KR20230094147A

KR20230094147A - Method and apparatus for evaluating performance of channel estimation in communication system

Info

Publication number: KR20230094147A
Application number: KR1020220172435A
Authority: KR
Inventors: 이안석; 권용진; 이희수; 김윤주; 박현서; 이유로
Original assignee: 한국전자통신연구원
Priority date: 2021-12-20
Filing date: 2022-12-12
Publication date: 2023-06-27

Abstract

통신 시스템에서 채널 추정 성능 평가 기술이 개시된다. 통신 시스템에서 단말의 동작 방법으로서, 채널 추정 인공 지능 모델에 대한 정보를 기지국으로부터 수신하는 단계; 상기 기지국으로부터 제1 신호 A를 수신하여 상기 채널 추정 인공 지능 모델을 사용하여 1차 채널 추정을 수행하는 단계; 및 상기 추정된 채널을 사용하여 상기 기지국으로부터 데이터를 수신하는 단계를 포함하는, 단말의 동작 방법을 제공할 수 있다.A channel estimation performance evaluation technique in a communication system is disclosed. A method of operating a terminal in a communication system, comprising: receiving information on a channel estimation artificial intelligence model from a base station; receiving a first signal A from the base station and performing primary channel estimation using the channel estimation artificial intelligence model; and receiving data from the base station using the estimated channel.

Description

Method and apparatus for evaluating channel estimation performance in communication system

본 개시는 통신 시스템에서 채널 추정 성능 평가 기술에 관한 것으로, 더욱 상세하게는 인공 지능에 기반하여 추정한 채널의 성능을 평가할 수 있도록 하는 통신 시스템에서 채널 추정 성능 평가 기술에 관한 것이다.The present disclosure relates to a channel estimation performance evaluation technique in a communication system, and more particularly, to a channel estimation performance evaluation technique in a communication system capable of evaluating channel performance estimated based on artificial intelligence.

정보 통신 기술의 발전과 더불어 다양한 무선 통신 기술이 개발될 수 있다. 대표적인 무선 통신 기술로 3GPP(3rd generation partnership project) 표준에서 규정된 LTE(long term evolution), NR(new radio), 6G(6th Generation) 등이 있을 수 있다. LTE는 4G(4th Generation) 무선 통신 기술들 중에서 하나의 무선 통신 기술일 수 있고, NR은 5G(5th Generation) 무선 통신 기술들 중에서 하나의 무선 통신 기술일 수 있다.Along with the development of information communication technology, various wireless communication technologies may be developed. Representative wireless communication technologies may include long term evolution (LTE), new radio (NR), 6th generation (6G), and the like specified in the 3rd generation partnership project (3GPP) standard. LTE may be one wireless communication technology among 4th generation (4G) wireless communication technologies, and NR may be one wireless communication technology among 5th generation (5G) wireless communication technologies.

4G 통신 시스템(예를 들어, LTE를 지원하는 통신 시스템)의 상용화 이후에 급증하는 무선 데이터의 처리를 위해, 4G 통신 시스템의 주파수 대역(예를 들어, 6GHz 이하의 주파수 대역)뿐만 아니라 4G 통신 시스템의 주파수 대역보다 높은 주파수 대역(예를 들어, 6GHz 이상의 주파수 대역)을 사용하는 5G 통신 시스템(예를 들어, NR을 지원하는 통신 시스템)이 고려될 수 있다. 5G 통신 시스템은 eMBB(enhanced Mobile BroadBand), URLLC(Ultra-Reliable and Low Latency Communication) 및 mMTC(massive Machine Type Communication)을 지원할 수 있다.For the processing of rapidly increasing wireless data after the commercialization of 4G communication systems (eg, communication systems supporting LTE), the frequency band (eg, frequency bands below 6 GHz) of the 4G communication system as well as the 4G communication system A 5G communication system (eg, a communication system supporting NR) using a frequency band higher than the frequency band of (eg, a frequency band of 6 GHz or higher) may be considered. The 5G communication system may support eMBB (enhanced Mobile BroadBand), URLLC (Ultra-Reliable and Low Latency Communication), and mMTC (massive machine type communication).

이와 같은 통신 시스템에서 채널 추정 기술은 무선 전송 신호의 안정적인 수신을 위해 필요할 수 있다. 기존 4G까지의 이동 통신 기술에서 단말은 셀 특정(cell specific) 공통 기준 신호(common reference signal)를 통하여 채널 추정을 할 수 있다. 그리고, 4G부터 현재 5G까지의 이동 통신 기술에서 단말은 단말 별 수신을 위한 복조 기준 신호(demodulation reference signal, DM-RS)를 통하여 채널 추정을 할 수 있다. 한편, 채널 추정 방법으로 선형 최소 평균 제곱 오차(Linear Minimum Mean Squared Error, Linear MMSE) 방법은 기준 신호를 통한 채널 추정을 수행하기 위한 방법일 수 있다. 이와 같은 선형 최소 평균 제곱 오차 방법은 기준 신호 자원 및 목표 자원 사이의 상관 행렬(correlation matrix)의 추정이 필요할 수 있다. 이를 위한 상관 행렬의 추정은 높은 연산 복잡도를 필요로 할 수 있다. 다른 채널 추정 기법으로 최소 제곱(least square, LS) 방법이 존재할 수 있다. 이와 같은 최소 제곱 방법은 낮은 복잡도로 인하여 널리 사용될 수 있다. 하지만, 최소 제곱 방법은 상대적으로 낮은 채널 추정 성능을 가질 수 있다.In such a communication system, a channel estimation technique may be required for stable reception of a wireless transmission signal. In existing mobile communication technologies up to 4G, a terminal may perform channel estimation through a cell specific common reference signal. And, in the mobile communication technology from 4G to the current 5G, the terminal can perform channel estimation through a demodulation reference signal (DM-RS) for reception for each terminal. Meanwhile, as a channel estimation method, a linear minimum mean squared error (Linear MMSE) method may be a method for performing channel estimation using a reference signal. Such a linear least mean square error method may require estimation of a correlation matrix between a reference signal resource and a target resource. Estimation of a correlation matrix for this purpose may require high computational complexity. As another channel estimation technique, a least square (LS) method may exist. This least squares method can be widely used due to its low complexity. However, the least squares method may have relatively low channel estimation performance.

상기와 같은 문제점을 해결하기 위한 본 개시의 목적은, 인공 지능에 기반하여 추정한 채널의 성능을 평가할 수 있도록 하는 통신 시스템에서 채널 추정 성능 평가 방법 및 장치를 제공하는데 있다.An object of the present disclosure to solve the above problems is to provide a method and apparatus for evaluating channel estimation performance in a communication system capable of evaluating channel performance estimated based on artificial intelligence.

상기 목적을 달성하기 위한 본 개시의 제1 실시예에 따른 통신 시스템에서 채널 추정 성능 평가 방법은, 통신 시스템에서 채널 추정 인공 지능 모델을 탑재한 단말의 동작 방법으로서, 기지국으로부터 제1 신호 A를 수신하여 상기 채널 추정 인공 지능 모델을 사용하여 1차 채널 추정을 수행하는 단계; 및 상기 추정된 채널을 사용하여 상기 기지국으로부터 하향링크 데이터를 수신하는 단계를 포함할 수 있다.To achieve the above object, a method for evaluating channel estimation performance in a communication system according to a first embodiment of the present disclosure is a method for operating a terminal equipped with a channel estimation artificial intelligence model in a communication system, and receives a first signal A from a base station. performing primary channel estimation using the channel estimation artificial intelligence model; and receiving downlink data from the base station using the estimated channel.

여기서, 신호 A는 기준 신호로 채널 추정에 사용하는 신호일 수 있다. 그리고, 신호 B는 기준 방송 신호 또는 전용 신호로 데이터 신호의 전송 또는 제어 신호의 전송에 사용하는 신호일 수 있다. Here, signal A may be a signal used for channel estimation as a reference signal. Signal B is a reference broadcasting signal or a dedicated signal, and may be a signal used for transmitting a data signal or a control signal.

여기서, 제1 임계값에 대한 정보를 포함하는 성능 평가 설정 정보를 상기 기지국으로부터 수신하는 단계; 상기 기지국으로부터 제2 신호 A를 수신하여 2차 채널 추정을 수행하는 단계; 상기 2차 채널 추정에 기반하여 상기 기지국으로부터 제1 신호 B를 수신하여 1차 수신 성능 지표를 산출하는 단계; 상기 기지국으로부터 상기 제3 신호 A를 수신하여 채널 추정 인공 지능 모델을 사용하여 3차 채널 추정을 수행하는 단계; 상기 3차 채널 추정에 기반하여 상기 기지국으로부터 제2 신호 B를 수신하여 2차 수신 성능 지표를 산출하는 단계; 및 상기 2차 수신 성능 지표가 상기 1차 수신 성능 지표보다 상기 제1 임계값 이상인 경우에 상기 기지국에 상기 채널 추정 인공 지능 모델의 적용을 요청하는 단계를 포함할 수 있다.Here, receiving performance evaluation setting information including information on a first threshold from the base station; performing secondary channel estimation by receiving a second signal A from the base station; calculating a first reception performance indicator by receiving a first signal B from the base station based on the second channel estimation; receiving the third signal A from the base station and performing tertiary channel estimation using a channel estimation artificial intelligence model; calculating a second reception performance indicator by receiving a second signal B from the base station based on the third channel estimation; and requesting application of the channel estimation artificial intelligence model to the base station when the second reception performance indicator is greater than the first threshold value than the first reception performance indicator.

여기서, 상기 1차 수신 성능 지표는 상기 제1 신호 B의 수신 시 LLR(log likelihood ratio) 값이며, 상기 2차 수신 성능 지표는 상기 제2 신호 B의 수신 시 LLR 값일 수 있다.Here, the primary reception performance index may be a log likelihood ratio (LLR) value upon reception of the first signal B, and the secondary reception performance index may be an LLR value upon reception of the second signal B.

