特表2024-510183 | 知財ポータル「IP Force」

知財求人 - 知財ポータルサイト「IP Force」

青山学院大学 (神奈川県相模原市中央区淵野辺)

▶ ノキア　テクノロジーズ　オサケユイチアの特許一覧

特表2024-510183ユーザ機器（ＵＥ）における方位検出の二次的方法のための機械学習（ＭＬ）モデルの取得

書誌要約請求の範囲詳細な説明課題実施例実施するための形態図面の説明

目に優しい文字サイズ小中大 PDF Top

< >

1
2A
2B
3A
3B
3C
3D
3E
3F
4
5
6
7
8
9

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2024-03-06

(54)【発明の名称】ユーザ機器（ＵＥ）における方位検出の二次的方法のための機械学習（ＭＬ）モデルの取得

(51)【国際特許分類】

H04W 64/00 20090101AFI20240228BHJP

G01S 3/48 20060101ALI20240228BHJP

【ＦＩ】

H04W64/00

G01S3/48

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2023555243

(86)(22)【出願日】2021-03-09

(85)【翻訳文提出日】2023-11-08

(86)【国際出願番号】 US2021070255

(87)【国際公開番号】W WO2022191901

(87)【国際公開日】2022-09-15

(81)【指定国・地域】

【公序良俗違反の表示】

（特許庁注：以下のものは登録商標）

１．３ＧＰＰ

２．ＴＥＮＳＯＲＦＬＯＷ

３．ＰＹＴＨＯＮ

(71)【出願人】

【識別番号】515076873

【氏名又は名称】ノキアテクノロジーズオサケユイチア

(74)【代理人】

【識別番号】100094569

【弁理士】

【氏名又は名称】田中伸一郎

(74)【代理人】

【識別番号】100103610

【弁理士】

【氏名又は名称】▲吉▼田和彦

(74)【代理人】

【識別番号】100109070

【弁理士】

【氏名又は名称】須田洋之

(74)【代理人】

【識別番号】100067013

【弁理士】

【氏名又は名称】大塚文昭

(74)【代理人】

【識別番号】100120525

【弁理士】

【氏名又は名称】近藤直樹

(74)【代理人】

【識別番号】100176418

【弁理士】

【氏名又は名称】工藤嘉晃

(72)【発明者】

【氏名】アリサマド

(72)【発明者】

【氏名】ハイルソフォニアス

(72)【発明者】

【氏名】ジョシサティアクリシュナ

(72)【発明者】

【氏名】ヤルヴェララウリヤルコクレルヴォ

【テーマコード（参考）】

5K067

【Ｆターム（参考）】

5K067AA21

5K067DD11

5K067DD44

5K067DD57

5K067EE02

5K067EE10

5K067EE16

5K067KK02

5K067KK03

(57)【要約】

基地局（ＢＳ）によって、ユーザ機器（ＵＥ）から、特徴ベクトルを含んでいる通信を受信することと、ＢＳによって、ＵＥに関連付けられた１つまたは複数の特徴ベクトルを含んでいるデータセットを格納することと、ＢＳによって、ＵＥに関連付けられたデータセットをネットワークデバイスに伝達することと、ＢＳによって、ネットワークデバイスから機械学習（ＭＬ）モデルを受信することであって、ＭＬモデルが、データセットを使用して、ＵＥの方位を検出するようにトレーニングされている、受信することと、ＢＳによって、トレーニング済みＭＬモデルをＵＥに伝達することとのために、さまざまな技術が提供される。
【選択図】図２Ａ

【特許請求の範囲】

【請求項1】

基地局（ＢＳ）によって、ユーザ機器（ＵＥ）から、特徴ベクトルを含んでいる通信を受信することと、
前記ＢＳによって、前記ＵＥに関連付けられた１つまたは複数の特徴ベクトルを含んでいるデータセットを格納することと、
前記ＢＳによって、前記ＵＥに関連付けられた前記データセットをネットワークデバイスに伝達することと、
前記ＢＳによって、前記ネットワークデバイスから、機械学習（ＭＬ）モデルを受信することであって、前記ＭＬモデルが、ＵＥの方位を検出するように、前記データセットを使用してトレーニングされている、前記受信することと、
前記ＢＳによって、前記トレーニング済みＭＬモデルを前記ＵＥに伝達することとを含む、方法。

【請求項2】

前記データセットが、方位に関連付けられたＵＥ情報を含む、請求項１に記載の方法。

【請求項3】

前記特徴ベクトルが、基準信号受信電力（ＲＳＲＰ）測定結果、信号対干渉ノイズ比（ＳＩＮＲ）測定結果、サービング携帯端末（ＭＴ）パネル、サービング受信機（Ｒｘ）ビーム、サービング送信機（Ｔｘ）ビーム、およびＵＥの方位のうちの少なくとも１つに関連付けられた情報を含む、請求項１または２に記載の方法。

【請求項4】

前記特徴ベクトルが、前記ＢＳへの最も強いビームのＲＳＲＰ、選択されたＵＥパネル、Ｒｘビーム、および各報告されたＲＳＲＰごとのＵＥの方位のうちの少なくとも１つを含む、請求項１～３のいずれかに記載の方法。

【請求項5】

前記トレーニング済みＭＬモデルが、ＲＳＲＰ、選択されたＵＥパネルおよび選択されたＲｘビーム、ならびにサービングＴｘビームのセットを、前記ＵＥの方位にマッピングする、請求項１～４のいずれかに記載の方法。

【請求項6】

前記ＢＳによって、前記ＵＥから、前記ＵＥでのセンサの故障を示す通信を受信することと、
前記ＢＳによって、前記ＵＥから、前記トレーニング済みＭＬモデルの要求を含んでいる通信を受信することとをさらに含み、前記ＢＳによる前記ネットワークデバイスからの前記トレーニング済みＭＬモデルの前記受信が、前記ＵＥからの前記トレーニング済みモデルの前記要求の前記通信に基づいて、前記トレーニング済みＭＬモデルの要求に応答するものである、請求項１～５のいずれかに記載の方法。

【請求項7】

前記ＵＥから受信された、前記トレーニング済みＭＬモデルの前記要求を含んでいる前記通信が、ＵＥデバイスの種類の情報およびＵＥのセンサの種類の情報を含む、請求項６に記載の方法。

【請求項8】

前記ネットワークデバイスに伝達される前記トレーニング済みＭＬモデルの前記要求が、ＵＥデバイスの種類の情報およびＵＥのセンサの種類の情報を含む、請求項６または７に記載の方法。

【請求項9】

前記ＢＳによって、前記トレーニング済みＭＬモデルを選択することと、
前記ＢＳによって、テストデータセットに基づいて前記トレーニング済みＭＬモデルの精度を評価することとをさらに含み、前記ＢＳによる前記トレーニング済みＭＬモデルの前記伝達が、前記トレーニング済みＭＬモデルが精度基準を満たすということを決定することに応答するものである、請求項１～８のいずれかに記載の方法。

【請求項10】

前記ＢＳによって、前記ＵＥから、前記トレーニング済みＭＬモデルを使用して決定されたＵＥの方位を含んでいる通信を受信することをさらに含む、請求項１～９のいずれかに記載の方法。

【請求項11】

格納された命令を含んでいる非一過性コンピュータ可読ストレージ媒体であって、前記命令が、少なくとも１つのプロセッサによって実行されたときに、コンピューティングシステムに、
基地局（ＢＳ）によって、ユーザ機器（ＵＥ）から、特徴ベクトルを含んでいる通信を受信することと、
前記ＢＳによって、前記ＵＥに関連付けられた１つまたは複数の特徴ベクトルを含んでいるデータセットを格納することと、
前記ＢＳによって、前記ＵＥに関連付けられた前記データセットをネットワークデバイスに伝達することと、
前記ＢＳによって、前記ネットワークデバイスから、機械学習（ＭＬ）モデルを受信することであって、前記ＭＬモデルが、ＵＥの方位を検出するように、前記データセットを使用してトレーニングされている、前記受信することと、
前記ＢＳによって、前記トレーニング済みＭＬモデルを前記ＵＥに伝達することとを実行させるように構成される、非一過性コンピュータ可読ストレージ媒体。

【請求項12】

前記データセットが、方位に関連付けられたＵＥ情報を含む、請求項１１に記載の非一過性コンピュータ可読ストレージ媒体。

【請求項13】

前記特徴ベクトルが、基準信号受信電力（ＲＳＲＰ）測定結果、信号対干渉ノイズ比（ＳＩＮＲ）測定結果、サービング携帯端末（ＭＴ）パネル、サービング受信機（Ｒｘ）ビーム、サービング送信機（Ｔｘ）ビーム、およびＵＥの方位のうちの少なくとも１つに関連付けられた情報を含む、請求項１１または１２に記載の非一過性コンピュータ可読ストレージ媒体。

【請求項14】

前記特徴ベクトルが、前記ＢＳへの最も強いビームのＲＳＲＰ、選択されたＵＥパネル、Ｒｘビーム、および各報告されたＲＳＲＰごとのＵＥの方位のうちの少なくとも１つを含む、請求項１１～１３のいずれかに記載の非一過性コンピュータ可読ストレージ媒体。

【請求項15】

前記トレーニング済みＭＬモデルが、ＲＳＲＰ、選択されたＵＥパネルおよび選択されたＲｘビーム、ならびにサービングＴｘビームのセットを、前記ＵＥの方位にマッピングする、請求項１１～１４のいずれかに記載の非一過性コンピュータ可読ストレージ媒体。

【請求項16】

前記コンピューティングシステムに、
前記ＢＳによって、前記ＵＥから、前記ＵＥでのセンサの故障を示す通信を受信することと、
前記ＢＳによって、前記ＵＥから、前記トレーニング済みＭＬモデルの要求を含んでいる通信を受信することとを実行させるようにさらに構成され、前記ＢＳによる前記ネットワークデバイスからの前記トレーニング済みＭＬモデルの前記受信が、前記ＵＥからの前記トレーニング済みモデルの前記要求の前記通信に基づいて、前記トレーニング済みＭＬモデルの要求に応答するものである、請求項１１～１５のいずれかに記載の非一過性コンピュータ可読ストレージ媒体。

【請求項17】

前記ＵＥから受信された、前記トレーニング済みＭＬモデルの前記要求を含んでいる前記通信が、ＵＥデバイスの種類の情報およびＵＥのセンサの種類の情報を含む、請求項１６に記載の非一過性コンピュータ可読ストレージ媒体。

【請求項18】

前記ネットワークデバイスに伝達される前記トレーニング済みＭＬモデルの前記要求が、ＵＥデバイスの種類の情報およびＵＥのセンサの種類の情報を含む、請求項１６または１７に記載の非一過性コンピュータ可読ストレージ媒体。

【請求項19】

前記コンピューティングシステムに、
前記ＢＳによって、前記トレーニング済みＭＬモデルを選択することと、
前記ＢＳによって、テストデータセットに基づいて前記トレーニング済みＭＬモデルの精度を評価することとを実行させるようにさらに構成され、前記ＢＳによる前記トレーニング済みＭＬモデルの前記伝達が、前記トレーニング済みＭＬモデルが精度基準を満たすということを決定することに応答するものである、請求項１１～１８のいずれかに記載の非一過性コンピュータ可読ストレージ媒体。

【請求項20】

前記コンピューティングシステムに、前記ＢＳによって、前記ＵＥから、前記トレーニング済みＭＬモデルを使用して決定されたＵＥの方位を含んでいる通信を受信させるようにさらに構成される、請求項１１～１９のいずれかに記載の非一過性コンピュータ可読ストレージ媒体。

【請求項21】

基地局（ＢＳ）によって、ユーザ機器（ＵＥ）から、特徴ベクトルを含んでいる通信を受信するための手段と、
前記ＢＳによって、前記ＵＥに関連付けられた１つまたは複数の特徴ベクトルを含んでいるデータセットを格納するための手段と、
前記ＢＳによって、前記ＵＥに関連付けられた前記データセットをネットワークデバイスに伝達するための手段と、
前記ＢＳによって、前記ネットワークデバイスから、機械学習（ＭＬ）モデルを受信するための手段であって、前記ＭＬモデルが、ＵＥの方位を検出するように、前記データセットを使用してトレーニングされている、前記手段と、
前記ＢＳによって、前記トレーニング済みＭＬモデルを前記ＵＥに伝達するための手段とを備える、装置。

【請求項22】

前記データセットが、方位に関連付けられたＵＥ情報を含む、請求項２１に記載の装置。

【請求項23】

前記特徴ベクトルが、基準信号受信電力（ＲＳＲＰ）測定結果、信号対干渉ノイズ比（ＳＩＮＲ）測定結果、サービング携帯端末（ＭＴ）パネル、サービング受信機（Ｒｘ）ビーム、サービング送信機（Ｔｘ）ビーム、およびＵＥの方位のうちの少なくとも１つに関連付けられた情報を含む、請求項２１または２２に記載の装置。

【請求項24】

前記特徴ベクトルが、前記ＢＳへの最も強いビームのＲＳＲＰ、選択されたＵＥパネル、Ｒｘビーム、および各報告されたＲＳＲＰごとのＵＥの方位のうちの少なくとも１つを含む、請求項２１～２３のいずれかに記載の装置。

【請求項25】

前記トレーニング済みＭＬモデルが、ＲＳＲＰ、選択されたＵＥパネルおよび選択されたＲｘビーム、ならびにサービングＴｘビームのセットを、前記ＵＥの方位にマッピングする、請求項２１～２４のいずれかに記載の装置。

【請求項26】

前記ＢＳによって、前記ＵＥから、前記ＵＥでのセンサの故障を示す通信を受信するための手段と、
前記ＢＳによって、前記ＵＥから、前記トレーニング済みＭＬモデルの要求を含んでいる通信を受信するための手段とをさらに備え、前記ＢＳによる前記ネットワークデバイスからの前記トレーニング済みＭＬモデルの前記受信が、前記ＵＥからの前記トレーニング済みモデルの前記要求の前記通信に基づいて、前記トレーニング済みＭＬモデルの要求に応答するものである、請求項２１～２５のいずれかに記載の装置。

【請求項27】

前記ＵＥから受信された、前記トレーニング済みＭＬモデルの前記要求を含んでいる前記通信が、ＵＥデバイスの種類の情報およびＵＥのセンサの種類の情報を含む、請求項２６に記載の装置。

【請求項28】

前記ネットワークデバイスに伝達される前記トレーニング済みＭＬモデルの前記要求が、ＵＥデバイスの種類の情報およびＵＥのセンサの種類の情報を含む、請求項２６または２７に記載の装置。

【請求項29】

前記ＢＳによって、前記トレーニング済みＭＬモデルを選択するための手段と、
前記ＢＳによって、テストデータセットに基づいて前記トレーニング済みＭＬモデルの精度を評価するための手段とをさらに備え、前記ＢＳによる前記トレーニング済みＭＬモデルの前記伝達が、前記トレーニング済みＭＬモデルが精度基準を満たすということを決定することに応答するものである、請求項２１～２８のいずれかに記載の装置。

【請求項30】

前記ＢＳによって、前記ＵＥから、前記トレーニング済みＭＬモデルを使用して決定されたＵＥの方位を含んでいる通信を受信するための手段をさらに備える、請求項２１～２９のいずれかに記載の装置。

