KR20230026319A - 무선 채널 추정 및 추적을 위한 신경망 증강 - Google Patents
무선 채널 추정 및 추적을 위한 신경망 증강 Download PDFInfo
- Publication number
- KR20230026319A KR20230026319A KR1020227043415A KR20227043415A KR20230026319A KR 20230026319 A KR20230026319 A KR 20230026319A KR 1020227043415 A KR1020227043415 A KR 1020227043415A KR 20227043415 A KR20227043415 A KR 20227043415A KR 20230026319 A KR20230026319 A KR 20230026319A
- Authority
- KR
- South Korea
- Prior art keywords
- time step
- current time
- channel estimate
- channel
- residual
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 70
- 230000003416 augmentation Effects 0.000 title description 4
- 238000004891 communication Methods 0.000 claims abstract description 88
- 238000000034 method Methods 0.000 claims abstract description 80
- 230000000306 recurrent effect Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 18
- 239000002131 composite material Substances 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 description 53
- 230000008569 process Effects 0.000 description 35
- 210000002569 neuron Anatomy 0.000 description 27
- 210000004027 cell Anatomy 0.000 description 19
- 238000012549 training Methods 0.000 description 16
- 239000013598 vector Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000005309 stochastic process Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241000700159 Rattus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/021—Estimation of channel covariance
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0222—Estimation of channel variability, e.g. coherence bandwidth, coherence time, fading frequency
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L2025/03592—Adaptation methods
- H04L2025/03598—Algorithms
- H04L2025/03611—Iterative algorithms
- H04L2025/03656—Initialisation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
통신 디바이스에 의해 수행된 방법은 통신 디바이스에서 수신된 제 1 신호에 기초하여 칼만 필터로 현재 시간 스텝에 대한 채널의 초기 채널 추정값을 생성하는 단계를 포함한다. 본 방법은 또한 신경망으로, 현재 시간 스텝의 초기 채널 추정값의 잔차를 추론하는 단계를 포함한다. 본 방법은 잔차에 기초하여 현재 시간 스텝의 초기 채널 추정값을 업데이트하는 단계를 더 포함한다.
Description
관련된 출원들에 대한 상호 참조
본 출원은 2020 년 6 월 19 일 출원되고, 명칭이 "NEURAL NETWORK AUGMENTATION FOR WIRELESS CHANNEL ESTIMATION AND TRACKING" 인 미국 가출원 제 63/041,637 호에 대한 우선권을 주장하는, 2021 년 6 월 16 일 출원되고, 명칭이 "NEURAL NETWORK AUGMENTATION FOR WIRELESS CHANNEL ESTIMATION AND TRACKING" 인 미국 특허출원 제 17/349,744 호에 대한 우선권을 주장하며, 이 출원들의 개시는 그 전부가 본 명세서에 참조로 명백히 포함된다.
본 공개의 기술분야
본 개시의 양태들은 일반적으로 무선 통신에 관한 것으로, 보다 구체적으로, 신경망 증강에 의한 채널 추정을 위한 기법 및 장치에 관한 것이다.
무선 통신 시스템들은 텔레포니, 비디오, 데이터, 메시징, 및 브로드캐스트와 같은 다양한 텔레통신 서비스들을 제공하기 위해 널리 전개되어 있다. 통상의 무선 통신 시스템들은 가용 시스템 리소스들 (예를 들어, 대역폭, 송신 전력 등) 을 공유함으로써 다수의 사용자들과의 통신을 지원할 수 있는 다중 액세스 기술들을 채용할 수도 있다. 이러한 다중 액세스 기술들의 예들은 코드 분할 다중 액세스 (CDMA) 시스템, 시간 분할 다중 액세스 (TDMA) 시스템, 주파수 분할 다중 액세스 (FDMA) 시스템, 직교 주파수 분할 다중 액세스 (OFDMA) 시스템, 단일-캐리어 주파수 분할 다중 액세스 (SC-FDMA) 시스템, 시간 분할 동기식 코드 분할 다중 액세스 (TD-SCDMA) 시스템, 및 롱텀 에볼루션 (LTE) 을 포함한다. LTE/LTE-어드밴스드는 제 3 세대 파트너쉽 프로젝트 (3GPP) 에 의해 공표된 유니버셜 모바일 원격통신 시스템 (UMTS) 모바일 표준에 대한 인핸스먼트들의 세트이다.
무선 통신 네트워크는, 다수의 사용자 장비 (UE들) 에 대한 통신을 지원할 수 있는 다수의 기지국들 (BS들) 을 포함할 수도 있다. UE 는 다운링크 및 업링크를 통해 BS 와 통신할 수도 있다. 다운링크 (또는, 순방향 링크) 는 BS 로부터 UE 로의 통신 링크를 지칭하며, 업링크 (또는, 역방향 링크) 는 UE 로부터 BS 로의 통신 링크를 지칭한다. 본 명세서에서 더 상세히 설명될 바와 같이, BS 는 노드 B, gNB, 액세스 포인트 (AP), 무선 헤드, 송신 수신 포인트 (TRP), 뉴 라디오 (new radio; NR) BS, 5G 노드 B 등으로서 지칭될 수도 있다.
상기 다중 액세스 기술들은, 상이한 사용자 장비로 하여금 도시의, 국가의, 지방의, 및 심지어 글로벌 레벨에서 통신할 수 있게 하는 공통 프로토콜을 제공하기 위해 다양한 원격통신 표준들에서 채택되었다. 5G 로도 또한 지칭될 수도 있는 뉴 라디오 (NR) 는 제 3 세대 파트너쉽 프로젝트 (3GPP) 에 의해 공포된 LTE 모바일 표준에 대한 향상물들의 세트이다. NR 은, 빔포밍, 다중 입력 다중 출력 (MIMO) 안테나 기술, 및 캐리어 어그리게이션 (carrier aggregation) 을 지원할 뿐만 아니라, 다운링크 (DL) 상에서 순환 전치 (cyclic prefix; CP) 를 가진 직교 주파수 분할 멀티플렉싱 (OFDM) (CP-OFDM) 을 사용하여, 업링크 (UL) 상에서 CP-OFDM 및/또는 SC-FDM (예를 들어, 이산 푸리에 변환 확산 OFDM (DFT-s-OFDM) 으로서도 알려져 있음) 을 사용하여 스펙트럼 효율을 개선하는 것, 비용을 저감시키는 것, 서비스들을 개선하는 것, 새로운 스펙트럼을 이용하는 것, 및 다른 개방 표준들과 더 우수하게 통합하는 것에 의해 이동 브로드밴드 인터넷 액세스를 더 우수하게 지원하도록 설계된다.
인공 신경망들은 인공 뉴런들의 상호연결된 그룹들 (예를 들어, 뉴런 모델들) 을 포함할 수도 있다. 인공 신경망은 계산 디바이스일 수도 있거나, 계산 디바이스에 의해 수행될 방법으로 나타낼 수도 있다. 딥 컨볼루션 신경망과 같은 컨볼루션 신경망은 피드-포워드 인공 신경망의 유형이다. 컨볼루션 신경망은 타일링된 수용 필드에서 구성될 수도 있는 뉴런들의 계층들을 포함할 수도 있다. 더 큰 효율을 달성하기 위해 무선 통신에 신경망 네트워크 프로세싱을 적용하는 것이 바람직할 수도 있다.
본 개시의 하나의 양태에서, 통신 디바이스에 의해 수행된 방법은 통신 디바이스에서 수신된 제 1 신호에 기초하여 칼만 필터로 현재 시간 스텝에 대한 채널의 초기 채널 추정값을 생성하는 것을 포함한다. 본 방법은 신경망으로, 현재 시간 스텝의 초기 채널 추정값의 잔차를 추론하는 단계를 더 포함한다. 본 방법은 잔차에 기초하여 현재 시간 스텝의 초기 채널 추정값을 업데이트하는 단계를 더 포함한다.
본 개시의 다른 양태는 통신 디바이스에서의 장치에 관한 것이다. 장치는 통신 디바이스에서 수신된 제 1 신호에 기초하여 칼만 필터로 현재 시간 스텝에 대한 채널의 초기 채널 추정값을 생성하기 위한 장치를 포함한다. 본 장치는 신경망으로, 현재 시간 스텝의 초기 채널 추정값의 잔차를 추론하기 위한 수단을 더 포함한다. 본 장치는 추가로 잔차에 기초하여 현재 시간 스텝의 초기 채널 추정값을 업데이트하기 위한 수단을 더 포함한다.
본 개시의 또 다른 양태에서, 비-일시적인 프로그램 코드가 통신 디바이스에서 상부에 기록된 비-일시적 컴퓨터 판독가능 매체가 개시된다. 프로그램 코드는 프로세서에 의해 실행되고, 그리고 통신 디바이스에서 수신된 제 1 신호에 기초하여 칼만 필터로 현재 시간 스텝에 대한 채널의 초기 채널 추정값을 생성하기 위한 프로그램 코드를 포함한다. 프로그램 코드는 신경망으로, 현재 시간 스텝의 초기 채널 추정값의 잔차를 추론하기 위한 프로그램 코드를 더 포함한다. 본 프로그램 코드는 추가로 잔차에 기초하여 현재 시간 스텝의 초기 채널 추정값을 업데이트하기 위한 프로그램 코드를 더 포함한다.
본 개시의 다른 양태는 통신 디바이스에서의 장치에 관한 것이다. 장치는 프로세서; 프로세서와 커플링된 메모리; 및 메모리에 저장된 명령들을 포함하고, 명령들은, 프로세서에 의해 실행될 때, 장치로 하여금, 통신 디바이스에서 수신된 제 1 신호에 기초하여 칼만 필터로 현재 시간 스텝에 대한 채널의 초기 채널 추정값을 생성하게 하도록 동작가능하다. 명령들의 실행은 또한 장치로 하여금, 신경망으로, 현재 시간 스텝의 초기 채널 추정값의 잔차를 추론하게 한다. 명령들의 실행은 또한 장치로 하여금, 잔차에 기초하여 현재 시간 스텝의 초기 채널 추정값을 업데이트하게 한다. 양태들은 일반적으로, 첨부 도면들을 참조하여 본원에서 실질적으로 설명되는 바와 같은 그리고 첨부 도면들 및 명세서에 의해 예시된 바와 같은 방법, 장치, 시스템, 컴퓨터 프로그램 제품, 비일시적 컴퓨터 판독가능 매체, 사용자 장비, 기지국, 무선 통신 디바이스, 및 프로세싱 시스템을 포함한다.
전술한 것은, 뒤이어지는 상세한 설명이 더 잘 이해될 수도 있도록 본 개시에 따른 예들의 특징들 및 기술적 이점들을 다소 넓게 약술하였다. 추가적인 특징들 및 이점들은 이하에 설명될 것이다. 개시된 개념 및 특정 예들은 본 개시의 동일한 목적들을 수행하기 위한 다른 구조들을 수정 또는 설계하기 위한 기초로서 용이하게 활용될 수도 있다. 그러한 등가의 구성들은 첨부된 청구항들의 범위로부터 벗어나지 않는다. 본원에서 개시된 개념들의 특성들, 그들의 조직 및 동작 방법 양자 모두는, 연관된 이점들과 함께, 첨부 도면들과 관련하여 고려될 때 이하의 설명으로부터 더 잘 이해될 것이다. 도면들의 각각은 예시 및 설명의 목적으로 제공되며, 청구항들의 제한들에 대한 정의로서 제공되지 않는다.
본 개시의 특징들이 자세히 이해될 수도 있도록, 특정한 설명은 양태들을 참조로 이루질 수도 있으며, 그 양태들 중 일부가 첨부된 도면들에 예시된다. 그러나, 첨부된 도면들은 본 개시의 특정 통상적인 양태들만을 예시할 뿐이고, 본 설명은 다른 동일 효과의 양태들을 허용할 수도 있으므로, 본 발명의 범위를 제한하는 것으로 고려되서는 안된다는 점에 유의해야 한다. 상이한 도면들에서의 동일한 참조 번호들은 동일하거나 유사한 엘리먼트들을 식별할 수도 있다.
도 1 은 본 개시의 다양한 양태들에 따른, 무선 통신 네트워크의 예를 개념적으로 도시하는 블록 다이어그램이다.
도 2 는 본 개시의 다양한 양태들에 따른, 무선 통신 네트워크에서 사용자 장비 (UE) 와 통신하는 기지국의 예를 개념적으로 도시하는 블록 다이어그램이다.
도 3 은 본 개시의 소정의 양태들에 따른 범용 프로세서를 포함하는, 시스템-온-칩 (SOC) 을 사용하여 신경망을 설계하는 예시의 구현을 도시한다.
도 4a, 도 4b 및 도 4c 는 본 개시의 양태들에 따른 신경망을 도시하는 다이어그램들이다.
도 4d 는 본 개시의 양태들에 따른 예시적인 딥 컨볼루션 네트워크 (DCN) 를 도시하는 다이어그램이다.
도 5 는 본 개시의 양태들에 따른 예시적인 딥 컨볼루션 네트워크 (DCN) 를 도시하는 블록 다이어그램이다.
도 6 은 본 개시의 양태들에 따른 예시적인 순환 신경망 (RNN) 을 도시하는 개략 다이어그램이다.
도 7 은 본 개시의 양태들에 따라, 다수의 시간 스텝들에서 신경 증강 유닛으로 칼만 필터 (KF) 의 출력을 증강하는 일 예를 예시하는 블록 다이어그램이다.
도 8 은 본 개시의 양태들에 따라, 채널을 추정하고 신경 증강 칼만 필터로 채널을 추적하도록 구성된 일 예의 무선 통신 디바이스를 예시하는 블록 다이어그램이다.
도 9 는 본 개시의 다양한 양태들에 따른, 예를 들어 수신 디바이스에 의해 수행된 예시의 프로세스를 도시하는 다이어그램이다.
도 1 은 본 개시의 다양한 양태들에 따른, 무선 통신 네트워크의 예를 개념적으로 도시하는 블록 다이어그램이다.
도 2 는 본 개시의 다양한 양태들에 따른, 무선 통신 네트워크에서 사용자 장비 (UE) 와 통신하는 기지국의 예를 개념적으로 도시하는 블록 다이어그램이다.
도 3 은 본 개시의 소정의 양태들에 따른 범용 프로세서를 포함하는, 시스템-온-칩 (SOC) 을 사용하여 신경망을 설계하는 예시의 구현을 도시한다.
도 4a, 도 4b 및 도 4c 는 본 개시의 양태들에 따른 신경망을 도시하는 다이어그램들이다.
도 4d 는 본 개시의 양태들에 따른 예시적인 딥 컨볼루션 네트워크 (DCN) 를 도시하는 다이어그램이다.
도 5 는 본 개시의 양태들에 따른 예시적인 딥 컨볼루션 네트워크 (DCN) 를 도시하는 블록 다이어그램이다.
도 6 은 본 개시의 양태들에 따른 예시적인 순환 신경망 (RNN) 을 도시하는 개략 다이어그램이다.
도 7 은 본 개시의 양태들에 따라, 다수의 시간 스텝들에서 신경 증강 유닛으로 칼만 필터 (KF) 의 출력을 증강하는 일 예를 예시하는 블록 다이어그램이다.
도 8 은 본 개시의 양태들에 따라, 채널을 추정하고 신경 증강 칼만 필터로 채널을 추적하도록 구성된 일 예의 무선 통신 디바이스를 예시하는 블록 다이어그램이다.
도 9 는 본 개시의 다양한 양태들에 따른, 예를 들어 수신 디바이스에 의해 수행된 예시의 프로세스를 도시하는 다이어그램이다.