여기서, 상기 성능 평가 설정 정보는 성능 평가 반복 횟수에 대한 정보를 더 포함하며, 상기 단말은 상기 성능 평가 반복 횟수에 따라 여러 차례의 수신 성능 평가들을 수행하여 얻은 평균값을 상기 1차 수신 성능 지표 또는 상기 2차 수신 성능 지표로 할 수 있다.Here, the performance evaluation setting information further includes information on the number of repetitions of performance evaluation, and the terminal performs several reception performance evaluations according to the number of repetitions of performance evaluation, and the average value obtained is the first reception performance index or the number of repetitions of the performance evaluation. It can be used as a secondary reception performance indicator.

여기서, 상기 제3 신호 A는 CDM(code division multiplexing) 그룹 단위로 상기 제2 신호 A의 밀도가 감소된 신호 또는 RB(resource block) 단위로 상기 제2 신호 A의 밀도가 감소된 신호일 수 있다.Here, the third signal A may be a signal in which the density of the second signal A is reduced in units of code division multiplexing (CDM) groups or a signal in which the density of the second signal A is reduced in units of resource blocks (RBs).

여기서, 신호 A에 대하여 자원 감소 단위에 대한 정보, 밀도 감소 정도에 대한 정보 또는 심볼 별 오프셋에 대한 정보 중에서 적어도 하나 이상을 포함하는 밀도 감소 설정 정보를 상기 기지국으로부터 수신하는 단계를 더 포함하며, 상기 단말은 밀도 감소 설정 정보에 기반하여 상기 제1 신호 A를 수신할 수 있다.Here, the method further comprises receiving, from the base station, density reduction setting information including at least one of information on a resource reduction unit, information on a degree of density reduction, or information on an offset per symbol for signal A, from the base station. The terminal may receive the first signal A based on the density reduction setting information.

여기서, 상기 기지국으로부터 제4 신호 A를 수신하여 상기 채널 추정 인공 지능 모델을 사용하여 4차 채널 추정을 수행하는 단계; 상기 제4 차 채널 추정에 기반하여 상기 기지국으로부터 제3 신호 B를 수신하여 3차 수신 성능 지표를 산출하는 단계; 및 상기 1차 수신 성능 지표가 상기 3차 수신 성능 지표보다 제2 임계값 이상인 경우에 상기 기지국에 상기 채널 추정 인공 지능 모델의 성능 하락 결과를 보고하는 단계를 더 포함할 수 있다.Here, receiving a fourth signal A from the base station and performing 4th channel estimation using the channel estimation artificial intelligence model; calculating a third reception performance index by receiving a third signal B from the base station based on the fourth order channel estimation; and reporting a performance degradation result of the channel estimation artificial intelligence model to the base station when the first reception performance indicator is greater than or equal to a second threshold value than the third reception performance indicator.

여기서, 상기 성능 하락 결과는 채널 특성 정보를 포함하며, 상기 단말은 상기 채널 특성 정보에 기반하여 변경된 채널 추정 인공 지능 모델에 대한 정보를 상기 기지국으로부터 수신하는 단계; 및 상기 변경된 채널 추정 인공 지능 모델을 사용하여 채널 추정을 수행하는 단계를 더 포함할 수 있다.Here, the performance degradation result includes channel characteristic information, and the terminal receives information about a channel estimation artificial intelligence model changed based on the channel characteristic information from the base station; and performing channel estimation using the changed artificial intelligence model for channel estimation.

여기서, 기울기 벡터 생성 주기에 대한 정보와 기울기 벡터 전송 주기에 대한 정보를 포함하는 업데이트 설정 정보를 상기 기지국으로부터 수신하는 단계; 및 상기 기울기 벡터 생성 주기에 따라 상기 데이터에 기반하여 심층 신경망의 기울기 벡터값을 산출하는 단계를 포함할 수 있다.Here, receiving update setting information including information on a gradient vector generation period and information on a gradient vector transmission period from the base station; and calculating a gradient vector value of the deep neural network based on the data according to the gradient vector generation period.

여기서, 상기 기울기 벡터 전송 주기에 따라 상기 기지국으로 상기 산출한 기울기 벡터값을 전송하는 단계를 더 포함할 수 있다.Here, the method may further include transmitting the calculated gradient vector value to the base station according to the gradient vector transmission period.

여기서, 상기 산출한 기울기 벡터값을 사용하여 상기 채널 추정 인공 지능 모델을 업데이트하는 단계를 더 포함할 수 있다.Here, the method may further include updating the channel estimation artificial intelligence model using the calculated gradient vector value.

여기서, 상기 하향링크 데이터에 기반하여 기울기 벡터값을 산출하는 단계는, 상기 하향링크 데이터에서 수신 신호에 대한 정보를 생성하는 단계; 상기 하향링크 데이터에서 송신 데이터를 파악하는 단계; 상기 송신 데이터에서 송신 신호에 대한 정보를 생성하는 단계; 상기 송신 신호에 대한 정보와 상기 수신 신호에 대한 정보를 이용하여 실제 채널 정보를 생성하는 단계; 상기 채널 추정 인공 지능 모델을 이용하여 추정한 채널 정보와 실제 채널 정보를 비교하여 오차 정보를 생성하는 단계; 및 상기 오차 정보에 후방 전파 방법을 적용하여 심층 신경망의 상기 기울기 벡터값을 산출하는 단계를 포함할 수 있다.Here, calculating a gradient vector value based on the downlink data may include generating information about a received signal from the downlink data; identifying transmission data from the downlink data; generating information about a transmission signal from the transmission data; generating actual channel information using information on the transmitted signal and information on the received signal; generating error information by comparing channel information estimated using the channel estimation artificial intelligence model with actual channel information; and calculating the gradient vector value of the deep neural network by applying a back propagation method to the error information.

여기서, 상기 제1 신호 B와 상기 제2 신호 B의 각각은 기준 방송 신호 또는 전용 신호일 수 있다.Here, each of the first signal B and the second signal B may be a reference broadcasting signal or a dedicated signal.

한편, 상기 목적을 달성하기 위한 본 개시의 제2 실시예에 따른 통신 시스템에서 채널 추정 성능 평가 방법은, 통신 시스템에서 기지국의 동작 방법으로서, 단말로부터 제1 채널 특성 정보를 수신하는 단계; 상기 제1 채널 특성 정보에 기반하여 상기 단말에 적합한 채널 추정 인공 지능 모델을 선정하는 단계; 상기 선정된 채널 추정 인공 지능 모델에 대한 정보를 상기 단말로 전송하는 단계; 채널 추정에 사용하는 제1 신호 A와 수신 성능 평가에 사용하는 제1 신호 B를 상기 단말로 전송하는 단계: 및 상기 단말로부터 상기 채널 추정 인공 지능 모델에 대한 1차 수신 성능 지표를 수신하는 단계를 포함할 수 있다.Meanwhile, a method for evaluating channel estimation performance in a communication system according to a second embodiment of the present disclosure for achieving the above object is a method of operating a base station in a communication system, comprising the steps of receiving first channel characteristic information from a terminal; Selecting a channel estimation artificial intelligence model suitable for the terminal based on the first channel characteristic information; Transmitting information about the selected channel estimation artificial intelligence model to the terminal; Transmitting a first signal A used for channel estimation and a first signal B used for receiving performance evaluation to the terminal; and receiving a primary reception performance indicator for the channel estimation artificial intelligence model from the terminal. can include

여기서, 상기 단말로부터 제2 채널 특성 정보를 포함하는 모델 변경 요청 신호를 수신하는 단계; 상기 2차 채널 특성 정보에 기반하여 변경된 채널 추정 인공 지능 모델을 선정하는 단계; 및 상기 변경된 채널 추정 인공 지능 모델에 대한 정보를 상기 단말로 전송하는 단계를 더 포함할 수 있다.Here, receiving a model change request signal including second channel characteristic information from the terminal; Selecting a changed channel estimation artificial intelligence model based on the secondary channel characteristic information; and transmitting information on the changed channel estimation artificial intelligence model to the terminal.

여기서, 상기 단말로부터 제2 채널 특성 정보를 포함하는 2차 수신 성능 지표를 수신하는 단계; 상기 2차 수신 성능 지표가 상기 1차 수신 성능 지표보다 임계값 이하로 하락한 경우에 상기 2차 채널 특성 정보에 기반하여 변경된 채널 추정 인공 지능 모델을 선정하는 단계; 및 상기 변경된 채널 추정 인공 지능 모델에 대한 정보를 상기 단말로 전송하는 단계를 더 포함할 수 있다.Here, receiving a second reception performance indicator including second channel characteristic information from the terminal; selecting a changed artificial intelligence model for estimating a channel based on the secondary channel characteristic information when the secondary reception performance indicator is lower than the first reception performance indicator by a threshold value; and transmitting information on the changed channel estimation artificial intelligence model to the terminal.

여기서, 기울기 벡터 생성 주기에 대한 정보와 기울기 벡터 전송 주기에 대한 정보를 포함하는 업데이터 설정 정보를 상기 단말로 전송하는 단계; 상기 기울기 벡터 생성 주기에 따라 하향링크 데이터를 상기 단말로 전송하는 단계; 상기 기울기 벡터 전송 주기에 따라 상기 하향링크 데이터에 기반하여 산출한 기울기 벡터값을 상기 단말로부터 수신하는 단계; 및 상기 기울기 벡터값에 기반하여 상기 채널 추정 인공 지능 모델을 업데이트하는 단계를 더 포함할 수 있다.Here, transmitting update setting information including information on a gradient vector generation period and information on a gradient vector transmission period to the terminal; Transmitting downlink data to the terminal according to the gradient vector generation period; receiving a gradient vector value calculated based on the downlink data according to the gradient vector transmission period from the terminal; and updating the channel estimation artificial intelligence model based on the gradient vector value.