【請求項31】

少なくとも１つのプロセッサと、
コンピュータプログラムコードを含んでいる少なくとも１つのメモリとを備えている装置であって、
前記少なくとも１つのメモリおよび前記コンピュータプログラムコードが、前記少なくとも１つのプロセッサと共に、前記装置に、
基地局（ＢＳ）によって、ユーザ機器（ＵＥ）から、特徴ベクトルを含んでいる通信を受信することと、
前記ＢＳによって、前記ＵＥに関連付けられた１つまたは複数のベクトルを含んでいるデータセットを格納することと、
前記ＢＳによって、前記ＵＥに関連付けられた前記データセットをネットワークデバイスに伝達することと、
前記ＢＳによって、前記ネットワークデバイスから、機械学習（ＭＬ）モデルを受信することであって、前記ＭＬモデルが、ＵＥの方位を検出するように、前記データセットを使用してトレーニングされている、前記受信することと、
前記ＢＳによって、前記トレーニング済みＭＬモデルを前記ＵＥに伝達することとを少なくとも実行させるように構成される、装置。

【請求項32】

前記データセットが、方位に関連付けられたＵＥ情報を含む、請求項３１に記載の装置。

【請求項33】

前記特徴ベクトルが、基準信号受信電力（ＲＳＲＰ）測定結果、信号対干渉ノイズ比（ＳＩＮＲ）測定結果、サービング携帯端末（ＭＴ）パネル、サービング受信機（Ｒｘ）ビーム、サービング送信機（Ｔｘ）ビーム、およびＵＥの方位のうちの少なくとも１つに関連付けられた情報を含む、請求項３１または３２に記載の装置。

【請求項34】

前記特徴ベクトルが、前記ＢＳへの最も強いビームのＲＳＲＰ、選択されたＵＥパネル、Ｒｘビーム、および各報告されたＲＳＲＰごとのＵＥの方位のうちの少なくとも１つを含む、請求項３１～３３のいずれかに記載の装置。

【請求項35】

前記トレーニング済みＭＬモデルが、ＲＳＲＰ、選択されたＵＥパネルおよび選択されたＲｘビーム、ならびにサービングＴｘビームのセットを、前記ＵＥの方位にマッピングする、請求項３１～３４のいずれかに記載の装置。

【請求項36】

前記装置に、
前記ＢＳによって、前記ＵＥから、前記ＵＥでのセンサの故障を示す通信を受信することと、
前記ＢＳによって、前記ＵＥから、前記トレーニング済みＭＬモデルの要求を含んでいる通信を受信することとをさらに実行させ、前記ＢＳによる前記ネットワークデバイスからの前記トレーニング済みＭＬモデルの前記受信が、前記ＵＥからの前記トレーニング済みモデルの前記要求の前記通信に基づいて、前記トレーニング済みＭＬモデルの要求に応答するものである、請求項３１～３５のいずれかに記載の装置。

【請求項37】

前記ＵＥから受信された、前記トレーニング済みＭＬモデルの前記要求を含んでいる前記通信が、ＵＥデバイスの種類の情報およびＵＥのセンサの種類の情報を含む、請求項３６に記載の装置。

【請求項38】

前記ネットワークデバイスに伝達される前記トレーニング済みＭＬモデルの前記要求が、ＵＥデバイスの種類の情報およびＵＥのセンサの種類の情報を含む、請求項３６または３７に記載の装置。

【請求項39】

前記装置に、
前記ＢＳによって、前記トレーニング済みＭＬモデルを選択することと、
前記ＢＳによって、テストデータセットに基づいて前記トレーニング済みＭＬモデルの精度を評価することとをさらに実行させ、前記ＢＳによる前記トレーニング済みＭＬモデルの前記伝達が、前記トレーニング済みＭＬモデルが精度基準を満たすということを決定することに応答するものである、請求項３１～３８のいずれかに記載の装置。

【請求項40】

前記装置に、前記ＢＳによって、前記ＵＥから、前記トレーニング済みＭＬモデルを使用して決定されたＵＥの方位を含んでいる通信を受信することをさらに実行させる、請求項３１～３９のいずれかに記載の装置。

【請求項41】

ユーザ機器（ＵＥ）によって、ＵＥ測定結果に基づいて特徴ベクトルを生成することと、
前記ＵＥによって、前記特徴ベクトルを含んでいるメッセージを基地局（ＢＳ）に伝達することと、
前記ＵＥによって、前記ＢＳから、機械学習（ＭＬ）モデルを受信することとを含む方法であって、前記ＭＬモデルが、ＵＥの方位を検出するように、前記特徴ベクトルを使用してトレーニングされている、方法。

【請求項42】

前記メッセージが、方位に関連付けられたＵＥ情報をさらに含む、請求項４１に記載の方法。

【請求項43】

前記特徴ベクトルが、基準信号受信電力（ＲＳＲＰ）測定結果、信号対干渉ノイズ比（ＳＩＮＲ）測定結果、サービング携帯端末（ＭＴ）パネル、サービング受信機（Ｒｘ）ビーム、サービング送信機（Ｔｘ）ビーム、およびＵＥの方位のうちの少なくとも１つに関連付けられた情報を含む、請求項４１または４２に記載の方法。

【請求項44】

前記特徴ベクトルが、前記ＢＳへの最も強いビームのＲＳＲＰ、選択されたＵＥパネル、Ｒｘビーム、および各報告されたＲＳＲＰごとのＵＥの方位のうちの少なくとも１つを含む、請求項４１～４３のいずれかに記載の方法。

【請求項45】

前記トレーニング済みＭＬモデルが、ＲＳＲＰ、選択されたＵＥパネルおよび選択されたＲｘビーム、ならびにサービングＴｘビームのセットを、前記ＵＥの方位にマッピングする、請求項４１～４４のいずれかに記載の方法。

【請求項46】

前記ＵＥによって、少なくとも１つのセンサの故障を決定することであって、前記センサが、ＵＥの方位を決定することに関連付けられている、前記決定することと、
前記ＵＥによって、前記ＵＥでの前記センサの故障を示すメッセージを前記ＢＳに伝達することと、
前記ＵＥによって、前記トレーニング済みＭＬモデルの要求を含んでいるメッセージを前記ＢＳに伝達することとをさらに含む、請求項４１～４５のいずれかに記載の方法。

【請求項47】

前記トレーニング済みＭＬモデルの前記要求を含んでいる前記通信が、ＵＥデバイスの種類の情報およびＵＥのセンサの種類の情報を含む、請求項４６に記載の方法。

【請求項48】

前記ＵＥによって、前記トレーニング済みＭＬモデルを使用して決定されたＵＥの方位を含んでいるメッセージを前記ＢＳに伝達することをさらに含む、請求項４１～４７のいずれかに記載の方法。

【請求項49】

格納された命令を含んでいる非一過性コンピュータ可読ストレージ媒体であって、前記命令が、少なくとも１つのプロセッサによって実行されたときに、コンピューティングシステムに、
ユーザ機器（ＵＥ）によって、ＵＥ測定結果に基づいて特徴ベクトルを生成することと、
前記ＵＥによって、前記特徴ベクトルを含んでいるメッセージを基地局（ＢＳ）に伝達することと、
前記ＵＥによって、前記ＢＳから、機械学習（ＭＬ）モデルを受信することとを実行させるように構成され、前記ＭＬモデルが、ＵＥの方位を検出するように、前記特徴ベクトルを使用してトレーニングされている、非一過性コンピュータ可読ストレージ媒体。

【請求項50】

前記メッセージが、方位に関連付けられたＵＥ情報をさらに含む、請求項４９に記載の非一過性コンピュータ可読ストレージ媒体。

【請求項51】

前記特徴ベクトルが、基準信号受信電力（ＲＳＲＰ）測定結果、信号対干渉ノイズ比（ＳＩＮＲ）測定結果、サービング携帯端末（ＭＴ）パネル、サービング受信機（Ｒｘ）ビーム、サービング送信機（Ｔｘ）ビーム、およびＵＥの方位のうちの少なくとも１つに関連付けられた情報を含む、請求項４９または５０に記載の非一過性コンピュータ可読ストレージ媒体。

【請求項52】

前記特徴ベクトルが、前記ＢＳへの最も強いビームのＲＳＲＰ、選択されたＵＥパネル、Ｒｘビーム、および各報告されたＲＳＲＰごとのＵＥの方位のうちの少なくとも１つを含む、請求項４９～５１のいずれかに記載の非一過性コンピュータ可読ストレージ媒体。

【請求項53】

前記トレーニング済みＭＬモデルが、ＲＳＲＰ、選択されたＵＥパネルおよび選択されたＲｘビーム、ならびにサービングＴｘビームのセットを、前記ＵＥの方位にマッピングする、請求項４９～５２のいずれかに記載の非一過性コンピュータ可読ストレージ媒体。

【請求項54】

前記コンピューティングシステムに、
前記ＵＥによって、少なくとも１つのセンサの故障を決定することであって、前記センサが、ＵＥの方位を決定することに関連付けられている、前記決定することと、
前記ＵＥによって、前記ＵＥでの前記センサの故障を示すメッセージを前記ＢＳに伝達することと、
前記ＵＥによって、前記トレーニング済みＭＬモデルの要求を含んでいるメッセージを前記ＢＳに伝達することとを実行させるようにさらに構成される、請求項４９～５３のいずれかに記載の非一過性コンピュータ可読ストレージ媒体。

【請求項55】

前記トレーニング済みＭＬモデルの前記要求を含んでいる前記通信が、ＵＥデバイスの種類の情報およびＵＥのセンサの種類の情報を含む、請求項５４に記載の非一過性コンピュータ可読ストレージ媒体。

【請求項56】

前記コンピューティングシステムに、前記ＵＥによって、前記トレーニング済みＭＬモデルを使用して決定されたＵＥの方位を含んでいるメッセージを前記ＢＳに伝達させるようにさらに構成される、請求項４９～５５のいずれかに記載の非一過性コンピュータ可読ストレージ媒体。

【請求項57】

ユーザ機器（ＵＥ）によって、ＵＥ測定結果に基づいて特徴ベクトルを生成するための手段と、
前記ＵＥによって、前記特徴ベクトルを含んでいるメッセージを基地局（ＢＳ）に伝達するための手段と、
前記ＵＥによって、前記ＢＳから、機械学習（ＭＬ）モデルを受信するための手段とを備える装置であって、前記ＭＬモデルが、ＵＥの方位を検出するように、前記特徴ベクトルを使用してトレーニングされている、装置。

【請求項58】

前記メッセージが、方位に関連付けられたＵＥ情報をさらに含む、請求項５７に記載の装置。

【請求項59】

前記特徴ベクトルが、基準信号受信電力（ＲＳＲＰ）測定結果、信号対干渉ノイズ比（ＳＩＮＲ）測定結果、サービング携帯端末（ＭＴ）パネル、サービング受信機（Ｒｘ）ビーム、サービング送信機（Ｔｘ）ビーム、およびＵＥの方位のうちの少なくとも１つに関連付けられた情報を含む、請求項５７または５８に記載の装置。

【請求項60】

前記特徴ベクトルが、前記ＢＳへの最も強いビームのＲＳＲＰ、選択されたＵＥパネル、Ｒｘビーム、および各報告されたＲＳＲＰごとのＵＥの方位のうちの少なくとも１つを含む、請求項５７～５９のいずれかに記載の装置。

【請求項61】

前記トレーニング済みＭＬモデルが、ＲＳＲＰ、選択されたＵＥパネルおよび選択されたＲｘビーム、ならびにサービングＴｘビームのセットを、前記ＵＥの方位にマッピングする、請求項５７～６０のいずれかに記載の装置。

【請求項62】

前記ＵＥによって、少なくとも１つのセンサの故障を決定するための手段であって、前記センサが、ＵＥの方位を決定することに関連付けられている、前記手段と、
前記ＵＥによって、前記ＵＥでの前記センサの故障を示すメッセージを前記ＢＳに伝達するための手段と、
前記ＵＥによって、前記トレーニング済みＭＬモデルの要求を含んでいるメッセージを前記ＢＳに伝達するための手段とをさらに備える、請求項５７～６１のいずれかに記載の装置。

【請求項63】

前記トレーニング済みＭＬモデルの前記要求を含んでいる前記通信が、ＵＥデバイスの種類の情報およびＵＥのセンサの種類の情報を含む、請求項６２に記載の装置。

【請求項64】

前記ＵＥによって、前記トレーニング済みＭＬモデルを使用して決定されたＵＥの方位を含んでいるメッセージを前記ＢＳに伝達するための手段をさらに備える、請求項５７～６３のいずれかに記載の装置。

【請求項65】

少なくとも１つのプロセッサと、
コンピュータプログラムコードを含んでいる少なくとも１つのメモリとを備えている装置であって、
前記少なくとも１つのメモリおよび前記コンピュータプログラムコードが、前記少なくとも１つのプロセッサと共に、前記装置に、
ユーザ機器（ＵＥ）によって、ＵＥ測定結果に基づいて特徴ベクトルを生成することと、
前記ＵＥによって、前記特徴ベクトルを含んでいるメッセージを基地局（ＢＳ）に伝達することと、
前記ＵＥによって、前記ＢＳから、機械学習（ＭＬ）モデルを受信することとを少なくとも実行させるように構成され、前記ＭＬモデルが、ＵＥの方位を検出するように、前記特徴ベクトルを使用してトレーニングされている、装置。

【請求項66】

前記メッセージが、方位に関連付けられたＵＥ情報をさらに含む、請求項６５に記載の装置。

【請求項67】

前記特徴ベクトルが、基準信号受信電力（ＲＳＲＰ）測定結果、信号対干渉ノイズ比（ＳＩＮＲ）測定結果、サービング携帯端末（ＭＴ）パネル、サービング受信機（Ｒｘ）ビーム、サービング送信機（Ｔｘ）ビーム、およびＵＥの方位のうちの少なくとも１つに関連付けられた情報を含む、請求項６５または６６に記載の装置。

【請求項68】

前記特徴ベクトルが、前記ＢＳへの最も強いビームのＲＳＲＰ、選択されたＵＥパネル、Ｒｘビーム、および各報告されたＲＳＲＰごとのＵＥの方位のうちの少なくとも１つを含む、請求項６５～６７のいずれかに記載の装置。

【請求項69】

前記トレーニング済みＭＬモデルが、ＲＳＲＰ、選択されたＵＥパネルおよび選択されたＲｘビーム、ならびにサービングＴｘビームのセットを、前記ＵＥの方位にマッピングする、請求項６５～６８のいずれかに記載の装置。

【請求項70】

前記装置に、
前記ＵＥによって、少なくとも１つのセンサの故障を決定することであって、前記センサが、ＵＥの方位を決定することに関連付けられている、前記決定することと、
前記ＵＥによって、前記ＵＥでの前記センサの故障を示すメッセージを前記ＢＳに伝達することと、
前記ＵＥによって、前記トレーニング済みＭＬモデルの要求を含んでいるメッセージを前記ＢＳに伝達することとをさらに実行させる、請求項６５～６９のいずれかに記載の装置。

【請求項71】

前記トレーニング済みＭＬモデルの前記要求を含んでいる前記通信が、ＵＥデバイスの種類の情報およびＵＥのセンサの種類の情報を含む、請求項７０に記載の装置。

【請求項72】

前記装置に、前記ＵＥによって、前記トレーニング済みＭＬモデルを使用して決定されたＵＥの方位を含んでいるメッセージを前記ＢＳに伝達することをさらに実行させる、請求項６５～７１のいずれかに記載の装置。