본 개시의 다양한 양태들은 첨부 도면들을 참조하여 하기에서 보다 충분히 설명된다. 하지만, 본 개시는 많은 상이한 형태들로 실시될 수도 있고 본 개시 전체에 걸쳐 제시된 임의의 특정 구조 또는 기능에 제한되는 것으로 해석되지 않아야 한다. 오히려, 이들 양태들은 본 개시가 철저하고 완전하게 되고, 그리고 본 개시의 범위를 당업자에게 충분히 전달하도록 제공된다. 여기에서의 교시들에 기초하여, 당업자는, 본 개시의 임의의 다른 양태와는 독립적으로 구현되든 임의의 다른 양태와 결합되든, 본 개시의 범위가 본 개시의 임의의 양태를 커버하도록 의도됨을 인식할 것이다. 예를 들어, 기술된 임의의 수의 양태를 이용하여 장치가 구현될 수도 있거나 방법이 실시될 수도 있다. 또한, 본 개시의 범위는 여기에 제시된 본 개시의 다양한 양태들 외에 또는 이에 추가하여 다른 구조, 기능성, 또는 구조 및 기능성을 이용하여 실시되는 그러한 장치 또는 방법을 커버하도록 의도된다. 개시된 본 개시의 임의의 양태는 청구항의 하나 이상의 엘리먼트에 의해 구체화될 수도 있음을 이해해야 한다.
전기통신 시스템들의 여러 양태들이 이제 다양한 장치들 및 기법들을 참조하여 제시될 것이다. 이들 장치들 및 기법들은 다음의 상세한 설명에서 설명되고, 다양한 블록들, 모듈들, 컴포넌트들, 회로들, 단계들, 프로세스들, 알고리즘들 등 (총괄적으로, "엘리먼트들" 로서 지칭됨) 에 의해 첨부 도면들에 예시될 것이다. 이들 엘리먼트들은 하드웨어, 소프트웨어, 또는 이들의 조합을 사용하여 구현될 수도 있다. 그러한 엘리먼트들이 하드웨어로 구현되는지 또는 소프트웨어로 구현되는지는 전체 시스템에 부과된 설계 제약들 및 특정 애플리케이션에 의존한다.
양태들은 5G 및 그 후속의 무선 기술들과 공통으로 연관된 용어를 사용하여 아래 설명될 수도 있지만, 본 개시의 양태들은 3G 및/또는 4G 기술들과 같은 그리고 이들을 포함한, 다른 세대-기반 통신 시스템들에 적용될 수 있음을 유의해야 한다.
무선 통신 시스템에서 송신기는 데이터를 프로세싱 (예를 들어, 인코딩 및 변조) 하여 데이터 심볼들을 생성할 수 있다. 일부 예들에서, 송신기는 파일롯 심볼들을 데이터 심볼들과 멀티플렉싱하고 멀티플렉싱된 신호를 무선 채널을 통해 송신한다. 일부 이러한 예들에서, 무선 채널은 멀티플렉싱된 신호를 채널 응답으로 왜곡시킬 수 있다. 또한, 간섭 이를 테면, 채널 노이즈는 신호의 품질을 감소시킬 수 있다. 이러한 무선 통신 시스템에서 수신기는 멀티플렉싱된 신호를 수신하고 수신된 신호를 프로세싱하여 데이터를 복조 및 디코딩한다. 구체적으로, 일부 예들에서, 수신기는 수신된 파일롯 심볼들에 기초하여 채널을 추정할 수도 있다. 수신기는 채널 추정값들에 기초하여 데이터 심볼 추정값들을 획득할 수도 있다. 데이터 심볼 추정값들은 송신기에 의해 전송된 데이터 심볼들의 추정값들일 수 있다. 수신기는 원래 데이터를 획득하기 위해 데이터 심볼 추정값들을 프로세싱 (예를 들어, 복조 및 디코딩) 할 수 있다.
데이터를 검출하는 수신기의 능력, 데이터 심볼 추정값들의 품질, 및 디코딩된 데이터의 신뢰도는 채널 추정값들의 품질에 기초할 수도 있다. 일부 예들에서, 데이터를 검출하는 수신기의 능력, 데이터 심볼 추정값들의 품질, 및 디코딩된 데이터의 신뢰도는 채널 추정값들의 품질이 증가함에 따라 증가한다. 따라서, 높은 품질의 채널 추정값들을 도출하는 것이 바람직할 수 있다. 무선 채널 조건들이 시간에 따라 변화할 수 있다면 채널 추정은 과제가 될 수 있다. 예를 들어, 무선 채널은 한 순간에 상대적으로 정적이고 다른 순간에 동적일 수 있다. 일 예로서, 채널은 송신기 및/또는 수신기의 이동성에 기인하여 변경될 수 있다.
일부 예들에서, 수신기와 송신기 사이의 채널은 이산 확률적 프로세스에 의해 추정될 수 있으며, 여기서 각각의 시간 스텝은 하나의 직교 주파수 분할 멀티플렉싱 (OFDM) 심볼에 대응한다. 이산 확률적 프로세스는 채널 추정값을 나타내는 벡터 또는 텐서를 생성할 수 있다. 일부 경우들에서, 칼만 필터 (KF) 는 시간에 따라 채널 추정을 추적한다.
칼만 필터는 은닉 마르코프 모델 (Hidden Markov Model; HMM) 을 가정하는데, 여기서 실제 채널은 은닉 프로세스 (hidden process) 이고, 관측된 파일럿은 관측된 프로세스이다. 칼만 필터는 은닉 마르코프 모델에 기초하여 채널을 추적할 수 있다. 또한, 칼만 필터는 채널에 대한 선형 트랜지션 동역학 및 선형 관측 동역학을 가정한다. 칼만 필터에 대한 파라미터들은 추적된 채널 데이터에 기초하여 도출될 수도 있다. 일부 경우들에서, 파라미터들은 도플러 스펙트럼에 대한 Jakes 모델과 같은 추가적인 가정들에 기초하여 도출될 수 있다.
칼만 필터의 가정은 채널의 실제 진화 동역학에서 벗어날 수 있으며, 이에 의해 채널 추정 정확도를 감소시킬 수 있다. 본 개시의 양태들은 신경 증강 KF (NA-KF) 에 관한 것이다. NA-KF 는 칼만 필터에 캡슐화된 채널 이볼루션의 피직스를 통합할 수도 있다. 또한, NA-KF 는 칼만 필터의 추정값들에 잔차 (residual) 를 추가하는 것에 의해, 실제 채널 동역학과 칼만 필터의 가정들 사이의 불일치를 정정할 수 있다. 채널을 추적하는 것보다는, 잔차를 추적하여 전달능력을 개선할 수 있다.
도 1 은 본 개시의 양태들이 실시될 수도 있는 네트워크 (100) 를 도시하는 다이어그램이다. 네트워크 (100) 는 5G 또는 NR 네트워크 또는 LTE 네트워크와 같은 일부 다른 무선 네트워크일 수도 있다. 무선 네트워크 (100) 는 다수의 BS들 (110) (BS (110a), BS (110b), BS (110c), 및 BS (110d) 로 도시됨) 및 다른 네트워크 엔티티들을 포함할 수도 있다. BS 는 사용자 장비 (UE들) 와 통신하는 엔티티이고, 기지국, NR BS, 노드 B, gNB, 5G 노드 B (NB), 액세스 포인트, 송신 수신 포인트 (TRP) 등으로서 또한 지칭될 수도 있다. 각각의 BS는 특정한 지리적 영역을 위한 통신 커버리지를 제공할 수도 있다. 3GPP 에서, 용어 "셀" 은, 그 용어가 사용되는 맥락에 의존하여, BS 의 커버리지 영역 및/또는 이 커버리지 영역을 서빙하는 BS 서브시스템을 지칭할 수 있다.
BS 는 매크로 셀, 피코 셀, 펨토 셀, 및/또는 다른 유형의 셀에 대한 통신 커버리지를 제공할 수도 있다. 매크로 셀은 상대적으로 큰 지리적 영역 (예를 들어, 반경이 수 킬로미터) 을 커버할 수도 있고, 서비스 가입으로 UE들에 의한 비제한적 액세스를 허용할 수도 있다. 피코 셀은, 상대적으로 작은 지리적 영역을 커버할 수도 있고, 서비스 가입으로 UE들에 의한 비제한적 액세스를 허용할 수도 있다. 펨토 셀은, 상대적으로 작은 지리적 영역 (예를 들어, 홈) 을 커버할 수도 있고, 펨토 셀과 연관을 갖는 UE들 (예를 들어, 폐쇄 가입자 그룹 (CSG) 에 있는 UE들) 에 의한 제한된 액세스를 허용할 수도 있다. 매크로 셀에 대한 BS 는 매크로 BS 로 지칭될 수도 있다. 피코 셀을 위한 BS 는 피코 BS 로서 지칭될 수도 있다. 펨토 셀을 위한 BS 는 펨토 BS 또는 홈 BS 로서 지칭될 수도 있다. 도 1 에 나타낸 예에서, BS (110a) 는 매크로 셀 (102a) 에 대한 매크로 BS 일 수도 있고, BS (110b) 는 피코 셀 (102b) 에 대한 피코 BS 일 수도 있으며, BS (110c) 는 펨토 셀 (102c) 에 대한 펨토 BS 일 수도 있다. BS 는 하나 또는 다중의 (예를 들어, 3개의) 셀들을 지원할 수도 있다. 용어들 "eNB", "기지국", "NR BS", "gNB", "TRP", "AP", "노드 B", "5G NB", 및 "셀" 은 상호교환가능하게 사용될 수도 있다.
일부 양태들에서, 셀은 반드시 정지형일 필요는 없을 수도 있으며, 셀의 지리적 영역은 모바일 BS 의 위치에 따라 이동할 수도 있다. 일부 양태들에서, BS들은 임의의 적절한 전송 네트워크를 사용하여 직접 물리적 접속, 가상 네트워크 등과 같은 여러 다양한 유형들의 백홀 인터페이스들을 통해 무선 네트워크 (100) 에서 서로에 대해 및/또는 하나 이상의 다른 BS 또는 네트워크 노드 (미도시) 에 상호접속될 수도 있다.
무선 네트워크 (100) 는 또한 중계국들을 포함할 수도 있다. 중계국은, 업스트림 스테이션 (예를 들어, BS 또는 UE) 으로부터 데이터의 송신물을 수신하고 다운스트림 스테이션 (예를 들어, UE 또는 BS) 으로 그 데이터의 송신물을 전송할 수 있는 엔티티이다. 중계국은 또한, 다른 UE 들을 위한 송신물들을 중계할 수 있는 UE 일 수도 있다. 도 1 에 나타낸 예에서, 릴레이 스테이션 (110d) 은 매크로 BS (110a) 와 UE (120d) 사이의 통신을 용이하게 하기 위해 BS (110a) 및 UE (120d) 와 통신할 수도 있다 릴레이 스테이션은 또한 릴레이 BS, 릴레이 기지국, 릴레이 등으로 지칭될 수도 있다.
무선 네트워크 (100) 는 상이한 유형의 BS, 예를 들어 매크로 BS, 피코 BS, 펨토 BS, 릴레이 BS 등을 포함하는 이종 네트워크일 수도 있다. 이들 상이한 유형들의 e노드B들은 무선 네트워크 (100) 에 있어서 상이한 송신 전력 레벨들, 상이한 커버리지 영역들, 및 간섭에 대한 상이한 영향을 가질 수도 있다. 예를 들어, 매크로 BS 는 높은 송신 전력 레벨 (예를 들어, 5 내지 40 와트) 을 가질 수도 있는 반면, 피코 BS, 펨토 BS, 및 릴레이 BS 는 더 낮은 송신 전력 레벨 (예를 들어, 0.1 내지 2 와트) 를 가질 수도 있다.
네트워크 제어기 (130) 는 BS들의 세트에 커플링할 수도 있고, 이들 BS들에 대한 조정 및 제어를 제공할 수도 있다. 네트워크 제어기 (130) 는 백홀을 통해 BS들과 통신할 수도 있다. BS들은 또한, 무선 또는 유선 백홀을 통해 예를 들어 직접 또는 간접적으로 서로 통신할 수도 있다.
UE들 (120) (예를 들어, 120a, 120b, 120c) 은 무선 네트워크 (100) 전반에 걸쳐 산재될 수도 있고, 각각의 UE 는 고정식 또는 이동식일 수도 있다. UE 는 또한, 액세스 단말, 단말, 이동국, 가입자 유닛, 스테이션 등으로 지칭될 수도 있다. UE 는 셀룰러 폰 (예를 들어, 스마트 폰), 개인용 디지털 보조기 (PDA), 무선 모뎀, 무선 통신 디바이스, 핸드헬드 디바이스, 랩탑 컴퓨터, 코드리스 폰, 무선 로컬 루프 (WLL) 스테이션, 태블릿, 카메라, 게이밍 디바이스, 넷북, 스마트북, 울트라북, 의료용 디바이스 또는 장비, 생체인식 센서들/디바이스들, 웨어러블 디바이스들 (스마트 시계들, 스마트 의류, 스마트 안경, 스마트 손목 밴드들, 스마트 보석 (예를 들어, 스마트 반지, 스마트 팔찌)), 엔터테인먼트 디바이스 (예를 들어, 뮤직 또는 비디오 디바이스, 또는 위성 무선기기), 차량용 컴포넌트 또는 센서, 스마트 미터들/센서들, 산업용 제조 장비, 글로벌 포지셔닝 시스템 디바이스, 또는 무선 또는 유선 매체를 통해 통신하도록 구성된 임의의 다른 적합한 디바이스일 수도 있다.
일부 UE들은 머신 타입 통신 (MTC) 또는 진화된 또는 향상된 머신 타입 통신 (eMTC) UE들로 고려될 수도 있다. MTC 및 eMTC UE들은, 예를 들어, 기지국, 다른 디바이스 (예를 들어, 원격 디바이스), 또는 일부 다른 엔티티와 통신할 수도 있는 로봇들, 드론들, 원격 디바이스들, 센서들, 미터들, 모니터들, 위치 태그들 등을 포함한다. 무선 노드는, 예를 들어, 유선 또는 무선 통신 링크를 통해 네트워크 (예컨대, 인터넷과 같은 광역 네트워크 또는 셀룰러 네트워크) 에 대한 또는 네트워크에의 접속성을 제공할 수도 있다. 일부 UE들은 사물 인터넷 (Internet-of-Things; IoT) 디바이스들로 간주될 수 있고 및/또는 NB-IoT (narrowband internet of things) 디바이스들로서 구현될 수도 있다. 일부 UE들은 CPE (Customer Premises Equipment) 로 고려될 수도 있다. UE (120) 는, 프로세서 컴포넌트들, 메모리 컴포넌트들 등과 같은 UE (120) 의 컴포넌트들을 수용하는 하우징 내부에 포함될 수도 있다.
일반적으로, 임의의 수의 무선 네트워크들이 주어진 지리적 영역에서 전개될 수도 있다. 각각의 무선 네트워크는 특정 무선 액세스 기술 (RAT) 을 지원할 수도 있고, 하나 이상의 주파수 상에서 동작할 수도 있다. RAT 는 또한 라디오 기술, 무선 인터페이스 등으로서 지칭될 수도 있다. 주파수는 또한 캐리어, 주파수 채널 등등으로서 지칭될 수도 있다. 각각의 주파수는, 상이한 RAT들의 무선 네트워크들 사이의 간섭을 피하기 위하여 주어진 지리적 영역에서 단일 RAT 를 지원할 수도 있다. 일부 경우들에서, NR 또는 5G RAT 네트워크들이 배치될 수도 있다.
