Applicability reporting for layer 3 radio resource management prediction

Abstract

The present disclosure generally relates to applicability reporting for Layer 3 (L3) radio resource management (RRM) prediction. In some implementations, a user equipment (UE) receives an indication of an applicability reporting configuration for L3 measurement prediction. The UE may determine whether at least one artificial intelligence (AI) or machine learning (ML) functionality is applicable for the L3 measurement prediction based on a set of operating conditions. The UE may transmit an applicability reporting message in accordance with the applicability reporting configuration. In some implementations, the applicability reporting message indicates whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.

Description

APPLICABILITY REPORTING FOR LAYER 3 RADIO RESOURCE MANAGEMENT PREDICTIONTECHNICAL FIELD

[0001] The present disclosure relates generally to wireless communications, and more specifically to applicability reporting for layer 3 (L3) radio resource management (RRM) prediction.BACKGROUND

[0002] Wireless communication networks provide integrated communication platforms and telecommunication services to wireless user devices. Example telecommunication services include telephony, data (e.g., voice, audio, video) , messaging, and / or other services. The wireless communication networks have wireless access nodes that exchange wireless signals with the wireless user devices using one or more wireless network protocols, such as protocols described in various telecommunication standards promulgated by the European Telecommunications Standards Institute (ETSI) Third Generation Partnership Project (3GPP) . The wireless communication networks facilitate mobile broadband service using technologies such as orthogonal frequency-division multiple access (OFDMA) , multiple input multiple output (MIMO) , advanced channel coding, massive MIMO, beamforming, and / or other features.SUMMARY

[0003] One aspect of the present disclosure relates to a method including: receiving an indication of an applicability reporting configuration for layer 3 (L3) measurement prediction; determining whether at least one artificial intelligence (AI) or machine learning (ML) functionality is applicable for the L3 measurement prediction based on a set of operating conditions; and transmitting an applicability reporting message in accordance with the applicability reporting configuration, the applicability reporting message indicating whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.

[0004] In some implementations, transmitting the applicability reporting message includes transmitting a radio resource control (RRC) reconfiguration complete message that indicates whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.

[0005] In some implementations, transmitting the applicability reporting message includes transmitting a measurement report message that indicates whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.

[0006] In some implementations, transmitting the applicability reporting message includes transmitting a user assistance information (UAI) message that indicates whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.

[0007] In some implementations, the method further includes receiving a reconfiguration message that activates the at least one AI or ML functionality for the L3 measurement prediction based on the applicability reporting message.

[0008] In some implementations, the at least one AI or ML functionality is activated based on receiving one of a RRC message, a medium access control (MAC) control element (MAC-CE) , or downlink control information (DCI) .

[0009] In some implementations, the method further includes activating the at least one AI or ML functionality for the L3 measurement prediction after transmitting the applicability reporting message in accordance with the applicability reporting configuration.

[0010] In some implementations, the method further includes using the activated AI or ML functionality for serving cell measurements and neighbor cell measurements.

[0011] In some implementations, determining whether the at least one AI or ML functionality is applicable for the L3 measurement prediction includes determining that the at least one AI or ML functionality is applicable to one or more measurement identifiers in a field of a RRC reconfiguration message that indicates the applicability reporting configuration.

[0012] In some implementations, the applicability reporting message includes the one or more measurement identifiers for which the at least one AI or ML functionality is applicable.

[0013] In some implementations, determining whether the at least one AI or ML functionality is applicable for the L3 measurement prediction includes determining that the at least one AI or ML functionality is applicable to one or more measurement objects in a field of a RRC reconfiguration message that indicates the applicability reporting configuration.

[0014] In some implementations, the applicability reporting message includes indices of the one or more measurement objects for which the at least one AI or ML functionality is applicable.

[0015] In some implementations, determining whether the at least one AI or ML functionality is applicable for the L3 measurement prediction includes determining whether the at least one AI or ML functionality is applicable to one or more L3 radio resource management (RRM) parameters in a field of a RRC reconfiguration message that indicates the applicability reporting configuration.

[0016] In some implementations, the one or more L3 RRM parameters include at least one of a synchronization signal block (SSB) frequency, a channel state information (CSI) reference signal (CSI-RS) frequency, a subcarrier spacing, an SSB or CSI measurement resource configuration, a threshold for cell measurement consolidation, a number of beams, a frequency band indicator, measurement timing information, or prediction timing information.

[0017] In some implementations, the set of operating conditions include one or more network conditions, user equipment (UE) conditions, or model availability conditions.

[0018] In some implementations, the one or more network conditions include at least one of an associated identifier, a network-supported frequency list, an SSB pattern, or a CSI-RS pattern for mobility.

[0019] In some implementations, the applicability reporting message includes one or more indices of an L3 measurement configuration list for which the at least one AI or ML functionality is applicable.

[0020] In some implementations, the applicability reporting message includes a bitmap to indicate applicability of the at least one AI or ML functionality for all configured measurement identifiers, measurement objects, or sets of L3 measurement configurations.

[0021] In some implementations, a value of 0 indicates that a configured measurement identifier, measurement object, or set of L3 measurement configurations is not applicable for the at least one AI or ML functionality.

[0022] In some implementations, a value of 1 indicates that a configured measurement identifier, measurement object, or set of L3 measurement configurations is applicable for the at least one AI or ML functionality.

[0023] In some implementations, the applicability reporting message indicates all measurement identifiers, measurement objects, or L3 RRM parameter sets for which the at least one AI or ML functionality is applicable.

[0024] In some implementations, the applicability reporting message indicates a first set of measurement identifiers, measurement objects, or L3 RRM parameter sets for which the at least one AI or ML functionality is applicable and a second set of measurement identifiers, measurement objects, or L3 RRM parameter sets for which the at least one AI or ML functionality is not applicable.

[0025] In some implementations, the applicability reporting message indicates a cause of non-applicability for the at least one AI or ML functionality.

[0026] Another aspect of the present disclosure relates to an apparatus including: one or more processors; and memory storing instructions that, when executed by the one or more processors, cause the apparatus to perform the method of any of claims 1-23.

[0027] Another aspect of the present disclosure relates to a UE including one or more processors configured to perform any of the foregoing operations.

[0028] Another aspect of the present disclosure relates to a method including: transmitting an indication of an applicability reporting configuration for L3 measurement prediction; receiving an applicability reporting message in accordance with the applicability reporting configuration, the applicability reporting message indicating whether at least one AI or ML functionality is applicable for the L3 measurement prediction; and transmitting a reconfiguration message that activates the at least one AI or ML functionality for the L3 measurement prediction based on the applicability reporting message.

[0029] In some implementations, receiving the applicability reporting message includes receiving an RRC reconfiguration complete message that indicates whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.

[0030] In some implementations, receiving the applicability reporting message includes receiving a measurement report message that indicates whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.

[0031] In some implementations, receiving the applicability reporting message includes receiving a UAI message that indicates whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.

[0032] In some implementations, the at least one AI or ML functionality is activated based on transmitting at least one of a RRC message, a MAC-CE, or DCI.

[0033] In some implementations, the method further includes activating the at least one AI or ML functionality for the L3 measurement prediction after transmitting the applicability reporting message in accordance with the applicability reporting configuration.

[0034] In some implementations, the method further includes using the activated AI or ML functionality for serving cell measurements and neighbor cell measurements.

[0035] In some implementations, the applicability reporting message indicates that the at least one AI or ML functionality is applicable to one or more measurement identifiers in a field of an RRC reconfiguration message that indicates the applicability reporting configuration.

[0036] In some implementations, the applicability reporting message indicates that the at least one AI or ML functionality is applicable to one or more measurement objects in a field of an RRC reconfiguration message that indicates the applicability reporting configuration.