【発明の詳細な説明】

【技術分野】

【0001】

本説明は、ワイヤレス通信に関連している。

【背景技術】

【0002】

通信システムは、固定された通信デバイスまたはモバイル通信デバイスなどの２つ以上のノードまたはデバイス間の通信を可能にする機能であってよい。有線キャリアまたはワイヤレスキャリア上で信号が搬送され得る。

【0003】

セルラー通信システムの例は、第３世代パートナーシッププロジェクト（３ＧＰＰ：３^rd ＧｅｎｅｒａｔｉｏｎＰａｒｔｎｅｒｓｈｉｐＰｒｏｊｅｃｔ）によって規格化されているアーキテクチャである。この分野における最近の開発は、ユニバーサルモバイル通信システム（ＵＭＴＳ：ＵｎｉｖｅｒｓａｌＭｏｂｉｌｅＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓＳｙｓｔｅｍ）無線アクセス技術のロングタームエボリューション（ＬＴＥ：ｌｏｎｇ－ｔｅｒｍｅｖｏｌｕｔｉｏｎ）と呼ばれることが多い。Ｅ－ＵＴＲＡ（ｅｖｏｌｖｅｄＵＭＴＳＴｅｒｒｅｓｔｒｉａｌＲａｄｉｏＡｃｃｅｓｓ：エボルブドＵＭＴＳ地上波無線アクセス）は、３ＧＰＰのモバイルネットワーク用のロングタームエボリューション（ＬＴＥ）のアップグレードパスのエアインターフェイスである。ＬＴＥでは、拡張ノードＡＰ（ｅＮＢ）と呼ばれる基地局またはアクセスポイント（ＡＰ：ａｃｃｅｓｓｐｏｉｎｔｓ）が、カバレッジエリアまたはセル内のワイヤレスアクセスを提供する。ＬＴＥでは、モバイルデバイスまたは移動局が、ユーザ機器（ＵＥ：ｕｓｅｒｅｑｕｉｐｍｅｎｔｓ）と呼ばれる。ＬＴＥは、複数の改善または開発を含んでいた。ＬＴＥの各特徴は、改善され続けてもいる。

【0004】

５Ｇニューラジオ（ＮＲ：ＮｅｗＲａｄｉｏ）の開発は、以前の３Ｇおよび４Ｇのワイヤレスネットワークの進化に類似する、５Ｇの要件を満たすために継続されているモバイルブロードバンドの進化過程の一部である。５Ｇは、モバイルブロードバンドに加えて、新たに出現している使用事例もターゲットにしている。５Ｇの目標は、データレート、待ち時間、信頼性、およびセキュリティの新しいレベルを含み得る、無線性能における大幅な改善を実現することである。５ＧＮＲは、大規模なモノのインターネット（ＩｏＴ：ＩｎｔｅｒｎｅｔｏｆＴｈｉｎｇｓ）を効率的に接続するように大きさを変更されてもよく、新しい種類のミッションクリティカルなサービスを提供し得る。例えば、超高信頼低遅延通信（ＵＲＬＬＣ：ｕｌｔｒａ－ｒｅｌｉａｂｌｅａｎｄｌｏｗ－ｌａｔｅｎｃｙｃｏｍｍｕｎｉｃａｔｉｏｎｓ）デバイスは、高い信頼性および極めて低い待ち時間を必要とすることがある。

【発明の概要】

【0005】

実施形態例によれば、方法は、基地局（ＢＳ：ｂａｓｅｓｔａｔｉｏｎ）によって、ユーザ機器（ＵＥ：ｕｓｅｒｅｑｕｉｐｍｅｎｔ）から、特徴ベクトルを含んでいる通信を受信することと、ＢＳによって、ＵＥに関連付けられた１つまたは複数の特徴ベクトルを含んでいるデータセットを格納することと、ＢＳによって、ＵＥに関連付けられたデータセットをネットワークデバイスに伝達することと、ＢＳによって、ネットワークデバイスから機械学習（ＭＬ：ｍａｃｈｉｎｅｌｅａｒｎｉｎｇ）モデルを受信することであって、ＭＬモデルが、データセットを使用して、ＵＥの方位を検出するようにトレーニングされている、受信することと、ＢＳによって、トレーニング済みＭＬモデルをＵＥに伝達することとを含んでよい。

【0006】

実装は、次の特徴のうちの１つまたは複数を含むことができる。例えば、データセットは、方位に関連付けられたＵＥ情報を含むことができる。特徴ベクトルは、基準信号受信電力（ＲＳＲＰ：ＲｅｆｅｒｅｎｃｅＳｉｇｎａｌＲｅｃｅｉｖｅｄＰｏｗｅｒ）測定結果、信号対干渉ノイズ比（ＳＩＮＲ：ＳｉｇｎａｌｔｏＩｎｔｅｒｆｅｒｅｎｃｅａｎｄＮｏｉｓｅＲａｔｉｏ）測定結果、サービング携帯端末（ＭＴ：ｍｏｂｉｌｅｔｅｒｍｉｎａｌ）パネル（ｓｅｒｖｉｎｇｍｏｂｉｌｅｔｅｒｍｉｎａｌ（ＭＴ）ｐａｎｅｌ）、サービング受信機（Ｒｘ）ビーム（ｓｅｒｖｉｎｇｒｅｃｅｉｖｅｒ（Ｒｘ）ｂｅａｍ）、サービング送信機（Ｔｘ）ビーム（ｓｅｒｖｉｎｇｔｒａｎｓｍｉｔｔｅｒ（Ｔｘ）ｂｅａｍ（ｓ））、およびＵＥの方位のうちの少なくとも１つに関連付けられた情報を含むことができる。特徴ベクトルは、ＢＳへの最も強いビームのＲＳＲＰ、選択されたＵＥパネル、Ｒｘビーム、および各報告されたＲＳＲＰごとのＵＥの方位のうちの少なくとも１つを含むことができる。ＭＬモデルは、ＲＳＲＰ、選択されたＵＥパネルおよび選択されたＲｘビーム、ならびにサービングＴｘビームのセットを、ＵＥの方位にマッピングする。

【0007】

この方法は、ＢＳによって、ＵＥから、ＵＥでのセンサの故障を示す通信を受信することと、ＢＳによって、ＵＥから、トレーニング済みＭＬモデルの要求を含んでいる通信を受信することとをさらに含むことができ、ＢＳによるネットワークデバイスからのトレーニング済みＭＬモデルの受信は、ＵＥからのトレーニング済みモデルの要求の通信に基づいて、ＭＬモデルの要求に応答するものである。ＵＥから受信された、トレーニング済みＭＬモデルの要求を含んでいる通信は、ＵＥデバイスの種類の情報およびＵＥのセンサの種類の情報を含むことができる。ネットワークデバイスに伝達されるトレーニング済みＭＬモデルの要求は、ＵＥデバイスの種類の情報およびＵＥのセンサの種類の情報を含むことができる。この方法は、ＢＳによって、ＭＬモデルを選択することと、ＢＳによって、テストデータセットに基づいてトレーニング済みＭＬモデルの精度を評価することとをさらに含むことができ、ＢＳによるトレーニング済みＭＬモデルの伝達は、トレーニング済みＭＬモデルが精度基準を満たすということを決定することに応答するものである。この方法は、ＢＳによって、ＵＥから、ＭＬモデルを使用して決定されたＵＥの方位を含んでいる通信を受信することをさらに含むことができる。

【0008】

別の実施形態例によれば、方法は、ユーザ機器（ＵＥ）によって、ＵＥ測定結果に基づいて特徴ベクトルを生成することと、ＵＥによって、特徴ベクトルを含んでいるメッセージを基地局（ＢＳ）に伝達することと、ＵＥによって、ＢＳから機械学習（ＭＬ）モデルを受信することとを含んでよく、ＭＬモデルは、特徴ベクトルを使用して、ＵＥの方位を検出するようにトレーニングされている。

【0009】

実装は、次の特徴のうちの１つまたは複数を含むことができる。例えば、メッセージは、方位に関連付けられたＵＥ情報をさらに含むことができる。特徴ベクトルは、基準信号受信電力（ＲＳＲＰ）測定結果、信号対干渉ノイズ比（ＳＩＮＲ）測定結果、サービング携帯端末（ＭＴ）パネル、サービング受信機（Ｒｘ）ビーム、サービング送信機（Ｔｘ）ビーム、およびＵＥの方位のうちの少なくとも１つに関連付けられた情報を含むことができる。特徴ベクトルは、ＢＳへの最も強いビームのＲＳＲＰ、選択されたＵＥパネル、Ｒｘビーム、および各報告されたＲＳＲＰごとのＵＥの方位のうちの少なくとも１つを含むことができる。ＭＬモデルは、ＲＳＲＰ、選択されたＵＥパネルおよび選択されたＲｘビーム、ならびにサービングＴｘビームのセットを、ＵＥの方位にマッピングすることができる。この方法は、ＵＥによって、少なくとも１つのセンサの故障を決定することであって、センサが、ＵＥの方位を決定することに関連付けられている、決定することと、ＵＥによって、ＵＥでのセンサの故障を示すメッセージをＢＳに伝達することと、ＵＥによって、トレーニング済みＭＬモデルの要求を含んでいるメッセージをＢＳに伝達することとをさらに含むことができる。トレーニング済みＭＬモデルの要求を含んでいる通信は、ＵＥデバイスの種類の情報およびＵＥのセンサの種類の情報を含むことができる。この方法は、ＵＥによって、ＭＬモデルを使用して決定されたＵＥの方位を含んでいるメッセージをＢＳに伝達することをさらに含むことができる。

【0010】

非一過性コンピュータ可読ストレージ媒体が、格納された命令を含んでおり、これらの命令は、少なくとも１つのプロセッサによって実行されたときに、コンピューティングシステムに前述の方法を実行させるように構成され得る。装置が、前述の方法を実行するための手段を備えている。装置は、少なくとも１つのプロセッサと、コンピュータプログラムコードを含んでいる少なくとも１つのメモリとを備えており、少なくとも１つのメモリおよびコンピュータプログラムコードは、少なくとも１つのプロセッサと共に、装置に、前述の方法を少なくとも実行させるように構成される。

【0011】

コンピュータ可読プログラム命令は、コンピュータまたは他のプログラム可能なデータ処理装置のプロセッサを介して実行される命令が、フローチャートおよび／またはブロック図の１つまたは複数のブロックに指定される機能／動作を実施する手段を作り出すべく、汎用コンピュータ、専用コンピュータ、または他のプログラム可能なデータ処理装置のプロセッサに提供されてマシンを作り出すものであってよい。これらのコンピュータ可読プログラム命令は、命令が格納されたコンピュータ可読ストレージ媒体がフローチャートおよび／またはブロック図の１つまたは複数のブロックに指定される機能／動作の態様を実施する命令を含んでいる製品を備えるように、コンピュータ可読ストレージ媒体に格納され、コンピュータ、プログラム可能なデータ処理装置、および／または他のデバイスに特定の方式で機能するように指示できるものであってもよい。

【0012】

以下では、実施形態の１つまたは複数の例の詳細が、添付の図面および説明において示される。説明および図面から、ならびに特許請求の範囲から、他の特徴が明らかになるであろう。

【図面の簡単な説明】

【0013】

【図1】実施形態例に従うワイヤレスネットワークのブロック図である。

【図2A】実施形態例に従うネットワークを示す図である。

【図2B】実施形態例に従う信号受信を示す図である。

【図3A】実施形態例に従う信号フローのブロック図である。

【図3B】実施形態例に従うタイミング図である。

【図3C】実施形態例に従う特徴ベクトルのデータ構造のブロック図である。

【図3D】実施形態例に従う特徴ベクトルデータセットのデータ構造のブロック図である。

【図3E】実施形態例に従う、特徴ベクトルデータセットを使用して機械学習モデルをトレーニングすることに関連付けられた信号フローのブロック図である。

【図3F】実施形態例に従う、トレーニング済み機械学習モデルを使用して特徴ベクトルに基づいてユーザ機器の方位を決定するための信号フローのブロック図である。

【図4】実施形態例に従う、基地局を操作する方法を示すフロー図である。

【図5】実施形態例に従う、ユーザ機器を操作する方法を示すフロー図である。

【図6】実施形態例に従う、ネットワークデバイスを操作する方法を示すフロー図である。

【図7】実施形態例に従う、ネットワークデバイスまたは基地局（ＢＳ）の動作を示すフローチャートである。

【図8】実施形態例に従う、ユーザ機器の動作を示すフローチャートである。

【図9】実施形態例に従う、無線局またはワイヤレスノード（例えば、ＡＰ、ＢＳ、ｇＮＢ、ＲＡＮノード、中継ノード、ＵＥまたはユーザデバイス、ネットワークノード、ネットワーク実体、ＤＵ、ＣＵ－ＣＰ、ＣＵ－ＣＰ、．．．あるいは他のノード）のブロック図である。

【発明を実施するための形態】

【0014】

図１は、実施形態例に従うワイヤレスネットワーク１３０のブロック図である。図１のワイヤレスネットワーク１３０では、移動局（ＭＳ：ｍｏｂｉｌｅｓｔａｔｉｏｎｓ）またはユーザ機器（ＵＥ）と呼ばれることもあるユーザデバイス１３１、１３２、１３３、および１３５が、アクセスポイント（ＡＰ）、拡張ノードＢ（ｅＮＢ：ｅｎｈａｎｃｅｄＮｏｄｅＢ）、ＢＳ、次世代ノードＢ（ｇＮＢ：ｎｅｘｔ－ｇｅｎｅｒａｔｉｏｎＮｏｄｅＢ）、次世代拡張ノードＢ（ｎｇ－ｅＮＢ：ｎｅｘｔｇｅｎｅｒａｔｉｏｎｅｎｈａｎｃｅｄＮｏｄｅＢ）、またはネットワークノードと呼ばれることもある基地局（ＢＳ）１３４に接続され（および通信し）てよい。ユーザデバイスおよびユーザ機器（ＵＥ）という用語は、交換可能なように使用され得る。ＢＳは、ＲＡＮ（ｒａｄｉｏａｃｃｅｓｓｎｅｔｗｏｒｋ：無線アクセスネットワーク）ノードを含んでもよく、またはＲＡＮノードと呼ばれてもよく、ＢＳの一部またはＲＡＮノードの一部（例えば、分割されたＢＳの場合、集中型ユニット（ＣＵ：ｃｅｎｔｒａｌｉｚｅｄｕｎｉｔ）および／または分散型ユニット（ＤＵ：ｄｉｓｔｒｉｂｕｔｅｄｕｎｉｔ）など）を含んでよい。ＢＳ（例えば、アクセスポイント（ＡＰ）、基地局（ＢＳ）または（ｅ）ノードＢ（ｅＮＢ）、ＢＳ、ＲＡＮノード）の機能の少なくとも一部は、リモート無線ヘッドなどのトランシーバに動作可能に結合され得る任意のノード、サーバ、またはホストによって実行されてもよい。ＢＳ（またはＡＰ）１３４は、ユーザデバイス（またはＵＥ）１３１、１３２、１３３、および１３５を含む、セル１３６内のワイヤレスカバレッジを提供する。４つのユーザデバイス（またはＵＥ）のみがＢＳ１３４に接続されているか、または取り付けられているように示されているが、任意の数のユーザデバイスが提供されてよい。ＢＳ１３４は、Ｓ１インターフェイスまたはＮＧインターフェイス１５１を介してコアネットワーク１５０にも接続される。これは、ワイヤレスネットワークの単に１つの単純な例であり、他のワイヤレスネットワークが使用されてよい。