일부 양태들에서, (예를 들어, UE (120a) 및 UE (120e) 로 도시된) 2 이상의 UE들 (120) 은 하나 이상의 사이드링크 채널들을 사용하여 (예를 들어, 서로 통신하기 위한 중개자로서 기지국 (110) 을 사용하지 않고) 직접 통신할 수도 있다. 예를 들어, UE들 (120) 은 P2P (peer-to-peer) 통신들, D2D (device-to-device) 통신들, V2X (vehicle-to-everything) 프로토콜 (예를 들어, V2V (vehicle-to-vehicle) 프로토콜, V2I (vehicle-to-infrastructure) 프로토콜 등), 메시 네트워크 등등을 사용하여 통신할 수도 있다. 이 경우, UE (120) 는, 기지국 (110) 에 의해 수행되는 것으로서 다른 곳에서 설명된 스케줄링 동작들, 리소스 선택 동작들, 및/또는 다른 동작들을 수행할 수도 있다. 예를 들어, 기지국 (110) 은 다운링크 제어 정보 (DCI), 라디오 리소스 제어 (RRC) 시그널링, 미디어 액세스 제어-제어 엘리먼트 (MAC-CE) 를 통하여 또는 시스템 정보 (예를 들어, 시스템 정보 블록 (SIB)) 을 통하여 UE (120) 를 구성할 수도 있다.
위에 나타낸 바와 같이, 도 1 은 단지 예로서 제공된다. 다른 예들은 도 1 과 관련하여 설명되는 것과 상이할 수도 있다.
도 2 는 도 1 에서의 UE들 중 하나 및 기지국들 중 하나일 수도 있는, UE (120) 및 기지국 (110) 의 설계 (200) 의 블록 다이어그램을 나타낸다. 기지국 (110) 에는 T개의 안테나들 (234a 내지 234t) 이 구비될 수도 있고, UE (120) 에는 R개의 안테나들 (252a 내지 252r) 이 구비될 수도 있으며, 여기서 일반적으로 T≥1 이고 R≥1 이다.
기지국 (110) 에서, 송신 프로세서 (220) 는 하나 이상의 UE에 대한 데이터 소스 (212) 로부터 데이터를 수신하고, UE 로부터 수신된 채널 품질 표시자들 (CQI들) 에 적어도 부분적으로 기초하여 각각의 UE 에 대한 하나 이상의 변조 및 코딩 스킴 (MCS) 을 선택하고, UE 에 대해 선택된 MCS(들) 에 적어도 부분적으로 기초하여 각각의 UE 에 대한 데이터를 프로세싱 (예를 들어, 인코딩 및 변조) 하며, 그리고 모든 UE들에 대해 데이터 심볼들을 제공할 수도 있다. MCS 를 감소시키는 것은 스루풋을 낮추지만 송신의 신뢰성을 증가시킨다. 송신 프로세서 (220) 는 또한, (예컨대, 준정적 리소스 파티셔닝 정보 (SRPI) 등등에 대한) 시스템 정보 및 제어 정보 (예컨대, CQI 요청들, 승인들, 상위 계층 시그널링 등등) 를 프로세싱하고 오버헤드 심볼들 및 제어 심볼들을 제공할 수도 있다. 송신 프로세서 (220) 는 또한 레퍼런스 신호들 (예를 들어, 셀 특정 레퍼런스 신호 (CRS)) 및 동기화 신호들 (예를 들어, 프라이머리 동기화 신호 (PSS) 및 세컨더리 동기화 신호 (SSS)) 에 대한 레퍼런스 심볼들을 생성할 수도 있다. 송신 (TX) 다중입력 다중출력 (MIMO) 프로세서 (230) 는 적용가능할 경우 데이터 심볼들, 제어 심볼들, 오버헤드 심볼들, 및/또는 기준 심볼들에 대한 공간 프로세싱 (예를 들어, 프리코딩) 을 수행할 수도 있고, T 개의 출력 심볼 스트림들을 T 개의 변조기들 (MOD들) (232a 내지 232t) 에 제공할 수도 있다. 각각의 변조기 (232) 는 (예를 들어, OFDM 등등에 대해) 개별 출력 심볼 스트림을 프로세싱하여 출력 샘플 스트림을 획득할 수도 있다. 각각의 변조기 (232) 는 또한, 다운링크 신호를 획득하기 위하여 출력 샘플 스트림을 프로세싱 (예를 들어, 아날로그로 변환, 증폭, 필터링 및 업컨버트) 할 수도 있다. 변조기들 (232a 내지 232t) 로부터의 T 개의 다운링크 신호들은 T 개의 안테나들 (234a 내지 234t) 을 통해 각각 송신될 수도 있다. 하기에 더 상세히 설명되는 다양한 양태들에 따르면, 동기화 신호들은, 추가적인 정보를 전달하기 위해 위치 인코딩으로 생성될 수 있다.
UE (120) 에서, 안테나들 (252a 내지 252r) 은 기지국 (110) 및/또는 다른 기지국들로부터 다운링크 신호들을 수신할 수도 있고 수신된 신호들을 복조기들 (DEMOD들) (254a 내지 254r) 에 각각 제공할 수도 있다. 각각의 복조기 (254) 는 수신된 신호를 컨디셔닝 (예컨대, 필터링, 증폭, 하향변환, 및 디지털화) 하여, 입력 샘플들을 획득할 수도 있다. 각각의 복조기 (254) 는 (예를 들어, OFDM 등을 위해) 입력 샘플들을 더 프로세싱하여 수신된 심볼들을 획득할 수도 있다. MIMO 검출기 (256) 는 모든 R개의 복조기들 (254a 내지 254r) 로부터의 수신된 심볼들을 획득하고, 적용가능하다면, 수신된 심볼들에 대한 MIMO 검출을 수행하며, 검출된 심볼들을 제공할 수도 있다. 수신 프로세서 (258) 는 검출된 심볼들을 프로세싱 (예를 들어, 복조 및 디코딩) 하여, 데이터 싱크 (260) 로 UE (120) 를 위한 디코딩된 데이터를 제공하고, 제어기/프로세서 (280) 에 디코딩된 제어 정보 및 시스템 정보를 제공할 수도 있다. 채널 프로세서는 참조 신호 수신 전력 (RSRP), 수신 신호 강도 표시자 (RSSI), 참조 신호 수신 품질 (RSRQ), 채널 품질 표시자 (CQI) 등을 결정할 수도 있다. 일부 양태에서, UE (120) 의 하나 이상의 컴포넌트들이 하우징에 포함될 수도 있다.
업링크 상에서, UE (120) 에서, 송신 프로세서 (264) 는 데이터 소스 (262) 로부터 데이터를, 그리고 제어기/프로세서 (280) 로부터 (예컨대, RSRP, RSSI, RSRQ, CQI 등등을 포함하는 리포트들에 대한) 제어 정보를 수신 및 프로세싱할 수도 있다. 송신 프로세서 (264) 는 또한 하나 이상의 레퍼런스 신호들에 대한 레퍼런스 심볼들을 생성할 수도 있다. 송신 프로세서 (264) 로부터의 심볼들은 적용가능한 경우 TX MIMO 프로세서 (266) 에 의해 프리코딩되고, (예를 들어, DFT-s-OFDM, CP-OFDM 등에 대해) 변조기들 (254a 내지 254r) 에 의해 추가로 프로세싱되고, 기지국 (110) 에 송신될 수도 있다. 기지국 (110) 에서, UE (120) 및 다른 UE 들로부터의 업링크 신호들은 안테나 (234) 에 의해 수신되고, 복조기들 (254) 에 의해 프로세싱되고, 적용가능하다면, MIMO 검출기 (236) 에 의해 검출되며, 수신 프로세서 (238) 에 의해 더 프로세싱되어, UE (120) 에 의해 전송된 디코딩된 데이터 및 제어 정보를 획득할 수도 있다. 수신 프로세서 (238) 는 디코딩된 데이터를 데이터 싱크 (239) 에 그리고 디코딩된 제어 정보를 제어기/프로세서 (240) 에 제공할 수도 있다. 기지국 (110) 은 통신 유닛 (244) 을 포함할 수도 있고 통신 유닛 (244) 을 통해 네트워크 제어기 (130) 에 통신할 수도 있다. 네트워크 제어기 (130) 는 통신 유닛 (294), 제어기/ 프로세서 (290), 및 메모리 (292) 를 포함할 수도 있다.
도 2 의 기지국 (110) 의 제어기/프로세서 (240), UE (120) 의 제어기/프로세서 (280), 및/또는 임의의 다른 컴포넌트(들)은 다른 곳에서 더 상세히 설명된 바와 같이, 비선형성들을 위한 머신 러닝과 연관된 하나 이상의 기법을 수행할 수도 있다. 예를 들어, 도 2 의 기지국 (110) 의 제어기/프로세서 (240), UE (120) 의 제어기/프로세서 (280), 및/또는 임의의 다른 컴포넌트(들)은, 예를 들어 도 6-8 의 프로세스들 및/또는 설명된 바와 같은 다른 프로세스들의 동작들을 수행하거나 지시할 수도 있다. 메모리들 (242 및 282) 은, 각각, 기지국 (110) 및 UE (120) 에 대한 데이터 및 프로그램 코드들을 저장할 수도 있다. 스케줄러 (246) 는 다운링크 및/또는 업링크 상에서 데이터 송신을 위해 UE들을 스케쥴링할 수도 있다.
일부 양태들에서, UE (120) 는 칼만 필터로 현재 시간 스텝에 대한 채널 추정값을 생성하기 위한 수단; 현재 시간 스텝의 채널 추정값에 기초하여 잔차를 추론하기 위한 수단; 및 잔차에 기초하여 현재 시간 스텝의 채널 추정값을 업데이트하기 위한 수단을 포함할 수도 있다. 이러한 수단은 도 2 와 관련하여 설명된 UE (120) 및/또는 기지국 (110) 의 하나 이상의 컴포넌트를 포함할 수도 있다.
위에 나타낸 바와 같이, 도 2 는 단지 예로서 제공된다. 다른 예들은 도 2 와 관련하여 설명되는 것과 상이할 수도 있다.
일부 경우들에서, 상이한 유형들의 애플리케이션들 및/또는 서비스들을 지원하는 상이한 유형들의 디바이스들이 셀 내에 공존할 수도 있다. 상이한 유형들의 디바이스들의 예들은 UE 핸드셋들, CPE (customer premises equipment) 들, 차량들, 사물 인터넷 (Internet of Things)(IoT) 디바이스들 등을 포함한다. 상이한 유형들의 애플리케이션들의 예들은 초-신뢰성 저-레이턴시 통신 (URLLC) 애플리케이션들, 대규모 머신-타입 통신 (mMTC) 애플리케이션들, 강화된 모바일 브로드밴드 (eMBB) 애플리케이션들, V2X (vehicle-to-anything) 애플리케이션들 등을 포함한다. 또한, 일부 경우들에서, 단일 디바이스는 상이한 애플리케이션들 또는 서비스들을 동시에 지원할 수도 있다.
도 3 은 시스템-온-칩 (SOC)(300) 의 일 예의 구현을 예시하며, 이는 본 개시의 특정 양태들에 따라 칼만 필터 추정값들을 증강시키기 위하여 구성되는 중앙 프로세싱 유닛 (CPU)(302) 또는 멀티-코어 CPU 를 포함할 수도 있다. SOC (300) 는 기지국 (110) 또는 UE (120) 에 포함될 수도 있다. 변수들 (예를 들어, 신경 신호들 및 시냅스 (synaptic) 가중치들), 계산 디바이스와 연관된 시스템 파라미터들 (예를 들어, 가중치들을 갖는 신경망), 지연들, 주파수 빈 정보, 및 태스크 정보는 신경 프로세싱 유닛 (NPU)(308) 과 연관된 메모리 블록, CPU (302) 와 연관된 메모리 블록, 그래픽 프로세싱 유닛 (GPU)(304) 과 연관된 메모리 블록, 디지털 신호 프로세서 (DSP)(306) 와 연관된 메모리 블록, 메모리 블록 (318) 에 저장될 수도 있거나, 또는 다중 블록들에 걸쳐 분산될 수도 있다. CPU (302) 에서 실행되는 명령들은 CPU (302) 와 연관된 프로그램 메모리로부터 로딩될 수도 있거나 메모리 블록 (318) 으로부터 로딩될 수도 있다.
SOC (300) 는 또한, GPU (304), DSP (306), 5세대 (5G) 접속성, 4세대 롱 텀 에볼루션 (4G LTE) 접속성, Wi-Fi 접속성, USB 접속성, 블루투스 접속성 등을 포함할 수도 있는 접속성 블록 (310), 및 예를 들어, 제스처들을 검출 및 인식할 수도 있는 멀티미디어 프로세서 (312) 와 같은, 특정 기능들에 맞게 조정된 부가 프로세싱 블록들을 포함할 수도 있다. 일 구현에서, NPU 는 CPU, DSP, 및/또는 GPU 에서 구현된다. SOC (300) 는 또한 센서 프로세서 (314), 이미지 신호 프로세서들 (ISP들)(316), 및/또는 내비게이션 모듈 (320) 을 포함할 수 있으며, 이는 글로벌 포지셔닝 시스템을 포함할 수도 있다.
SOC (300) 는 ARM 명령 세트에 기초할 수도 있다. 본 개시의 일 양태에서, 범용 프로세서 (302) 에 로딩된 명령들은 본 개시의 일 양태에서, 범용 프로세서 (302) 에 로딩된 명령들은 현재 시간 스텝의 채널 추정값에 기초하여 잔차를 추론하기 위한 코드; 및 잔차에 기초하여 현재 시간 스텝의 채널 추정값을 업데이트하기 위한 코드를 포함할 수도 있다.
딥 러닝 아키텍처들은 각각의 계층에서 연속적으로 추상화의 더 높은 레벨들로 입력들을 나타내는 것을 학습하는 것에 의해 객체 인식 태스크를 수행함으로써, 입력 데이터의 유용한 피처(feature) 표현을 구축할 수도 있다. 이러한 방식으로, 딥 러닝은 전형적인 머신 러닝의 주요 병목현상을 해결한다. 딥 러닝의 도래 이전에, 객체 인식 문제에 대한 머신 러닝 접근법은 아마도 얕은 분류기 (shallow classifier) 와 조합으로, 인간 공학기술 (human engineered) 피처들에 크게 의존했을 수도 있다. 얕은 분류기는 예를 들어, 입력이 어느 클래스에 속하는지를 예측하기 위해 피처 벡터 성분들의 가중 합이 임계치와 비교될 수 있는, 2-클래스 선형 분류기일 수도 있다. 인간 공학기술 피처들은 도메인 전문지식을 갖는 엔지니어에 의해 특정 문제 도메인에 맞게 조정된 템플릿들 또는 커널들일 수도 있다. 이와 대조적으로, 딥 러닝 아키텍처는 인간 엔지니어가 설계할 수도 있는 것과 유사하지만, 훈련을 통해 피처들을 나타내는 것을 학습할 수도 있다. 또한, 딥 네트워크는 인간이 고려하지 않았을 수도 있는 새로운 유형의 피처들을 나타내고 인식하는 것을 학습할 수도 있다.
딥 학습 아키텍처는 피처들의 계위를 학습할 수도 있다. 예를 들어, 시각적 데이터로 제시되면, 제 1 계층은 입력 스트림에서, 에지들과 같은 비교적 간단한 피처들을 인식하는 것을 학습할 수도 있다. 다른 예에서, 청각적 데이터로 제시되면, 제 1 계층은 특정 주파수들에서의 스펙트럼 전력을 인식하는 것을 학습할 수도 있다. 제 1 계층의 출력을 입력으로서 취하는 제 2 계층은, 시각 데이터에 대한 간단한 형상들 또는 청각 데이터에 대한 사운드들의 조합들과 같은 피처들의 조합들을 인식하는 것을 학습할 수도 있다. 예를 들어, 상위 계층들은 시각적 데이터에서의 복잡한 형상들 또는 청각적 데이터에서의 단어들을 나타내는 것을 학습할 수도 있다. 여전히 상위 계층들은 공통 시각적 객체들 또는 구어체들을 인식하는 것을 학습할 수도 있다.