[0037] In some implementations, the applicability reporting message indicates that the at least one AI or ML functionality is applicable to one or more L3 RRM parameters in a field of an RRC reconfiguration message that indicates the applicability reporting configuration.

[0038] In some implementations, the one or more L3 RRM parameters include at least one of an SSB frequency, a CSI-RS frequency, a subcarrier spacing, an SSB or CSI measurement resource configuration, a threshold for cell measurement consolidation, a number of beams, a frequency band indicator, measurement timing information, or prediction timing information.

[0039] In some implementations, applicability of the at least one AI or ML functionality is determined according one or more network conditions, UE conditions, or model availability conditions.

[0040] In some implementations, the one or more network conditions include at least one of an associated identifier, a network-supported frequency list, an SSB pattern, or a CSI-RS pattern for mobility.

[0041] In some implementations, the applicability reporting message includes one or more indices of an L3 measurement configuration list for which the at least one AI or ML functionality is applicable.

[0042] In some implementations, the applicability reporting message includes a bitmap to indicate applicability of the at least one AI or ML functionality for all configured measurement identifiers, measurement objects, or sets of L3 measurement configurations.

[0043] In some implementations, a value of 0 indicates that a configured measurement identifier, measurement object, or set of L3 measurement configurations is not applicable for the at least one AI or ML functionality.

[0044] In some implementations, a value of 1 indicates that a configured measurement identifier, measurement object, or set of L3 measurement configurations is applicable for the at least one AI or ML functionality.

[0045] In some implementations, the applicability reporting message indicates all measurement identifiers, measurement objects, or L3 RRM parameter sets for which the at least one AI or ML functionality is applicable.

[0046] In some implementations, the applicability reporting message indicates a first set of measurement identifiers, measurement objects, or L3 RRM parameter sets for which the at least one AI or ML functionality is applicable and a second set of measurement identifiers, measurement objects, or L3 RRM parameter sets for which the at least one AI or ML functionality is not applicable.

[0047] In some implementations, the applicability reporting message indicates a cause of non-applicability for the at least one AI or ML functionality.

[0048] Another aspect of the present disclosure relates to an apparatus including: one or more processors; and memory storing instructions that, when executed by the one or more processors, cause the apparatus to perform any of the foregoing operations.

[0049] Another aspect of the present disclosure relates to an access node including one or more processors configured to perform any of the foregoing operations.

[0050] The details of one or more embodiments of these systems and methods are set forth in the accompanying drawings and the description below. Other features, objects, and advantages of these systems and methods will be apparent from the description and drawings, and from the claims. BRIEF DESCRIPTION OF THE FIGURES

[0051] FIG. 1 illustrates an example wireless network, according to some implementations.

[0052] FIG. 2A illustrates an example L3 RRM framework, according to some implementations.

[0053] FIG. 2B illustrates an example applicability reporting process, according to some implementations.

[0054] FIG. 3 illustrates an example signaling diagram, according to some implementations.

[0055] FIG. 4 illustrates a flowchart of an example method for L3 RRM applicability reporting, according to some implementations.

[0056] FIG. 5 illustrates a flowchart of an example method for L3 RRM applicability reporting, according to some implementations.

[0057] FIG. 6 illustrates an example UE, according to some implementations.

[0058] FIG. 7 illustrates an example access node, according to some implementations.DETAILED DESCRIPTION

[0059] The present disclosure generally relates to applicability reporting for layer 3 (L3) radio resource management (RRM) prediction. In some wireless networks, a user equipment (UE) may be configured to transmit a capability information message (UECapablityInformation) that indicates a set of artificial intelligence (AI) or machine learning (ML) functions supported by the UE. In turn, the network may configure the UE to use one or more of the supported AI / ML functions for inference / prediction. Once configured, the UE can determine which AI / ML functionalities are applicable (e.g., readily available and / or suitable for a particular task) based on various network conditions, internal conditions, channel conditions, etc. The UE can report these AI / ML functions to the network. However, AI / ML applicability reporting is currently limited to beam management, and may not be suitable for L3 RRM prediction / inference.

[0060] In accordance with aspects of the present disclosure, the network may configure the UE to report AI / ML applicability information on the basis of L3 measurement identifiers (referred to hereinafter as MeasIDs) or measurement objects (MOs) . The UE can report this information to the network via one of a radio resource control (RRC) message (RRCReconfigurationComplete) , a measurement report message (MeasurementReport) , or UE assistance information (UAI) . In some implementations, the UE can start or activate L3 RRM prediction / inference once it sends the AI / ML applicability information to the network. In other implementations, the UE may wait for the network to explicitly configure or activate L3 RRM prediction / inference via an RRC message, a medium access control (MAC) control element (MAC-CE) , or downlink control information. The applicability reporting framework described herein provides greater flexibility and granularity for AI / ML-based L3 RRM prediction.

[0061] FIG. 1 illustrates an example wireless network 100, according to some implementations. The wireless network 100 includes a UE 102 and a base station 104, which are connected via one or more channels 106A, 106B across an air interface 108. The UE 102 and base station 104 communicate using a system that supports controls for managing the access of the UE 102 to a network via the base station 104.

[0062] In some implementations, the wireless network 100 is a standalone (SA) network, e.g., that incorporates Fifth Generation (5G) New Radio (NR) . In some other implementations, the wireless network 100 is a non-standalone (NSA) network that incorporates Long Term Evolution (LTE) and 5G NR. In these implementations, the wireless network 100 may be an Evolved Universal Terrestrial Radio Access (E-UTRA) -NR Dual Connectivity (EN-DC) network, or an NR-EUTRA Dual Connectivity (NE-DC) network. Furthermore, wireless networks implementing one or more other types of communication standards are possible, including future 3GPP systems (e.g., Sixth Generation “6G” ) , Institute of Electrical and Electronics Engineers (IEEE) 802.11 technology, or the like. While aspects may be described herein using terminology commonly associated with 5G NR, aspects of the present disclosure can be applied to other systems, such as systems subsequent to 5G (e.g., 6G) .

[0063] In the wireless network 100, the UE 102 and any other UE in the system may be, for example, any of a laptop computer, smartphone, tablet computer, machine-type device (such as smart meters or specialized devices for healthcare) , intelligent transportation system, or any other wireless device. In network 100, the base station 104 provides the UE 102 network connectivity to a broader network (not shown) . This UE 102 connectivity is provided via the air interface 108 in a base station service area provided by the base station 104. In some implementations, such a broader network may be a wide area network operated by a cellular network provider, or may be the Internet. Each base station service area associated with the base station 104 is supported by one or more antennas integrated with the base station 104. The service areas can be divided into a number of sectors associated with one or more particular antennas. Such sectors may be physically associated with one or more fixed antennas or may be assigned to a physical area with one or more tunable antennas or antenna settings adjustable in a beamforming process used to direct a signal to a particular sector.

[0064] The UE 102 includes control circuitry 110 coupled with transmit circuitry 112 and receive circuitry 114. The transmit circuitry 112 and receive circuitry 114 may each be coupled with one or more antennas. The control circuitry 110 may include application-specific circuitry, baseband circuitry, or any of various combinations thereof. The transmit circuitry 112 and receive circuitry 114 may be adapted to transmit and receive data, respectively, and may include radio frequency (RF) circuitry and / or front-end module (FEM) circuitry.

[0065] In various implementations, aspects of the transmit circuitry 112, receive circuitry 114, and / or control circuitry 110 may be integrated in various ways to implement the operations described herein. The control circuitry 110 may be adapted or configured to perform various operations, such as those described elsewhere in this disclosure related to a UE. For example, the control circuitry 110 can determine whether an AI / ML function is applicable for a configured L3 RRM prediction.

