Micro-doppler spectrogram-based prediction of number of sensed target objects

Abstract

Aspects of the disclosure are directed to micro-Doppler spectrogram-based prediction of number of sensed target objects. In an aspect, in addition to target object (e.g., unmanned aerial vehicle (UAV) ) disambiguation and target object individual signature clustering of sensed multipaths, the overall number of sensed target objects may further be predicted (i.e., counted) and utilized for sensing operations. Such aspects may provide various technical advantages, such as improved sensing accuracy, reduced sensing latency, and so on.

Description

MICRO-DOPPLER SPECTROGRAM-BASED PREDICTION OF NUMBER OF SENSED TARGET OBJECTSTECHNICAL FIELD

[0001] Aspects of the disclosure relate generally to wireless technologies.BACKGROUND

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

[0003] A fifth generation (5G) wireless standard, referred to as New Radio (NR) , enables higher data transfer speeds, greater numbers of connections, and better coverage, among other improvements. The 5G standard, according to the Next Generation Mobile Networks Alliance, is designed to provide higher data rates as compared to previous standards, more accurate positioning (e.g., based on reference signals for positioning (RS-P) , such as downlink, uplink, or sidelink positioning reference signals (PRS) ) , RF sensing, and other technical enhancements. These enhancements, as well as the use of higher frequency bands, enable improved RF sensing and 5G-based positioning.SUMMARY

[0004] The following presents a simplified summary relating to one or more aspects disclosed herein. Thus, the following summary should not be considered an extensive overview relating to all contemplated aspects, nor should the following summary be considered to identify key or critical elements relating to all contemplated aspects or to delineate the scope associated with any particular aspect. Accordingly, the following summary has the sole purpose to present certain concepts relating to one or more aspects relating to the mechanisms disclosed herein in a simplified form to precede the detailed description presented below.

[0005] In an aspect, a method performed by a device includes providing, as inputs to a set of artificial intelligence machine learning (AIML) models, a plurality of micro-Doppler spectrograms associated with sensing signal measurements performed by a sensing receive node via a radio frequency sensing (RF-S) procedure, each of the plurality of micro-Doppler spectrograms associated with a different receive path of the sensing signal measurements; obtaining, as inferences from the set of AIML models, a plurality of target object signatures corresponding to the plurality of micro-Doppler spectrograms; determining a predicted number of distinct target objects detected by the RF-S procedure based on the plurality of target object signatures; and performing one or more actions based on the predicted number of distinct target objects.

[0006] In an aspect, a device includes one or more memories; one or more transceivers; and one or more processors communicatively coupled to the one or more memories and the one or more transceivers, wherein the one or more processors, either alone or in combination, are configured to: provide as inputs to a set of artificial intelligence machine learning (AIML) models, a plurality of micro-Doppler spectrograms associated with sensing signal measurements performed by a sensing receive node via a radio frequency sensing (RF-S) procedure, each of the plurality of micro-Doppler spectrograms associated with a different receive path of the sensing signal measurements; obtain as inferences from the set of AIML models, a plurality of target object signatures corresponding to the plurality of micro-Doppler spectrograms; determine a predicted number of distinct target objects detected by the RF-S procedure based on the plurality of target object signatures; and perform one or more actions based on the predicted number of distinct target objects.

[0007] In an aspect, a device includes means for providing, as inputs to a set of artificial intelligence machine learning (AIML) models, a plurality of micro-Doppler spectrograms associated with sensing signal measurements performed by a sensing receive node via a radio frequency sensing (RF-S) procedure, each of the plurality of micro-Doppler spectrograms associated with a different receive path of the sensing signal measurements; means for obtaining, as inferences from the set of AIML models, a plurality of target object signatures corresponding to the plurality of micro-Doppler spectrograms; means for determining a predicted number of distinct target objects detected by the RF-S procedure based on the plurality of target object signatures; and means for performing one or more actions based on the predicted number of distinct target objects.

[0008] In an aspect, a non-transitory computer-readable medium storing computer-executable instructions that, when executed by a device, cause the device to: provide, as inputs to a set of artificial intelligence machine learning (AIML) models, a plurality of micro-Doppler spectrograms associated with sensing signal measurements performed by a sensing receive node via a radio frequency sensing (RF-S) procedure, each of the plurality of micro-Doppler spectrograms associated with a different receive path of the sensing signal measurements; obtain, as inferences from the set of AIML models, a plurality of target object signatures corresponding to the plurality of micro-Doppler spectrograms; determine a predicted number of distinct target objects detected by the RF-S procedure based on the plurality of target object signatures; and perform one or more actions based on the predicted number of distinct target objects.

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

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

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

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

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

[0014] FIGS. 4A and 4B illustrate different types of wireless sensing, according to aspects of the disclosure.

[0015] FIGS. 5A to 5F illustrate various example monostatic and bistatic sensing use cases, according to aspects of the disclosure.

[0016] FIG. 6 illustrates an example call flow for a New Radio (NR) -based sensing procedure in which the network configures the sensing parameters, according to aspects of the disclosure.

[0017] FIG. 7 illustrates an example neural network, according to aspects of the disclosure.

[0018] FIG. 8A is a diagram illustrating an example of direct artificial intelligence / machine learning (AIML) positioning and / or sensing, according to aspects of the disclosure.

[0019] FIG. 8B is a diagram illustrating an example of AIML assisted positioning and / or sensing, according to aspects of the disclosure.

[0020] FIG. 8C illustrates various AIML positioning and / or sensing scenarios, according to aspects of the disclosure.

[0021] FIGS. 9A-9G are diagrams illustrating an example associated with updating AIML model for object recognition, in accordance with aspects of the present disclosure.

[0022] FIG. 10 shows an example of a velocity projection diagram that supports micro-Doppler object signature detection in accordance with one or more aspects of the present disclosure.

[0023] FIG. 11 shows an example of a diagram of a four-propeller unmanned aerial vehicle (UAV) that supports micro-Doppler object signature detection in accordance with one or more aspects of the present disclosure.

[0024] FIG. 12 shows an example of a wireless communications system that supports micro-Doppler object signature detection in accordance with one or more aspects of the present disclosure.

[0025] FIG. 13A shows an example of a process flow that supports micro-Doppler object signature detection in accordance with one or more aspects of the present disclosure.

[0026] FIG. 13B illustrates a mapping between UAV propeller blades and micro-Doppler spectrograms, in accordance with aspects of the disclosure.

[0027] FIG. 14 illustrates an exemplary process of communications according to an aspect of the disclosure.

[0028] FIG. 15 illustrates an example implementation of the process of FIG. 14, in accordance with aspects of the disclosure.DETAILED DESCRIPTION

[0029] Aspects of the disclosure are provided in the following description and related drawings directed to various examples provided for illustration purposes. Alternate aspects may be devised without departing from the scope of the disclosure. Additionally, well-known elements of the disclosure will not be described in detail or will be omitted so as not to obscure the relevant details of the disclosure.

[0030] In unmanned aerial vehicle (UAV) sensing in multipath environments, each UAV may have multiple sensing paths, which result in false alarms (i.e., due to UAV ambiguity) .

[0031] Aspects of the disclosure are directed to micro-Doppler spectrogram-based prediction of number of sensed target objects. In an aspect, in addition to target object (e.g., unmanned aerial vehicle (UAV) ) disambiguation and target object individual signature clustering of sensed multipaths, the overall number of sensed target objects may further be predicted (i.e., counted) and utilized for sensing operations. Such aspects may provide various technical advantages, such as improved sensing accuracy, reduced sensing latency, and so on.

[0032] The words “exemplary” and / or “example” are used herein to mean “serving as an example, instance, or illustration. ” Any aspect described herein as “exemplary” and / or “example” is not necessarily to be construed as preferred or advantageous over other aspects. Likewise, the term “aspects of the disclosure” does not require that all aspects of the disclosure include the discussed feature, advantage or mode of operation.

[0033] Those of skill in the art will appreciate that the information and signals described below may be represented using any of a variety of different technologies and techniques. For example, data, instructions, commands, information, signals, bits, symbols, and chips that may be referenced throughout the description below may be represented by voltages, currents, electromagnetic waves, magnetic fields or particles, optical fields or particles, or any combination thereof, depending in part on the particular application, in part on the desired design, in part on the corresponding technology, etc.

[0034] Further, many aspects are described in terms of sequences of actions to be performed by, for example, elements of a computing device. It will be recognized that various actions described herein can be performed by specific circuits (e.g., application specific integrated circuits (ASICs) ) , by program instructions being executed by one or more processors, or by a combination of both. Additionally, the sequence (s) of actions described herein can be considered to be embodied entirely within any form of non-transitory computer-readable storage medium having stored therein a corresponding set of computer instructions that, upon execution, would cause or instruct an associated processor of a device to perform the functionality described herein. Thus, the various aspects of the disclosure may be embodied in a number of different forms, all of which have been contemplated to be within the scope of the claimed subject matter. In addition, for each of the aspects described herein, the corresponding form of any such aspects may be described herein as, for example, “logic configured to” perform the described action.

[0035] As used herein, the terms “user equipment” (UE) and “base station” are not intended to be specific or otherwise limited to any particular radio access technology (RAT) , unless otherwise noted. In general, a UE may be any wireless communication device (e.g., a mobile phone, router, tablet computer, laptop computer, consumer asset locating device, wearable (e.g., smartwatch, glasses, augmented reality (AR)  / virtual reality (VR) headset, etc. ) , vehicle (e.g., automobile, motorcycle, bicycle, etc. ) , Internet of Things (IoT) device, etc. ) used by a user to communicate over a wireless communications network. A UE may be mobile or may (e.g., at certain times) be stationary, and may communicate with a radio access network (RAN) . As used herein, the term “UE” may be referred to interchangeably as an “access terminal” or “AT, ” a “client device, ” a “wireless device, ” a “subscriber device, ” a “subscriber terminal, ” a “subscriber station, ” a “user terminal” or “UT, ” a “mobile device, ” a “mobile terminal, ” a “mobile station, ” or variations thereof. Generally, UEs can communicate with a core network via a RAN, and through the core network the UEs can be connected with external networks such as the Internet and with other UEs. Of course, other mechanisms of connecting to the core network and / or the Internet are also possible for the UEs, such as over wired access networks, wireless local area network (WLAN) networks (e.g., based on the Institute of Electrical and Electronics Engineers (IEEE) 802.11 specification, etc. ) and so on.

[0036] A base station may operate according to one of several RATs in communication with UEs depending on the network in which it is deployed, and may be alternatively referred to as an access point (AP) , a network node, a NodeB, an evolved NodeB (eNB) , a next generation eNB (ng-eNB) , a New Radio (NR) Node B (also referred to as a gNB or gNodeB) , etc. A base station may be used primarily to support wireless access by UEs, including supporting data, voice, and / or signaling connections for the supported UEs. In some systems a base station may provide purely edge node signaling functions while in other systems it may provide additional control and / or network management functions. A communication link through which UEs can send signals to a base station is called an uplink (UL) channel (e.g., a reverse traffic channel, a reverse control channel, an access channel, etc. ) . A communication link through which the base station can send signals to UEs is called a downlink (DL) or forward link channel (e.g., a paging channel, a control channel, a broadcast channel, a forward traffic channel, etc. ) . As used herein the term traffic channel (TCH) can refer to either an uplink  / reverse or downlink  / forward traffic channel.

[0037] The term “base station” may refer to a single physical transmission-reception point (TRP) or to multiple physical TRPs that may or may not be co-located. For example, where the term “base station” refers to a single physical TRP, the physical TRP may be an antenna of the base station corresponding to a cell (or several cell sectors) of the base station. Where the term “base station” refers to multiple co-located physical TRPs, the physical TRPs may be an array of antennas (e.g., as in a multiple-input multiple-output (MIMO) system or where the base station employs beamforming) of the base station. Where the term “base station” refers to multiple non-co-located physical TRPs, the physical TRPs may be a distributed antenna system (DAS) (a network of spatially separated antennas connected to a common source via a transport medium) or a remote radio head (RRH) (a remote base station connected to a serving base station) . Alternatively, the non-co-located physical TRPs may be the serving base station receiving the measurement report from the UE and a neighbor base station whose reference radio frequency (RF) signals the UE is measuring. Because a TRP is the point from which a base station transmits and receives wireless signals, as used herein, references to transmission from or reception at a base station are to be understood as referring to a particular TRP of the base station.

[0038] In some implementations that support positioning of UEs, a base station may not support wireless access by UEs (e.g., may not support data, voice, and / or signaling connections for UEs) , but may instead transmit reference signals to UEs to be measured by the UEs, and / or may receive and measure signals transmitted by the UEs. Such a base station may be referred to as a positioning beacon (e.g., when transmitting signals to UEs) and / or as a location measurement unit (e.g., when receiving and measuring signals from UEs) .

[0039] An “RF signal” comprises an electromagnetic wave of a given frequency that transports information through the space between a transmitter and a receiver. As used herein, a transmitter may transmit a single “RF signal” or multiple “RF signals” to a receiver. However, the receiver may receive multiple “RF signals” corresponding to each transmitted RF signal due to the propagation characteristics of RF signals through multipath channels. The same transmitted RF signal on different paths between the transmitter and receiver may be referred to as a “multipath” RF signal. As used herein, an RF signal may also be referred to as a “wireless signal” or simply a “signal” where it is clear from the context that the term “signal” refers to a wireless signal or an RF signal.

[0040] FIG. 1 illustrates an example wireless communications system 100, according to aspects of the disclosure. The wireless communications system 100 (which may also be referred to as a wireless wide area network (WWAN) ) may include various base stations 102 (labeled “BS” ) and various UEs 104. The base stations 102 may include macro cell base stations (high power cellular base stations) and / or small cell base stations (low power cellular base stations) . In an aspect, the macro cell base stations may include eNBs and / or ng-eNBs where the wireless communications system 100 corresponds to an LTE network, or gNBs where the wireless communications system 100 corresponds to a NR network, or a combination of both, and the small cell base stations may include femtocells, picocells, microcells, etc.

[0041] The base stations 102 may collectively form a RAN and interface with a core network 170 (e.g., an evolved packet core (EPC) or a 5G core (5GC) ) through backhaul links 122, and through the core network 170 to one or more location servers 172 (e.g., a location management function (LMF) or a secure user plane location (SUPL) location platform (SLP) ) . The location server (s) 172 may be part of core network 170 or may be external to core network 170. A location server 172 may be integrated with a base station 102. A UE 104 may communicate with a location server 172 directly or indirectly. For example, a UE 104 may communicate with a location server 172 via the base station 102 that is currently serving that UE 104. A UE 104 may also communicate with a location server 172 through another path, such as via an application server (not shown) , via another network, such as via a wireless local area network (WLAN) access point (AP) (e.g., AP 150 described below) , and so on. For signaling purposes, communication between a UE 104 and a location server 172 may be represented as an indirect connection (e.g., through the core network 170, etc. ) or a direct connection (e.g., as shown via direct connection 128) , with the intervening nodes (if any) omitted from a signaling diagram for clarity.

[0042] In addition to other functions, the base stations 102 may perform functions that relate to one or more of transferring user data, radio channel ciphering and deciphering, integrity protection, header compression, mobility control functions (e.g., handover, dual connectivity) , inter-cell interference coordination, connection setup and release, load balancing, distribution for non-access stratum (NAS) messages, NAS node selection, synchronization, RAN sharing, multimedia broadcast multicast service (MBMS) , subscriber and equipment trace, RAN information management (RIM) , paging, positioning, and delivery of warning messages. The base stations 102 may communicate with each other directly or indirectly (e.g., through the EPC  / 5GC) over backhaul links 134, which may be wired or wireless.

[0043] The base stations 102 may wirelessly communicate with the UEs 104. Each of the base stations 102 may provide communication coverage for a respective geographic coverage area 110. In an aspect, one or more cells may be supported by a base station 102 in each geographic coverage area 110. A “cell” is a logical communication entity used for communication with a base station (e.g., over some frequency resource, referred to as a carrier frequency, component carrier, carrier, band, or the like) , and may be associated with an identifier (e.g., a physical cell identifier (PCI) , an enhanced cell identifier (ECI) , a virtual cell identifier (VCI) , a cell global identifier (CGI) , etc. ) for distinguishing cells operating via the same or a different carrier frequency. In some cases, different cells may be configured according to different protocol types (e.g., machine-type communication (MTC) , narrowband IoT (NB-IoT) , enhanced mobile broadband (eMBB) , or others) that may provide access for different types of UEs. Because a cell is supported by a specific base station, the term “cell” may refer to either or both of the logical communication entity and the base station that supports it, depending on the context. In addition, because a TRP is typically the physical transmission point of a cell, the terms “cell” and “TRP” may be used interchangeably. In some cases, the term “cell” may also refer to a geographic coverage area of a base station (e.g., a sector) , insofar as a carrier frequency can be detected and used for communication within some portion of geographic coverage areas 110.

[0044] While neighboring macro cell base station 102 geographic coverage areas 110 may partially overlap (e.g., in a handover region) , some of the geographic coverage areas 110 may be substantially overlapped by a larger geographic coverage area 110. For example, a small cell base station 102' (labeled “SC” for “small cell” ) may have a geographic coverage area 110' that substantially overlaps with the geographic coverage area 110 of one or more macro cell base stations 102. A network that includes both small cell and macro cell base stations may be known as a heterogeneous network. A heterogeneous network may also include home eNBs (HeNBs) , which may provide service to a restricted group known as a closed subscriber group (CSG) .

[0045] The communication links 120 between the base stations 102 and the UEs 104 may include uplink (also referred to as reverse link) transmissions from a UE 104 to a base station 102 and / or downlink (DL) (also referred to as forward link) transmissions from a base station 102 to a UE 104. The communication links 120 may use MIMO antenna technology, including spatial multiplexing, beamforming, and / or transmit diversity. The communication links 120 may be through one or more carrier frequencies. Allocation of carriers may be asymmetric with respect to downlink and uplink (e.g., more or less carriers may be allocated for downlink than for uplink) .

[0046] The wireless communications system 100 may further include a wireless local area network (WLAN) access point (AP) 150 in communication with WLAN stations (STAs) 152 via communication links 154 in an unlicensed frequency spectrum (e.g., 5 GHz) . When communicating in an unlicensed frequency spectrum, the WLAN STAs 152 and / or the WLAN AP 150 may perform a clear channel assessment (CCA) or listen before talk (LBT) procedure prior to communicating in order to determine whether the channel is available.

[0047] The small cell base station 102' may operate in a licensed and / or an unlicensed frequency spectrum. When operating in an unlicensed frequency spectrum, the small cell base station 102' may employ LTE or NR technology and use the same 5 GHz unlicensed frequency spectrum as used by the WLAN AP 150. The small cell base station 102', employing LTE  / 5G in an unlicensed frequency spectrum, may boost coverage to and / or increase capacity of the access network. NR in unlicensed spectrum may be referred to as NR-U. LTE in an unlicensed spectrum may be referred to as LTE-U, licensed assisted access (LAA) , or

[0048] The wireless communications system 100 may further include a millimeter wave (mmW) base station 180 that may operate in mmW frequencies and / or near mmW frequencies in communication with a UE 182. Extremely high frequency (EHF) is part of the RF in the electromagnetic spectrum. EHF has a range of 30 GHz to 300 GHz and a wavelength between 1 millimeter and 10 millimeters. Radio waves in this band may be referred to as a millimeter wave. Near mmW may extend down to a frequency of 3 GHz with a wavelength of 100 millimeters. The super high frequency (SHF) band extends between 3 GHz and 30 GHz, also referred to as centimeter wave. Communications using the mmW / near mmW radio frequency band have high path loss and a relatively short range. The mmW base station 180 and the UE 182 may utilize beamforming (transmit and / or receive) over a mmW communication link 184 to compensate for the extremely high path loss and short range. Further, it will be appreciated that in alternative configurations, one or more base stations 102 may also transmit using mmW or near mmW and beamforming. Accordingly, it will be appreciated that the foregoing illustrations are merely examples and should not be construed to limit the various aspects disclosed herein.

[0049] Transmit beamforming is a technique for focusing an RF signal in a specific direction. Traditionally, when a network node (e.g., a base station) broadcasts an RF signal, it broadcasts the signal in all directions (omni-directionally) . With transmit beamforming, the network node determines where a given target device (e.g., a UE) is located (relative to the transmitting network node) and projects a stronger downlink RF signal in that specific direction, thereby providing a faster (in terms of data rate) and stronger RF signal for the receiving device (s) . To change the directionality of the RF signal when transmitting, a network node can control the phase and relative amplitude of the RF signal at each of the one or more transmitters that are broadcasting the RF signal. For example, a network node may use an array of antennas (referred to as a “phased array” or an “antenna array” ) that creates a beam of RF waves that can be “steered” to point in different directions, without actually moving the antennas. Specifically, the RF current from the transmitter is fed to the individual antennas with the correct phase relationship so that the radio waves from the separate antennas add together to increase the radiation in a desired direction, while cancelling to suppress radiation in undesired directions.

[0050] Transmit beams may be quasi-co-located, meaning that they appear to the receiver (e.g., a UE) as having the same parameters, regardless of whether or not the transmitting antennas of the network node themselves are physically co-located. In NR, there are four types of quasi-co-location (QCL) relations. Specifically, a QCL relation of a given type means that certain parameters about a second reference RF signal on a second beam can be derived from information about a source reference RF signal on a source beam. Thus, if the source reference RF signal is QCL Type A, the receiver can use the source reference RF signal to estimate the Doppler shift, Doppler spread, average delay, and delay spread of a second reference RF signal transmitted on the same channel. If the source reference RF signal is QCL Type B, the receiver can use the source reference RF signal to estimate the Doppler shift and Doppler spread of a second reference RF signal transmitted on the same channel. If the source reference RF signal is QCL Type C, the receiver can use the source reference RF signal to estimate the Doppler shift and average delay of a second reference RF signal transmitted on the same channel. If the source reference RF signal is QCL Type D, the receiver can use the source reference RF signal to estimate the spatial receive parameter of a second reference RF signal transmitted on the same channel.

[0051] In receive beamforming, the receiver uses a receive beam to amplify RF signals detected on a given channel. For example, the receiver can increase the gain setting and / or adjust the phase setting of an array of antennas in a particular direction to amplify (e.g., to increase the gain level of) the RF signals received from that direction. Thus, when a receiver is said to beamform in a certain direction, it means the beam gain in that direction is high relative to the beam gain along other directions, or the beam gain in that direction is the highest compared to the beam gain in that direction of all other receive beams available to the receiver. This results in a stronger received signal strength (e.g., reference signal received power (RSRP) , reference signal received quality (RSRQ) , signal-to-interference-plus-noise ratio (SINR) , etc. ) of the RF signals received from that direction.