한편, 상기 목적을 달성하기 위한 본 개시의 제3 실시예에 따른 통신 시스템에서 채널 추정 성능 평가 방법은, 통신 시스템에서 단말의 동작 방법으로서, 기지국으로부터 전용 데이터의 전송 정보를 수신하는 단계; 채널 추정 인공 지능 모델을 사용하여 채널 추정을 수행하는 단계; 및 상기 채널 추정 인공지능 모델을 사용한 채널 추정 결과 및 상기 전용 데이터 수신 결과에 기반하여 기울기 벡터값을 산출하는 단계를 포함할 수 있다.On the other hand, a channel estimation performance evaluation method in a communication system according to a third embodiment of the present disclosure for achieving the above object is a method of operating a terminal in a communication system, comprising: receiving transmission information of dedicated data from a base station; performing channel estimation using a channel estimation artificial intelligence model; and calculating a gradient vector value based on a channel estimation result using the channel estimation artificial intelligence model and a result of receiving the dedicated data.

여기서, 상기 기지국으로 상기 산출한 기울기 벡터값을 전송하는 단계를 더 포함할 수 있다.Here, the method may further include transmitting the calculated gradient vector value to the base station.

본 개시에 의하면, 채널 추정 성능 평가 장치는 인공 지능에 기반하여 향상된 채널 추정 성능을 효과적으로 평가할 수 있다. 또한, 본 개시에 의하면, 채널 추정 성능 평가 장치는 수신기에서 무선 전송 신호를 효과적으로 수신하기 위하여 사용될 수 있다. According to the present disclosure, the channel estimation performance evaluation apparatus can effectively evaluate improved channel estimation performance based on artificial intelligence. In addition, according to the present disclosure, the channel estimation performance evaluation apparatus can be used to effectively receive a wireless transmission signal in a receiver.

또한, 본 개시에 의하면, 채널 추정 성능 평가 장치는 주로 무선 셀룰러 네트워크의 하향 링크 전송을 효과적으로 수신하기 위하여 주로 단말에 있는 수신기에서 사용될 수 있다. 또한, 본 개시에 의하면, 채널 추정 성능 평가 장치는 상향 링크 전송의 수신 절차에도 적용이 될 수 있으며, 기타 릴레이 등 무선 네트워크의 다양한 구성에 적용될 수 있다.In addition, according to the present disclosure, the channel estimation performance evaluation apparatus can be mainly used in a receiver in a terminal to effectively receive downlink transmission of a wireless cellular network. In addition, according to the present disclosure, the channel estimation performance evaluation apparatus can be applied to a reception procedure of uplink transmission, and can be applied to various configurations of wireless networks such as other relays.

또한, 본 개시에 의하면, 채널 추정 성능 평가 장치는 인공 지능에 기반하여 하락된 채널 추정 성능을 효과적으로 평가할 수 있다. 이에 따라, 본 개시에 의하면, 기지국은 단말에서 적용중인 인공 지능 모델을 변경할 수 있도록 지시할 수 있다. 그 결과, 본 개시에 의하면, 단말은 변경된 인공 지능 모델을 사용할 수 있어 채널 추정의 성능 저하에 대하여 능동적으로 대처할 수 있다. In addition, according to the present disclosure, the channel estimation performance evaluation apparatus can effectively evaluate the degraded channel estimation performance based on artificial intelligence. Accordingly, according to the present disclosure, the base station may instruct the terminal to change the artificial intelligence model being applied. As a result, according to the present disclosure, the terminal can use the modified artificial intelligence model and can actively cope with the performance degradation of channel estimation.

도 1은 통신 시스템의 제1 실시예를 도시한 개념도이다.
도 2는 통신 시스템을 구성하는 통신 노드의 제1 실시예를 도시한 블록도이다.
도 3은 통신 시스템에서 채널 추정 성능 평가 장치의 제1 실시예를 나타내는 블록도이다.
도 4는 통신 시스템에서 채널 추정 성능 평가 방법의 제1 실시예를 나타내는 흐름도이다.
도 5는 기준 신호의 제1 실시예를 나타내는 개념도이다.
도 6은 기준 신호의 제2 실시예를 나타내는 개념도이다.
도 7은 기준 신호의 제3 실시예를 나타내는 개념도이다.
도 8은 기준 신호의 제4 실시예를 나타내는 개념도이다.
도 9는 기준 신호 밀도 감소를 통해 확보된 자원의 재활용 방법의 제1 실시예를 나타내는 개념도이다.
도 10은 통신 시스템에서 채널 추정 성능 평가 방법의 제2 실시예를 나타내는 흐름도이다.
도 11은 채널 추정 인공 지능 모델 정보의 전송 방법의 제1 실시예를 설명하는 개념도이다.
도 12은 채널 추정 인공 지능 모델 정보의 전송 방법의 제2 실시예를 설명하는 순서도이다.
도 13은 채널 추정 인공 지능 모델 정보의 전송 방법의 제3 실시예를 설명하는 순서도이다.
도 14는 심층 신경망의 기울기 벡터 생성 방법의 제1 실시예를 나타내는 도면이다.
도 15는 채널 추정 인공 지능 모델의 업데이트 방법의 제1 실시예를 나타내는 순서도이다.
도 16은 전용 신호의 제1 실시예를 나타내는 개념도이다.
도 17은 전용 신호의 제2 실시예를 나타내는 개념도이다.
도 18은 채널 추정 인공 지능 모델의 업데이트 방법의 제2 실시예를 나타내는 순서도이다.
도 19는 통신 시스템에서 채널 추정 성능 평가 방법의 제3 실시예를 나타내는 흐름도이다.
도 20은 가상 기준 신호 패턴의 제1 실시예를 나타내는 개념도이다.1 is a conceptual diagram illustrating a first embodiment of a communication system.
2 is a block diagram showing a first embodiment of a communication node constituting a communication system.
3 is a block diagram showing a first embodiment of a channel estimation performance evaluation apparatus in a communication system.
4 is a flowchart illustrating a first embodiment of a method for evaluating channel estimation performance in a communication system.
5 is a conceptual diagram illustrating a first embodiment of a reference signal.
6 is a conceptual diagram illustrating a second embodiment of a reference signal.
7 is a conceptual diagram illustrating a third embodiment of a reference signal.
8 is a conceptual diagram illustrating a fourth embodiment of a reference signal.
9 is a conceptual diagram illustrating a first embodiment of a method of recycling resources secured through reference signal density reduction.
10 is a flowchart illustrating a second embodiment of a method for evaluating channel estimation performance in a communication system.
11 is a conceptual diagram illustrating a first embodiment of a method for transmitting channel estimation artificial intelligence model information.
12 is a flowchart illustrating a second embodiment of a method for transmitting channel estimation artificial intelligence model information.
13 is a flowchart illustrating a third embodiment of a method for transmitting channel estimation artificial intelligence model information.
14 is a diagram illustrating a method of generating a gradient vector of a deep neural network according to a first embodiment.
15 is a flowchart illustrating a first embodiment of a method for updating a channel estimation artificial intelligence model.
16 is a conceptual diagram illustrating a first embodiment of a dedicated signal.
17 is a conceptual diagram illustrating a second embodiment of a dedicated signal.
18 is a flowchart illustrating a second embodiment of a method for updating a channel estimation artificial intelligence model.
19 is a flowchart illustrating a third embodiment of a method for evaluating channel estimation performance in a communication system.
20 is a conceptual diagram illustrating a first embodiment of a virtual reference signal pattern.

본 개시는 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 개시를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Since the present disclosure can make various changes and have various embodiments, specific embodiments are illustrated in the drawings and described in detail. However, this is not intended to limit the present disclosure to specific embodiments, and should be understood to include all modifications, equivalents, and substitutes included in the spirit and scope of the present disclosure.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 개시의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.Terms such as first and second may be used to describe various components, but the components should not be limited by the terms. These terms are only used for the purpose of distinguishing one component from another. For example, a first element may be termed a second element, and similarly, a second element may be termed a first element, without departing from the scope of the present disclosure. The terms and/or include any combination of a plurality of related recited items or any of a plurality of related recited items.

본 개시의 실시예들에서, "A 및 B 중에서 적어도 하나"는 "A 또는 B 중에서 적어도 하나" 또는 "A 및 B 중 하나 이상의 조합들 중에서 적어도 하나"를 의미할 수 있다. 또한, 본 개시의 실시예들에서, "A 및 B 중에서 하나 이상"은 "A 또는 B 중에서 하나 이상" 또는 "A 및 B 중 하나 이상의 조합들 중에서 하나 이상"을 의미할 수 있다.In embodiments of the present disclosure, “at least one of A and B” may mean “at least one of A or B” or “at least one of combinations of one or more of A and B”. Also, in embodiments of the present disclosure, “one or more of A and B” may mean “one or more of A or B” or “one or more of combinations of one or more of A and B”.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.It is understood that when an element is referred to as being "connected" or "connected" to another element, it may be directly connected or connected to the other element, but other elements may exist in the middle. It should be. On the other hand, when an element is referred to as “directly connected” or “directly connected” to another element, it should be understood that no other element exists in the middle.

본 개시에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 개시를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 개시에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Terms used in the present disclosure are only used to describe specific embodiments, and are not intended to limit the present disclosure. Singular expressions include plural expressions unless the context clearly dictates otherwise. In the present disclosure, terms such as "comprise" or "having" are intended to indicate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, but one or more other features It should be understood that the presence or addition of numbers, steps, operations, components, parts, or combinations thereof is not precluded.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 개시에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this disclosure belongs. Terms such as those defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related art, and unless explicitly defined in the present disclosure, they should not be interpreted in an ideal or excessively formal meaning. don't

이하, 첨부한 도면들을 참조하여, 본 개시의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 개시를 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.Hereinafter, with reference to the accompanying drawings, preferred embodiments of the present disclosure will be described in more detail. In order to facilitate overall understanding in describing the present disclosure, the same reference numerals are used for the same components in the drawings, and redundant descriptions of the same components are omitted.

도 1은 통신 시스템의 제1 실시예를 도시한 개념도이다.1 is a conceptual diagram illustrating a first embodiment of a communication system.

