一种人工智能AI模型训练方法/装置/设备及存储介质

本公开涉及通信技术领域，尤其涉及人工智能AI模型训练方法/装置/设备及存储介质。

在New Radio(NR，新空口)系统中，引入了基于AI(Artificial Intelligence，人工智能)模型的定位，以提高定位精度。

相关技术中，在利用AI模型实现定位之前，通常需要先对AI模型进行训练。具体的，会先构建数据集，该数据集中包括UE(User Equipment，用户设备)坐标标签以及UE或者网络设备对于参考信号的测量结果，其中，该测量结果可以是冲击响应或者RSRP(Reference Signal Receiving Power，参考信号接收功率)等，之后，将测量结果作为AI模型的输入并基于AI模型的输出和数据集中的UE坐标标签来对AI模型完成训练。

但是，相关技术中，对于AI模型的训练过程一般由网络设备完成，而训练所需数据集中的UE坐标标签对于网络设备来说可能是未知的，且网络设备也无法轻易获得UE的理想的实际坐标，以及，AI模型支持的输入也有可能并非当前NR系统中支持的测量结果(如NR系统中支持的测量结果为冲击响应，而模型支持的输入为RSRP)，并且，目前NR系统中也并未定义AI模型的训练过程的交互流程，因此，亟需一种AI模型训练方法。

发明内容

本公开提出的AI模型训练方法/装置/设备及存储介质，用于对AI模型进行训练。

第一方面，本公开实施例提供一种AI模型训练方法，该方法被网络设备执行，包括：

接收UE上报的UE能力；所述UE能力包括以下至少一种：

第一能力信息，用于指示所述UE支持定位能力；

第二能力信息，用于指示所述UE支持对AI模型输入的获取能力和上报能力；

第三能力信息，用于指示所述UE支持模型训练的能力；

基于所述UE能力对所述UE进行配置，以对所述AI模型进行训练。

本公开中，提供了一种AI模型训练方法，可以用于对AI模型进行训练，以利用训练好的AI模型进行定位，则确保了定位精度。

第二方面，本公开实施例提供一种AI模型训练方法，该方法被UE执行，包括：

向网络设备上报UE能力；所述UE能力包括以下至少一种：

第一能力信息，用于指示所述UE支持定位能力；

第二能力信息，用于指示所述UE支持对AI模型输入的获取能力和上报能力；

第三能力信息，用于指示所述UE支持模型训练的能力；

基于所述网络设备的配置对所述AI模型进行训练。

第三方面，本公开实施例提供一种通信装置，该装置被网络设备中，包括：

收发模块，用于接收UE上报的UE能力；所述UE能力包括以下至少一种：

第一能力信息，用于指示所述UE支持定位能力；

第二能力信息，用于指示所述UE支持对AI模型输入的获取能力和上报能力；

第三能力信息，用于指示所述UE支持模型训练的能力；

处理模块，用于基于所述UE能力对所述UE进行配置，以对所述AI模型进行训练。

第四方面，本公开实施例提供一种通信装置，该装置被配置在UE中，包括：

收发模块，用于向网络设备上报UE能力；所述UE能力包括以下至少一种：

第一能力信息，用于指示所述UE支持定位能力；

第二能力信息，用于指示所述UE支持对AI模型输入的获取能力和上报能力；

第三能力信息，用于指示所述UE支持模型训练的能力；

处理模块，用于基于所述网络设备的配置对所述AI模型进行训练。

第五方面，本公开实施例提供一种通信装置，该通信装置包括处理器，当该处理器调用存储器中的计算机程序时，执行上述第一方面所述的方法。

第六方面，本公开实施例提供一种通信装置，该通信装置包括处理器，当该处理器调用存储器中的计算机程序时，执行上述第二方面所述的方法。

第七方面，本公开实施例提供一种通信装置，该通信装置包括处理器和存储器，该存储器中存储有计算机程序；所述处理器执行该存储器所存储的计算机程序，以使该通信装置执行上述第一方面所述的方法。

第八方面，本公开实施例提供一种通信装置，该通信装置包括处理器和存储器，该存储器中存储有计算机程序；所述处理器执行该存储器所存储的计算机程序，以使该通信装置执行上述第二方面所述的方法。

第九方面，本公开实施例提供一种通信装置，该装置包括处理器和接口电路，该接口电路用于接收代码指令并传输至该处理器，该处理器用于运行所述代码指令以使该装置执行上述第一方面所述的方法。

第十方面，本公开实施例提供一种通信装置，该装置包括处理器和接口电路，该接口电路用于接收代码指令并传输至该处理器，该处理器用于运行所述代码指令以使该装置执行上述第二方面所述的方法。