[0052] Transmit and receive beams may be spatially related. A spatial relation means that parameters for a second beam (e.g., a transmit or receive beam) for a second reference signal can be derived from information about a first beam (e.g., a receive beam or a transmit beam) for a first reference signal. For example, a UE may use a particular receive beam to receive a reference downlink reference signal (e.g., synchronization signal block (SSB) ) from a base station. The UE can then form a transmit beam for sending an uplink reference signal (e.g., sounding reference signal (SRS) ) to that base station based on the parameters of the receive beam.

[0053] Note that a “downlink” beam may be either a transmit beam or a receive beam, depending on the entity forming it. For example, if a base station is forming the downlink beam to transmit a reference signal to a UE, the downlink beam is a transmit beam. If the UE is forming the downlink beam, however, it is a receive beam to receive the downlink reference signal. Similarly, an “uplink” beam may be either a transmit beam or a receive beam, depending on the entity forming it. For example, if a base station is forming the uplink beam, it is an uplink receive beam, and if a UE is forming the uplink beam, it is an uplink transmit beam.

[0054] The electromagnetic spectrum is often subdivided, based on frequency / wavelength, into various classes, bands, channels, etc. In 5G NR two initial operating bands have been identified as frequency range designations FR1 (410 MHz –7.125 GHz) and FR2 (24.25 GHz –52.6 GHz) . It should be understood that although a portion of FR1 is greater than 6 GHz, FR1 is often referred to (interchangeably) as a “Sub-6 GHz” band in various documents and articles. A similar nomenclature issue sometimes occurs with regard to FR2, which is often referred to (interchangeably) as a “millimeter wave” band in documents and articles, despite being different from the extremely high frequency (EHF) band (30 GHz –300 GHz) which is identified by the INTERNATIONAL TELECOMMUNICATION  as a “millimeter wave” band.

[0055] The frequencies between FR1 and FR2 are often referred to as mid-band frequencies. Recent 5G NR studies have identified an operating band for these mid-band frequencies as frequency range designation FR3 (7.125 GHz –24.25 GHz) . Frequency bands falling within FR3 may inherit FR1 characteristics and / or FR2 characteristics, and thus may effectively extend features of FR1 and / or FR2 into mid-band frequencies. In addition, higher frequency bands are currently being explored to extend 5G NR operation beyond 52.6 GHz. For example, three higher operating bands have been identified as frequency range designations FR4a or FR4-1 (52.6 GHz –71 GHz) , FR4 (52.6 GHz –114.25 GHz) , and FR5 (114.25 GHz –300 GHz) . Each of these higher frequency bands falls within the EHF band.

[0056] With the above aspects in mind, unless specifically stated otherwise, it should be understood that the term “sub-6 GHz” or the like if used herein may broadly represent frequencies that may be less than 6 GHz, may be within FR1, or may include mid-band frequencies. Further, unless specifically stated otherwise, it should be understood that the term “millimeter wave” or the like if used herein may broadly represent frequencies that may include mid-band frequencies, may be within FR2, FR4, FR4-a or FR4-1, and / or FR5, or may be within the EHF band.

[0057] In a multi-carrier system, such as 5G, one of the carrier frequencies is referred to as the “primary carrier” or “anchor carrier” or “primary serving cell” or “PCell, ” and the remaining carrier frequencies are referred to as “secondary carriers” or “secondary serving cells” or “SCells. ” In carrier aggregation, the anchor carrier is the carrier operating on the primary frequency (e.g., FR1) utilized by a UE 104 / 182 and the cell in which the UE 104 / 182 either performs the initial radio resource control (RRC) connection establishment procedure or initiates the RRC connection re-establishment procedure. The primary carrier carries all common and UE-specific control channels, and may be a carrier in a licensed frequency (however, this is not always the case) . A secondary carrier is a carrier operating on a second frequency (e.g., FR2) that may be configured once the RRC connection is established between the UE 104 and the anchor carrier and that may be used to provide additional radio resources. In some cases, the secondary carrier may be a carrier in an unlicensed frequency. The secondary carrier may contain only necessary signaling information and signals, for example, those that are UE-specific may not be present in the secondary carrier, since both primary uplink and downlink carriers are typically UE-specific. This means that different UEs 104 / 182 in a cell may have different downlink primary carriers. The same is true for the uplink primary carriers. The network is able to change the primary carrier of any UE 104 / 182 at any time. This is done, for example, to balance the load on different carriers. Because a “serving cell” (whether a PCell or an SCell) corresponds to a carrier frequency  / component carrier over which some base station is communicating, the term “cell, ” “serving cell, ” “component carrier, ” “carrier frequency, ” and the like can be used interchangeably.

[0058] For example, still referring to FIG. 1, one of the frequencies utilized by the macro cell base stations 102 may be an anchor carrier (or “PCell” ) and other frequencies utilized by the macro cell base stations 102 and / or the mmW base station 180 may be secondary carriers ( “SCells” ) . The simultaneous transmission and / or reception of multiple carriers enables the UE 104 / 182 to significantly increase its data transmission and / or reception rates. For example, two 20 MHz aggregated carriers in a multi-carrier system would theoretically lead to a two-fold increase in data rate (i.e., 40 MHz) , compared to that attained by a single 20 MHz carrier.

[0059] The wireless communications system 100 may further include a UE 164 that may communicate with a macro cell base station 102 over a communication link 120 and / or the mmW base station 180 over a mmW communication link 184. For example, the macro cell base station 102 may support a PCell and one or more SCells for the UE 164 and the mmW base station 180 may support one or more SCells for the UE 164.

[0060] In some cases, the UE 164 and the UE 182 may be capable of sidelink communication. Sidelink-capable UEs (SL-UEs) may communicate with base stations 102 over communication links 120 using the Uu interface (i.e., the air interface between a UE and a base station) . SL-UEs (e.g., UE 164, UE 182) may also communicate directly with each other over a wireless sidelink 160 using the PC5 interface (i.e., the air interface between sidelink-capable UEs) . A wireless sidelink (or just “sidelink” ) is an adaptation of the core cellular (e.g., LTE, NR) standard that allows direct communication between two or more UEs without the communication needing to go through a base station. Sidelink communication may be unicast or multicast, and may be used for device-to-device (D2D) media-sharing, vehicle-to-vehicle (V2V) communication, vehicle-to-everything (V2X) communication (e.g., cellular V2X (cV2X) communication, enhanced V2X (eV2X) communication, etc. ) , emergency rescue applications, etc. One or more of a group of SL-UEs utilizing sidelink communications may be within the geographic coverage area 110 of a base station 102. Other SL-UEs in such a group may be outside the geographic coverage area 110 of a base station 102 or be otherwise unable to receive transmissions from a base station 102. In some cases, groups of SL-UEs communicating via sidelink communications may utilize a one-to-many (1: M) system in which each SL-UE transmits to every other SL-UE in the group. In some cases, a base station 102 facilitates the scheduling of resources for sidelink communications. In other cases, sidelink communications are carried out between SL-UEs without the involvement of a base station 102.

[0061] In an aspect, the sidelink 160 may operate over a wireless communication medium of interest, which may be shared with other wireless communications between other vehicles and / or infrastructure access points, as well as other RATs. A “medium” may be composed of one or more time, frequency, and / or space communication resources (e.g., encompassing one or more channels across one or more carriers) associated with wireless communication between one or more transmitter  / receiver pairs. In an aspect, the medium of interest may correspond to at least a portion of an unlicensed frequency band shared among various RATs. Although different licensed frequency bands have been reserved for certain communication systems (e.g., by a government entity such as the Federal Communications Commission (FCC) in the United States) , these systems, in particular those employing small cell access points, have recently extended operation into unlicensed frequency bands such as the Unlicensed National Information Infrastructure (U-NII) band used by wireless local area network (WLAN) technologies, most notably IEEE 802.11x WLAN technologies generally referred to as “Wi-Fi. ” Example systems of this type include different variants of CDMA systems, TDMA systems, FDMA systems, orthogonal FDMA (OFDMA) systems, single-carrier FDMA (SC-FDMA) systems, and so on.

[0062] Note that although FIG. 1 only illustrates two of the UEs as SL-UEs (i.e., UEs 164 and 182) , any of the illustrated UEs may be SL-UEs. Further, although only UE 182 was described as being capable of beamforming, any of the illustrated UEs, including UE 164, may be capable of beamforming. Where SL-UEs are capable of beamforming, they may beamform towards each other (i.e., towards other SL-UEs) , towards other UEs (e.g., UEs 104) , towards base stations (e.g., base stations 102, 180, small cell 102’, access point 150) , etc. Thus, in some cases, UEs 164 and 182 may utilize beamforming over sidelink 160.

[0063] In the example of FIG. 1, any of the illustrated UEs (shown in FIG. 1 as a single UE 104 for simplicity) may receive signals 124 from one or more Earth orbiting space vehicles (SVs) 112 (e.g., satellites) . In an aspect, the SVs 112 may be part of a satellite positioning system that a UE 104 can use as an independent source of location information. A satellite positioning system typically includes a system of transmitters (e.g., SVs 112) positioned to enable receivers (e.g., UEs 104) to determine their location on or above the Earth based, at least in part, on positioning signals (e.g., signals 124) received from the transmitters. Such a transmitter typically transmits a signal marked with a repeating pseudo-random noise (PN) code of a set number of chips. While typically located in SVs 112, transmitters may sometimes be located on ground-based control stations, base stations 102, and / or other UEs 104. A UE 104 may include one or more dedicated receivers specifically designed to receive signals 124 for deriving geo location information from the SVs 112.

[0064] In a satellite positioning system, the use of signals 124 can be augmented by various satellite-based augmentation systems (SBAS) that may be associated with or otherwise enabled for use with one or more global and / or regional navigation satellite systems. For example an SBAS may include an augmentation system (s) that provides integrity information, differential corrections, etc., such as the Wide Area Augmentation System (WAAS) , the European Geostationary Navigation Overlay Service (EGNOS) , the Multi-functional Satellite Augmentation System (MSAS) , the Global Positioning System (GPS) Aided Geo Augmented Navigation or GPS and Geo Augmented Navigation system (GAGAN) , and / or the like. Thus, as used herein, a satellite positioning system may include any combination of one or more global and / or regional navigation satellites associated with such one or more satellite positioning systems.

[0065] In an aspect, SVs 112 may additionally or alternatively be part of one or more non-terrestrial networks (NTNs) . In an NTN, an SV 112 is connected to an earth station (also referred to as a ground station, NTN gateway, or gateway) , which in turn is connected to an element in a 5G network, such as a modified base station 102 (without a terrestrial antenna) or a network node in a 5GC. This element would in turn provide access to other elements in the 5G network and ultimately to entities external to the 5G network, such as Internet web servers and other user devices. In that way, a UE 104 may receive communication signals (e.g., signals 124) from an SV 112 instead of, or in addition to, communication signals from a terrestrial base station 102.

[0066] The wireless communications system 100 may further include one or more UEs, such as UE 190, that connects indirectly to one or more communication networks via one or more device-to-device (D2D) peer-to-peer (P2P) links (referred to as “sidelinks” ) . In the example of FIG. 1, UE 190 has a D2D P2P link 192 with one of the UEs 104 connected to one of the base stations 102 (e.g., through which UE 190 may indirectly obtain cellular connectivity) and a D2D P2P link 194 with WLAN STA 152 connected to the WLAN AP 150 (through which UE 190 may indirectly obtain WLAN-based Internet connectivity) . In an example, the D2D P2P links 192 and 194 may be supported with any well-known D2D RAT, such as LTE Direct (LTE-D) , WI-FI and so on.

[0067] FIG. 2A illustrates an example wireless network structure 200. For example, a 5GC 210 (also referred to as a Next Generation Core (NGC) ) can be viewed functionally as control plane (C-plane) functions 214 (e.g., UE registration, authentication, network access, gateway selection, etc. ) and user plane (U-plane) functions 212, (e.g., UE gateway function, access to data networks, IP routing, etc. ) which operate cooperatively to form the core network. User plane interface (NG-U) 213 and control plane interface (NG-C) 215 connect the gNB 222 to the 5GC 210 and specifically to the user plane functions 212 and control plane functions 214, respectively. In an additional configuration, an ng-eNB 224 may also be connected to the 5GC 210 via NG-C 215 to the control plane functions 214 and NG-U 213 to user plane functions 212. Further, ng-eNB 224 may directly communicate with gNB 222 via a backhaul connection 223. In some configurations, a Next Generation RAN (NG-RAN) 220 may have one or more gNBs 222, while other configurations include one or more of both ng-eNBs 224 and gNBs 222. Either (or both) gNB 222 or ng-eNB 224 may communicate with one or more UEs 204 (e.g., any of the UEs described herein) .

[0068] Another optional aspect may include a location server 230, which may be in communication with the 5GC 210 to provide location assistance for UE (s) 204. The location server 230 can be implemented as a plurality of separate servers (e.g., physically separate servers, different software modules on a single server, different software modules spread across multiple physical servers, etc. ) , or alternately may each correspond to a single server. The location server 230 can be configured to support one or more location services for UEs 204 that can connect to the location server 230 via the core network, 5GC 210, and / or via the Internet (not illustrated) . Further, the location server 230 may be integrated into a component of the core network, or alternatively may be external to the core network (e.g., a third party server, such as an original equipment manufacturer (OEM) server or service server) .

[0069] FIG. 2B illustrates another example wireless network structure 240. A 5GC 260 (which may correspond to 5GC 210 in FIG. 2A) can be viewed functionally as control plane functions, provided by an access and mobility management function (AMF) 264, and user plane functions, provided by a user plane function (UPF) 262, which operate cooperatively to form the core network (i.e., 5GC 260) . The functions of the AMF 264 include registration management, connection management, reachability management, mobility management, lawful interception, transport for session management (SM) messages between one or more UEs 204 (e.g., any of the UEs described herein) and a session management function (SMF) 266, transparent proxy services for routing SM messages, access authentication and access authorization, transport for short message service (SMS) messages between the UE 204 and the short message service function (SMSF) (not shown) , and security anchor functionality (SEAF) . The AMF 264 also interacts with an authentication server function (AUSF) (not shown) and the UE 204, and receives the intermediate key that was established as a result of the UE 204 authentication process. In the case of authentication based on a UMTS (universal mobile telecommunications system) subscriber identity module (USIM) , the AMF 264 retrieves the security material from the AUSF. The functions of the AMF 264 also include security context management (SCM) . The SCM receives a key from the SEAF that it uses to derive access-network specific keys. The functionality of the AMF 264 also includes location services management for regulatory services, transport for location services messages between the UE 204 and a location management function (LMF) 270 (which acts as a location server 230) , transport for location services messages between the NG-RAN 220 and the LMF 270, evolved packet system (EPS) bearer identifier allocation for interworking with the EPS, and UE 204 mobility event notification. In addition, the AMF 264 also supports functionalities for  (Third Generation Partnership Project) access networks.

[0070] Functions of the UPF 262 include acting as an anchor point for intra / inter-RAT mobility (when applicable) , acting as an external protocol data unit (PDU) session point of interconnect to a data network (not shown) , providing packet routing and forwarding, packet inspection, user plane policy rule enforcement (e.g., gating, redirection, traffic steering) , lawful interception (user plane collection) , traffic usage reporting, quality of service (QoS) handling for the user plane (e.g., uplink / downlink rate enforcement, reflective QoS marking in the downlink) , uplink traffic verification (service data flow (SDF) to QoS flow mapping) , transport level packet marking in the uplink and downlink, downlink packet buffering and downlink data notification triggering, and sending and forwarding of one or more “end markers” to the source RAN node. The UPF 262 may also support transfer of location services messages over a user plane between the UE 204 and a location server, such as an SLP 272.

[0071] The functions of the SMF 266 include session management, UE Internet protocol (IP) address allocation and management, selection and control of user plane functions, configuration of traffic steering at the UPF 262 to route traffic to the proper destination, control of part of policy enforcement and QoS, and downlink data notification. The interface over which the SMF 266 communicates with the AMF 264 is referred to as the N11 interface.

[0072] Another optional aspect may include an LMF 270, which may be in communication with the 5GC 260 to provide location assistance for UEs 204. The LMF 270 can be implemented as a plurality of separate servers (e.g., physically separate servers, different software modules on a single server, different software modules spread across multiple physical servers, etc. ) , or alternately may each correspond to a single server. The LMF 270 can be configured to support one or more location services for UEs 204 that can connect to the LMF 270 via the core network, 5GC 260, and / or via the Internet (not illustrated) . The SLP 272 may support similar functions to the LMF 270, but whereas the LMF 270 may communicate with the AMF 264, NG-RAN 220, and UEs 204 over a control plane (e.g., using interfaces and protocols intended to convey signaling messages and not voice or data) , the SLP 272 may communicate with UEs 204 and external clients (e.g., third-party server 274) over a user plane (e.g., using protocols intended to carry voice and / or data like the transmission control protocol (TCP) and / or IP) .

[0073] Yet another optional aspect may include a third-party server 274, which may be in communication with the LMF 270, the SLP 272, the 5GC 260 (e.g., via the AMF 264 and / or the UPF 262) , the NG-RAN 220, and / or the UE 204 to obtain location information (e.g., a location estimate) for the UE 204. As such, in some cases, the third-party server 274 may be referred to as a location services (LCS) client or an external client. The third-party server 274 can be implemented as a plurality of separate servers (e.g., physically separate servers, different software modules on a single server, different software modules spread across multiple physical servers, etc. ) , or alternately may each correspond to a single server.

[0074] User plane interface 263 and control plane interface 265 connect the 5GC 260, and specifically the UPF 262 and AMF 264, respectively, to one or more gNBs 222 and / or ng-eNBs 224 in the NG-RAN 220. The interface between gNB (s) 222 and / or ng-eNB (s) 224 and the AMF 264 is referred to as the “N2” interface, and the interface between gNB (s) 222 and / or ng-eNB (s) 224 and the UPF 262 is referred to as the “N3” interface. The gNB (s) 222 and / or ng-eNB (s) 224 of the NG-RAN 220 may communicate directly with each other via backhaul connections 223, referred to as the “Xn-C” interface. One or more of gNBs 222 and / or ng-eNBs 224 may communicate with one or more UEs 204 over a wireless interface, referred to as the “Uu” interface.

[0075] The functionality of a gNB 222 may be divided between a gNB central unit (gNB-CU) 226, one or more gNB distributed units (gNB-DUs) 228, and one or more gNB radio units (gNB-RUs) 229. A gNB-CU 226 is a logical node that includes the base station functions of transferring user data, mobility control, radio access network sharing, positioning, session management, and the like, except for those functions allocated exclusively to the gNB-DU (s) 228. More specifically, the gNB-CU 226 generally host the radio resource control (RRC) , service data adaptation protocol (SDAP) , and packet data convergence protocol (PDCP) protocols of the gNB 222. A gNB-DU 228 is a logical node that generally hosts the radio link control (RLC) and medium access control (MAC) layer of the gNB 222. Its operation is controlled by the gNB-CU 226. One gNB-DU 228 can support one or more cells, and one cell is supported by only one gNB-DU 228. The interface 232 between the gNB-CU 226 and the one or more gNB-DUs 228 is referred to as the “F1” interface. The physical (PHY) layer functionality of a gNB 222 is generally hosted by one or more standalone gNB-RUs 229 that perform functions such as power amplification and signal transmission / reception. The interface between a gNB-DU 228 and a gNB-RU 229 is referred to as the “Fx” interface. Thus, a UE 204 communicates with the gNB-CU 226 via the RRC, SDAP, and PDCP layers, with a gNB-DU 228 via the RLC and MAC layers, and with a gNB-RU 229 via the PHY layer.

[0076] Deployment of communication systems, such as 5G NR systems, may be arranged in multiple manners with various components or constituent parts. In a 5G NR system, or network, a network node, a network entity, a mobility element of a network, a RAN node, a core network node, a network element, or a network equipment, such as a base station, or one or more units (or one or more components) performing base station functionality, may be implemented in an aggregated or disaggregated architecture. For example, a base station (such as a Node B (NB) , evolved NB (eNB) , NR base station, 5G NB, AP, TRP, cell, etc. ) may be implemented as an aggregated base station (also known as a standalone base station or a monolithic base station) or a disaggregated base station.

[0077] An aggregated base station may be configured to utilize a radio protocol stack that is physically or logically integrated within a single RAN node. A disaggregated base station may be configured to utilize a protocol stack that is physically or logically distributed among two or more units (such as one or more central or centralized units (CUs) , one or more distributed units (DUs) , or one or more radio units (RUs) ) . In some aspects, a CU may be implemented within a RAN node, and one or more DUs may be co-located with the CU, or alternatively, may be geographically or virtually distributed throughout one or multiple other RAN nodes. The DUs may be implemented to communicate with one or more RUs. Each of the CU, DU and RU also can be implemented as virtual units, i.e., a virtual central unit (VCU) , a virtual distributed unit (VDU) , or a virtual radio unit (VRU) .

[0078] Base station-type operation or network design may consider aggregation characteristics of base station functionality. For example, disaggregated base stations may be utilized in an integrated access backhaul (IAB) network, an open radio access network (O-RAN (such as the network configuration sponsored by the O-RAN  ) ) , or a virtualized radio access network (vRAN, also known as a cloud radio access network (C-RAN) ) . Disaggregation may include distributing functionality across two or more units at various physical locations, as well as distributing functionality for at least one unit virtually, which can enable flexibility in network design. The various units of the disaggregated base station, or disaggregated RAN architecture, can be configured for wired or wireless communication with at least one other unit.

[0079] FIG. 2C illustrates an example disaggregated base station architecture 250, according to aspects of the disclosure. The disaggregated base station architecture 250 may include one or more central units (CUs) 280 (e.g., gNB-CU 226) that can communicate directly with a core network 267 (e.g., 5GC 210, 5GC 260) via a backhaul link, or indirectly with the core network 267 through one or more disaggregated base station units (such as a Near-Real Time (Near-RT) RAN Intelligent Controller (RIC) 259 via an E2 link, or a Non-Real Time (Non-RT) RIC 257 associated with a Service Management and Orchestration (SMO) Framework 255, or both) . A CU 280 may communicate with one or more DUs 285 (e.g., gNB-DUs 228) via respective midhaul links, such as an F1 interface. The DUs 285 may communicate with one or more radio units (RUs) 287 (e.g., gNB-RUs 229) via respective fronthaul links. The RUs 287 may communicate with respective UEs 204 via one or more radio frequency (RF) access links. In some implementations, the UE 204 may be simultaneously served by multiple RUs 287.

[0080] Each of the units, i.e., the CUs 280, the DUs 285, the RUs 287, as well as the Near-RT RICs 259, the Non-RT RICs 257 and the SMO Framework 255, may include one or more interfaces or be coupled to one or more interfaces configured to receive or transmit signals, data, or information (collectively, signals) via a wired or wireless transmission medium. Each of the units, or an associated processor or controller providing instructions to the communication interfaces of the units, can be configured to communicate with one or more of the other units via the transmission medium. For example, the units can include a wired interface configured to receive or transmit signals over a wired transmission medium to one or more of the other units. Additionally, the units can include a wireless interface, which may include a receiver, a transmitter or transceiver (such as a RF transceiver) , configured to receive or transmit signals, or both, over a wireless transmission medium to one or more of the other units.