딥 러닝 아키텍처들은 자연스러운 계위 구조를 갖는 문제들에 적용될 때 특히 잘 수행할 수도 있다. 예를 들어, 모터구동 차량들 (motorized vehicle) 의 분류는 휠들, 윈드쉴드들 및 다른 피처들을 인식하는 것을 먼저 학습하는 것으로 이익을 얻을 수 있다. 이러한 피처들은 자동차, 트럭, 및 비행기를 인식하기 위해 상이한 방식들로 상위 계층에서 조합될 수도 있다.
신경망들은 다양한 접속성 패턴들로 설계될 수도 있다. 피드-포워드 네트워크들에서, 정보는 하위 계층에서 상위 계층으로 전달되고, 주어진 계층에서의 각각의 뉴런은 상위 계층들에서의 뉴런들에 통신한다. 계위적 표현은 상술한 바와 같이, 피드-포워드 네트워크의 연속적인 계층들에 구축될 수도 있다. 신경망들은 또한 순환 (recurrent) 또는 피드백 (또한 탑-다운 방식이라 함) 연결들을 가질 수도 있다. 순환 연결에서, 주어진 계층의 뉴런으로부터의 출력은 동일한 계층의 다른 뉴런으로 통신될 수도 있다. 순환 아키텍처는 시퀀스로 신경망에 전달되는 입력 데이터 청크들 중 하나보다 많은 청크들에 걸쳐 있는 패턴들을 인식하는데 도움이 될 수도 있다. 주어진 계층의 뉴런에서 하위 계층의 뉴런으로의 연결은 피드백 (또는 하향식) 연결이라고 한다. 많은 피드백 연결들을 갖는 네트워크는 하이-레벨 개념의 인식이 입력의 특정 로우-레벨 피처들을 식별하는 것을 보조할 수도 있을 때 도움이 될 수도 있다.
신경망의 계층들 사이의 연결들은 완전히 연결되거나 국부적으로 연결될 수도 있다. 도 4a 는 완전히 연결된 신경망 (402) 의 예를 도시한다. 완전히 연결된 신경망 (402) 에서, 제 1 계층에서의 뉴런은 제 2 계층에서의 모든 뉴런에 그의 출력을 통신할 수도 있으므로, 제 2 계층에서의 각각의 뉴런이 제 1 계층에서의 모든 뉴런으로부터 입력을 수신할 것이다. 도 4b 는 국부적으로 연결된 신경망 (404) 의 예를 도시한다. 국부적으로 연결된 신경망 (404) 에서, 제 1 층에서의 뉴런은 제 2 계층에서의 제한된 수의 뉴런들에 연결될 수도 있다. 보다 일반적으로, 국부 연결된 신경망 (404) 의 국부적으로 연결된 계층은 계층에서의 각각의 뉴런이 동일하거나 유사한 접속성 패턴을 가질 것이지만, 상이한 값들 (예를 들어, 410, 412, 414, 및 416) 을 가질 수도 있는 연결 강도들을 갖도록 구성될 수도 있다. 국부적으로 연결된 연결성 패턴은 상위 계층에서 공간적으로 별개의 수용 필드들을 발생할 수도 있는데, 이는 주어진 영역에서 상위 계층 뉴런들이 네트워크에 대한 총 입력의 제한된 부분의 특성들에 대한 훈련을 통해 튜닝되는 입력들을 수신할 수도 있기 때문이다.
국부적으로 연결된 신경망의 일 예는 컨볼루션 신경망이다. 도 4c 는 컨볼루션 신경망 (406) 의 예를 도시한다. 컨볼루션 신경망 (406) 은 제 2 계층에서의 각각의 뉴런에 대한 입력들과 연관된 연결 강도들이 공유되도록 (예를 들어, 408) 구성될 수도 있다. 컨볼루션 신경망들은 입력들의 공간적 위치가 의미있는 문제들에 매우 적합할 수도 있다.
컨볼루션 신경망의 하나의 유형은 딥 컨볼루션 네트워크 (DCN) 이다. 도 4d 는 자동차-탑재형 (car-mounted) 카메라와 같은 이미지 캡처 디바이스 (430) 로부터 입력된 이미지 (426) 로부터 시각적 피처들을 인식하도록 설계된 DCN (400) 의 상세한 예를 도시한다. 본 예의 DCN (400) 은 교통 표지판 및 교통 표지판 상에 제공된 번호를 식별하도록 훈련될 수도 있다. 물론, DCN (400) 은 차선 마킹들을 식별하거나 신호등들을 식별하는 것과 같은 다른 태스크들을 위해 훈련될 수도 있다.
DCN (400) 은 감독된 학습으로 훈련될 수도 있다. 훈련 동안, DCN (400) 은 속도 제한 표지판의 이미지 (426) 와 같은 이미지로 제시될 수도 있고, 그 후 순방향 패스가 출력 (422) 을 생성하기 위해 계산될 수도 있다. DCN (400) 은 피처 추출 섹션 및 분류 섹션을 포함할 수도 있다. 이미지 (426) 를 수신하면, 컨볼루션 계층 (432) 은 이미지 (426) 에 컨볼루션 커널들 (미도시) 을 적용하여 피처 맵들 (418) 의 제 1 세트를 생성할 수도 있다. 예로서, 컨볼루션 계층 (432) 에 대한 컨볼루션 커널은 28x28 피처 맵들을 생성하는 5x5 커널일 수도 있다. 본 예에서, 4개의 상이한 피처 맵이 피처 맵들의 제 1 세트 (418) 에서 생성되기 때문에, 4개의 상이한 컨볼루션 커널이 컨볼루션 계층 (432) 에서 이미지 (426) 에 적용되었다. 컨볼루션 커널들은 또한 필터들 또는 컨볼루션 필터들로 지칭될 수도 있다.
피처 맵들의 제 1 세트 (418) 는 피처 맵들의 제 2 세트 (420) 를 생성하기 위해 최대 풀링 계층 (미도시) 에 의해 서브샘플링될 수도 있다. 최대 풀링 계층은 피처 맵들 (418) 의 제 1 세트의 사이즈를 감소시킨다. 즉, 14x14 와 같은 피처 맵들의 제 2 세트 (420) 의 사이즈는 28x28 과 같은 피처 맵들의 제 1 세트 (418) 의 사이즈보다 작다. 감소된 사이즈는 메모리 소비를 감소시키면서 후속 계층에 유사한 정보를 제공한다. 피처 맵들의 제 2 세트 (420) 는 추가로, 피처 맵들의 하나 이상의 후속 세트 (미도시) 를 생성하기 위해 하나 이상의 후속 컨볼루션 계층 (미도시) 을 통해 컨볼루션될 수도 있다.
도 4d 의 예에서, 피처 맵들의 제 2 세트 (420) 는 제 1 피처 벡터 (424) 를 생성하도록 컨볼루션된다. 또한, 제 1 피처 벡터 (424) 는 제 2 피처 벡터 (428) 를 생성하도록 추가로 컨볼루션된다. 제 2 피처 벡터 (428) 의 각각의 피처는 "표지판", "60" 및 "100" 과 같은 이미지 (426) 의 가능한 피처에 대응하는 수를 포함할 수도 있다. 소프트맥스 함수 (softmax function)(미도시) 는 제 2 피처 벡터 (428) 에서의 수들을 확률로 변환할 수도 있다. 이와 같이, DCN (400) 의 출력 (422) 은 하나 이상의 피처를 포함하는 이미지 (426) 의 확률이다.
본 예에서, "표지판" 및 "60" 에 대한 출력 (422) 에서의 확률들은 "30", "40", "50", "70", "80", "90" 및 "100" 과 같은 출력 (422) 의 다른 것들의 확률들보다 높다. 훈련 전에, DCN (400) 에 의해 생성된 출력 (422) 은 부정확할 가능성이 있다. 따라서, 출력 (422) 과 타겟 출력 사이에 에러가 계산될 수도 있다. 타겟 출력은 이미지 (426) 의 실측 자료(ground truth)(예를 들어, "표지판" 및 "60") 이다. DCN (400) 의 가중치들은 그 후 DCN (400) 의 출력 (422) 이 타겟 출력과 더 밀접하게 정렬되도록 조정될 수도 있다.
가중치들를 조정하기 위해, 러닝 알고리즘은 가중치들에 대한 그래디언트 벡터를 계산할 수도 있다. 그래디언트는 가중치가 조정되었으면 에러가 증가 또는 감소할 양을 표시할 수도 있다. 최상위 계층에서, 그래디언트는 끝에서 두번째 계층에서의 활성화된 뉴런 및 출력 계층에서의 뉴런을 연결하는 가중치의 값에 직접 대응할 수도 있다. 하위 계층들에서, 그래디언트는 가중치들의 값 및 상위 계층들의 계산된 에러 그래디언트들에 의존할 수도 있다. 가중치들은 그 후 에러를 감소시키기 위해 조정될 수도 있다. 가중치를 조정하는 이러한 방식은 신경망을 통한 "역방향 패스" 를 수반하기 때문에 "역 전파" 로 지칭될 수도 있다.
실제로, 가중치들의 에러 그래디언트는 작은 수의 예들에 걸쳐 계산될 수도 있어서, 계산된 그래디언트는 실제 에러 그래디언트에 근사한다. 이러한 근사화 방법은 확률적 그래디언트 하강법 (stochastic gradient descent) 으로 지칭될 수도 있다. 확률적 그래디언트 하강법은 전체 시스템의 달성가능한 에러율이 감소하는 것을 멈출 때까지 또는 에러율이 타겟 레벨에 도달할 때까지 반복될 수도 있다. 학습 후, DCN 이 새로운 이미지들 (예를 들어, 이미지 (426) 의 속도 제한 표지판) 로 제시될 수도 있고, 네트워크를 통한 순방향 패스가 DCN 의 추론 또는 예측으로 간주될 수도 있는 출력 (422) 을 산출할 수도 있다.
DBN (deep belief network) 은 은닉된 노드들의 다중 계층들을 포함하는 확률 모델이다. DBN 은 훈련 데이터 세트의 계위적 표현을 추출하는데 사용될 수도 있다. DBN 은 제한된 볼츠만 머신 (Restricted Boltzmann Machines)(RBM) 의 계층들을 적층하여 획득될 수도 있다. RBM 은 입력들의 세트에 걸친 확률 분포를 학습할 수 있는 인공 신경망의 유형이다. RBM들은 각각의 입력이 카테고리화되어야 하는 클래스에 관한 정보의 부재 시 확률 분포를 학습할 수 있기 때문에, RBM들은 종종 비지도 학습에 사용된다. 하이브리드 비지도 및 지도 패러다임을 사용하여, DBN 의 최하위 RBM들은 비지도 방식으로 훈련될 수도 있고 피처 추출기들로서 작용할 수도 있으며, 최상위 RBM 은 (이전 계층 및 타겟 클래스들로부터의 입력들의 공동 분포에 대해) 지도 방식으로 훈련될 수도 있고 분류기로서 작용할 수도 있다.
딥 컨볼류션 네트워크 (DCN) 는 부가 풀링 및 정규화 계층들로 구성된, 컨볼루션 네트워크의 네트워크이다. DCN들은 많은 태스크들에 대해 최첨단 성능을 달성하였다. DCN들은 입력 및 출력 타겟들 양자 모두가 많은 예시들에 대해 알려져 있고 그래디언트 하강 방법들의 사용에 의해 네트워크의 가중치들을 수정하는데 사용되는 지도 학습을 사용하여 훈련될 수 있다.
DCN 은 피드-포워드 네트워크일 수도 있다. 또한, 상술한 바와 같이, DCN 의 제 1 계층에서의 뉴런으로부터 다음 상위 계층에서의 뉴런들의 그룹으로의 연결들은 제 1 계층에서의 뉴런들에 걸쳐 공유된다. DCN들의 피드-포워드 및 공유 연결들은 빠른 프로세싱을 위해 이용될 수도 있다. DCN 의 계산 부담은 예를 들어, 순환 또는 피드백 연결들을 포함하는 유사하게 사이징된 신경망의 것보다 훨씬 적을 수도 있다.
컨볼루션 네트워크의 각각의 계층의 프로세싱은 공간적으로 불변 템플릿 또는 기저 투영으로 간주될 수도 있다. 입력이 컬러 이미지의 적색, 녹색 및 청색 채널들과 같은 다중 채널들로 먼저 분해되면, 그 입력에 대해 훈련된 컨볼루션 네트워크는 이미지의 축들을 따라 2개의 공간 차원 및 컬러 정보를 캡처하는 제 3 차원을 갖는, 3 차원으로 간주될 수도 있다. 컨볼루션 연결들의 출력들은 후속 계층에서 피처 맵을 형성하는 것으로 간주될 수도 있고, 피처 맵의 각각의 엘리먼트 (예를 들어, 220) 는 이전 계층에서의 뉴런들의 범위 (예를 들어, 피처 맵들 (218)) 로부터 그리고 다중 채널들 각각으로부터 입력을 수신한다. 피처 맵에서의 값들은 추가로, 정류, max(0,x) 와 같은 비선형성으로 프로세싱될 수도 있다. 인접한 뉴런들로부터의 값들은 추가로 풀링될 수도 있으며, 이는 다운 샘플링에 대응하고, 부가적인 국소적 불변 및 차원성 감소를 제공할 수도 있다. 화이트닝에 대응하는 정규화는, 또한 피처 맵에서의 뉴런들 사이의 측면 억제를 통해서 적용될 수도 있다.
딥 러닝 아키텍처들의 성능은 더 많은 라벨링된 데이터 포인트들이 이용가능하게 되거나 또는 계산 파워가 증가함에 따라 증가할 수도 있다. 현대의 딥 신경망은 불과 15년 전에 통상의 연구자에 이용가능했던 것보다 수천 배 더 큰 컴퓨팅 리소스들로 일상적으로 훈련된다. 새로운 아키텍처 및 교육 패러다임은 딥 러닝의 성능을 부스팅할 수도 있다. 정류된 선형 유닛들은 소실 그래디언트들 (vanishing gradients) 로 알려진 훈련 이슈를 감소시킬 수도 있다. 새로운 훈련 기법들은 오버-피팅 (over-fitting) 을 감소시킬 수도 있고, 따라서 더 큰 모델들이 우수한 일반화를 달성하는 것을 가능하게 한다. 캡슐화 기법들은 주어진 수용 필드에서 데이터를 추상화하고 추가로 전체 성능을 부스팅할 수도 있다.
도 5 는 본 개시의 양태들에 따른 딥 컨볼루션 네트워크 (550) 를 도시하는 블록 다이어그램이다. 딥 컨볼루션 네트워크 (550) 는 접속성 및 가중치 공유에 기초하여 다중의 상이한 유형들의 계층들을 포함할 수도 있다. 도 5 에 나타낸 바와 같이, 딥 컨볼루션 네트워크 (550) 는 컨볼루션 블록들 (554A, 554B) 을 포함한다. 컨볼루션 블록들 (554A, 554B) 의 각각은 컨볼루션 계층 (CONV)(356), 정규화 계층 (LNorm)(558), 및 최대 풀링 계층 (MAX POOL)(560) 으로 구성될 수도 있다.