【0015】

基地局（例えば、ＢＳ１３４など）は、ワイヤレスネットワーク内の無線アクセスネットワーク（ＲＡＮ：ｒａｄｉｏａｃｃｅｓｓｎｅｔｗｏｒｋ）ノードの例である。ＢＳ（またはＲＡＮノード）は、例えば、アクセスポイント（ＡＰ）、ｇＮＢ、ｅＮＢ、またはこれらの一部（分割されたＢＳまたは分割されたｇＮＢの場合、集中型ユニット（ＣＵ：ｃｅｎｔｒａｌｉｚｅｄｕｎｉｔ）および／または分散型ユニット（ＤＵ：ｄｉｓｔｒｉｂｕｔｅｄｕｎｉｔ）など）、あるいは他のネットワークノードであってよく、またはこれらを含んでよい（または代替として、これらと見なされてよい）。例えば、ＢＳ（またはｇＮＢ）は、ｇＮＢ分散型ユニット（ｇＮＢ－ＤＵ：ｇＮＢ－ｄｉｓｔｒｉｂｕｔｅｄｕｎｉｔ）などの分散型ユニット（ＤＵ）のネットワーク実体、および複数のＤＵを制御し得る集中型ユニット（ＣＵ）を含んでよい。場合によっては、例えば、集中型ユニット（ＣＵ）は、ｇＮＢ集中型（または中央）ユニット制御プレーン（ｇＮＢ－ＣＵ－ＣＰ：ｇＮＢ－ｃｅｎｔｒａｌｉｚｅｄ（ｏｒｃｅｎｔｒａｌ）ｕｎｉｔ－ｃｏｎｔｒｏｌｐｌａｎｅ）などの制御プレーンの実体、およびｇＮＢ集中型（または中央）ユニットユーザプレーン（ｇＮＢ－ＣＵ－ＵＰ：ｇＮＢ－ｃｅｎｔｒａｌｉｚｅｄ（ｏｒｃｅｎｔｒａｌ）ｕｎｉｔ－ｕｓｅｒｐｌａｎｅ）などのユーザプレーンの実体に分割されるか、または分けられてよい。例えば、ＣＵの部分実体（ｇＮＢ－ＣＵ－ＣＰ、ｇＮＢ－ＣＵ－ＵＰ）は、同じハードウェアまたはサーバ上、クラウド内などで実行されるか、または提供されてよく、あるいは異なるハードウェア、システム、またはサーバ上で提供されてよい（例えば、物理的に分離されるか、または異なるシステム、ハードウェア、もしくはサーバ上で実行されてよい）、異なる論理実体または異なるソフトウェア実体として（例えば、通信する分離しているか、または個別のソフトウェア実体として）提供されてよい。

【0016】

述べたように、ｇＮＢ／ＢＳの分割された構成では、ｇＮＢの機能は、ＤＵおよびＣＵに分割されてよい。分散型ユニット（ＤＵ）は、１つまたは複数のＵＥとのワイヤレス通信を提供するか、または確立してよい。したがって、ＤＵは、１つまたは複数のセルを提供してよく、ＵＥがデータを送信すること、または受信することを可能にするなど、ＵＥが、ワイヤレスサービスを受信するためにＤＵと通信すること、および／またはＤＵとの接続を確立することを可能にし得る。集中型（または中央）ユニット（ＣＵ）は、ＤＵに排他的に割り当てられた機能を除く、例えば、ユーザデータの転送のｇＮＢ制御、モビリティ制御、無線アクセスネットワーク共有、位置決め、セッション管理などの制御機能を含む、制御機能および／またはデータプレーン機能を１つまたは複数の接続されたＤＵに提供してよい。ＣＵは、フロントホール（Ｆｓ）インターフェイスを経由してＤＵの動作を制御してよい（例えば、ＣＵは、１つまたは複数のＤＵと通信する）。

【0017】

１つの例によれば、一般に、ＢＳノード（例えば、ＢＳ、ｅＮＢ、ｇＮＢ、ＣＵ／ＤＵ、．．．）または無線アクセスネットワーク（ＲＡＮ）は、モバイルテレコミュニケーションシステムの一部であってよい。ＲＡＮ（無線アクセスネットワーク）は、例えば、１つまたは複数のＵＥがネットワークまたはコアネットワークにアクセスできるようにするために、無線アクセス技術を実装する１つまたは複数のＢＳまたはＲＡＮノードを含んでよい。したがって、例えば、ＲＡＮ（ＢＳまたはｇＮＢなどのＲＡＮノード）が、１つまたは複数のユーザデバイスまたはＵＥとコアネットワークの間に存在してよい。実施形態例によれば、各ＲＡＮノード（例えば、ＢＳ、ｅＮＢ、ｇＮＢ、ＣＵ／ＤＵ、．．．）またはＢＳは、例えば、ＵＥがＲＡＮノードを介してネットワークにワイヤレスアクセスできるようにするために、１つまたは複数のワイヤレス通信サービスを１つまたは複数のＵＥまたはユーザデバイスに提供してよい。各ＲＡＮノードまたはＢＳは、例えば、ＵＥまたはユーザデバイスがＲＡＮノードとのワイヤレス接続を確立できるようにすること、ならびにデータをＵＥのうちの１つまたは複数との間で送信および／または受信を実行することなどの、ワイヤレス通信サービスを実行するか、または提供してよい。例えば、ＵＥとの接続を確立した後に、ＲＡＮノード（例えば、ＢＳ、ｅＮＢ、ｇＮＢ、ＣＵ／ＤＵ、．．．）は、ネットワークまたはコアネットワークから受信されたデータをＵＥに転送すること、および／またはＵＥから受信されたデータをネットワークまたはコアネットワークに転送することを実行してよい。ＲＡＮノード（例えば、ＢＳ、ｅＮＢ、ｇＮＢ、ＣＵ／ＤＵ、．．．）は、例えば、制御情報（例えば、システム情報など）をＵＥにブロードキャストすること、ＵＥに配信されるデータが存在するときに、ＵＥをページングすること、セル間のＵＥのハンドオーバを支援すること、ＵＥからのアップリンクデータ送信用およびＵＥへのダウンリンクデータ送信用のリソースのスケジューリング、１つまたは複数のＵＥを構成するための制御情報を送信することなどの、多種多様な他のワイヤレス機能またはサービスを実行してよい。ＲＡＮノードまたはＢＳが実行してよい１つまたは複数の機能の例が、いくつかある。基地局は、ＩＡＢ（ＩｎｔｅｇｒａｔｅｄＡｃｃｅｓｓａｎｄＢａｃｋｈａｕｌ：統合アクセスおよびバックホール）ノード（中継ノードとしても知られている）のＤＵ（分散型ユニット）部分であってもよい。ＤＵは、ＩＡＢノードのアクセスリンク接続を容易にする。

【0018】

ユーザデバイス（ユーザ端末、ユーザ機器（ＵＥ）、携帯端末、ハンドヘルドワイヤレスデバイスなど）は、加入者識別モジュール（ＳＩＭ：ｓｕｂｓｃｒｉｂｅｒｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｏｄｕｌｅ）（ユニバーサルＳＩＭと呼ばれることがある）を使用するか、または使用しないで動作するワイヤレスモバイル通信デバイスを含んでいるポータブルコンピューティングデバイスのことを指してよく、その例として、移動局（ＭＳ）、携帯電話、セルフォン、スマートフォン、パーソナルデジタルアシスタント（ＰＤＡ：ｐｅｒｓｏｎａｌｄｉｇｉｔａｌａｓｓｉｓｔａｎｔ）、送受話器、ワイヤレスモデムを使用するデバイス（アラームまたは測定デバイスなど）、ラップトップコンピュータおよび／またはタッチスクリーンコンピュータ、タブレット、ファブレット、ゲーム機、ノートブック、車両、センサ、ならびにマルチメディアデバイスといった種類の、ただしこれらに限定されないデバイス、あるいは任意の他のワイヤレスデバイスを含む。ユーザデバイスが、ほぼ排他的なアップリンク専用デバイスであってもよく（またはそのようなデバイスを含んでよく）、その例が、画像またはビデオクリップをネットワークに読み込むカメラまたはビデオカメラであるということが、理解されるべきである。ユーザデバイスは、ＩＡＢ（統合アクセスおよびバックホール）ノード（中継ノードとしても知られている）のＭＴ（ＭｏｂｉｌｅＴｅｒｍｉｎａｔｉｏｎ：携帯端末）部分であってもよい。ＭＴは、ＩＡＢノードのバックホール接続を容易にする。

【0019】

（一例として）ＬＴＥでは、コアネットワーク１５０は、進化型パケットコア（ＥＰＣ：ＥｖｏｌｖｅｄＰａｃｋｅｔＣｏｒｅ）と呼ばれてよく、進化型パケットコア（ＥＰＣ）は、ＢＳ間のユーザデバイスのモビリティ／ハンドオーバを処理または支援し得るモビリティ管理エンティティ（ＭＭＥ：ｍｏｂｉｌｉｔｙｍａｎａｇｅｍｅｎｔｅｎｔｉｔｙ）と、ＢＳとパケットデータネットワークまたはインターネットとの間でデータおよび制御信号を転送し得る１つまたは複数のゲートウェイと、他の制御機能またはブロックとを含んでよい。５Ｇ（ニューラジオ（ＮＲ）と呼ばれることがある）などの他の種類のワイヤレスネットワークは、コアネットワーク（例えば、５Ｇ／ＮＲでは５ＧＣと呼ばれることがある）を含むこともある。

【0020】

加えて、例として、本明細書に記載されたさまざまな実施形態例または技術は、さまざまな種類のユーザデバイスまたはデータサービスの種類に適用されてよく、あるいは異なるデータサービスの種類であってよい複数のアプリケーションが実行され得るユーザデバイスに適用されてよい。ニューラジオ（５Ｇ）の開発は、複数の異なるアプリケーションまたは複数の異なるデータサービスの種類をサポートすることができ、その例としては、マシンタイプ通信（ＭＴＣ：ｍａｃｈｉｎｅｔｙｐｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ）、拡張マシンタイプ通信（ｅＭＴＣ：ｅｎｈａｎｃｅｄｍａｃｈｉｎｅｔｙｐｅｃｏｍｍｕｎｉｃａｔｉｏｎ）、多数同時接続ＭＴＣ（ｍＭＴＣ：ｍａｓｓｉｖｅＭＴＣ）、モノのインターネット（ＩｏＴ）および／または狭帯域ＩｏＴユーザデバイス、大容量高速通信（ｅＭＢＢ：ｅｎｈａｎｃｅｄｍｏｂｉｌｅｂｒｏａｄｂａｎｄ）、ならびに超高信頼低遅延通信（ＵＲＬＬＣ）などが挙げられる。これらの新しい５Ｇ（ＮＲ）に関連するアプリケーションの多くは、一般に、以前のワイヤレスネットワークより高い性能を必要とすることがある。

【0021】

ＩｏＴは、インターネット接続またはネットワーク接続を含み得る増え続ける一群のオブジェクトのことを指してよく、これらのオブジェクトが、他のネットワークデバイスに情報を送信し、他のネットワークデバイスから情報を受信できるようにする。例えば、多くのセンサ型アプリケーションまたはデバイスは、物理的条件または状態を監視することができ、例えばイベントが発生したときに、報告をサーバまたは他のネットワークデバイスに送信することができる。マシンタイプ通信（ＭＴＣまたはマシン間通信）は、例えば、人間の介入を伴うか、または伴わない、インテリジェントなマシン間の完全に自動的なデータの生成、交換、処理、および作動によって特徴付けられてよい。大容量高速通信（ｅＭＢＢ）は、現在ＬＴＥで使用可能なデータレートよりはるかに高いデータレートをサポートし得る。

【0022】

超高信頼低遅延通信（ＵＲＬＬＣ）は、ニューラジオ（５Ｇ）システムのためにサポートされ得る新しいデータサービスの種類または新しい使用状況である。超高信頼低遅延通信（ＵＲＬＬＣ）は、工業オートメーション、自律運転、車両の安全、ｅヘルスサービスなどの、新たに出現しているアプリケーションおよびサービスを可能にする。３ＧＰＰは、例として、１０^ー5のブロックエラー率（ＢＬＥＲ：ｂｌｏｃｋｅｒｒｏｒｒａｔｅ）および最大で１ｍｓまでのＵプレーン（ユーザ／データプレーン）の待ち時間に対応する信頼性を有する接続を提供することを目標にする。したがって、例えば、ＵＲＬＬＣユーザデバイス／ＵＥは、他の種類のユーザデバイス／ＵＥよりも大幅に低いブロックエラー率に加えて、（同時の高い信頼性に対する要件を伴って、または伴わずに）短い待ち時間を必要とすることがある。したがって、例えば、ＵＲＬＬＣＵＥ（またはＵＥ上のＵＲＬＬＣアプリケーション）は、ｅＭＢＢＵＥ（またはＵＥ上で実行されているｅＭＢＢアプリケーション）と比較して、はるかに短い待ち時間を必要とすることがある。

【0023】

さまざまな実施形態例が、ＬＴＥ、ＬＴＥ－Ａ、５Ｇ（ニューラジオ（ＮＲ））、センチメートル波帯域および／またはミリ波帯域のネットワーク、ＩｏＴ、ＭＴＣ、ｅＭＴＣ、ｍＭＴＣ、ｅＭＢＢ、ＵＲＬＬＣなど、または任意の他のワイヤレスネットワークもしくはワイヤレス技術などの、多種多様なワイヤレス技術またはワイヤレスネットワークに適用されてよい。これらの例示的なネットワーク、技術、またはデータサービスの種類は、単に例として提供される。

【0024】

ユーザ機器（ＵＥ）の方位は、５Ｇ通信規格において、ある役割を果たすことが期待されている。例えば、無人搬送車（ＡＧＶ：ａｕｔｏｍａｔｅｄｇｕｉｄｅｄｖｅｈｉｃｌｅｓ）は、位置を決定するように構成されることがある。しかし、ＵＥの位置は、機能している適切なＵＥにとって不十分である可能性がある。その結果、ＵＥの方位が、機能している適切なＵＥにとって必要とされることがある。さらに、ＸＲ技術（例えば、エクステンデッドリアリティ、クロスリアリティ、拡張現実、および／または同様のもの）は、将来の産業および／または商業的応用にとっての５Ｇ技術の必要性に影響を与えることができる。ＸＲ技術の性能は、ＸＲデバイスの方位に直接（または間接的に）依存する可能性がある。例として、将来の５Ｇシステムは、３０度（０．５４ラジアン）より良い精度でＵＥの向きを決定するためのメカニズム、ならびに静的ユーザの９９．９％の１０度（０．１７ラジアン）より良い精度での位置情報サービスの可用性および最大で１０ｋｍ／ｈまでのユーザの９９％の位置情報サービスの可用性をサポートすることが要求されることがある。

【0025】

上記の特徴は、単一パネルおよび複数パネルのＵＥの両方に適用可能であってよく、これは５Ｇの能力と一致している。各パネルは、無指向性アンテナまたはビームのグリッドを使用する指向性アンテナを含んでよい。複数パネルの可用性は、ＵＥの位置決めまたは方位の推定のための追加の自由度を与えることができる。