第十一方面，本公开实施例提供一种通信系统，该系统包括第三方面所述的通信装置至第四方面所述的通信装置，或者，该系统包括第五方面所述的通信装置至第六方面所述的通信装置，或者，该系统包括第七方面所述的通信装置至第八方面所述的通信装置，或者，该系统包括第十方面所述的通信装置至第十一方面所述的通信装置。

第十二方面，本发明实施例提供一种计算机可读存储介质，用于储存为上述网络设备所用的指令，当所述指令被执行时，使所述终端设备执行上述第一方面至第二方面的任一方面所述的方法。

第十三方面，本公开还提供一种包括计算机程序的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面至第二方面的任一方面所述的方法。

第十四方面，本公开提供一种芯片系统，该芯片系统包括至少一个处理器和接口，用于支持网络设备实现第一方面至第二方面的任一方面所述的方法所涉及的功能，例如，确定或处理上述方法中所涉及的数据和信息中的至少一种。在一种可能的设计中，所述芯片系统还包括存储器，所述存储器，用于保存源辅节点必要的计算机程序和数据。该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。

第十五方面，本公开提供一种计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面至第二方面的任一方面所述的方法。

本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本公开实施例提供的一种通信系统的架构示意图；

图2为本公开另一个实施例所提供的AI模型训练方法的流程示意图；

图3为本公开再一个实施例所提供的AI模型训练方法的流程示意图；

图4为本公开又一个实施例所提供的AI模型训练方法的流程示意图；

图5a为本公开另一个实施例所提供的AI模型训练方法的流程示意图；

图5b为本公开另一个实施例所提供的AI模型训练方法的流程示意图；

图6为本公开再一个实施例所提供的AI模型训练方法的流程示意图；

图7为本公开又一个实施例所提供的AI模型训练方法的流程示意图；

图8为本公开一个实施例所提供的AI模型训练方法的流程示意图；

图9a为本公开另一个实施例所提供的AI模型训练方法的流程示意图；

图9b为本公开另一个实施例所提供的AI模型训练方法的流程示意图；

图10为本公开一个实施例所提供的通信装置的结构示意图；

图11为本公开另一个实施例所提供的通信装置的结构示意图；

图12是本公开一个实施例所提供的一种用户设备的框图；

图13为本公开一个实施例所提供的一种网络侧设备的框图。

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开实施例的一些方面相一致的装置和方法的例子。

在本公开实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开实施例。在本公开实施例和所附权利要求书中所使用的单数形式的“一种”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”及“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。

下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的要素。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。

为了便于理解，首先介绍本申请涉及的术语。

1、人工智能(Artificial Intelligence，AI)

AI是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

2、第五代移动通信技术(5th generation mobile networks，5G)

5G是具有高速率、低时延和大连接特点的新一代宽带移动通信技术，是实现人机物互联的网络基础设施。

3、PRU(Positioning reference unit，定位参考单元)终端

PRU终端是可以获取到自身位置坐标信息的一类终端。

为了更好的理解本公开实施例公开的一种AI模型训练方法，下面首先对本公开实施例适用的通信系统进行描述。

请参见图1，图1为本公开实施例提供的一种通信系统的架构示意图。该通信系统可包括但不限于一个网络设备和一个终端设备，图1所示的设备数量和形态仅用于举例并不构成对本公开实施例的限定，实际应用中可以包括两个或两个以上的网络设备，两个或两个以上的终端设备。图1所示的通信系统以包括一个网络设备11、一个终端设备12为例。

需要说明的是，本公开实施例的技术方案可以应用于各种通信系统。例如：长期演进(long term evolution，LTE)系统、第五代(5th generation，5G)移动通信系统、5G新空口(new radio，NR)系统，或者其他未来的新型移动通信系统等。

本公开实施例中的网络设备11是网络侧的一种用于发射或接收信号的实体。例如，网络设备11可以为演进型基站(evolved NodeB，eNB)、发送接收点(transmission reception point，TRP)、NR系统中的下一代基站(next generation NodeB，gNB)、其他未来移动通信系统中的基站或无线保真(wireless fidelity，WiFi)系统中的接入节点等。本公开的实施例对网络设备所采用的具体技术和具体设备形态不做限定。本公开实施例提供的网络设备可以是由集中单元(central unit，CU)与分布式单元(distributed unit，DU)组成的，其中，CU也可以称为控制单元(control unit)，采用CU-DU的结构可以将网络设备，例如基站的协议层拆分开，部分协议层的功能放在CU集中控制，剩下部分或全部协议层的功能分布在DU中，由CU集中控制DU。