컨볼루션 계층들 (556) 은 피처 맵을 생성하기 위해 입력 데이터에 적용될 수도 있는 하나 이상의 컨볼루션 필터를 포함할 수도 있다. 컨볼루션 블록들 (554A, 554B) 중 2개만이 나타나 있지만, 본 개시는 그렇게 제한되지 않으며, 대신에, 설계 선호도에 따라 임의의 수의 컨볼루션 블록들 (554A, 554B) 이 딥 컨볼루션 네트워크 (550) 에 포함될 수도 있다. 정규화 계층 (558) 은 컨볼루션 필터들의 출력을 정규화할 수도 있다. 예를 들어, 정규화 계층 (558) 은 화이트닝 또는 측면 억제를 제공할 수도 있다. 최대 풀링 계층 (560) 은 국소적 불변 및 차원성 감소를 위해 공간에 걸쳐 다운 샘플링 어그리게이션을 제공할 수도 있다.
예를 들어, 딥 컨볼루션 네트워크의 병렬 필터 뱅크들은 고성능 및 저전력 소비를 달성하기 위해 SOC (300) 의 CPU (302) 또는 GPU (304) 상에 로딩될 수도 있다. 대안의 실시형태들에서, 병렬 필터 뱅크들은 SOC (300) 의 DSP (306) 또는 ISP (316) 상에 로딩될 수도 있다. 또한, 딥 컨볼루션 네트워크 (550) 는 센서들 및 내비게이션에 각각 전용된, 센서 프로세서 (314) 및 내비게이션 모듈 (320) 과 같은 SOC (300) 상에 존재할 수도 있는 다른 프로세싱 블록들에 액세스할 수도 있다.
딥 컨볼루션 네트워크 (550) 는 또한 하나 이상의 완전히 연결된 계층 (562)(FC1 및 FC2) 을 포함할 수도 있다. 딥 컨볼루션 네트워크 (550) 는 로지스틱 회귀 (LR) 계층 (564) 을 더 포함할 수도 있다. 딥 컨볼루션 네트워크 (550) 의 각각의 계층 (556, 558, 560, 562, 564) 사이에는 업데이트될 가중치들 (미도시) 이 있다. 계층들 (예를 들어, 556, 558, 560, 562, 564) 각각의 출력은 컨볼루션 블록들 (554A) 중 첫번째에 공급된 입력 데이터 (552)(예를 들어, 이미지들, 오디오, 비디오, 센서 데이터 및/또는 다른 입력 데이터) 로부터 계위적 피처 표현들을 학습하기 위해 딥 컨볼루션 네트워크 (550) 에서 계층들 (예를 들어, 556, 558, 560, 562, 564) 중 후속하는 하나의 입력으로서 작용할 수도 있다. 딥 컨볼루션 네트워크 (550) 의 출력은 입력 데이터 (552) 에 대한 분류 스코어 (566) 이다. 분류 스코어 (566) 는 확률들의 세트일 수 있으며, 여기서 각각의 확률은 피처들의 세트로부터의 피처를 포함하는, 입력 데이터의 확률이다.
도 6 은 본 개시의 양태들에 따른 예시적인 순환 신경망 (RNN) (600) 을 도시하는 개략 다이어그램이다. 순환 신경망 (600) 은 입력 계층 (602), 순환 연결들을 갖는 은닉 계층 (604), 및 출력 계층 (606) 을 포함한다. 다수의 입력 벡터들 xT 를 갖는 입력 시퀀스 X (예를 들어, X={x0,x1,x2 … xt}) 가 주어지면, 순환 신경망 (600) 은 출력 시퀀스 Z (예를 들어, Z={z0 … zT}) 의 각각의 출력 벡터 zt 에 대한 분류 라벨 yt를 예측할 것이다. 도 6 에 도시된 바와 같이, M 개의 유닛들 (예를 들어, h0 … ht) 을 갖는 은닉 계층 (604) 은 입력 계층 (602) 과 출력 계층 (606) 사이에 특정된다. 은닉 계층 (604) 의 M 개의 유닛들은 입력 시퀀스 X 의 이전 값들 (t'<t) 에 대한 정보를 저장한다. M개의 유닛은 계산 노드 (예를 들어, 뉴런) 일 수 있다. 하나의 구성에서, 순환 신경망 (600) 은 입력 (xT) 을 수신하고, 방정식들을 반복함으로써 출력 (zT) 의 분류 라벨 (yt) 을 생성한다:
여기서, Whx, Whh, 및 Wyh는 가중 행렬들이고, bh 및 by는 바이어스들이고, st 및 ot는 각각 은닉 계층 (604) 및 출력 계층 (606) 에 대한 입력들이고, f 및 g 는 비선형 함수들이다. 함수 f 는 정류기 선형 유닛 (RELU) 을 포함할 수 있고, 일부 양태들에서, 함수 g 는 선형 함수 또는 소프트맥스 함수를 포함할 수 있다. 또한, 은닉 계층 노드들은 t=0 에서, h0=bi 이도록 고정된 바이어스 bi 로 초기화된다. 일부 양태들에서, bi 는 0으로 설정될 수 있다 (예를 들어, bi = 0). 단일 트레이닝 쌍 (x,y) 을 갖는 순환 신경망에 대한 목적 함수 C(θ) 는 C(θ) = 
로서 정의되고, 여기서 θ 는 순환 신경망에서 파라미터들의 세트 (가중치 및 바이어스들) 를 나타낸다.
위에 나타낸 바와 같이, 도 3-6 은 예들로서 제공된다. 다른 예들은 도 3-6 과 관련하여 설명되는 것과 상이할 수도 있다.
설명된 바와 같이, 수신기와 송신기 사이의 채널은 이산 확률적 프로세스에 의해 추정될 수 있으며, 여기서 각각의 시간 스텝은 하나의 직교 주파수 분할 멀티플렉싱 (OFDM) 심볼에 대응한다. 이산 확률적 프로세스는 채널 추정값을 나타내는 벡터 또는 텐서를 생성할 수 있다. 일부 구현들에서, 채널은 무선 통신 채널일 수도 있다. 일부 예들에서, 무선 통신 채널은 칼만 필터 (KF) 에 의해 추적될 수도 있다. 일부 이러한 예들에서, 칼만 필터는 시간에 따른 무선 통신 채널의 추정을 추적할 수 있다.
추가적으로, 설명된 바와 같이, 칼만 필터는 은닉 마르코프 모델 (Hidden Markov Model; HMM) 을 가정하는데, 여기서 실제 채널은 은닉 프로세스 (hidden process) 이고, 관측된 파일럿은 관측된 프로세스에 대응한다. 칼만 필터는 은닉 마르코프 모델에 기초하여 채널을 추적할 수 있다. 칼만 필터에 대한 파라미터들은 관측된 데이터, 이를 테면, 관측된 파일럿들에 기초하거나 도출될 수도 있다. 일부 경우들에서, 파라미터들은 도플러 스펙트럼에 대한 Jakes 모델과 같은 추가적인 가정들에 기초하여 분석적으로 도출될 수 있다.
일부 예들에서, 칼만 필터는 채널에 대한 선형 트랜지션 동역학 및 선형 관측 프로세스를 가정할 수도 있다. 일부 이러한 예들에서, 칼만 필터의 가정은 채널의 실제 진화 동역학에서 벗어날 수 있으며, 이에 의해 채널 추정 정확도를 감소시킬 수 있다. 예를 들어, 채널 추정값들의 정확도는 높은 도플러 시프트 또는 상이한 도플러 시프트들의 조합과 같은 특정 채널 조건들 하에서 감소될 수도 있다. 다른 예로서, 채널 추정치들의 정확도는 단일 추적 기능이 다양한 통신 시나리오들에 대해 사용될 때 감소될 수 있다. 따라서, 칼만 필터로부터 도출된 채널 추정값들의 정확도를 향상시키는 것이 바람직할 수 있다.
본 개시의 양태들은 채널 추정값들을 개선하기 위해 순환 신경망과 같은 인공 신경망으로 칼만 필터를 증강시키는 것에 관한 것이다. 설명의 편의를 위해 증강된 칼만 필터는 NA-KF (neurally-augmented Kalman filter) 로 지칭될 수 있다. 또한, 신경망은 신경 증강 유닛으로 지칭될 수 있다. 일부 예들에서, NA-KF 는 칼만 필터의 출력에 캡슐화된 코어스 채널 동역학 (coarse channel dynamics) 을 통합할 수 있다. 도플러 값은 코어스 채널 동역학 (coarse channel dynamic) 의 일 예이다. 일부 예들에서, NA-KF 는 추가적인 출력으로서 도플러 값을 제공할 수 있다. 또한, NA-KF 는 칼만 필터의 추정값들에 잔차 (residual) 를 추가하는 것에 의해, 실제 채널 동역학과 칼만 필터의 가정들 사이의 불일치를 정정할 수 있다. 일부 예들에서, 채널을 추적하는 것보다는, 잔차 에러를 추적하여 전달능력을 개선할 수도 있다. 일부 구현들에서, 신경 증강 유닛의 패턴 학습 기능은 채널 추정값들을 개선하기 위해 칼만 필터에 의해 생성된 채널 분석과 결합될 수 있다.
설명된 바와 같이, 칼만 필터는 신경 증강 유닛 (예를 들어, 순환 신경망) 으로 증강될 수 있다. 일부 구현들에서, 각각의 시간 스텝에서, 신경 증강 유닛은 칼만 필터의 출력에 기초하여 잔차들을 생성할 수 있다. 일부 예들에서, 각각의 시간 스텝에서, 칼만 필터는 이전 시간 스텝의 평균 및 공분산 추정값들에 기초하여 평균 및 공분산 추정값들을 출력할 수 있다. 잔차들은 잔차 수정된 평균 및 잔차 수정된 공분산과 같은 잔차 수정된 추정값을 생성하기 위해 칼만 필터와 결합될 수 있다. 일부 예들에서, 칼만 필터의 출력은 또한 채널 관측에 기초할 수 있다. 일부 이러한 예들에서, 채널 관측은 수신된 파일롯 심볼 (예를 들어, 레퍼런스 신호) 로부터 획득될 수도 있다. 일부 예들에서, 파일럿 심볼의 부재 시에, 신경 증강 유닛은 수신된 파일롯 심볼로부터 도출된 실제 파일롯 관측의 부재 시에 합성 파일롯 관측을 생성할 수 있다.
본 개시의 양태들에 따르면, 신경 증강 유닛은 칼만 필터의 직접 입력 또는 직접 출력을 수정하지 않는다. 일부 예들에서, 신경 증강 유닛은 독립형 칼만 필터를 제공하도록 디스에이블될 수 있다. 이러한 예들에서, 독립형 칼만 필터는 종래의 무선 통신 시스템과 같은 종래의 통신 시스템들과 백워드로 호환가능할 수도 있다.
일부 예들에서, 칼만 필터는 다음의 은닉 마르코프 모델들 (HMM) 을 가정할 수도 있다:
여기서, 파라미터 ht 는 이산 시간 스텝 (t) 의 실제 채널의 상태의 벡터 (예를 들어, 평탄화된 벡터) 를 나타내고, 파라미터 (wt) 는 프로세스 노이즈를 나타내고, 파라미터 (vt) 는 관측 노이즈를 나타내고, 파라미터들 (A 및 B) 은 계수들을 나타낸다. 일부 경우들, 이를 테면, 다중-입력 다중-출력 채널에서, 파라미터 (ht) 는 이산 시간 스텝 (t) 에서의 채널의 상태의 텐서를 나타낼 수도 있다. 또한, 파라미터 (ot) 는 파일롯 심볼로부터 결정된 채널 (ht) 의 일부의 노이즈 관측을 나타낸다. 파라미터 (ot) 는 파일럿 관측값들로서 지칭될 수도 있다.
설명된 바와 같이, 수신기는 채널 상에서 수신된 파일롯 심볼에 기초하여 채널을 추정할 수 있다. 채널 추정값은 예를 들어, 최대 비율 결합 (maximal ratio combining), 등화 (equalization), 정합 필터링 (matched filtering), 데이터 검출, 또는 복조를 위해 사용될 수 있다. 일부 예들에서, 송신기, 이를 테면, 도 1 을 참조하여 설명된 기지국 (110) 은 일 간격, 이를 테면 시구간에서 파일롯 심볼들을 송신할 수도 있다. 일부 다른 예들에서, 파일롯 심볼들은 또한 비동기적으로 송신될 수 있다. 일부 경우들에서, 송신 파형들은 디코딩된 데이터 또는 제어 페이로드들에 기초하여 복원될 수도 있다. 송신 파형들은 채널 추정을 위한 파일럿들로서 사용될 수 있다. 칼만 필터는 현재 상태에서의 채널 상태 (ht) 가 하나 이상의 이전 채널 상태들, 이를 테면, 채널 상태들 (ht-1 내지 ht-N) 에서의 채널 상태에 대해 의존한다고 가정한다. 식 5 에서, 현재 채널 상태 (ht) 는 이전 채널 상태 (ht-1) 의 선형 변환 및 프로세스 노이즈 (wt) 에 기초할 수도 있다. 또한, 파일럿 관측의 합성 추정치 (ot) 는 현재의 채널 상태 (ht) 및 관측된 노이즈 (vt) 의 선형 변환에 기초하여 획득될 수 있다.
칼만 필터의 파라미터들은 매트릭들 (A 및 B), 프로세스 노이즈 (wt) 및 관측 노이즈 (vt) 를 포함할 수도 있다. 파라미터들은 Jakes 모델과 같은 모델로부터 학습되거나 도출될 수 있다. 칼만 필터는 (이용가능한 경우) 관찰 (ot) 및 이전 채널 상태 (ht-1) 에 대한 평균 (
) 및 공분산 (
) 추정값들에 기초하여 채널 상태 (ht) 의 평균 (
) 및 공분산 (
) 추정값을 생성할 수도 있다. 추정 프로세스는 2 단계 프로세스일 수 있으며, 여기서 각각의 단계는 선형일 수 있다.
일부 예들에서, 현재 채널 상태 (ht) 의 현재 채널 추정값, 이를 테면, 평균 (
) 및 공분산 (
) 추정값은 이전 채널 상태들로부터의 평균 (
내지 
) 및 공분산 (
및 
) 추정값들에 기초할 수도 있다. 예를 들어, 이전 채널 상태 (ht-1) 의 벡터는 다수의 이전 채널 상태들 (ht-1 내지 ht-N) 의 연결 벡터로 대체될 수 있다. 일 구성에서, 더 높은 차수의 자동-회귀 채널 모델은 식 5 의 파라미터 (ht) 를 다수의 이전 시간 스텝들에 대한 채널 벡터들의 연접을 나타내는 파라미터 (st) 로 대체하는 것에 의해 추적될 수도 있다. 일부 예들에서, 채널 추정값들은 시간 도메인에서 수행될 수도 있고, 따라서, 독립적인 채널 탭들과 같은 추가적인 사전 정보를 포함하도록 추가적인 제한들이 도입될 수도 있다. 일 예에서, 행렬 A 는 대각 행렬 (diagonal matrix) 로 제한될 수 있다.