【0026】

ほとんどのＵＥは、デバイスの方位を検出するために内部センサ（例えば、慣性測定装置（ＩＭＵ：ｉｎｅｒｔｉａｌｍｅａｓｕｒｅｍｅｎｔｕｎｉｔ）、磁気コンパス、ジャイロスコープ、および／または同様のもの）を使用する。機械的センサの測定値は、ユーザの方位推定の精度の低下を引き起こすジッターおよび周囲の磁場による影響を受ける可能性がある。これらの問題は、室内の産業環境において、さらにいっそう重大になる可能性がある。さらに、ＵＥの内部センサは、例えば、機械的構成に起因して故障し、（例えば、Ｖ２Ｘ（ｖｅｈｉｃｌｅｔｏａｎｙｔｈｉｎｇ）、ＸＲ設定、および／または同様のものにおいて）多くの重要なアプリケーションを危険にさらす可能性がある。ＵＥの内部センサの前述の制限に起因して、無線アクセス技術（ＲＡＴ：ｒａｄｉｏａｃｃｅｓｓｔｅｃｈｎｏｌｏｇｙ）に依存する方位推定の開発および／または展開に対する関心が高まっている。

【0027】

ＵＥの位置決めとは異なり、ＲＡＴに依存する方位推定は、ＲＡＴに関連するより高い運動状態および／または変動性のため、困難である可能性がある（例えば、ＵＥの位置は、その速度と共に変化する可能性があるが、ＵＥの方位は、そのユーザのジェスチャーに依存する可能性がある）。したがって、ＲＡＴに依存する方位推定は、連続的な観測が存在するべきであるため、ｇＮＢとＵＥの間の信号伝達において過度のオーバーヘッドを必要とすることがある。例えば、ＵＥの方位推定は、可能であることがある。しかし、ＲＡＴに依存する手順は、過度のオーバーヘッドをもたらす連続的なフィードバックを必要とする可能性がある。例示的な実装は、機械学習（ＭＬ）に基づく方位推定を開発することによって、上記の問題（例えば、機械的センサの故障、ＲＡＴに基づく手法におけるオーバーヘッド、および／または同様のもの）に対処する。例示的な実装は、ＭＬトレーニング、およびモデルをホストするサーバからトレーニング済みＭＬモデルを取得することに必要とされる手順および信号伝達を提供する。

【0028】

ＵＥの方位を検出することは、例えば、ＵＥとｇＮＢの間の強力な通信リンクを可能にするためにＵＥで最も良いパネルを選択するため、または方位が知られなければならない仮想現実アプリケーションのための、要件になることがある。しかし、センサが故障する場合、システムの適切な動作のために、フォールバック方法が必要になることがある。したがって、本明細書に記載された例示的な実装の利点は、センサに基づく検出が失敗する場合に、ＵＥの方位検出を支援するために、二次的方法を提供することであることができる。

【0029】

別の利点は、しばらく使用した後に、適切に動作しているときにセンサが故障する場合に、説明された技術が、センサを較正することを支援できることであることができる。加えて、方位を検出するためのトレーニング済みＭＬ技術は、（センサの使用と比較して）電力効率がより良くなることができる。したがって、トレーニング済みＭＬ技術は、内部センサの代わりに使用され得る。トレーニング済みＭＬ技術を使用することの別の利点は、この技術が、算術演算の小さいセットを必要とし、待ち時間を短縮し得るため、高速になることができることである。ＸＲアプリケーションの使用は、短い待ち時間および高いデータレートを必要とすることがある。トレーニング済みＭＬ技術を使用することの別の利点は、この技術が、機械的センサの代わりにトレーニング済みＭＬ技術を使用することによって、リソース（例えば、電力）の削減になることができることである。

【0030】

図２Ａは、実施形態例に従うネットワークを示す図である。図２Ａに示されているように、ネットワーク２００は、少なくとも、基地局（ＢＳ）２０５、ユーザ機器（ＵＥ）２１０、およびサーバ２１５を含んでいる。ＢＳ２０５は、ＵＥ２１０に通信可能に（例えば、ワイヤレスで）結合され得る。ＢＳ２０５は、サーバ２１５に通信可能に（例えば、有線またはワイヤレスで）結合され得る。ＵＥ２１０は、複数のパネル（例えば、パネル１、パネル２、パネル３、およびパネル４）を含むことができる。各パネル（４つのパネルが示されているが、ＵＥは５つ以上のパネルを含むことができる）は、無指向性アンテナまたはビームのグリッドを使用する指向性アンテナを含んでよい。複数パネルの可用性は、ＵＥの位置決めまたは方位の推定のための追加の自由度を与えることができる。例えば、ＵＥ２１０のパネル１は、ＢＳ２０５のビーム２２０に結合されたビームを含んでいる。このビームおよび／またはパネルに関連付けられた特性は、ＵＥ２１０の方位を決定するのに役立つことができる。図２Ｂは、ＵＥ２１０の方位を決定するのに役立つことができる、ビームおよび／またはパネルに関連付けられた（多くのうちの）１つの特性を示すために使用される。

【0031】

図２Ｂは、実施形態例に従う信号受信を示す図である。図２Ｂに示されているように、パネル（例えば、パネル１）は、ビームフォーマ２２５、アンテナ２３０、およびアンテナ２３５を含むことができる。ＵＥ２１０が複数のアンテナ（例えば、２つのアンテナ）を含むことができるため、ＵＥ２１０は、ビーム形成技術を使用して複数のアンテナにわたって位相シフトを比較することによって、１つまたは複数のビーム２４０、２４５の到来角（ＡｏＡ：ａｎｇｌｅ－ｏｆ－ａｒｒｉｖａｌ）を決定するように構成され得る。ビームフォーマ２２５は、（位相遅延に基づいて）角度θを生成することができる。水平面（θ）内および水平面（φ）内のビームのＡｏＡが決定され得る。３つ以上のアンテナを使用して、追加の角度が解決され得る。ＡｏＡは、ＵＥ２１０の方位を決定するのを支援するために使用される（多くのうちの）１つの技術であることができる。

【0032】

例示的な実装では、二次的トレーニング済み機械学習（ＭＬ）モデルがサーバで使用可能であることができ、このＭＬモデルは、基地局（ＢＳ）を介してＵＥに転送され得る。ＭＬモデルは、さまざまなＵＥのデータサンプルおよびラベルとしての既知の方位を使用してトレーニングされ得る。精度基準（例えば、精度のしきい値レベル）にトレーニングされた後に、ＵＥ（または類似する（例えば、同じモデル、同じハードウェアの）ＵＥ）の方位を決定するために、トレーニング済みＭＬモデルが使用され得る。すべての情報を収集し、ＭＬモデルをトレーニングする計算能力を有するサーバにおいて、トレーニングプロセスが実行され得る。例えば、ＵＥは制限された計算リソースを有している可能性があり、したがって、ＵＥは最適なトレーニングデバイスではないことがある。ＭＬモデルの開発は、ＭＬモデルの設計を理解している専門家によって実行されることがある。一部の自動化された（例えば、人間の介入がない）ＭＬトレーニングプログラム（例えば、ＡｕｔｏＭＬ）が多くの計算リソースを必要とする可能性があるため、トレーニングは、ネットワークデバイスによって実行されてもよい。

【0033】

例示的な実装は、ＭＬモデルをトレーニングするため、およびＵＥで使用されるＭＬモデルをホストするサーバからトレーニング済みＭＬモデルを取得するために必要な手順および信号伝達を含む。方位推定のこの二次的方法は、方位の検出に、デバイスの内部センサを使用するのではなく、３ＧＰＰに基づく信号を使用することができる。例示的な技術は、最初に、ＢＳが、方位検出ＭＬモデルのトレーニングに使用され得るデータセットを収集することであることができる。このデータセットは、特徴ベクトルおよび対応する方位を含むことができる。３ＧＰＰには、方位情報をＵＥからｇＮＢに転送するために使用できるメカニズムが存在する。方位情報は、例えば、ｏｒｉｅｎｔａｔｉｏｎＭｅａｓＲｅｐｏｒｔメッセージを使用して、ＵＥからＢＳに送信され得る。ＢＳは、サーバを使用して、特徴ベクトルを使用して方位を決定するように構成されたＭＬモデルをトレーニングすることができる。トレーニング済みＭＬモデルは、方位検出の目的で、ＵＥに転送され得る。図３Ａは、このプロセスフローの詳細を説明するために使用され得る。

【0034】

図３Ａは、実施形態例に従う信号フローのブロック図である。図３Ａに示されているように、信号フロー３００は、ＢＳ２０５、ＵＥ２１０、およびサーバ２１５の間の通信を含んでいる。ＵＥ２１０は、特徴ベクトルおよび方位をＢＳ２０５に伝達する（３０５）（例えば、メッセージまたは信号）。例えば、図３Ｂを参照すると、事前に定義された時間間隔３５０の間に、ＢＳ２０５でデータがＵＥ２１０から収集され得る。トレーニング済みモデルは、ＵＥ２１０で使用される事前に定義された時間間隔３５５の間に転送され得る。これによって、ＭＬモデルに対する定期的な更新を可能にし、より良いＭＬモデルの性能に加えて、ＵＥでのより少ないエネルギー消費量をもたらす。

【0035】

ここで図３Ｃを参照すると、特徴ベクトル３６０は、複数の特徴Ｆ₁、Ｆ₂、Ｆ₃、Ｆ₄、Ｆ₅、Ｆ₆、．．．Ｆ_nを含むことができる。複数の特徴の各々は、ＵＥの方位を決定するようにＭＬモデルをトレーニングするために使用され得るＵＥの測定結果であることができる。複数の特徴の各々は、トレーニング済みＭＬモデルを使用してＵＥの方位を決定するために使用され得るＵＥの測定結果であることができる。ＭＬモデルをトレーニングすること、および／またはトレーニング済みモデルを使用してＵＥの方位を決定することは、特徴ベクトル３６０内の特徴Ｆ₁～Ｆ_nのサブセットを使用することを含むことができる。

【0036】

特徴ベクトル３６０は、通信３０５に関連付けられたメッセージ内でまとめてＢＳ２０５に報告され得る。しかし、特徴Ｆ₁～Ｆ_nのうちの１つまたは複数は、個別に、またはサブセットで、ＢＳ２０５に伝達されてよい。言い換えると、特徴Ｆ₁～Ｆ_nのうちの１つまたは複数は、既存の３ＧＰＰのメカニズムを使用してＢＳ２０５に報告され得る。次に、ＢＳ２０５は、別々に伝達された特徴Ｆ₁～Ｆ_nのうちの１つまたは複数を使用して特徴ベクトル３６０を構築することができる。例えば、ＵＥ２１０は、ＣＳＩ－ＲＳリソース、ＳＳ／ＰＢＣＨブロックリソース、またはＣＳＩ－ＲＳリソースおよびＳＳ／ＰＢＣＨブロックリソースの両方のＲＳＲＰを定期的に測定し、最大で４つまでのビーム（例えば、最も強い４つのビーム［ＴＳ３８．２１４］）のＬ１－ＲＳＲＰ測定結果を報告するように構成され得る。ＵＥ２１０は、複数パネルを含んでよく、ＵＥ２１０は、報告されたビームのＲＳＲＰを計算するために使用されたＭＴパネルをＵＥ２１０に関連付けてよい。各ＭＴパネルは、複数のＲｘビームで構成され得る。

【0037】

特徴ベクトル３６０に含まれる特徴Ｆ₁～Ｆ_nは、将来の規格において定義され得る。例えば、Ｌ１－ＳＩＮＲは、３ＧＰＰにおいて現在規定されておらず、そのような測定結果が将来規定された場合、特徴ベクトル３６０に特徴として含まれ得る。

【0038】

例示的な実装では、特徴ベクトル３６０は、Ｌ１－ＲＳＲＰ、Ｌ１－ＳＩＮＲ、ＭＴパネルＩＤ、ＲｘビームＩＤ、ＡｏＡ、ＡｏＤ、および／またはＲＳＴＤにそれぞれ関連付けられたＴｘビーム（ＳＳＢおよび／またはＣＳＩ－ＲＳ）で構成されるタプルのベクトルであることができる。例えば、特徴Ｆ₁～Ｆ_nのうちの１つまたは複数がタプルであることができる。特徴ベクトル３６０は、既存の情報要素（ＩＥ：ＩｎｆｏｒｍａｔｉｏｎＥｌｅｍｅｎｔｓ）および／または新しいＩＥを使用してＵＥ２１０からＢＳ２０５に送信され得る。既存のＩＥの一部は、より多くの情報に対応するための変更であることができる。例えば、Ｌ１－ＲＳＲＰ報告は、Ｌ１－ＳＩＮＲ、ＭＴパネルＩＤ、および／またはＲｘビームＩＤをさらに含むように変更され得る。

【0039】

図３Ａに戻り、ＢＳ２０５は、データセットを構築することができる（３１０）。このデータセットは、図３Ｄにデータセット３６５として示されている、少なくとも１つの特徴ベクトルおよび対応する方位を含むことができる。データセット３６５は、ＢＳ２０５からサーバ２１５に伝達され得る（３１５）（例えば、メッセージまたは信号）。ネットワークデバイスは、ＭＬモデルを選択してトレーニングすることができる（３２０）。ＭＬモデルを選択することは、ＵＥ２１０および／またはＵＥ２１０のハードウェアに適したＭＬモデルを選択することを含むことができる。代替の（または追加の）実装では、ＢＳ２０５がＭＬモデルを選択することができ、サーバ２１５がＭＬモデルをトレーニングすることができる。ＭＬモデルをトレーニングすることは、データセット３６０内の特徴ベクトルＦＶ₁、ＦＶ₂、ＦＶ₃、．．．、ＦＶ_nおよび対応する方位Ｏ₁、Ｏ₂、Ｏ₃、．．．、Ｏ_nの各々を使用することを含むことができる。３Ｅに示されているように、ＭＬモデルをトレーニングことは、図３Ｅに示されているように、各特徴ベクトル（例えば、ＦＶ₁）および対応する方位（例えば、Ｏ₁）を１つずつ入力することを含むことができる。

【0040】

図３Ａに戻り、１つまたは複数のトレーニング済みＭＬモデルは、サーバ２１５からＢＳ２０５に伝達され得る（３２５）（例えば、メッセージまたは信号）。サーバ２１５は、トレーニング済みＭＬモデルを格納することができる（３３０）。代替の（または追加の）実装では、サーバ２１５は、トレーニング済みＭＬモデルを格納することができる。この実装では、サーバ２１５は、ＢＳ２０５からのトレーニング済みＭＬモデルの要求に応答して、トレーニング済みＭＬモデル（例えば、一度に１つのモデル）をＢＳ２０５に伝達することができる。この要求は、ＵＥ２１０および／またはＵＥ２１０のハードウェア（例えば、センサ）に関する情報を含むことができる。格納されたＭＬモデルは、２つ以上のＵＥがＭＬモデルの検索によってＭＬモデルを使用することができるように、ＵＥ２１０および／またはＵＥ２１０のハードウェアに関連して格納され得る。

【0041】

ＵＥ２１０は、ＭＬモデルの要求をＢＳ２０５に伝達する（３３５）（例えば、メッセージまたは信号）。この要求は、情報（例えば、モデルの種類、センサの種類、および／または同様のもの）を含むことができる。ＢＳ２０５は、要求されたＭＬモデルを（例えば、格納されたＭＬモデルから）取得し、このＭＬモデルをＵＥ２１０に伝達する（３４０）（例えば、メッセージまたは信号）。次に、ＵＥ２１０は、ＭＬモデルを展開する（３４５）。言い換えると、ＵＥ２１０は、ＭＬモデルを使用してＵＥ２１０の方位を決定する。トレーニング済みＭＬモデルを使用して方位を決定することは、図３Ｆに示されているように、ＭＬモデルをトレーニングするために使用された各特徴（例えば、Ｆ₁、Ｆ₂、Ｆ₃、Ｆ₄、Ｆ₅、．．．Ｆ_n）を使用することを含むことができる。図４～６は、ＢＳ２０５、ＵＥ２１０、およびサーバ２１５の動作をさらに詳細に説明している。

【0042】

図４は、実施形態例に従う、基地局を操作する方法を示すフロー図である。図４に示されているように、ステップＳ４０５で、特徴ベクトルが受信される。例えば、ＢＳ２０５によって、特徴ベクトルおよび対応する方位がＵＥ２１０から受信される。特徴ベクトルは、（展開された場合に）トレーニング済みＭＬモデルによって使用され得る情報を含んでいるベクトルであることができる。ＵＥ２１０は、収集されたデータを、トレーニングの目的でＢＳ２０５に送信するべきである。したがって、データの内容は、あらかじめ決定される（例えば、事前に決定される）べきである。

【0043】

特徴ベクトルは、ＡｏＡ、ＡｏＤ、ＲＳＴＤ、基準信号受信電力（ＲＳＲＰ）、信号対干渉ノイズ比（ＳＩＮＲ）、および／または同様の測定結果を含んでよい。測定結果は、例えば、Ｌ１－ＲＳＲＰを取得するために、時間ウィンドウにわたってＲＳＲＰ測定結果を平均化して、フィルタリングされてよい。例えば、ＵＥ２１０は、これらの特徴を定期的に測定することができ、例えば、最大で４つまでの最も強いビームをＢＳ２０５に報告する。この報告は、（使用可能な場合）選択されたＵＥパネルおよびＲｘ／ＴｘビームＩＤをさらに含んでよい。加えて、特徴ベクトルは、センサの一定のバイアスを、それらを学習して補正するために、含むことができる。特徴ベクトルの別の要素は、ＵＥの位置情報であることができる。位置は、位置情報を考慮するＭＬモデル、および位置情報と特徴ベクトルの他の要素の間の可能性のある相関関係を構築するのに役立つことができる。

【0044】

ステップＳ４１０で、特徴ベクトルがデータセットとして格納される。例えば、ＢＳ２０５は、データセット（例えば、データ構造）として構造化された少なくとも１つの特徴ベクトルおよび対応する方位を、ＢＳ２０５のメモリに格納することができる。ステップＳ４１５で、データセットが伝達される。例えば、ＢＳ２０５は、データセットをサーバ２１５に伝達することができる。

【0045】

ステップＳ４２０で、トレーニング済みＭＬモデルの要求が受信される。例えば、ＵＥ２１０が、トレーニング済みＭＬモデルを要求することができる。ＵＥ２１０は、例えば、方位測定に関連するセンサが故障したため、および／またはＵＥ２１０が電力節約モードをトリガーするために、このモデルを要求してよい。この要求は、ＵＥ２１０の情報（例えば、モデル、ハードウェア、および／または同様のもの）を含むことができる。代替の（または追加の）実装では、ＵＥ２１０からのトレーニング済みＭＬモデルの要求なしで（例えば、ステップＳ４２０なしで）、ＢＳ２０５が、ＭＬモデルがＵＥ２１０に伝達されることを引き起こすことができる。例えば、サーバ２１５で、非常に正確なトレーニング済みＭＬモデルが構築され、かつ／または使用可能である、と仮定する。ＢＳ２０５は、例えば、ＵＥ２１０の動作電力を減らすために（または減らすのに役立つように）、このトレーニング済みＭＬモデルの転送プロセスを開始してよい。

【0046】

ステップＳ４２５で、トレーニング済みＭＬモデルが要求される。例えば、ＢＳ２０５は、ＢＳ２０５および／またはサーバ２１５のメモリに対してトレーニング済みＭＬモデルを要求することができる。この要求に応答して、ステップＳ４３０で、トレーニング済みＭＬモデルが受信される。例えば、トレーニング済みＭＬモデルは、ＢＳ２０５および／またはサーバ２１５のメモリのうちの１つから（例えば、メッセージまたは信号として）受信され得る。ステップＳ４３５で、トレーニング済みＭＬモデルが伝達される。例えば、トレーニング済みＭＬモデルは、ＢＳ２０５から、トレーニング済みＭＬモデルを要求したＵＥ２１０に（例えば、メッセージまたは信号として）伝達され得る。

【0047】

図５は、実施形態例に従う、ユーザ機器を操作する方法を示すフロー図である。図５に示されているように、ステップＳ５０５で、特徴が測定される。例えば、ＵＥ２１０は、（展開された場合に）トレーニング済みＭＬモデルによって使用され得る情報に対応する（例えば、３ＧＰＰ（またはＲＡＴ）のパラメータまたは特性の）測定を行うことができる。収集された情報は、トレーニングの目的であることができる。したがって、データの内容は、あらかじめ決定される（例えば、事前に決定される）べきである。

【0048】

ステップＳ５１０で、特徴ベクトルが生成される。例えば、特徴ベクトルは、測定された特徴に基づいて生成され得る。特徴ベクトルは、ＡｏＡ、ＡｏＤ、ＲＳＴＤ、ＲＳＲＰ、ＳＩＮＲ、および／または同様の測定結果を含んでよい。測定結果は、例えば、Ｌ１－ＲＳＲＰを取得するために、時間ウィンドウにわたってＲＳＲＰ測定結果を平均化して、フィルタリングされてよい。例えば、ＵＥ２１０は、これらの特徴を定期的に測定することができ、例えば、最大で４つまでの最も強いビームをＢＳ２０５に報告する。この報告は、（使用可能な場合）選択されたＵＥパネルおよびＲｘ／ＴｘビームＩＤをさらに含んでよい。加えて、特徴ベクトルは、センサの一定のバイアスを、それらを学習して補正するために、含むことができる。特徴ベクトルの別の要素は、ＵＥの位置情報であることができる。位置は、位置情報を考慮するＭＬモデル、および位置情報と特徴ベクトルの他の要素の間の可能性のある相関関係を構築するのに役立つことができる。

【0049】

ステップＳ５１５で、特徴ベクトルが伝達される。例えば、ＵＥ２１０は、特徴ベクトルを（例えば、メッセージまたは信号として）ＢＳ２０５に伝達することができる。例示的な実装では、ＵＥ２１０は、規則的な（例えば、時間に基づく）間隔で、特徴ベクトルをＢＳ２０５に伝達することができる（例えば、図３Ｂの時間間隔３５０を参照）。

【0050】

ステップＳ５２０で、ＭＬモデルが要求される。例えば、ＵＥ２１０は、トレーニング済みＭＬモデルの要求を（例えば、メッセージまたは信号として）ＢＳ２０５に伝達することができる。ＵＥ２１０は、例えば、方位測定に関連するセンサが故障したため、および／またはＵＥ２１０が電力節約モードをトリガーするために、このモデルを要求してよい。この要求は、ＵＥ２１０の情報（例えば、モデル、ハードウェア、および／または同様のもの）を含むことができる。代替の（または追加の）実装では、ＵＥ２１０からのトレーニング済みＭＬモデルの要求なしで（例えば、ステップＳ４２０なしで）、ＢＳ２０５が、ＭＬモデルがＵＥ２１０に伝達されることを引き起こすことができる。例えば、サーバ２１５で、非常に正確なトレーニング済みＭＬモデルが構築され、かつ／または使用可能である、と仮定する。ＢＳ２０５は、例えば、ＵＥ２１０の動作電力を減らすために、このトレーニング済みＭＬモデルの転送プロセスを開始してよい。

【0051】

ステップＳ５２５で、ＭＬモデルが受信される。例えば、要求に応答して、トレーニング済みＭＬモデルが、ＢＳ２０５からＵＥ２１０に（例えば、メッセージまたは信号として）伝達され得る。代替の（または追加の）実装では、ＵＥ２１０からのトレーニング済みＭＬモデルの要求なしで（例えば、ステップＳ５２０なしで）、ＢＳ２０５が、ＭＬモデルがＵＥ２１０に伝達されることを引き起こすことができる。例えば、サーバ２１５で、非常に正確なトレーニング済みＭＬモデルが構築され、かつ／または使用可能である、と仮定する。ＢＳ２０５は、例えば、ＵＥ２１０の動作電力を減らすために、このトレーニング済みＭＬモデルの転送プロセスを開始してよい。

【0052】

ステップＳ５３０で、ＭＬモデルを使用してＵＥの方位が決定される。例えば、トレーニング済みＭＬモデルは、ＵＥ２１０に展開され得る。この展開は、デバイスのソフトウェアアーキテクチャに応じて、複数の方法で実行されてよい。通常、ＭＬモデルの展開は、トレーニング済みＭＬモデルファイルを読み取ることを含むことができる。トレーニング済みＭＬモデルファイルは、他のデータ構造形式に変換されて転送され、さまざまなプログラミング環境に展開され得る。例えば、トレーニング済みＭＬモデルは、ＴｅｎｓｏｒＦｌｏｗモデルのクラス（例えば、ＴｅｎｓｏｒＦｌｏｗのｓｅｑｕｅｎｔｉａｌクラス）のｓａｖｅメソッドを使用して、Ｐｙｔｈｏｎで保存され得る。一方、トレーニング済みＭＬモデルの展開は、同じクラスのｌｏａｄメソッドを使用して実行され得る。トレーニング済みＭＬモデルが読み込まれた後に、トレーニング済みＭＬモデルは、例えば、トレーニング済みＭＬモデルのｐｒｅｄｉｃｔ（例えば、ｐｒｅｄｉｃｔｏｒｉｅｎｔａｔｉｏｎ）メソッドを呼び出すことによって、入力を出力にマッピングする機能として使用され得る。

【0053】

例示的な実装では、ＵＥ２１０は、規則的な（例えば、時間に基づく）間隔で、方位を決定することができる（例えば、図３Ｂの時間間隔３５５を参照）。ＵＥ２１０は、任意の特定の瞬間に特徴ベクトルを使用することによって、方位を検出するためにトレーニング済みＭＬモデルを使用することを開始する。特徴ベクトルは、トレーニングにおいて使用されたベクトルと同じ形式を有することができる。ＢＳ２０５からＵＥ２１０に転送されるモデル情報には、特徴ベクトルの前処理方法が含まれ得る。

【0054】

図６は、実施形態例に従う、ネットワークデバイスを操作する方法を示すフロー図である。図６に示されているように、ステップＳ６０５で、特徴ベクトルのデータセットが受信される。例えば、特徴ベクトルを含んでいるデータセットがＢＳ２０５から受信され得る。特徴ベクトルは、（展開された場合に）トレーニング済みＭＬモデルによって使用され得る情報に対応することができる。データセットは、特徴ベクトルに関連付けられた方位情報を含むことができる。特徴ベクトルは、ＡｏＡ、ＡｏＤ、ＲＳＴＤ、ＲＳＲＰ、ＳＩＮＲ、および／または同様の測定結果を含んでよい。測定結果は、例えば、Ｌ１－ＲＳＲＰを取得するために、時間ウィンドウにわたってＲＳＲＰ測定結果を平均化して、フィルタリングされてよい。特徴ベクトルは、ＲＳＲＰ測定結果、サービングＭＴパネル、サービングＲｘビーム、サービングＴｘビーム、およびＵＥの方位のうちの少なくとも１つに関連付けられた情報を含む。例えば、ＵＥ２１０は、これらの特徴を定期的に測定することができ、例えば、最大で４つまでの最も強いビームをＢＳ２０５に報告する。この報告は、（使用可能な場合）選択されたＵＥパネルおよびＲｘ／ＴｘビームＩＤをさらに含んでよい。加えて、特徴ベクトルは、センサの一定のバイアスを、それらを学習して補正するために、含むことができる。特徴ベクトルの別の要素は、ＵＥの位置情報であることができる。位置は、位置情報を考慮するＭＬモデル、および位置情報と特徴ベクトルの他の要素の間の可能性のある相関関係を構築するのに役立つことができる。

【0055】

ステップＳ６１０で、ＭＬモデルが選択される。例えば、ＭＬモデルは、ＵＥ２１０の種類（例えば、製造業者、モデル番号）および／またはＵＥ２１０に取り付けられているセンサの種類（例えば、ジャイロスコープ）のうちの少なくとも１つに基づいて選択され得る。データセットは、ＵＥ２１０に関連付けられた情報を含むことができる。代替または追加として、ＢＳは、（サーバ２１５に対して）選択されるＭＬモデルおよび／またはＵＥ２１０に関連付けられた情報を識別することができる。言い換えると、ＢＳ２０５が、トレーニングされるＭＬモデルを決定することができ、かつ／またはサーバ２１５が、トレーニングされるＭＬモデルを決定することができる。

【0056】

ステップＳ６１５で、データセットを使用してＭＬモデルがトレーニングされる。例えば、ネットワークデバイスは、データセットに含まれている特徴ベクトルおよび関連付けられた方位に基づいて（例えば、これらを入力として使用して）ＭＬモデルをトレーニングすることができる。例示的な実装では、センサを使用して、かつ／または（例えば、データセットに含まれている）３ＧＰＰに基づく測定結果を使用して決定されたＵＥ２１０の方位である目標方位は、学習プロセスにおいてラベルとして使用され得る（例えば、ＭＬモデルの出力が、ラベルまたはグランドトゥルースである実際の値と比較される）。サーバ２１５は、例えば、ＢＳのハンドオーバのために、トレーニングプロセスを実行することができる。その結果、ＭＬのトレーニングが完了するために、１つのＢＳから別のＢＳに不完全なトレーニングプロセスを転送する必要がない。したがって、トレーニングは、トレーニングが可能性のあるハンドオーバによる影響を受けないように、集中型の実体において実行することができる。トレーニングが実行された後に、ＭＬモデルは、サーバ２１５および／またはＢＳ２０５に格納され、ＵＥ２１０からの要求時に転送され得る。

【0057】

ステップＳ６２０で、トレーニング済みＭＬモデルの要求が受信される。例えば、サーバ２１５は、トレーニング済みＭＬモデルの要求を含んでいる通信を（例えば、メッセージまたは信号として）ＢＳ２０５から受信することができる。ＢＳ２０５は、ＵＥ２１０からのトレーニング済みＭＬの要求に応答して、要求を伝達することができる。ＵＥ２１０は、トレーニング済みＭＬモデルの要求を（例えば、メッセージまたは信号として）ＢＳ２０５に伝達することができる。ＵＥ２１０は、例えば、方位測定に関連するセンサが故障したため、および／またはＵＥ２１０が電力節約モードをトリガーするために、このモデルを要求してよい。この要求は、ＵＥ２１０の情報（例えば、モデル、ハードウェア、および／または同様のもの）を含むことができる。代替の（または追加の）実装では、ＵＥ２１０からのトレーニング済みＭＬモデルの要求なしで、ＢＳ２０５が、ＭＬモデルがＵＥ２１０に伝達されることを引き起こすことができる。例えば、サーバ２１５で、非常に正確なトレーニング済みＭＬモデルが構築され、かつ／または使用可能である、と仮定する。ＢＳ２０５は、例えば、ＵＥ２１０の動作電力を減らすために、このトレーニング済みＭＬモデルの転送プロセスを開始してよい。

