Beam failure detection (BFD), radio link failure (RLF) prediction report configuration, and subsequent actions by user equipment (UE)

Abstract

A method for wireless communication by a user equipment (UE) includes receiving a failure prediction configuration. The method also includes predicting a beam failure detection (BFD) or radio link failure (RLF) in accordance with the failure prediction configuration. The method further includes transmitting a failure prediction report based on the failure prediction configuration. The method also includes performing a wireless procedure based on the failure prediction report.

Description

BEAM FAILURE DETECTION (BFD) , RADIO LINK FAILURE (RLF) PREDICTION REPORT CONFIGURATION, AND SUBSEQUENT ACTIONS BY USER EQUIPMENT (UE)

[0001] FIELD OF THE DISCLOSURE

[0002] The present disclosure relates generally to wireless communications, and more specifically to a configuration for a beam failure detection (BFD) and / or radio link failure (RLF) prediction report, as well as subsequent actions by a user equipment (UE) .BACKGROUND

[0003] Wireless communications systems are widely deployed to provide various telecommunications services such as telephony, video, data, messaging, and broadcasts. Typical wireless communications systems may employ multiple-access technologies capable of supporting communications with multiple users by sharing available system resources (e.g., bandwidth, transmit power, and / or the like) . Examples of such multiple-access technologies include code division multiple access (CDMA) systems, time division multiple access (TDMA) systems, frequency-division multiple access (FDMA) systems, orthogonal frequency-division multiple access (OFDMA) systems, single-carrier frequency-division multiple access (SC-FDMA) systems, time division synchronous code division multiple access (TD-SCDMA) systems, and long term evolution (LTE) . LTE / LTE-Advanced is a set of enhancements to the universal mobile telecommunications system (UMTS) mobile standard promulgated by the Third Generation Partnership Project (3GPP) . Narrowband (NB) -Internet of things (IoT) and enhanced machine-type communications (eMTC) are a set of enhancements to LTE for machine type communications.

[0004] A wireless communications network may include a number of base stations (BSs) that can support communications for a number of user equipment (UEs) . A user equipment (UE) may communicate with a base station (BS) via the downlink and uplink. The downlink (or forward link) refers to the communication link from the BS to the UE, and the uplink (or reverse link) refers to the communication link from the UE to the BS. As will be described in more detail, a BS may be referred to as a Node B, an  evolved Node B (eNB) , a gNB, an access point (AP) , a radio head, a transmit and receive point (TRP) , a new radio (NR) BS, a 5G Node B, and / or the like.

[0005] The above multiple access technologies have been adopted in various telecommunications standards to provide a common protocol that enables different user equipment to communicate on a municipal, national, regional, and even global level. New radio (NR) , which may also be referred to as 5G, is a set of enhancements to the LTE mobile standard promulgated by the Third Generation Partnership Project (3GPP) . NR is designed to better support mobile broadband Internet access by improving spectral efficiency, lowering costs, improving services, making use of new spectrum, and better integrating with other open standards using orthogonal frequency division multiplexing (OFDM) with a cyclic prefix (CP) (CP-OFDM) on the downlink (DL) , using CP-OFDM and / or SC-FDM (e.g., also known as discrete Fourier transform spread OFDM (DFT-s-OFDM) ) on the uplink (UL) , as well as supporting beamforming, multiple-input multiple-output (MIMO) antenna technology, and carrier aggregation.SUMMARY

[0006] In aspects of the present disclosure, a method for wireless communication by a user equipment (UE) includes receiving a failure prediction configuration. The method also includes predicting a beam failure detection (BFD) or radio link failure (RLF) in accordance with the failure prediction configuration. The method further includes transmitting a failure prediction report based on the failure prediction configuration. The method also includes performing a wireless procedure based on the failure prediction report.

[0007] Other aspects of the present disclosure are directed to an apparatus. The apparatus has one or more memories and one or more processors coupled to the memory. The processor (s) is configured to receive a failure prediction configuration. The processor (s) is also configured to predict a beam failure detection (BFD) or radio link failure (RLF) in accordance with the failure prediction configuration. The processor (s) is further configured to transmit a failure prediction report based on the failure prediction configuration. The processor (s) is also configured to perform a wireless procedure based on the failure prediction report.

[0008] In other aspects of the present disclosure, a non-transitory computer-readable medium with program code recorded thereon is disclosed. The program code is executed by a processor and includes program code to receive a failure prediction configuration. The program code also includes program code to predict a beam failure detection (BFD) or radio link failure (RLF) in accordance with the failure prediction configuration. The program code further includes program code to transmit a failure prediction report based on the failure prediction configuration. The program code also includes program code to perform a wireless procedure based on the failure prediction report.

[0009] Aspects generally include a method, apparatus, system, computer program product, non-transitory computer-readable medium, user equipment, base station, wireless communication device, and processing system as substantially described with reference to and as illustrated by the accompanying drawings and specification.

[0010] The foregoing has outlined rather broadly the features and technical advantages of examples according to the disclosure in order that the detailed description that follows may be better understood. Additional features and advantages will be described. The conception and specific examples disclosed may be readily utilized as a basis for modifying or designing other structures for carrying out the same purposes of the present disclosure. Such equivalent constructions do not depart from the scope of the appended claims. Characteristics of the concepts disclosed, both their organization and method of operation, together with associated advantages will be better understood from the following description when considered in connection with the accompanying figures. Each of the figures is provided for the purposes of illustration and description, and not as a definition of the limits of the claims.BRIEF DESCRIPTION OF THE DRAWINGS

[0011] So that features of the present disclosure can be understood in detail, a particular description may be had by reference to aspects, some of which are illustrated in the appended drawings. It is to be noted, however, that the appended drawings illustrate only certain aspects of this disclosure and are therefore not to be considered limiting of its scope, for the description may admit to other equally effective aspects.  The same reference numbers in different drawings may identify the same or similar elements.

[0012] FIGURE 1 is a block diagram conceptually illustrating an example of a wireless communications network, in accordance with various aspects of the present disclosure.

[0013] FIGURE 2 is a block diagram conceptually illustrating an example of a base station in communication with a user equipment (UE) in a wireless communications network, in accordance with various aspects of the present disclosure.

[0014] FIGURE 3 is a block diagram illustrating an example disaggregated base station architecture, in accordance with various aspects of the present disclosure.

[0015] FIGURE 4 is a block diagram of an example machine learning (ML) model represented by an artificial neural network (ANN) , in accordance with various aspects of the present disclosure.

[0016] FIGURE 5 is a block diagram illustrating an example of an artificial intelligence (AI) and machine learning (ML) (AI / ML) method of wireless communication.

[0017] FIGURE 6 is a diagram illustrating an example beam failure prediction window for beam failure prediction, in accordance with various aspects of the present disclosure.

[0018] FIGURE 7 is a block diagram illustrating two scenarios related to beam failure detection (BFD)  / radio link failure (RLF) prediction reporting, in accordance with various aspects of the present disclosure.

[0019] FIGURE 8 is a timing diagram illustrating multiple windows, in accordance with various aspects of the present disclosure.

[0020] FIGURE 9 is a flow diagram illustrating an example process performed, for example, by a user equipment (UE) , in accordance with various aspects of the present disclosure.DETAILED DESCRIPTION

[0021] Various aspects of the disclosure are described more fully below with reference to the accompanying drawings. This disclosure may, however, be embodied in many different forms and should not be construed as limited to any specific structure or function presented throughout this disclosure. Rather, these aspects are provided so that this disclosure will be thorough and complete, and will fully convey the scope of the disclosure to those skilled in the art. Based on the teachings, one skilled in the art should appreciate that the scope of the disclosure is intended to cover any aspect of the disclosure, whether implemented independently of or combined with any other aspect of the disclosure. For example, an apparatus may be implemented or a method may be practiced using any number of the aspects set forth. In addition, the scope of the disclosure is intended to cover such an apparatus or method, which is practiced using other structure, functionality, or structure and functionality in addition to or other than the various aspects of the disclosure set forth. It should be understood that any aspect of the disclosure disclosed may be embodied by one or more elements of a claim.

[0022] Several aspects of telecommunications systems will now be presented with reference to various apparatuses and techniques. These apparatuses and techniques will be described in the following detailed description and illustrated in the accompanying drawings by various blocks, modules, components, circuits, steps, processes, and / or the like (collectively referred to as “elements” ) . These elements may be implemented using hardware, software, or combinations thereof. Whether such elements are implemented as hardware or software depends upon the particular application and design constraints imposed on the overall system.

[0023] It should be noted that while aspects may be described using terminology commonly associated with 5G and later wireless technologies, aspects of the present disclosure can be applied in other generation-based communications systems, such as and including 3G and / or 4G technologies.

[0024] In wireless communication, beam failure detection (BFD) operations include detecting beam failure instances (BFIs) and the corresponding consideration of whether a beam failure has occurred. BFD examinations may be performed for an active bandwidth part (BWP) of a serving cell. Aspects of the present disclosure help to enable BFD prediction and reporting for neighboring cells, e.g., in addition to a serving  cell. BFD operations (e.g., periodic BFI indications and a corresponding BFD examination) may involve added computational complexity and consume a significant amount of power. Aspects presented help to enable BFD prediction that can be performed with limited capabilities of the user equipment (UE) and a reduction in the computational complexity and / or power consumption involved. Beam failure instances (BFIs) in the BFD may be based on the channel quality estimated over the last evaluation period. This method, however, may not be directly applicable to future BFI predictions, especially when the BFI prediction instance is further away in time, and the past evaluation data may not be available or relevant. Example aspects provide a new design for beam failure prediction and reporting. Although BFD is discussed, other types of failure, such as radio link failure, are also contemplated.

[0025] Beam failure detection (BFD) and radio link failure (RLF) prediction may improve handover performance. When a UE is capable of predicting beam failure and / or cell failure or RLF situations, more proactive measures for these failure cases may be considered by either the network node or the UE. These proactive measures may include measurement report transmission, conditional cell switching by the UE (e.g., conditional handover) , or handover commands by the network node. Aspects of the present disclosure introduce failure (e.g., BFD or RLF) prediction report related content, as well as triggering conditions for the prediction report, and subsequent UE actions in response to the BFD or RLF prediction.