[0081] In some aspects, the CU 280 may host one or more higher layer control functions. Such control functions can include RRC, PDCP, service data adaptation protocol (SDAP) , or the like. Each control function can be implemented with an interface configured to communicate signals with other control functions hosted by the CU 280. The CU 280 may be configured to handle user plane functionality (i.e., Central Unit –User Plane (CU-UP) ) , control plane functionality (i.e., Central Unit –Control Plane (CU-CP) ) , or a combination thereof. In some implementations, the CU 280 can be logically split into one or more CU-UP units and one or more CU-CP units. The CU-UP unit can communicate bidirectionally with the CU-CP unit via an interface, such as the E1 interface when implemented in an O-RAN configuration. The CU 280 can be implemented to communicate with the DU 285, as necessary, for network control and signaling.

[0082] The DU 285 may correspond to a logical unit that includes one or more base station functions to control the operation of one or more RUs 287. In some aspects, the DU 285 may host one or more of a RLC layer, a MAC layer, and one or more high PHY layers (such as modules for forward error correction (FEC) encoding and decoding, scrambling, modulation and demodulation, or the like) depending, at least in part, on a functional split, such as those defined by the 3rd Generation Partnership Project In some aspects, the DU 285 may further host one or more low PHY layers. Each layer (or module) can be implemented with an interface configured to communicate signals with other layers (and modules) hosted by the DU 285, or with the control functions hosted by the CU 280.

[0083] Lower-layer functionality can be implemented by one or more RUs 287. In some deployments, an RU 287, controlled by a DU 285, may correspond to a logical node that hosts RF processing functions, or low-PHY layer functions (such as performing fast Fourier transform (FFT) , inverse FFT (iFFT) , digital beamforming, physical random access channel (PRACH) extraction and filtering, or the like) , or both, based at least in part on the functional split, such as a lower layer functional split. In such an architecture, the RU (s) 287 can be implemented to handle over the air (OTA) communication with one or more UEs 204. In some implementations, real-time and non-real-time aspects of control and user plane communication with the RU (s) 287 can be controlled by the corresponding DU 285. In some scenarios, this configuration can enable the DU (s) 285 and the CU 280 to be implemented in a cloud-based RAN architecture, such as a vRAN architecture.

[0084] The SMO Framework 255 may be configured to support RAN deployment and provisioning of non-virtualized and virtualized network elements. For non-virtualized network elements, the SMO Framework 255 may be configured to support the deployment of dedicated physical resources for RAN coverage requirements which may be managed via an operations and maintenance interface (such as an O1 interface) . For virtualized network elements, the SMO Framework 255 may be configured to interact with a cloud computing platform (such as an open cloud (O-Cloud) 269) to perform network element life cycle management (such as to instantiate virtualized network elements) via a cloud computing platform interface (such as an O2 interface) . Such virtualized network elements can include, but are not limited to, CUs 280, DUs 285, RUs 287 and Near-RT RICs 259. In some implementations, the SMO Framework 255 can communicate with a hardware aspect of a 4G RAN, such as an open eNB (O-eNB) 261, via an O1 interface. Additionally, in some implementations, the SMO Framework 255 can communicate directly with one or more RUs 287 via an O1 interface. The SMO Framework 255 also may include a Non-RT RIC 257 configured to support functionality of the SMO Framework 255.

[0085] The Non-RT RIC 257 may be configured to include a logical function that enables non-real-time control and optimization of RAN elements and resources, artificial intelligence / machine learning (AIML) workflows including model training and updates, or policy-based guidance of applications / features in the Near-RT RIC 259. The Non-RT RIC 257 may be coupled to or communicate with (such as via an A1 interface) the Near-RT RIC 259. The Near-RT RIC 259 may be configured to include a logical function that enables near-real-time control and optimization of RAN elements and resources via data collection and actions over an interface (such as via an E2 interface) connecting one or more CUs 280, one or more DUs 285, or both, as well as an O-eNB, with the Near-RT RIC 259.

[0086] In some implementations, to generate AIML models to be deployed in the Near-RT RIC 259, the Non-RT RIC 257 may receive parameters or external enrichment information from external servers. Such information may be utilized by the Near-RT RIC 259 and may be received at the SMO Framework 255 or the Non-RT RIC 257 from non-network data sources or from network functions. In some examples, the Non-RT RIC 257 or the Near-RT RIC 259 may be configured to tune RAN behavior or performance. For example, the Non-RT RIC 257 may monitor long-term trends and patterns for performance and employ AIML models to perform corrective actions through the SMO Framework 255 (such as reconfiguration via O1) or via creation of RAN management policies (such as A1 policies) .

[0087] FIGS. 3A, 3B, and 3C illustrate several example components (represented by corresponding blocks) that may be incorporated into a UE 302 (which may correspond to any of the UEs described herein) , a base station 304 (which may correspond to any of the base stations described herein) , and a network entity 306 (which may correspond to or embody any of the network functions described herein, including the location server 230 and the LMF 270, or alternatively may be independent from the NG-RAN 220 and / or 5GC 210 / 260 infrastructure depicted in FIGS. 2A and 2B, such as a private network) to support the operations described herein. It will be appreciated that these components may be implemented in different types of apparatuses in different implementations (e.g., in an ASIC, in a system-on-chip (SoC) , etc. ) . The illustrated components may also be incorporated into other apparatuses in a communication system. For example, other apparatuses in a system may include components similar to those described to provide similar functionality. Also, a given apparatus may contain one or more of the components. For example, an apparatus may include multiple transceiver components that enable the apparatus to operate on multiple carriers and / or communicate via different technologies.

[0088] The UE 302 and the base station 304 each include one or more wireless wide area network (WWAN) transceivers 310 and 350, respectively, providing means for communicating (e.g., means for transmitting, means for receiving, means for measuring, means for tuning, means for refraining from transmitting, etc. ) via one or more wireless communication networks (not shown) , such as an NR network, an LTE network, a GSM network, and / or the like. The WWAN transceivers 310 and 350 may each be connected to one or more antennas 316 and 356, respectively, for communicating with other network nodes, such as other UEs, access points, base stations (e.g., eNBs, gNBs) , etc., via at least one designated RAT (e.g., NR, LTE, GSM, etc. ) over a wireless communication medium of interest (e.g., some set of time / frequency resources in a particular frequency spectrum) . The WWAN transceivers 310 and 350 may be variously configured for transmitting and encoding signals 318 and 358 (e.g., messages, indications, information, and so on) , respectively, and, conversely, for receiving and decoding signals 318 and 358 (e.g., messages, indications, information, pilots, and so on) , respectively, in accordance with the designated RAT. Specifically, the WWAN transceivers 310 and 350 include one or more transmitters 314 and 354, respectively, for transmitting and encoding signals 318 and 358, respectively, and one or more receivers 312 and 352, respectively, for receiving and decoding signals 318 and 358, respectively.

[0089] The UE 302 and the base station 304 each also include, at least in some cases, one or more short-range wireless transceivers 320 and 360, respectively. The short-range wireless transceivers 320 and 360 may be connected to one or more antennas 326 and 366, respectively, and provide means for communicating (e.g., means for transmitting, means for receiving, means for measuring, means for tuning, means for refraining from transmitting, etc. ) with other network nodes, such as other UEs, access points, base stations, etc., via at least one designated RAT (e.g., Wi-Fi, LTE Direct,  PC5, dedicated short-range communications (DSRC) , wireless access for vehicular environments (WAVE) , near-field communication (NFC) , ultra-wideband (UWB) , etc. ) over a wireless communication medium of interest. The short-range wireless transceivers 320 and 360 may be variously configured for transmitting and encoding signals 328 and 368 (e.g., messages, indications, information, and so on) , respectively, and, conversely, for receiving and decoding signals 328 and 368 (e.g., messages, indications, information, pilots, and so on) , respectively, in accordance with the designated RAT. Specifically, the short-range wireless transceivers 320 and 360 include one or more transmitters 324 and 364, respectively, for transmitting and encoding signals 328 and 368, respectively, and one or more receivers 322 and 362, respectively, for receiving and decoding signals 328 and 368, respectively. As specific examples, the short-range wireless transceivers 320 and 360 may be Wi-Fi transceivers,  transceivers,  and / or transceivers, NFC transceivers, UWB transceivers, or vehicle-to-vehicle (V2V) and / or vehicle-to-everything (V2X) transceivers.

[0090] The UE 302 and the base station 304 also include, at least in some cases, satellite signal interfaces 330 and 370, which each include one or more satellite signal receivers 332 and 372, respectively, and may optionally include one or more satellite signal transmitters 334 and 374, respectively. In some cases, the base station 304 may be a terrestrial base station that may communicate with space vehicles (e.g., space vehicles 112) via the satellite signal interface 370. In other cases, the base station 304 may be a space vehicle (or other non-terrestrial entity) that uses the satellite signal interface 370 to communicate with terrestrial networks and / or other space vehicles.

[0091] The satellite signal receivers 332 and 372 may be connected to one or more antennas 336 and 376, respectively, and may provide means for receiving and / or measuring satellite positioning / communication signals 338 and 378, respectively. Where the satellite signal receiver (s) 332 and 372 are satellite positioning system receivers, the satellite positioning / communication signals 338 and 378 may be global positioning system (GPS) signals, global navigation satellite system (GLONASS) signals, Galileo signals, Beidou signals, Indian Regional Navigation Satellite System (NAVIC) , Quasi-Zenith Satellite System (QZSS) signals, etc. Where the satellite signal receiver (s) 332 and 372 are non-terrestrial network (NTN) receivers, the satellite positioning / communication signals 338 and 378 may be communication signals (e.g., carrying control and / or user data) originating from a 5G network. The satellite signal receiver (s) 332 and 372 may comprise any suitable hardware and / or software for receiving and processing satellite positioning / communication signals 338 and 378, respectively. The satellite signal receiver (s) 332 and 372 may request information and operations as appropriate from the other systems, and, at least in some cases, perform calculations to determine locations of the UE 302 and the base station 304, respectively, using measurements obtained by any suitable satellite positioning system algorithm.

[0092] The optional satellite signal transmitter (s) 334 and 374, when present, may be connected to the one or more antennas 336 and 376, respectively, and may provide means for transmitting satellite positioning / communication signals 338 and 378, respectively. Where the satellite signal transmitter (s) 374 are satellite positioning system transmitters, the satellite positioning / communication signals 378 may be GPS signals,  signals, Galileo signals, Beidou signals, NAVIC, QZSS signals, etc. Where the satellite signal transmitter (s) 334 and 374 are NTN transmitters, the satellite positioning / communication signals 338 and 378 may be communication signals (e.g., carrying control and / or user data) originating from a 5G network. The satellite signal transmitter (s) 334 and 374 may comprise any suitable hardware and / or software for transmitting satellite positioning / communication signals 338 and 378, respectively. The satellite signal transmitter (s) 334 and 374 may request information and operations as appropriate from the other systems.

[0093] The base station 304 and the network entity 306 each include one or more network transceivers 380 and 390, respectively, providing means for communicating (e.g., means for transmitting, means for receiving, etc. ) with other network entities (e.g., other base stations 304, other network entities 306) . For example, the base station 304 may employ the one or more network transceivers 380 to communicate with other base stations 304 or network entities 306 over one or more wired or wireless backhaul links. As another example, the network entity 306 may employ the one or more network transceivers 390 to communicate with one or more base station 304 over one or more wired or wireless backhaul links, or with other network entities 306 over one or more wired or wireless core network interfaces.

[0094] A transceiver may be configured to communicate over a wired or wireless link. A transceiver (whether a wired transceiver or a wireless transceiver) includes transmitter circuitry (e.g., transmitters 314, 324, 354, 364) and receiver circuitry (e.g., receivers 312, 322, 352, 362) . A transceiver may be an integrated device (e.g., embodying transmitter circuitry and receiver circuitry in a single device) in some implementations, may comprise separate transmitter circuitry and separate receiver circuitry in some implementations, or may be embodied in other ways in other implementations. The transmitter circuitry and receiver circuitry of a wired transceiver (e.g., network transceivers 380 and 390 in some implementations) may be coupled to one or more wired network interface ports. Wireless transmitter circuitry (e.g., transmitters 314, 324, 354, 364) may include or be coupled to a plurality of antennas (e.g., antennas 316, 326, 356, 366) , such as an antenna array, that permits the respective apparatus (e.g., UE 302, base station 304) to perform transmit “beamforming, ” as described herein. Similarly, wireless receiver circuitry (e.g., receivers 312, 322, 352, 362) may include or be coupled to a plurality of antennas (e.g., antennas 316, 326, 356, 366) , such as an antenna array, that permits the respective apparatus (e.g., UE 302, base station 304) to perform receive beamforming, as described herein. In an aspect, the transmitter circuitry and receiver circuitry may share the same plurality of antennas (e.g., antennas 316, 326, 356, 366) , such that the respective apparatus can only receive or transmit at a given time, not both at the same time. A wireless transceiver (e.g., WWAN transceivers 310 and 350, short-range wireless transceivers 320 and 360) may also include a network listen module (NLM) or the like for performing various measurements.

[0095] As used herein, the various wireless transceivers (e.g., transceivers 310, 320, 350, and 360, and network transceivers 380 and 390 in some implementations) and wired transceivers (e.g., network transceivers 380 and 390 in some implementations) may generally be characterized as “a transceiver, ” “at least one transceiver, ” or “one or more transceivers. ” As such, whether a particular transceiver is a wired or wireless transceiver may be inferred from the type of communication performed. For example, backhaul communication between network devices or servers will generally relate to signaling via a wired transceiver, whereas wireless communication between a UE (e.g., UE 302) and a base station (e.g., base station 304) will generally relate to signaling via a wireless transceiver.

[0096] The UE 302, the base station 304, and the network entity 306 also include other components that may be used in conjunction with the operations as disclosed herein. The UE 302, the base station 304, and the network entity 306 include one or more processors 342, 384, and 394, respectively, for providing functionality relating to, for example, wireless communication, and for providing other processing functionality. The processors 342, 384, and 394 may therefore provide means for processing, such as means for determining, means for calculating, means for receiving, means for transmitting, means for indicating, etc. In an aspect, the processors 342, 384, and 394 may include, for example, one or more general purpose processors, multi-core processors, central processing units (CPUs) , ASICs, digital signal processors (DSPs) , field programmable gate arrays (FPGAs) , other programmable logic devices or processing circuitry, or various combinations thereof.

[0097] The UE 302, the base station 304, and the network entity 306 include memory circuitry implementing memories 340, 386, and 396 (e.g., each including a memory device) , respectively, for maintaining information (e.g., information indicative of reserved resources, thresholds, parameters, and so on) . The memories 340, 386, and 396 may therefore provide means for storing, means for retrieving, means for maintaining, etc. In some cases, the UE 302, the base station 304, and the network entity 306 may include sensing component 348, 388, and 398, respectively. The sensing component 348, 388, and 398 may be hardware circuits that are part of or coupled to the processors 342, 384, and 394, respectively, that, when executed, cause the UE 302, the base station 304, and the network entity 306 to perform the functionality described herein. In other aspects, the sensing component 348, 388, and 398 may be external to the processors 342, 384, and 394 (e.g., part of a modem processing system, integrated with another processing system, etc. ) . Alternatively, the sensing component 348, 388, and 398 may be memory modules stored in the memories 340, 386, and 396, respectively, that, when executed by the processors 342, 384, and 394 (or a modem processing system, another processing system, etc. ) , cause the UE 302, the base station 304, and the network entity 306 to perform the functionality described herein. FIG. 3A illustrates possible locations of the sensing component 348, which may be, for example, part of the one or more WWAN transceivers 310, the memory 340, the one or more processors 342, or any combination thereof, or may be a standalone component. FIG. 3B illustrates possible locations of the sensing component 388, which may be, for example, part of the one or more WWAN transceivers 350, the memory 386, the one or more processors 384, or any combination thereof, or may be a standalone component. FIG. 3C illustrates possible locations of the sensing component 398, which may be, for example, part of the one or more network transceivers 390, the memory 396, the one or more processors 394, or any combination thereof, or may be a standalone component.

[0098] The UE 302 may include one or more sensors 344 coupled to the one or more processors 342 to provide means for sensing or detecting movement and / or orientation information that is independent of motion data derived from signals received by the one or more WWAN transceivers 310, the one or more short-range wireless transceivers 320, and / or the satellite signal interface 330. By way of example, the sensor (s) 344 may include an accelerometer (e.g., a micro-electrical mechanical systems (MEMS) device) , a gyroscope, a geomagnetic sensor (e.g., a compass) , an altimeter (e.g., a barometric pressure altimeter) , and / or any other type of movement detection sensor. Moreover, the sensor (s) 344 may include a plurality of different types of devices and combine their outputs in order to provide motion information. For example, the sensor (s) 344 may use a combination of a multi-axis accelerometer and orientation sensors to provide the ability to compute positions in two-dimensional (2D) and / or three-dimensional (3D) coordinate systems.

[0099] In addition, the UE 302 includes a user interface 346 providing means for providing indications (e.g., audible and / or visual indications) to a user and / or for receiving user input (e.g., upon user actuation of a sensing device such a keypad, a touch screen, a microphone, and so on) . Although not shown, the base station 304 and the network entity 306 may also include user interfaces.

[0100] Referring to the one or more processors 384 in more detail, in the downlink, IP packets from the network entity 306 may be provided to the processor 384. The one or more processors 384 may implement functionality for an RRC layer, a packet data convergence protocol (PDCP) layer, a radio link control (RLC) layer, and a medium access control (MAC) layer. The one or more processors 384 may provide RRC layer functionality associated with broadcasting of system information (e.g., master information block (MIB) , system information blocks (SIBs) ) , RRC connection control (e.g., RRC connection paging, RRC connection establishment, RRC connection modification, and RRC connection release) , inter-RAT mobility, and measurement configuration for UE measurement reporting; PDCP layer functionality associated with header compression / decompression, security (ciphering, deciphering, integrity protection, integrity verification) , and handover support functions; RLC layer functionality associated with the transfer of upper layer PDUs, error correction through automatic repeat request (ARQ) , concatenation, segmentation, and reassembly of RLC service data units (SDUs) , re-segmentation of RLC data PDUs, and reordering of RLC data PDUs; and MAC layer functionality associated with mapping between logical channels and transport channels, scheduling information reporting, error correction, priority handling, and logical channel prioritization.

[0101] The transmitter 354 and the receiver 352 may implement Layer-1 (L1) functionality associated with various signal processing functions. Layer-1, which includes a physical (PHY) layer, may include error detection on the transport channels, forward error correction (FEC) coding / decoding of the transport channels, interleaving, rate matching, mapping onto physical channels, modulation / demodulation of physical channels, and MIMO antenna processing. The transmitter 354 handles mapping to signal constellations based on various modulation schemes (e.g., binary phase-shift keying (BPSK) , quadrature phase-shift keying (QPSK) , M-phase-shift keying (M-PSK) , M-quadrature amplitude modulation (M-QAM) ) . The coded and modulated symbols may then be split into parallel streams. Each stream may then be mapped to an orthogonal frequency division multiplexing (OFDM) subcarrier, multiplexed with a reference signal (e.g., pilot) in the time and / or frequency domain, and then combined together using an inverse fast Fourier transform (IFFT) to produce a physical channel carrying a time domain OFDM symbol stream. The OFDM symbol stream is spatially precoded to produce multiple spatial streams. Channel estimates from a channel estimator may be used to determine the coding and modulation scheme, as well as for spatial processing. The channel estimate may be derived from a reference signal and / or channel condition feedback transmitted by the UE 302. Each spatial stream may then be provided to one or more different antennas 356. The transmitter 354 may modulate an RF carrier with a respective spatial stream for transmission.

[0102] At the UE 302, the receiver 312 receives a signal through its respective antenna (s) 316. The receiver 312 recovers information modulated onto an RF carrier and provides the information to the one or more processors 342. The transmitter 314 and the receiver 312 implement Layer-1 functionality associated with various signal processing functions. The receiver 312 may perform spatial processing on the information to recover any spatial streams destined for the UE 302. If multiple spatial streams are destined for the UE 302, they may be combined by the receiver 312 into a single OFDM symbol stream. The receiver 312 then converts the OFDM symbol stream from the time-domain to the frequency domain using a fast Fourier transform (FFT) . The frequency domain signal comprises a separate OFDM symbol stream for each subcarrier of the OFDM signal. The symbols on each subcarrier, and the reference signal, are recovered and demodulated by determining the most likely signal constellation points transmitted by the base station 304. These soft decisions may be based on channel estimates computed by a channel estimator. The soft decisions are then decoded and de-interleaved to recover the data and control signals that were originally transmitted by the base station 304 on the physical channel. The data and control signals are then provided to the one or more processors 342, which implements Layer-3 (L3) and Layer-2 (L2) functionality.

[0103] In the downlink, the one or more processors 342 provides demultiplexing between transport and logical channels, packet reassembly, deciphering, header decompression, and control signal processing to recover IP packets from the core network. The one or more processors 342 are also responsible for error detection.

[0104] Similar to the functionality described in connection with the downlink transmission by the base station 304, the one or more processors 342 provides RRC layer functionality associated with system information (e.g., MIB, SIBs) acquisition, RRC connections, and measurement reporting; PDCP layer functionality associated with header compression / decompression, and security (ciphering, deciphering, integrity protection, integrity verification) ; RLC layer functionality associated with the transfer of upper layer PDUs, error correction through ARQ, concatenation, segmentation, and reassembly of RLC SDUs, re-segmentation of RLC data PDUs, and reordering of RLC data PDUs; and MAC layer functionality associated with mapping between logical channels and transport channels, multiplexing of MAC SDUs onto transport blocks (TBs) , demultiplexing of MAC SDUs from TBs, scheduling information reporting, error correction through hybrid automatic repeat request (HARQ) , priority handling, and logical channel prioritization.

[0105] Channel estimates derived by the channel estimator from a reference signal or feedback transmitted by the base station 304 may be used by the transmitter 314 to select the appropriate coding and modulation schemes, and to facilitate spatial processing. The spatial streams generated by the transmitter 314 may be provided to different antenna (s) 316. The transmitter 314 may modulate an RF carrier with a respective spatial stream for transmission.

[0106] The uplink transmission is processed at the base station 304 in a manner similar to that described in connection with the receiver function at the UE 302. The receiver 352 receives a signal through its respective antenna (s) 356. The receiver 352 recovers information modulated onto an RF carrier and provides the information to the one or more processors 384.