도 1을 참조하면, 통신 시스템(100)은 복수의 통신 노드들(110-1, 110-2, 110-3, 120-1, 120-2, 130-1, 130-2, 130-3, 130-4, 130-5, 130-6)을 포함할 수 있다. 여기서, 통신 시스템은 "통신 네트워크"로 지칭될 수 있다. 복수의 통신 노드들 각각은 적어도 하나의 통신 프로토콜을 지원할 수 있다. 예를 들어, 복수의 통신 노드들 각각은 CDMA(code division multiple access) 기반의 통신 프로토콜, WCDMA(wideband CDMA) 기반의 통신 프로토콜, TDMA(time division multiple access) 기반의 통신 프로토콜, FDMA(frequency division multiple access) 기반의 통신 프로토콜, OFDM(orthogonal frequency division multiplexing) 기반의 통신 프로토콜, OFDMA(orthogonal frequency division multiple access) 기반의 통신 프로토콜, SC(single carrier)-FDMA 기반의 통신 프로토콜, NOMA(non-orthogonal multiple access) 기반의 통신 프로토콜, SDMA(space division multiple access) 기반의 통신 프로토콜 등을 지원할 수 있다. 복수의 통신 노드들 각각은 다음과 같은 구조를 가질 수 있다.Referring to FIG. 1, a communication system 100 includes a plurality of communication nodes 110-1, 110-2, 110-3, 120-1, 120-2, 130-1, 130-2, 130-3, 130-4, 130-5, 130-6). Here, the communication system may be referred to as a “communication network”. Each of the plurality of communication nodes may support at least one communication protocol. For example, each of the plurality of communication nodes is a communication protocol based on code division multiple access (CDMA), a communication protocol based on wideband CDMA (WCDMA), a communication protocol based on time division multiple access (TDMA), and a frequency division multiple (FDMA) access) based communication protocol, OFDM (orthogonal frequency division multiplexing) based communication protocol, OFDMA (orthogonal frequency division multiple access) based communication protocol, SC (single carrier)-FDMA based communication protocol, NOMA (non-orthogonal multiple access) access)-based communication protocol, space division multiple access (SDMA)-based communication protocol, and the like may be supported. Each of the plurality of communication nodes may have the following structure.

도 2는 통신 시스템을 구성하는 통신 노드의 제1 실시예를 도시한 블록도이다.2 is a block diagram showing a first embodiment of a communication node constituting a communication system.

도 2를 참조하면, 통신 노드(200)는 적어도 하나의 프로세서(210), 메모리(220) 및 네트워크와 연결되어 통신을 수행하는 송수신 장치(230)를 포함할 수 있다. 또한, 통신 노드(200)는 입력 인터페이스 장치(240), 출력 인터페이스 장치(250), 저장 장치(260) 등을 더 포함할 수 있다. 통신 노드(200)에 포함된 각각의 구성 요소들은 버스(bus)(270)에 의해 연결되어 서로 통신을 수행할 수 있다. 다만, 통신 노드(200)에 포함된 각각의 구성요소들은 공통 버스(270)가 아니라, 프로세서(210)를 중심으로 개별 인터페이스 또는 개별 버스를 통하여 연결될 수도 있다. 예를 들어, 프로세서(210)는 메모리(220), 송수신 장치(230), 입력 인터페이스 장치(240), 출력 인터페이스 장치(250) 및 저장 장치(260) 중에서 적어도 하나와 전용 인터페이스를 통하여 연결될 수도 있다.Referring to FIG. 2 , a communication node 200 may include at least one processor 210, a memory 220, and a transceiver 230 connected to a network to perform communication. In addition, the communication node 200 may further include an input interface device 240, an output interface device 250, a storage device 260, and the like. Each component included in the communication node 200 may be connected by a bus 270 to communicate with each other. However, each component included in the communication node 200 may be connected through an individual interface or an individual bus centered on the processor 210 instead of the common bus 270 . For example, the processor 210 may be connected to at least one of the memory 220, the transmission/reception device 230, the input interface device 240, the output interface device 250, and the storage device 260 through a dedicated interface. .

프로세서(210)는 메모리(220) 및 저장 장치(260) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(210)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 개시의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(220) 및 저장 장치(260) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(220)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중에서 적어도 하나로 구성될 수 있다.The processor 210 may execute a program command stored in at least one of the memory 220 and the storage device 260 . The processor 210 may refer to a central processing unit (CPU), a graphics processing unit (GPU), or a dedicated processor on which methods according to embodiments of the present disclosure are performed. Each of the memory 220 and the storage device 260 may include at least one of a volatile storage medium and a non-volatile storage medium. For example, the memory 220 may include at least one of a read only memory (ROM) and a random access memory (RAM).

다시 도 1을 참조하면, 통신 시스템(100)은 복수의 기지국들(base stations)(110-1, 110-2, 110-3, 120-1, 120-2), 복수의 UE들(user equipment)(130-1, 130-2, 130-3, 130-4, 130-5, 130-6)을 포함할 수 있다. 제1 기지국(110-1), 제2 기지국(110-2) 및 제3 기지국(110-3) 각각은 매크로 셀(macro cell)을 형성할 수 있다. 제4 기지국(120-1) 및 제5 기지국(120-2) 각각은 스몰 셀(small cell)을 형성할 수 있다. 제1 기지국(110-1)의 커버리지(coverage) 내에 제4 기지국(120-1), 제3 UE(130-3) 및 제4 UE(130-4)가 속할 수 있다. 제2 기지국(110-2)의 커버리지 내에 제2 UE(130-2), 제4 UE(130-4) 및 제5 UE(130-5)가 속할 수 있다. 제3 기지국(110-3)의 커버리지 내에 제5 기지국(120-2), 제4 UE(130-4), 제5 UE(130-5) 및 제6 UE(130-6)가 속할 수 있다. 제4 기지국(120-1)의 커버리지 내에 제1 UE(130-1)가 속할 수 있다. 제5 기지국(120-2)의 커버리지 내에 제6 UE(130-6)가 속할 수 있다.Referring back to FIG. 1, the communication system 100 includes a plurality of base stations (110-1, 110-2, 110-3, 120-1, 120-2), a plurality of user equipment (UEs). ) (130-1, 130-2, 130-3, 130-4, 130-5, 130-6). Each of the first base station 110-1, the second base station 110-2, and the third base station 110-3 may form a macro cell. Each of the fourth base station 120-1 and the fifth base station 120-2 may form a small cell. The fourth base station 120-1, the third UE 130-3, and the fourth UE 130-4 may belong to the coverage of the first base station 110-1. The second UE 130-2, the fourth UE 130-4, and the fifth UE 130-5 may belong within the coverage of the second base station 110-2. The fifth base station 120-2, the fourth UE 130-4, the fifth UE 130-5, and the sixth UE 130-6 may belong within the coverage of the third base station 110-3. . The first UE 130-1 may belong within the coverage of the fourth base station 120-1. The sixth UE 130-6 may belong within the coverage of the fifth base station 120-2.

여기서, 복수의 기지국들(110-1, 110-2, 110-3, 120-1, 120-2) 각각은 노드B(NodeB), 고도화 노드B(evolved NodeB), BTS(base transceiver station), 무선 기지국(radio base station), 무선 트랜시버(radio transceiver), 액세스 포인트(access point), 액세스 노드(node), 노변 장치(road side unit; RSU), DU(digital unit), CDU(cloud digital unit), RRH(radio remote head), RU(radio unit), TP(transmission point), TRP(transmission and reception point), 중계 노드(relay node) 등으로 지칭될 수 있다. 복수의 UE들(130-1, 130-2, 130-3, 130-4, 130-5, 130-6) 각각은 터미널(terminal), 액세스 터미널(access terminal), 모바일 터미널(mobile terminal), 스테이션(station), 가입자 스테이션(subscriber station), 모바일 스테이션(mobile station), 휴대 가입자 스테이션(portable subscriber station), 노드(node), 다바이스(device) 등으로 지칭될 수 있다.Here, each of the plurality of base stations 110-1, 110-2, 110-3, 120-1, and 120-2 is a NodeB, an evolved NodeB, a base transceiver station (BTS), radio base station, radio transceiver, access point, access node, roadside unit (RSU), digital unit (DU), cloud digital unit (CDU) , a radio remote head (RRH), a radio unit (RU), a transmission point (TP), a transmission and reception point (TRP), a relay node, and the like. Each of the plurality of UEs 130-1, 130-2, 130-3, 130-4, 130-5, and 130-6 includes a terminal, an access terminal, a mobile terminal, It may be referred to as a station, subscriber station, mobile station, portable subscriber station, node, device, and the like.