本公开实施例中的终端设备12是用户侧的一种用于接收或发射信号的实体，如手机。终端设备也可以称为终端设备(terminal)、用户设备(user equipment，UE)、移动台(mobile station，MS)、移动终端设备(mobile terminal，MT)等。终端设备可以是具备通信功能的汽车、智能汽车、手机(mobile phone)、穿戴式设备、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(virtual reality，VR)终端设备、增强现实(augmented reality，AR)终端设备、工业控制(industrial control)中的无线终端设备、无人驾驶(self-driving)中的无线终端设备、远程手术(remote medical surgery)中的无线终端设备、智能电网(smart grid)中的无线终端设备、运输安全(transportation safety)中的无线终端设备、智慧城市(smart city)中的无线终端设备、智慧家庭(smart home)中的无线终端设备等等。本公开的实施例对终端设备所采用的具体技术和具体设备形态不做限定。

可以理解的是，本公开实施例描述的通信系统是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域普通技术人员可知，随着系统架构的演变和新业务场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。

下面参考附图对本公开实施例所提供的AI模型训练方法/装置/设备及存储介质进行详细描述。

图2为本公开实施例所提供的一种AI模型训练方法的流程示意图，该AI模型用于输出UE的定位位置，该方法由网络设备执行，如图2所示，该AI模型训练方法可以包括以下步骤：

步骤201、接收UE上报的UE能力。

在本公开的一个实施例之中，上述的UE能力可以包括以下至少一种：

第一能力信息，用于指示UE支持定位能力；

第二能力信息，用于指示UE支持对AI模型输入的获取能力和上报能力；

第三能力信息，用于指示UE支持模型训练的能力。

进一步地，在本公开的一个实施例之中，上述的第一能力信息可以包括以下至少一种：

指示UE为PRU的指示信息；

该UE支持的非蜂窝网的定位能力。其中，该非蜂窝网的定位能力可以包括GNSS(Global Navigation Satellite System，全球导航卫星系统)定位、WiFi(无线)定位、蓝牙定位中的至少一种。

以及，在本公开的一个实施例之中，上述的AI模型输入可以包括测量信号(如PRS(Position Reference Signal，定位参考信号))的测量结果(该测量结果例如可以为冲击响应和/或RSRP)，以及，该第二能力信息可以包括以下至少一种：

UE支持获取的测量结果(如UE支持提取出测量信号的冲击响应或者RSRP)；

UE支持上报的测量结果(如UE支持上报测量信号的冲击响应或者RSRP)。

步骤202、基于UE能力对UE进行配置，以对AI模型进行训练。

具体的，在本公开的一个实施例之中，网络设备主要是基于UE上报的UE能力中所包括的能力信息来进行配置的，其中，当UE能力中所包括的能力信息不同时，网络设备的配置方式也会有所不同。关于该部分内容会在后续实施例进行详细介绍。

综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。

图3为本公开实施例所提供的一种AI模型训练方法的流程示意图，该方法由网络设备执行，如图3所示，该AI模型训练方法可以包括以下步骤：

步骤301、接收UE上报的UE能力，该UE能力中包括第一能力信息。

其中，当UE能力中包括第一能力信息时，则说明该UE支持定位能力，也即是该UE可以精准获取到其定位位置，此时可以通过执行后续步骤302-305来实现对AI模型的训练。

步骤302、向UE发送第一配置信息，该第一配置信息用于配置UE发送PRS。

在本公开的一个实施例之中，当UE支持定位能力时，该UE可能不支持测量PRS，也即是UE可能无法获取到测量结果，基于此，网络设备可以配置UE发送PRS，以便网络设备后续可以基于UE发送的PRS构成用于训练AI模型的数据集。

以及，在本公开的一个实施例之中，该第一配置信息中可以包括有UE发送PRS时的预定时间和预定资源。或者，该第一配置信息中可以不包括预定时间和预定资源，而该预定时间和预定资源可以基于协议约定。

步骤303、接收UE发送的PRS，并测量PRS得到测量结果。

具体的，在本公开的一个实施例之中，网络设备可以在预定时间和预定资源来接收UE发送的PRS。

以及，在本公开的一个实施例之中，该测量结果可以包括冲击响应、RSRP中的至少一种。以及，该测量结果可以作为AI模型的输入以构成训练AI模型的数据集。

进一步地，在本公开的一个实施例之中，网络设备测量PRS得到测量结果应当是AI模型支持的输入。例如当AI模型支持的输入为冲击响应时，则网络设备获取的测量结果应当为：PRS的冲击响应。当AI模型支持的输入为RSRP时，则网络设备获取的测量结果应当为：PRS的RSRP。

步骤304、接收UE上报的定位位置。

其中，在本公开的一个实施例之中，该定位位置可以为UE发送了PRS后的预设时间范围内自己定位确定并上报的，由此可以确保该定位位置为UE当前时刻的精确定位位置，进而可以确保后续AI模型的训练精确度。该预设范围可以是基于协议约定确定的，也可以是网络设备确定好配置至UE的。

步骤305、基于测量结果和定位位置对AI模型进行训练。

具体的，在本公开的一个实施例之中，可以将测量结果作为AI模型的输入以获得AI模型的输出，并基于AI模型的输出和UE上报的定位位置来确定损失函数，并基于损失函数调整AI模型的模型参数，直至损失函数收敛确定训练完毕。