[0026] Particular aspects of the subject matter described in this disclosure can be implemented to realize one or more of the following potential advantages. In some examples, by providing enhancements in RLF and beam management to leverage artificial intelligence / machine learning (AI / ML) technology to predict failures such as beam failure or radio link failure, the described techniques may facilitate the transitions from reactive to proactive operations in resource management and failure detection, thereby improving the robustness and efficiency of wireless communication. In some aspects, by predicting when a handover should occur rather than reacting to degraded signals, the described techniques may reduce the latency associated with traditional handover procedures, resulting in a smoother transition between cells and a lower likelihood of connection drops.

[0027] FIGURE 1 is a diagram illustrating a wireless network 100 in which aspects of the present disclosure may be practiced. The wireless network 100 may be a 5G or NR network or some other wireless network, such as an LTE network. The wireless network 100 may include a number of BSs 110 (shown as BS 110a, BS 110b, BS 110c, and BS 110d) and other network entities. A BS is an entity that communicates with user equipment (UEs) and may also be referred to as a base station, an NR BS, a Node B, a gNB, a 5G Node B, an access point, a transmit and receive point (TRP) , a network node, a network entity, and / or the like. A base station can be implemented as an aggregated base station, as a disaggregated base station, an integrated access and backhaul (IAB) node, a relay node, a sidelink node, etc. The base station can be implemented in an aggregated or monolithic base station architecture, or alternatively, in a disaggregated base station architecture, and may include one or more of a central unit (CU) , a distributed unit (DU) , a radio unit (RU) , a near-real time (near-RT) RAN intelligent controller (RIC) , or a non-real time (non-RT) RIC.

[0028] Each BS may provide communications coverage for a particular geographic area. In 3GPP, the term “cell” can refer to a coverage area of a BS and / or a BS subsystem serving this coverage area, depending on the context in which the term is used.

[0029] A BS may provide communications coverage for a macro cell, a pico cell, a femto cell, and / or another type of cell. A macro cell may cover a relatively large geographic area (e.g., several kilometers in radius) and may allow unrestricted access by UEs with service subscription. A pico cell may cover a relatively small geographic area and may allow unrestricted access by UEs with service subscription. A femto cell may cover a relatively small geographic area (e.g., a home) and may allow restricted access by UEs having association with the femto cell (e.g., UEs in a closed subscriber group (CSG) ) . A BS for a macro cell may be referred to as a macro BS. A BS for a pico cell may be referred to as a pico BS. A BS for a femto cell may be referred to as a femto BS or a home BS. In the example shown in FIGURE 1, a BS 110a may be a macro BS for a macro cell 102a, a BS 110b may be a pico BS for a pico cell 102b, and a BS 110c may be a femto BS for a femto cell 102c. A BS may support one or multiple (e.g., three) cells. The terms “eNB, ” “base station, ” “NR BS, ” “gNB, ” “AP, ” “Node B, ” “5G NB, ” “TRP, ” and “cell” may be used interchangeably.

[0030] In some aspects, a cell may not necessarily be stationary, and the geographic area of the cell may move according to the location of a mobile BS. In some aspects, the BSs may be interconnected to one another and / or to one or more other BSs or network nodes (not shown) in the wireless network 100 through various types of backhaul interfaces such as a direct physical connection, a virtual network, and / or the like using any suitable transport network.

[0031] The wireless network 100 may also include relay stations. A relay station is an entity that can receive a transmission of data from an upstream station (e.g., a BS or a UE) and send a transmission of the data to a downstream station (e.g., a UE or a BS) . A relay station may also be a UE that can relay transmissions for other UEs. In the example shown in FIGURE 1, a relay station 110d may communicate with macro BS 110a and a UE 120d in order to facilitate communications between the BS 110a and UE 120d. A relay station may also be referred to as a relay BS, a relay base station, a relay, and / or the like.

[0032] The wireless network 100 may be a heterogeneous network that includes BSs of different types (e.g., macro BSs, pico BSs, femto BSs, relay BSs, and / or the like) . These different types of BSs may have different transmit power levels, different coverage areas, and different impact on interference in the wireless network 100. For example, macro BSs may have a high transmit power level (e.g., 5 to 40 watts) whereas pico BSs, femto BSs, and relay BSs may have lower transmit power levels (e.g., 0.1 to 2 watts) .

[0033] As an example, the BSs 110 (shown as BS 110a, BS 110b, BS 110c, and BS 110d) and the core network 130 may exchange communications via backhaul links 132 (e.g., S1, etc. ) . Base stations 110 may communicate with one another over other backhaul links (e.g., X2, etc. ) either directly or indirectly (e.g., through core network 130) .

[0034] The core network 130 may be an evolved packet core (EPC) , which may include at least one mobility management entity (MME) , at least one serving gateway (S-GW) , and at least one packet data network (PDN) gateway (P-GW) . The MME may be the control node that processes the signaling between the UEs 120 and the EPC. All user IP packets may be transferred through the S-GW, which itself may be connected to  the P-GW. The P-GW may provide IP address allocation as well as other functions. The P-GW may be connected to the network operator's IP services. The operator's IP services may include the Internet, the Intranet, an IP multimedia subsystem (IMS) , and a packet-switched (PS) streaming service.

[0035] The core network 130 may provide user authentication, access authorization, tracking, IP connectivity, and other access, routing, or mobility functions. One or more of the base stations 110 or access node controllers (ANCs) may interface with the core network 130 through backhaul links 132 (e.g., S1, S2, etc. ) and may perform radio configuration and scheduling for communications with the UEs 120. In some configurations, various functions of each access network entity or base station 110 may be distributed across various network devices (e.g., radio heads and access network controllers) or consolidated into a single network device (e.g., a base station 110) .

[0036] UEs 120 (e.g., 120a, 120b, 120c) may be dispersed throughout the wireless network 100, and each UE may be stationary or mobile. A UE may also be referred to as an access terminal, a terminal, a mobile station, a subscriber unit, a station, and / or the like. A UE may be a cellular phone (e.g., a smart phone) , a personal digital assistant (PDA) , a wireless modem, a wireless communication device, a handheld device, a laptop computer, a cordless phone, a wireless local loop (WLL) station, a tablet, a camera, a gaming device, a netbook, a smartbook, an ultrabook, a medical device or equipment, biometric sensors / devices, wearable devices (smart watches, smart clothing, smart glasses, smart wrist bands, smart jewelry (e.g., smart ring, smart bracelet) ) , an entertainment device (e.g., a music or video device, or a satellite radio) , a vehicular component or sensor, smart meters / sensors, industrial manufacturing equipment, a global positioning system device, or any other suitable device that is configured to communicate via a wireless or wired medium.

[0037] One or more UEs 120 may establish a protocol data unit (PDU) session for a network slice. In some cases, the UE 120 may select a network slice based on an application or subscription service. By having different network slices serving different applications or subscriptions, the UE 120 may improve its resource utilization in the wireless network 100, while also satisfying performance specifications of individual applications of the UE 120. In some cases, the network slices used by UE 120 may be served by an AMF (not shown in FIGURE 1) associated with one or both of the base  station 110 or core network 130. In addition, session management of the network slices may be performed by an access and mobility management function (AMF) .

[0038] The UEs 120 may include a failure reporting module 140. For brevity, only one UE 120d is shown as including the failure reporting module 140. The failure reporting module 140 may receive a failure prediction configuration. The failure reporting module 140 may also predict a beam failure detection (BFD) or radio link failure (RLF) in accordance with the failure prediction configuration. The failure reporting module 140 may further transmit a failure prediction report based on the failure prediction configuration. The failure reporting module 140 may also perform a wireless procedure based on the failure prediction report.

[0039] Some UEs may be considered machine-type communications (MTC) or evolved or enhanced machine-type communications (eMTC) UEs. MTC and eMTC UEs include, for example, robots, drones, remote devices, sensors, meters, monitors, location tags, and / or the like, that may communicate with a base station, another device (e.g., remote device) , or some other entity. A wireless node may provide, for example, connectivity for or to a network (e.g., a wide area network such as Internet or a cellular network) via a wired or wireless communication link. Some UEs may be considered Internet-of-Things (IoT) devices, and / or may be implemented as NB-IoT (narrowband internet of things) devices. Some UEs may be considered a customer premises equipment (CPE) . UE 120 may be included inside a housing that houses components of UE 120, such as processor components, memory components, and / or the like.

[0040] In general, any number of wireless networks may be deployed in a given geographic area. Each wireless network may support a particular radio access technology (RAT) and may operate on one or more frequencies. A RAT may also be referred to as a radio technology, an air interface, and / or the like. A frequency may also be referred to as a carrier, a frequency channel, and / or the like. Each frequency may support a single RAT in a given geographic area in order to avoid interference between wireless networks of different RATs. In some cases, NR or 5G RAT networks may be deployed.

[0041] In some aspects, two or more UEs 120 (e.g., shown as UE 120a and UE 120e) may communicate directly using one or more sidelink channels (e.g., without  using a base station 110 as an intermediary to communicate with one another) . For example, the UEs 120 may communicate using peer-to-peer (P2P) communications, device-to-device (D2D) communications, a vehicle-to-everything (V2X) protocol (e.g., which may include a vehicle-to-vehicle (V2V) protocol, a vehicle-to-infrastructure (V2I) protocol, and / or the like) , a mesh network, and / or the like. In this case, the UE 120 may perform scheduling operations, resource selection operations, and / or other operations described elsewhere as being performed by the base station 110. For example, the base station 110 may configure a UE 120 via downlink control information (DCI) , radio resource control (RRC) signaling, a media access control-control element (MAC-CE) or via system information (e.g., a system information block (SIB) .

[0042] As indicated above, FIGURE 1 is provided merely as an example. Other examples may differ from what is described with regard to FIGURE 1.

[0043] FIGURE 2 shows a block diagram of a design 200 of the base station 110 and UE 120, which may be one of the base stations and one of the UEs in FIGURE 1. The base station 110 may be equipped with T antennas 234a through 234t, and UE 120 may be equipped with R antennas 252a through 252r, where in general T ≥ 1 and R ≥ 1.