[0066] The transmit circuitry 112 can perform various operations described herein. For example, the transmit circuitry 112 can transmit a message that indicates a list of applicable AI / ML functions for L3 RRM prediction. Additionally, the transmit circuitry 112 may transmit using multiplexed uplink physical channels. The uplink physical channels can be multiplexed, e.g., according to time division multiplexing (TDM) or frequency division multiplexing (FDM) , and in some implementations, along with carrier aggregation. The transmit circuitry 112 may be configured to receive block data from the control circuitry 110 for transmission on the air interface 108.

[0067] The receive circuitry 114 can perform various operations described herein. For example, the receive circuitry 114 can receive an indication to begin using the applicable AI / ML functions for L3 RRM prediction. Additionally, the receive circuitry 114 may receive multiplexed downlink physical channels from the air interface 108 and relay the physical channels to the control circuitry 110. The downlink physical channels can be multiplexed, e.g., according to TDM or FDM, e.g., along with carrier aggregation. The transmit circuitry 112 and the receive circuitry 114 may transmit and receive, respectively, both control data and content data (e.g., messages, images, video) structured within data blocks that are carried by the physical channels.

[0068] FIG. 1 also illustrates the base station 104. In some implementations, the base station 104 may be a 5G radio access network (RAN) , a next generation RAN, a E-UTRAN, a non-terrestrial cell, or a legacy RAN, such as a UTRAN. As used herein, the term “5G RAN” or the like may refer to the base station 104 that operates in an NR wireless network 100, and the term “E-UTRAN” or the like may refer to a base station 104 that operates in an LTE wireless network 100. The UE 102 utilizes connections (or channels) 106A, 106B, each of which includes a physical communications interface or layer.

[0069] The base station 104 circuitry may include control circuitry 116 coupled (directly or indirectly) with transmit circuitry 118 and / or receive circuitry 120. The transmit circuitry 118 and receive circuitry 120 may each be coupled (directly or indirectly) with one or more antennas that may be used to enable communications via the air interface 108. The transmit circuitry 118 and receive circuitry 120 may be adapted to transmit and receive data, respectively, addressed to any UE connected to the base station 104. The receive circuitry 120 may receive uplink physical channel transmissions from one or more UEs, including the UE 102.

[0070] In FIG. 1, the one or more channels 106A, 106B are illustrated as an air interface to enable communicative coupling, and may be consistent with cellular communications protocols, such as an LTE protocol, Advanced LTE (LTE-A) protocol, LTE-based access to unlicensed spectrum (LTE-U) , NR protocol, NR-based access to unlicensed spectrum (NR-U) protocol, and / or any other communications protocol (s) . In some implementations, the UE 102 may directly exchange communication data via a ProSe interface. The ProSe interface may alternatively be referred to as a sidelink (SL) interface and may include one or more logical channels, including but not limited to a physical sidelink control channel (PSCCH) , a physical sidelink discovery channel (PSDCH) , or a physical sidelink broadcast channel (PSBCH) .

[0071] The present disclosure generally relates to reporting AI / ML function applicability for L3 RRM prediction. The techniques described herein can be applied to AI / ML for air interface and mobility scenarios. In the context of AI / ML for air interface, a general framework for one‐sided AI / ML models is provided. The described framework supports life cycle management (LCM) functionality, such as model training, inference, performance monitoring, and data collection (except for the purpose of core network “CN” , operations, administration, and maintenance “OAM” , and over-the-top “OTT” collection of UE-sided model training data) for both UE-sided and network-sided models. Identification‐related signaling can be used to enable selection, activation, deactivation, switching, and fallback of AI / ML models.

[0072] In the context of AI / ML for mobility, the wireless network 100 can support AI / ML‐based RRM measurement and event prediction, including cell-level measurement prediction (both intra-and inter-frequency for UE-sided and network-sided models) , inter-cell beam-level measurement prediction for L3 mobility (UE-sided and network-sided models) , handover (HO) failure and radio link failure (RLF) prediction (UE-sided models) , and measurement events prediction (UE-sided models) . Future AI / ML mobility-specific enhancements may be developed based on the current AI / ML air interface framework.

[0073] FIG. 2A illustrates an example L3 RRM framework 200, according to some implementations. The example L3 RRM framework 200 includes a measurement configuration, which is defined by an MO list, a MeasID list, and a ReportConfig list. Each MeasID may be linked to (e.g., associated with) a MeasObjectNR from the MO list and a ReportConfig from the ReportConfig list. Each MeasObjectNR includes L3 measurement parameters, such as frequency information, a reference signal configuration, a synchronization signal block (SSB) threshold, a cell list, and so on. Each ReportConfig includes L3 reporting parameters, such as a periodic report configuration, an event trigger configuration, etc. The example L3 RRM framework 200 shown in FIG. 2A can be extended with AI / ML functionality, as discussed below. For example, an AI / ML model can be used to predict future L3 measurements based on current or historic L3 measurements.

[0074] For L3 RRM prediction, the AI / ML model input can include actual L3 measurements-such as reference signal received power (RSRP) , reference signal received quality (RSRQ) , or signal to interference plus noise ratio (SINR) -of a first frequency (e.g., frequency A) at a given time instance (e.g., time T) . The model output can include predicted L3 measurements (e.g., RSRP, RSRQ, and SINR) in a second frequency (e.g., frequency B, which may differ from frequency A) for a future time instance (e.g., time T + n, where n is configured by the network) . Applicability reporting was introduced for AI / ML-based beam management because a UE that supports such AI / ML-based beam management may be unable to perform inference due to factors such as the time associated with model training and downloading, internal device status (e.g., battery level and memory constraints) , or network configuration. For each inference configuration provided by the network, the UE can evaluate whether the configuration is applicable and report the applicable status back to the network (as shown and described in FIG. 2B) . Thereafter, the network may configure or activate inference for the specific inference configurations that are reported as applicable by the UE.

[0075] FIG. 2B illustrates an example applicability reporting process 201, according to some implementations. To initiate the applicability reporting process 201, an access node 204 (which is similar to the base station 104 in some implementations) sends a UECapabilityEnquiry message to a UE 202 (which is similar to the UE 102 in some implementations) to trigger reporting of AI / ML-supported functionalities. The UE 202 can respond with a UECapabilityInformation message indicating the supported AI / ML functionalities at the UE side. In turn, the access node 204 may transmit a control message-such as an RRCReconfiguration message-indicating whether the UE is allowed to perform UAI reporting via an OtherConfig field. The access node 204 can also provide network-side conditions (which are used to determine AI / ML function applicability) and inference configuration details.

[0076] After receiving the RRCReconfiguration message from the access node 204, the UE 202 may transmit an applicable functionality reporting message to the access node 204. Between reception of the RRCReconfiguration message and transmission of the reporting message, the UE 202 can determine the applicable AI / ML functionalities based on network-side conditions (if provided) , UE-side internal conditions (such as battery or memory status) , and / or the availability of AI / ML models on the UE 202. In turn, the UE 202 can report the applicable AI / ML functions to the access node 204.

[0077] In some implementations, the UE 202 reports applicable AI / ML functionality after being configured to provide applicable functionality and / or upon change of applicable functionality via UAI. In some implementations, the applicability reporting is triggered by a network-side condition requesting applicable functionality reporting. If inference configuration based on supported functionality is not provided, the access node 204 may transmit an updated RRCReconfiguration message to provide an updated inference configuration for the UE 202 after the applicable functionality reporting. If inference configuration based on supported functionality is provided, the access node 204 can decide whether to provide the UE 202 with an updated configuration.