以及，需要说明的是，在本公开的一个实施例之中，训练前的AI模型可以是网络设备从其存储的多个不同的待训练模型中选择出的模型。

综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。

图4为本公开实施例所提供的一种AI模型训练方法的流程示意图，该方法由网络设备执行，如图4所示，该AI模型训练方法可以包括以下步骤：

步骤401、接收UE上报的UE能力，该UE能力中包括第一能力信息和第二能力信息，且该第二能力信息中UE支持上报的测量结果与AI模型的输入需求匹配。

其中，在本公开的一个实施例之中，第二能力信息中UE支持上报的测量结果与AI模型的输入需求匹配可以意为：UE支持上报的测量结果与AI模型支持的输入一致。如，UE支持上报的测量结果和AI模型支持的输入均为：冲击响应，或者，UE支持上报的测量结果和AI模型支持的输入均为：RSRP。

以及，在本公开的一个实施例之中，当UE能力中包括第一能力信息和第二能力信息，且第二能力信息中UE支持上报的测量结果与AI模型的输入需求匹配时，则说明该UE支持定位能力且支持获取测量结果，同时，UE上报的测量结果可以作为AI模型的输入，此时可以通过执行后续步骤402-404来实现对AI模型的训练。

步骤402、向UE发送PRS。

在本公开的一个实施例之中，若UE支持获取测量结果时，网络设备可以向UE发送PRS以由UE来测量该PRS获取测量结果。

步骤403、接收UE上报的测量结果和定位位置。

其中，在本公开的一个实施例之中，该测量结果可以为UE在接收到网络设备发送的PRS后的预设范围内对该RRS测量后得到的。以及，该定位位置可以为UE接收到PRS后的预设时间范围内自己定位确定并上报的，或者，该定位位置可以为UE发送了测量结果后的预设时间范围内自己定位确定并上报的，由此可以确保该定位位置为UE当前时刻的精确定位位置，进而可以确保后续AI模型的训练精确度。

以及，该预设范围可以是基于协议约定确定的，也可以是网络设备确定好配置至UE的。

步骤404、基于测量结果和定位位置对AI模型进行训练。

具体的，在本公开的一个实施例之中，可以将测量结果作为AI模型的输入以获得AI模型的输出，并基于AI模型的输出和UE上报的定位位置来确定损失函数，并基于损失函数调整AI模型的模型参数，直至损失函数收敛确定训练完毕。

以及，需要说明的是，在本公开的一个实施例之中，训练前的AI模型可以是网络设备从其存储的 多个不同的待训练模型中选择出的模型。

综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。

图5a为本公开实施例所提供的一种AI模型训练方法的流程示意图，该方法由网络设备执行，如图5a所示，该AI模型训练方法可以包括以下步骤：

步骤501a、接收UE上报的UE能力，该UE能力中包括第一能力信息、第二能力信息以及第三能力信息，且所述第二能力信息中UE支持上报的测量结果与所述AI模型的输入需求匹配。

其中，在本公开的一个实施例之中，第二能力信息中UE支持上报的测量结果与AI模型的输入需求匹配可以意为：UE支持上报的测量结果与AI模型支持的输入一致。如，UE支持上报的测量结果和AI模型支持的输入均为：冲击响应，或者，UE支持上报的测量结果和AI模型支持的输入均为：RSRP。

以及，在本公开的一个实施例之中，当UE能力中包括第一能力信息、第二能力信息以及第三能力信息，且所述第二能力信息中UE支持上报的测量结果与所述AI模型的输入需求匹配时，则说明该UE支持定位能力且支持获取测量结果，UE上报的测量结果可以作为AI模型的输入，以及UE侧还支持执行模型训练的过程，此时，可以通过执行步骤502a-504a来实现对AI模型的训练。

步骤502a、向UE发送第二配置信息，第二配置信息用于配置UE对AI模型进行训练。

在本公开的一个实施例之中，若UE即支持定位能力，且支持获取测量结果和执行模型训练过程时，网络设备可以向UE发送第二配置信息以配置由UE执行AI模型的训练过程。以及，当UE获取到第二配置信息之后，UE即可确定出其定位位置，以便后续对AI模型进行训练。

步骤503a、向UE发送PRS。

在本公开的一个实施例之中，网络设备还可以向UE发送PRS，以由UE来测量该PRS获取测量结果，并基于该测量结果和定位位置来对AI模型进行训练。以及，需要说明的是，在本公开的一个实施例之中，训练前的AI模型可以是UE从其存储的多个不同的待训练模型中选择出的模型，也可以是由网络设备选择好待训练AI模型后发送至UE的。