[0107] In the uplink, the one or more processors 384 provides demultiplexing between transport and logical channels, packet reassembly, deciphering, header decompression, control signal processing to recover IP packets from the UE 302. IP packets from the one or more processors 384 may be provided to the core network. The one or more processors 384 are also responsible for error detection.

[0108] For convenience, the UE 302, the base station 304, and / or the network entity 306 are shown in FIGS. 3A, 3B, and 3C as including various components that may be configured according to the various examples described herein. It will be appreciated, however, that the illustrated components may have different functionality in different designs. In particular, various components in FIGS. 3A to 3C are optional in alternative configurations and the various aspects include configurations that may vary due to design choice, costs, use of the device, or other considerations. For example, in case of FIG. 3A, a particular implementation of UE 302 may omit the WWAN transceiver (s) 310 (e.g., a wearable device or tablet computer or personal computer (PC) or laptop may have Wi-Fi and / or capability without cellular capability) , or may omit the short-range wireless transceiver (s) 320 (e.g., cellular-only, etc. ) , or may omit the satellite signal interface 330, or may omit the sensor (s) 344, and so on. In another example, in case of FIG. 3B, a particular implementation of the base station 304 may omit the WWAN transceiver (s) 350 (e.g., a Wi-Fi “hotspot” access point without cellular capability) , or may omit the short-range wireless transceiver (s) 360 (e.g., cellular-only, etc. ) , or may omit the satellite signal interface 370, and so on. For brevity, illustration of the various alternative configurations is not provided herein, but would be readily understandable to one skilled in the art.

[0109] The various components of the UE 302, the base station 304, and the network entity 306 may be communicatively coupled to each other over data buses 308, 382, and 392, respectively. In an aspect, the data buses 308, 382, and 392 may form, or be part of, a communication interface of the UE 302, the base station 304, and the network entity 306, respectively. For example, where different logical entities are embodied in the same device (e.g., gNB and location server functionality incorporated into the same base station 304) , the data buses 308, 382, and 392 may provide communication between them.

[0110] The components of FIGS. 3A, 3B, and 3C may be implemented in various ways. In some implementations, the components of FIGS. 3A, 3B, and 3C may be implemented in one or more circuits such as, for example, one or more processors and / or one or more ASICs (which may include one or more processors) . Here, each circuit may use and / or incorporate at least one memory component for storing information or executable code used by the circuit to provide this functionality. For example, some or all of the functionality represented by blocks 310 to 346 may be implemented by processor and memory component (s) of the UE 302 (e.g., by execution of appropriate code and / or by appropriate configuration of processor components) . Similarly, some or all of the functionality represented by blocks 350 to 388 may be implemented by processor and memory component (s) of the base station 304 (e.g., by execution of appropriate code and / or by appropriate configuration of processor components) . Also, some or all of the functionality represented by blocks 390 to 398 may be implemented by processor and memory component (s) of the network entity 306 (e.g., by execution of appropriate code and / or by appropriate configuration of processor components) . For simplicity, various operations, acts, and / or functions are described herein as being performed “by a UE, ” “by a base station, ” “by a network entity, ” etc. However, as will be appreciated, such operations, acts, and / or functions may actually be performed by specific components or combinations of components of the UE 302, base station 304, network entity 306, etc., such as the processors 342, 384, 394, the transceivers 310, 320, 350, and 360, the memories 340, 386, and 396, the sensing component 348, 388, and 398, etc.

[0111] In some designs, the network entity 306 may be implemented as a core network component. In other designs, the network entity 306 may be distinct from a network operator or operation of the cellular network infrastructure (e.g., NG RAN 220 and / or 5GC 210 / 260) . For example, the network entity 306 may be a component of a private network that may be configured to communicate with the UE 302 via the base station 304 or independently from the base station 304 (e.g., over a non-cellular communication link, such as Wi-Fi) .

[0112] Wireless communication signals (e.g., radio frequency (RF) signals configured to carry orthogonal frequency division multiplexing (OFDM) symbols in accordance with a wireless communications standard, such as LTE, NR, etc. ) transmitted between a UE and a base station can be used for environment sensing (also referred to as “RF sensing” or “wireless sensing” ) . Using wireless communication signals for environment sensing can be regarded as consumer-level wireless sensing with advanced detection capabilities that enable, among other things, touchless / device-free interaction with a device / system. The wireless communication signals may be cellular communication signals, such as LTE or NR signals, WLAN signals, such as Wi-Fi signals, etc. As a particular example, the wireless communication signals may be an OFDM waveform as utilized in LTE and NR. High-frequency communication signals, such as millimeter wave (mmW) RF signals, are especially beneficial to use as sensing signals because the higher frequency provides, at least, more accurate range (distance) detection.

[0113] Possible use cases of RF sensing include health monitoring use cases, such as heartbeat detection, respiration rate monitoring, and the like, gesture recognition use cases, such as human activity recognition, keystroke detection, sign language recognition, and the like, contextual information acquisition use cases, such as location detection / tracking, direction finding, range estimation, and the like, and automotive sensing use cases, such as smart cruise control, collision avoidance, and the like.

[0114] There are different types of sensing, including monostatic sensing (also referred to as “active sensing” ) and bistatic sensing (also referred to as “passive sensing” ) . FIGS. 4A and 4B illustrate these different types of sensing. Specifically, FIG. 4A is a diagram 400 illustrating a monostatic sensing scenario and FIG. 4B is a diagram 430 illustrating a bistatic sensing scenario. In FIG. 4A, the transmitter (Tx) and receiver (Rx) are co-located in the same sensing device 404 (e.g., a UE) . The sensing device 404 transmits one or more RF sensing signals 434 (e.g., uplink or sidelink positioning reference signals (PRS) where the sensing device 404 is a UE) , and some of the RF sensing signals 434 reflect off a target object 406 (e.g., an unmanned aerial vehicle (UAV) ) . The sensing device 404 can measure various properties (e.g., times of arrival (ToAs) , angles of arrival (AoAs) , phase shift, etc. ) of the reflections 436 of the RF sensing signals 434 to determine characteristics of the target object 406 (e.g., size, shape, speed, motion state, etc. ) .

[0115] In FIG. 4B, the transmitter (Tx) and receiver (Rx) are not co-located, that is, they are separate devices (e.g., a UE and a base station) . Note that while FIG. 4B illustrates using a downlink RF signal as the RF sensing signal 432, uplink RF signals or sidelink RF signals can also be used as RF sensing signals 432. In a downlink scenario, as shown, the transmitter device 402 is a base station (e.g., a gNB) and the receiver device 408 is a UE (e.g., a mobile phone, a V2X-capable vehicle, a roadside unit (RSU) , etc. ) , whereas in an uplink scenario, the transmitter device 402 is a UE and the receiver device 408 is a base station. Where the transmitter device 402 is a base station and the receiver device 408 a UE, the sensing is referred to as UE-assisted sensing. In UE-assisted sensing, the position of receiver device 408 should be known by the network (e.g., by GPS or other UE positioning method) .

[0116] Referring to FIG. 4B in greater detail, the transmitter device 402 transmits RF sensing signals 432 and 434 (e.g., positioning reference signals (PRS) ) to the receiver device 408, but some of the RF sensing signals 434 reflect off a target object 406. The receiver device 408 (also referred to as the “sensing device” ) can measure the times of arrival (ToAs) of the RF sensing signals 432 received directly from the transmitter device 402 and the ToAs of the reflections 436 of the RF sensing signals 434 reflected from the target object 406.

[0117] More specifically, as described above, a transmitter device (e.g., a base station) may transmit a single RF signal or multiple RF signals to a receiver device (e.g., a UE) . However, the receiver may receive multiple RF signals corresponding to each transmitted RF signal due to the propagation characteristics of RF signals through multipath channels. Each path may be associated with a cluster of one or more channel taps. Generally, the time at which the receiver detects the first cluster of channel taps is considered the ToA of the RF signal on the line-of-sight (LOS) path (i.e., the shortest path between the transmitter and the receiver) . Later clusters of channel taps are considered to have reflected off objects between the transmitter and the receiver and therefore to have followed non-LOS (NLOS) paths between the transmitter and the receiver.

[0118] Thus, referring back to FIG. 4B, the RF sensing signals 432 followed the LOS path between the transmitter device 402 and the receiver device 408, and the RF sensing signals 434 followed an NLOS path between the transmitter device 402 and the receiver device 408 due to reflecting off the target object 406. The transmitter device 402 may have transmitted multiple RF sensing signals 432, 434, some of which followed the LOS path and others of which followed the NLOS path. Alternatively, the transmitter device 402 may have transmitted a single RF sensing signal in a broad enough beam that a portion of the RF sensing signal followed the LOS path (RF sensing signal 432) and a portion of the RF sensing signal followed the NLOS path (RF sensing signal 434) .

[0119] Based on the ToA of the LOS path, the ToA of the NLOS path, and the speed of light, the receiver device 408 can determine the distance to the target object (s) . For example, the receiver device 408 can calculate the distance to the target object as the difference between the ToA of the LOS path and the ToA of the NLOS path multiplied by the speed of light. In addition, if the receiver device 408 is capable of receive beamforming, the receiver device 408 may be able to determine the general direction to a target object 406 as the direction (angle) of the receive beam on which the RF sensing signal following the NLOS path was received. That is, the receiver device 408 may determine the direction to the target object 406 as the AoA of the RF sensing signal, which is the angle of the receive beam used to receive the RF sensing signal. The receiver device 408 may then optionally report this information to the transmitter device 402, its serving base station, an application server associated with the core network, an external client, a third-party application, or some other sensing entity. Alternatively, the receiver device 408 may report the ToA measurements to the transmitter device 402, or other sensing entity (e.g., if the receiver device 408 does not have the processing capability to perform the calculations itself) , and the transmitter device 402 may determine the distance and, optionally, the direction to the target object 406.

[0120] Note that if the RF sensing signals are uplink RF signals transmitted by a UE to a base station, the base station would perform object detection based on the uplink RF signals just like the UE does based on the downlink RF signals.

[0121] Like conventional wireless sensing, wireless communication-based sensing signals can be used to estimate the range (distance) , velocity (Doppler) , and angle (AoA) of a target object. However, the performance (e.g., resolution and maximum values of range, velocity, and angle) may depend on the design of the reference signal.

[0122] FIGS. 5A to 5F illustrate various example monostatic and bistatic sensing use cases, according to aspects of the disclosure. In FIG. 5A, a gNB1-to-gNB1 monostatic sensing use case 500 is depicted. In FIG. 5B, a UE1-to-UE1 monostatic sensing use case 510 is depicted. In FIG. 5C, a gNB1-to-gNB2 bistatic sensing use case 520 is depicted. In FIG. 5D, a gNB1-to-UE1 bistatic sensing use case 530 is depicted. In FIG. 5E, a UE1-to-gNB1 bistatic sensing use case 540 is depicted. In FIG. 5F, a UE1-to-UE2 bistatic sensing use case 550 is depicted.

[0123] FIG. 6 illustrates an example call flow 600 for an NR-based sensing procedure (e.g., a bistatic sensing procedure) in which the network configures the sensing parameters, according to aspects of the disclosure. Although FIG. 6 illustrates a network-coordinated sensing procedure, the sensing procedure could be coordinated over sidelink channels.

[0124] At stage 605, a sensing server 670 (e.g., inside or outside the core network) sends a request for network (NW) information to a gNB 622 (e.g., the serving gNB of a UE 604) . The request may be for a list of the UE’s 604 serving cell and any neighboring cells. At stage 610, the gNB 622 sends the requested information to the sensing server 670. At stage 615, the sensing server 670 sends a request for sensing capabilities to the UE 604. At stage 620, the UE 604 provides its sensing capabilities to the sensing server 670.

[0125] At stage 625, the sensing server 670 sends a configuration to the UE 604 indicating one or more reference signal (RS) resources that will be transmitted for sensing. The reference signal resources may be transmitted by the serving and / or neighboring cells identified at stage 610. In some cases, the NR-based sensing procedure illustrated in FIG. 6 may be a sensing-only procedure or a joint communication and sensing (JCS) procedure. In the case of a sensing-only procedure, the reference signal resources may be reference signal resources specifically configured for sensing purposes. In the case of a JCS procedure, the reference signal resources may be reference signal resources for communication that can also be used for sensing purposes. Alternatively, the reference signal resources for sensing may be multiplexed (e.g., time-division multiplexed) with reference signal resources for communication. For example, the reference signal resources for communication may be an orthogonal frequency division multiplexing (OFDM) waveform, while the reference signal resources for sensing may be a frequency modulation continuous wave (FMCW) waveform.

[0126] At stage 630, the sensing server 670 sends a request for sensing information to the UE 604. The UE 604 then measures the transmitted reference signals and, at stage 635, sends the measurements, or any sensing results determined from the measurements, to the sensing server 670.

[0127] In an aspect, the communication between the UE 604 and the sensing server 670 may be via the LTE positioning protocol (LPP) . The communication between the sensing server 670 and the gNB may be via NR positioning protocol type A (NRPPa) .

[0128] Machine learning may be used to generate models that may be used to facilitate various aspects associated with processing of data. One specific application of machine learning relates to generation of measurement models for processing of reference signals for positioning (e.g., positioning reference signal (PRS) ) , such as feature extraction, reporting of reference signal measurements (e.g., selecting which extracted features to report) , and so on.

[0129] Machine learning models are generally categorized as either supervised or unsupervised. A supervised model may further be sub-categorized as either a regression or classification model. Supervised learning involves learning a function that maps an input to an output based on example input-output pairs. For example, given a training dataset with two variables of age (input) and height (output) , a supervised learning model could be generated to predict the height of a person based on their age. In regression models, the output is continuous. One example of a regression model is a linear regression, which simply attempts to find a line that best fits the data. Extensions of linear regression include multiple linear regression (e.g., finding a plane of best fit) and polynomial regression (e.g., finding a curve of best fit) .

[0130] Another example of a machine learning model is a decision tree model. In a decision tree model, a tree structure is defined with a plurality of nodes. Decisions are used to move from a root node at the top of the decision tree to a leaf node at the bottom of the decision tree (i.e., a node with no further child nodes) . Generally, a higher number of nodes in the decision tree model is correlated with higher decision accuracy.

[0131] Another example of a machine learning model is a decision forest. Random forests are an ensemble learning technique that builds off of decision trees. Random forests involve creating multiple decision trees using bootstrapped datasets of the original data and randomly selecting a subset of variables at each step of the decision tree. The model then selects the mode of all of the predictions of each decision tree. By relying on a “majority wins” model, the risk of error from an individual tree is reduced.

[0132] Another example of a machine learning model is a neural network (NN) . A neural network is essentially a network of mathematical equations. Neural networks accept one or more input variables, and by going through a network of equations, result in one or more output variables. Put another way, a neural network takes in a vector of inputs and returns a vector of outputs.

[0133] FIG. 7 illustrates an example neural network 700, according to aspects of the disclosure. The neural network 700 includes an input layer ‘i’ that receives ‘n’ (one or more) inputs (illustrated as “Input 1, ” “Input 2, ” and “Input n” ) , one or more hidden layers (illustrated as hidden layers ‘h1, ’ ‘h2, ’ and ‘h3’) for processing the inputs from the input layer, and an output layer ‘o’ that provides ‘m’ (one or more) outputs (labeled “Output 1” and “Output m” ) . The number of inputs ‘n, ’ hidden layers ‘h, ’ and outputs ‘m’ may be the same or different. In some designs, the hidden layers ‘h’ may include linear function (s) and / or activation function (s) that the nodes (illustrated as circles) of each successive hidden layer process from the nodes of the previous hidden layer.

[0134] In classification models, the output is discrete. One example of a classification model is logistic regression. Logistic regression is similar to linear regression but is used to model the probability of a finite number of outcomes, typically two. In essence, a logistic equation is created in such a way that the output values can only be between ‘0’ and ‘1. ’ Another example of a classification model is a support vector machine. For example, for two classes of data, a support vector machine will find a hyperplane or a boundary between the two classes of data that maximizes the margin between the two classes. There are many planes that can separate the two classes, but only one plane can maximize the margin or distance between the classes. Another example of a classification model is  Bayes, which is based on Bayes Theorem. Other examples of classification models include decision tree, random forest, and neural network, similar to the examples described above except that the output is discrete rather than continuous.

[0135] Unlike supervised learning, unsupervised learning is used to draw inferences and find patterns from input data without references to labeled outcomes. Two examples of unsupervised learning models include clustering and dimensionality reduction.

[0136] Clustering is an unsupervised technique that involves the grouping, or clustering, of data points. Clustering is frequently used for customer segmentation, fraud detection, and document classification. Common clustering techniques include k-means clustering, hierarchical clustering, mean shift clustering, and density-based clustering. Dimensionality reduction is the process of reducing the number of random variables under consideration by obtaining a set of principal variables. In simpler terms, dimensionality reduction is the process of reducing the dimension of a feature set (in even simpler terms, reducing the number of features) . Most dimensionality reduction techniques can be categorized as either feature elimination or feature extraction. One example of dimensionality reduction is called principal component analysis (PCA) . In the simplest sense, PCA involves project higher dimensional data (e.g., three dimensions) to a smaller space (e.g., two dimensions) . This results in a lower dimension of data (e.g., two dimensions instead of three dimensions) while keeping all original variables in the model.

[0137] Regardless of which machine learning model is used, at a high-level, a machine learning module (e.g., implemented by a processing system) may be configured to iteratively analyze training input data (e.g., measurements of reference signals to / from various target UEs) and to associate this training input data with an output data set (e.g., a set of possible or likely candidate locations of the various target UEs) , thereby enabling later determination of the same output data set when presented with similar input data (e.g., from other target UEs at the same or similar location) .

[0138] The artificial intelligence / machine learning (AIML) positioning and / or sensing provided by an AIML model may be “direct” AIML (denoted “D-AIML” ) positioning and / or sensing or AIML “assisted” (denoted “A-AIML” ) positioning and / or sensing. Note that, as used herein, an AIML model (whether an A-AIML model or a D-AIML model) may alternatively be referred to as an “ML model, ” an “AI model, ” an “ML-based model, ” an “AI-based model, ” and the like.

[0139] FIG. 8A is a diagram 810 illustrating an example of direct AIML positioning and / or sensing, according to aspects of the disclosure. As shown in FIG. 8A, direct AIML positioning and / or sensing is where the AIML model is trained to accept input features (e.g., downlink positioning reference signal (DL-PRS) measurements, sounding reference signal (SRS) measurements, sidelink positioning reference signal (SL-PRS) measurements, sensing signal measurements, beam measurements (e.g., synchronization signal block (SSB) measurements) , channel state information reference signal (CSI-RS) measurements, etc. ) and output a final result (referred to as a “direct label” ) , such as a target location (e.g., a UE location for positioning or a target object location for sensing) . The measurements of the reference signal (s) may include the channel energy response (CER) , channel impulse response (CIR) , power delay profile (PDP) , delay profile (DP) , channel frequency response (CFR) , received signal strength indicator (RSSI) , reference signal received power (RSRP) , path RSRP (RSRPP) , reference signal received quality (RSRQ) , time of arrival (ToA) , relative ToA (RTOA) , reference signal time difference (RSTD) , angle of departure (AoD) , angle of arrival (AoA) , and / or the like of the reference signal (s) .

[0140] FIG. 8B is a diagram 830 illustrating an example of AIML assisted positioning and / or sensing, according to aspects of the disclosure. As shown in FIG. 8B, AIML assisted positioning and / or sensing is where an AIML model is trained to accept input features (e.g., DL-PRS measurements, SRS measurements, SL-PRS measurements, sensing signal measurements, beam measurements, CSI-RS measurements, etc. ) and output one or more intermediate results (also referred to as “intermediate label (s) ” ) . In a positioning context, generating the intermediate result may be referred to as “positioning feature extraction, ” which may include determining timing / angle information, line of sight (LOS) identification, etc. The intermediate results may include the ToA, RTOA, RSTD, AoD, AoA, LOS indication, and / or the like. The intermediate result (s) may in turn be provided as an input to another AIML model or non-AIML model positioning and / or sensing technique (e.g., Chan’s algorithm, Kalman filtering, etc. ) to determine a target location (e.g., a UE location for positioning or a target object location for sensing) .

[0141] Note that as shown in FIG. 8B, the A-AIML model and the other model / technique may be implemented at the same entity (e.g., UE, base station, location server, sensing server, etc. ) or at different entities. For example, for network-assisted positioning, the UE may apply the A-AIML model to compress the measurement data and then report the compressed data to the location server, which may then apply the other position estimation model / technique. As another example, for UE-based positioning, a network component (e.g., a base station, location server, or another UE for sidelink positioning) may apply the A-AIML model to compress the measurement data and report the compressed data to the UE, which then applies the other position estimation model / technique.

[0142] FIG. 8C illustrates various AIML positioning and / or sensing scenarios, according to aspects of the disclosure. As shown in diagram 850, there are three AIML positioning and / or sensing deployment scenarios based on downlink reference signals (e.g., DL-PRS, CSI-RS, etc. ) . The first deployment scenario (labeled “Case 1” ) is a UE-based positioning and / or sensing case with a UE-side D-AIML positioning and / or sensing model (labeled “D-AIML” ) . In this case, the UE applies the D-AIML positioning and / or sensing model (or simply “D-AIML model” ) to the downlink reference signal measurements to determine a location of the UE or a target object and reports the target location to the network (e.g., LMF 270) .

[0143] The second deployment scenario (labeled “Case 2a” ) is UE-assisted / network-based positioning and / or sensing with a UE-side A-AIML positioning and / or sensing model that provides AIML-assisted positioning and / or sensing. That is, the UE inputs measurements of downlink reference signals (e.g., DL-PRS, CSI-RS) received from one or more TRPs into the A-AIML positioning and / or sensing model to obtain intermediate measurements (or quantities) of the downlink reference signals. The UE then reports the intermediate measurements to the network (e.g., LMF 270) . The network entity may then apply an AIML model or a non-AIML model technique to the intermediate measurements to determine a target location (e.g., of the UE for positioning scenarios or a target object for sensing scenarios) .

[0144] The third deployment scenario (labeled “Case 2b” ) is UE-assisted / network-based positioning and / or sensing scenario with a network-side D-AIML positioning and / or sensing model. That is, the UE reports the measurements of the downlink reference signals received from one or more TRPs to the network (e.g., LMF 270) . The network then applies the D-AIML positioning and / or sensing model to the measurements to determine the location of the UE or a target object.

[0145] As shown in diagram 870, there are two AIML positioning and / or sensing deployment scenarios based on uplink reference signals (e.g., SRS) . The first deployment scenario (labeled “Case 3a” ) is RAN node-assisted positioning and / or sensing with a RAN-side AIML model that provides AIML assisted positioning and / or sensing. In this case, the RAN node (e.g., a base station, TRP, or other base station component) applies an A-AIML positioning and / or sensing model to TRP measurements of one or more uplink reference signals (e.g., SRS) transmitted by a UE to obtain intermediate measurements of the received uplink reference signal (s) . The RAN node then reports the intermediate measurements to the core network (e.g., LMF 270) , which can use them to locate the UE (for positioning) or a target object (for sensing) .