[0044] At the base station 110, a transmit processor 220 may receive data from a data source 212 for one or more UEs, select one or more modulation and coding schemes (MCS) for each UE based at least in part on channel quality indicators (CQIs) received from the UE, process (e.g., encode and modulate) the data for each UE based at least in part on the MCS (s) selected for the UE, and provide data symbols for all UEs. Decreasing the MCS lowers throughput but increases reliability of the transmission. The transmit processor 220 may also process system information (e.g., for semi-static resource partitioning information (SRPI) and / or the like) and control information (e.g., CQI requests, grants, upper layer signaling, and / or the like) and provide overhead symbols and control symbols. The transmit processor 220 may also generate reference symbols for reference signals (e.g., the cell-specific reference signal (CRS) ) and synchronization signals (e.g., the primary synchronization signal (PSS) and secondary synchronization signal (SSS) ) . A transmit (TX) multiple-input multiple-output (MIMO) processor 230 may perform spatial processing (e.g., precoding) on the data symbols, the control symbols, the overhead symbols, and / or the reference symbols, if applicable, and may provide T output symbol streams to T modulators (MODs) 232a through 232t.  Each modulator 232 may process a respective output symbol stream (e.g., for orthogonal frequency division multiplexing (OFDM) and / or the like) to obtain an output sample stream. Each modulator 232 may further process (e.g., convert to analog, amplify, filter, and upconvert) the output sample stream to obtain a downlink signal. T downlink signals from modulators 232a through 232t may be transmitted via T antennas 234a through 234t, respectively. According to various aspects described in more detail below, the synchronization signals can be generated with location encoding to convey additional information.

[0045] At the UE 120, antennas 252a through 252r may receive the downlink signals from the base station 110 and / or other base stations and may provide received signals to demodulators (DEMODs) 254a through 254r, respectively. Each demodulator 254 may condition (e.g., filter, amplify, downconvert, and digitize) a received signal to obtain input samples. Each demodulator 254 may further process the input samples (e.g., for OFDM and / or the like) to obtain received symbols. A MIMO detector 256 may obtain received symbols from all R demodulators 254a through 254r, perform MIMO detection on the received symbols if applicable, and provide detected symbols. A receive processor 258 may process (e.g., demodulate and decode) the detected symbols, provide decoded data for the UE 120 to a data sink 260, and provide decoded control information and system information to a controller / processor 280. A channel processor may determine reference signal received power (RSRP) , received signal strength indicator (RSSI) , reference signal received quality (RSRQ) , channel quality indicator (CQI) , and / or the like. In some aspects, one or more components of the UE 120 may be included in a housing.

[0046] On the uplink, at the UE 120, a transmit processor 264 may receive and process data from a data source 262 and control information (e.g., for reports comprising RSRP, RSSI, RSRQ, CQI, and / or the like) from the controller / processor 280. Transmit processor 264 may also generate reference symbols for one or more reference signals. The symbols from the transmit processor 264 may be precoded by a TX MIMO processor 266 if applicable, further processed by modulators 254a through 254r (e.g., for discrete Fourier transform spread OFDM (DFT-s-OFDM) , CP-OFDM, and / or the like) , and transmitted to the base station 110. At the base station 110, the uplink signals from the UE 120 and other UEs may be received by the antennas 234,  processed by the demodulators 254, detected by a MIMO detector 236 if applicable, and further processed by a receive processor 238 to obtain decoded data and control information sent by the UE 120. The receive processor 238 may provide the decoded data to a data sink 239 and the decoded control information to a controller / processor 240. The base station 110 may include communications unit 244 and communicate to the core network 130 via the communications unit 244. The core network 130 may include a communications unit 294, a controller / processor 290, and a memory 292.

[0047] The controller / processor 240 of the base station 110, the controller / processor 280 of the UE 120, and / or any other component (s) of FIGURE 2 may perform one or more techniques associated with configuration of predicted failure reporting, as described in more detail elsewhere. For example, the controller / processor 240 of the base station 110, the controller / processor 280 of the UE 120, and / or any other component (s) of FIGURE 2 may perform or direct operations of, for example, the processes of FIGURE 9 and / or other processes as described. Memories 242 and 282 may store data and program codes for the base station 110 and UE 120, respectively. A scheduler 246 may schedule UEs for data transmission on the downlink and / or uplink.

[0048] In some aspects, the UE 120 may include means for receiving, means for predicting, means for transmitting, means for performing, and means for determining. Such means may include one or more components of the UE 120 described in connection with FIGURE 2.

[0049] As indicated above, FIGURE 2 is provided merely as an example. Other examples may differ from what is described with regard to FIGURE 2.

[0050] 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) , an evolved NB (eNB) , an NR BS, 5G NB, an access point (AP) , a transmit and 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.

[0051] 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 (e.g., a virtual central unit (VCU) , a virtual distributed unit (VDU) , or a virtual radio unit (VRU) ) .

[0052] Base station-type operations or network designs 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.

[0053] In some cases, different types of devices supporting different types of applications and / or services may coexist in a cell. Examples of different types of devices include UE handsets, customer premises equipment (CPEs) , vehicles, Internet of Things (IoT) devices, and / or the like. Examples of different types of applications include ultra-reliable low-latency communications (URLLC) applications, massive machine-type communications (mMTC) applications, enhanced mobile broadband (eMBB) applications, vehicle-to-anything (V2X) applications, and / or the like. Furthermore, in some cases, a single device may support different applications or services simultaneously.

[0054] FIGURE 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 E2 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 120 via one or more radio frequency (RF) access links. In some implementations, the UE 120 may be simultaneously served by multiple RUs 340.

[0055] Each of the units (e.g., 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.

[0056] 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 (e.g., central unit –user plane (CU-UP) ) ,  control plane functionality (e.g., 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 bi-directionally 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.

[0057] 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 Third 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.

[0058] 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 120. In some implementations, real-time and non-real-time aspects of control and user plane communication with the RU (s) 340 can be controlled by the corresponding DU 330. In some scenarios, this configuration can enable the DU (s) 330 and the CU 310 to be implemented in a cloud-based RAN architecture, such as a vRAN architecture.

[0059] 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 O2 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 4G RAN, such as an open eNB (O-eNB) 311, via an O1 interface. Additionally, in some implementations, the SMO framework 305 can communicate directly with 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.

[0060] 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 E2 interface) connecting one or more CUs 310, one or more DUs 330, or both, as well as the O-eNB 311, with the near-RT RIC 325.

[0061] 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) .

[0062] Some aspects and techniques as described may be implemented, at least in part, using an artificial intelligence (AI) program, such as a program that includes a machine learning (ML) or artificial neural network (ANN) model. An example ML model may include mathematical representations or define computing capabilities for making inferences from input data based on patterns or relationships identified in the input data. The term “inferences” can include one or more decisions, predictions, determinations, or values, which may represent outputs of the ML model. The computing capabilities may be defined in terms of certain parameters of the ML model, such as weights and biases. Weights may indicate relationships between certain input data and certain outputs of the ML model, and biases are offsets that may indicate a starting point for the outputs of the ML model. An example ML model operating on input data may start at an initial output based on the biases and then update its output based on a combination of the input data and the weights.

[0063] In some aspects, an ML model may be configured to provide computing capabilities for wireless communications. Such an ML model may be configured with weights and biases to perform predictions regarding a set of resources (e.g., Set-A beams) based on measurements of another set of resources (e.g., Set-B beams) . Thus, during the operation of a device, the ML model may receive input data (such as measurements associated with the first set of resources (e.g., Set-B beam measurements) and make inferences (such as predictions for Set-A beams) based on the weights and biases. The ML model may be employed to assist in beam management or beam selection using a reduced set of measurements.

[0064] ML models may be deployed in one or more devices (for example, network entities and user equipment (UEs) ) and may be configured to enhance various aspects of a wireless communication system. For example, an ML model may be trained to identify patterns or relationships in data corresponding to a network, a device, an air interface, or the like. An ML model may support operational decisions relating to one or more aspects associated with wireless communications devices, networks, or services. For example, an ML model may be utilized for supporting or improving aspects such as signal coding / decoding, network routing, energy conservation,  transceiver circuitry controls, frequency synchronization, timing synchronization, channel state estimation, channel equalization, channel state feedback, modulation, demodulation, device positioning, beamforming, load balancing, operations and management functions, security, etc.

[0065] ML models may be characterized in terms of types of learning that generate specific types of learned models that perform specific types of tasks. For example, different types of machine learning include supervised learning, unsupervised learning, semi-supervised learning, reinforcement learning, deep learning, etc. ML models may perform different tasks, such as classification or regression, where classification refers to determining one or more discrete output values from a set of predefined output values, and regression refers to determining continuous values that are not bounded by predefined output values. Some example ML models configured for performing such tasks include ANNs (such as convolutional neural networks (CNNs) and recurrent neural networks (RNNs) ) , transformers, diffusion models, regression analysis models (such as statistical models) , large language models (LLMs) , decision tree learning (such as predictive models) , support vector networks (SVMs) , and probabilistic graphical models (such as a Bayesian network) , etc.

[0066] The description illustrates, by way of some examples, how one or more tasks or problems in wireless communications may benefit from the application of one or more ML models for the prediction of one or more channel characteristics associated with a second set of resources using measurement of the aperiodic reference signal on a first set of resources based on a first mapping pattern. The first mapping pattern maps the first set of resources to the second set of resources, and the first mapping pattern and a second mapping pattern associated with an initial training meet one or more of a spatial domain consistency condition or a temporal domain consistency condition. To facilitate the discussion, an ML model configured using an ANN is used, but other types of ML models may be used instead of an ANN. Hence, unless expressly recited, subject matter regarding an ML model is not intended to be limited to an ANN solution. Unless otherwise specifically stated, terms such “AI / ML model, ” “ML model, ” “trained ML mode, ” “ANN, ” “model, ” or the like are intended to be interchangeable.

[0067] FIGURE 4 is an illustrative block diagram of an example machine learning (ML) model represented by an artificial neural network (ANN) 400. The ANN 400 may  receive an input 406, which may include one or more bits of data 402, pre-processed data output from an optional pre-processor 404, or some combination thereof. Here, the data 402 may include training data, verification data, application-related data, or the like, based, for example, on the stage of deployment of ANN 400. The pre-processor 404 may be included within the ANN 400 in some other implementations. The pre-processor 404 may, for example, process all or a portion of the data 402, which may result in some of the data 402 being changed, replaced, deleted, etc. In some implementations, the pre-processor 404 may add additional data to the data 402. In some implementations, the pre-processor 404 may be an ML model, such as an ANN. As an example, the input may include measurements performed on Set-B beams.