[0078] FIG. 3 illustrates an example signaling diagram 300, according to some implementations. The signaling diagram 300 of FIG. 3 includes a UE 302 and an access node 304. The UE 302 may be an example of the UE 202, as shown and described with reference to FIG. 2B. Likewise, the access node 304 may be an example of the access node 204, as shown and described with reference to FIG. 2B. The signaling diagram 300 shows an example AI / ML applicability reporting process, which may implement aspects of the applicability reporting process 201.

[0079] In some implementations, when the access node 304 configures the UE 302 with an AI / ML applicability reporting configuration (as described with reference to FIG. 2B) , one or two configurations may be provided. In some implementations, one or more CSI-ReportConfig parameters are provided for inference configuration, where the associated identifier (ID) is configured by the channel state information (CSI) framework. In other implementations, one or more sets of inference-related parameters (used for applicability reporting but not for inference) are provided to the UE 302. These parameters can include, for example, an associated ID, information related to one or more parameter sets (e.g., Set A and / or Set B) , report content information, etc. For some beam management scenarios, time instance information for measurement and / or prediction can also be provided. The detailed reporting contents and how the UE determines whether to use UAI or RRCReconfigurationComplete for applicability reporting is subject to change.

[0080] Applicability reporting is used for AI / ML-based beam management as a beneficial feature for the UE 302. The current applicability reporting framework (described with reference to FIG. 2B) can be extended to L3 RRM prediction. As described above, existing applicability reporting configurations are specific to beam management. In some cases, one or more CSI-ReportConfig parameters are provided for inference configuration, where the associated ID is configured by the CSI framework. In other implementations, one or more sets of inference-related parameters are provided for applicability reporting (not for inference) . These parameters can include, e.g., associated IDs, related information for different parameter sets (e.g., Set A and Set B) , and report content-related information. For some beam management scenarios, time instance-related information for measurement and prediction can also be provided. As an important feature of LCM for UE-sided models, it may be advantageous to extend applicability reporting to L3 RRM prediction.

[0081] The present disclosure generally relates to applicability reporting support for L3 RRM prediction. The access node 304 may configure applicability reporting for L3 RRM prediction using any of the following approaches. In some implementations, the access node 304 includes MeasIDs in the OtherConfig field of the RRCReconfiguration message that is sent to the UE 302. In other implementations, MOs are included in the OtherConfig field of the RRCReconfiguration message. In other implementations, a subset of L3 RRM parameters are included in the OtherConfig field of the RRCReconfiguration message.

[0082] The UE 302 may determine AI / ML function applicability based on the applicability reporting configuration provided by the access node 304. Once determined, the UE 302 may report the AI / ML function applicability via an RRCReconfigurationComplete message, a MeasurementReport message, or UAI. In some implementations, the UE can start or activate L3 RRM prediction immediately after reporting AI / ML function applicability for both serving and neighbor cell measurement. Alternatively, the UE may wait for the access node 304 to confirm or activate AI / ML functionality for L3 RRM prediction. This indication can be provided via RRC, MAC-CE or DCI. In some examples, different activation modes can be used for different types of applicability reporting and reporting message (s) .

[0083] The applicability reporting configuration provided by the access node 304 allows the UE 302 to determine whether the associated AI / ML functionality is applicable to a given L3 RRM prediction. If MeasID (s) are included in the OtherConfig field of the RRCReconfiguration message from the access node 304, the linked MO and ReportConfigNR for each MeasID are also configured within the MeasConfig. ReportConfigNR may include time instance information for both measurement and prediction. In such cases, the UE 302 can autonomously start L3 measurement prediction for the applicable AI / ML functionalities.

[0084] If MO (s) are provided in the OtherConfig field of the RRCReconfiguration message from the access node 304, an indication may be included in the MO regarding UE evaluation of AI / ML function applicability. This enables the UE 302 to determine the applicability of an AI / ML function based on the measurement resources specified in the MO. If a subset of L3 RRM parameters are included in the OtherConfig field of the RRCReconfiguration message from the access node 304, the following information may be provided for each parameter set: frequency information for SSBs and / or CSI Reference Signals (CSI-RS) , subcarrier spacing (SCS) information, measurement resource-related configuration details for SSB or CSI-RS (e.g., ssb-ConfigMobility and csi-rs-ResourceConfigMobility) , a threshold for cell measurement consolidation, a number of beams to average, a frequency band indicator (freqBandIndicatorNR) , time instance information for measurement and prediction, etc. The access node 304 may configure different variations (e.g., MeasID and MO or L3 RRM parameters) concurrently. The MeasID option allows for fast activation of L3 RRM prediction, while the MO and L3 RRM parameter options can be used to adjust the AI / ML configuration.

[0085] Once configured, the UE 302 can determine whether a particular AI / ML function is applicable for L3 RRM prediction. This determination can be based on a combination of network-side conditions, UE-side conditions, and / or model availability. Network-side conditions may include (but are not limited to) the associated ID (s) , a network-supported frequency list, an SSB pattern including periodicity and / or beam pattern, or a CSI-RS pattern for mobility including periodicity and / or beam pattern.

[0086] The UE 302 can report AI / ML function applicability using one or more of the following approaches. In some implementations, the UE 302 reports AI / ML function applicability via an RRCReconfigurationComplete message. In this case, only the MeasID-based applicability configuration reporting approach is allowed. Following successful transmission of the RRCReconfigurationComplete message, the UE 302 can autonomously start L3 measurement and prediction for the MeasID (s) that are reported as applicable. L3 RRM prediction can be used for both serving cell measurements and neighbor cell measurements.

[0087] In other implementations, the UE 302 can report AI / ML function applicability via a MeasurementReport message. This approach supports all three configuration options (MeasID, MO, L3 RRM parameters) . With this approach, the MeasurementReport message can include the actual L3 measurements for all of the MeasID (s) provided, regardless of whether they are applicable or not. In addition, the MeasurementReport message can include (i) a list of MeasID (s) that are applicable for L3 measurement prediction, (ii) the indices of the configured MO list that are applicable for L3 measurement prediction, and (iii) the indices of the L3 measurement configuration list (s) that are applicable for L3 measurement prediction. In this example, the UE may be unable to start L3 measurement and prediction for the MeasID (s) reported as applicable until a subsequent indication is received from the network.

[0088] In other implementations, the UE 302 can report AI / ML function applicability via a UAI message. As with the MeasurementReport option, the UAI approach supports all three configuration options (MeasID, MO, L3 RRM parameters) . The UAI may include (i) the MeasID (s) that are applicable for L3 measurement prediction, (ii) the indices of the configured MO list that are applicable for L3 measurement prediction, or (iii) the indices of the L3 measurement configuration list that are applicable for L3 measurement prediction. When reporting applicability via UAI, the UE may be unable to autonomously start L3 measurement and prediction for the MeasID (s) that are reported as applicable. Instead, the UE 302 may wait for the access node 304 to send another RRCReconfiguration message (with MeasID (s) , linked MO, and ReportConfigNR) before initiating L3 measurement and prediction.

[0089] When reporting AI / ML function applicability, the report format can include a bit map to indicate applicable / non-applicable status (e.g., C_1, C_2, …, C_N) for all configured MeasID (s) , MO (s) , or L3 measurement configuration lists. C_i = 0 means the ith configured MeasID, MO, or configured set of L3 measurement configuration (s) is non-applicable. C_i = 1 means the ith configured MeasID, MO, or configured set of L3 measurement configuration (s) is applicable. This bitmap can differ for each applicable functionality reporting option (e.g. the meaning of each index can vary) . In some implementations, the UE 302 may report the full list of indices of applicable MeasID (s) , MO (s) , or applicable parameter set indices for L3 measurement configurations. For example, reporting a list of {1, 2, 5} with a MeasID-based approach means the MeasID (s) with indices 1, 2, and 5 are applicable for L3 RRM prediction. In some examples, the UE 302 may report the full list of indices of non-applicable and applicable MeasID (s) , MO (s) , or parameter set indices of L3 measurement configurations. In addition to the bit map discussed above, a full / partial list of indices of non-applicable AI / ML functionalities and their value cause of non-applicability (e.g. “model downloading is not finished” , “UE-sided condition not met” ) can be provided to the access node 304.