복수의 통신 노드들(110-1, 110-2, 110-3, 120-1, 120-2, 130-1, 130-2, 130-3, 130-4, 130-5, 130-6) 각각은 셀룰러(cellular) 통신(예를 들어, 3GPP(3rd generation partnership project) 표준에서 규정된 LTE(long term evolution), LTE-A(advanced) 등)을 지원할 수 있다. 복수의 기지국들(110-1, 110-2, 110-3, 120-1, 120-2) 각각은 서로 다른 주파수 대역에서 동작할 수 있고, 또는 동일한 주파수 대역에서 동작할 수 있다. 복수의 기지국들(110-1, 110-2, 110-3, 120-1, 120-2) 각각은 아이디얼 백홀(ideal backhaul) 또는 논(non)-아이디얼 백홀을 통해 서로 연결될 수 있고, 아이디얼 백홀 또는 논-아이디얼 백홀을 통해 서로 정보를 교환할 수 있다. 복수의 기지국들(110-1, 110-2, 110-3, 120-1, 120-2) 각각은 아이디얼 백홀 또는 논-아이디얼 백홀을 통해 코어(core) 네트워크(미도시)와 연결될 수 있다. 복수의 기지국들(110-1, 110-2, 110-3, 120-1, 120-2) 각각은 코어 네트워크로부터 수신한 신호를 해당 UE(130-1, 130-2, 130-3, 130-4, 130-5, 130-6)에 전송할 수 있고, 해당 UE(130-1, 130-2, 130-3, 130-4, 130-5, 130-6)로부터 수신한 신호를 코어 네트워크에 전송할 수 있다.A plurality of communication nodes (110-1, 110-2, 110-3, 120-1, 120-2, 130-1, 130-2, 130-3, 130-4, 130-5, 130-6) Each may support cellular communication (eg, long term evolution (LTE), advanced (LTE-A), etc. specified in the 3rd generation partnership project (3GPP) standard). Each of the plurality of base stations 110-1, 110-2, 110-3, 120-1, and 120-2 may operate in different frequency bands or may operate in the same frequency band. Each of the plurality of base stations 110-1, 110-2, 110-3, 120-1, and 120-2 may be connected to each other through ideal backhaul or non-ideal backhaul, and ideal backhaul Alternatively, information can be exchanged with each other through non-ideal backhaul. Each of the plurality of base stations 110-1, 110-2, 110-3, 120-1, and 120-2 may be connected to a core network (not shown) through an ideal backhaul or a non-ideal backhaul. Each of the plurality of base stations 110-1, 110-2, 110-3, 120-1, and 120-2 transmits a signal received from the core network to a corresponding UE 130-1, 130-2, 130-3, and 130. -4, 130-5, 130-6), and the signal received from the corresponding UE (130-1, 130-2, 130-3, 130-4, 130-5, 130-6) to the core network can be sent to

복수의 기지국들(110-1, 110-2, 110-3, 120-1, 120-2) 각각은 OFDMA 기반의 다운링크(downlink) 전송을 지원할 수 있고, SC-FDMA 기반의 업링크(uplink) 전송을 지원할 수 있다. 또한, 복수의 기지국들(110-1, 110-2, 110-3, 120-1, 120-2) 각각은 MIMO(multiple input multiple output) 전송(예를 들어, SU(single user)-MIMO, MU(multi user)-MIMO, 대규모(massive) MIMO 등), CoMP(coordinated multipoint) 전송, 캐리어 애그리게이션(carrier aggregation) 전송, 비면허 대역(unlicensed band)에서 전송, 단말 간 직접(device to device, D2D) 통신(또는, ProSe(proximity services) 등을 지원할 수 있다. 여기서, 복수의 UE들(130-1, 130-2, 130-3, 130-4, 130-5, 130-6) 각각은 기지국(110-1, 110-2, 110-3, 120-1, 120-2)과 대응하는 동작, 기지국(110-1, 110-2,110-3, 120-1, 120-2)에 의해 지원되는 동작을 수행할 수 있다.Each of the plurality of base stations 110-1, 110-2, 110-3, 120-1, and 120-2 may support OFDMA-based downlink transmission, and may support SC-FDMA-based uplink transmission. ) can support transmission. In addition, each of the plurality of base stations 110-1, 110-2, 110-3, 120-1, and 120-2 transmits multiple input multiple output (MIMO) (eg, single user (SU)-MIMO, MU (multi user)-MIMO, massive MIMO, etc.), CoMP (coordinated multipoint) transmission, carrier aggregation transmission, transmission in unlicensed band, device to device (D2D) ) communication (or proximity services (ProSe)), etc. Here, each of the plurality of UEs 130-1, 130-2, 130-3, 130-4, 130-5, and 130-6 is a base station Operations corresponding to (110-1, 110-2, 110-3, 120-1, 120-2) supported by base stations 110-1, 110-2, 110-3, 120-1, 120-2 action can be performed.

이와 같은 통신 시스템에서 채널 추정 기술은 무선 전송 신호의 안정적인 수신을 위해 필요할 수 있다. 기존 4G까지의 이동 통신 기술에서 단말은 셀 특정(cell specific) 공통 기준 신호(common reference signal)를 통하여 채널 추정을 할 수 있다. 그리고, 4G부터 현재 5G까지의 이동 통신 기술에서 단말은 단말 별 수신을 위한 복조 기준 신호(demodulation reference signal, DM-RS)를 통하여 채널 추정을 할 수 있다. In such a communication system, a channel estimation technique may be required for stable reception of a wireless transmission signal. In existing mobile communication technologies up to 4G, a terminal may perform channel estimation through a cell specific common reference signal. And, in the mobile communication technology from 4G to the current 5G, the terminal can perform channel estimation through a demodulation reference signal (DM-RS) for reception for each terminal.

한편, 채널 추정 방법으로 선형 최소 평균 제곱 오차(Linear Minimum Mean Squared Error, Linear MMSE) 방법은 기준 신호를 통한 채널 추정을 수행하기 위한 방법일 수 있다. 이와 같은 선형 최소 평균 제곱 오차 방법은 기준 신호 자원 및 목표 자원 사이의 상관 행렬(correlation matrix)의 추정이 필요할 수 있다. 이를 위한 상관 행렬의 추정은 높은 연산 복잡도를 필요로 할 수 있다. 다른 채널 추정 기법으로 최소 제곱(least square, LS) 방법이 존재할 수 있다. 이와 같은 최소 제곱 방법은 낮은 복잡도로 인하여 널리 사용될 수 있다. 하지만, 최소 제곱 방법은 상대적으로 낮은 채널 추정 성능을 가질 수 있다.Meanwhile, as a channel estimation method, a linear minimum mean squared error (Linear MMSE) method may be a method for performing channel estimation using a reference signal. Such a linear least mean square error method may require estimation of a correlation matrix between a reference signal resource and a target resource. Estimation of a correlation matrix for this purpose may require high computational complexity. As another channel estimation technique, a least square (LS) method may exist. This least squares method can be widely used due to its low complexity. However, the least squares method may have relatively low channel estimation performance.

한편, 인공 지능을 활용한 채널 추정 기술은 위에서 언급한 채널 추정 방법의 문제점을 해결하기 위하여 연구될 수 있다. 이와 같은 인공 지능을 활용한 채널 추정 기술은 모든 환경에서 좋은 채널 추정 성능을 내도록 사전 학습을 필요로 할 수 있다. 하지만 이와 같은 사전 학습은 현실적으로 어려울 수 있다. 또한, 사전 학습은 향상된 채널 추정 성능을 얻기 어려운 환경에서 오히려 성능의 감소를 가져올 수 있다. Meanwhile, a channel estimation technique using artificial intelligence may be studied to solve the problems of the above-mentioned channel estimation method. Such a channel estimation technology using artificial intelligence may require prior learning to produce good channel estimation performance in all environments. However, such prior learning can be difficult in reality. In addition, pre-learning may rather reduce performance in an environment where it is difficult to obtain improved channel estimation performance.

이에 따라, 본 개시는 인공 지능에 기반한 향상된 채널 추정 성능을 효과적으로 얻기 위한 방법을 제안하는 것을 그 목적으로 할 수 있다. 본 개시에서 무선 채널 추정 성능 평가 기술은 수신기에서 무선 전송 신호를 수신하기 위하여 사용될 수 있다. 또한, 본 개시에서 무선 채널 추정 성능 평가 기술은 주로 무선 셀룰러 네트워크의 하향 링크 전송을 수신하기 위하여 주로 단말에 있는 수신기에서 사용될 수 있다. 하지만, 본 개시의 무선 채널 추정 성능 평가 기술은 상향 링크 전송의 수신 절차에도 적용이 될 수 있으며, 기타 릴레이 등 무선 네트워크의 다양한 구성에 적용될 수 있다. 아래 설명에서 네트워크 장치의 일 예는 기지국이 될 수 있으며, 또는 네트워크 내의 제어 장치일 수 있다.Accordingly, an object of the present disclosure may be to propose a method for effectively obtaining improved channel estimation performance based on artificial intelligence. In the present disclosure, the radio channel estimation performance evaluation technique can be used in a receiver to receive a radio transmission signal. In addition, the radio channel estimation performance evaluation technique in the present disclosure may be mainly used in a receiver in a terminal to receive downlink transmission of a wireless cellular network. However, the radio channel estimation performance evaluation technique of the present disclosure can be applied to a reception procedure of uplink transmission and can be applied to various configurations of a wireless network such as other relays. In the description below, an example of a network device may be a base station or a control device in a network.

도 3은 통신 시스템에서 채널 추정 성능 평가 장치의 제1 실시예를 나타내는 블록도이다.3 is a block diagram showing a first embodiment of a channel estimation performance evaluation apparatus in a communication system.

도 3을 참조하면, 통신 시스템에서 채널 추정 성능 평가 장치는 제1 채널 추정부(310), 제2 채널 추정부(320) 및 채널 추정 인공 지능 모델 저장부(330)를 구비할 수 있다. 이러한 채널 추정 성능 평가 장치는 단말에 포함되어 있을 수 있다. 제1 채널 추정부(310)는 LS(least squares), MMSE(minimum mean squared error) 등을 사용하여 채널 추정을 수행할 수 있다. 그리고, 제2 채널 추정부(320)는 채널 추정 인공 지능 모델 저장부(330)에 저장되어 있는 각각의 채널 추정 인공 지능 모델을 사용하여 채널 추정을 수행할 수 있다. 채널 추정 인공 지능 모델 저장부(330)는 채널 추정 인공 지능 모델들에 대한 정보를 저장하고 있을 수 있다.Referring to FIG. 3 , an apparatus for evaluating channel estimation performance in a communication system may include a first channel estimation unit 310 , a second channel estimation unit 320 and a channel estimation artificial intelligence model storage unit 330 . Such a channel estimation performance evaluation device may be included in the terminal. The first channel estimator 310 may perform channel estimation using least squares (LS) or minimum mean squared error (MMSE). Also, the second channel estimation unit 320 may perform channel estimation using each channel estimation artificial intelligence model stored in the channel estimation artificial intelligence model storage unit 330 . The channel estimation artificial intelligence model storage unit 330 may store information on channel estimation artificial intelligence models.