步骤504a、获取UE发送的训练后的AI模型。

在本公开的一个实施例之中，网络设备获取到UE发送的训练后的AI模型后，可以基于UE的发送在网络侧部署该AI模型，以便后续可以利用该AI模型实现定位。

综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。

图5b为本公开实施例所提供的一种AI模型训练方法的流程示意图，该方法由网络设备执行，如图5b所示，该AI模型训练方法可以包括以下步骤：

步骤501b、接收UE上报的UE能力，该UE能力中包括第一能力信息和第三能力信息。

其中，在本公开的一个实施例之中，当UE能力中包括第一能力信息和第三能力信息时，说明该UE支持定位能力且支持执行模型训练的过程，此时，可以通过执行步骤502b-505b来实现对AI模型的训练。

步骤502b、向UE发送第一配置信息，第一配置信息用于配置UE发送PRS。

由上述步骤501b可知，UE能力中不包括第二能力信息，也即是该UE可能不支持测量PRS，且无法获取到测量结果，基于此，网络设备可以配置UE发送PRS，以便网络设备后续可以基于UE发送的PRS构成用于训练AI模型的数据集。

以及，在本公开的一个实施例之中，该第一配置信息中可以包括有UE发送PRS时的预定时间和预定资源。或者，该第一配置信息中可以不包括预定时间和预定资源，而该预定时间和预定资源可以基于协议约定。

步骤503b、接收UE发送的PRS，并测量PRS得到测量结果。

具体的，在本公开的一个实施例之中，网络设备可以在预定时间和预定资源来接收UE发送的PRS。

以及，在本公开的一个实施例之中，该测量结果可以包括冲击响应、RSRP中的至少一种。以及，该测量结果可以作为AI模型的输入以构成训练AI模型的数据集。

进一步地，在本公开的一个实施例之中，网络设备测量PRS得到测量结果应当是AI模型支持的输入。例如当AI模型支持的输入为冲击响应时，则网络设备获取的测量结果应当为：PRS的冲击响应。当AI模型支持的输入为RSRP时，则网络设备获取的测量结果应当为：PRS的RSRP。

步骤504b、向UE发送测量结果。

其中，在本公开的一个实施例之中，UE在支持定位能力和模型训练能力的前提下，当UE获取到网络设备发送的测量结果后，即可自己定位确定出定位位置，并基于定位位置和测量结果构成数据集，来对AI模型进行训练。

步骤505b、获取UE发送的训练后的AI模型。

在本公开的一个实施例之中，网络设备获取到UE发送的训练后的AI模型后，可以基于UE的发送在网络侧部署该AI模型，以便后续可以利用该AI模型实现定位。

综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。

图6为本公开实施例所提供的一种AI模型训练方法的流程示意图，该方法由UE执行，如图6所示，该AI模型训练方法可以包括以下步骤：

步骤601、向网络设备上报UE能力。

在本公开的一个实施例之中，上述的UE能力可以包括以下至少一种：

第一能力信息，用于指示UE支持定位能力；

第二能力信息，用于指示UE支持对AI模型输入的获取能力和上报能力；

第三能力信息，用于指示UE支持模型训练的能力。

进一步地，在本公开的一个实施例之中，上述的第一能力信息可以包括以下至少一种：

指示UE为PRU的指示信息；

该UE支持的非蜂窝网的定位能力。其中，该非蜂窝网的定位能力可以包括GNSS定位、WiFi定位、蓝牙定位中的至少一种。

以及，在本公开的一个实施例之中，上述的AI模型输入可以包括PRS的测量结果(该测量结果例如可以为冲击响应和/或RSRP)，以及，该第二能力信息可以包括以下至少一种：

UE支持获取的测量结果；

UE支持上报的测量结果。

步骤602、基于网络设备的配置对AI模型进行训练。

具体的，在本公开的一个实施例之中，网络设备主要是基于UE上报的UE能力中所包括的能力信息来进行配置的，其中，当UE能力中所包括的能力信息不同时，网络设备的配置方式也会有所不同。关于该部分内容可以参考上述实施例描述，本公开实施例在此不做赘述。