도 7 은 본 개시의 양태들에 따라, 다수의 시간 스텝들에서 신경 증강 유닛 (704) 으로 칼만 필터 (KF) (702) 의 출력을 증강하는 일 예 (700) 를 예시하는 블록 다이어그램이다. 도 7 의 예에서, 칼만 필터 (702) 및 신경 증강 유닛 (704) 은 도 1 및 도 2 를 참조하여 설명된 UE (120) 와 같은 UE 의 컴포넌트들일 수 있다. 일부 이러한 예들에서, 채널 추정값들은 도 2 를 참조하여 설명된 바와 같은 제어기/프로세서 (280), 송신 프로세서 (264) 및/또는 복조기 (254a-254r) 중 하나 이상에 의해 사용될 수 있다. 일부 다른 예들에서, 칼만 필터 (702) 및 신경 증강 유닛 (704) 은 도 1 및 도 2 를 참조하여 설명된 기지국 (110) 과 같은 기지국의 컴포넌트들일 수 있다. 일부 이러한 예들에서, 채널 추정값들은 도 2 를 참조하여 설명된 바와 같은 제어기/프로세서 (240), 송신 프로세서 (220) 및/또는 복조기 (232a-232t) 중 하나 이상에 의해 사용될 수 있다. 도 7 의 칼만 필터 (702) 및 신경 증강 유닛 (704) 은 NA-KF (neurally-augmented Kalman filter) 의 일 예일 수 있다.
도 7 에 도시된 바와 같이, 현재 시간 스텝 (t) 에서, 칼만 필터 (702) 는 이전 채널 추정값의 평균 (
) 및 공분산 (
), 및 현재 시간 스텝 (t) 의 관측 (ot) 을 수신한다. 설명된 바와 같이, 시간 스텝 (t) 에서의 관측 (ot) 은 시간 스텝 (t) 에서 수신된 파일롯 심볼에 기초하여 생성될 수 있다. 일부 예들에서, 관측 (ot) 은 순간 채널 추정으로 지칭될 수 있다. 도 7 의 예에서, 입력들에 기초하여, 칼만 필터 (702) 는 현재 시간 스텝 (t) 에 대한 평균 (
) 및 공분산 (
) 을 생성한다. 평균 (
) 및 공분산 (
) 은 현재 시간 스텝 (t) 에 대한 초기 채널 추정값을 나타낼 수도 있다.
각각의 시간 스텝에서, 칼만 필터 (702) 로부터의 평균 (
) 및 공분산 (
) 은 신경 증강 유닛 (704) 에 입력될 수도 있다. 도 7 에 도시된 바와 같이, 신경 증강 유닛 (704) 은 또한 현재 시간 스텝 (t) 으로부터 관측값 (ot) 을 수신할 수도 있다. 신경 증강 유닛 (704) 은 LSTM (long short term memory) 네트워크, GRU (gated recurrent unit), 또는 다른 유형의 순환 신경망과 같은 순환 네트워크일 수 있다. 신경 증강 유닛 (704) 은 현재 시간 스텝 (t) 에 대한 평균의 잔차 (
) 및 공분산의 잔차 (
) 를 생성할 수도 있다. 도 7 에 도시된 바와 같이, 평균의 잔차 (
) 및 공분산의 잔차 (
) 는 현재 시간 스텝에서의 채널 상태의 평균 (
) 및 공분산 (
) 의 실제 추정값을 획득하기 위해 칼만 필터 (702) 의 평균 (
) 및 공분산 (
) 을 업데이트할 수도 있다. 일부 예들에서, 평균의 잔차 (
) 는 평균 (
) 의 실제 추정값을 획득하기 위해 칼만 필터의 평균 (
) 에 추가될 수도 있다. 추가적으로, 공분산의 잔차 (
) 는 공분산 (
) 의 실제 추정값을 획득하기 위해 칼만 필터 (702) 의 공분산 (
) 에 추가될 수도 있다.
통상의 시스템에서, 하나의 시간 스텝에 대해 칼만 필터 (702) 에 의해 생성된 평균 (
) 및 공분산 (
) 은 칼만 필터 (702) 에 입력되어 후속하는 시간 스텝에 대한 채널 추정값을 결정할 수도 있다. 이와 대조적으로, 본 개시의 양태들은 칼만 필터 (702) 의 추정값들을 수정하기 위해 평균의 잔차 (
) 및 공분산의 잔차 (
) 로 현재 시간 스텝의 평균 (
) 및 공분산 (
) 을 증강시킨다. 즉, 칼만 필터 (702) 의 출력은 신경 증강 유닛 (704) 의 출력과 인터리브된다. 수정된 추정값은 칼만 필터 (702) 에 의해 후속하는 추정값에 사용될 수도 있다. 도 7 의 예 (700) 은 다수의 시간 스텝들 t-1, t, 및 t+1 에 대한 프로세스들을 예시한다. 다수의 칼만 필터들 (702) 은 및 신경 증강 유닛 (704) 은 다수의 시간 스텝들에 걸친 타임라인을 보여주기 위한 예시의 목적을 위하여 도시된다. 본 개시의 양태들은 각각의 시간 스텝에 대해 단일의 칼만 필터 (702) 및 단일의 신경 증강 유닛 (704) 을 사용할 수도 있다. 대안적으로, 다수의 칼만 필터들 (702) 및 신경 증강 유닛 (704) 은 수신 디바이스에 대해 특정될 수도 있다.
도 7 에 도시된 바와 같이, 현재 시간 스텝 (t) 에 관련하여 설명된 프로세스는 후속하는 시간 스텝들, 이를 테면, 다음 시간 스텝 (t+1) 에 대해 반복될 수도 있다. 하나의 구성에서, 파일롯 심볼들이 수신되지 않을 때 (예를 들어, 관측이 누락되었을 때), 신경 증강 유닛 (704) 은 이전 시간 스텝 (t-1) 에서 신경 증강 유닛 (704) 에 의해 생성된 현재 시간 스텝 (t) 에 대한 합성 관측 (
) 을 사용할 수도 있다. 예를 들어, 도 7 에 도시된 바와 같이, 현재 시간 스텝 (t) 에서, 신경 증강 유닛 (704) 은 다음 시간 스텝 (t+1) 에 대한 합성 관측 (
) 을 생성한다. 일부 구현들에서, 매 시간 스텝에서, 신경 증강 유닛 (704) 은 칼만 필터 (702) 에 대한 잔차들을 모델링하고 또한 다음 스텝에 대해 합성 관측 (
) 을 모델링할 수도 있다. 누락 관측의 경우, 신경 증강 유닛 (704) 은 최종 시간 스텝 동안에 입력으로서 자체적으로 모델링된 현재 시간 스텝에 대한 합성 관측 (
) 을 취한다. 대안적으로, 실제 파일롯들이 관측되는 경우에, 신경 증강 유닛 (704) 은 입력으로서 실제 관측 (o) 을 사용할 수도 있다. 도 7 의 예 (700) 에서, 선택적 단계들은 점선들로 예시된다. 합성 관측 (
) 은 칼만 필터 (702) 또는 신경 증강 유닛 (704) 의 일방 또는 양방에 의해 사용될 수도 있다. 일부 구현들에서, 신경 증강 유닛 (704) 은 채널 상태 (ht) 의 실측 자료 또는 실제 관측 (ot) 의 실측 자료에 기초하여 합성 관측 (
) 을 생성하기 위해 트레이닝될 수도 있다.
일부 구현들에서, 신경 증강 유닛 (704) 은 (예를 들어, LSTM 네트워크에서 수행되는 바와 같은) 하나 또는 다수의 내부 상태들을 유지할 수도 있다. 일부 예들에서, 추가적인 정보, 이를 테면, 독립적인 채널 탭들은 신경 증강 유닛 (704) 에 의해 학습된 파라미터들에 추가적인 제한들을 부과할 수 있다.
일부 구현들에서, 칼만 필터 (702) 및 신경 증강 유닛 (704) 은 동시에 트레이닝될 수도 있다. 즉, 칼만 필터 (702) 및 신경 증강 유닛 (704) 은 하나의 시스템 (예를 들어, 기능) 으로서 고려될 수도 있고 칼만 필터 (702) 및 신경 증강 유닛 (704) 의 파라미터들은 함께 트레이닝될 수도 있다. 파라미터들은 신경망 파라미터들 뿐만 아니라 칼만 파라미터들을 포함한다.
다른 구현에서, 칼만 필터 (702) 는 개인적으로 트레이닝될 수도 있다. 칼만 필터를 트레이닝 한 후에, 칼만 필터 (702) 및 신경 증강 유닛 (704) (예를 들어, NA-KF) 의 조합은 전체적으로 트레이닝될 수도 있다. 이 구현에서, 칼만 필터 (702) 및 신경 증강 유닛 (704) 의 조합이 전체적으로 트레이닝될 때, 칼만 필터 (702) 의 파라미터들은 고정될 수도 있다. 칼만 필터 (702) 및 신경 증강 유닛 (704) 의 조합이 칼만 필터 (702) 를 개별적으로 트레이닝한 후에 트레이닝될 때 트레이닝 데이터는 신경망 파라미터들을 트레이닝할 수도 있다. 하나의 구성에서, 신경망 파라미터들은 채널 추정값과 실제 실측 자료 사이의 손실에 기초하여 트레이닝될 수도 있다. 이러한 예에서, 채널 추정값은 칼만 필터 (702) 의 추정값과 신경 증강 유닛 (704) 으로부터 출력되는 잔차의 합일 수도 있다. 잔차 에러는 신경 증강 유닛 (704) 에 대한 실측 자료로서 사용될 수도 있다. 대안적으로, 설명된 바와 같이, 칼만 필터 (702) 및 신경 증강 유닛 (704) 의 조합을 전체적으로 트레이닝할 때, 칼만 필터 (702) 의 파라미터들은 고정될 수도 있고 신경 증강 유닛 (704) 의 파라미터들은 트레이닝될 수도 있다. 즉, 트레이닝은 2-단계 프로세스일 수도 있고, 여기서 칼만 필터 (702) 는 개별적으로 트레이닝된 다음, 칼만 필터 (702) 및 신경 증강 유닛 (704) 의 조합에 플러그인되어 신경망 파라미터들 (예를 들어, 가중치들) 을 학습한다.
합성 관측 (
) 은 트레이닝 동안에 선택적일 수도 있다. 미세 튜닝 스텝은 온라인 또는 오프라인으로 수행될 수도 있다. 미세 튜닝 프로세스는 설명된 트레이닝 프로세스들에 기초하여 적용될 수도 있다.
도 8 은 본 개시의 양태들에 따라, 채널을 추정하고 신경 증강 칼만 필터로 채널을 추적하도록 구성된 일 예의 무선 통신 디바이스 (800) 를 예시하는 블록 다이어그램이다. 무선 통신 디바이스 (800) 는 도 1 및 도 2 를 참조하여 설명된 기지국 (110) 또는 도 1 및 도 2 를 참조하여 설명된 UE (120) 의 양태들의 일 예일 수도 있다. 무선 통신 디바이스 (800) 는 (예를 들어, 하나 이상의 버스들을 통하여) 서로와 통신할 수도 있는 수신기 (810), 통신 관리기 (815) 및 송신기 (820) 를 포함할 수도 있다. 일부 구현들에서, 수신기 (810) 및 송신기 (820) 를 포함할 수도 있다. 일부 예들에서, 무선 통신 디바이스 (800) 는 도 9 를 참조하여 아래 설명된 프로세스 (900) 의 동작들을 포함하는 동작들을 수행하도록 구성된다.
일부 예들에서, 무선 통신 디바이스 (800) 는 칩, 시스템 온 칩 (SoC), 칩세트, 패키지, 또는 적어도 하나의 프로세서 및 적어도 하나의 모뎀 (예를 들어, 5G 모뎀 또는 다른 셀룰라 모뎀) 을 포함하는 디바이스를 포함할 수도 있다. 일부 예들에서, 통신 관리기 (815), 또는 그 서브-컴포넌트들은 별도의 및 별개의 컴포넌트일 수도 있다. 일부 예들에서, 통신 관리기 (815) 의 적어도 일부의 컴포넌트들은 메모리에 저장된 소프트웨어로서 적어도 부분적으로 구현된다. 예를 들어, 통신 관리기 (815) 의 컴포넌트들 중 하나 이상의 부분들은 개별적인 컴포넌트의 기능들 또는 동작들을 수행하도록 프로세서에 의해 실행가능한 비일시적 코드로서 구현될 수도 있다.
수신기 (810) 는 하나 이상의 다른 무선 통신 디바이스들로부터 제어 채널 (예를 들어, PDCCH (physical downlink control channel)) 및 데이터 채널들 (예를 들어, PDSCH (physical downlink shared channel)) 을 포함하는 여러 채널들을 통하여, 하나 이상의 레퍼런스 신호들 (예를 들어, 주기적으로 구성된 CSI-RS들, 비주기적으로 구성된 CSI-RS들, 또는 멀티-빔-고유의 레퍼런스 신호들), 동기화 신호들 (예를 들어, 동기화 신호 블록들 (SSB들)), 이를 테면, 패킷 형태로 된 제어 정보, 및/또는 데이터 정보를 수신할 수도 있다. 다른 무선 통신 디바이스들은, 도 1 및 도 2 를 참조하여 설명된 다른 기지국 (110) 또는 다른 UE (120) 를 포함할 수도 있지만, 이에 제한되지 않는다.
수신된 정보는 무선 통신 디바이스 (800) 의 다른 컴포넌트들 상으로 전달될 수도 있다. 수신기 (810) 는 도 2 를 참조하여 설명된 수신 프로세서 (258 또는 238) 의 양태들의 일 예일 수도 있다. 수신기 (810) 는 안테나들과 커플링되거나 달리 이를 활용하는 무선 주파수 (RF) 체인들의 세트를 포함할 수도 있다 (예를 들어, 안테나들의 세트는 도 2 를 참조하여 설명된 안테나들 (252a 내지 252r) 또는 안테나들 (234a 내지 234t) 의 양태들의 일 예일 수도 있다).
송신기 (820) 는 무선 통신 디바이스 (800) 의 통신 관리기 (815) 또는 다른 컴포넌트들에 의해 생성된 신호들을 송신할 수도 있다. 일부 예들에서, 송신기 (820) 는 트랜시버 내에서 수신기 (810) 와 병치될 수도 있다. 송신기 (820) 는 도 2 를 참조하여 설명된 송신 프로세서 (264) 의 양태들의 일 예일 수도 있다. 송신기 (820) 는 안테나들의 세트와 커플링되거나 달리 이를 활용할 수도 있고 (예를 들어, 안테나들의 세트는 도 2 를 참조하여 설명된 안테나들 (252a 내지 252r) 또는 안테나들 (234a 내지 234t) 의 양태들의 일 예일 수도 있고), 이는 수신기 (810) 와 공유되는 안테나 엘리먼트들일 수도 있다. 일부 예들에서, 송신기 (820) 는 PUCCH (physical uplink control channel) 에서 제어 정보를 그리고 PUSCH (physical uplink shared channel) 에서 데이터를 송신하도록 구성된다.
통신 관리기 (815) 는 도 2 를 참조하여 설명된 제어기/프로세서 (240 또는 280) 의 양태들의 일 예일 수도 있다. 통신 관리기 (815) 는 칼만 필터 (825) 및 신경 증강 유닛 (830) 을 포함한다. 일부 예들에서, 수신기 (810) 와 연계하여 동작하면, 칼만 필터 (825) 는 통신 디바이스에서 수신된 제 1 신호에 기초하여 현재 시간 스텝에 대한 채널의 초기 채널 추정값을 생성할 수도 있다. 일부 예들에서, 채널은 무선 통신 채널일 수도 있다. 일부 예들에서, 칼만 필터 (825) 및 수신기 (810) 와 연계하여 동작하면, 신경 증강 유닛 (830) 은 현재 시간 스텝의 초기 채널 추정값의 잔차를 추론한다. 신경 증강 유닛 (830) 은 순환 신경망, 이를 테면, 도 7 을 참조하여 설명된 신경 증강 유닛 (704) 일 수도 있다. 칼만 필터 (825) 및 신경 증강 유닛 (830) 과 연계하여 동작하면, 통신 관리기 (815) 는 잔차에 기초하여 현재 시간 스텝의 초기 채널 추정값을 업데이트할 수도 있다.