[0068] The ANN 400 includes at least one first layer 408 of artificial neurons 410 to process the input 406 and provide resulting first layer data via connections or “edges” such as edges 412 to at least a portion of at least one second layer 414. The second layer 414 processes data received via the edges 412 and provides second layer output data via edges 416 to at least a portion of at least one third layer 418. The third layer 418 processes data received via the edges 416 and provides third layer output data via edges 420 to at least a portion of a final layer 422, including one or more neurons to provide an output 424. All or part of the output 424 may be further processed in some manner by an optional post-processor 426. Thus, in certain examples, the ANN 400 may provide output data 428 that is based on the output 424, post-processed data output from post-processor 426, or some combination thereof. As an example, the output 424 may include a set of resource (e.g., beam) predictions for Set-A beams. A base station or UE may then select a beam for use in transmission and / or reception based on the beam predictions for the Set-A beams output from the AI / ML model.

[0069] The post-processor 426 may be included within the ANN 400 in some other implementations. The post-processor 426 may, for example, process all or a portion of the output 424, which may result in the output data 428 being different, at least in part, from the output 424, as a result of data being changed, replaced, deleted, etc. In some implementations, the post-processor 426 may be configured to add additional data to the output 424. In this example, the second layer 414 and the third layer 418 represent intermediate or hidden layers that may be arranged in a hierarchical or other like structure. Although not explicitly shown, there may be one or more further intermediate  layers between the second layer 414 and the third layer 418. In some implementations, the post-processor 426 may be an ML model, such as an ANN.

[0070] The structure and training of artificial neurons 410 in the various layers may be tailored to the specific requirements of an application. Within a given layer, such as first layer 408, second layer 414, or third layer 418 of the ANN 400, some or all of the neurons may be configured to process information provided to the layer and output corresponding transformed information from the layer. For example, transformed information from a layer may represent a weighted sum of the input information associated with or otherwise based on a non-linear activation function or other activation function used to “activate” the artificial neurons of the next layer. Artificial neurons in such a layer may be activated by or be responsive to parameters such as the previously described weights and biases of the ANN 400. The weights and biases of the ANN 400 may be adjusted during a training process or during operation of the ANN 400. The weights of the various artificial neurons may control the strength of connections between layers or artificial neurons, while the biases may control the direction of connections between the layers or artificial neurons. An activation function may select or determine whether an artificial neuron transmits its output to the next layer or not in response to its received data.

[0071] Different activation functions may model different types of non-linear relationships. By introducing non-linearity into an ML model, an activation function allows the configuration for the ML model to change in response to identifying or detecting complex patterns and relationships in the input 406. Some non-exhaustive example activation functions include a sigmoid based activation function, a hyperbolic tangent (tanh) based activation function, a convolutional activation function, up-sampling, pooling, and a rectified linear unit (ReLU) based activation function.

[0072] Training of an ML model, such as ANN 400, may be conducted using training data. Training data may include one or more datasets that ANN 400 may use to identify patterns or relationships. Training data may represent various types of information, including written, visual, audio, environmental context, operational properties, etc. During training, the parameters (such as the weights and biases) of the artificial neurons 410 may be changed, such as to minimize or otherwise reduce a loss  function or a cost function. A training process may be repeated multiple times to fine-tune the ANN 400 with each iteration.

[0073] Various ANN model structures are available for consideration. For example, in a feedforward ANN structure, each artificial neuron 410 in layer A14 receives information from the previous layer (such as one or more artificial neurons 410 in layer 408) and produces information for the next layer (such as one or more artificial neurons 410 in layer 418) . In a convolutional ANN structure, some layers may be organized into filters that extract features from data, such as the training data or the input data. In a recurrent ANN structure, some layers may have connections that allow for the processing of data across time, such as for processing information having a temporal structure, such as time series data forecasting.

[0074] In an autoencoder ANN structure, compact representations of data may be processed and the model trained to predict or potentially reconstruct original data from a reduced set of features. An autoencoder ANN structure may be useful for tasks related to dimensionality reduction and data compression.

[0075] A generative adversarial ANN structure may include a generator ANN and a discriminator ANN that are trained to compete with each other. Generative-adversarial networks (GANs) are ANN structures that may be useful for tasks relating to generating synthetic data or improving the performance of other models.

[0076] A transformer ANN structure makes use of attention mechanisms that may enable the model to process input sequences in a parallel and efficient manner. An attention mechanism allows the model to focus on different parts of the input sequence at different times. Attention mechanisms may be implemented using a series of layers known as attention layers to compute weighted sums of input features based on a similarity between different elements of the input sequence. A transformer ANN structure may include a series of feedforward ANN layers whose configurations may change in response to identifying non-linear relationships between the input and output sequences, which may also be referred to as a process of “learning” by the ANN layers. The output of a transformer ANN structure may be obtained by applying a linear transformation to the output of a final attention layer. A transformer ANN structure  may be of particular use for tasks that involve sequence modeling, or other like processing.

[0077] Another example type of ANN structure is a model with one or more invertible layers. Models of this type may be inverted or “unwrapped” to reveal the input data that was used to generate the output of a layer. Other example types of ANN model structures include fully connected neural networks (FCNNs) and long short-term memory (LSTM) networks.

[0078] The ANN 400 or other ML models may be implemented in various types of processing circuits along with memory and applicable instructions. For example, general-purpose hardware circuits, such as one or more central processing units (CPUs) , one or more graphics processing units (GPUs) , or suitable combinations thereof, may be employed to implement a model. In some implementations, one or more tensor processing units (TPUs) , neural processing units (NPUs) , or other special-purpose processors, field-programmable gate arrays (FPGAs) , application-specific integrated circuits (ASICs) , or the like may also be employed. In some implementations, the ML model may be implemented by an NPU or a TPU embedded in a system-on-chip (SoC) along with other components, such as one or more CPUs, GPUs, etc. The SoC includes several components manufactured on a shared semiconductor substrate. The NPU or TPU may be controlled by the one or more CPUs by configuring the ML model implemented by the NPU or TPU with weights and biases, providing certain training data to the ML model to configure the ML model, or providing input data to the ML model to obtain related inferences. The one or more CPUs may also receive the inferences and be configured to perform certain actions based on the inferences produced by the ML model. The actions performed by the one or more CPUs may include sending commands to other components of the SoC or components external to the SoC to perform certain actions. For example, the CPU may send commands to an RF transceiver based on the outputs or inferences obtained from an ML model to cause the RF transceiver to operate on a wireless network in accordance with the ML model.

[0079] In some examples, an ML model may be trained prior to, or at some point following, operation of the ML model, such as the ANN 400, on input data. When training the ML model, information in the form of applicable training data may be gathered or otherwise created for use in training an ANN accordingly. For example,  training data may be gathered or otherwise created regarding information associated with received / transmitted signal strengths, interference, and resource usage data, as well as any other relevant data that might be useful for training a model to address one or more problems or issues in a communication system. In certain instances, all or part of the training data may originate in a user equipment (UE) or other device in a wireless communication system, or one or more network entities, or aggregated from multiple sources (such as a UE and a network entity / entities, one or more other UEs, the Internet, or the like) . For example, wireless network architectures, such as self-organizing networks (SON) or mobile drive test (MDT) networks, may be adapted to support the collection of data for ML model applications. In another example, training data may be generated or collected online, offline, or both online and offline by a UE, network entity, or other device (s) , and all or part of such training data may be transferred or shared (in real or near-real time) , such as through store and forward functions or the like.

[0080] Offline training may refer to creating and using a static training dataset, such as in a batched manner, whereas online training may refer to the real-time collection and use of training data. For example, an ML model at a network device (such as a UE) may be trained or fine-tuned using online or offline training. For offline training, data collection and training can occur in an offline manner at the network side (such as at a base station or other network entity) or at the UE side. For online training, the training of a UE-side ML model may be performed locally at the UE or by a server device (such as a server hosted by a UE vendor) in a real-time or near-real-time manner based on data provided to the server device from the UE. In certain instances, all or part of the training data may be shared within a wireless communication system or even shared (or obtained from) outside of the wireless communication system.

[0081] Once an ANN has been configured by setting parameters, including weights and biases, from training data, the ANN’s performance may be evaluated. In some scenarios, evaluation / verification tests may use a validation dataset, which may include data not in the training data, to compare the model’s performance to baseline or other benchmark information. The ANN configuration may be further refined, for example, by changing its architecture, retraining it on the data, or using different optimization techniques, etc.

[0082] As part of a training process, parameters affecting the functioning of the artificial neurons and layers may be adjusted. For example, backpropagation techniques may be used to train an ANN by iteratively adjusting weights or biases of certain artificial neurons associated with errors between a predicted output of the model and a desired output that may be known or otherwise deemed acceptable. Backpropagation may include a forward pass, a loss function, a backward pass, and a parameter update that may be performed in training iteration. The process may be repeated for a certain number of iterations for each set of training data until the weights of the artificial neurons / layers are adequately tuned.

[0083] Backpropagation techniques associated with a loss function may measure how well a model is able to predict a desired output for a given input. An optimization technique may be used during a training process to adjust weights and biases to reduce or minimize the loss function, which can improve the performance of the model. There are a variety of optimization techniques that may be used along with backpropagation techniques or other training techniques. Some initial examples include a gradient descent based optimization technique and a stochastic gradient descent based optimization technique. A stochastic gradient descent technique may be used to adjust weights / biases in order to minimize or otherwise reduce a loss function. A mini-batch gradient descent technique, which is a variant of gradient descent, may involve updating weights / biases using a small batch of training data rather than the entire dataset. A momentum technique may accelerate an optimization process by adding a momentum term to update or otherwise affect certain weights / biases.

[0084] An adaptive learning rate technique may adjust the learning rate of an optimization technique associated with one or more characteristics of the training data. A batch normalization technique may be used to normalize inputs to a model in order to stabilize a training process and potentially improve the performance of the model. A “dropout” technique may be used to randomly drop out some of the artificial neurons from a model during a training process, for example, in order to reduce overfitting and potentially improve the generalization of the model. An “early stopping” technique may be used to stop an ongoing training process early, such as when a performance of the model using a validation dataset starts to degrade.