综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。

图7为本公开实施例所提供的一种AI模型训练方法的流程示意图，该方法由UE执行，如图7所示，该AI模型训练方法可以包括以下步骤：

步骤701、向网络设备上报UE能力，该UE能力中包括第一能力信息。

步骤702、接收网络设备发送的第一配置信息，第一配置信息用于配置UE发送PRS。

步骤703、向网络设备发送PRS。

步骤704、确定UE的定位位置。

步骤705、向网络设备发送定位位置。

其中，关于步骤701-705的详细介绍可以参考上述实施例描述，本公开实施例在此不做赘述。

综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。

图8为本公开实施例所提供的一种AI模型训练方法的流程示意图，该方法由UE执行，如图8所示，该AI模型训练方法可以包括以下步骤：

步骤801、向网络设备上报UE能力，该UE能力中包括第一能力信息和第二能力信息，且第二能力信息中UE支持上报的测量结果与所述AI模型的输入需求匹配。

步骤802、接收网络设备发送的PRS。

步骤803、测量PRS得到测量结果。

步骤804、确定UE的定位位置。

步骤805、向网络设备上报测量结果和定位位置。

其中，关于步骤801-805的详细介绍可以参考上述实施例描述，本公开实施例在此不做赘述。

综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。

图9a为本公开实施例所提供的一种AI模型训练方法的流程示意图，该方法由UE执行，如图9所示，该AI模型训练方法可以包括以下步骤：

步骤901a、向网络设备上报UE能力，该UE能力中包括第一能力信息、第二能力信息以及第三能力信息，且第二能力信息中UE支持上报的测量结果与AI模型的输入需求匹配。

步骤902a、接收网络设备发送的第二配置信息，该第二配置信息用于配置所述UE对AI模型进行训练。

步骤903a、接收网络设备发送的PRS。

步骤904a、测量PRS得到测量结果。

步骤905a、确定UE的定位位置。

步骤906a、基于测量结果和定位位置对AI模型进行训练。

步骤907a、向网络设备发送训练后的AI模型。

其中，关于步骤901a-907a的详细介绍可以参考上述实施例描述，本公开实施例在此不做赘述。

综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。

图9b为本公开实施例所提供的一种AI模型训练方法的流程示意图，该方法由UE执行，如图9所示，该AI模型训练方法可以包括以下步骤：

步骤901b、向网络设备上报UE能力，该UE能力中包括第一能力信息和第三能力信息。

步骤902b、接收网络设备发送的第一配置信息，该第一配置信息用于配置所述UE发送PRS。

步骤903b、向网络设备发送PRS。

步骤904b、接收网络设备发送的测量结果。

步骤905b、确定UE的定位位置。

步骤906b、基于测量结果和定位位置对AI模型进行训练。

步骤907b、向网络设备发送训练后的AI模型。

其中，关于步骤901b-907b的详细介绍可以参考上述实施例描述，本公开实施例在此不做赘述。

综上所述，本公开实施例提供的AI模型训练方法之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。

图10为本公开实施例所提供的一种通信装置的结构示意图，如图10所示，装置可以包括：

收发模块，用于接收UE上报的UE能力；所述UE能力包括以下至少一种：

第一能力信息，用于指示所述UE支持定位能力；

第二能力信息，用于指示所述UE支持对AI模型输入的获取能力和上报能力；

第三能力信息，用于指示所述UE支持模型训练的能力；

处理模块，用于基于所述UE能力对所述UE进行配置，以对所述AI模型进行训练。

综上所述，在本公开实施例提供的通信装置之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。

可选的，在本公开的一个实施例之中，所述第一能力信息包括以下至少一种：

指示所述UE为定位参考单元PRU的指示信息；

所述UE支持的非蜂窝网的定位能力。

可选的，在本公开的一个实施例之中，所述AI模型输入包括定位参考信号PRS的测量结果；

所述第二能力信息包括：

所述UE支持获取的测量结果；

所述UE支持上报的测量结果。

可选的，在本公开的一个实施例之中，所述处理模块还用于：

响应于所述UE能力中包括所述第一能力信息，向所述UE发送第一配置信息，所述第一配置信息用于配置所述UE发送PRS；

接收所述UE发送的PRS，并测量所述PRS得到测量结果；

接收所述UE上报的定位位置；

基于所述测量结果和所述定位位置对所述AI模型进行训练。

可选的，在本公开的一个实施例之中，所述处理模块还用于：

响应于所述UE能力中包括所述第一能力信息和第二能力信息，且所述第二能力信息中UE支持上报的测量结果与所述AI模型的输入需求匹配，向所述UE发送PRS；

接收所述UE上报的测量结果和定位位置；

基于所述测量结果和所述定位位置对所述AI模型进行训练。

可选的，在本公开的一个实施例之中，所述处理模块还用于：

响应于所述UE能力中包括第一能力信息、第二能力信息以及第三能力信息，且所述第二能力信息中UE支持上报的测量结果与所述AI模型的输入需求匹配，向所述UE发送第二配置信息，所述第二配置信息用于配置所述UE对所述AI模型进行训练；