[0090] With a MeasID-based configuration approach and an RRCReconfigurationComplete-based reporting approach, the UE 302 can initiate or activate L3 RRM prediction immediately after reporting AI / ML function applicability to the access node 304. L3 RRM prediction can be activated for both serving cell and neighbor cell measurements. With an MO-based configuration, the UE may wait for an additional indication from the access node 304. This indication can be delivered via an RRC message, a MAC-CE, or DCI. With a MeasID-based configuration approach, the UE 302 can optionally wait for another RRCReconfiguration message with updated MeasID (s) or wait for a MAC-CE or DCI with a mapped code point from the MeasID (s) to be activated. For configurations based on MO or L3 RRM parameters, the UE can wait for a subsequent RRCReconfiguration message with the appropriate MeasID (s) to be activated, the linked MO (s) , and the corresponding ReportConfigNR.

[0091] FIG. 4 illustrates a flowchart of an example method 400 for L3 RRM applicability reporting, according to some implementations. For clarity of presentation, the method 400 is described in the context of the preceding figures. For example, the method 400 can be performed by a UE, such as the UE 102 of FIG. 1. The method 400 can also be performed by any suitable system, environment, software, hardware, or combination thereof. In some implementations, operations of the method 400 can be run in parallel, in combination, in loops, or in any order. The example method 400 shown in FIG. 4 can be modified or reconfigured to include additional, fewer, or different steps (not shown in FIG. 4) , which can be performed in the order shown or in a different order.

[0092] At 402, the UE receives an indication of an applicability reporting configuration for L3 measurement prediction.

[0093] At 404, the UE determines whether at least one AI or ML functionality is applicable for the L3 measurement prediction based on a set of operating conditions.

[0094] At 406, the UE transmits an applicability reporting message in accordance with the applicability reporting configuration. The applicability reporting message indicates whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.

[0095] FIG. 5 illustrates a flowchart of an example method 500 for L3 RRM applicability reporting, according to some implementations. For clarity of presentation, the method 500 is described in the context of the preceding figures. For example, the method 500 can be performed by an access node, such as the base station 104 of FIG. 1. The method 500 can also be performed by any suitable system, environment, software, hardware, or combination thereof. In some implementations, operations of the method 500 can be run in parallel, in combination, in loops, or in any order. The example method 500 shown in FIG. 5 can be modified or reconfigured to include additional, fewer, or different steps (not shown in FIG. 5) , which can be performed in the order shown or in a different order.

[0096] At 502, the access node transmits an indication of an applicability reporting configuration for L3 measurement prediction.

[0097] At 504, the access node receives an applicability reporting message in accordance with the applicability reporting configuration. The applicability reporting message indicates whether at least one AI or ML functionality is applicable for the L3 measurement prediction.

[0098] At 506, the access node transmits a reconfiguration message to activate the at least one AI or ML functionality for the L3 measurement prediction based on the applicability reporting message.

[0099] FIG. 6 illustrates an example UE 600, according to some implementations. The UE 600 may be similar to and / or substantially interchangeable with the UE 102 of FIG. 1. The UE 600 can be any mobile or non-mobile computing device, such as, for example, a mobile phone, computer, tablet, industrial wireless sensor, video device (for example, a camera or video camera) , wearable device (for example, a smart watch) , relaxed-IoT device, etc.

[0100] The UE 600 can include processor 602, RF interface circuitry 604, memory / storage 606, user interface 608, sensors 610, driver circuitry 612, power management integrated circuit (PMIC) 614, one or more antenna (s) 616, and / or battery 618. The components of the UE 600 can be implemented as integrated circuits (ICs) , portions thereof, discrete electronic devices, or other modules, logic, hardware, software, firmware, or a combination thereof. The block diagram of FIG. 6 shows a high-level view of some of the components of the UE 600. However, some of the components shown can be omitted, additional components may be present, and a different arrangement of the components shown can be used in other implementations.

[0101] The components of the UE 600 may be coupled with various other components over one or more interconnects 620, which can represent any type of interface, input / output, bus (local, system, or expansion) , transmission line, trace, optical connection, etc., that allows various circuit components (on common or different chips or chipsets) to interact with one another.

[0102] The processor 602 may include one or more processors. For example, the processor 602 may include processor circuitry such as, for example, baseband processor circuitry (BB) 622A, central processor unit circuitry (CPU) 622B, and graphics processor unit circuitry (GPU) 622C. The processor 602 may include any type of circuitry or processor circuitry that executes or otherwise operates computer-executable instructions, such as program code, software modules, or functional processes from memory / storage 606 to cause the UE 600 to perform operations described herein.

[0103] In some implementations, the baseband processor circuitry 622A may access a communication protocol stack 624 in the memory / storage 606 to communicate over a 3GPP compatible network. In general, the baseband processor circuitry 622A may access the communication protocol stack to: perform user plane functions at a physical (PHY) layer, medium access control (MAC) layer, radio link control (RLC) layer, packet data convergence protocol (PDCP) layer, service data adaptation protocol (SDAP) layer, and protocol data unit (PDU) layer; and perform control plane functions at a PHY layer, MAC layer, RLC layer, PDCP layer, RRC layer, and a non-access stratum (NAS) layer. In some implementations, the PHY layer operations may additionally / alternatively be performed by the components of the RF interface circuitry 604. The baseband processor circuitry 622A may generate or process baseband signals or waveforms that carry information in 3GPP-compatible networks. In some implementations, the waveforms for NR may be based cyclic prefix orthogonal frequency division multiplexing (CP-OFDM) in the uplink or downlink, and discrete Fourier transform spread OFDM (DFT-S-OFDM) in the uplink.

[0104] The memory / storage 606 may include one or more non-transitory, computer-readable media that includes instructions (for example, communication protocol stack 624) that can be executed by the processor 602 to cause the UE 600 to perform various operations described herein. The memory / storage 606 can include any type of volatile or non-volatile memory that may be distributed throughout the UE 600. In some implementations, the memory / storage 606 can be located on the processor 602 itself (for example, L1 and L2 cache) , while other memory / storage 606 is external to the processor 602 but accessible thereto via a memory interface. The memory / storage 606 may include any suitable volatile or non-volatile memory such as, but not limited to, dynamic random access memory (DRAM) , static random access memory (SRAM) , erasable programmable read only memory (EPROM) , electrically erasable programmable read only memory (EEPROM) , Flash memory, solid-state memory, or any other type of memory device technology.

[0105] The RF interface circuitry 604 may include transceiver circuitry and radio frequency front module (RFEM) that allows the UE 600 to communicate with other devices over a radio access network. The RF interface circuitry 604 can include various elements arranged in transmit or receive paths. These elements may include, for example, switches, mixers, amplifiers, filters, synthesizer circuitry, control circuitry, etc.

[0106] In the receive path, the RFEM may receive a radiated signal from an air interface via antenna (s) 616 and proceed to filter and amplify (with a low-noise amplifier) the signal. The signal may be provided to a receiver of the transceiver that downconverts the RF signal into a baseband signal that is provided to the baseband processor.

[0107] In the transmit path, the transmitter of the transceiver up-converts the baseband signal received from the baseband processor and provides the RF signal to the RFEM. The RFEM may amplify the RF signal through a power amplifier prior to the signal being radiated across the air interface via the antenna (s) 616. In various implementations, the RF interface circuitry 604 may be configured to transmit / receive signals in a manner compatible with NR access technologies.