도 9 는 본 개시의 양태들에 따라, 채널을 추정하고 신경 증강된 칼만 필터로 채널을 추정하고 채널을 추적하는 것을 지원하는 무선 통신을 위한 일 예의 프로세스 (900) 를 예시하는 플로우차트이다. 일부 구현들에서, 프로세스 (900) 는, 각각 도 1 및 2 를 참조하여 위에 설명된 UE들 (120) 중 하나와 같은 UE 또는 도 1 및 2 에 대하여 위에 설명된 기지국들 (110) 중 하나와 같은 기지국으로서 또는 그 내에서 동작하는 무선 통신 디바이스에 의해 수행될 수도 있다.
도 9 에 도시된 바와 같이, 프로세스 (900) 는 통신 디바이스에서 수신된 제 1 신호에 기초하여 칼만 필터로 현재 시간 스텝에 대한 채널의 초기 채널 추정값을 생성하는 것에 의해 블록 (902) 에서 시작한다. 일부 예들에서, 채널은 무선 통신 채널일 수도 있다. 블록 (904) 에서, 프로세스 (900) 는 신경망으로, 현재 시간 스텝의 초기 채널 추정값의 잔차를 추론한다. 신경망은 순환 신경망, 이를 테면, 도 7 을 참조하여 설명된 신경 증강 유닛 (704) 일 수도 있다. 일부 예들에서, 현재 시간 스텝의 초기 채널 추정값은 평균 및 공분산을 포함할 수 있다. 이러한 예들에서, 잔차는 초기 채널 추정값의 평균에 기초한 잔차 평균 및 초기 채널 추정값의 공분산에 기초한 잔차 공분산을 포함할 수 있다. 블록 (906) 에서, 프로세스는 잔차에 기초하여 현재 시간 스텝의 초기 채널 추정값을 업데이트한다. 일부 예들에서, 프로세스 (900) 는 초기 채널 추정값을 업데이트하는 것에 기초하여 실제 채널 추정값을 생성하고, 또한 실제 채널 추정값에 기초하여 채널 상에서 수신된 제 2 신호를 디코딩할 수도 있다. 추가적으로, 현재 시간 스텝에 대한 초기 채널 추정값은 이전 시간 스텝으로부터의 실제 채널 추정값에 기초할 수 있다.
구현 예들이 다음의 넘버링된 항들에 기재된다:
1. 통신 디바이스에 의해 수행되는 방법은,
통신 디바이스에서 수신된 제 1 신호에 기초하여 칼만 필터로 현재 시간 스텝에 대한 채널의 초기 채널 추정값을 생성하는 단계;
신경망으로, 현재 시간 스텝의 초기 채널 추정값의 잔차를 추론하는 단계; 및
잔차에 기초하여 상기 현재 시간 스텝의 초기 채널 추정값을 업데이트하는 단계를 포함한다.
2. 항 1 의 방법에서, 현재 시간 스텝의 초기 채널 추정값은 평균 및 공분산을 포함하고; 그리고
잔차는 초기 채널 추정값의 평균에 기초한 잔차 평균 및 초기 채널 추정값의 공분산에 기초한 잔차 공분산을 포함한다.
3. 항 1-2 의 어느 것의 방법은, 현재 시간 스텝의 초기 채널 추정값을 생성하고 현재 시간 스텝의 채널 관측에 기초하여 잔차를 추론하는 단계를 더 포함한다.
4. 항 3 의 방법은, 파일롯 심볼 또는 데이터 심볼로부터 채널 관측을 생성하는 단계를 더 포함하고, 파일롯 심볼 또는 데이터 심볼의 파형은 이전 파일롯 심볼 또는 이전 데이터 심볼을 디코딩하는 것으로부터 알려진다.
5. 항 3 의 방법은, 수신된 파일롯 심볼의 부재 시에 합성 파일롯 추정값 (synthetic pilot estimate) 에 기초하여 채널 관측을 생성하는 단계를 더 포함한다.
6. 항 1-5 의 어느 것의 방법은, 초기 채널 추정값을 업데이트하는 것에 기초하여 실제 채널 추정값을 생성하는 단계; 및
실제 채널 추정값에 기초하여 채널 상에서 수신된 제 2 신호를 디코딩하는 단계를 더 포함한다.
7. 항 1-6 의 어느 것의 방법은, 이전 시간 스텝으로부터의 실제 채널 추정값에 기초하여 현재 시간 스텝에 대한 초기 채널 추정값을 생성하는 단계를 더 포함한다.
8. 항 1-7 의 어느 것의 방법에서, 신경망은 순환 신경망이다.
9. 통신 디바이스에서의 장치는:
프로세서; 및
상기 프로세서와 커플링된 메모리; 및
메모리에 저장된 명령들을 포함하고, 명령들은, 프로세서에 의해 실행될 때, 장치로 하여금:
통신 디바이스에서 수신된 제 1 신호에 기초하여 칼만 필터로 현재 시간 스텝에 대한 채널의 초기 채널 추정값을 생성하고;
신경망으로, 현재 시간 스텝의 초기 채널 추정값의 잔차를 추론하고; 그리고
잔차에 기초하여 상기 현재 시간 스텝의 초기 채널 추정값을 업데이트하게 하도록 동작가능하다.
10. 항 9 의 장치에서, 현재 시간 스텝의 초기 채널 추정값은 평균 및 공분산을 포함하고; 그리고
잔차는 초기 채널 추정값의 평균에 기초한 잔차 평균 및 초기 채널 추정값의 공분산에 기초한 잔차 공분산을 포함한다.
11. 항 9 또는 10 의 장치에서, 명령들의 실행은 또한 장치로 하여금 현재 시간 스텝의 초기 채널 추정값을 생성하고 현재 시간 스텝의 채널 관측에 기초하여 잔차를 추론하게 한다.
12. 항 11 의 장치에서, 명령들의 실행은 또한 장치로 하여금 파일롯 심볼 또는 데이터 심볼로부터 채널 관측을 생성하게 하고, 파일롯 심볼 또는 데이터 심볼의 파형은 이전 파일롯 심볼 또는 이전 데이터 심볼을 디코딩하는 것으로부터 알려진다.
13. 항 11 의 장치에서, 명령들의 실행은 또한 장치로 하여금 수신된 파일롯 심볼의 부재 시에 합성 파일롯 추정값에 기초하여 채널 관측을 생성하게 한다.
14. 항 9-13 의 어느 것의 장치에서, 명령들의 실행은 또한 장치로 하여금:
초기 채널 추정값을 업데이트하는 것에 기초하여 실제 채널 추정값을 생성하게 하고; 그리고
실제 채널 추정값에 기초하여 채널 상에서 수신된 제 2 신호를 디코딩하게 한다.
15. 항 9-14 의 어느 것의 장치에서, 명령들의 실행은 또한 장치로 하여금 이전 시간 스텝으로부터의 실제 채널 추정값에 기초하여 현재 시간 스텝에 대한 초기 채널 추정값을 생성하게 한다.
16. 항 9-15 의 어느 것의 장치에서, 신경망은 순환 신경망이다.
17. 통신 디바이스에서 프로그램 코드가 기록된 비일시적 컴퓨터 판독가능 저장 매체로서, 프로그램 코드는 프로세서에 의해 실행되고 그리고
통신 디바이스에서 수신된 제 1 신호에 기초하여 칼만 필터로 현재 시간 스텝에 대한 채널의 초기 채널 추정값을 생성하기 위한 프로그램 코드;
신경망으로, 현재 시간 스텝의 초기 채널 추정값의 잔차를 추론하기 위한 프로그램 코드; 및
잔차에 기초하여 상기 현재 시간 스텝의 초기 채널 추정값을 업데이트하기 위한 프로그램 코드를 포함한다.
18. 항 17 의 비일시적 컴퓨터 판독가능 매체에서, 현재 시간 스텝의 초기 채널 추정값은 평균 및 공분산을 포함하고; 그리고
잔차는 초기 채널 추정값의 평균에 기초한 잔차 평균 및 초기 채널 추정값의 공분산에 기초한 잔차 공분산을 포함한다.
19. 항 17 또는 18 의 비일시적 컴퓨터 판독가능 매체에서, 프로그램 코드는 현재 시간 스텝의 초기 채널 추정값을 생성하고 현재 시간 스텝의 채널 관측에 기초하여 잔차를 추론하기 위한 프로그램 코드를 더 포함한다.
20. 항 19 의 비일시적 컴퓨터 판독가능 매체에서, 프로그램 코드는 파일롯 심볼 또는 데이터 심볼로부터 채널 관측을 생성하기 위한 프로그램 코드를 더 포함하고, 파일롯 심볼 또는 데이터 심볼의 파형은 이전 파일롯 심볼 또는 이전 데이터 심볼을 디코딩하는 것으로부터 알려진다.
21. 항 19 의 비일시적 컴퓨터 판독가능 매체에서, 프로그램 코드는 수신된 파일롯 심볼의 부재 시에 합성 파일롯 추정값에 기초하여 채널 관측을 생성하기 위한 프로그램 코드를 더 포함한다.
22. 항 17-21 의 비일시적 컴퓨터 판독가능 매체에서, 프로그램 코드는:
초기 채널 추정값을 업데이트하는 것에 기초하여 실제 채널 추정값을 생성하기 위한 프로그램 코드; 및
실제 채널 추정값에 기초하여 채널 상에서 수신된 제 2 신호를 디코딩하기 위한 프로그램 코드를 더 포함한다.
23. 항 17-22 의 비일시적 컴퓨터 판독가능 매체에서, 프로그램 코드는 이전 시간 스텝으로부터의 실제 채널 추정값에 기초하여 현재 시간 스텝에 대한 초기 채널 추정값을 생성하기 위한 프로그램 코드를 더 포함한다.
24. 항 17-23 의 비일시적 컴퓨터 판독가능 매체에서, 신경망은 순환 신경망이다.
25. 통신 디바이스에서의 장치는:
통신 디바이스에서 수신된 제 1 신호에 기초하여 칼만 필터로 현재 시간 스텝에 대한 채널의 초기 채널 추정값을 생성하기 위한 수단;
신경망으로, 현재 시간 스텝의 초기 채널 추정값의 잔차를 추론하기 위한 수단; 및
잔차에 기초하여 상기 현재 시간 스텝의 초기 채널 추정값을 업데이트하기 위한 수단을 포함한다.
26. 항 25 의 장치에서, 현재 시간 스텝의 초기 채널 추정값은 평균 및 공분산을 포함하고; 그리고
잔차는 초기 채널 추정값의 평균에 기초한 잔차 평균 및 초기 채널 추정값의 공분산에 기초한 잔차 공분산을 포함한다.
27. 항 25 또는 26 의 장치는, 현재 시간 스텝의 초기 채널 추정값을 생성하고 현재 시간 스텝의 채널 관측에 기초하여 잔차를 추론하기 위한 수단을 더 포함한다.
28. 항 27 의 장치는, 파일롯 심볼 또는 데이터 심볼로부터 채널 관측을 생성하기 위한 수단을 더 포함하고, 파일롯 심볼 또는 데이터 심볼의 파형은 이전 파일롯 심볼 또는 이전 데이터 심볼을 디코딩하는 것으로부터 알려진다.
29. 항 27 의 장치는, 수신된 파일롯 심볼의 부재 시에 합성 파일롯 추정값에 기초하여 채널 관측을 생성하기 위한 수단을 더 포함한다.
30. 항 25-29 의 어느 것의 장치는, 초기 채널 추정값을 업데이트하는 것에 기초하여 실제 채널 추정값을 생성하기 위한 수단; 및
실제 채널 추정값에 기초하여 채널 상에서 수신된 제 2 신호를 디코딩하기 위한 수단을 더 포함한다.
전술한 개시는 예시 및 설명을 제공하지만, 개시된 정확한 형태로 양태들을 제한하거나 포괄하려는 것은 아니다. 수정들 및 변형들이 상기 개시의 관점에서 행해질 수도 있거나 또는 양태들의 실시로부터 획득될 수도 있다.
본 명세서에서 사용된 바와 같이, 용어 "컴포넌트"는 하드웨어, 펌웨어 및/또는 하드웨어와 소프트웨어의 조합으로서 넓게 해석되도록 의도된다. 사용된 바와 같이, 프로세서는 하드웨어, 펌웨어, 및/또는 하드웨어와 소프트웨어의 조합에서 구현된다.
일부 양태들은 임계값들과 관련하여 설명된다. 사용된 바와 같이, 임계값을 만족하는 것은, 맥락에 의존하여, 값이 임계값 초과인 것, 임계값 이상인 것, 임계값 미만인 것, 임계값 이하인 것, 임계값과 동일한 것, 임계값과 동일하지 않은 것 등을 지칭할 수도 있다.
설명된 시스템들 및/또는 방법들은 상이한 형태들의 하드웨어, 펌웨어, 및/또는 하드웨어 및 소프트웨어의 조합으로 구현될 수도 있음이 명백할 것이다. 이러한 시스템들 및/또는 방법들을 구현하는데 사용된 실제 특수 제어 하드웨어 또는 소프트웨어 코드는 이러한 양태들을 제한하지 않는다. 따라서, 시스템들 및/또는 방법들의 동작 및 거동은 특정 소프트웨어 코드에 대한 참조없이 설명되었다 - 소프트웨어 및 하드웨어는 본 명세서에서의 설명에 적어도 부분적으로 기초하여, 시스템들 및/또는 방법들을 구현하도록 설계될 수 있음이 이해된다.
피처들의 특정 조합들이 청구항들에 기재되고 및/또는 명세서에 개시되어 있지만, 이들 조합들은 다양한 양태들의 개시를 제한하도록 의도되지 않는다. 실제로, 이들 특징들 중 다수는 청구항들에 구체적으로 기재되지 않고 및/또는 명세서에 개시되지 않은 방식으로 조합될 수도 있다. 하기에 열거된 각각의 종속 청구항은 하나의 청구항에만 직접 종속할 수도 있지만, 다양한 양태들의 개시는 청구항 세트에 있는 모든 다른 청구항과 조합하여 각각의 종속 청구항을 포함한다. 아이템들의 리스트 "중 적어도 하나" 를 지칭하는 어구는 단일 멤버들을 포함하여 그 아이템들의 임의의 조합을 지칭한다. 예로서, "a, b, 또는 c 중 적어도 하나" 는 a, b, c, a-b, a-c, b-c, 및 a-b-c, 뿐만 아니라 동일한 엘리먼트의 배수들과의 임의의 조합 (예컨대, a-a, a-a-a, a-a-b, a-a-c, a-b-b, a-c-c, b-b, b-b-b, b-b-c, c-c, 및 c-c-c 또는 a, b, 및 c 의 임의의 다른 순서화) 을 커버하도록 의도된다.
사용된 어떠한 엘리먼트, 액트, 또는 명령도 이와 같이 명시적으로 설명되지 않으면 중요하거나 필수적인 것으로 해석되지 않아야 한다. 또한, 사용된 바와 같이, 관사 "a"및 "an" 은 하나 이상의 아이템들을 포함하도록 의도되고, "하나 이상" 과 상호교환가능하게 사용될 수도 있다. 또한, 사용된 바와 같이, 용어들 "세트" 및 "그룹" 은 하나 이상의 아이템 (예를 들어, 관련된 아이템들, 관련되지 않은 아이템들, 관련된 및 관련되지 않은 아이템들의 조합 등) 을 포함하도록 의도되고, "하나 이상" 과 상호교환가능하게 사용될 수도 있다. 하나의 아이템만이 의도된 경우, 어구 "단 하나만" 또는 유사한 언어가 사용된다. 또한, 사용된 바와 같이, 용어들 "갖는다 (has)", "갖는다 (have)", "갖는 (having)" 등은 오픈-엔드 (open-ended) 용어들인 것으로 의도된다. 또한, 어구 "에 기초한" 은 달리 명시적으로 언급되지 않는 한 "에 적어도 부분적으로 기초한" 을 의미하는 것으로 의도된다.