[0146] The second deployment scenario (labeled “Case 3b” ) is RAN node-assisted positioning and / or sensing with a network-side AIML positioning and / or sensing model that provides direct AIML positioning and / or sensing. In this case, the RAN node reports measurements of one or more uplink reference signals received from a UE to the core network (e.g., LMF 270) . The core network then applies a D-AIML positioning and / or sensing model to the measurements of the uplink reference signal (s) to obtain a target location of the UE (for positioning) or a target object (for sensing) .

[0147] Note that there may be other deployment scenarios in which the UE, RAN, or the core network use an AIML positioning and / or sensing model to compute or report a positioning and / or sensing estimate (target location) , but these cases are implementation-specific and do not necessarily involve signaling between the UE, RAN, and / or the core network.

[0148] Further note that an AIML model may execute in a training mode or an inferencing mode. In the training mode, the AIML model is provided with pre-validated input data along with pre-validated output data to derive or modify weights of the AIML to increase the reliability of the AIML model to provide new (unvalidated) output data that is similar to the pre-validated output data in response to new (unvalidated) input data that is similar to the pre-validated input data. In the inferencing mode, the AIML model utilizes the weights determined during the training mode to process new (unvalidated) input data so as to generate new (unvalidated) output data (typically, without further adjusting the weights until / unless the AIML model returns to the training mode) . The (unvalidated) output data may be characterized as an “inference. ” Thus, the “final” positioning or sensing results described above with respect to FIGS. 8A to 8C may correspond to AIML model weights or inferences depending on whether the respective AIML model is executing in the training mode or the inferencing mode.

[0149] To avoid collisions and / or for other sensing tasks, some UAVs may perform object detection procedures. For example, a UAV may detect a presence of a bird, and may avoid the detected bird when moving between locations. Additionally, or alternatively, a UAV may identify and classify another UAV, which may enable collision avoidance, sensing coordination, airspace detection, or other tasks. One sensor type that a UAV may use to perform object detection is a camera sensor. For example, a UAV may use an AIML computer vision algorithm to detect a presence of a bird in imaging of a scene. Another sensor type that the UAV may use is a Doppler effect sensor. In this case, the UAV may detect a micro-Doppler effect and may process variations in an observed micro-Doppler effect to detect a rotor rotation of another UAV, a wing flapping of a bird, an arm motion of a walking pedestrian, or a wheel rotation of a vehicle. Additionally, or alternatively, the UAV may use micro-Doppler variations to detect characteristics of an object, such as a rotor size, a rotor number, a rotor velocity, or another characteristic of another UAV. Micro-Doppler effect sensing includes the processing of Doppler shifts detected from micro-scale movements (e.g., a micro-Doppler spectrum) , using AIML models, to infer object detection or object characteristics.

[0150] However, micro-Doppler spectrum processing may be resource intensive, which may prevent a sensing UAV from performing object detection tasks using an AIML model. Accordingly, the AIML model may be offloaded to another device, such as a UE and / or a network node. The UE and / or the network node may receive sensing measurements, generate a prediction (e.g., identify an object) , and transmit an indication of the prediction, which enables the sensing UAV to, for example, avoid the identified object. As an example, the sensing UAV may control flight in a first manner to avoid another UAV and in a second manner to avoid a bird. However, conveying a micro-Doppler spectrum may be data intensive and may have a relatively large signaling overhead. It has been proposed to reduce the signaling overhead by having a UE perform a prediction locally and report a result of the prediction without communicating with a network node. However, a single, general AIML model deployed at the UE, to perform generalized predictions (e.g., different levels of micro-Doppler features, for different types of sensing, etc. ) may have a low level of accuracy. Further, deploying a plurality of models, at a UE, concurrently may result in excessive utilization of data storage at the UE.

[0151] Some aspects described herein enable updating AIML models for object detection. For example, a UE may receive micro-Doppler measurements and may request an AIML update of a first AIML model deployed at the UE. The request may include information regarding the micro-Doppler measurements, such as a level of granularity or confidence with the micro-Doppler measurements or a type of sensing that is to be performed (e.g., sensing of a classification of an object, such as a bird or UAV, or sensing of a characteristic of a particular type of object, such as a number of rotors of a UAV) . The request may be less resource intensive than full AIML prediction offloading, thereby reducing signaling overhead. The UE may receive, from a network node, a response with an AIML update, which configures a second AIML model at the UE (e.g., an entirely new AIML model or an update or change of parameters of the first AIML model) . The UE can use the second AIML model, which may have a higher level of accuracy than the first AIML model, and report a result of using the AIML model to the UAV.

[0152] In this way, the UE, the network node, and / or the UAV enable improved prediction (e.g., object recognition) for UAVs that are offloading predictions to another wireless communication device, such as to UEs. By improving prediction, the UE enables improved flight characteristics, improved completion of sensing tasks, and / or reduced likelihood of damage (e.g., resulting from collisions) relative to less accurate prediction.

[0153] FIGS. 9A-9G are diagrams illustrating an example 900A associated with updating AIML model for object recognition, in accordance with aspects of the present disclosure. As shown in FIG. 9A, example 900A includes communication between a first wireless communication device 901-1 and a second wireless communication device 901-2. The wireless communication devices 901-1 and 901-2 may correspond to network nodes 304, UEs 302, UAVs, or servers, among other examples.

[0154] As further shown in FIG. 9A, and by reference number 902A, the second wireless communication device 901-2 may configure the first wireless communication device 901-1 (or another type of wireless communication device) for object recognition. For example, the second wireless communication device 901-2 may transmit configuration information identifying a first AIML model for object recognition using micro-Doppler measurements as input. In some aspects, the AIML model may be a neural network model for object recognition. In some aspects, the first wireless communication device 901-1 may receive configuration information identifying a trained first AIML model. For example, the first wireless communication device 901-1 may receive a set of weights, layers, or other parameters of the first AIML model. Additionally, or alternatively, the first wireless communication device 901-1 may receive training data from which to train the first AIML model. In this case, the first wireless communication device 901-1 may perform a training procedure to generate the set of weights, layers, or other parameters.

[0155] In some aspects, the first wireless communication device 901-1 (or a UAV associated therewith) may receive, from the second wireless communication device 901-2 (e.g., a controlling node) information indicating a set of parameters of a micro-Doppler measurement that is to be used as an AIML model input. For example, the first wireless communication device 901-1 (or a UAV associated therewith) may receive information indicating whether micro-Doppler spectrums are generated per path (e.g., a signal profile is extracted for each detected path to compute a micro-Doppler spectrum for each path) or for a plurality of paths (e.g., a combined signal profile of some or all paths is used to generate a micro-Doppler spectrum, which may include individual micro-Doppler patterns that overlap) . Additionally, or alternatively, the first wireless communication device 901-1 (or a UAV associated therewith) may receive information identifying a set of characteristics, such as a minimum threshold value or a maximum threshold value, for a set of parameters, such as a delay parameter, a range parameter, a Doppler shift parameter, an angle parameter, a signal strength parameter, or a signal quality parameter (e.g., an RSRP, an RSRQ, an RSSI, a signal-to-noise ratio (SNR) , or a signal-to-interference-and-noise ratio (SINR) ) , among other examples. In some aspects, the first wireless communication device 901-1 (or a UAV associated therewith) may receive respective indications for micro-Doppler measurements and updated AIML model inputs. In other words, the first wireless communication device 901-1 (or a UAV associated therewith) may receive a first indication of a minimum Doppler shift to report for a first set of micro-Doppler measurements used with the first AIML model and a second indication of a minimum Doppler shift to use as input for a second AIML model that is an update of the first AIML model.

[0156] In some aspects, the first wireless communication device 901-1 may receive configuration information from the second wireless communication device 901-2 via a particular signaling pathway. For example, when the first wireless communication device 901-1 is a UE, the first wireless communication device 901-1 may receive the configuration information via layer 1 (L1) downlink control information (DCI) signaling, layer 2 (L2) MAC control element (CE) (MAC-CE) signaling, or layer 3 (L3) RRC signaling. Additionally, or alternatively, when the first wireless communication device 901-1 is controlled by a core network device, the first wireless communication device 901-1 may receive configuration information via NAS or next generation (NG) application protocol (NGAP) signaling. When the second wireless communication device 901-2 is a controlling network node with a server (e.g., a location or sensing server, such as a location management function (LMF) or sensing management function (SnMF) ) , the first wireless communication device 901-1 may receive the configuration information via L3 signaling, such as RRC signaling conveying information elements (IEs) associated with LTE position protocol (LPP) or a dedicated sensing protocol. Additionally, or alternatively, the first wireless communication device 901-1 may receive configuration information via NR positioning protocol annex (NRPPa) protocol signaling. Additionally, or alternatively, the first wireless communication device 901-1 may receive (e.g., when a UE is configuring a UE) the configuration information via a sidelink message, such as a sidelink L1 message (e.g., a sidelink control information (SCI) physical sidelink control channel (PSCCH) message or a physical sidelink shared channel (PSSCH) data message) , a sidelink L2 message (e.g., a MAC-CE) , or a sidelink L3 message (e.g., RRC or PC5 signaling) . Additionally, or alternatively, the first wireless communication device 901-1 may receive the configuration information via L1 uplink control information (UCI) , L2 MAC-CE, or L3 RRC (e.g., when a UE is configuring a network node) .

[0157] As further shown in FIG. 9A, and by reference number 904A, the second wireless communication device 901-2 may receive information identifying a first set of micro-Doppler measurements. For example, the first wireless communication device 901-1 may receive, from a UAV, information identifying the set of micro-Doppler measurements, and the first wireless communication device 901-1 may transmit an indication of the set of micro-Doppler measurements to the second wireless communication device 901-2.

[0158] In some aspects, the first wireless communication device 901-1 may transmit, as the indication of the set of micro-Doppler measurements, an output of the first AIML model. For example, the first wireless communication device 901-1 may transmit a set of model outputs, which may include a compressed Doppler spectrum, a Doppler spread, or another parameter, as described herein. Additionally, or alternatively, the first wireless communication device 901-1 may transmit an indication of a confidence level associated with the micro-Doppler spectrum (or an output of the first AIML model) . In this case, the confidence level may correspond to a signal strength or signal quality associated with the micro-Doppler measurements. In this case, when the micro-Doppler spectrum is associated with a relatively high confidence level, the second wireless communication device 901-2 may indicate a second AIML model that has a relatively small size or is trained using a dataset of relatively high quality micro-Doppler measurements. In contrast, when the micro-Doppler spectrum is associated with a relatively low confidence level, the second wireless communication device 901-2 may indicate a second AIML model that has a relatively large size or is trained using a dataset of relatively low quality micro-Doppler measurements (which may be appropriate to evaluate an actual micro-Doppler measurements associated with a low confidence level from the first AIML model) .

[0159] In some aspects, the first wireless communication device 901-1 may transmit assistance information that the second wireless communication device 901-2 may use to select an update to the first AIML model to generate the second AIML model or transform the first AIML model to the second AIML model, as described herein. For example, the first wireless communication device 901-1 may indicate a maximum storage size for an AIML model, a set of suggested parameters, a set of sensing tasks that are to be performed, a set of requirements (e.g., an accuracy requirement for controlling the UAV or performing a meteorological prediction using data measured by, for example, the UAV) .

[0160] As further shown in FIG. 9A, and by reference number 906A, the second wireless communication device 901-2 may transmit information associated with updating the first AIML model. For example, the second wireless communication device 901-2 may transmit an update with an indication of a second AIML model. In some aspects, the second AIML model may be an alteration to the first AIML model. For example, the second wireless communication device 901-2 may transmit an indication of a change that the first wireless communication device 901-1 is to make to the first AIML model (e.g., a change to a weight, a change to a layer, etc. ) to transform the first AIML model into the second AIML model, thereby updating the first AIML model. Additionally, or alternatively, the second AIML model may be a separate model from the first AIML model. In this case, the second wireless communication device 901-2 may transmit information identifying the second AIML model, such as information identifying a set of weights, layers, or other parameters of the second AIML model or training data from which the first wireless communication device 901-1 is to derive the second AIML model.

[0161] In some aspects, the second wireless communication device 901-2 may select one or more parameters for model updating in connection with information received from the first wireless communication device 901-1. For example, the second wireless communication device 901-2 may use the set of micro-Doppler measurements (or an indication associated therewith) and an indication of a sensing task to select a second AIML model to deploy at the first wireless communication device 901-1. In this case, the second wireless communication device 901-2 may compare the first AIML model and the second AIML model, determine a set of differences (e.g., parameter value differences, layer differences, configuration differences, etc. ) , and transmit an indication of the set of differences. Accordingly, the first wireless communication device 901-1 may use the set of differences to transform the first AIML model to generate an updated AIML model (e.g., the second AIML model) . In some aspects, the set of differences may include information identifying a set of new weights, a set of neural network nodes, a weight and connection matrix, a position of a set of new layers, a convolution kernel (e.g., a kernel size, type, stride, or padding) , a pooling method, or an activation function, among other examples.

[0162] In some aspects, the second wireless communication device 901-2 may configure an input format or an output format for an updated AIML model (e.g., the second AIML model) . For example, for an input format, the second wireless communication device 901-2 may configure a set of parameters for a set of micro-Doppler spectrums, a computation method for the set of parameters, a sampling method for the set of parameters, a normalization method for the set of parameters, a size or scaling of the micro-Doppler spectrum, or a data processing technique (e.g., a covariance method) , among other examples. In this case, the second wireless communication device 901-2 may transmit a control information message that includes a set of values or indices that the first wireless communication device 901-1 can interpret to determine the configured set of parameters. Similarly, for an output format, the second wireless communication device 901-2 may configure an output size or an output interpretation for each element of an output of the updated AIML model. In other words, the second wireless communication device 901-2 may configure the updated AIML model to output a vector of a given length of elements, with each element having a particular interpretation, such as a first element indicating whether a detected object has 4 rotors or 8 rotors, a second element indicating whether a detected object is greater than a threshold size or not, a third element indicating a yaw value, a fourth element indicating a pitch value, a fifth element indicating a roll value, or a sixth element indicating a quantization method or a set of other measurements, among other examples.

[0163] As further shown in FIG. 9A, and by reference number 908A, the first wireless communication device 901-1 (or another type of wireless communication device) may update an AIML model and use an updated AIML model. For example, the first wireless communication device 901-1 may transform the first AIML model, using the update from the second wireless communication device 901-2, to generate or create the second AIML model. Additionally, or alternatively, the first wireless communication device 901-1 may replace the first AIML model with the second AIML model. The first wireless communication device 901-1 may use the updated AIML model (e.g., the second AIML model) to analyze micro-Doppler measurements. For example, the first wireless communication device 901-1 may convert a micro-Doppler spectrum into a usable input format (e.g., a format of one or more numerical values that can be input into the second AIML model) and may analyze the micro-Doppler spectrum using the updated AIML model.

[0164] In this case, the first wireless communication device 901-1 may obtain an output of the updated AIML model, which may include a prediction or determination of an object represented in the micro-Doppler spectrum (e.g., an object observed in one or more measurements that comprise the micro-Doppler spectrum) or a set of characteristics of the object. For example, as shown in process 900B of FIG. 9B, the first wireless communication device 901-1 is configured with a first AIML model (at 920B) , receives a set of micro-Doppler measurements from a UAV (e.g., that senses a reference signal from the second wireless communication device 901-2) (at 922B) , reports an indication of the set of micro-Doppler measurements to the second wireless communication device 901-2 (at 924B) , receives an AIML update indication from the second wireless communication device 901-2 (at 926B) , and generates a second, updated AIML model that is used to perform object recognition (at 928B) . The set of micro-Doppler measurements 900C may include, as shown in FIG. 9C, a set of time intervals 930C, for which corresponding FFT sequences 932C are derived to characterize a movement observed during the time interval.

[0165] In some aspects, the first wireless communication device 901-1 may perform direct AI sensing and may report a final output of the updated AIML model. For example, as shown in process 900D of FIG. 9D, the first wireless communication device 901-1 may input micro-Doppler measurements (e.g., a micro-Doppler spectrum) into the updated AIML model (at 934D) and may output an object identification (e.g., an identification of an object or a characteristic thereof) (at 936D) . Additionally, or alternatively, the first wireless communication device 901-1 may perform AI assisted sensing. In AI assisted sensing, the first wireless communication device 901-1 uses the updated AIML model to perform a sub-task of the object identification process. In other words, the first wireless communication device 901-1 may input micro-Doppler measurements to the AIML model (at 938D) and generate an output, such as a micro-Doppler pattern, a micro-Doppler period, a micro-Doppler path number, or a compressed micro-Doppler spectrum, among other examples (at 940D) . In this case, the first wireless communication device 901-1 may report the output of the AIML model to the second wireless communication device 901-2, which may perform object recognition for the first wireless communication device 901-1 using the output (at 942D) and generate an output of the object recognition (at 944D) . For example, the second wireless communication device 901-2 may use a micro-Doppler pattern to perform an object recognition. In this case, use of the AIML model at the UE 302 enables a reduction of information (e.g., by using a compressed micro-Doppler spectrum) transmitted to the second wireless communication device 901-2 (e.g., relative to reporting unprocessed micro-Doppler measurements) and the object recognition performed at the second wireless communication device 901-2 enables improved accuracy (e.g., through greater resource availability at the second wireless communication device 901-2) or reduced resource utilization relative to performing object recognition at the UE 302.

[0166] In some aspects, the first wireless communication device 901-1 may report a middle layer output of the updated AIML model. For example, the first wireless communication device 901-1 may report a quantity, feature, or parameter, such as an index of a middle layer of the updated AIML model to the second wireless communication device 901-2. In this case, the second wireless communication device 901-2 may determine to forgo updating the AIML model after a middle layer of the AIML model (e.g., in a hierarchy of layers of the AIML model, the second wireless communication device 901-2 may update layers before the identified middle layer, but not after the identified middle layer) . In some aspects, the second wireless communication device 901-2 may receive the middle layer output and may process the middle layer output (e.g., using an AIML model of the second wireless communication device 901-2) and provide a result of processing the middle layer output. For example, as shown in process 900E of FIG. 9E, the first wireless communication device 901-1 reports an indication of a middle layer of the updated AIML model (at 950E) to the second wireless communication device 901-2, which passes the indication of the middle layer, transparently, to a server 951E that generates a final output (e.g., an object recognition) (at 952E) . In another configuration, the second wireless communication device 901-2 (e.g., an integrated sensing and communication (ISAC) gNB) generates the final output and reports the final output to the server 951E (at 954E) , which is external to the second wireless communication device 901-2, for further processing, logging, or feedback generation for the first wireless communication device 901-1.

[0167] In some aspects, the first wireless communication device 901-1 may report an output of a sub-structure of the updated AIML model. For example, the first wireless communication device 901-1 may transmit a report of the output of the sub-structure of the AI model to the second wireless communication device 901-2 (e.g., for processing at the second wireless communication device 901-2 or for the second wireless communication device 901-2 to transparently pass the output to a server for processing, as described herein) . In this case, an AIML model may have a plurality of sub-structures with each sub-structure being configured to process a micro-Doppler measurement for a corresponding wireless communication device. Accordingly, the first wireless communication device 901-1 may use a corresponding sub-structure, which is the updated AIML model of the first wireless communication device 901-1 , and report an output of the corresponding sub-structure to the second wireless communication device 901-2 for further processing (e.g., with other outputs of other sub-structures of other wireless communication devices) . As shown in process 900F of FIG. 9F, a plurality of wireless communication devices report outputs to a second wireless communication device 901-2 (e.g., a controlling node) (at 962F) , which passes the outputs to a server 963F for processing. In this case, the server 963F uses a final sub-structure to merge the plurality of outputs and generate a single final output (at 964F) (e.g., a single object recognition of an object observed by the plurality of wireless communication devices) . In another example, the plurality of wireless communication devices report outputs to a second wireless communication device 901-2 (e.g., a processing node) (at 966F) , which generates the single final output and reports the single final output (at 968F) to the server 963F.

[0168] As further shown in FIG. 9A, and by reference number 910A, the first wireless communication device 901-1 may transmit an object recognition report. For example, the first wireless communication device 901-1 may transmit information identifying a result of using the updated (second) AIML model, such as an output of the updated AIML model or processed object recognition results using the output of the updated AIML model, among other examples. Additionally, or alternatively, the first wireless communication device 901-1 may transmit another output of an AIML model, as described above, to enable the second wireless communication device 901-2 to perform an object recognition using the output and report the object recognition to the first wireless communication device 901-1. In some aspects, the first wireless communication device 901-1 may include a request for further sensing based on an output of the AI model. For example, when the output of the AI model indicates a detection of a UAV, the first wireless communication device 901-1 may request that additional sensing be performed to identify one or more characteristics of the UAV, such as a quantity of rotors or a size, among other examples.

[0169] In some aspects, the first wireless communication device 901-1 may transmit a report via a particular communication channel. For example, the first wireless communication device 901-1 may transmit the object recognition report via L1 UCI or uplink data, L2 MAC-CE, or L3 RRC signaling (e.g., when a UE is reporting to a network node) . Additionally, or alternatively, the first wireless communication device 901-1 may transmit the object recognition report via a core network function message (e.g., NAS or NGAP signaling) . Additionally, or alternatively, the first wireless communication device 901-1 may transmit the object recognition report via L3 signaling of an LPP protocol, NRPPa protocol, or a dedicated sensing protocol. Additionally, or alternatively, the first wireless communication device 901-1 may transmit the object recognition report via a sidelink channel or a downlink channel, as described above.

[0170] As further shown in FIG. 9A, and by reference number 912A, the first wireless communication device 901-1 may transmit a model update to the second wireless communication device 901-2. For example, the first wireless communication device 901-1 may perform a local training procedure using known object information to generate a localized AIML model. The localized AIML model, which may be a third AIML model, may be transferred to the second wireless communication device 901-2 in connection with a federated learning procedure, in which the second wireless communication device 901-2 collects a plurality of localized AIML models from a plurality of sources (e.g., a plurality of UEs 120 or other wireless communication devices) . The second wireless communication device 901-2 may use the federated learning procedure to improve AIML model based object recognition (e.g., by enabling the second wireless communication device 901-2 to transmit subsequent parameters, as described above, that result in more accurate updated AIML models than is achieved without federated learning) .