向所述UE发送PRS；

获取所述UE发送的训练后的AI模型。

可选的，在本公开的一个实施例之中，所述处理模块还用于：

响应于所述UE能力中包括第一能力信息和第三能力信息，向所述UE发送第一配置信息，所述第一配置信息用于配置所述UE发送PRS；

接收所述UE发送的PRS，并测量所述PRS得到测量结果；

向所述UE发送所述测量结果；

获取所述UE发送的训练后的AI模型。

图11为本公开实施例所提供的一种通信装置的结构示意图，如图11所示，装置可以包括：

收发模块，用于向网络设备上报UE能力；所述UE能力包括以下至少一种：

第一能力信息，用于指示所述UE支持定位能力；

第二能力信息，用于指示所述UE支持对AI模型输入的获取能力和上报能力；

第三能力信息，用于指示所述UE支持模型训练的能力；

处理模块，用于基于所述网络设备的配置对所述AI模型进行训练。

综上所述，在本公开实施例提供的通信装置之中，网络设备会基于UE上报的UE能力来进行配置以对AI模型进行训练，训练精度较高，也可以确保后续利用AI模型进行定位时的定位精度。

可选的，在本公开的一个实施例之中，所述第一能力信息包括以下至少一种：

指示所述UE为定位参考单元PRU的指示信息；

所述UE支持的非蜂窝网的定位能力。

可选的，在本公开的一个实施例之中，所述AI模型输入包括PRS的测量结果；

所述第二能力信息包括：

所述UE支持获取的测量结果；

所述UE支持上报的测量结果。

可选的，在本公开的一个实施例之中，所述处理模块还用于：

响应于所述UE能力中包括所述第一能力信息，接收取所述网络设备发送的第一配置信息，所述第 一配置信息用于配置所述UE发送PRS；

向所述网络设备发送PRS；

确定所述UE的定位位置；

向所述网络设备发送所述定位位置。

可选的，在本公开的一个实施例之中，所述处理模块还用于：

响应于所述UE能力中包括所述第一能力信息和第二能力信息，且所述第二能力信息中UE支持上报的测量结果与所述AI模型的输入需求匹配，接收所述网络设备发送的PRS；

测量所述PRS得到测量结果；

确定所述UE的定位位置；

向所述网络设备上报所述测量结果和定位位置。

可选的，在本公开的一个实施例之中，所述处理模块还用于：

响应于所述UE能力中包括第一能力信息、第二能力信息以及第三能力信息，且所述第二能力信息中UE支持上报的测量结果与所述AI模型的输入需求匹配，接收所述网络设备发送的第二配置信息，所述第二配置信息用于配置所述UE对所述AI模型进行训练；

接收所述网络设备发送的PRS；

测量所述PRS得到测量结果；

确定所述UE的定位位置；

基于所述测量结果和所述定位位置对所述AI模型进行训练；

向所述网络设备发送训练后的AI模型。

可选的，在本公开的一个实施例之中，所述处理模块还用于：

响应于所述UE能力中包括第一能力信息和第三能力信息，接收取所述网络设备发送的第一配置信息，所述第一配置信息用于配置所述UE发送PRS；

向所述网络设备发送PRS；

接收所述网络设备发送的测量结果；

确定所述UE的定位位置；

基于所述测量结果和所述定位位置对所述AI模型进行训练；

向所述网络设备发送训练后的AI模型。

请参见图12，图12是本申请实施例提供的一种通信装置1200的结构示意图。通信装置1200可以是网络设备，也可以是终端设备，也可以是支持网络设备实现上述方法的芯片、芯片系统、或处理器等，还可以是支持终端设备实现上述方法的芯片、芯片系统、或处理器等。该装置可用于实现上述方法实施例中描述的方法，具体可以参见上述方法实施例中的说明。

通信装置1200可以包括一个或多个处理器1201。处理器1201可以是通用处理器或者专用处理器等。例如可以是基带处理器或中央处理器。基带处理器可以用于对通信协议以及通信数据进行处理，中央处理器可以用于对通信装置(如，基站、基带芯片，终端设备、终端设备芯片，DU或CU等)进行控制，执行计算机程序，处理计算机程序的数据。

可选的，通信装置1200中还可以包括一个或多个存储器1202，其上可以存有计算机程序1204，处理器1201执行所述计算机程序1204，以使得通信装置1200执行上述方法实施例中描述的方法。可选的，所述存储器1202中还可以存储有数据。通信装置1200和存储器1202可以单独设置，也可以集成在一起。

可选的，通信装置1200还可以包括收发器1205、天线1206。收发器1205可以称为收发单元、收发机、或收发电路等，用于实现收发功能。收发器1205可以包括接收器和发送器，接收器可以称为接收机或接收电路等，用于实现接收功能；发送器可以称为发送机或发送电路等，用于实现发送功能。

可选的，通信装置1200中还可以包括一个或多个接口电路1207。接口电路1207用于接收代码指令并传输至处理器1201。处理器1201运行所述代码指令以使通信装置1200执行上述方法实施例中描述的方法。

通信装置1200为网络设备：收发器1205用于执行图2中的步骤201；图3中的步骤301至步骤304；图4中的步骤401至步骤403；图5中的步骤501至步骤504。处理器1201用于执行图2中的步骤202；图3中的步骤305；图4中的步骤404。