Claims (30)
- 통신 디바이스에 의해 수행되는 방법으로서,
상기 통신 디바이스에서 수신된 제 1 신호에 기초하여 칼만 필터로 현재 시간 스텝에 대한 채널의 초기 채널 추정값을 생성하는 단계;
신경망으로, 상기 현재 시간 스텝의 상기 초기 채널 추정값의 잔차를 추론하는 단계; 및
상기 잔차에 기초하여 상기 현재 시간 스텝의 상기 초기 채널 추정값을 업데이트하는 단계를 포함하는, 통신 디바이스에 의해 수행되는 방법. - 제 1 항에 있어서,
상기 현재 시간 스텝의 상기 초기 채널 추정값은 평균 및 공분산을 포함하고; 그리고
상기 잔차는 상기 초기 채널 추정값의 평균에 기초한 잔차 평균 및 상기 초기 채널 추정값의 공분산에 기초한 잔차 공분산을 포함하는, 통신 디바이스에 의해 수행되는 방법. - 제 1 항에 있어서,
상기 현재 시간 스텝의 상기 초기 채널 추정값을 생성하고 상기 현재 시간 스텝의 채널 관측에 기초하여 잔차를 추론하는 단계를 더 포함하는, 통신 디바이스에 의해 수행되는 방법. - 제 3 항에 있어서,
파일롯 심볼 또는 데이터 심볼로부터 채널 관측을 생성하는 단계를 더 포함하고, 상기 파일롯 심볼 또는 상기 데이터 심볼의 파형은 이전 파일롯 심볼 또는 이전 데이터 심볼을 디코딩하는 것으로부터 알려진, 통신 디바이스에 의해 수행되는 방법. - 제 3 항에 있어서,
수신된 파일롯 심볼의 부재 시에 합성 파일롯 추정값에 기초하여 채널 관측을 생성하는 단계를 더 포함하는, 통신 디바이스에 의해 수행되는 방법. - 제 1 항에 있어서,
상기 초기 채널 추정값을 업데이트하는 것에 기초하여 실제 채널 추정값을 생성하는 단계; 및
상기 실제 채널 추정값에 기초하여 채널 상에서 수신된 제 2 신호를 디코딩하는 단계를 더 포함하는, 통신 디바이스에 의해 수행되는 방법. - 제 1 항에 있어서,
이전 시간 스텝으로부터의 실제 채널 추정값에 기초하여 상기 현재 시간 스텝에 대한 상기 초기 채널 추정값을 생성하는 단계를 더 포함하는, 통신 디바이스에 의해 수행되는 방법. - 제 1 항에 있어서,
상기 신경망은 순환 신경망인, 통신 디바이스에 의해 수행되는 방법. - 통신 디바이스에서의 장치로서,
프로세서; 및
상기 프로세서와 커플링된 메모리; 및
상기 메모리에 저장된 명령들을 포함하고,
상기 명령들은, 상기 프로세서에 의해 실행될 때, 상기 장치로 하여금:
상기 통신 디바이스에서 수신된 제 1 신호에 기초하여 칼만 필터로 현재 시간 스텝에 대한 채널의 초기 채널 추정값을 생성하게 하고;
신경망으로, 상기 현재 시간 스텝의 상기 초기 채널 추정값의 잔차를 추론하게 하고; 그리고
상기 잔차에 기초하여 상기 현재 시간 스텝의 상기 초기 채널 추정값을 업데이트하게 하도록 동작가능한, 통신 디바이스에서의 장치. - 제 9 항에 있어서,
상기 현재 시간 스텝의 상기 초기 채널 추정값은 평균 및 공분산을 포함하고; 그리고
상기 잔차는 상기 초기 채널 추정값의 평균에 기초한 잔차 평균 및 상기 초기 채널 추정값의 공분산에 기초한 잔차 공분산을 포함하는, 통신 디바이스에서의 장치. - 제 9 항에 있어서,
상기 명령들의 실행은 또한 상기 장치로 하여금 상기 현재 시간 스텝의 상기 초기 채널 추정값을 생성하고 상기 현재 시간 스텝의 채널 관측에 기초하여 잔차를 추론하게 하는, 통신 디바이스에서의 장치. - 제 11 항에 있어서,
상기 명령들의 실행은 또한 상기 장치로 하여금 파일롯 심볼 또는 데이터 심볼로부터 채널 관측을 생성하게 하고, 상기 파일롯 심볼 또는 상기 데이터 심볼의 파형은 이전 파일롯 심볼 또는 이전 데이터 심볼을 디코딩하는 것으로부터 알려진, 통신 디바이스에서의 장치. - 제 11 항에 있어서,
상기 명령들의 실행은 또한 상기 장치로 하여금 수신된 파일롯 심볼의 부재 시에 합성 파일롯 추정값에 기초하여 채널 관측을 생성하게 하는, 통신 디바이스에서의 장치. - 제 9 항에 있어서,
상기 명령들의 실행은 또한 상기 장치로 하여금:
상기 초기 채널 추정값을 업데이트하는 것에 기초하여 실제 채널 추정값을 생성하게 하고; 그리고
상기 실제 채널 추정값에 기초하여 채널 상에서 수신된 제 2 신호를 디코딩하게 하는, 통신 디바이스에서의 장치. - 제 9 항에 있어서,
상기 명령들의 실행은 또한 상기 장치로 하여금 이전 시간 스텝으로부터의 실제 채널 추정값에 기초하여 상기 현재 시간 스텝에 대한 상기 초기 채널 추정값을 생성하게 하는, 통신 디바이스에서의 장치. - 제 9 항에 있어서,
상기 신경망은 순환 신경망인, 통신 디바이스에서의 장치. - 통신 디바이스에서 프로그램 코드가 기록된 비일시적 컴퓨터 판독가능 저장 매체로서,
상기 프로그램 코드는 프로세서에 의해 실행되고,
상기 통신 디바이스에서 수신된 제 1 신호에 기초하여 칼만 필터로 현재 시간 스텝에 대한 채널의 초기 채널 추정값을 생성하기 위한 프로그램 코드;
신경망으로, 상기 현재 시간 스텝의 상기 초기 채널 추정값의 잔차를 추론하기 위한 프로그램 코드; 및
상기 잔차에 기초하여 상기 현재 시간 스텝의 상기 초기 채널 추정값을 업데이트하기 위한 프로그램 코드를 포함하는, 비일시적 컴퓨터 판독가능 저장 매체. - 제 17 항에 있어서,
상기 현재 시간 스텝의 초기 채널 추정값은 평균 및 공분산을 포함하고; 그리고
상기 잔차는 상기 초기 채널 추정값의 평균에 기초한 잔차 평균 및 상기 초기 채널 추정값의 공분산에 기초한 잔차 공분산을 포함하는, 비일시적 컴퓨터 판독가능 저장 매체. - 제 17 항에 있어서,
상기 프로그램 코드는 상기 현재 시간 스텝의 상기 초기 채널 추정값을 생성하고 상기 현재 시간 스텝의 채널 관측에 기초하여 잔차를 추론하기 위한 프로그램 코드를 더 포함하는, 비일시적 컴퓨터 판독가능 저장 매체. - 제 19 항에 있어서,
상기 프로그램 코드는 파일롯 심볼 또는 데이터 심볼로부터 채널 관측을 생성하기 위한 프로그램 코드를 더 포함하고, 상기 파일롯 심볼 또는 상기 데이터 심볼의 파형은 이전 파일롯 심볼 또는 이전 데이터 심볼을 디코딩하는 것으로부터 알려진, 비일시적 컴퓨터 판독가능 저장 매체. - 제 19 항에 있어서,
상기 프로그램 코드는 수신된 파일롯 심볼의 부재 시에 합성 파일롯 추정값에 기초하여 채널 관측을 생성하기 위한 프로그램 코드를 더 포함하는, 비일시적 컴퓨터 판독가능 저장 매체. - 제 17 항에 있어서,
상기 프로그램 코드는:
상기 초기 채널 추정값을 업데이트하는 것에 기초하여 실제 채널 추정값을 생성하기 위한 프로그램 코드; 및
상기 실제 채널 추정값에 기초하여 채널 상에서 수신된 제 2 신호를 디코딩하기 위한 프로그램 코드를 더 포함하는, 비일시적 컴퓨터 판독가능 저장 매체. - 제 17 항에 있어서,
상기 프로그램 코드는 이전 시간 스텝으로부터의 실제 채널 추정값에 기초하여 상기 현재 시간 스텝에 대한 상기 초기 채널 추정값을 생성하기 위한 프로그램 코드를 더 포함하는, 비일시적 컴퓨터 판독가능 저장 매체. - 제 17 항에 있어서,
상기 신경망은 순환 신경망인, 비일시적 컴퓨터 판독가능 저장 매체. - 통신 디바이스에서의 장치로서,
상기 통신 디바이스에서 수신된 제 1 신호에 기초하여 칼만 필터로 현재 시간 스텝에 대한 채널의 초기 채널 추정값을 생성하기 위한 수단;
신경망으로, 상기 현재 시간 스텝의 상기 초기 채널 추정값의 잔차를 추론하기 위한 수단; 및
상기 잔차에 기초하여 상기 현재 시간 스텝의 상기 초기 채널 추정값을 업데이트하기 위한 수단을 포함하는, 통신 디바이스에서의 장치. - 제 25 항에 있어서,
상기 현재 시간 스텝의 상기 초기 채널 추정값은 평균 및 공분산을 포함하고; 그리고
상기 잔차는 상기 초기 채널 추정값의 평균에 기초한 잔차 평균 및 상기 초기 채널 추정값의 공분산에 기초한 잔차 공분산을 포함하는, 통신 디바이스에서의 장치. - 제 25 항에 있어서,
상기 현재 시간 스텝의 상기 초기 채널 추정값을 생성하고 상기 현재 시간 스텝의 채널 관측에 기초하여 잔차를 추론하기 위한 수단을 더 포함하는, 통신 디바이스에서의 장치. - 제 27 항에 있어서,
파일롯 심볼 또는 데이터 심볼로부터 채널 관측을 생성하기 위한 수단을 더 포함하고, 상기 파일롯 심볼 또는 상기 데이터 심볼의 파형은 이전 파일롯 심볼 또는 이전 데이터 심볼을 디코딩하는 것으로부터 알려진, 통신 디바이스에서의 장치. - 제 27 항에 있어서,
수신된 파일롯 심볼의 부재 시에 합성 파일롯 추정값에 기초하여 채널 관측을 생성하기 위한 수단을 더 포함하는, 통신 디바이스에서의 장치. - 제 25 항에 있어서,
상기 초기 채널 추정값을 업데이트하는 것에 기초하여 실제 채널 추정값을 생성하기 위한 수단; 및
상기 실제 채널 추정값에 기초하여 채널 상에서 수신된 제 2 신호를 디코딩하기 위한 수단을 더 포함하는, 통신 디바이스에서의 장치.
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202063041637P | 2020-06-19 | 2020-06-19 | |
| US63/041,637 | 2020-06-19 | ||
| US17/349,744 US11616666B2 (en) | 2020-06-19 | 2021-06-16 | Neural network augmentation for wireless channel estimation and tracking |
| US17/349,744 | 2021-06-16 | ||
| PCT/US2021/037938 WO2021257907A1 (en) | 2020-06-19 | 2021-06-17 | Neural network augmentation for wireless channel estimation and tracking |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230026319A true KR20230026319A (ko) | 2023-02-24 |
Family
ID=79022149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020227043415A KR20230026319A (ko) | 2020-06-19 | 2021-06-17 | 무선 채널 추정 및 추적을 위한 신경망 증강 |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US11616666B2 (ko) |
| EP (1) | EP4169217A1 (ko) |
| JP (1) | JP2023531397A (ko) |
| KR (1) | KR20230026319A (ko) |
| CN (1) | CN115702561A (ko) |
| BR (1) | BR112022024903A2 (ko) |
| TW (1) | TW202201935A (ko) |
| WO (1) | WO2021257907A1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230021835A1 (en) * | 2021-07-26 | 2023-01-26 | Qualcomm Incorporated | Signaling for additional training of neural networks for multiple channel conditions |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180302213A1 (en) | 2017-04-17 | 2018-10-18 | Collision Communications, Inc. | Methods, systems, and computer program products for communication channel prediction from received multipath communications in a wireless communications system |
| US20220166650A1 (en) * | 2019-05-08 | 2022-05-26 | Lg Electronics Inc. | Method for tracking channel in wireless av system and wireless device using same |
| WO2021175444A1 (en) * | 2020-03-06 | 2021-09-10 | Nokia Technologies Oy | Classes of nn parameters for channel estimation |
-
2021
- 2021-06-16 US US17/349,744 patent/US11616666B2/en active Active
- 2021-06-17 KR KR1020227043415A patent/KR20230026319A/ko active Search and Examination
- 2021-06-17 CN CN202180042205.4A patent/CN115702561A/zh active Pending
- 2021-06-17 BR BR112022024903A patent/BR112022024903A2/pt unknown
- 2021-06-17 WO PCT/US2021/037938 patent/WO2021257907A1/en unknown
- 2021-06-17 JP JP2022576141A patent/JP2023531397A/ja active Pending
- 2021-06-17 EP EP21742224.5A patent/EP4169217A1/en active Pending
- 2021-06-18 TW TW110122324A patent/TW202201935A/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| TW202201935A (zh) | 2022-01-01 |
| WO2021257907A1 (en) | 2021-12-23 |
| CN115702561A (zh) | 2023-02-14 |
| JP2023531397A (ja) | 2023-07-24 |
| BR112022024903A2 (pt) | 2022-12-27 |
| US11616666B2 (en) | 2023-03-28 |
| EP4169217A1 (en) | 2023-04-26 |
| US20210399924A1 (en) | 2021-12-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11653228B2 (en) | Channel state information (CSI) learning | |
| US20210326701A1 (en) | Architecture for machine learning (ml) assisted communications networks | |
| WO2021208061A1 (en) | Configurable neural network for channel state feedback (csf) learning | |
| US20210264255A1 (en) | Gradient feedback framework for joint transceiver neural network training | |
| US11863495B2 (en) | Signaling for a channel state information reference signal (CSI-RS) | |
| US11616582B2 (en) | Neural network-based spatial inter-cell interference learning | |
| US20240129844A1 (en) | Cross-node deep learning methods of selecting machine learning modules in wireless communication systems | |
| US11456834B2 (en) | Adaptive demodulation reference signal (DMRS) | |
| KR20230066330A (ko) | 인공 뉴럴 네트워크들의 협력 트레이닝을 위한 기지의 데이터의 송신 | |
| US11616666B2 (en) | Neural network augmentation for wireless channel estimation and tracking | |
| US20220405602A1 (en) | Channel feature extraction via model-based neural networks | |
| WO2023070486A1 (en) | Channel state feedback for reduced resource consumption reference signals | |
| US11722921B2 (en) | Secondary cell group selection based on primary frequency band measurements | |
| US20230297825A1 (en) | Weighted average federated learning based on neural network training loss | |
| US20220335294A1 (en) | Reporting for machine learning model updates | |
| KR20240099148A (ko) | 감소된 리소스 소비 기준 신호들에 대한 채널 상태 피드백 | |
| EP4327251A1 (en) | Reporting for machine learning model updates |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |