprising: commanding transmission of a request to the network to skip the future measurement object in the future measurement window.

[0154] Aspect 17: The method of aspect 16, further comprising: receiving an allowance to skip the future measurement object in the future measurement window from the network; and proceeding to skip the future measurement object in the future measurement window from the network.

[0155] Aspect 18: A user equipment (UE) , comprising: means for receiving measurement objects during a measurement window from a network, the measurement objects including frequency and signal information; means for measuring the measurement objects; and means for skipping processing of a future measurement object in a future measurement window based on an artificial intelligence / machine learning (AI / ML) prediction.

[0156] Aspect 19: The UE of aspect 18, wherein the AI / ML prediction is based on at least one of averaged historical measurements of measurement objects or rates of changes of historical measurements of measurement objects.

[0157] Aspect 20: The UE of aspect 19, wherein the AI / ML prediction includes predicting trends of signal quality of the future measurement object in the future measurement window based on the averaged historical measurements of measurement objects or the rates of changes of historical measurements of measurement objects.

[0158] Several aspects of a wireless communication network have been presented with reference to an exemplary implementation. As those skilled in the art will readily appreciate, various aspects described throughout this disclosure may be extended to other telecommunication systems, network architectures and communication standards.

[0159] By way of example, various aspects may be implemented within other systems defined by 3GPP, such as Long-Term Evolution (LTE) , the Evolved Packet System (EPS) , the Universal Mobile Telecommunication System (UMTS) , and / or the Global System for Mobile (GSM) . Various aspects may also be extended to systems defined by the 3rd Generation Partnership Project 2 (3GPP2) , such as CDMA2000 and / or Evolution-Data Optimized (EV-DO) . Other examples may be implemented within systems employing IEEE 802.11 (Wi-Fi) , IEEE 802.16 (WiMAX) , IEEE 802.20, Ultra-Wideband (UWB) , Bluetooth, and / or other suitable systems. The actual telecommunication standard, network architecture, and / or communication standard employed will depend on the specific application and the overall design constraints imposed on the system.

[0160] Within the present disclosure, the word “exemplary” is used to mean “serving as an example, instance, or illustration. ” Any implementation or aspect described herein as “exemplary” is not necessarily to be construed as preferred or advantageous over other aspects of the disclosure. Likewise, the term “aspects” does not require that all aspects of the disclosure include the discussed feature, advantage or mode of operation. The term “coupled” is used herein to refer to the direct or indirect coupling between two objects. For example, if object A physically touches object B, and object B touches object C, then objects A and C may still be considered coupled to one another-even if they do not directly physically touch each other. For instance, a first object may be coupled to a second object even though the first object is never directly physically in contact with the second object. The terms “circuit” and “circuitry” are used broadly, and intended to include both hardware implementations of electrical devices and conductors that, when connected and configured, enable the performance of the functions described in the present disclosure, without limitation as to the type of electronic circuits, as well as software implementations of information and instructions that, when executed by a processor, enable the performance of the functions described in the present disclosure.

[0161] One or more of the components, steps, features and / or functions illustrated in FIGs. 1–11 may be rearranged and / or combined into a single component, step, feature or function or embodied in several components, steps, or functions. Additional elements, components, steps, and / or functions may also be added without departing from novel features disclosed herein. The apparatus, devices, and / or components illustrated in FIGs. 1–11 may be configured to perform one or more of the methods, features, or steps described herein. The novel algorithms described herein may also be efficiently implemented in software and / or embedded in hardware.

[0162] It is to be understood that the specific order or hierarchy of steps in the methods disclosed is an illustration of exemplary processes. Based on design preferences, it is understood that the specific order or hierarchy of steps in the methods may be rearranged. The accompanying method claims present elements of the various steps in a sample order and are not meant to be limited to the specific order or hierarchy presented unless specifically recited therein.

[0163] As used herein, “based on” is intended to be interpreted in the inclusive sense, unless otherwise explicitly indicated. For example, “based on” may be used interchangeably with “based at least in part on, ” “associated with, ” “in association with, ” or “in accordance with” unless otherwise explicitly indicated. Specifically, unless a phrase refers to “based on only ‘a, ’ ” or the equivalent in context, whatever it is that is “based on ‘a, ’ ” or “based at least in part on ‘a, ’ ” may be based on “a” alone or based on a combination of “a” and one or more other factors, conditions, or information.

[0164] The previous description is provided to enable any person skilled in the art to practice the various aspects described herein. Various modifications to these aspects will be readily apparent to those skilled in the art, and the generic principles defined herein may be applied to other aspects. Thus, the claims are not intended to be limited to the aspects shown herein, but are to be accorded the full scope consistent with the language of the claims, wherein reference to an element in the singular is not intended to mean “one and only one” unless specifically so stated, but rather “one or more. ” Unless specifically stated otherwise, the term “some” refers to one or more. A phrase referring to “at least one of” a list of items refers to any combination of those items, including single members. As an example, “at least one of: a, b, or c” is intended to cover: a; b; c; a and b; a and c; b and c; and a, b, and c. All structural and functional equivalents to the elements of the various aspects described throughout this disclosure that are known or later come to be known to those of ordinary skill in the art are expressly incorporated herein by reference and are intended to be encompassed by the claims. Moreover, nothing disclosed herein is intended to be dedicated to the public regardless of whether such disclosure is explicitly recited in the claims.

Claims

1.A user equipment (UE) , comprising:one or more memories; andone or more processors coupled to the one or more memories, wherein the one or more processors are configured to:receive measurement objects during a measurement window from a network, the measurement objects including frequency and signal information;measure the measurement objects; andskip processing of a future measurement object in a future measurement window based on an artificial intelligence / machine learning (AI / ML) prediction.2.The UE of claim 1, wherein the AI / ML prediction is based on at least one of averaged historical measurements of measurement objects or rates of changes of historical measurements of measurement objects.3.The UE of claim 2, wherein the AI / ML prediction includes predicting trends of signal quality of the future measurement object in the future measurement window based on the averaged historical measurements of measurement objects or the rates of changes of historical measurements of measurement objects.4.The UE of claim 2, wherein the AI / ML prediction is based on whether the predicted future measurement object meets a stability criteria, wherein the stability criteria is defined by the network.5.The UE of claim 1, wherein the AI / ML prediction is based on a status of the UE, the status of the UE including at least one of: whether the UE is stationary or mobile, or a type of device of the UE.6.The UE of claim 1, wherein the AI / ML prediction is based on the positioning of the UE, the positioning of the UE including: the UE being in cell-free deployment, the UE being near a cell center, or the UE being near a cell edge.7.The UE of claim 1, wherein the one or more processors are further configured to:command transmission of a request to the network to skip the future measurement object in the future measurement window.8.The UE of claim 7, wherein the one or more processors are further configured to:receive an allowance to skip the future measurement object in the future measurement window from the network; andproceed to skip the future measurement object in the future measurement window from the network.9.The UE of claim 1, wherein based on an available history of beam and cell measurements of measurement objects, the one or more processors are further configured to:predict rates of changes of beam and cell measurements of measurement objects related to serving and candidate cells in a future window of time; andincrease or decrease the measurement periodicity if the predictions of the rates of changes of beam and cell measurements in the future window of time increase or decrease, respectively.10.The UE of claim 9, wherein the one of more processors are further configured to:increase or decrease the measurement periodicity by selecting from within a range of measurement periodicities configured by the network;transmit to the network the selected measurement periodicity; andtransmit to the network a request for values of the measurement periodicity, if the range of measurement periodicities configured by the network does not meet AI / ML measurement prediction accuracy requirements.11.A method for wireless communications at a user equipment (UE) , the method comprising:receiving measurement objects during a measurement window from a network, the measurement objects including frequency and signal information;measuring the measurement objects; andskipping processing of a future measurement object in a future measurement window based on an artificial intelligence / machine learning (AI / ML) prediction.12.The method of claim 11, wherein the AI / ML prediction is based on at least one of averaged historical measurements of measurement objects or rates of changes of historical measurements of measurement objects.13.The method of claim 12, wherein the AI / ML prediction includes predicting trends of signal quality of the future measurement object in the future measurement window based on the averaged historical measurements of measurement objects or the rates of changes of historical measurements of measurement objects.14.The method of claim 11, wherein the AI / ML prediction is based on a status of the UE, the status of the UE including at least one of: whether the UE is stationary or mobile, or a type of device of the UE.15.The method of claim 11, wherein the AI / ML prediction is based on positioning of the UE, the positioning of the UE including: the UE being in cell-free deployment, the UE being near a cell center, or the UE being near a cell edge.16.The method of claim 11, further comprising:commanding transmission of a request to the network to skip the future measurement object in the future measurement window.17.The method of claim 16, further comprising:receiving an allowance to skip the future measurement object in the future measurement window from the network; andproceeding to skip the future measurement object in the future measurement window from the network.18.A user equipment (UE) , comprising:means for receiving measurement objects during a measurement window from a network, the measurement objects including frequency and signal information;means for measuring the measurement objects; andmeans for skipping processing of a future measurement object in a future measurement window based on an artificial intelligence / machine learning (AI / ML) prediction.19.The UE of claim 18, wherein the AI / ML prediction is based on at least one of averaged historical measurements of measurement objects or rates of changes of historical measurements of measurement objects.20.The UE of claim 19, wherein the AI / ML prediction includes predicting trends of signal quality of the future measurement object in the future measurement window based on the averaged historical measurements of measurement objects or the rates of changes of historical measurements of measurement objects.

Images