이와 같은 상황에서 기지국은 단말을 향하여 기준 신호를 전송할 수 있다. 그러면, 단말에 포함되어 있는 제1 채널 추정부(310)는 기준 신호(즉 신호 A)를 수신하여 채널 추정을 수행할 수 있다. 기지국은 단말을 향하여 기준 방송 신호(즉 신호 B)를 전송할 수 있다. 여기서, 기준 방송 신호는 SSB(synchronization signal block) 블록 등 주기적으로 방송되는 신호일 수 있다. In this situation, the base station may transmit a reference signal toward the terminal. Then, the first channel estimator 310 included in the terminal may perform channel estimation by receiving the reference signal (ie, signal A). The base station may transmit a reference broadcast signal (ie, signal B) toward the terminal. Here, the reference broadcast signal may be a signal that is periodically broadcast, such as a synchronization signal block (SSB) block.

이에 따라, 단말의 제1 채널 추정부(310)는 상기 기준 신호(즉, 신호 A)를 이용하여 추정된 채널에 기초하여 기준 방송 신호를 수신할 수 있다. 그리고, 단말의 제1 채널 추정부(310)는 수신한 기준 방송 신호에 대한 수신 성능을 평가할 수 있다. 이때, 단말의 제1 채널 추정부(310)에서 평가한 수신 성능을 나타내는 지표는 상기 기준 방송 신호 수신 시의 LLR(log likelihood ratio)일 수 있다. 단말의 제1 채널 추정부(310)는 여러 차례를 통하여 수신한 기준 방송 신호들에 대하여 평가한 수신 성능들의 평균값을 산출할 수 있다. 일 예로, 단말의 제1 채널 추정부(310)에서 평가한 수신 성능들의 평균값은 기본 평균 LLR값일 수 있다. 여기서, 기본 평균 LLR값은 기본선 LLR(즉 LLR_baseline) 값으로 다르게 표현할 수 있다.Accordingly, the first channel estimator 310 of the terminal can receive a reference broadcast signal based on the estimated channel using the reference signal (ie, signal A). In addition, the first channel estimator 310 of the terminal may evaluate the reception performance of the received reference broadcasting signal. In this case, an indicator representing the reception performance evaluated by the first channel estimator 310 of the terminal may be a log likelihood ratio (LLR) when the reference broadcast signal is received. The first channel estimator 310 of the terminal may calculate an average value of reception performances evaluated for reference broadcast signals received through several times. For example, the average value of reception performances evaluated by the first channel estimator 310 of the terminal may be a basic average LLR value. Here, the basic average LLR value may be differently expressed as a baseline LLR (ie, LLR_baseline) value.

한편, 기지국은 단말을 향하여 기준 신호(즉 신호 A)를 전송할 수 있다. 그러면, 단말에 포함되어 있는 제2 채널 추정부(320)는 기준 신호를 수신하여 각각의 채널 추정 인공 지능 모델을 사용하여 채널 추정을 할 수 있다. 기지국은 단말을 향하여 기준 방송 신호(즉 신호 B)를 전송할 수 있다. 여기서, 기준 방송 신호는 SSB 블록 등 주기적으로 방송되는 신호일 수 있다. Meanwhile, the base station may transmit a reference signal (ie, signal A) toward the terminal. Then, the second channel estimator 320 included in the terminal may receive the reference signal and perform channel estimation using each channel estimation artificial intelligence model. The base station may transmit a reference broadcast signal (ie, signal B) toward the terminal. Here, the reference broadcasting signal may be a periodically broadcasting signal such as an SSB block.

이에 따라, 단말의 제2 채널 추정부(320)는 채널 추정 인공 지능 모델들을 사용하여 추정된 각각의 채널을 통하여 기준 방송 신호를 수신할 수 있다. 그리고, 단말의 제2 채널 추정부(320)는 수신한 기준 방송 신호에 대한 각각의 추정된 채널에 대하여 수신 성능을 평가할 수 있다. Accordingly, the second channel estimator 320 of the terminal may receive a reference broadcast signal through each channel estimated using channel estimation artificial intelligence models. In addition, the second channel estimator 320 of the terminal may evaluate the reception performance of each estimated channel for the received reference broadcasting signal.

이때, 단말의 제2 채널 추정부(320)에서 평가한 수신 성능을 나타내는 지표는 기준 방송 신호 수신 시의 LLR일 수 있다. 단말의 제2 채널 추정부(320)는 여러 차례를 통하여 수신한 기준 방송 신호들에 대하여 평가한 수신 성능들의 평균값을 산출할 수 있다. 일 예로, 단말의 제2 채널 추정부(320)에서 평가한 수신 성능들의 평균값은 인공 지능 평균 LLR값일 수 있다. 여기서, 인공 지능 평균 LLR값은 인공 지능 LLR(즉 LLR_ai) 값으로 다르게 표현할 수 있다. At this time, the indicator representing the reception performance evaluated by the second channel estimator 320 of the terminal may be the LLR when the reference broadcast signal is received. The second channel estimator 320 of the terminal may calculate an average value of reception performances evaluated for reference broadcast signals received through several times. For example, the average value of reception performances evaluated by the second channel estimator 320 of the terminal may be an artificial intelligence average LLR value. Here, the artificial intelligence average LLR value may be differently expressed as an artificial intelligence LLR (ie, LLR_ai) value.

도 4는 통신 시스템에서 채널 추정 성능 평가 방법의 제1 실시예를 나타내는 흐름도이다.4 is a flowchart illustrating a first embodiment of a method for evaluating channel estimation performance in a communication system.

도 4를 참조하면, 기지국은 단말에 채널 추정 성능 평가 기능을 설정하기 위한 채널 추정 성능 평가 설정 정보를 생성할 수 있다. 이때, 채널 추정 성능 평가 설정 정보는 채널 추정에 대한 성능 평가 간격에 대한 정보, 성능 평가시 성능 평가 반복 횟수에 대한 정보, 임계값에 대한 정보 등을 포함할 수 있다.Referring to FIG. 4 , a base station may generate channel estimation performance evaluation setting information for setting a channel estimation performance evaluation function in a terminal. In this case, the channel estimation performance evaluation setting information may include information about a performance evaluation interval for channel estimation, information about the number of iterations of performance evaluation in performance evaluation, information about a threshold value, and the like.

기지국은 생성된 채널 추정 성능 평가 설정 정보를 단말의 제2 채널 추정부로 전송할 수 있다. 그러면, 단말의 제2 채널 추정부는 기지국으로부터 채널 추정 성능 평가 설정 정보를 수신할 수 있다. 그리고, 단말의 제2 채널 추정부는 수신한 채널 추정 성능 평가 설정 정보에 따라 채널 추정 성능 평가 기능을 설정할 수 있다. The base station may transmit the generated channel estimation performance evaluation setting information to the second channel estimation unit of the terminal. Then, the second channel estimator of the terminal may receive channel estimation performance evaluation setting information from the base station. And, the second channel estimator of the terminal may set a channel estimation performance evaluation function according to the received channel estimation performance evaluation setting information.

한편, 기지국은 단말을 향하여 기준 신호를 전송할 수 있다. 단말에 포함되어 있는 제1 채널 추정부는 기준 신호를 수신하여 채널 추정을 수행할 수 있다. 또한, 기지국은 단말을 향하여 기준 방송 신호를 전송할 수 있다. 여기서, 기준 방송 신호는 SSB 블록 등 주기적으로 방송되는 신호일 수 있다. 이에 따라, 단말의 제1 채널 추정부는 상기 기준 신호를 이용하여 추정된 채널에 기초하여 기준 방송 신호를 수신할 수 있다. 그리고, 단말의 제1 채널 추정부는 수신한 기준 방송 신호에 대한 수신 성능을 평가할 수 있다. Meanwhile, the base station may transmit a reference signal toward the terminal. A first channel estimator included in the terminal may perform channel estimation by receiving a reference signal. In addition, the base station may transmit a reference broadcast signal toward the terminal. Here, the reference broadcasting signal may be a periodically broadcasting signal such as an SSB block. Accordingly, the first channel estimator of the terminal may receive a reference broadcast signal based on a channel estimated using the reference signal. And, the first channel estimator of the terminal may evaluate the reception performance of the received reference broadcasting signal.

이때, 단말의 제1 채널 추정부는 기준 방송 신호에 대한 수신 성능의 평가를 성능 평가 반복 횟수에 따라 여러 차례를 수행할 수 있다. 이때, 단말의 제1 채널 추정부에서 평가한 수신 성능을 나타내는 지표는 기준 방송 신호의 수신 시 LLR일 수 있다. 단말의 제1 채널 추정부는 성능 평가 반복 횟수에 따라 수행한 여러 차례의 수신 성능들의 평균값을 산출할 수 있다(S401). 일 예로, 단말의 제1 채널 추정부에서 평가한 수신 성능들의 평균값은 기본 평균 LLR값일 수 있다. 여기서, 기본 평균 LLR값은 기본선 LLR 값으로 다르게 표현할 수 있다.In this case, the first channel estimator of the terminal may evaluate the reception performance of the reference broadcast signal several times according to the number of repetitions of the performance evaluation. In this case, the indicator representing the reception performance evaluated by the first channel estimator of the terminal may be the LLR upon reception of the reference broadcast signal. The first channel estimator of the terminal may calculate an average value of multiple reception performances performed according to the number of iterations of the performance evaluation (S401). For example, the average value of reception performances evaluated by the first channel estimator of the terminal may be a basic average LLR value. Here, the basic average LLR value may be differently expressed as a baseline LLR value.

한편, 기지국은 단말을 향하여 기준 신호를 전송할 수 있다. 그러면, 단말에 포함되어 있는 제2 채널 추정부는 기준 신호를 수신하여 각각의 채널 추정 인공 지능 모델을 사용하여 채널 추정을 할 수 있다. 또한, 기지국은 단말을 향하여 기준 방송 신호를 전송할 수 있다. 여기서, 기준 방송 신호는 SSB 블록 등 주기적으로 방송되는 신호일 수 있다. 이에 따라, 단말의 제2 채널 추정부는 채널 추정 인공 지능 모델들을 사용하여 추정된 각각의 채널을 통하여 기준 방송 신호를 수신할 수 있다. Meanwhile, the base station may transmit a reference signal toward the terminal. Then, the second channel estimator included in the terminal may receive the reference signal and perform channel estimation using each channel estimation artificial intelligence model. In addition, the base station may transmit a reference broadcast signal toward the terminal. Here, the reference broadcasting signal may be a periodically broadcasting signal such as an SSB block. Accordingly, the second channel estimator of the terminal may receive the reference broadcast signal through each channel estimated using the channel estimation artificial intelligence models.