通信装置1200为UE：收发器1205用于执行图6中的步骤601；图7中的步骤701至步骤705；图8中的步骤801至步骤805；图9中的步骤901至步骤905、步骤907。处理器1201用于执行图6中的步骤602；图9中的步骤906。

在一种实现方式中，处理器1201中可以包括用于实现接收和发送功能的收发器。例如该收发器可以是收发电路，或者是接口，或者是接口电路。用于实现接收和发送功能的收发电路、接口或接口电路可以是分开的，也可以集成在一起。上述收发电路、接口或接口电路可以用于代码/数据的读写，或者，上述收发电路、接口或接口电路可以用于信号的传输或传递。

在一种实现方式中，处理器1201可以存有计算机程序1203，计算机程序1203在处理器1201上运行，可使得通信装置1200执行上述方法实施例中描述的方法。计算机程序1203可能固化在处理器1201中，该种情况下，处理器1201可能由硬件实现。

在一种实现方式中，通信装置1200可以包括电路，所述电路可以实现前述方法实施例中发送或接收或者通信的功能。本申请中描述的处理器和收发器可实现在集成电路(integrated circuit，IC)、模拟IC、射频集成电路RFIC、混合信号IC、专用集成电路(application specific integrated circuit，ASIC)、印刷电路板(printed circuit board，PCB)、电子设备等上。该处理器和收发器也可以用各种IC工艺技术来制造，例如互补金属氧化物半导体(complementary metal oxide semiconductor，CMOS)、N型金属氧化物半导体(nMetal-oxide-semiconductor，NMOS)、P型金属氧化物半导体(positive channel metal oxide semiconductor，PMOS)、双极结型晶体管(bipolar junction transistor，BJT)、双极CMOS(BiCMOS)、硅锗(SiGe)、砷化镓(GaAs)等。

以上实施例描述中的通信装置可以是网络设备或者终端设备，但本申请中描述的通信装置的范围并不限于此，而且通信装置的结构可以不受图12的限制。通信装置可以是独立的设备或者可以是较大设备的一部分。例如所述通信装置可以是：

(1)独立的集成电路IC，或芯片，或，芯片系统或子系统；

(2)具有一个或多个IC的集合，可选的，该IC集合也可以包括用于存储数据，计算机程序的存储部件；

(3)ASIC，例如调制解调器(Modem)；

(4)可嵌入在其他设备内的模块；

(5)接收机、终端设备、智能终端设备、蜂窝电话、无线设备、手持机、移动单元、车载设备、网络设备、云设备、人工智能设备等等；

(6)其他等等。

对于通信装置可以是芯片或芯片系统的情况，可参见图13所示的芯片的结构示意图。图13所示的芯片包括处理器1301和接口1302。其中，处理器1301的数量可以是一个或多个，接口1302的数量可以是多个。

可选的，芯片还包括存储器1303，存储器1303用于存储必要的计算机程序和数据。

本领域技术人员还可以了解到本申请实施例列出的各种说明性逻辑块(illustrative logical block)和步骤(step)可以通过电子硬件、电脑软件，或两者的结合进行实现。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本申请实施例保护的范围。

本申请还提供一种可读存储介质，其上存储有指令，该指令被计算机执行时实现上述任一方法实施例的功能。

本申请还提供一种计算机程序产品，该计算机程序产品被计算机执行时实现上述任一方法实施例的功能。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实 现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序。在计算机上加载和执行所述计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机程序可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，高密度数字视频光盘(digital video disc，DVD))、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。

本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请实施例的范围，也表示先后顺序。

本申请中的至少一个还可以描述为一个或多个，多个可以是两个、三个、四个或者更多个，本申请不做限制。在本申请实施例中，对于一种技术特征，通过“第一”、“第二”、“第三”、“A”、“B”、“C”和“D”等区分该种技术特征中的技术特征，该“第一”、“第二”、“第三”、“A”、“B”、“C”和“D”描述的技术特征间无先后顺序或者大小顺序。

本申请中各表所示的对应关系可以被配置，也可以是预定义的。各表中的信息的取值仅仅是举例，可以配置为其他值，本申请并不限定。在配置信息与各参数的对应关系时，并不一定要求必须配置各表中示意出的所有对应关系。例如，本申请中的表格中，某些行示出的对应关系也可以不配置。又例如，可以基于上述表格做适当的变形调整，例如，拆分，合并等等。上述各表中标题示出参数的名称也可以采用通信装置可理解的其他名称，其参数的取值或表示方式也可以通信装置可理解的其他取值或表示方式。上述各表在实现时，也可以采用其他的数据结构，例如可以采用数组、队列、容器、栈、线性表、指针、链表、树、图、结构体、类、堆、散列表或哈希表等。

本申请中的预定义可以理解为定义、预先定义、存储、预存储、预协商、预配置、固化、或预烧制。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。