[0171] For example, as shown in process 900G of FIG. 9G, the first wireless communication device 901-1 receives a set of parameters of UAV information (e.g., a rotor number, a rotor rotation speed, or a rotor size) from a UAV (at 970G) and also measures a set of micro-Doppler measurements with a sensing reference signal reflected by the UAV (at 970G') , the first wireless communication device 901-1 may use the sets of parameters and micro-Doppler measurements to train a localized AIML model (at 972G) . The first wireless communication device 901-1 may use the localized AIML model for object recognition predictions (at 974G) and may report information regarding the localized AIML model (e.g., a set of updated parameters, a training data type, or a sensing task) to a server 975G to enable the server 975G to update one or more other AIML models (at 976G) . In some aspects, the first wireless communication device 901-1 may train the localized AIML model using object information, such as outputs, labels, or synchronous measurements, among other examples, as inputs or data for supervised learning. For example, the first wireless communication device 901-1 may request a training configuration from the second wireless communication device 901-2, such as a K-fold cross validation, a learning rate, a maximum epoch number, a batch size, whether to use label smoothing, a type of data augmentation method, or another configuration parameter to use in generating a localized AIML model.

[0172] As indicated above, FIG. 9A is provided as an example. Other examples may differ from what is described with respect to FIG. 9A.

[0173] FIG. 10 shows an example of a velocity projection diagram 1000 that supports micro-Doppler object signature detection in accordance with one or more aspects of the present disclosure.

[0174] The velocity projection diagram 1000 may include a network node 1005, which may be an example of a UE 302 or a network entity 304 or 306 as described herein. The velocity projection diagram 1000 may include a UAV 1015.

[0175] In some examples, a rotor (e.g., a propeller) of the UAV 1015 may have two blades 1020, a first blade 1020-a and a second blade 1020-b. The micro-Doppler shift of each blade 1020, for example the second blade 1020-b, is caused by the radial velocity Vr, where Vr is a projection of the actual velocity Vt of the second blade 1020-b (e.g.,  ) . As the second blade 1020-b moves in a circular motion, the rotation of the second blade 1020-b may project a pattern of sine or cosine wave with a phase shift on a reference signal that reflects off the second blade 1020-b in the micro-Doppler spectrum. The phase shift of sine / cosine wave of the second blade 1020-b in the micro-Doppler spectrum may be determined by the initial angle of the second blade 1020-b by the network node 1005 which receives the reference signal. Accordingly, each rotor of a UAV 1015 may be detected in the micro-Doppler domain by a network node 1005 which receives a reference signal that reflects off the UAV 1015.

[0176] Accordingly, a UAV 1015 with 4 propellors having the uniform blade angle differences may be identified in the micro-Doppler spectrum by a network node 1005 which receives a reference signal that reflects off the UAV 1015 based on uniform phase differences of sine / cosine waves corresponding to different blades in the received reference signal. Thus, the micro-Doppler object signatures for different UAVs 1015 may refer to the phase differences between micro-Doppler patterns of propellors for different UAVs 1015 which are caused by the blade angle differences between the propellors.

[0177] FIG. 11 shows an example of a diagram 1100 of a four-propeller UAV 1015-a that supports micro-Doppler object signature detection in accordance with one or more aspects of the present disclosure. The diagram 1100 of the four-propeller UAV 1015-a may implement or may be implemented by aspects of the wireless communications system 100 or the velocity projection diagram 1000. For example, the UAV 1015-a may be an example of a UAV 1015 as described herein.

[0178] The UAV 1015-a may include four propellers 1110 (e.g., a first propeller 1110-a, a second propeller 1110-b, a third propeller 1110-c, and a fourth propeller 1110-d) . The four propellers 1110 may move independently (e.g., have different rotational directions and / or speeds) . For example, the first propeller 1110-a may move clockwise at a first speed 1115-a, the second propeller 1110-b may move counter-clockwise at a second speed 1115-b, the third propeller 1110-c may move clockwise at a third speed 1115-c, and the fourth propeller 1110-d may move counter-clockwise at a fourth speed 1115-d. The micro-Doppler pattern of an individual UAV such as the UAV 1015-a may not be static and may depend on the motion state (e.g., flight state) of the UAV 1015-a. For example, to move in the direction 1120, the third speed 1115-c and the fourth speed 1115-d may be greater than the first speed 1115-a and the second speed 1115-b. Accordingly, micro-Doppler patterns of the propellers 1110 of a UAV may be used to determine the motion state (e.g., flight state) of UAVs. Further, as the speed of the propellers may change, the object signature of a UAV (e.g., the phase offsets between the propellers) may change over time, and accordingly an object signature may be valid for a time window or a set of time windows (e.g., in terms of seconds, frames, slots, or symbols) .

[0179] FIG. 12 shows an example of a wireless communications system 1200 that supports micro-Doppler object signature detection in accordance with one or more aspects of the present disclosure. The wireless communications system 1200 may implement or may be implemented by aspects of a wireless communications system, the micro-Doppler processing diagram 200, the velocity projection diagram 1000, or the diagram 1100 of the four-propeller UAV. For example, the wireless communications system 1200 may include a UAV 1015-b and a UAV 1015-c, which may be examples of a UAV 1015 as described herein. The wireless communications system 1200 may include a first network node 1005-a and a second network node 1005-b, which may be examples of a network node 1005 as described herein.

[0180] The first network node 1005-a and the second network node 1005-b may communicate using a communication link 1205. In some examples, the communication link 1205 may be an example of an NR or LTE link between first network node 1005-a and the second network node 1005-b. For example, the first network node 1005-a may be a network entity as described herein and the second network node 1005-b may be a UE as described herein, or the first network node 1005-a may be a UE as described herein and the second network node 1005-b may be a network entity as described herein, and the communication link 1205 may be a communication link as described herein. For example, the communication link 1205 may include a bi-directional link that enables both uplink and downlink communications. For example, the first network node 1005-a and the second network node 1005-b may exchange uplink signals, such as uplink control signals or uplink data signals, and downlink signals, such as downlink control signals or downlink data signals, using the communication link 1205. As another example, the first network node 1005-a and the second network node 1005-b may both be network entities as described herein, and the communication link 1205 may be a backhaul communication link as described herein. As another example, the first network node 1005-a and the second network node 1005-b may both be UEs 115 as described herein, and the communication link 1205 may be a D2D communication link as described herein.

[0181] In some examples, the wireless communications system 1200 may include a sensing server 1250. For example, the sensing server 1250 may be part of a core network as described herein. The first network node 1005-a may communicate with the sensing server 1250 via a communication link 1255, which may be an example of a backhaul communication link if the first network node 1005-a is a network entity as described herein or a communication link if the first network node 1005-a is a UE as described herein. The second network node 1005-b may communicate with the sensing server 1250 via a communication link 1260, which may be an example of a backhaul communication link if the first network node 1005-a is a network entity as described herein or a communication link 155 if the first network node 1005-a is a UE as described herein.

[0182] The first network node 1005-a and the second network node 1005-b may perform object sensing, for example, to determine the position and / or velocity of objects such as the UAV 1015-b or the UAV 1015-c. For example, the first network node 1005-a may transmit, within one or more valid time windows, a first set of reference signals 1215-a which may be reflected by the UAV 1015-b as a reflected set of reference signals 1220-a. The second network node 1005-b may receive the reflected set of reference signals 1220-a and may identify a micro-Doppler object signature of the UAV 1015-b. The first network node 1005-a may transmit control signaling 1210 to the second network node 1005-b that indicates the one or more valid time windows associated with micro-Doppler object signature measurement for an object type (e.g., the object type may be a UAV) . The second network node 1005-b may transmit a report 1225 to the first network node 1005-a indicating the object signature of the UAV 1015-b based on the reflected set of reference signals 1220-a. In some examples, the second network node 1005-b may transmit the report 1225 to the sensing server 1250. In some examples, the second network node 1005-b may use an AI model to identify the object signature. As described herein, the second network node 1005-b may use criterion to judge whether two objects are the same (e.g., whether the UAV 1015-b and the UAV 1015-c are separate UAVs) . As described herein, the second network node 1005-b or the first network node 1005-a may measure or determine motion states (e.g., UAV fly states and transitions) based on semi-static object signatures.

[0183] For a UAV 1015, the object signature may be the inter-propeller offset measured in the micro-Doppler spectrum. For example, for a four-propeller UAV 1015, the object signature may be the three angular offsets between the propellers (e.g., (0, 5, 61) , (116, 51, 127) , (45, 107, 165) , etc. ) . The second network node 1005-b may use an AI model (e.g., a trained neural network (NN) ) to measure the object signature in the micro-Doppler spectrum. For example, for UAVs 1015, an NN may be trained to recognize propeller angle offsets.

[0184] The control signaling 1210 may indicate a valid time window for an object signature type in terms of a period length and a start time (e.g., an offset in the time domain with respect to the control signaling 1210) . In some examples, the control signaling 1210 may indicate multiple valid time windows (e.g., using multiple start offsets with a single or with multiple period lengths) . The period length may be in units of seconds or frames. In some examples, the first network node 1005-a may transmit an invalidation message 1230 to indicate the end of a valid time window (e.g., to indicate an object signature has become invalid) . In some examples, the sensing server 1250 may configure the valid time windows and may transmit a control message 1240-a that indicates the valid time window (s) to the first network node 1005-a via the communication link 1255, and the sensing server 1250 may transmit a control message 1240-b that indicates the valid time window (s) to the second network node 1005-b via the communication link 1260. The sensing server 1250 may transmit the control message 1240-a such that the first network node 1005-a may configure the first set of reference signals 1215-a for micro-Doppler sensing during the valid time windows.

[0185] The first network node 1005-a may indicate (e.g., in the control signaling 1210) an AI model to use to measure the object signature in the indicated valid time window (s) . In some examples, the sensing server 1250 may indicate (e.g., in the control message 1240-b) the AI model to use to measure the object signature in the indicated valid time window (s) . After an object signature becomes invalid (e.g., at the end of a set of valid time windows) , the second network node 1005-b may update the object signature measurements. In some examples, if the second network node 1005-b does not receive an indication of an updated AI model from the first network node 1005-a or the sensing server 1250 at or after the termination of the valid time window (s) , the second network node 1005-b may use the same AI model for a subsequent set of time windows. If the second network node 1005-b receives an indication of an updated AI model from the first network node 1005-a or the sensing server 1250 for a subsequent set of valid time windows, the second network node 1005-b may use the updated AI model for the subsequent set of time window.

[0186] In some examples, the second network node 1005-b may report the detected object signature (s) semi-statically for each time window. For example, the second network node 1005-b may transmit a report 1225 for each configured valid time window. As another example, at the end of a set of valid time windows, the second network node 1005-b may transmit a report 1225 including respective object signature measurement (s) for each valid time window. For example, the measurements in the report 1225 may be segmented based on the valid time window index with measured object signatures corresponding to each valid time window index. The second network node 1005-b may measure multiple object signatures (e.g., one for the UAV 1015-b and one for the UAV 1015-c) in one valid time window. For example, the report 1225 may include: [signature 1, valid time window 1], [signature 2, valid time window 1] , [signature 3, valid time window 2] . In some examples, the second network node 1005-b may perform processing and analysis based on a defined object signature inside each valid time window (e.g., the second network node 1005-b may not use two object signatures in two valid time windows to count a detected quantity of objects) .

[0187] In some examples, the first network node 1005-a may transmit second control signaling 1235 that indicates a second set of valid time windows associated with micro-Doppler object signature measurement for the object type. For example, the first network node 1005-a may transmit, within the second set of one or more valid time windows, a second set of reference signals 1215-b which may be reflected by the UAV 1015-b as a reflected set of reference signals 1220-b. The second network node 1005-b may transmit a report 1245 to the first network node 1005-a indicating the object signature of the UAV 1015-b based on the reflected set of reference signals 1220-b. In some examples, the second network node 1005-b may transmit the report 1245 to the sensing server 1250. In some examples, the second network node 1005-b may use an AI model to identify the object signature. In some examples, the second control signaling 1235 may indicate an update to the AI model or an updated AI model as compared to the AI model used for the first set of valid time windows indicated by the control signaling 1210.

[0188] In some examples, the second network node 1005-b may be configured with (e.g., in the control signaling 1210 or the control message 1240-b) a criterion to determine whether two object signatures belong to the same object (e.g., the same UAV 1015) within a same valid time window. For example, due to multipath propagation, the second network node 1005-b may receive a reflected reference signal 1220-a that reflected off the same object via multiple paths. In some examples, the criterion may be a Euclidean distance between two object signatures being less that a threshold. In some examples, two Euclidean distance thresholds may be configured, and the second network node 1005-b may determine that two object signatures belong to the same object when the Euclidean distance between the two object signatures is below the first threshold and the second network node 1005-b may determine that two object signatures belong to the different objects when the Euclidean distance between the two object signatures is greater than the second threshold, where the second threshold is higher than the first threshold.

[0189] In some examples, the second network node 1005-b may be configured with (e.g., in the control signaling 1210 or the control message 1240-b) a criterion to determine whether two object signatures belong to the same object (e.g., the same UAV 1015) across two adjacent valid time windows. For example, the criterion may be differences of positions, angles, distances, velocities, or Doppler shifts corresponding to two object signatures in two valid time windows being less than a configured threshold. In some examples, two thresholds may be configured, and the second network node 1005-b may determine that the object signatures belong to the same object if the differences in positions, angles, distances, velocities, or Doppler shifts in the two adjacent valid time windows are less than the first threshold, and the second network node 1005-b may determine that the object signatures belong to the different objects if the differences in positions, angles, distances, velocities, or Doppler shifts in the two adjacent valid time windows are greater than the second threshold. As another example, the criterion may be differences of derivatives of object signatures in two adjacent valid time windows being less than a threshold. In some examples, two thresholds may be configured, and the second network node 1005-b may determine that the object signatures belong to the same object if the differences of derivatives of the object signatures in the two adjacent valid time windows are less than the first threshold, and the second network node 1005-b may determine that the object signatures belong to different objects if the differences of derivatives of the object signatures in the two adjacent valid time windows are greater than the second threshold.

[0190] In some examples, the micro-Doppler object signature measurements may be used to determine the motion status of an object in a single valid time window. For example, for a UAV 1015, the micro-Doppler object signature measurements may be used to determine the flight status (e.g., hovering, moving forward / backward / up / down, turning left / right, accelerating / decelerating) based on the maximum micro-Doppler shift of each propeller (e.g., as described with reference to FIG. 11) .

[0191] In some examples, the micro-Doppler object signature measurements may be used to determine the motion status of an object across multiple valid time windows. For example, for a UAV 1015, the flight status may be estimated with a series of semi-static UAV object signatures in multiple time windows. For example, the micro-Doppler object signature measurements may be used to determine whether there is a transition in flight status for a UAV based on differences, derivatives, or differences of derivatives of UAV signatures in two or more adjacent valid time windows.

[0192] In some examples, the second network node 1005-b may report (e.g., in the report 1225) the motion status (e.g., flight status and or transition for a UAV 1015) based on locally analyzing the object signatures. For example, the second network node 1005-b may be configured with (e.g., via the control signaling 1210 or the control message 1240-b) a mapping or rule for determining the motion status. In some examples, the second network node 1005-b may report (e.g., in the report 1225) the differences, derivatives, or differences of derivatives of object signatures in two or more adjacent valid time windows and first network node 1005-a or the sensing server 1250 may determine the motion status based on the reported differences, derivatives, or differences of derivatives. In some examples, the second network node 1005-b may report (e.g., in the report 1225) the measured object signatures in two or more adjacent valid time windows and first network node 1005-a or the sensing server 1250 may determine the motion status based on the reported measured object signatures.

[0193] In some examples, if the first network node 1005-a is a network entity and the second network node 1005-b is a UE, the control signaling 1210 may be transmitted via layer 1 downlink control information (DCI) , via a layer 2 MAC control element (MAC-CE) , or via layer 3 RRC. In such examples, the report 1225 may be transmitted via layer 1 uplink control information (UCI) , via a layer 2 MAC-CE, or via layer 3 RRC.

[0194] In some examples, if either the first network node 1005-a or the second network node 1005-b are core network functions, the control signaling 1210 and the report may be transmitted via NAS or next generation application protocol (NGAP) signaling.

[0195] In some examples, the second network node 1005-b may be a UE and the sensing server 1250 may be a location and / or sensing server such as a location management function (LMF) or a session management function (SnMF) . In such examples, the control message 1240-b may be transmitted via layer 3 (e.g., RRC information elements (IEs) carried in the LTE positioning protocol (LPP) directly between second network node 1005-b and the LMF (positioning server) or in a dedicated sensing protocol directly between the second network node 1005-b and the SnMF (sensing server) . In such examples, the report 1225 may be transmitted via layer 3 (e.g., RRC IEs) carried in the LPP directly between second network node 1005-b and the LMF (positioning server) or in a dedicated sensing protocol directly between the second network node 1005-b and the SnMF.

[0196] In some examples, the second network node 1005-b may be a network entity and the control message 1240-b may be indicated via the NR positioning protocol A (NRPPa) directly between the second network node 1005-b and the LMF or in a dedicated sensing protocol directly between the network entity and the SnMF. In such examples, the report 1225 may be transmitted via the NRPPa directly between the second network node 1005-b and the LMF or in a dedicated sensing protocol directly between the network entity and the SnMF.

[0197] If the first network node 1005-a and the second network node 1005-b are both UEs 115, the control signaling 1210 may be indicated via the sidelink PC5 interface, for example via sidelink layer 1 (e.g., sidelink control information (SCI) in a physical sidelink control channel (PSCCH) or sidelink data such as physical sidelink shared channel (PSSCH) ) , a sidelink layer 2 MAC-CE, or sidelink layer 3 RRC. In such examples, the report 1225 may be transmitted via the sidelink PC5 interface, for example via sidelink layer 1 (e.g., SCI in a PSCCH or sidelink data such as PSSCH) , a sidelink layer 2 MAC-CE, or sidelink layer 3 RRC.

[0198] If the first network node 1005-a is a UE and the second network node 1005-b is a network entity, the control signaling 1210 may be indicated via layer 1 UCI, a layer 2 MAC-CE, or layer 3 RRC. In such examples, the report 1225 may be transmitted via layer 1 DCI or downlink data (e.g., physical downlink shared channel (PDSCH) ) , a layer 2 MAC-CE, or layer 3 RRC.

[0199] FIG. 13A shows an example of a process flow 1300A that supports micro-Doppler object signature detection in accordance with one or more aspects of the present disclosure. The process flow 1300A may include a first network node 1005-c and a second network node 1005-d, which may be examples of a network node 1005 as described herein. In the following description of the process flow 1300A, the operations between the first network node 1005-c and the second network node 1005-d may be transmitted in a different order than the example order shown, or the operations performed by the first network node 1005-c and the second network node 1005-d may be performed in different orders or at different times. Some operations may also be omitted from the process flow 1300A, and other operations may be added to the process flow 1300A.

[0200] At 1310A, the first network node 1005-c may receive, from the second network node 1005-d, control signaling that indicates one or more valid time windows associated with micro-Doppler object signature measurement for an object type.

[0201] At 1315A, the first network node 1005-c may receive, from the second network node 1005-d, one or more reference signals during the one or more valid time windows. The reference signals may reflect off of the object 1305A.

[0202] At 1320A, the first network node 1005-c may transmit, to the second network node 1005-d, a report indicating an object signature of the object 1305A of the object type, where the object signature is identified based on the one or more reference signals.

[0203] In some examples, the first network node 1005-c may receive, via the control signaling at 1310A, an indication of an AI model associated with the one or more valid time windows, where the object signature is identified based on the AI model. In some examples, the first network node 1005-c may receive, from the second network node 1005-d and subsequent to a termination of the one or more valid time windows, one or more second reference signals. In such examples, the first network node 1005-c may transmit, to the second network node 1005-d, a second report indicating a second object signature of the object 1305A identified based on the one or more second reference signals and based on the AI model. In some examples, the first network node 1005-c may receive, from the second network node 1005-d and subsequent to a termination of the one or more valid time windows, second control signaling that indicates one or more second valid time windows associated with the micro-Doppler object signature measurement and a second AI model associated with the one or more second valid time windows. In such examples, the first network node 1005-c may receive, from the second network node 1005-d and subsequent to a termination of the one or more valid time windows, one or more second reference signals, and the first network node 1005-c may transmit, to the second network node 1005-d, a second report indicating a second object signature of the object 1305A identified based on the one or more second reference signals and based on the second AI model.

[0204] In some examples, the control signaling at 1310A includes an indication of a starting time and a duration of the one or more valid time windows.

[0205] In some examples, the report at 1320A may include an indication of a second object signature of a second object of the same object type as the object 1305A, where the second object signature is identified based on the one or more reference signals. In some examples, the control signaling at 1310A may include an indication of same object signature criteria to determine whether two object signatures belong to a same object, and the first network node 1005-c may determine, based on the same object signature criteria, that the object signature and the second object signature belong to different objects.

[0206] In some examples, the first network node 1005-c may transmit, to the second network node 1005-d, respective reports indicating one or more identified object signatures for each time window of the one or more valid time windows, and the report transmitted at 1320A may be one of the respective reports.

[0207] In some examples, the control signaling at 1310A may include an indication of a same object signature criteria to determine whether two object signatures belong to a same object across adjacent valid time windows of the one or more valid time windows. The object signature may be is associated with a first valid time window of the one or more valid time windows, and the report may indicate that the object 1305A is the same object in two adjacent valid time windows of the one or more valid time windows based on the object signature satisfying the same object signature criteria with respect to a prior object signature of the object 1305A associated with a second valid time window that is adjacent and prior to the first valid time window.

[0208] In some examples, the report may include an indication of a motion status of the object 1305A based on the object signature and a second object signature of the object 1305A, where the object signature is associated with a first valid time window of the one or more valid time windows, and where the second object signature is associated with a second valid time window of the one or more valid time windows prior to the first valid time window.

[0209] In some examples, the report may include an indication of a difference between the object signature and a second object signature of the object 1305A, where the object signature is associated with a first valid time window of the one or more valid time windows, and where the second object signature is associated with a second valid time window of the one or more valid time windows that is prior to and adjacent to the first valid time window. In such examples, the second network node 1005-d or the first network node 1005-c may determine the motion status of the object 1305A based on the difference between the object signature and a second object signature of the object 1305A.

[0210] In some examples, the object 1305A is a UAV 1015 as described herein and the object signature includes a set of angular offsets between propellers of the UAV 1015. In some examples, the report may include a motion status of the object based on the object signature and an identified micro-Doppler shift of each of the propellers.

[0211] FIG. 13B illustrates a mapping 1300B between UAV propeller blades and micro-Doppler spectrograms, in accordance with aspects of the disclosure. In an aspect, UAV individual signature is the inter-propeller blade angle offset, which can be measured from micro-Doppler spectrogram. In an example, for a quadcopter with 4 propellers, the signature is a vector of 3 offset relative to a reference propeller, as shown in FIG. 13B.

[0212] In UAV sensing in multipath environments, each UAV may have multiple sensing paths, which result in false alarms (i.e., due to UAV ambiguity) .

[0213] As noted above, in an aspect, with micro-Doppler signature, paths which belong to the same UAV can be recognized. For example, AIML models may assist in object recognition with micro-Doppler (e.g., AIML models for extraction of micro-Doppler features may be trained and used for inferencing) .