그리고, 단말의 제2 채널 추정부는 수신한 기준 방송 신호에 대한 각각의 추정된 채널에 대하여 수신 성능을 평가할 수 있다. 이때, 단말의 제2 채널 추정부는 기준 방송 신호에 대한 수신 성능의 평가를 성능 평가 반복 횟수에 따라 여러 차례를 수행할 수 있다. 이때, 단말의 제2 채널 추정부에서 평가한 수신 성능을 나타내는 지표는 기준 방송 신호의 수신 시 LLR일 수 있다. And, the second channel estimator of the terminal may evaluate the reception performance of each estimated channel for the received reference broadcasting signal. In this case, the second channel estimator of the terminal may evaluate the reception performance of the reference broadcast signal several times according to the number of repetitions of the performance evaluation. In this case, the indicator representing the reception performance evaluated by the second channel estimator of the terminal may be the LLR when the reference broadcast signal is received.

그 결과, 단말의 제2 채널 추정부는 성능 평가 반복 횟수에 따라 여러 차례를 통하여 수신한 기준 방송 신호들에 대하여 평가한 수신 성능들의 평균값을 산출할 수 있다(S402). 일 예로, 단말의 제2 채널 추정부에서 평가한 수신 성능들의 평균값은 인공 지능 평균 LLR값일 수 있다. 여기서, 인공 지능 평균 LLR값은 인공 지능 LLR 값으로 다르게 표현할 수 있다.As a result, the second channel estimator of the terminal may calculate an average value of reception performances evaluated for the reference broadcast signals received through several times according to the number of repetitions of the performance evaluation (S402). For example, the average value of reception performances evaluated by the second channel estimator of the terminal may be an artificial intelligence average LLR value. Here, the artificial intelligence average LLR value may be differently expressed as an artificial intelligence LLR value.

한편, 단말의 제2 채널 추정부는 각각의 인공 지능 모델을 사용하여 추정한 각각의 채널에서 평가한 각각의 인공 지능 LLR 값과 기본 LLR 값을 비교할 수 있다. 그리고, 단말의 제2 채널 추정부는 각각의 인공 지능 LLR 값과 기본 LLR 값의 차이값을 산출할 수 있다. 그런 후에, 단말의 제2 채널 추정부는 차이값이 향상 임계값 이상인지를 판단할 수 있다(S403). 여기서, 향상 임계값은 미리 설정된 값일 수 있다. Meanwhile, the second channel estimator of the terminal may compare each artificial intelligence LLR value evaluated in each channel estimated using each artificial intelligence model with the basic LLR value. And, the second channel estimator of the terminal may calculate a difference between each artificial intelligence LLR value and a basic LLR value. After that, the second channel estimator of the terminal may determine whether the difference value is greater than or equal to the enhancement threshold (S403). Here, the enhancement threshold may be a preset value.

단말의 제2 채널 추정부는 판단 결과, 산출한 차이값이 향상 임계값 이상인 채널 추정 인공 지능 모델들을 선정할 수 있다. 그리고, 단말의 제2 채널 추정부는 향상 임계값 이상인 차이값을 가지는 선정된 채널 추정 인공 지능 모델들에 대한 모델 식별자들에 대한 정보를 기지국으로 전송하면서 채널 추정 인공 지능 모델의 적용을 요청할 수 있다(S404). As a result of the determination, the second channel estimator of the terminal may select channel estimation artificial intelligence models having a calculated difference value equal to or greater than an enhancement threshold. In addition, the second channel estimator of the terminal may request application of the channel estimation artificial intelligence model while transmitting information on model identifiers for the selected channel estimation artificial intelligence models having a difference value equal to or greater than the enhancement threshold to the base station ( S404).

이때, 단말의 제2 채널 추정부는 선정된 채널 추정 인공 지능 모델들의 각각에 대하여 평가한 채널 추정의 성능 평가 결과를 기지국에 전송할 수 있다. 여기서, 성능 평가 결과는 채널 추정 인공 지능 모델을 사용하여 추정한 채널에서 평가한 인공 지능 LLR 값일 수 있다. 또는, 성능 평가 결과는 기본 LLR 값과 채널 추정 인공 지능 모델을 사용하여 추정한 채널에서 평가한 인공 지능 LLR 값과 기본 LLR 값의 차이값일 수 있다.At this time, the second channel estimator of the terminal may transmit a performance evaluation result of channel estimation evaluated for each of the selected artificial intelligence models for channel estimation to the base station. Here, the performance evaluation result may be an artificial intelligence LLR value evaluated on a channel estimated using a channel estimation artificial intelligence model. Alternatively, the performance evaluation result may be a difference between a basic LLR value and an artificial intelligence LLR value evaluated for a channel estimated using a channel estimation artificial intelligence model and a basic LLR value.

그러면, 기지국은 단말의 제2 채널 추정부로부터 선정된 채널 추정 인공 지능 모델들에 대한 모델 식별자들에 대한 정보를 수신할 수 있고, 선정된 인공 지능 모델들에 대한 적용 요청을 수신할 수 있다. 또한, 기지국은 단말의 제2 채널 추정부로부터 선정된 채널 추정 인공 지능 모델들의 각각에 대하여 평가한 채널 추정의 성능 평가 결과를 수신할 수 있다. Then, the base station may receive information on model identifiers for the selected artificial intelligence models for channel estimation from the second channel estimation unit of the terminal, and may receive an application request for the selected artificial intelligence models. In addition, the base station may receive a performance evaluation result of channel estimation evaluated for each of the channel estimation artificial intelligence models selected from the second channel estimation unit of the terminal.

여기서, 성능 평가 결과는 채널 추정 인공 지능 모델을 사용하여 추정한 채널에서 평가한 인공 지능 LLR 값일 수 있다. 또는, 성능 평가 결과는 채널 추정 인공 지능 모델을 사용하여 추정한 채널에서 평가한 인공 지능 LLR 값과 기본 LLR 값의 차이값일 수 있다.Here, the performance evaluation result may be an artificial intelligence LLR value evaluated on a channel estimated using a channel estimation artificial intelligence model. Alternatively, the performance evaluation result may be a difference between an artificial intelligence LLR value evaluated for a channel estimated using a channel estimation artificial intelligence model and a basic LLR value.

이에 따라, 기지국은 수신한 모델 식별자들에 대한 정보에 기반하여 선정된 채널 추정 인공 지능 모델들에서 어느 하나의 인공 지능 모델을 사용하여 채널 추정을 수행할 수 있다. 이때, 기지국은 선정된 채널 추정 인공 지능 모델들에 대한 성능 평가 결과를 고려하여 어느 하나의 인공 지능 모델을 사용하여 채널 추정을 수행할 수 있다. Accordingly, the base station may perform channel estimation using any one artificial intelligence model among channel estimation artificial intelligence models selected based on the information on the received model identifiers. At this time, the base station may perform channel estimation using any one artificial intelligence model in consideration of performance evaluation results for the selected artificial intelligence channel estimation models.

일 예로, 기지국은 선정된 채널 추정 인공 지능 모델들에서 성능 평가 결과가 가장 우수한 채널 추정 인공 지능 모델을 적용하여 채널 추정을 수행할 수 있다. 여기서, 가장 우수한 성능 평가 결과를 가지는 채널 추정 인공 지능 모델은 가장 큰 차이값을 가지는 경우일 수 있다. For example, the base station may perform channel estimation by applying a channel estimation artificial intelligence model having the best performance evaluation result among selected channel estimation artificial intelligence models. Here, the channel estimation artificial intelligence model having the best performance evaluation result may have the largest difference value.

여기서, 가장 우수한 성능 평가 결과를 가지는 채널 추정 인공 지능 모델은 최대 차이값을 가지는 경우일 수 있다. 또는, 가장 우수한 성능 평가 결과를 가지는 채널 추정 인공 지능 모델은 최대 인공 지능 LLR값을 가지는 경우일 수 있다.Here, the channel estimation artificial intelligence model having the best performance evaluation result may have a maximum difference value. Alternatively, the channel estimation artificial intelligence model having the best performance evaluation result may have the maximum artificial intelligence LLR value.

한편, 단말의 제2 채널 추정부는 향상 임계값 이상인 차이값을 가지는 선정된 채널 추정 인공 지능 모델들에서 최대 차이값을 가지는(또는 최대 인공 지능 LLR값을 가지는) 채널 추정 인공 지능 모델에 대한 모델 식별자에 대한 정보를 기지국으로 전송하면서 인공 지능 모델의 적용을 요청할 수도 있다. 그러면, 기지국은 단말의 제2 채널 추정부로부터 선정된 채널 추정 인공 지능 모델들에서 최대 차이값을 가지는 채널 추정 인공 지능 모델에 대한 모델 식별자 정보를 수신할 수 있고, 선정된 인공 지능 모델에 대한 적용 요청을 수신할 수 있다.Meanwhile, the second channel estimator of the terminal has a model identifier for a channel estimation artificial intelligence model having a maximum difference value (or having a maximum artificial intelligence LLR value) among selected channel estimation artificial intelligence models having a difference value equal to or greater than the enhancement threshold. Application of the artificial intelligence model may be requested while transmitting information about the to the base station. Then, the base station may receive model identifier information for a channel estimation artificial intelligence model having a maximum difference among selected artificial intelligence models for channel estimation from the second channel estimation unit of the terminal, and apply the selected artificial intelligence model. request can be received.