【0058】

ステップＳ６２５で、トレーニング済みＭＬモデルが伝達される。例えば、要求に応答して、トレーニング済みＭＬモデルが、サーバ２１５からＢＳ２０５に（例えば、メッセージまたは信号として）伝達され得る。代替の（または追加の）実装では、ＵＥ２１０からのトレーニング済みＭＬモデルの要求なしで、ＢＳ２０５が、サーバ２１５に対してトレーニング済みモデルを要求し、トレーニング済みＭＬモデルがＵＥ２１０に伝達されることを引き起こすことができる。例えば、サーバ２１５で、非常に正確なトレーニング済みＭＬモデルが構築され、かつ／または使用可能である、と仮定する。ＢＳ２０５は、例えば、ＵＥ２１０の動作電力を減らすために、このトレーニング済みＭＬモデルの転送プロセスを開始してよい。

【0059】

例示的な実装は、ＭＬモデルの評価および転送を開始するための３つのモードを含んでいるとして説明され得る。第１のモード（ＵＥのセンサの故障）では、ＵＥ２１０は、センサの故障に関してＢＳ２０５に知らせるためのメカニズムを有することができる。このモードでは、ＵＥ２１０は、ＭＬモデルの転送プロセスをトリガーすることができる。１つの状況では、ＵＥ２１０は、定期的なセンサ情報の更新をＢＳ２０５に伝達することができる。別の状況では、ＵＥ２１０は、センサが故障した場合にのみ、メッセージをＢＳ２０５に伝達することができる。第２のモード（ＵＥが電力節約モードをトリガーする）では、センサが適切に動作している場合でも、ＵＥは、内部センサの動作を停止することによって、電力節約モードを開始し、方位推定のためのＭＬモードを展開してよい。第３のモード（非常に正確なＭＬモデルが使用可能）では、サーバ２１５で、非常に正確なＭＬモデルが構築され、かつ／または使用可能であることができる。ＢＳ２０５は、ＵＥの動作電力を節約するために、ＭＬモデルの転送プロセスを開始してよい。

【0060】

（ＵＥによってトリガーされる）第１のモードおよび第２のモードでは、例示的な実装は、ＭＬモデルをＵＥに転送するために、以下の手順を含むことができる（注釈として、この手順は、図３Ａ～５に関して上で大まかに、または詳細に説明されている）。ＵＥ２１０は、ＭＬモデルの可用性の要求を送信する。ＵＥ２１０は、デバイスの種類およびセンサの種類などの情報をＢＳ２０５に送信することができる。ＢＳ２０５は、トレーニング済みＭＬモデルを選択し、サーバ２１５で使用できるテストデータセットに基づいて、このモデルの精度を評価する。ＭＬモデルは、ＴｅｎｓｏｒＦｌｏｗなどのフレームワークによってトレーニングされているニューラルネットワークであることができる。異なるニューラルネットワークアーキテクチャおよびハイパーパラメータを有するさまざまなＭＬモデルが、異なるデータセットに対してトレーニングされている可能性がある。例えば、ＴｅｎｓｏｒＦｌｏｗにおけるモデルの性能のテストは、ＴｅｎｓｏｒＦｌｏｗのｔｆ．ｋｅｒａｓ．ｅｖａｌｕａｔｅメソッドを使用して実行され得る。

【0061】

ＭＬモデルの選択は、デバイスモデルに基づくか、またはセンサモデルに基づくことができる。トレーニング済みＭＬモデルが選択された後に、テストデータセットを使用して評価が実行され得る。このようなＭＬタスクの場合、通常、使用される指標はＭＳＥである。モデルの精度に基づいて、ＢＳ２０５は、次のアクションのうちの１つを実行する。ＭＬモデルが十分に正確である－ＢＳ２０５は、モデルの転送に関してＵＥ２１０に知らせる。ＭＬモデルが十分に正確でない－ＢＳ２０５は、ＵＥ２１０に情報を提供し、プロセスを終了する。

【0062】

モデルが十分に正確である場合、ＢＳ２０５は、トレーニング済みＭＬモデルの転送をトリガーし、ＵＥ２１０は、トレーニング済みＭＬモデルを受信し、受信されたトレーニング済みＭＬモデルを展開する。この展開は、デバイスのソフトウェアアーキテクチャに応じて、複数の方法で実行されてよい。例えば、トレーニング済みＭＬモデルの展開は、（例えば、．ｈ５形式で）トレーニング済みＭＬモデルファイルを読み取ることを含むことができる。このトレーニング済みＭＬモデルファイルは、他のデータ構造形式に変換されて転送され、さまざまなプログラミング環境に展開されることも可能である。例えば、トレーニング済みＭＬモデルは、ＴｅｎｓｏｒＦｌｏｗのＫｅｒａｓモデルのクラス（例えば、ＴｅｎｓｏｒＦｌｏｗのＳｅｑｕｅｎｔｉａｌクラス）のｓａｖｅメソッドを使用することによって、Ｐｙｔｈｏｎで保存される。一方、トレーニング済みＭＬモデルの展開は、同じクラスのｌｏａｄメソッドを使用して実行され得る。トレーニング済みＭＬモデルが読み込まれた後に、トレーニング済みＭＬモデルは、トレーニング済みＭＬモデルのｐｒｅｄｉｃｔメソッドを呼び出すことによって、入力を出力にマッピングする機能として使用され得る。

【0063】

（ＢＳによってトリガーされる）第３のモードでは、例示的な実装は、ＭＬモデルをＵＥに転送するために、以下の手順を含むことができる（注釈として、この手順は、図３Ａ～５に関して上で大まかに、または詳細に説明されている）。ＢＳ２０５は、方位のための非常に正確なトレーニング済みＭＬモデルの可用性を知らせることができる。これによって、ＢＳ２０５が、ＵＥ／センサのトレーニング済みＭＬモデル、およびモデルをトレーニングしてテストするために使用されるデータセットを有していることを示す。ＵＥ２１０のＡＣＫに応答して、ＢＳ２０５は、トレーニング済みＭＬモデルの転送をトリガーする。

【0064】

ＵＥ２１０は、トレーニング済みＭＬモデルを受信することができ、受信されたトレーニング済みＭＬモデルを展開する。この展開は、デバイスのソフトウェアアーキテクチャに応じて、複数の方法で実行されてよい。例えば、トレーニング済みＭＬモデルの展開は、（例えば、．ｈ５形式で）トレーニング済みＭＬモデルファイルを読み取ることを含むことができる。このトレーニング済みＭＬモデルファイルは、他のデータ構造形式に変換されて転送され、さまざまなプログラミング環境に展開されることも可能である。例えば、トレーニング済みＭＬモデルは、ＴｅｎｓｏｒＦｌｏｗのＫｅｒａｓモデルのクラス（例えば、ＴｅｎｓｏｒＦｌｏｗのＳｅｑｕｅｎｔｉａｌクラス）のｓａｖｅメソッドを使用することによって、Ｐｙｔｈｏｎで保存される。一方、トレーニング済みＭＬモデルの展開は、同じクラスのｌｏａｄメソッドを使用して実行され得る。トレーニング済みＭＬモデルが読み込まれた後に、トレーニング済みＭＬモデルは、例えば、トレーニング済みＭＬモデルのｐｒｅｄｉｃｔメソッドを呼び出すことによって、入力を出力にマッピングする機能として使用され得る。

【0065】

トレーニング（例えば、方位予測要素をトレーニングすること）は、例えば、教師ありトレーニングおよび教師なしトレーニングを含むことができる。教師ありトレーニングは、予測因子（独立変数）の特定のセットから予測される目標変数／結果変数（例えば、ラベル、グランドトゥルース、または従属変数）を含む。変数のこれらのセットを使用して、入力を望ましい出力にマッピングすることができる機能が生成される。トレーニングプロセスは、モデルがトレーニングデータに基づいて望ましいレベルの精度を達成するまで続く。教師なしトレーニングは、ラベル付きの応答なしで、入力データから成るデータセットから推測結果を導くための、機械学習アルゴリズムの使用を含む。他の種類のトレーニング（例えば、ハイブリッドおよび強化）が使用されることも可能である。

【0066】

ＭＬモデルのトレーニングは、望ましいレベルの精度に達するまで続くことができる。精度のレベルの決定は、損失関数を使用することを含むことができる。例えば、損失関数は、ヒンジ損失、ロジスティック損失、負の対数尤度などを含むことができる。損失関数は、ＭＬモデルトレーニングの十分なレベルの精度に達したことを示すように最小化され得る。正則化が使用されることも可能である。正則化は、過学習を防ぐことができる。重みおよび／または重みの変化を十分に小さくし、（例えば、終わりのない）トレーニングをトレーニングすることを防ぐことによって、過学習が防がれ得る。

【0067】

【0068】

一部の例示的な利点は次のとおりである。

【0069】

（実施例１）
図７は、ネットワークデバイスまたは基地局（ＢＳ）の動作を示すフローチャートである。動作Ｓ７０５は、基地局（ＢＳ）によって、ユーザ機器（ＵＥ）から、特徴ベクトルを含んでいる通信を受信することを含む。動作Ｓ７１０は、ＢＳによって、ＵＥに関連付けられた１つまたは複数の特徴ベクトルを含んでいるデータセットを格納することを含む。動作Ｓ７１５は、ＢＳによって、ＵＥに関連付けられたデータセットをネットワークデバイスに伝達することを含む。動作Ｓ７２０は、ＢＳによって、ネットワークデバイスから、機械学習（ＭＬ）モデルを受信することを含み、このＭＬモデルは、ＵＥの方位を検出するように、データセットを使用してトレーニングされている。動作Ｓ７２５は、ＢＳによって、トレーニング済みＭＬモデルをＵＥに伝達することを含む。

【0070】

（実施例２）
データセットが、方位に関連付けられたＵＥ情報を含むことができる、実施例１の方法。

【0071】

（実施例３）
特徴ベクトルが、基準信号受信電力（ＲＳＲＰ）測定結果、信号対干渉ノイズ比（ＳＩＮＲ）測定結果、サービング携帯端末（ＭＴ）パネル、サービング受信機（Ｒｘ）ビーム、サービング送信機（Ｔｘ）ビーム、およびＵＥの方位のうちの少なくとも１つに関連付けられた情報を含むことができる、実施例１または実施例２の方法。

【0072】

（実施例４）
特徴ベクトルが、ＢＳへの最も強いビームのＲＳＲＰ、選択されたＵＥパネル、Ｒｘビーム、および各報告されたＲＳＲＰごとのＵＥの方位のうちの少なくとも１つを含むことができる、実施例１～実施例３のいずれかの方法。

【0073】

（実施例５）
ＭＬモデルが、ＲＳＲＰ、選択されたＵＥパネルおよび選択されたＲｘビーム、ならびにサービングＴｘビームのセットを、ＵＥの方位にマッピングする、実施例１～実施例４のいずれかの方法。

【0074】

（実施例６）
ＢＳによって、ＵＥから、ＵＥでのセンサの故障を示す通信を受信することと、ＢＳによって、ＵＥから、トレーニング済みＭＬモデルの要求を含んでいる通信を受信することとをさらに含むことができ、ＢＳによるネットワークデバイスからのトレーニング済みＭＬモデルの受信が、ＵＥからのトレーニング済みモデルの要求の通信に基づいて、ＭＬモデルの要求に応答するものである、実施例１～実施例５のいずれかの方法。

【0075】

（実施例７）
ＵＥから受信された、トレーニング済みＭＬモデルの要求を含んでいる通信が、ＵＥデバイスの種類の情報およびＵＥのセンサの種類の情報を含むことができる、実施例６の方法。

【0076】

（実施例８）
ネットワークデバイスに伝達されるトレーニング済みＭＬモデルの要求が、ＵＥデバイスの種類の情報およびＵＥのセンサの種類の情報を含むことができる、実施例６または実施例７の方法。

【0077】

（実施例９）
ＢＳによって、ＭＬモデルを選択することと、ＢＳによって、テストデータセットに基づいてトレーニング済みＭＬモデルの精度を評価することとをさらに含むことができ、ＢＳによるトレーニング済みＭＬモデルの伝達が、トレーニング済みＭＬモデルが精度基準を満たすということを決定することに応答するものである、実施例１～実施例８のいずれかの方法。

【0078】

（実施例１０）
ＢＳによって、ＵＥから、ＭＬモデルを使用して決定されたＵＥの方位を含んでいる通信を受信することをさらに含むことができる、実施例１～実施例９のいずれかの方法。

【0079】

（実施例１１）
図８は、ユーザ機器の動作を示すフローチャートである。動作Ｓ８０５は、ユーザ機器（ＵＥ）によって、ＵＥ測定結果に基づいて特徴ベクトルを生成することを含む。動作Ｓ８１０は、ＵＥによって、特徴ベクトルを含んでいるメッセージを基地局（ＢＳ）に伝達することを含む。動作Ｓ８１５は、ＵＥによって、ＢＳから、機械学習（ＭＬ）モデルを受信することを含み、このＭＬモデルは、ＵＥの方位を検出するように、特徴ベクトルを使用してトレーニングされている。

【0080】

（実施例１２）
メッセージが、方位に関連付けられたＵＥ情報をさらに含むことができる、実施例１１の方法。

【0081】

（実施例１３）
特徴ベクトルが、基準信号受信電力（ＲＳＲＰ）測定結果、信号対干渉ノイズ比（ＳＩＮＲ）測定結果、サービング携帯端末（ＭＴ）パネル、サービング受信機（Ｒｘ）ビーム、サービング送信機（Ｔｘ）ビーム、およびＵＥの方位のうちの少なくとも１つに関連付けられた情報を含むことができる、実施例１１または実施例１２の方法。

【0082】

（実施例１４）
特徴ベクトルが、ＢＳへの最も強いビームのＲＳＲＰ、選択されたＵＥパネル、Ｒｘビーム、および各報告されたＲＳＲＰごとのＵＥの方位のうちの少なくとも１つを含むことができる、実施例１１～実施例１３のいずれかの方法。

【0083】

（実施例１５）
ＭＬモデルが、ＲＳＲＰ、選択されたＵＥパネルおよび選択されたＲｘビーム、ならびにサービングＴｘビームのセットを、ＵＥの方位にマッピングすることができる、実施例１１～実施例１４のいずれかの方法。

【0084】

（実施例１６）
ＵＥによって、少なくとも１つのセンサの故障を決定することであって、センサが、ＵＥの方位を決定することに関連付けられている、決定することと、ＵＥによって、ＵＥでのセンサの故障を示すメッセージをＢＳに伝達することと、ＵＥによって、トレーニング済みＭＬモデルの要求を含んでいるメッセージをＢＳに伝達することとをさらに含むことができる、実施例１１～実施例１５のいずれかの方法。

【0085】

（実施例１７）
トレーニング済みＭＬモデルの要求を含んでいる通信が、ＵＥデバイスの種類の情報およびＵＥのセンサの種類の情報を含むことができる、実施例１６の方法。

【0086】

（実施例１８）
ＵＥによって、ＭＬモデルを使用して決定されたＵＥの方位を含んでいるメッセージをＢＳに伝達することをさらに含むことができる、実施例１１～実施例１７のいずれかの方法。