[0214] As noted above, in another aspect, direct / indirect link recognition by micro-Doppler may be implemented for sensing (e.g., multiple sensing paths of the same UAV may be recognized using clustering or classification) .

[0215] As noted above, in another aspect, semi-static object signature for individual UAV recognition in ISAC may be implemented (e.g., UAV individual signature in micro-Doppler) . For example, UAV individual signature may be the inter-propeller blade angle offset, which can be measured from micro-Doppler spectrogram (e.g., for quadcopter with 4 propellers, the signature is a vector of 3 offset relative to a reference propeller) .

[0216] Aspects of the disclosure are directed to micro-Doppler spectrogram-based prediction of number of sensed target objects. In an aspect, in addition to target object (e.g., unmanned aerial vehicle (UAV) ) disambiguation and target object individual signature clustering of sensed multipaths, the overall number of sensed target objects may further be predicted (i.e., counted) and utilized for sensing operations. Such aspects may provide various technical advantages, such as improved sensing accuracy, reduced sensing latency, and so on.

[0217] FIG. 14 illustrates an exemplary process 1400 of communications according to an aspect of the disclosure. The process 1400 of FIG. 14 is performed by a device. In some designs, the device may correspond to a sensing receive node or sensing transmit node or both (i.e., for monostatic sensing) . In some designs, the device may correspond to a wireless network component (e.g., gNB / BS / TRP 304 or O-RAN component such as RU) or other network component (e.g., a remote location server (e.g., LMF) or sensing server (e.g., SnMF) such as network entity 306, etc. ) . In other designs, the device may correspond to a UE (e.g., sidelink anchor UE or sidelink server UE or target UE) . In scenarios where the device is integrated with another device (e.g., UE, gNB / BS / TRP, LMF, SnMF, etc. ) , reference to any Rx / Tx operations between the device and the other device in which the device is integrated may correspond to transfer of information between different logical components of the device over a data bus, etc.

[0218] Referring to FIG. 14, at 1410, the device (e.g., processor (s) 342 or 384 or 394, sensing component 348 or 388 or 398, etc. ) provides, as inputs to a set of artificial intelligence machine learning (AIML) models, a plurality of micro-Doppler spectrograms associated with sensing signal measurements performed by a sensing receive node via a radio frequency sensing (RF-S) procedure. In an aspect, each of the plurality of micro-Doppler spectrograms associated with a different receive path (e.g., a different multipath) of the sensing signal measurements. In some designs, a means for providing the micro-Doppler spectrograms of 1410 includes processor (s) 342 or 384 or 394, sensing component 348 or 388 or 398, etc., of FIGS. 3A-3C.

[0219] Referring to FIG. 14, at 1420, the device (e.g., processor (s) 342 or 384 or 394, sensing component 348 or 388 or 398, etc. ) obtains, as inferences from the set of AIML models, a plurality of target object signatures corresponding to the plurality of micro-Doppler spectrograms. In some designs, a means for obtaining the target object signatures of 1420 includes processor (s) 342 or 384 or 394, sensing component 348 or 388 or 398, etc., of FIGS. 3A-3C.

[0220] Referring to FIG. 14, at 1430, the device (e.g., processor (s) 342 or 384 or 394, sensing component 348 or 388 or 398, etc. ) determines a predicted number of distinct target objects detected by the RF-S procedure based on the plurality of target object signatures. In an aspect, the determination of 1430 may be based on a clustering algorithm, which is described below in more detail. In some designs, a means for performing the determination of 1430 includes processor (s) 342 or 384 or 394, sensing component 348 or 388 or 398, etc., of FIGS. 3A-3C.

[0221] Referring to FIG. 14, at 1440, the device (e.g., processor (s) 342 or 384 or 394, sensing component 348 or 388 or 398, transmitter 314 or 324 or 334 or 354 or 364 or 374, receiver 312 or 322 or 332 or 352 or 362 or 372, etc. ) performs one or more actions based on the predicted number of distinct target objects. In some designs, a means for performing the action (s) of 1440 includes processor (s) 342 or 384 or 394, sensing component 348 or 388 or 398, transmitter 314 or 324 or 334 or 354 or 364 or 374, receiver 312 or 322 or 332 or 352 or 362 or 372, etc., of FIGS. 3A-3C.

[0222] Referring to FIG. 14, in some designs, the device further obtains an input range profile from the sensing signal measurements, extracts a set of range paths from the input range profile, and processes the set of range paths via a respective set of short-time Fourier transform (STFT) functions to obtain the plurality of micro-Doppler spectrograms.

[0223] Referring to FIG. 14, in some designs, the device corresponds to the sensing receive node. In an aspect, the device further receives, from a sensing management component, a sensing request. In an aspect, the sensing request requests the sensing receive node to perform the RF-S procedure and to report the predicted number of distinct target objects. In an aspect, the sensing request further comprises an indication of the set of AIML models to be used to obtain the target object signatures.

[0224] Referring to FIG. 14, in some designs, the device further transmits, to a sensing management component, capability information of the device, the capability information comprising sensing capability information, clustering algorithm capability information or a combination thereof. In an aspect, the set of AIML models used to obtain the target object signatures is signaled to the device based on the sensing capability information, or a clustering algorithm used to obtain a set of target object clusters corresponding to the predicted number of distinct target objects is signaled to the device based on the clustering algorithm capability information, or any combination thereof.

[0225] Referring to FIG. 14, in some designs, the set of AIML models is autoencoder-based, with an encoder, a decoder, or both, being implemented by, e.g.: · a neural network (NN) , or · a convolutional NN (CNN) , or · an AlexNet-based CNN, or · a visual geometry group (VGG) -based CNN, or · a residual NN (ResNet) , or · a multiple linear perceptron (MLP) , or · a transformer-based NN, or · a generative AI (GenAI) -based model, or · any combination thereof.

[0226] Referring to FIG. 14, in some designs, the set of AIML models is vanilla autoencoder-based or variational autoencoder-based.

[0227] Referring to FIG. 14, in some designs, the predicted number of distinct target objects is determined by clustering the plurality of target object signatures into a set of target object clusters in accordance with a clustering algorithm, wherein a number of target object clusters in the set of target object clusters corresponds to the predicted number of distinct target objects.

[0228] Referring to FIG. 14, in some designs, the clustering algorithm comprises, e.g.: · a K-means clustering algorithm, or · a linkage-agglomerative clustering algorithm, or · a gmdistribution-Gaussian mixture distribution algorithm, or · any combination thereof.

[0229] Referring to FIG. 14, in some designs, the clustering algorithm is implemented in conjunction with a set of evaluation criteria, the set of evaluation criteria comprising, e.g.: · a CalinskiHarabasz evaluation criterion, or · a DaviesBouldin evaluation criterion, or · a gap evaluation criterion, or · a silhouette evaluation criterion, or · any combination thereof.

[0230] Referring to FIG. 14, in some designs, the clustering of the plurality of target object signatures into the set of target object clusters comprises allocating a cluster index to each target object signature in the plurality of target object signatures based on the predicted number of distinct target objects, determining a shortest-range path associated with each cluster index, and determining a position of each distinct target object in the predicted number of distinct target objects based on the respective shortest-range path. In an aspect, the cluster index allocation is based on an agglomerative hierarchical clustering technique.

[0231] Referring to FIG. 14, in some designs, the set of target object clusters corresponds to a set of unmanned aerial vehicles (UAVs) . In an aspect, the set of AIML models is trained to derive UAV signatures based on inter-propeller angle offset information. In an aspect, the UAV signatures are arranged as a vector of inter-propeller angle offsets with a minimized weight, and the inter-propeller angle offsets are each derived based on a selection of a reference propeller and a blade of the reference propeller.

[0232] Referring to FIG. 14, in some designs, the one or more actions comprise, e.g.: transmitting the predicted number of distinct target objects to a sensing management component, or processing the sensing signal measurements based on the predicted number of distinct target objects.

[0233] FIG. 15 illustrates an example implementation 1500 of the process 1400 of FIG. 14, in accordance with aspects of the disclosure. More specifically, the example implementation 1500 includes a data preprocessing stage 1510 and a deep learning-based UAV signature / path recognition stage 1520. The stages 1510-1520 may be performed by the same device or different devices. Note that while FIG. 15 is described below with respect to UAVs, other examples may be directed to sensing of other (i.e., non-UAV) target object type (s) or a combination of UAV (s) and non-UAV object type (s) .

[0234] Referring to FIG. 15, during the data preprocessing stage 1510, at 1512, an input range profile associated with sensing signal measurements is obtained. At 1514, signals of range paths 1…Q are derived from the input range profile. At 1516, the signals of range paths 1…Q are processed via short-time Fourier transform (STFT) to obtain micro-Doppler spectrograms 1…Q.

[0235] Referring to FIG. 15, during the deep learning-based UAV signature / path recognition stage 1520, at 1522, the micro-Doppler spectrograms 1…Q are provided to AIML models 1…Q. In an aspect, the AIML models 1…Q may correspond to NNs 1…Q, such as a CNN model ResNet (e.g., ResNet-18, 50, 101, 152) . At 1524, the AIML models 1…Q output (as inferences) UAV signatures φ1…φQ. At 1526, the UAV signatures φ1…φQ are clustered via a clustering algorithm (e.g., a K-means clustering algorithm) . In the example of FIG. 15, two clusters are depicted at 1528 and 1530.

[0236] Referring to FIG. 14, in a specific example, for UAV counting, gNB may indicate whether to support or enable UAV counting (or whether the gNB desires UAV number estimation) in a sensing request. In an aspect, UE reports UAV counting results (i.e., the estimated UAV number) , triggered by this indication. In an aspect, UE performs UAV counting using per path UAV individual signatures extraction with AI model (e.g., ResNet) and extracted signatures clustering. In an aspect, the UAV number may equal the signature cluster number detected by the clustering algorithm (e.g., K-means) .

[0237] Referring to FIG. 14, in a specific example, for AI model to extract UAV individual signatures, gNB may indicate the specific AIML model (e.g., ResNet-18 or -50) in the sensing request of UAV counting. In an aspect, UE indicates whether the specific AI model (e.g., ResNet-18 or -50) is supported in UE capability report.

[0238] Referring to FIG. 14, in a specific example, for clustering algorithm for UAV individual signatures, gNB indicates the specific clustering algorithm (e.g., K-means) in the sensing request of UAV counting. In an aspect, UE indicates whether the specific clustering algorithm (e.g., K-means) is supported in UE capability report. As noted above, UAVs are referred to with respect to FIG. 14 as examples, and other aspects may be directed to sensing of non-UAV object type (s) with corresponding object individual signatures extracted from micro-Doppler measurements, with specific AIML models trained for that signature extraction.

[0239] Referring to FIG. 14, in a specific example, a high-level structure of the AIML models may be auto-encoder –based (encoder only, decoder only or both encoder and decoder) , where the encoder and the decoder can be implemented by, e.g.: ● ResNet (including ResNet-18, 50, 101, 152) ● MLP (multiple linear perceptron) ● AlexNet ● VGG (including VGG-16, 19) ● Transformer

[0240] Note that FIG. 15 depicts an example where the high-level structure of the AIML models is encoder-only and the encoder is ResNet

[0241] Referring to FIG. 14, in a specific example, the AIML model input may be micro-Doppler spectrograms, and the AIML model output may comprise, e.g.: UAV individual signatures, such as a 1x (M-1) vector for UAV with M propellers.

[0242] Referring to FIG. 14, in a specific example, apart from the vanilla AE (autoencoder) , VAE (variational autoencoder) -based structure can be beneficial in some designs. In AE, the encoder extracts the latents (which implicitly contain the information of micro-doppler features) , and the latents can be further processed to perform either regression or target classification task. In vanilla AE, the latent space is not well regularized and could result in arbitrarily scaled space (e.g., this may cause overfitting and the learned latent space cannot capture the “true” feature) . In VAE, the encoder encodes the input into distributions, e.g., the latent element  This helps regularize the latent space to ensure continuity and completeness. In an aspect, some variants of VAE also can be utilized, e.g., vector quantization (VQ) -VAE, Finite Scalar Quantization (FSQ) -VAE, etc. In addition, some frameworks in GenAI can be utilized to further improve the performance. Some examples in GenAI includes, GAN (generative adversarial network) , Diffusion models, such as Denoising Diffusion Probabilistic Models (DDPM) or Denoising Diffusion Implicit Models (DDIM) .

[0243] Referring to FIG. 14, in a specific example, for UAV signature clustering (i.e., UAV counting) , cluster number estimation may be performed with K-means. First, the number of clusters representing recognized UAV signatures across multiple paths is estimated using the k-means clustering algorithm in conjunction with the Calinski-Harabasz evaluation criterion. Various clustering algorithms may be utilized, e.g.: k-means, linkage -agglomerative clustering algorithm, gmdistribution -Gaussien mixture distribution algorithm. In an aspect, the evaluation criterion may be, e.g.: CalinskiHarabasz, DaviesBouldin, gap, silhouette.

[0244] Referring to FIG. 14, in a specific example, cluster indices may be utilized. In an aspect, given the cluster number, UAV signatures with cluster indexes are allocated. Next, the cluster indices, which correspond to the UAV indices for each path, are determined using an agglomerative hierarchical clustering technique. In an aspect, the agglomerative hierarchical clustering technique involves constructing a hierarchical tree and applying a threshold cutoff to define the clusters. Finally, the direct sensing path for the k-th UAV is identified as the shortest-range path within the k-th cluster. This identification process leverages the spatial proximity of the UAV signatures to accurately determine the most direct path for sensing. The position estimation is done with the direct sensing path.

[0245] Referring to FIG. 14, in a specific example, a new condition to the UAV individual signature vector of inter-propeller blade angle offset may be introduced, to reduce the space of the signatures. In an aspect, for a UAV (e.g., drone) with M propellers, individual micro-Doppler signatures are defined as a propeller angle difference vector of 1x (M-1) , arranged in ascending order of minimum weight, given by and where denotes the $m$-th smallest angle difference between the i-th propeller and  other propellers of the k-th target UAV, j#m denotes the blade index of a propeller that contributes to this angle difference,  k=1, 2, …, K, m =1, 2, …, M-1, i = 1, 2, …, M, j = 1, 2, …, L.

[0246] In an aspect, the minimum weight refers to the smallest phase difference between the sinusoidal micro-Doppler pattern of any other propeller and that of the reference propeller. In an aspect, for each propeller, only one blade is selected to count the angle of that propeller. The reference propeller is chosen to minimize the weight of φ.

[0247] In the detailed description above it can be seen that different features are grouped together in examples. This manner of disclosure should not be understood as an intention that the example clauses have more features than are explicitly mentioned in each clause. Rather, the various aspects of the disclosure may include fewer than all features of an individual example clause disclosed. Therefore, the following clauses should hereby be deemed to be incorporated in the description, wherein each clause by itself can stand as a separate example. Although each dependent clause can refer in the clauses to a specific combination with one of the other clauses, the aspect (s) of that dependent clause are not limited to the specific combination. It will be appreciated that other example clauses can also include a combination of the dependent clause aspect (s) with the subject matter of any other dependent clause or independent clause or a combination of any feature with other dependent and independent clauses. The various aspects disclosed herein expressly include these combinations, unless it is explicitly expressed or can be readily inferred that a specific combination is not intended (e.g., contradictory aspects, such as defining an element as both an electrical insulator and an electrical conductor) . Furthermore, it is also intended that aspects of a clause can be included in any other independent clause, even if the clause is not directly dependent on the independent clause.

[0248] Implementation examples are described in the following numbered clauses:

[0249] Clause 1. A method performed by a device, comprising: providing, as inputs to a set of artificial intelligence machine learning (AIML) models, a plurality of micro-Doppler spectrograms associated with sensing signal measurements performed by a sensing receive node via a radio frequency sensing (RF-S) procedure, each of the plurality of micro-Doppler spectrograms associated with a different receive path of the sensing signal measurements; obtaining, as inferences from the set of AIML models, a plurality of target object signatures corresponding to the plurality of micro-Doppler spectrograms; determining a predicted number of distinct target objects detected by the RF-S procedure based on the plurality of target object signatures; and performing one or more actions based on the predicted number of distinct target objects.

[0250] Clause 2. The method of clause 1, further comprising: obtaining an input range profile from the sensing signal measurements; extracting a set of range paths from the input range profile; and processing the set of range paths via a respective set of short-time Fourier transform (STFT) functions to obtain the plurality of micro-Doppler spectrograms.

[0251] Clause 3. The method of any of clauses 1 to 2, wherein the device corresponds to the sensing receive node.

[0252] Clause 4. The method of clause 3, further comprising: receiving, from a sensing management component, a sensing request, wherein the sensing request requests the sensing receive node to perform the RF-S procedure and to report the predicted number of distinct target objects.

[0253] Clause 5. The method of clause 4, wherein the sensing request further comprises an indication of the set of AIML models to be used to obtain the target object signatures.

[0254] Clause 6. The method of any of clauses 1 to 5, further comprising: transmitting, to a sensing management component, capability information of the device, the capability information comprising sensing capability information, clustering algorithm capability information or a combination thereof.

[0255] Clause 7. The method of clause 6, wherein the set of AIML models used to obtain the target object signatures is signaled to the device based on the sensing capability information, or wherein a clustering algorithm used to obtain a set of target object clusters corresponding to the predicted number of distinct target objects is signaled to the device based on the clustering algorithm capability information, or any combination thereof.

[0256] Clause 8. The method of any of clauses 1 to 7, wherein the set of AIML models is autoencoder-based, with an encoder, a decoder, or both, being implemented by: a neural network (NN) , or a convolutional NN (CNN) , or an AlexNet-based CNN, or a visual geometry group (VGG) -based CNN, or a residual NN (ResNet) , or a multiple linear perceptron (MLP) , or a transformer-based NN, or a generative AI (GenAI) -based model, or any combination thereof.

[0257] Clause 9. The method of clause 8, wherein the set of AIML models is vanilla autoencoder-based or variational autoencoder-based.

[0258] Clause 10. The method of any of clauses 1 to 9, wherein the predicted number of distinct target objects is determined by clustering the plurality of target object signatures into a set of target object clusters in accordance with a clustering algorithm, wherein a number of target object clusters in the set of target object clusters corresponds to the predicted number of distinct target objects.

[0259] Clause 11. The method of clause 10, wherein the clustering algorithm comprises: a K-means clustering algorithm, or a linkage-agglomerative clustering algorithm, or a gmdistribution-Gaussian mixture distribution algorithm, or any combination thereof.

[0260] Clause 12. The method of any of clauses 10 to 11, wherein the clustering algorithm is implemented in conjunction with a set of evaluation criteria, the set of evaluation criteria comprising: a CalinskiHarabasz evaluation criterion, or a DaviesBouldin evaluation criterion, or a gap evaluation criterion, or a silhouette evaluation criterion, or any combination thereof.

[0261] Clause 13. The method of any of clauses 10 to 12, wherein the clustering of the plurality of target object signatures into the set of target object clusters comprises: allocation of a cluster index to each target object signature in the plurality of target object signatures based on the predicted number of distinct target objects; determination of a shortest-range path associated with each cluster index; and determination of a position of each distinct target object in the predicted number of distinct target objects based on the respective shortest-range path.

[0262] Clause 14. The method of clause 13, wherein the cluster index allocation is based on an agglomerative hierarchical clustering technique.

[0263] Clause 15. The method of any of clauses 1 to 14, wherein the set of target object clusters corresponds to a set of unmanned aerial vehicles (UAVs) .

[0264] Clause 16. The method of clause 15, wherein the set of AIML models is trained to derive UAV signatures based on inter-propeller angle offset information.

[0265] Clause 17. The method of clause 16, wherein the UAV signatures are arranged as a vector of inter-propeller angle offsets with a minimized weight, and wherein the inter-propeller angle offsets are each derived based on a selection of a reference propeller and a blade of the reference propeller.

[0266] Clause 18. The method of any of clauses 1 to 17, wherein the one or more actions comprise: transmit, via the one or more transceivers, the predicted number of distinct target objects to a sensing management component, or process the sensing signal measurements based on the predicted number of distinct target objects.

[0267] Clause 19. A device, comprising: one or more memories; one or more transceivers; and one or more processors communicatively coupled to the one or more memories and the one or more transceivers, wherein the one or more processors, either alone or in combination, are configured to: provide as inputs to a set of artificial intelligence machine learning (AIML) models, a plurality of micro-Doppler spectrograms associated with sensing signal measurements performed by a sensing receive node via a radio frequency sensing (RF-S) procedure, each of the plurality of micro-Doppler spectrograms associated with a different receive path of the sensing signal measurements; obtain as inferences from the set of AIML models, a plurality of target object signatures corresponding to the plurality of micro-Doppler spectrograms; determine a predicted number of distinct target objects detected by the RF-S procedure based on the plurality of target object signatures; and perform one or more actions based on the predicted number of distinct target objects.

[0268] Clause 20. The device of clause 19, wherein the one or more processors, either alone or in combination, are further configured to: obtain an input range profile from the sensing signal measurements; extract a set of range paths from the input range profile; and process the set of range paths via a respective set of short-time Fourier transform (STFT) functions to obtain the plurality of micro-Doppler spectrograms.

[0269] Clause 21. The device of any of clauses 19 to 20, wherein the device corresponds to the sensing receive node.

[0270] Clause 22. The device of clause 21, wherein the one or more processors, either alone or in combination, are further configured to: receive, via the one or more transceivers, from a sensing management component, a sensing request, wherein the sensing request requests the sensing receive node to perform the RF-S procedure and to report the predicted number of distinct target objects.

[0271] Clause 23. The device of clause 22, wherein the sensing request further comprises an indication of the set of AIML models to be used to obtain the target object signatures.

[0272] Clause 24. The device of any of clauses 19 to 23, wherein the one or more processors, either alone or in combination, are further configured to: transmit, via the one or more transceivers, to a sensing management component, capability information of the device, the capability information comprising sensing capability information, clustering algorithm capability information or a combination thereof.

[0273] Clause 25. The device of clause 24, wherein the set of AIML models used to obtain the target object signatures is signaled to the device based on the sensing capability information, or wherein a clustering algorithm used to obtain a set of target object clusters corresponding to the predicted number of distinct target objects is signaled to the device based on the clustering algorithm capability information, or any combination thereof.

[0274] Clause 26. The device of any of clauses 19 to 25, wherein the set of AIML models is autoencoder-based, with an encoder, a decoder, or both, being implemented by: a neural network (NN) , or a convolutional NN (CNN) , or an AlexNet-based CNN, or a visual geometry group (VGG) -based CNN, or a residual NN (ResNet) , or a multiple linear perceptron (MLP) , or a transformer-based NN, or a generative AI (GenAI) -based model, or any combination thereof.