[0108] The antenna (s) 616 may include one or more antenna elements to convert electrical signals into radio waves to travel through the air and to convert received radio waves over the air into electrical signals. In some implementations, the antenna elements may be arranged into one or more antenna panels. The antenna (s) 616 may have antenna panels that are omnidirectional, directional, or a combination thereof, to enable beamforming and multiple input, multiple output communications. The antenna (s) 616 can include any / all of microstrip antennas, printed antennas fabricated on the surface of one or more printed circuit boards, patch antennas, phased array antennas, etc. The antenna (s) 616 may have one or more panels designed for one or more specific frequency bands, such as bands in FR1 or FR2.

[0109] The user interface 608 includes various input / output (I / O) devices designed to enable user interaction with the UE 600. The user interface 608 includes input device circuitry and output device circuitry. Input device circuitry includes any physical or virtual means for accepting an input including, inter alia, one or more physical or virtual buttons (for example, a reset button) , a physical keyboard, keypad, mouse, touchpad, touchscreen, microphones, scanner, headset, or the like. The output device circuitry includes any physical or virtual means for showing information or otherwise conveying information, such as sensor readings, actuator position (s) , or other like information. Output device circuitry may include any number or combinations of audio or visual display, including, inter alia, one or more simple visual outputs / indicators (for example, binary status indicators such as light emitting diodes “LEDs” and multi-character visual outputs) , or more complex outputs such as display devices or touchscreens (for example, liquid crystal displays “LCDs, ” LED displays, quantum dot displays, projectors) , with the output of characters, graphics, multimedia objects, and the like being generated or produced from the operation of the UE 600.

[0110] The sensors 610 may include devices, modules, or subsystems whose purpose is to detect events or changes in its environment and send the information (sensor data) about the detected events to some other device, module, subsystem, etc. Examples of such sensors include, inter alia, inertia measurement units including accelerometers, gyroscopes, or magnetometers; microelectromechanical systems or nanoelectromechanical systems including 3-axis accelerometers, 3-axis gyroscopes, or magnetometers; level sensors; temperature sensors (for example, thermistors) ; pressure sensors; image capture devices (for example, cameras or lensless apertures) ; light detection and ranging sensors; proximity sensors (for example, infrared radiation detector and the like) ; depth sensors; ambient light sensors; ultrasonic transceivers; microphones or other like audio capture devices; etc.

[0111] The driver circuitry 612 may include software and hardware elements that operate to control particular devices that are embedded in the UE 600, attached to the UE 600, or otherwise communicatively coupled with the UE 600. The driver circuitry 612 may include individual drivers allowing other components to interact with or control various input / output (I / O) devices that may be present within, or connected to, the UE 600. For example, driver circuitry 612 may include a display driver to control and allow access to a display device, a touchscreen driver to control and allow access to a touchscreen interface, sensor drivers to obtain sensor readings of sensors 610 and control and allow access to sensors 610, drivers to obtain actuator positions of electro-mechanic components or control and allow access to the electro-mechanic components, a camera driver to control and allow access to an embedded image capture device, audio drivers to control and allow access to one or more audio devices.

[0112] The PMIC 614 can manage power provided to various components of the UE 600. In particular, with respect to the processor 602, the PMIC 614 may control power-source selection, voltage scaling, battery charging, or DC-to-DC conversion.

[0113] In some implementations, the PMIC 614 may control, or otherwise be part of, various power saving mechanisms of the UE 600. A battery 618 may power the UE 600, although in some examples the UE 600 may be mounted deployed in a fixed location and may have a power supply coupled to an electrical grid. The battery 618 may be a lithium ion battery, a metal-air battery, such as a zinc-air battery, an aluminum-air battery, a lithium-air battery, and the like. In some implementations, such as in vehicle-based applications, the battery 618 may be a typical lead-acid automotive battery.

[0114] FIG. 7 illustrates an example access node 700, according to some implementations. The access node 700 (also referred to as a base station or gNB) may be similar to and / or substantially interchangeable with base station 104. The access node 700 can include one or more of processor 702, RF interface circuitry 704, core network (CN) interface circuitry 706, memory / storage circuitry 708, and one or more antenna (s) 710. The processor 702 may include any type of circuitry or processor circuitry that executes or otherwise operates computer-executable instructions, such as program code, software modules, or functional processes from memory / storage circuitry 708 to cause the access node 700 to perform operations as described herein.

[0115] The components of the access node 700 may be coupled with various other components over one or more interconnects 712. The processor 702, RF interface circuitry 704, memory / storage circuitry 708 (including communication protocol stack 714) , antenna (s) 710, and interconnects 712 may be similar to like-named elements shown and described with respect to FIG. Y1. For example, the processor 702 may include processor circuitry such as, for example, baseband processor circuitry (BB) 716A, central processor unit circuitry (CPU) 716B, and graphics processor unit circuitry (GPU) 716C.

[0116] The CN interface circuitry 706 may provide connectivity to a core network, for example, a 5th Generation Core network (5GC) using a 5GC-compatible network interface protocol such as carrier Ethernet protocols, or some other suitable protocol. Network connectivity may be provided to / from the access node 700 via a fiber optic or wireless backhaul. The CN interface circuitry 706 may include one or more dedicated processors or FPGAs to communicate using one or more of the aforementioned protocols. In some implementations, the CN interface circuitry 706 may include multiple controllers to provide connectivity to other networks using the same or different protocols.

[0117] As used herein, the terms “access node, ” “access point, ” or the like refers to equipment that provides the radio baseband functions for data and / or voice connectivity between a network and one or more users. An access node may also be referred to as a base station (BS) , gNB, RAN node, eNB, NodeB, roadside unit (RSU) , transmission and reception point (TRP) , TRxP, and so on. An access node can include ground stations (e.g., terrestrial access points) or satellite stations providing coverage within a geographic area (e.g., a cell) . As used herein, the term “NG RAN node” or the like refers to an access node 700 that operates in an NR or 5G system (for example, a gNB) , and the term “E-UTRAN node” or the like refers to an access node 700 that operates in an LTE or 4G system (e.g., an eNB) . According to various implementations, the access node 700 can be implemented as one or more of a dedicated physical device, such as a macrocell base station, and / or a low power base station for providing femtocells, picocells or other cells with smaller coverage areas, smaller user capacity, or higher bandwidth (compared to macrocells) .

[0118] In some implementations, the access node 700 can be implemented as one or more software entities running on server computers as part of a virtual network, which may be referred to as a cloud RAN (CRAN) and / or a virtual baseband unit pool (vBBUP) . In vehicle-to-everything (V2X) scenarios, the access node 700 may be or act as an RSU, which refers to any transportation infrastructure entity used for V2X communications. An RSU can be implemented in or by a suitable RAN node or a stationary (or relatively stationary) UE, where an RSU implemented in or by a UE is referred to as a “UE-type RSU, ” an RSU implemented in or by an eNB is referred to as an “eNB-type RSU, ” an RSU implemented in or by a gNB is referred to as a “gNB-type RSU, ” and so forth.

[0119] In the preceding description, various components are described as performing a task or tasks. Such descriptions should be interpreted as including the phrase “configured to. ” Reciting a component that is configured to perform one or more tasks is expressly intended not to invoke 35 U.S.C. § 112 (f) interpretation for that component.

[0120] In some embodiments, one or more of the components described in the preceding figures may be configured to perform one or more operations, techniques, processes, or methods set forth in the examples section below. For example, the baseband circuitry described in connection with one or more of the preceding figures may be configured to operate in accordance with one or more of the examples set forth below. For another example, circuitry associated with a UE, access node, base station, or network element may be configured to operate in accordance with one or more of the examples set forth below.

[0121] Example 1 is a method including: receiving an indication of an applicability reporting configuration for L3 measurement prediction; determining whether at least one AI or ML functionality is applicable for the L3 measurement prediction based on a set of operating conditions; and transmitting an applicability reporting message in accordance with the applicability reporting configuration, the applicability reporting message indicating whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.

[0122] Example 2 includes the method of example 1, where transmitting the applicability reporting message includes transmitting a RRC reconfiguration complete message that indicates whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.

[0123] Example 3 includes the method of any of examples 1-2, where transmitting the applicability reporting message includes transmitting a measurement report message that indicates whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.

[0124] Example 4 includes the method of any of examples 1-3, where transmitting the applicability reporting message includes transmitting a UAI message that indicates whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.

[0125] Example 5 includes the method of any of examples 1-4, further including receiving a reconfiguration message that activates the at least one AI or ML functionality for the L3 measurement prediction based on the applicability reporting message.

[0126] Example 6 includes the method of any of examples 1-5, where the at least one AI or ML functionality is activated based on receiving one of a RRC message, a MAC-CE, or DCI.

[0127] Example 7 includes the method of any of examples 1-6, further including activating the at least one AI or ML functionality for the L3 measurement prediction after transmitting the applicability reporting message in accordance with the applicability reporting configuration.

[0128] Example 8 includes the method of example 7, further including using the activated AI or ML functionality for serving cell measurements and neighbor cell measurements.

[0129] Example 9 includes the method of any of examples 1-8, where determining whether the at least one AI or ML functionality is applicable for the L3 measurement prediction includes determining that the at least one AI or ML functionality is applicable to one or more measurement identifiers in a field of a RRC reconfiguration message that indicates the applicability reporting configuration.

[0130] Example 10 includes the method of example 9, where the applicability reporting message includes the one or more measurement identifiers for which the at least one AI or ML functionality is applicable.

[0131] Example 11 includes the method of any of examples 1-10, where determining whether the at least one AI or ML functionality is applicable for the L3 measurement prediction includes determining that the at least one AI or ML functionality is applicable to one or more measurement objects in a field of a RRC reconfiguration message that indicates the applicability reporting configuration.

[0132] Example 12 includes the method of example 11, where the applicability reporting message includes indices of the one or more measurement objects for which the at least one AI or ML functionality is applicable.

[0133] Example 13 includes the method of any of examples 1-12, where determining whether the at least one AI or ML functionality is applicable for the L3 measurement prediction includes determining whether the at least one AI or ML functionality is applicable to one or more L3 RRM parameters in a field of a RRC reconfiguration message that indicates the applicability reporting configuration.

[0134] Example 14 includes the method of example 13, where the one or more L3 RRM parameters include at least one of a SSB frequency, a CSI-RS frequency, a subcarrier spacing, an SSB or CSI measurement resource configuration, a threshold for cell measurement consolidation, a number of beams, a frequency band indicator, measurement timing information, or prediction timing information.

[0135] Example 15 includes the method of any of examples 1-14, where the set of operating conditions include one or more network conditions, UE conditions, or model availability conditions.

[0136] Example 16 includes the method of example 15, where the one or more network conditions include at least one of an associated identifier, a network-supported frequency list, an SSB pattern, or a CSI-RS pattern for mobility.

[0137] Example 17 includes the method of any of examples 1-16, where the applicability reporting message includes one or more indices of an L3 measurement configuration list for which the at least one AI or ML functionality is applicable.

[0138] Example 18 includes the method of any of examples 1-17, where the applicability reporting message includes a bitmap to indicate applicability of the at least one AI or ML functionality for all configured measurement identifiers, measurement objects, or sets of L3 measurement configurations.

[0139] Example 19 includes the method of example 18, where a value of 0 indicates that a configured measurement identifier, measurement object, or set of L3 measurement configurations is not applicable for the at least one AI or ML functionality.

[0140] Example 20 includes the method of any of examples 18-19, where a value of 1 indicates that a configured measurement identifier, measurement object, or set of L3 measurement configurations is applicable for the at least one AI or ML functionality.

[0141] Example 21 includes the method of any of examples 1-20, where the applicability reporting message indicates all measurement identifiers, measurement objects, or L3 RRM parameter sets for which the at least one AI or ML functionality is applicable.

[0142] Example 22 includes the method of any of examples 1-21, where the applicability reporting message indicates a first set of measurement identifiers, measurement objects, or L3 RRM parameter sets for which the at least one AI or ML functionality is applicable and a second set of measurement identifiers, measurement objects, or L3 RRM parameter sets for which the at least one AI or ML functionality is not applicable.

[0143] Example 23 includes the method of any of examples 1-22, where the applicability reporting message indicates a cause of non-applicability for the at least one AI or ML functionality.

[0144] Example 24 is an apparatus including: one or more processors; and memory storing instructions that, when executed by the one or more processors, cause the apparatus to perform the method of any of claims 1-23.

[0145] Example 25 is a UE including one or more processors configured to perform the method of any of claims 1-23.

[0146] Example 26 is a method including: transmitting an indication of an applicability reporting configuration for L3 measurement prediction; receiving an applicability reporting message in accordance with the applicability reporting configuration, the applicability reporting message indicating whether at least one AI or ML functionality is applicable for the L3 measurement prediction; and transmitting a reconfiguration message that activates the at least one AI or ML functionality for the L3 measurement prediction based on the applicability reporting message.

[0147] Example 27 includes the method of example 26, where receiving the applicability reporting message includes receiving an RRC reconfiguration complete message that indicates whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.

[0148] Example 28 includes the method of any of examples 26-27, where receiving the applicability reporting message includes receiving a measurement report message that indicates whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.

[0149] Example 29 includes the method of any of examples 26-28, where receiving the applicability reporting message includes receiving a UAI message that indicates whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.

[0150] Example 30 includes the method of any of examples 26-29, where the at least one AI or ML functionality is activated based on transmitting at least one of a RRC message, a MAC-CE, or DCI.

[0151] Example 31 includes the method of any of examples 26-30, further including activating the at least one AI or ML functionality for the L3 measurement prediction after transmitting the applicability reporting message in accordance with the applicability reporting configuration.

[0152] Example 32 includes the method of example 31, further including using the activated AI or ML functionality for serving cell measurements and neighbor cell measurements.

[0153] Example 33 includes the method of any of examples 26-32, where the applicability reporting message indicates that the at least one AI or ML functionality is applicable to one or more measurement identifiers in a field of an RRC reconfiguration message that indicates the applicability reporting configuration.

[0154] Example 34 includes the method of any of examples 26-33, where the applicability reporting message indicates that the at least one AI or ML functionality is applicable to one or more measurement objects in a field of an RRC reconfiguration message that indicates the applicability reporting configuration.

[0155] Example 35 includes the method of any of examples 26-34, where the applicability reporting message indicates that the at least one AI or ML functionality is applicable to one or more L3 RRM parameters in a field of an RRC reconfiguration message that indicates the applicability reporting configuration.

[0156] Example 36 includes the method of example 35, where the one or more L3 RRM parameters include at least one of an SSB frequency, a CSI-RS frequency, a subcarrier spacing, an SSB or CSI measurement resource configuration, a threshold for cell measurement consolidation, a number of beams, a frequency band indicator, measurement timing information, or prediction timing information.

[0157] Example 37 includes the method of any of examples 26-36, where applicability of the at least one AI or ML functionality is determined according one or more network conditions, UE conditions, or model availability conditions.

[0158] Example 38 includes the method of example 37, where the one or more network conditions include at least one of an associated identifier, a network-supported frequency list, an SSB pattern, or a CSI-RS pattern for mobility.

[0159] Example 39 includes the method of any of examples 26-38, where the applicability reporting message includes one or more indices of an L3 measurement configuration list for which the at least one AI or ML functionality is applicable.

[0160] Example 40 includes the method of any of examples 26-39, where the applicability reporting message includes a bitmap to indicate applicability of the at least one AI or ML functionality for all configured measurement identifiers, measurement objects, or sets of L3 measurement configurations.

[0161] Example 41 includes the method of example 40, where a value of 0 indicates that a configured measurement identifier, measurement object, or set of L3 measurement configurations is not applicable for the at least one AI or ML functionality.

[0162] Example 42 includes the method of any of examples 40-41, where a value of 1 indicates that a configured measurement identifier, measurement object, or set of L3 measurement configurations is applicable for the at least one AI or ML functionality.

[0163] Example 43 includes the method of any of examples 26-42, where the applicability reporting message indicates all measurement identifiers, measurement objects, or L3 RRM parameter sets for which the at least one AI or ML functionality is applicable.

[0164] Example 44 includes the method of any of examples 26-43, where the applicability reporting message indicates a first set of measurement identifiers, measurement objects, or L3 RRM parameter sets for which the at least one AI or ML functionality is applicable and a second set of measurement identifiers, measurement objects, or L3 RRM parameter sets for which the at least one AI or ML functionality is not applicable.

[0165] Example 45 includes the method of any of examples 26-44, where the applicability reporting message indicates a cause of non-applicability for the at least one AI or ML functionality.

[0166] Example 46 is an apparatus including: one or more processors; and memory storing instructions that, when executed by the one or more processors, cause the apparatus to perform the method of any of claims 26-45.

[0167] Example 47 is an access node including one or more processors configured to perform the method of any of claims 26-45.

[0168] Any of the above-described examples can be combined with any other example (or combination of examples) , unless explicitly stated otherwise. The foregoing description of one or more implementations provides illustration and description, but is not intended to be exhaustive or to limit the scope of embodiments to the precise form disclosed. Modifications and variations are possible in light of the above teachings or may be acquired from practice of various embodiments.

[0169] Although the embodiments above have been described in considerable detail, numerous variations and modifications will become apparent to those skilled in the art once the above disclosure is fully appreciated. It is intended that the following claims be interpreted to embrace all such variations and modifications.

[0170] It is well understood that the use of personally identifiable information should follow privacy policies and practices that are generally recognized as meeting or exceeding industry or governmental requirements for maintaining the privacy of users. In particular, personally identifiable information data should be managed and handled so as to minimize risks of unintentional or unauthorized access or use, and the nature of authorized use should be clearly indicated to users.

Claims

1.A method comprising:receiving an indication of an applicability reporting configuration for layer 3 (L3) measurement prediction;determining whether at least one artificial intelligence (AI) or machine learning (ML) functionality is applicable for the L3 measurement prediction based at least on a set of operating conditions; andtransmitting an applicability reporting message in accordance with the applicability reporting configuration, the applicability reporting message indicating whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.2.The method of claim 1, wherein transmitting the applicability reporting message comprises transmitting a radio resource control (RRC) reconfiguration complete message that indicates whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.3.The method of claim 1, wherein transmitting the applicability reporting message comprises transmitting a measurement report message that indicates whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.4.The method of claim 1, wherein transmitting the applicability reporting message comprises transmitting a user equipment assistance information (UAI) message that indicates whether the at least one AI or ML functionality is applicable for the L3 measurement prediction.5.The method of claim 1, further comprising receiving a reconfiguration message that activates the at least one AI or ML functionality for the L3 measurement prediction based at least on the applicability reporting message.6.The method of claim 1, wherein the at least one AI or ML functionality is activated based at least on receiving one of a RRC message, a medium access control-control element (MAC-CE) , or downlink control information (DCI) .7.The method of claim 1, further comprising activating the at least one AI or ML functionality for the L3 measurement prediction after transmitting the applicability reporting message in accordance with the applicability reporting configuration.8.The method of claim 7, further comprising using the activated AI or ML functionality for serving cell measurements and neighbor cell measurements.9.The method of claim 1, wherein determining whether the at least one AI or ML functionality is applicable for the L3 measurement prediction comprises determining that the at least one AI or ML functionality is applicable to one or more measurement identifiers in a field of a RRC reconfiguration message that indicates the applicability reporting configuration.10.The method of claim 9, wherein the applicability reporting message comprises the one or more measurement identifiers for which the at least one AI or ML functionality is applicable.11.The method of claim 1, wherein determining whether the at least one AI or ML functionality is applicable for the L3 measurement prediction comprises determining that the at least one AI or ML functionality is applicable to one or more measurement objects in a field of a RRC reconfiguration message that indicates the applicability reporting configuration.12.The method of claim 11, wherein the applicability reporting message comprises indices of the one or more measurement objects for which the at least one AI or ML functionality is applicable.13.The method of claim 1, wherein determining whether the at least one AI or ML functionality is applicable for the L3 measurement prediction comprises determining whether the at least one AI or ML functionality is applicable to one or more L3 radio resource management (RRM) parameters in a field of a RRC reconfiguration message that indicates the applicability reporting configuration.14.The method of claim 13, wherein the one or more L3 RRM parameters comprise at least one of a synchronization signal block (SSB) frequency, a channel state information reference signal (CSI-RS) frequency, a subcarrier spacing, an SSB or CSI measurement resource configuration, a threshold for cell measurement consolidation, a number of beams, a frequency band indicator, measurement timing information, or prediction timing information.15.The method of claim 1, wherein the set of operating conditions comprise one or more network conditions, user equipment (UE) conditions, or model availability conditions.16.The method of claim 15, wherein the one or more network conditions comprise at least one of an associated identifier, a network-supported frequency list, an SSB pattern, or a CSI-RS pattern for mobility.17.The method of claim 1, wherein the applicability reporting message comprises one or more indices of an L3 measurement configuration list for which the at least one AI or ML functionality is applicable.18.The method of claim 1, wherein the applicability reporting message comprises a bitmap to indicate applicability of the at least one AI or ML functionality for all configured measurement identifiers, measurement objects, or sets of L3 measurement configurations.19.The method of claim 18, wherein a value of 0 indicates that a configured measurement identifier, measurement object, or set of L3 measurement configurations is not applicable for the at least one AI or ML functionality.20.The method of claim 18, wherein a value of 1 indicates that a configured measurement identifier, measurement object, or set of L3 measurement configurations is applicable for the at least one AI or ML functionality.21.The method of claim 1, wherein the applicability reporting message indicates all measurement identifiers, measurement objects, or L3 RRM parameter sets for which the at least one AI or ML functionality is applicable.22.The method of claim 1, wherein the applicability reporting message indicates a first set of measurement identifiers, measurement objects, or L3 RRM parameter sets for which the at least one AI or ML functionality is applicable and a second set of measurement identifiers, measurement objects, or L3 RRM parameter sets for which the at least one AI or ML functionality is not applicable.23.The method of claim 1, wherein the applicability reporting message indicates a cause of non-applicability for the at least one AI or ML functionality.24.An apparatus comprising:one or more processors; andmemory storing instructions that, when executed by the one or more processors, cause the apparatus to perform the method of any of claims 1-23.25.A UE comprising one or more processors configured to perform the method of any of claims 1-23.26.A method comprising:transmitting an indication of an applicability reporting configuration for L3 measurement prediction;receiving an applicability reporting message in accordance with the applicability reporting configuration, the applicability reporting message indicating whether at least one AI or ML functionality is applicable for the L3 measurement prediction; andtransmitting a reconfiguration message that activates the at least one AI or ML functionality for the L3 measurement prediction based at least on the applicability reporting message.27.An apparatus comprising:one or more processors; andmemory storing instructions that, when executed by the one or more processors, cause the apparatus to perform the method of claim 26.28.An access node comprising one or more processors configured to perform the method of claim 26.

Images