[0085] Another example technique includes data augmentation to generate additional training data by applying transformations to all or part of the training information. A transfer learning technique may be used which involves using a pre-trained model as a starting point for training a new model, which may be useful when training data is limited or when there are multiple tasks that are related to each other. A multi-task learning technique may be used which involves training a model to perform multiple tasks simultaneously to potentially improve the performance of the model on one or more of the tasks. Hyperparameters or the like may be input and applied during a training process in certain instances.

[0086] Another example technique that may be useful with regard to an ANN is a “pruning” technique. A pruning technique, which may be performed during a training process or after a model has been trained, involves the removal of unnecessary or less necessary, or possibly redundant features from a model. In certain instances, a pruning technique may reduce the complexity of a model or improve the efficiency of a model without undermining the intended performance of the model.

[0087] Pruning techniques may be particularly useful in the context of wireless communication, where the available resources (such as power and bandwidth) may be limited. Some example pruning techniques include a weight pruning technique, a neuron pruning technique, a layer pruning technique, a structural pruning technique, and a dynamic pruning technique. Pruning techniques may, for example, reduce the amount of data corresponding to a model that is transmitted or stored. Weight pruning techniques may involve removing some of the weights from a model. Neuron pruning techniques may involve removing some neurons from a model. Layer pruning techniques may involve removing some layers from a model. Structural pruning techniques may involve removing some connections between neurons in a model. Dynamic pruning techniques may involve adapting a pruning strategy of a model associated with one or more characteristics of the data or the environment. For example, in certain wireless communication devices, a dynamic pruning technique may more aggressively prune a model for use in a low-power or low-bandwidth environment and less aggressively prune the model for use in a high-power or high-bandwidth environment. In certain example implementations, pruning techniques may also be applied to training data, for example, to remove outliers. In some implementations, pre- processing techniques directed to all or part of a training dataset may improve model performance or promote faster convergence of a model. For example, training data may be pre-processed to change or remove unnecessary data, extraneous data, incorrect data, or otherwise identifiable data. Such pre-processed training data may, for example, lead to a reduction in potential overfitting or otherwise improve the performance of the trained model.

[0088] One or more of the example training techniques presented above may be employed as part of a training process. Some example training processes that may be used to train an ANN include supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning techniques. With supervised learning, a model is trained on a labeled training dataset, wherein the input data is accompanied by a correct or otherwise acceptable output. With unsupervised learning, a model is trained on an unlabeled training dataset, such that the model will learn to identify patterns and relationships in the data without the explicit guidance of a labeled training dataset. With semi-supervised learning, a model is trained using some combination of supervised and unsupervised learning processes, for example, when the amount of labeled data is somewhat limited. With reinforcement learning, a model may learn from interactions with its operation / environment, such as in the form of feedback akin to rewards or penalties. Reinforcement learning may be particularly beneficial when used to improve or attempt to optimize the behavior of a model deployed in a dynamically changing environment, such as a wireless communication network.

[0089] Distributed, shared, or collaborative learning techniques may be used for the training process. For example, techniques such as federated learning may be used to decentralize the training process and rely on multiple devices, network entities, or organizations for training various versions or copies of an ML model without relying on a centralized training mechanism. Federated learning may be particularly useful in scenarios where data is sensitive or subject to privacy constraints, or where it is impractical, inefficient, or expensive to centralize data. In the context of wireless communication, for example, federated learning may be used to improve performance by allowing an ANN to be trained on data collected from a wide range of devices and environments. For example, an ANN may be trained on data collected from a large number of wireless devices in a network, such as distributed wireless communication  nodes, smartphones, or internet-of-things (IoT) devices, to improve the network's performance and efficiency. With federated learning, a user equipment (UE) or other device may receive a copy of all or part of a global or shared model and perform local training on the local model using locally available training data. The UE may provide updated information regarding the locally trained model to one or more other devices (such as a network entity or a server) , where the updates from other-like devices (such as other UEs) may be aggregated and used to provide an update to the global or shared model. A federated learning process may be repeated iteratively until all or part of a model obtains a satisfactory level of performance. Federated learning may enable devices to protect the privacy and security of local data, while supporting collaboration regarding training and updating of all or part of a shared model.

[0090] In some implementations, one or more devices or services may support processes relating to an ML model’s usage, maintenance, activation, reporting, or the like. In certain instances, all or part of a dataset or model may be shared across multiple devices to provide or otherwise augment or improve processing. In some examples, signaling mechanisms may be utilized at various nodes of wireless networks to signal the capabilities for performing specific functions related to ML models, support for specific ML models, capabilities for gathering, creating, and transmitting training data, or other ML related capabilities. ML models in wireless communication systems may, for example, be employed to support decisions or improve performance relating to wireless resource allocation or selection, wireless channel condition estimation, interference mitigation, beam management, positioning accuracy, energy savings, or modulation or coding schemes, etc. In some implementations, model deployment may occur jointly or separately at various network levels, such as a UE, a network entity such as a base station, or a disaggregated network entity such as a central unit (CU) , a distributed unit (DU) , a radio unit (RU) , or the like.

[0091] FIGURE 5 is an illustrative block diagram of an example ML architecture 500 that may be used for wireless communications in any of the various implementations, processes, environments, networks, or use cases listed above. As illustrated, the architecture 500 includes multiple logical entities, such as a model training host 502, a model inference host 504, data source (s) 506, and an agent 508. The model inference host 504 is configured to run an ML model based on inference data  512 provided by the data source (s) 506. The model inference host 504 may produce an output 514, which may include a prediction or inference, such as a discrete or continuous value based on the inference data 512, which may then be provided as input to the agent 508.

[0092] The agent 508 may represent an element or an entity of a wireless communication system including, for example, a radio access network (RAN) , a wireless local area network (WLAN) , a device-to-device (D2D) communications system, etc. As an example, the agent 508 may be a user equipment (such as a UE 120, referring to FIGURE 1, for example) , a base station (such as base station 110, referring to FIGURE 1, for example) , or a disaggregated network entity (such as a CU 310, DU 330, or RU 340 in FIGURE 3) , an access point, a wireless station, a RAN intelligent controller (RIC) in a cloud-based RAN, among some examples. Additionally, the agent 508 may also be a type of agent that depends on the type of tasks performed by the model inference host 504, the type of inference data 512 provided to the model inference host 504, or the type of output 514 produced by the model inference host 504. As an example, the input may be measurements associated with a set of resources (e.g., Set-B beams / resources) , and the output may include a set of predictions for a different set of resources (e.g., Set-A beams / resources) . A base station or UE may then select a beam for use in transmission and / or reception based on the beam predictions for the Set-A beams output from the AI / ML model.

[0093] The agent 508 may perform one or more actions associated with receiving the output 514 from the model inference host 504, e.g., selection, use, and / or reporting regarding the predictions made for the different set of resources (e.g., Set-A beams / resources) . The agent 508 may indicate the one or more actions performed to at least one subject of action 510. In some cases, the agent 508 and the subject of action 510 are the same entity.

[0094] Data can be collected from the data sources 506, and may be used as training data 516 for training an ML model, or as inference data 512 for feeding an ML model inference operation. The data sources 506 may collect data from various subject of action 510 entities (such as the UE or the network entity) and provide the collected data to the model training host 502 for ML model training. In some examples, if the output 514 provided to the agent 508 is inaccurate (or the accuracy is below an accuracy  threshold) , the model training host 502 may provide feedback to the model inference host 504 to modify or retrain the ML model used by the model inference host 504, such as via an ML model deployment update.

[0095] The model training host 502 may be deployed at the same or a different entity than that in which the model inference host 504 is deployed. For example, in order to offload model training processing, which can impact the performance of the model inference host 504, the model training host 502 may be deployed at a model server.

[0096] Example aspects provide methods and apparatus for configuring a failure prediction, such as the beam failure detection (BFD) or a radio link failure (RLF) .

[0097] In wireless communication, AI / ML models, which may be implemented in the UE side (e.g., as a UE-sided model) or the network side (e.g., as a network-sided model) , may be used for various applications, such as beam management, positioning accuracy enhancement, and channel state information (CSI) feedback enhancement. For example, the AI / ML model may include any of the aspects described in connection with the ANN 400 or the ML architecture 500. For example, for beam management, AI / ML models (e.g., both UE-sided and network-sided models) may be used for the downlink transmit beam prediction, which may include spatial-domain downlink transmit beam prediction where Set-A beams is predicted based on the measurement results of Set-B beams (known as “BM-Case1. ” ) Additionally, AI / ML models (e.g., both UE-sided and network-sided models) may be used for temporal downlink transmit beam prediction for Set-A, which relies on historical measurement results from Set-B beams (known as “BM-Case2. ” ) .

[0098] In some aspects, the applications of the AI / ML models may include AI / ML-based radio resource management (RRM) and event prediction, such as the predictions for handover (HO) failure, radio link failure (RLF) , and other measurement events, in order to enhance mobility performance by minimizing link failures after the HO, ping-pong effects, and issues with early or late HOs. For example, AI / ML models may facilitate transforming the reactive nature of traditional HO mechanisms into proactive schemes. For example, in conventional HO mechanisms, a network entity (e.g., a base station or gNB) may trigger a HO to a neighboring cell after receiving reports of  degraded measurements (e.g., degraded reference signal received power (RSRP) measurements) . On the other hand, the proactive scheme may preemptively predict and manage such events to enhance overall mobility performance. In some aspects, the AI / ML model may enhance the mobility performance for layer 1  / layer 2 (L1 / L2) triggered mobility (also known as lower-layer-triggered mobility or LTM) . The LTM may have reduced HO interruption times (compared to, for example, layer 3 (L3) mobility procedures) due to the usage of an L1-RSRP report via uplink control information (UCI) instead of an L3 RSRP report in the radio resource control (RRC) layer, and the enablement of a random access channel (RACH) procedure to the neighboring cell for timing advance (TA) acquisition before LTM. Additionally, LTM allows the activation of the neighboring cell’s transmission control indicator (TCI) state and the subsequent LTM operations by maintaining RRC configurations at the UE, further reducing the HO interruption times.

[0099] Considering AI / ML-based enhancements for LTM, a proper beam may be selected from a candidate cell to ensure seamless service continuation after a HO, and the selected beam may maintain a good link quality for a certain period of time. In some examples, L1-RSRP predictions (both spatial and temporal) and corresponding reports may be used for beam management. However, these predictions may not effectively reflect the channel link quality predictions.

[0100] In some examples, the beam failure detection (BFD) operation may allow the UE to monitor downlink channel quality of designated reference signals by estimating the hypothetical physical downlink control channel (PDCCH) block error rate (BLER) . In some examples, if the BFD prediction is performed by the UE and the prediction results are provided to the network (e.g., a base station or a gNB) , the network may choose the LTM candidate cell, decide on the TCI to be activated and the timing of the HO based on the prediction results. In some examples, activating the TCI state for a candidate cell before an LTM cell switch command may reduce the interruption delays. However, the UE may have a limited capability in the number of TCI states that can be activated across all candidate cells. Hence, the beam failure prediction report may help to avoid potential LTM failures or performance degradation after an LTM event. Additionally, the beam failure prediction may be applied to conditional LTM scenarios,  where the UE may independently determine the candidate cell and TCI state, among other parameters, without the LTM cell switch command from the network.

[0101] Example aspects provide methods and an apparatus to enhance failure prediction, which may include, for example, beam failure prediction or radio link failure (RLF) prediction. Some example aspects provide beam failure prediction occasions and time windows for BFD prediction. Some example aspects enable the BFD prediction to extend its application to both the neighboring cells and the serving cell, while traditional BFD operations may be limited to the active bandwidth part (BWP) of the serving cell. In some aspects, the traditional BFD operations, including the periodic beam failure instance (BFI) indications and the corresponding BFD examinations, may not be feasible in the BFD prediction due to the limited prediction capabilities of the UE and the significant computational complexity and power consumption involved. In these scenarios, example aspects provide a new design for beam failure prediction occasions and the associated time window for BFD prediction.

[0102] The description below uses beam failure prediction as an example, while the principles described are also applicable to other types of failure predictions, such as radio link failure prediction. In some aspects, for each beam failure prediction instance, a time window, which is referred to as the beam failure prediction window (WP) , may be established. During this time window, the beam failure instance predictions with an indication periodicity and the corresponding beam failure prediction may be performed.

[0103] FIGURE 6 is a diagram 600 illustrating an example beam failure prediction (BFD) window for the beam failure prediction, in accordance with various aspects of the present disclosure. In FIGURE 6, for a BFD prediction 602, a beam failure prediction window (WP) 610 may be provided. The beam failure instance predictions (e.g., beam failure instance predictions 612, 614, 616, etc. ) with an indication periodicity 604 and the corresponding beam failure prediction may be performed in this time window 610.

[0104] In some examples, the UE may determine the time window (WP) 610 based on the UE’s capability to perform temporal predictions, meaning the duration for which a reliable prediction can be made, and the indication prediction periodicity 604 used for the prediction.

[0105] Example aspects further provide methods and apparatus for beam failure instance prediction mechanisms for beam failure detection (BFD) prediction.

[0106] In some examples, the UE may evaluate whether the downlink radio link quality on a configured synchronization signal block (SSB) resource in set becomes worse than a threshold Qout_LR_SSB within a TEvaulate_BFD_SSB period. The set  may be estimated over a last TEvaulate_BFD_SSB millisecond (ms) period. When the radio link quality on reference signal (RS) resources, such as all RS resources, in set  is worse than Qout_LR, layer 1 (L1) of the UE may send a beam failure instance indication to the higher layers. Two successive indications from layer 1 may be separated by at least TIndication_Interval_BFD.

[0107] In some examples, on each radio link monitoring resource signal (RLM-RS) resource, the UE may estimate the downlink radio link quality and compare the estimated downlink radio link quality to the thresholds Qout and Qin for monitoring the downlink radio link quality of the cell. In some examples, the threshold Qout may be defined as a level at which a downlink radio link cannot be reliably received and shall correspond to an out-of-sync block error rate (BLEROUT) . The threshold Qin may be defined as a level at which the downlink radio quality can be received with higher reliability than a reliability associated with the threshold Qout. The threshold Qin corresponds to an in-sync block error rate (BLERin) . In some examples, the UE may evaluate whether the downlink radio link quality on the configured RLM-RS resource estimated over the last TEvaulate_out_SSB ms period becomes worse than the threshold Qout_SSB within the TEvaulate_out_SSB evaluation period. In some examples, the UE may evaluate whether the downlink radio link quality on the configured RLM-RS resource estimated over the last TEvaulate_in_SSB ms period becomes better than the threshold Qin_SSB within the TEvaulate_in _SSB evaluation period. Two successive indications from layer 1 may be separated by at least TIndication_interval.

[0108] In some examples, the beam failure instances (BFIs) in the BFD may be based on the channel quality estimated over the last evaluation period. This method, however, is not directly applicable to future BFI predictions, especially when the BFI prediction instance is further away in time, and the past evaluation data may not be available or relevant. To address these limitations, example aspects provide a design for BFI prediction methods for BFD prediction.

[0109] In some aspects, the beam failure instance prediction for a future time instance, denoted as T, may be determined in a binary format. For example, a prediction outcome is expressed as “0” for no beam failure or “1” for a beam failure, depending on the evaluated conditions. This determination of the beam failure instance prediction may be based on an aggregation of the predicted channel quality at the future time instance T, combined with one or more channel qualities over the last period of the evaluation window, defined by the time-window.

[0110] Artificial intelligence or machine learning (AI / ML) -based radio resource management (RRM) measurement event prediction such as handover (HO) failure, radio link failure (RLF) or measurement events may enhance mobility performance (e.g., reducing link failures after handoff, ping-pong behavior, early or late handoff, etc. ) . It may be desirable to overcome the reactive nature of legacy handoff mechanisms. For example, a network node (e.g., base station or gNB) may trigger a handover to a neighbor cell only after receiving the degraded reference signal received power (RSRP) measurement reports. Aspects of the present disclosure improve mobility performance by introducing prediction-based proactive schemes.

[0111] BFD prediction and RLF prediction may improve handover performance. When a UE is capable of predicting beam failure and / or cell failure or RLF situations, more proactive measures for these failure cases may be considered by either the network node or the UE. The measures may include measurement report transmission, conditional cell switching by the UE (e.g., conditional handover) , or handover commands by the network node. Aspects of the present disclosure introduce failure (e.g., BFD or RLF) prediction report related content, as well as report triggering conditions, and subsequent UE actions in response to BFD or RLF event prediction.

[0112] FIGURE 7 is a block diagram illustrating two scenarios related to reporting BFD / RLF prediction, in accordance with various aspects of the present disclosure. In the example of FIGURE 7, a base station (e.g., gNB or network node) 110 transmits a BFD / RLF prediction configuration (also referred to as a failure prediction configuration) to a UE 120 at time t1. The base station 110 may transmit the BFD / RLF prediction configuration via radio resource control (RRC) signaling, for example. In both a first scenario 750 and a second scenario 790, at time t2, the UE 120 makes a BFD prediction or RLF prediction. At time t3, the UE determines whether to send a  prediction report. At time t4, the UE 120 transmits the BFD / RLF prediction report and / or a layer one or layer three L1 / L3 measurement report. In the first scenario 750, the UE 120 awaits instructions from the base station 110 after transmitting the BFD / RLF prediction report, at time 3. In the second scenario 790, the UE 120 performs a wireless procedure, at time t5, after transmitting the BFD / RLF prediction report. The wireless procedure may be, for example, performing a conditional cell switch.

[0113] According to aspects of the present disclosure, a UE is separately configured with a set of BFD or RLF parameters for failure prediction purposes. The failure prediction configuration may be standardized in a specification or received via radio resource control (RRC) signaling. The failure prediction configuration may be different from legacy BFD and / or RLF configurations. For example, fewer BFIs may trigger an action when relying on predicted BFIs, as compared to measured BFIs. The failure prediction configuration allows the base station (e.g., network node) to fine-tune the prediction and report timing for serving and neighboring cells. As a result, early reporting may occur, enabling proactive measures for mobility issues.

[0114] In some aspects, for BFD the parameter set may include a cell index, a BFD-reference signal (RS) to be monitored, and / or a Qout value (e.g., BFD block error rate (BLER) threshold) . The parameter set may also include a minimum beam failure instance (BFI) counter (e.g., starting counter value in each prediction occasion) , a maximum beam failure instance counter, and / or a beam failure detection timer. The counters and timers are applicable if the failure is indirectly predicted. For example, the prediction may be for RSRP. The predicted RSRP may then be used to determine whether a BFI occurs. In contrast, directly predicting the BFD may not rely on the counters and timers.

[0115] For an RLF determined based on a timer expiry (e.g., timer T310 expiry) , the parameter set may include a cell index, an RLM-RS, an out-of-sync hypothetical block error rate (BLER) (Qout) , and / or an in-sync hypothetical BLER (Qin) . The parameter set may also include a maximum number of consecutive in-sync indications before stopping the timer (N311) , a maximum number of consecutive out-of-sync indications to start the timer (N310) , and / or a timer value (T310) .

[0116] For acknowledged mode (AM) operation, RLF may be based on a radio link control (RLC) maximum number of retransmissions. In this case, the parameter set may include a maximum retransmission threshold.

[0117] For each type of RLF prediction, the RLF type may also be provided along with the parameters mentioned above. In other aspects, the UE implicitly determines the RLF type based on the parameters.

[0118] According to further aspects of the present disclosure, upon predicting the BFD or RLF, the prediction report is generated and transmitted by the UE. The prediction report may contain a subset of parameters, such as a cell identity for which the prediction is performed, a predicted probability, and a predicted confidence level. The report may also indicate candidate neighbor cell information for a potential handoff. This candidate cell neighbor information may be present if the prediction report is generated for a serving cell and a cell switch is specified. The prediction results and / or measurement results for these neighbor cells can be included in the report.

[0119] For BFD predictions, the report may include a predicted beam failure instance (BFI) count. For RLF predictions, the report may include the RLF type. For T310 time-based RLF, the report may indicate a predicted out-of-sync (OoS) count and a predicted in-sync (IS) count. For RLC maximum retransmission-based RLF, the report may include logical channel ID (s) and RLC retransmission counts (e.g., top K retransmission counts) for each service data unit (SDU) being retransmitted.

[0120] When multiple time windows are configured (as described in detail below) , any of the report parameters may be present for each time window.

[0121] According to further aspects of the present disclosure, the UE determines whether or when to send the prediction report. In some aspects, the UE always sends the prediction report to the network whenever a prediction occurs. In other aspects, the UE autonomously determines whether to transmit the prediction report. For example, the UE may determine that RLF or BFD is unlikely based on a prediction and thus may decide not to send a report. On the other hand, if BFD or RLF appears likely based on a prediction, the UE generates and transmits a prediction report. The autonomous decision may be based on serving or neighboring cell measurements, quality of service (QoS) requirement, etc.

[0122] In further aspects, the UE is configured with a set of parameters for determining whether to send the report. The configuration may be standardized in a specification or received via RRC signaling. In these aspects, the parameter set may include a predicted probability threshold and / or a confidence level threshold. BFD specific parameters may include a predicted beam failure instance (BFI) count threshold. RLF specific parameters for T310-based RLF procedures may include a predicted out-of-sync (OoS) count threshold and / or a predicted in-sync (IS) count threshold. For RLC maximum retransmission based RLF procedures, the parameters may include a predicted RLC retransmission count threshold, and / or a predicted number of RLC SDUs above the retransmission count threshold.

[0123] In some aspects, a parameter value is omitted, in which case the UE determines the value autonomously or uses a default value specified in a standards specification.

[0124] Some parameters may be provided in vector form, for example, multiple time windows may be associated with each value. FIGURE 8 is a timing diagram illustrating multiple windows, in accordance with various aspects of the present disclosure. In the example of FIGURE 8, a prediction occurs at time t0. In a first time window 802 (e.g., a nearest future time window) , between times t0 and t1, a first probability threshold and a first confidence level threshold are configured. In a second time window 804, between times t1 and t2, a second probability threshold and a second confidence level threshold are configured. In a third time window 806 (e.g., farthest future time window) , between times t2 and t3, a third probability threshold and a third confidence level threshold are configured. Thus, each time window is configured with different probability thresholds and confidence level thresholds. In some implementations, the thresholds may decrease as the time windows are further in the future. In the example of FIGURE 8, the probability threshold is 90%in the first window 802, 70%in the second window 804, and 50%in the third window 806. Similarly, the confidence level threshold is 50%in the first window 802, 40%in the second window 804, and 30%in the third window 806.

[0125] Possible containers for the prediction report will now be discussed. In some implementations, the UE may transmit the prediction report in an RRC message. For  example, the UE may transmit the prediction report as an independent RRC message, or multiplexed or included in an RRC measurement report.

[0126] In other implementations, the UE may transmit the prediction report via a MAC-CE. The UE may send the indication and related information to the MAC layer if the prediction entity operates outside the MAC layer, for example, if the physical layer generates the report and transmits the report to the MAC layer.

[0127] Uplink control information (UCI) is another potential container. In this implementation, the UE may send the indication and related information to the physical (PHY) layer if the prediction entity operates outside the PHY layer. For UCI, one-step transmission may include a dedicated physical uplink control channel (PUCCH) or physical uplink shared channel (PUSCH) resource, configured with RRC signaling. The UE transmits the prediction report as UCI with the dedicated resource. For two-step transmission, a dedicated PUCCH may be configured for the UE to request or indicate the PUCCH or PUSCH resource for the prediction report transmission.

[0128] In a fourth container implementation, the UE transmits the report in a radio link control (RLC) control packet data unit (PDU) . This option may apply to RLC maximum retransmissions because the RLC layer checks whether the retransmission counter exceeds the threshold.

[0129] According to further aspects of the present disclosure, the UE may transmit the prediction report through any cell other than the primary cell. For example, the UE may select a first of multiple secondary cells. The UE may select the cell based on historical data for downlink or uplink channel conditions. Downlink channel conditions may include, for example, a hypothetical physical downlink control channel (PDCCH) block error rate (BLER) , a downlink PHY / MAC / RLC BLER, RSRP, RSRQ, and / or signal-to-interference noise ratio (SINR) . Uplink channel conditions may include, for example, uplink PHY / MAC / RLC BLER, a power headroom report (PHR) , or a maximum permissible exposure (MPE) value.

[0130] The UE’s subsequent actions upon detecting a predicted BFD or RLF may be defined in a standards specification.

[0131] In a first option, the BFD and / or RLF prediction results may be used as an event triggering condition for a layer one (L1) channel state information (CSI) report or layer three (L3) measurement report transmission from the UE. The event condition may include a subset of {predicted probability, confidence level, and predicted timing} . The measurement report may include the predicted measurement values.

[0132] In a second option, the BFD and / or RLF prediction results may be defined as a triggering condition for beam failure recovery (BFR) or RRC reestablishment. The event condition may include a subset of {predicted probability, confidence level, and predicted timing} .

[0133] In a third option, the BFD and / or RLF prediction results may be used as a triggering condition for a conditional cell switch, for example, conditional HO or conditional LTM. For conditional LTM, when a MAC-CE is used for the prediction report, a timing relationship between the MAC-CE transmission and conditional cell switch (e.g., conditional LTM) may be defined in the specification.

[0134] In a fourth option, a separate set of threshold values of probability, confidence level, time window, etc. may be configured in RRC for BFD and / or RLF prediction. The values may be used as a triggering condition, as described above in options one, two, and three.

[0135] As indicated above, FIGURES 6-8 are provided as examples. Other examples may differ from what is described with respect to FIGURES 6-8.

[0136] FIGURE 9 is a flow diagram illustrating an example process 900 performed, for example, by a user equipment (UE) , in accordance with various aspects of the present disclosure. The example process 900 is an example of a configuration for a beam failure detection (BFD) and / or radio link failure (RLF) prediction report, as well as subsequent actions by a user equipment (UE) . The operations of the process 900 may be implemented by a UE 120.

[0137] At block 902, the user equipment (UE) receives a failure prediction configuration. For example, the UE (e.g. using the antenna 252, DEMOD / MOD 254, MIMO detector 256, receive processor 258, controller / processor 280, memory 282, and / or the like) may receive the failure prediction configuration. At block 904, the user  equipment (UE) predicts a beam failure detection (BFD) or radio link failure (RLF) in accordance with the failure prediction configuration. For example, the UE (e.g. using the controller / processor 280, memory 282, and / or the like) may predict the BFD.

[0138] At block 906, the user equipment (UE) transmits a failure prediction report based on the failure prediction configuration. For example, the UE (e.g. using the antenna 252, DEMOD / MOD 254, TX MIMO processor 266, transmit processor 264, controller / processor 280, memory 282, and / or the like) may transmit the failure prediction report. In some aspects, the failure prediction report comprises at least one of a cell identity associated with the predicting, a predicted probability, a predicted confidence level, candidate neighbor cell information, a predicted beam failure instance count, an RLF type, a predicted out-of-synchronization count, a predicted in-synchronization count, a logical channel identity, or a radio link control (RLC) retransmission count. The failure prediction report may be transmitted via a radio resource control (RRC) message, a media access control-control element (MAC-CE) , uplink control information (UCI) or a radio link control (RLC) control protocol data unit (PDU) .

[0139] At block 908, the user equipment (UE) performs a wireless procedure based on the failure prediction report. For example, the UE (e.g. using the antenna 252, DEMOD / MOD 254, TX MIMO processor 266, transmit processor 264, MIMO detector 256, receive processor 258, controller / processor 280, memory 282, and / or the like) may perform the wireless procedure. The wireless procedure may include: transmitting a channel state information report, transmitting a measurement report, performing a beam failure recovery operation, performing a radio resource control (RRC) reestablishment operation, or performing a conditional cell switch.

[0140] Example Aspects

[0141] Aspect 1: A method of wireless communication by a user equipment (UE) , comprising: receiving a failure prediction configuration; predicting a beam failure detection (BFD) or radio link failure (RLF) in accordance with the failure prediction configuration; transmitting a failure prediction report based on the failure prediction configuration; and performing a wireless procedure based on the failure prediction report.

[0142] Aspect 2: The method of Aspect 1, in which the failure prediction report comprises at least one of a cell identity associated with the predicting, a predicted probability, a predicted confidence level, candidate neighbor cell information, a predicted beam failure instance count, an RLF type, a predicted out-of-synchronization count, a predicted in-synchronization count, a logical channel identity, or a radio link control (RLC) retransmission count.

[0143] Aspect 3: The method of Aspect 1 or 2, further comprising determining whether to transmit the failure prediction report based on at least one of cell measurements or quality of service (QoS) requirements.

[0144] Aspect 4: The method of Aspect 1, 2, or 3, further comprising determining whether to transmit the failure prediction report based on the failure prediction configuration, which comprises parameters including at least one of: a predicted probability threshold, a confidence level threshold, a predicted beam failure instance count threshold, a predicted out-of-synchronization count threshold, a predicted in-synchronization count threshold, a predicted radio link control (RLC) retransmission count threshold, or a predicted number of RLC service data units (SDUs) above a retransmission threshold.

[0145] Aspect 5: The method of any of the preceding Aspects, in which the parameters comprise vectors corresponding to multiple time windows for each parameter value.

[0146] Aspect 6: The method of any of the preceding Aspects, further comprising transmitting the failure prediction report via a radio resource control (RRC) message, a media access control-control element (MAC-CE) , uplink control information (UCI) or a radio link control (RLC) control protocol data unit (PDU) .

[0147] Aspect 7: The method of any of the preceding Aspects, further comprising transmitting the failure prediction report to a receiving cell other than a primary cell, the receiving cell selected based on historical uplink channel conditions and / or historical downlink channel conditions.

[0148] Aspect 8: The method of any of the preceding Aspects, in which the wireless procedure comprises at least one of: transmitting a channel state information report, transmitting a measurement report, performing a beam failure recovery operation, performing a radio resource control (RRC) reestablishment operation, or performing a conditional cell switch.

[0149] Aspect 9: The method of any of the preceding Aspects, in which the failure prediction configuration comprises different threshold values for triggering conditions of a plurality of procedures of the wireless procedure.

[0150] Aspect 10: An apparatus for wireless communication by a user equipment (UE) , comprising: at least one memory; and at least one processor coupled to the at least one memory, the at least one processor configured: to receive a failure prediction configuration; to predict a beam failure detection (BFD) or radio link failure (RLF) in accordance with the failure prediction configuration; to transmit a failure prediction report based on the failure prediction configuration; and to perform a wireless procedure based on the failure prediction report.

[0151] Aspect 11: The apparatus of Aspect 10, in which the failure prediction report comprises at least one of a cell identity associated with the predicting, a predicted probability, a predicted confidence level, candidate neighbor cell information, a predicted beam failure instance count, an RLF type, a predicted out-of-synchronization count, a predicted in-synchronization count, a logical channel identity, or a radio link control (RLC) retransmission count.

[0152] Aspect 12: The apparatus of Aspect 10 or 11, in which the at least one processor is further configured to determine whether to transmit the failure prediction report based on at least one of cell measurements or quality of service (QoS) requirements.

[0153] Aspect 13: The apparatus of the Aspect 10 -12, in which the failure prediction report based on the failure prediction configuration, which comprises parameters including at least one of: a predicted probability threshold, a confidence level threshold, a predicted beam failure instance count threshold, a predicted out-of- synchronization count threshold, a predicted in-synchronization count threshold, a predicted radio link control (RLC) retransmission count threshold, or a predicted number of RLC service data units (SDUs) above a retransmission threshold.

[0154] Aspect 14: The apparatus of any of the Aspects 10-13, in which the parameters comprise vectors corresponding to multiple time windows for each parameter value.

[0155] Aspect 15: The apparatus of any of the Aspects 10-14, in which the at least one processor is further configured to comprising transmit the failure prediction report via a radio resource control (RRC) message, a media access control-control element (MAC-CE) , uplink control information (UCI) or a radio link control (RLC) control protocol data unit (PDU) .

[0156] Aspect 16: The apparatus any of the Aspects 10-15, in which the at least one processor is further configured to transmit the failure prediction report to a receiving cell other than a primary cell, the receiving cell selected based on historical uplink channel conditions and / or historical downlink channel conditions.

[0157] Aspect 17: The apparatus any of the Aspects 10-16, in which the wireless procedure comprises at least one of: transmitting a channel state information report, transmitting a measurement report, performing a beam failure recovery operation, performing a radio resource control (RRC) reestablishment operation, or performing a conditional cell switch.

[0158] Aspect 18: The apparatus any of the Aspects 10-17, in which the failure prediction configuration comprises different threshold values for triggering conditions of a plurality of procedures of the wireless procedure.

[0159] Aspect 19: A non-transitory computer-readable medium having program code recorded thereon, the program code executed by a processor and comprising: program code to receive a failure prediction configuration; program code to predict a beam failure detection (BFD) or radio link failure (RLF) in accordance with the failure prediction configuration; program code to transmit a failure prediction report based on  the failure prediction configuration; and program code to perform a wireless procedure based on the failure prediction report.

[0160] Aspect 20: The non-transitory computer-readable medium of Aspect 19, in which the failure prediction report comprises at least one of a cell identity associated with the predicting, a predicted probability, a predicted confidence level, candidate neighbor cell information, a predicted beam failure instance count, an RLF type, a predicted out-of-synchronization count, a predicted in-synchronization count, a logical channel identity, or a radio link control (RLC) retransmission count.

[0161] The foregoing disclosure provides illustration and description, but is not intended to be exhaustive or to limit the aspects to the precise form disclosed. Modifications and variations may be made in light of the above disclosure or may be acquired from practice of the aspects.

[0162] As used, the term “component” is intended to be broadly construed as hardware, firmware, and / or a combination of hardware and software. As used, a processor is implemented in hardware, firmware, and / or a combination of hardware and software.

[0163] Some aspects are described in connection with thresholds. As used, satisfying a threshold may, depending on the context, refer to a value being greater than the threshold, greater than or equal to the threshold, less than the threshold, less than or equal to the threshold, equal to the threshold, not equal to the threshold, and / or the like.

[0164] It will be apparent that systems and / or methods described may be implemented in different forms of hardware, firmware, and / or a combination of hardware and software. The actual specialized control hardware or software code used to implement these systems and / or methods is not limiting of the aspects. Thus, the operation and behavior of the systems and / or methods were described without reference to specific software code-it being understood that software and hardware can be designed to implement the systems and / or methods based, at least in part, on the description.

[0165] Even though particular combinations of features are recited in the claims and / or disclosed in the specification, these combinations are not intended to limit the disclosure of various aspects. In fact, many of these features may be combined in ways not specifically recited in the claims and / or disclosed in the specification. Although each dependent claim listed below may directly depend on only one claim, the disclosure of various aspects includes each dependent claim in combination with every other claim in the claim set. 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-b, a-c, b-c, and a-b-c, as well as any combination with multiples of the same element (e.g., a-a, a-a-a, a-a-b, a-a-c, a-b-b, a-c-c, b-b, b-b-b, b-b-c, c-c, and c-c-c or any other ordering of a, b, and c) .

[0166] No element, act, or instruction used should be construed as critical or essential unless explicitly described as such. Also, as used, the articles “a” and “an” are intended to include one or more items, and may be used interchangeably with “one or more. ” Furthermore, as used, the terms “set” and “group” are intended to include one or more items (e.g., related items, unrelated items, a combination of related and unrelated items, and / or the like) , and may be used interchangeably with “one or more. ” Where only one item is intended, the phrase “only one” or similar language is used. Also, as used, the terms “has, ” “have, ” “having, ” and / or the like are intended to be open-ended terms. Further, the phrase “based on” is intended to mean “based, at least in part, on” unless explicitly stated otherwise.

Claims

1.A method of wireless communication by a user equipment (UE) , comprising:receiving a failure prediction configuration;predicting a beam failure detection (BFD) or radio link failure (RLF) in accordance with the failure prediction configuration;transmitting a failure prediction report based on the failure prediction configuration; andperforming a wireless procedure based on the failure prediction report.2.The method of claim 1, in which the failure prediction report comprises at least one of a cell identity associated with the predicting, a predicted probability, a predicted confidence level, candidate neighbor cell information, a predicted beam failure instance count, an RLF type, a predicted out-of-synchronization count, a predicted in-synchronization count, a logical channel identity, or a radio link control (RLC) retransmission count.3.The method of claim 1, further comprising determining whether to transmit the failure prediction report based on at least one of cell measurements or quality of service (QoS) requirements.4.The method of claim 1, further comprising determining whether to transmit the failure prediction report based on the failure prediction configuration, which comprises parameters including at least one of: a predicted probability threshold, a confidence level threshold, a predicted beam failure instance count threshold, a predicted out-of-synchronization count threshold, a predicted in-synchronization count threshold, a predicted radio link control (RLC) retransmission count threshold, or a predicted number of RLC service data units (SDUs) above a retransmission threshold.5.The method of claim 4, in which the parameters comprise vectors corresponding to multiple time windows for each parameter value.6.The method of claim 1, further comprising transmitting the failure prediction report via a radio resource control (RRC) message, a media access control-control element (MAC-CE) , uplink control information (UCI) or a radio link control (RLC) control protocol data unit (PDU) .7.The method of claim 1, further comprising transmitting the failure prediction report to a receiving cell other than a primary cell, the receiving cell selected based on historical uplink channel conditions and / or historical downlink channel conditions.8.The method of claim 1, in which the wireless procedure comprises at least one of: transmitting a channel state information report, transmitting a measurement report, performing a beam failure recovery operation, performing a radio resource control (RRC) reestablishment operation, or performing a conditional cell switch.9.The method of claim 8, in which the failure prediction configuration comprises different threshold values for triggering conditions of a plurality of procedures of the wireless procedure.10.An apparatus for wireless communication by a user equipment (UE) , comprising:at least one memory; andat least one processor coupled to the at least one memory, the at least one processor configured:to receive a failure prediction configuration;to predict a beam failure detection (BFD) or radio link failure (RLF) in accordance with the failure prediction configuration;to transmit a failure prediction report based on the failure prediction configuration; andto perform a wireless procedure based on the failure prediction report.11.The apparatus of claim 10, in which the failure prediction report comprises at least one of a cell identity associated with the predicting, a predicted probability, a predicted confidence level, candidate neighbor cell information, a predicted beam failure instance count, an RLF type, a predicted out-of-synchronization  count, a predicted in-synchronization count, a logical channel identity, or a radio link control (RLC) retransmission count.12.The apparatus of claim 10, in which the at least one processor is further configured to determine whether to transmit the failure prediction report based on at least one of cell measurements or quality of service (QoS) requirements.13.The apparatus of claim 10, in which the at least one processor is further configured to determine to transmit the failure prediction report based on the failure prediction configuration, which comprises parameters including at least one of: a predicted probability threshold, a confidence level threshold, a predicted beam failure instance count threshold, a predicted out-of-synchronization count threshold, a predicted in-synchronization count threshold, a predicted radio link control (RLC) retransmission count threshold, or a predicted number of RLC service data units (SDUs) above a retransmission threshold.14.The apparatus of claim 13, in which the parameters comprise vectors corresponding to multiple time windows for each parameter value.15.The apparatus of claim 10, in which the at least one processor is further configured to comprising transmit the failure prediction report via a radio resource control (RRC) message, a media access control-control element (MAC-CE) , uplink control information (UCI) or a radio link control (RLC) control protocol data unit (PDU) .16.The apparatus of claim 10, in which the at least one processor is further configured to transmit the failure prediction report to a receiving cell other than a primary cell, the receiving cell selected based on historical uplink channel conditions and / or historical downlink channel conditions.17.The apparatus of claim 10, in which the wireless procedure comprises at least one of: transmitting a channel state information report, transmitting a measurement report, performing a beam failure recovery operation, performing a radio resource control (RRC) reestablishment operation, or performing a conditional cell switch.18.The apparatus of claim 17, in which the failure prediction configuration comprises different threshold values for triggering conditions of a plurality of procedures of the wireless procedure.19.A non-transitory computer-readable medium having program code recorded thereon, the program code executed by a processor and comprising:program code to receive a failure prediction configuration;program code to predict a beam failure detection (BFD) or radio link failure (RLF) in accordance with the failure prediction configuration;program code to transmit a failure prediction report based on the failure prediction configuration; andprogram code to perform a wireless procedure based on the failure prediction report.20.The non-transitory computer-readable medium of claim 19, in which the failure prediction report comprises at least one of a cell identity associated with the predicting, a predicted probability, a predicted confidence level, candidate neighbor cell information, a predicted beam failure instance count, an RLF type, a predicted out-of-synchronization count, a predicted in-synchronization count, a logical channel identity, or a radio link control (RLC) retransmission count.

Images