[0275] Clause 27. The device of clause 26, wherein the set of AIML models is vanilla autoencoder-based or variational autoencoder-based.

[0276] Clause 28. The device of any of clauses 19 to 27, wherein the predicted number of distinct target objects is determined by clustering the plurality of target object signatures into a set of target object clusters in accordance with a clustering algorithm, wherein a number of target object clusters in the set of target object clusters corresponds to the predicted number of distinct target objects.

[0277] Clause 29. The device of clause 28, wherein the clustering algorithm comprises: a K-means clustering algorithm, or a linkage-agglomerative clustering algorithm, or a gmdistribution-Gaussian mixture distribution algorithm, or any combination thereof.

[0278] Clause 30. The device of any of clauses 28 to 29, wherein the clustering algorithm is implemented in conjunction with a set of evaluation criteria, the set of evaluation criteria comprising: a CalinskiHarabasz evaluation criterion, or a DaviesBouldin evaluation criterion, or a gap evaluation criterion, or a silhouette evaluation criterion, or any combination thereof.

[0279] Clause 31. The device of any of clauses 28 to 30, wherein the clustering of the plurality of target object signatures into the set of target object clusters comprises: allocation of a cluster index to each target object signature in the plurality of target object signatures based on the predicted number of distinct target objects; determination of a shortest-range path associated with each cluster index; and determination of a position of each distinct target object in the predicted number of distinct target objects based on the respective shortest-range path.

[0280] Clause 32. The device of clause 31, wherein the cluster index allocation is based on an agglomerative hierarchical clustering technique.

[0281] Clause 33. The device of any of clauses 19 to 32, wherein the set of target object clusters corresponds to a set of unmanned aerial vehicles (UAVs) .

[0282] Clause 34. The device of clause 33, wherein the set of AIML models is trained to derive UAV signatures based on inter-propeller angle offset information.

[0283] Clause 35. The device of clause 34, wherein the UAV signatures are arranged as a vector of inter-propeller angle offsets with a minimized weight, and wherein the inter-propeller angle offsets are each derived based on a selection of a reference propeller and a blade of the reference propeller.

[0284] Clause 36. The device of any of clauses 19 to 35, wherein the one or more actions comprise: transmit via the one or more transceivers, the predicted number of distinct target objects to a sensing management component, or process the sensing signal measurements based on the predicted number of distinct target objects.

[0285] Clause 37. A device, comprising: means for providing, as inputs to a set of artificial intelligence machine learning (AIML) models, a plurality of micro-Doppler spectrograms associated with sensing signal measurements performed by a sensing receive node via a radio frequency sensing (RF-S) procedure, each of the plurality of micro-Doppler spectrograms associated with a different receive path of the sensing signal measurements; means for obtaining, as inferences from the set of AIML models, a plurality of target object signatures corresponding to the plurality of micro-Doppler spectrograms; means for determining a predicted number of distinct target objects detected by the RF-Sprocedure based on the plurality of target object signatures; and means for performing one or more actions based on the predicted number of distinct target objects.

[0286] Clause 38. The device of clause 37, further comprising: means for obtaining an input range profile from the sensing signal measurements; means for extracting a set of range paths from the input range profile; and means for processing the set of range paths via a respective set of short-time Fourier transform (STFT) functions to obtain the plurality of micro-Doppler spectrograms.

[0287] Clause 39. The device of any of clauses 37 to 38, wherein the device corresponds to the sensing receive node.

[0288] Clause 40. The device of clause 39, further comprising: means for receiving, from a sensing management component, a sensing request, wherein the sensing request requests the sensing receive node to perform the RF-S procedure and to report the predicted number of distinct target objects.

[0289] Clause 41. The device of clause 40, wherein the sensing request further comprises an indication of the set of AIML models to be used to obtain the target object signatures.

[0290] Clause 42. The device of any of clauses 37 to 41, further comprising: means for transmitting, to a sensing management component, capability information of the device, the capability information comprising sensing capability information, clustering algorithm capability information or a combination thereof.

[0291] Clause 43. The device of clause 42, wherein the set of AIML models used to obtain the target object signatures is signaled to the device based on the sensing capability information, or wherein a clustering algorithm used to obtain a set of target object clusters corresponding to the predicted number of distinct target objects is signaled to the device based on the clustering algorithm capability information, or any combination thereof.

[0292] Clause 44. The device of any of clauses 37 to 43, wherein the set of AIML models is autoencoder-based, with an encoder, a decoder, or both, being implemented by: a neural network (NN) , or a convolutional NN (CNN) , or an AlexNet-based CNN, or a visual geometry group (VGG) -based CNN, or a residual NN (ResNet) , or a multiple linear perceptron (MLP) , or a transformer-based NN, or a generative AI (GenAI) -based model, or any combination thereof.

[0293] Clause 45. The device of clause 44, wherein the set of AIML models is vanilla autoencoder-based or variational autoencoder-based.

[0294] Clause 46. The device of any of clauses 37 to 45, wherein the predicted number of distinct target objects is determined by clustering the plurality of target object signatures into a set of target object clusters in accordance with a clustering algorithm, wherein a number of target object clusters in the set of target object clusters corresponds to the predicted number of distinct target objects.

[0295] Clause 47. The device of clause 46, wherein the clustering algorithm comprises: a K-means clustering algorithm, or a linkage-agglomerative clustering algorithm, or a gmdistribution-Gaussian mixture distribution algorithm, or any combination thereof.

[0296] Clause 48. The device of any of clauses 46 to 47, wherein the clustering algorithm is implemented in conjunction with a set of evaluation criteria, the set of evaluation criteria comprising: a CalinskiHarabasz evaluation criterion, or a DaviesBouldin evaluation criterion, or a gap evaluation criterion, or a silhouette evaluation criterion, or any combination thereof.

[0297] Clause 49. The device of any of clauses 46 to 48, wherein the clustering of the plurality of target object signatures into the set of target object clusters comprises: allocation of a cluster index to each target object signature in the plurality of target object signatures based on the predicted number of distinct target objects; determination of a shortest-range path associated with each cluster index; and determination of a position of each distinct target object in the predicted number of distinct target objects based on the respective shortest-range path.

[0298] Clause 50. The device of clause 49, wherein the cluster index allocation is based on an agglomerative hierarchical clustering technique.

[0299] Clause 51. The device of any of clauses 37 to 50, wherein the set of target object clusters corresponds to a set of unmanned aerial vehicles (UAVs) .

[0300] Clause 52. The device of clause 51, wherein the set of AIML models is trained to derive UAV signatures based on inter-propeller angle offset information.

[0301] Clause 53. The device of clause 52, wherein the UAV signatures are arranged as a vector of inter-propeller angle offsets with a minimized weight, and wherein the inter-propeller angle offsets are each derived based on a selection of a reference propeller and a blade of the reference propeller.

[0302] Clause 54. The device of any of clauses 37 to 53, wherein the one or more actions comprise: means for transmitting, via the one or more transceivers, the predicted number of distinct target objects to a sensing management component, or means for processing the sensing signal measurements based on the predicted number of distinct target objects.

[0303] Clause 55. A non-transitory computer-readable medium storing computer-executable instructions that, when executed by a device, cause the device to: provide, as inputs to a set of artificial intelligence machine learning (AIML) models, a plurality of micro-Doppler spectrograms associated with sensing signal measurements performed by a sensing receive node via a radio frequency sensing (RF-S) procedure, each of the plurality of micro-Doppler spectrograms associated with a different receive path of the sensing signal measurements; obtain, as inferences from the set of AIML models, a plurality of target object signatures corresponding to the plurality of micro-Doppler spectrograms; determine a predicted number of distinct target objects detected by the RF-S procedure based on the plurality of target object signatures; and perform one or more actions based on the predicted number of distinct target objects.

[0304] Clause 56. The non-transitory computer-readable medium of clause 55, further comprising computer-executable instructions that, when executed by the device, cause the device to: obtain an input range profile from the sensing signal measurements; extract a set of range paths from the input range profile; and process the set of range paths via a respective set of short-time Fourier transform (STFT) functions to obtain the plurality of micro-Doppler spectrograms.

[0305] Clause 57. The non-transitory computer-readable medium of any of clauses 55 to 56, wherein the device corresponds to the sensing receive node.

[0306] Clause 58. The non-transitory computer-readable medium of clause 57, further comprising computer-executable instructions that, when executed by the device, cause the device to: receive, from a sensing management component, a sensing request, wherein the sensing request requests the sensing receive node to perform the RF-S procedure and to report the predicted number of distinct target objects.

[0307] Clause 59. The non-transitory computer-readable medium of clause 58, wherein the sensing request further comprises an indication of the set of AIML models to be used to obtain the target object signatures.

[0308] Clause 60. The non-transitory computer-readable medium of any of clauses 55 to 59, further comprising computer-executable instructions that, when executed by the device, cause the device to: transmit, to a sensing management component, capability information of the device, the capability information comprising sensing capability information, clustering algorithm capability information or a combination thereof.

[0309] Clause 61. The non-transitory computer-readable medium of clause 60, wherein the set of AIML models used to obtain the target object signatures is signaled to the device based on the sensing capability information, or wherein a clustering algorithm used to obtain a set of target object clusters corresponding to the predicted number of distinct target objects is signaled to the device based on the clustering algorithm capability information, or any combination thereof.

[0310] Clause 62. The non-transitory computer-readable medium of any of clauses 55 to 61, wherein the set of AIML models is autoencoder-based, with an encoder, a decoder, or both, being implemented by: a neural network (NN) , or a convolutional NN (CNN) , or an AlexNet-based CNN, or a visual geometry group (VGG) -based CNN, or a residual NN (ResNet) , or a multiple linear perceptron (MLP) , or a transformer-based NN, or a generative AI (GenAI) -based model, or any combination thereof.

[0311] Clause 63. The non-transitory computer-readable medium of clause 62, wherein the set of AIML models is vanilla autoencoder-based or variational autoencoder-based.

[0312] Clause 64. The non-transitory computer-readable medium of any of clauses 55 to 63, wherein the predicted number of distinct target objects is determined by clustering the plurality of target object signatures into a set of target object clusters in accordance with a clustering algorithm, wherein a number of target object clusters in the set of target object clusters corresponds to the predicted number of distinct target objects.

[0313] Clause 65. The non-transitory computer-readable medium of clause 64, wherein the clustering algorithm comprises: a K-means clustering algorithm, or a linkage-agglomerative clustering algorithm, or a gmdistribution-Gaussian mixture distribution algorithm, or any combination thereof.

[0314] Clause 66. The non-transitory computer-readable medium of any of clauses 64 to 65, wherein the clustering algorithm is implemented in conjunction with a set of evaluation criteria, the set of evaluation criteria comprising: a CalinskiHarabasz evaluation criterion, or a DaviesBouldin evaluation criterion, or a gap evaluation criterion, or a silhouette evaluation criterion, or any combination thereof.

[0315] Clause 67. The non-transitory computer-readable medium of any of clauses 64 to 66, wherein the clustering of the plurality of target object signatures into the set of target object clusters comprises: allocation of a cluster index to each target object signature in the plurality of target object signatures based on the predicted number of distinct target objects; determination of a shortest-range path associated with each cluster index; and determination of a position of each distinct target object in the predicted number of distinct target objects based on the respective shortest-range path.

[0316] Clause 68. The non-transitory computer-readable medium of clause 67, wherein the cluster index allocation is based on an agglomerative hierarchical clustering technique.

[0317] Clause 69. The non-transitory computer-readable medium of any of clauses 55 to 68, wherein the set of target object clusters corresponds to a set of unmanned aerial vehicles (UAVs) .

[0318] Clause 70. The non-transitory computer-readable medium of clause 69, wherein the set of AIML models is trained to derive UAV signatures based on inter-propeller angle offset information.

[0319] Clause 71. The non-transitory computer-readable medium of clause 70, wherein the UAV signatures are arranged as a vector of inter-propeller angle offsets with a minimized weight, and wherein the inter-propeller angle offsets are each derived based on a selection of a reference propeller and a blade of the reference propeller.

[0320] Clause 72. The non-transitory computer-readable medium of any of clauses 55 to 71, wherein the one or more actions comprise: transmit, via the one or more transceivers, the predicted number of distinct target objects to a sensing management component, or process the sensing signal measurements based on the predicted number of distinct target objects.

[0321] Those of skill in the art will appreciate that information and signals may be represented using any of a variety of different technologies and techniques. For example, data, instructions, commands, information, signals, bits, symbols, and chips that may be referenced throughout the above description may be represented by voltages, currents, electromagnetic waves, magnetic fields or particles, optical fields or particles, or any combination thereof.

[0322] Further, those of skill in the art will appreciate that the various illustrative logical blocks, modules, circuits, and algorithm steps described in connection with the aspects disclosed herein may be implemented as electronic hardware, computer software, or combinations of both. To clearly illustrate this interchangeability of hardware and software, various illustrative components, blocks, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented as hardware or software depends upon the particular application and design constraints imposed on the overall system. Skilled artisans may implement the described functionality in varying ways for each particular application, but such implementation decisions should not be interpreted as causing a departure from the scope of the present disclosure.

[0323] The various illustrative logical blocks, modules, and circuits described in connection with the aspects disclosed herein may be implemented or performed with a general purpose processor, a digital signal processor (DSP) , an ASIC, a field-programable gate array (FPGA) , or other programmable logic device, discrete gate or transistor logic, discrete hardware components, or any combination thereof designed to perform the functions described herein. A general-purpose processor may be a microprocessor, but in the alternative, the processor may be any conventional processor, controller, microcontroller, or state machine. A processor may also be implemented as a combination of computing devices, for example, a combination of a DSP and a microprocessor, a plurality of microprocessors, one or more microprocessors in conjunction with a DSP core, or any other such configuration.

[0324] The methods, sequences and / or algorithms described in connection with the aspects disclosed herein may be embodied directly in hardware, in a software module executed by a processor, or in a combination of the two. A software module may reside in random access memory (RAM) , flash memory, read-only memory (ROM) , erasable programmable ROM (EPROM) , electrically erasable programmable ROM (EEPROM) , registers, hard disk, a removable disk, a CD-ROM, or any other form of storage medium known in the art. An example storage medium is coupled to the processor such that the processor can read information from, and write information to, the storage medium. In the alternative, the storage medium may be integral to the processor. The processor and the storage medium may reside in an ASIC. The ASIC may reside in a user terminal (e.g., UE) . In the alternative, the processor and the storage medium may reside as discrete components in a user terminal.

[0325] In one or more example aspects, the functions described may be implemented in hardware, software, firmware, or any combination thereof. If implemented in software, the functions may be stored on or transmitted over as one or more instructions or code on a computer-readable medium. Computer-readable media includes both computer storage media and communication media including any medium that facilitates transfer of a computer program from one place to another. A storage media may be any available media that can be accessed by a computer. By way of example, and not limitation, such computer-readable media can comprise RAM, ROM, EEPROM, CD-ROM or other optical disk storage, magnetic disk storage or other magnetic storage devices, or any other medium that can be used to carry or store desired program code in the form of instructions or data structures and that can be accessed by a computer. Also, any connection is properly termed a computer-readable medium. For example, if the software is transmitted from a website, server, or other remote source using a coaxial cable, fiber optic cable, twisted pair, digital subscriber line (DSL) , or wireless technologies such as infrared, radio, and microwave, then the coaxial cable, fiber optic cable, twisted pair, DSL, or wireless technologies such as infrared, radio, and microwave are included in the definition of medium. Disk and disc, as used herein, includes compact disc (CD) , laser disc, optical disc, digital versatile disc (DVD) , floppy disk and Blu-ray disc where disks usually reproduce data magnetically, while discs reproduce data optically with lasers. Combinations of the above should also be included within the scope of computer-readable media.

[0326] While the foregoing disclosure shows illustrative aspects of the disclosure, it should be noted that various changes and modifications could be made herein without departing from the scope of the disclosure as defined by the appended claims. For example, the functions, steps and / or actions of the method claims in accordance with the aspects of the disclosure described herein need not be performed in any particular order. Further, no component, function, action, or instruction described or claimed herein should be construed as critical or essential unless explicitly described as such. Furthermore, as used herein, the terms “set, ” “group, ” and the like are intended to include one or more of the stated elements. Also, as used herein, the terms “has, ” “have, ” “having, ” “comprises, ” “comprising, ” “includes, ” “including, ” and the like does not preclude the presence of one or more additional elements (e.g., an element “having” A may also have B) . Further, the phrase “based on” is intended to mean “based, at least in part, on” unless explicitly stated otherwise. Also, as used herein, the term “or” is intended to be inclusive when used in a series and may be used interchangeably with “and / or, ” unless explicitly stated otherwise (e.g., if used in combination with “either” or “only one of” ) or the alternatives are mutually exclusive (e.g., “one or more” should not be interpreted as “one and more” ) . Furthermore, although components, functions, actions, and instructions may be described or claimed in the singular, the plural is contemplated unless limitation to the singular is explicitly stated. Accordingly, as used herein, the articles “a, ” “an, ” “the, ” and “said” are intended to include one or more of the stated elements. Additionally, as used herein, the terms “at least one” and “one or more” encompass “one” component, function, action, or instruction performing or capable of performing a described or claimed functionality and also “two or more” components, functions, actions, or instructions performing or capable of performing a described or claimed functionality in combination.

Claims

1.A device, comprising:one or more memories;one or more transceivers; andone or more processors communicatively coupled to the one or more memories and the one or more transceivers, wherein the one or more processors, either alone or in combination, are configured to:provide as inputs to a set of artificial intelligence machine learning (AIML) models, a plurality of micro-Doppler spectrograms associated with sensing signal measurements performed by a sensing receive node via a radio frequency sensing (RF-S) procedure, each of the plurality of micro-Doppler spectrograms associated with a different receive path of the sensing signal measurements;obtain as inferences from the set of AIML models, a plurality of target object signatures corresponding to the plurality of micro-Doppler spectrograms;determine a predicted number of distinct target objects detected by the RF-S procedure based on the plurality of target object signatures; andperform one or more actions based on the predicted number of distinct target objects.2.The device of claim 1, wherein the one or more processors, either alone or in combination, are further configured to:obtain an input range profile from the sensing signal measurements;extract a set of range paths from the input range profile; andprocess the set of range paths via a respective set of short-time Fourier transform (STFT) functions to obtain the plurality of micro-Doppler spectrograms.3.The device of claim 1, wherein the device corresponds to the sensing receive node.4.The device of claim 3, wherein the one or more processors, either alone or in combination, are further configured to:receive, via the one or more transceivers, from a sensing management component, a sensing request,wherein the sensing request requests the sensing receive node to perform the RF-S procedure and to report the predicted number of distinct target objects.5.The device of claim 4, wherein the sensing request further comprises an indication of the set of AIML models to be used to obtain the target object signatures.6.The device of claim 1, wherein the one or more processors, either alone or in combination, are further configured to:transmit, via the one or more transceivers, to a sensing management component, capability information of the device, the capability information comprising sensing capability information, clustering algorithm capability information or a combination thereof.7.The device of claim 6,wherein the set of AIML models used to obtain the target object signatures is signaled to the device based on the sensing capability information, orwherein a clustering algorithm used to obtain a set of target object clusters corresponding to the predicted number of distinct target objects is signaled to the device based on the clustering algorithm capability information, orany combination thereof.8.The device of claim 1, wherein the set of AIML models is autoencoder-based, with an encoder, a decoder, or both, being implemented by:a neural network (NN) , ora convolutional NN (CNN) , oran AlexNet-based CNN, ora visual geometry group (VGG) -based CNN, ora residual NN (ResNet) , ora multiple linear perceptron (MLP) , ora transformer-based NN, ora generative AI (GenAI) -based model, orany combination thereof.9.The device of claim 8, wherein the set of AIML models is vanilla autoencoder-based or variational autoencoder-based.10.The device of claim 1, wherein the predicted number of distinct target objects is determined by clustering the plurality of target object signatures into a set of target object clusters in accordance with a clustering algorithm, wherein a number of target object clusters in the set of target object clusters corresponds to the predicted number of distinct target objects.11.The device of claim 10, wherein the clustering algorithm comprises:a K-means clustering algorithm, ora linkage-agglomerative clustering algorithm, ora gmdistribution-Gaussian mixture distribution algorithm, orany combination thereof.12.The device of claim 10, wherein the clustering algorithm is implemented in conjunction with a set of evaluation criteria, the set of evaluation criteria comprising:a CalinskiHarabasz evaluation criterion, ora DaviesBouldin evaluation criterion, ora gap evaluation criterion, ora silhouette evaluation criterion, orany combination thereof.13.The device of claim 10, wherein the clustering of the plurality of target object signatures into the set of target object clusters comprises:allocation of a cluster index to each target object signature in the plurality of target object signatures based on the predicted number of distinct target objects;determination of a shortest-range path associated with each cluster index; anddetermination of a position of each distinct target object in the predicted number of distinct target objects based on the respective shortest-range path.14.The device of claim 13, wherein the cluster index allocation is based on an agglomerative hierarchical clustering technique.15.The device of claim 1, wherein the set of target object clusters corresponds to a set of unmanned aerial vehicles (UAVs) .16.The device of claim 15, wherein the set of AIML models is trained to derive UAV signatures based on inter-propeller angle offset information.17.The device of claim 16,wherein the UAV signatures are arranged as a vector of inter-propeller angle offsets with a minimized weight, andwherein the inter-propeller angle offsets are each derived based on a selection of a reference propeller and a blade of the reference propeller.18.The device of claim 1, wherein the one or more actions comprise:transmit via the one or more transceivers, the predicted number of distinct target objects to a sensing management component, orprocess the sensing signal measurements based on the predicted number of distinct target objects.19.A method performed by a device, comprising:providing, as inputs to a set of artificial intelligence machine learning (AIML) models, a plurality of micro-Doppler spectrograms associated with sensing signal measurements performed by a sensing receive node via a radio frequency sensing (RF-S) procedure, each of the plurality of micro-Doppler spectrograms associated with a different receive path of the sensing signal measurements;obtaining, as inferences from the set of AIML models, a plurality of target object signatures corresponding to the plurality of micro-Doppler spectrograms;determining a predicted number of distinct target objects detected by the RF-S procedure based on the plurality of target object signatures; andperforming one or more actions based on the predicted number of distinct target objects.20.A device, comprising:means for providing, as inputs to a set of artificial intelligence machine learning (AIML) models, a plurality of micro-Doppler spectrograms associated with sensing signal measurements performed by a sensing receive node via a radio frequency sensing (RF-S) procedure, each of the plurality of micro-Doppler spectrograms associated with a different receive path of the sensing signal measurements;means for obtaining, as inferences from the set of AIML models, a plurality of target object signatures corresponding to the plurality of micro-Doppler spectrograms;means for determining a predicted number of distinct target objects detected by the RF-S procedure based on the plurality of target object signatures; andmeans for performing one or more actions based on the predicted number of distinct target objects.

Images