【0087】

（実施例１９）
格納された命令を含んでいる非一過性コンピュータ可読ストレージ媒体であって、これらの命令が、少なくとも１つのプロセッサによって実行されたときに、コンピューティングシステムに、実施例１～１８のいずれかの方法を実行させるように構成される、非一過性コンピュータ可読ストレージ媒体。

【0088】

（実施例２０）
実施例１～１８のいずれかの方法を実行するための手段を備えている装置。

【0089】

（実施例２１）
少なくとも１つのプロセッサと、コンピュータプログラムコードを含んでいる少なくとも１つのメモリとを備えている装置であって、少なくとも１つのメモリおよびコンピュータプログラムコードが、少なくとも１つのプロセッサと共に、装置に、実施例１～１８のいずれかの方法を少なくとも実行させるように構成される、装置。

【0090】

【0091】

図９は、実施形態例に従う無線局９００またはワイヤレスノードもしくはネットワークノード９００のブロック図である。ワイヤレスノードまたは無線局またはネットワークノード９００は、実施形態例に従って、例えば、ＡＰ、ＢＳ、ｇＮＢ、ＲＡＮノード、中継ノード、ＵＥまたはユーザデバイス、ネットワークノード、ネットワーク実体、ＤＵ、ＣＵ－ＣＰ、ＣＵ－ＵＰ、．．．あるいは他のノードのうちの１つまたは複数を含んでよい。

【0092】

無線局９００は、例えば、１つまたは複数の（例えば、図９に示されているような２つの）無線周波（ＲＦ：ｒａｄｉｏｆｒｅｑｕｅｎｃｙ）またはワイヤレストランシーバ９０２Ａ、９０２Ｂを含んでよく、各ワイヤレストランシーバは、信号を送信するための送信機および信号を受信するための受信機を含んでいる。無線局は、命令またはソフトウェアを実行し、信号の送信および受信を制御するためのプロセッサまたは制御ユニット／実体（コントローラ）９０４と、データおよび／または命令を格納するためのメモリ９０６とも含んでいる。

【0093】

プロセッサ９０４は、判定または決定を行うことと、送信用のフレーム、パケット、またはメッセージを生成することと、受信されたフレームまたはメッセージをさらに処理するためにデコードすることと、本明細書に記載された他のタスクまたは機能とを実行してもよい。ベースバンドプロセッサであってよいプロセッサ９０４は、ワイヤレストランシーバ９０２（９０２Ａまたは９０２Ｂ）を介して送信するために、例えば、メッセージ、パケット、フレーム、または他の信号を生成してよい。プロセッサ９０４は、ワイヤレスネットワークを経由する信号またはメッセージの送信を制御してよく、ワイヤレスネットワークを介する（例えば、ワイヤレストランシーバ９０２によってダウンコンバートされた後の）信号またはメッセージなどの受信を制御してよい。プロセッサ９０４は、前述のタスクまたは方法のうちの１つまたは複数などの、前述のさまざまなタスクおよび機能を実行するために、プログラム可能であってよく、メモリまたは他のコンピュータ媒体に格納されたソフトウェアまたは他の命令を実行することができてよい。プロセッサ９０４は、例えば、ハードウェア、プログラマブルロジック、ソフトウェアもしくはファームウェアを実行するプログラマブルプロセッサ、および／またはこれらの任意の組み合わせであってよい（または、これらを含んでよい）。他の用語を使用すると、プロセッサ９０４およびトランシーバ９０２は、例えば、共にワイヤレス送信機／受信機システムと見なされてよい。

【0094】

加えて、図９を参照すると、コントローラ（またはプロセッサ）９０８は、ソフトウェアおよび命令を実行してよく、無線局９００の全体的制御を行ってよく、入出力デバイス（例えば、ディスプレイ、キーパッド）を制御することなどの、図９に示されていない他のシステムの制御を行ってよく、かつ／あるいは例えば、電子メールプログラム、音声／ビデオアプリケーション、ワードプロセッサ、ボイスオーバーＩＰアプリケーション、または他のアプリケーションもしくはソフトウェアなどの、無線局９００上で提供され得る１つまたは複数のアプリケーション用のソフトウェアを実行してよい。

【0095】

加えて、格納された命令を含んでいるストレージ媒体が提供されてよく、これらの命令は、コントローラまたはプロセッサによって実行されたときに、プロセッサ９０４または他のコントローラもしくはプロセッサが、前述の機能またはタスクのうちの１つまたは複数を実行することを引き起こしてよい。

【0096】

別の実施形態例によれば、ＲＦまたはワイヤレストランシーバ９０２Ａ／９０２Ｂは、信号またはデータを受信してよく、かつ／あるいは信号またはデータを送信してよい。プロセッサ９０４（および場合によっては、トランシーバ９０２Ａ／９０２Ｂ）は、信号またはデータを受信するか、送信するか、またはブロードキャストするように、ＲＦまたはワイヤレストランシーバ９０２Ａもしくは９０２Ｂを制御してよい。

【0097】

しかし実施形態例は、例として与えられたシステムに制限されず、当業者は、解決策を他の通信システムに適用してよい。適切な通信システムの別の例は、５Ｇシステムである。５Ｇにおけるネットワークアーキテクチャは、ＬＴＥ－アドバンスドのネットワークアーキテクチャにかなり似ていると考えられている。５Ｇは、多入力多出力（ＭＩＭＯ：ｍｕｌｔｉｐｌｅｉｎｐｕｔ－ｍｕｌｔｉｐｌｅｏｕｔｐｕｔ）アンテナ、ＬＴＥ（いわゆるスモールセルの概念）よりも多くの基地局またはノードを使用する可能性が高く、より小さい基地局と協力して動作するマクロサイトを含み、おそらく、より良いカバレッジおよび改善されたデータレートのために、さまざまな無線技術も採用する。

【0098】

将来のネットワークが、ネットワーク機能仮想化（ＮＦＶ：ｎｅｔｗｏｒｋｆｕｎｃｔｉｏｎｓｖｉｒｔｕａｌｉｚａｔｉｏｎ）を利用する可能性が高いということが理解されるべきであり、ネットワーク機能仮想化は、ネットワークノードの機能を、サービスを提供するために操作可能なように接続されるか、または一緒にリンクされ得る「基礎的要素」または実体に仮想化することを提案するネットワークアーキテクチャの概念である。仮想ネットワーク機能（ＶＦＮ：ｖｉｒｔｕａｌｉｚｅｄｎｅｔｗｏｒｋｆｕｎｃｔｉｏｎ）は、カスタマイズされたハードウェアの代わりに、標準的または一般的な種類のサーバを使用してコンピュータプログラムコードを実行する１つまたは複数の仮想マシンを含んでよい。クラウドコンピューティングまたはデータストレージが利用されてもよい。無線通信では、これは、ノードの動作が、リモート無線ヘッドに操作可能なように結合されたサーバ、ホスト、またはノードにおいて少なくとも部分的に実行され得るということを意味してよい。ノードの動作が複数のサーバ、ノード、またはホストの間で分散されることも可能である。コアネットワークの動作と基地局の動作の間での作業の分散が、ＬＴＥの作業の分散とは異なるか、または存在しなくてさえよいということも理解されるべきである。

【0099】

本明細書に記載されたさまざまな技術の実施形態例は、デジタル電子回路において、あるいはコンピュータハードウェア、ファームウェア、ソフトウェア、またはこれらの組み合わせにおいて実装されてよい。実施形態例は、コンピュータプログラム製品として、すなわち、データ処理装置（例えば、プログラマブルプロセッサ、１つのコンピュータ、または複数のコンピュータ）によって実行するため、またはデータ処理装置の動作を制御するために、情報媒体（例えば、機械可読ストレージデバイス）において、または伝搬信号において有形に具現化されたコンピュータプログラムとして、実装されてよい。実施形態は、非一過性の媒体であり得るコンピュータ可読媒体またはコンピュータ可読ストレージ媒体上で提供されてもよい。さまざまな技術の実施形態は、一過性の信号または媒体を介して提供された実施形態、ならびに／あるいはインターネットまたは他のネットワーク（有線ネットワークおよび／またはワイヤレスネットワークのいずれか）を介してダウンロード可能なプログラムおよび／またはソフトウェアの実施形態を含んでもよい。加えて、実施形態は、マシンタイプ通信（ＭＴＣ）を介して提供されてよく、モノのインターネット（ＩＯＴ）を介して提供されてもよい。

【0100】

コンピュータプログラムは、ソースコードの形態、オブジェクトコードの形態、または何らかの中間形態であってよく、プログラムを搬送することができる任意の実体またはデバイスであってよいある種のキャリア、配布媒体、またはコンピュータ可読媒体に格納されてよい。そのようなキャリアは、例えば、記録媒体、コンピュータメモリ、読み取り専用メモリ、光電子および／または電気キャリア信号、電気通信信号、ならびにソフトウェア配布パッケージを含む。必要とされる処理能力に応じて、コンピュータプログラムは、単一の電子デジタルコンピュータにおいて実行されてよく、または複数のコンピュータ間で分散されてよい。

【0101】

さらに、本明細書に記載されたさまざまな技術の実施形態例は、サイバーフィジカルシステム（ＣＰＳ：ｃｙｂｅｒ－ｐｈｙｓｉｃａｌｓｙｓｔｅｍ）（物理的実体を制御する、共同して働く計算要素のシステム）を使用してよい。ＣＰＳは、さまざまな位置で物体に組み込まれた膨大な量の相互接続されたＩＣＴデバイス（センサ、アクチュエータ、プロセッサ、マイクロコントローラなど）の実施形態および利用を可能にし得る。当該の物理システムが特有のモビリティを有するモバイルサイバーフィジカルシステムは、サイバーフィジカルシステムのサブカテゴリである。モバイルフィジカルシステムの例としては、移動ロボット工学、および人間または動物によって運ばれる電子機器が挙げられる。スマートフォンの人気の上昇によって、モバイルサイバーフィジカルシステムの領域への関心が高まった。したがって、これらの技術のうちの１つまたは複数を介して、本明細書に記載された技術のさまざまな実施形態が提供されてよい。

【0102】

前述のコンピュータプログラムなどのコンピュータプログラムは、コンパイラ型言語またはインタープリタ型言語を含む、任意の形態のプログラミング言語で記述されることが可能であり、コンピューティング環境における使用に適したスタンドアロンプログラムとして、あるいはモジュール、コンポーネント、サブルーチン、または他のユニットもしくはその一部としての形態を含む、任意の形態で展開され得る。コンピュータプログラムは、１つのサイトにあるか、または複数のサイトにわたって分散されて、通信ネットワークによって相互接続された、１つのコンピュータ上または複数のコンピュータ上で実行されるように展開され得る。

【0103】

入力データに対して動作し、出力を生成することによって機能を実行するために、コンピュータプログラムまたはコンピュータプログラムの一部を実行している１つまたは複数のプログラマブルプロセッサによって、方法のステップが実行されてよい。例えば、ＦＰＧＡ（ｆｉｅｌｄｐｒｏｇｒａｍｍａｂｌｅｇａｔｅａｒｒａｙ：フィールドプログラマブルゲートアレイ）またはＡＳＩＣ（ａｐｐｌｉｃａｔｉｏｎ－ｓｐｅｃｉｆｉｃｉｎｔｅｇｒａｔｅｄｃｉｒｃｕｉｔ：特定用途向け集積回路）といった専用論理回路によって、方法のステップが実行されてもよく、そのような専用論理回路として装置が実装されてよい。

【0104】

コンピュータプログラムの実行に適したプロセッサの例としては、汎用マイクロプロセッサおよび専用マイクロプロセッサの両方、ならびに任意の種類のデジタルコンピュータ、チップ、またはチップセットのいずれか１つまたは複数のプロセッサが挙げられる。通常、プロセッサは、読み取り専用メモリまたはランダムアクセスメモリあるいはその両方から命令およびデータを受信する。コンピュータの要素は、命令を実行するための少なくとも１つのプロセッサと、命令およびデータを格納するための１つまたは複数のメモリデバイスとを含んでよい。通常、コンピュータは、データを格納するための１つまたは複数のマスストレージデバイス（例えば、磁気ディスク、光磁気ディスク、または光ディスク）を含むか、またはそのようなマスストレージデバイスとの間でデータを受信もしくは転送するように動作可能に結合されるか、あるはその両方であってもよい。コンピュータプログラム命令およびデータを具現化するのに適した情報媒体は、例えば、半導体メモリデバイス（例えば、ＥＰＲＯＭ、ＥＥＰＲＯＭ、およびフラッシュメモリデバイス）、磁気ディスク（例えば、内部ハードディスクまたは取り外し可能なディスク）、光磁気ディスク、ならびにＣＤ－ＲＯＭおよびＤＶＤ－ＲＯＭディスクなどの、あらゆる形態の不揮発性メモリを含む。プロセッサおよびメモリは、専用論理回路によって補完されるか、または専用論理回路に組み込まれてよい。

【0105】

ユーザとの対話を提供するために、実施形態は、情報をユーザに表示するためのディスプレイデバイス、例えば、ブラウン管（ＣＲＴ：ｃａｔｈｏｄｅｒａｙｔｕｂｅ）または液晶ディスプレイ（ＬＣＤ：ｌｉｑｕｉｄｃｒｙｓｔａｌｄｉｓｐｌａｙ）モニタ、ならびにユーザが入力をコンピュータに提供するために使用できるキーボードおよびポインティングデバイス（例えば、マウスまたはトラックボール）などのユーザインターフェイスを含んでいるコンピュータ上で実装されてよい。ユーザとの対話を提供するために、他の種類のデバイスも使用され得る。例えば、ユーザに提供されるフィードバックは、任意の形態の感覚フィードバック（例えば、視覚フィードバック、聴覚フィードバック、または触覚フィードバック）であることができ、ユーザからの入力が、音響入力、音声入力、または触覚入力を含む任意の形態で受信され得る。

【0106】

実施形態例は、例えばデータサーバとしてバックエンドコンポーネントを含んでいるか、または例えばアプリケーションサーバとしてミドルウェアコンポーネントを含んでいるか、またはフロントエンドコンポーネント（例えば、ユーザが実施形態と対話するために使用できるグラフィカルユーザインターフェイスまたはＷｅｂブラウザを含むクライアントコンピュータ）を含んでいるコンピューティングシステム、あるいはそのようなバックエンドコンポーネント、ミドルウェアコンポーネント、またはフロントエンドコンポーネントの任意の組み合わせにおいて、実装されてよい。コンポーネントは、デジタルデータ通信の任意の形態または媒体（例えば、通信ネットワーク）によって相互接続されてよい。通信ネットワークの例としては、ローカルエリアネットワーク（ＬＡＮ：ｌｏｃａｌ－ａｒｅａｎｅｔｗｏｒｋ）および広域ネットワーク（ＷＡＮ：ｗｉｄｅａｒｅａｎｅｔｗｏｒｋ）（例えば、インターネット）が挙げられる。

【0107】

本明細書に記載されているように、説明された実施形態の特定の特徴が例示されたが、ここで当業者は、多くの修正、代替、変更、および同等のものを思い付くであろう。したがって、添付の特許請求の範囲が、さまざまな実施形態の真の思想に含まれるとして、そのような修正および変更をすべて対象にするよう意図されているということが理解されるべきである。

【図1】