이에 따라, 기지국은 해당 수신기가 채널 추정 인공 지능 모델에 기반하여 향상된 채널 추정 성능을 얻을 수 있는 것을 인지할 수 있다. 이에 기반하여, 기지국은 수신한 모델 식별자에 대한 정보에 기반하여 선정된 채널 추정 인공 지능 모델을 적용하여 채널 추정을 수행하여 향상된 채널 추정 성능을 얻을 수 있다.Accordingly, the base station can recognize that the corresponding receiver can obtain improved channel estimation performance based on the channel estimation artificial intelligence model. Based on this, the base station can obtain improved channel estimation performance by performing channel estimation by applying a channel estimation artificial intelligence model selected based on the information on the received model identifier.

이와 같은 채널 추정 성능 평가는 단말의 제2 채널 추정부에서 성능 평가 간격에 따라 해당 간격을 가지며 주기적으로 수행될 수 있다. 그리고, 성능 평가 결과는 채널 추정 인공 지능 모델에 대한 정보를 포함할 수 있다. 여기서, 채널 추정 인공 지능 모델에 대한 정보는 해당 인공 지능 채널 추정 모델이 동작하기에 적합한 채널의 특징 등을 표현하기 위한 정보를 포함할 수 있다. Such channel estimation performance evaluation may be periodically performed by the second channel estimation unit of the terminal at a corresponding interval according to a performance evaluation interval. And, the performance evaluation result may include information about the channel estimation artificial intelligence model. Here, the information on the channel estimation artificial intelligence model may include information for expressing characteristics of a channel suitable for the operation of the corresponding artificial intelligence channel estimation model.

일 예로 채널 추정 인공 지능 모델에 대한 정보는 채널의 특징을 지연 확산(delay spread) 및 도플러 주파수 천이(doppler frequency shift)로 표현하여, 두 값을 양자화 한 정보일 수 있다. 이 외에도 채널 추정 인공 지능 모델에 대한 정보는 신호 대 잡음비(signal to interference plus noise ratio, SINR) 등의 정보를 포함할 수 있다. 한편, 기지국은 해당 수신기로 하향링크 데이터를 전송할 때에 기준 신호의 밀도를 감소시킬 수 있다. For example, the information on the channel estimation artificial intelligence model may be information obtained by quantizing the two values by expressing channel characteristics as delay spread and Doppler frequency shift. In addition, the information on the channel estimation artificial intelligence model may include information such as a signal to interference plus noise ratio (SINR). Meanwhile, the base station may reduce the density of the reference signal when transmitting downlink data to the corresponding receiver.

도 5는 기준 신호의 제1 실시예를 나타내는 개념도이다.5 is a conceptual diagram illustrating a first embodiment of a reference signal.

도 5를 참조하면, 기준 신호(reference signal, RS)는 하나의 심볼의 하나의 자원 블록(resource block, RB)에서 4개의 자원 요소(resource element)에 배치될 수 있다. Referring to FIG. 5, a reference signal (RS) may be arranged in 4 resource elements in one resource block (RB) of one symbol.

도 6은 기준 신호의 제2 실시예를 나타내는 개념도이다.6 is a conceptual diagram illustrating a second embodiment of a reference signal.

도 6을 참조하면, 기준 신호는 하나의 심볼의 하나의 자원 블록(RB)에서 2개의 자원 요소에 배치될 수 있다. 도 6의 기준 신호의 밀도는 도 5의 기준 신호의 밀도에 비하여 감소할 수 있다. 기준 신호의 감소가 자원 요소 단위로 수행되는 경우에 인접한 자원 요소로 구성되는 CDM(code division multiplexing) 그룹 단위로 수행될 수 있다.Referring to FIG. 6, a reference signal may be arranged in two resource elements in one resource block (RB) of one symbol. The density of the reference signal of FIG. 6 may be reduced compared to the density of the reference signal of FIG. 5 . When reduction of the reference signal is performed in units of resource elements, it may be performed in units of code division multiplexing (CDM) groups composed of adjacent resource elements.

도 7은 기준 신호의 제3 실시예를 나타내는 개념도이다.7 is a conceptual diagram illustrating a third embodiment of a reference signal.

도 7을 참조하면, 기준 신호는 하나의 심볼의 첫 번째 자원 블록(RB)에서 2개의 자원 요소에 배치될 수 있다. 그리고, 기준 신호는 하나의 심볼의 두 번째 자원 블록(RB)에서 하나도 배치되지 않을 수 있다. 도 7의 첫 번째 자원 블록에서 기준 신호의 밀도는 도 5의 기준 신호의 밀도에 비하여 감소하지 않을 수 있다. 하지만, 도 7의 두 번째 자원 블록에서 기준 신호의 밀도는 도 5의 기준 신호의 밀도에 비하여 감소할 수 있다. 이처럼, 기준 신호의 감소는 할당되는 자원 블록(RB) 단위로 수행될 수 있다.Referring to FIG. 7 , a reference signal may be disposed in two resource elements in a first resource block (RB) of one symbol. Also, none of the reference signals may be disposed in the second resource block (RB) of one symbol. The density of reference signals in the first resource block of FIG. 7 may not decrease compared to the density of reference signals of FIG. 5 . However, the density of reference signals in the second resource block of FIG. 7 may be reduced compared to that of FIG. 5 . As such, the reduction of the reference signal may be performed in units of allocated resource blocks (RBs).

도 8은 기준 신호의 제4 실시예를 나타내는 개념도이다.8 is a conceptual diagram illustrating a fourth embodiment of a reference signal.

도 8을 참조하면, 기준 신호는 첫 번째 기준 신호 심볼의 첫 번째 자원 블록(RB)에서 첫 번째 서브캐리어(subcarrier)와 두 번째 서브캐리어의 2개의 자원 요소에 배치될 수 있다. 그리고, 기준 신호는 두 번째 기준 신호 심볼의 첫 번째 자원 블록(RB)에서 첫 번째 서브캐리어와 두 번째 서브캐리어의 2개의 자원 요소에 배치될 수 있다. Referring to FIG. 8 , a reference signal may be disposed in two resource elements of a first subcarrier and a second subcarrier in a first resource block (RB) of a first reference signal symbol. In addition, the reference signal may be disposed in two resource elements of a first subcarrier and a second subcarrier in the first resource block (RB) of the second reference signal symbol.

다음으로, 기준 신호는 두 번째 기준 신호 심볼의 첫 번째 자원 블록(RB)에서 일곱 번째 서브캐리어와 여덟 번째 서브캐리어의 2개의 자원 요소에 배치될 수 있다. 그리고, 기준 신호는 두 번째 기준 신호 심볼의 두 번째 자원 블록(RB)에서 일곱 번째 서브캐리어와 여덟 번째 서브캐리어의 2개의 자원 요소에 배치될 수 있다. 이처럼, 전송되는 기준 신호의 심볼 수가 2개 이상인 경우, 각 심볼에서의 오프셋(offset)을 다르게 설정하여 심볼 별로 감소되는 기준 신호의 주파수 위치를 다르게 설정할 수 있다.Next, the reference signal may be arranged in two resource elements of the seventh subcarrier and the eighth subcarrier in the first resource block (RB) of the second reference signal symbol. Also, the reference signal may be disposed in two resource elements of a seventh subcarrier and an eighth subcarrier in the second resource block (RB) of the second reference signal symbol. As such, when the number of symbols of the transmitted reference signal is two or more, it is possible to set a different frequency position of the reduced reference signal for each symbol by differently setting an offset in each symbol.

한편, 기지국은 기준 신호 밀도 감소 설정 정보를 생성할 수 있다. 이때, 기준 신호 밀도 감소 설정 정보는 자원 감소 단위에 대한 정보, 밀도 감소 정도에 대한 정보, 심볼 별 오프셋에 대한 정보 등을 포함할 수 있다. 여기서, 자원 감소 단위에 대한 정보는 CDM 그룹 단위 또는 RB 단위인지를 지시하는 지시 정보를 포함할 수 있다. Meanwhile, the base station may generate reference signal density reduction setting information. In this case, the reference signal density reduction setting information may include information on a resource reduction unit, information on a density reduction degree, information on an offset for each symbol, and the like. Here, the information on the resource reduction unit may include indication information indicating whether it is a CDM group unit or an RB unit.

그리고, 밀도 감소 정도에 대한 정보는 1/2, 1/3, 1/4 등의 감소되는 비율 정보를 포함할 수 있다. 심볼 별 오프셋에 대한 정보는 심볼 별로 오프셋되는 오프셋 값을 포함할 수 있다. 기지국은 이와 같은 정보를 포함하고 있는 기준 신호 밀도 감소 설정 정보를 단말의 제2 채널 추정부로 전송할 수 있다. 그러면, 단말의 제2 채널 추정부는 기지국으로부터 기준 신호 밀도 감소 설정 정보를 수신할 수 있고, 수신한 기준 신호 밀도 감소 설정 정보를 참조하여 기준 신호를 수신할 수 있다. 한편, 기준 신호 밀도 감소를 통해 확보된 기준 신호 자원은 데이터 전송을 위한 자원으로 활용될 수 있다. Also, the information about the degree of density reduction may include information about a reduced ratio such as 1/2, 1/3, and 1/4. The information on the offset for each symbol may include an offset value offset for each symbol. The base station may transmit reference signal density reduction setting information including such information to the second channel estimation unit of the terminal. Then, the second channel estimator of the terminal may receive reference signal density reduction setting information from the base station, and may receive a reference signal by referring to the received reference signal density reduction setting information. Meanwhile, reference signal resources secured through reference signal density reduction may be used as resources for data transmission.

도 9는 기준 신호 밀도 감소를 통해 확보된 자원의 재활용 방법의 제1 실시예를 나타내는 개념도이다.9 is a conceptual diagram illustrating a first embodiment of a method of recycling resources secured through reference signal density reduction.

도 9를 참조하면, 기지국은 기준 신호 밀도 감소를 통해 확보된 자원을 이용하여 데이터 전송을 수행할 수 있어 전송률을 증대시킬 수 있다. 이와 달리, 기준 신호 밀도 감소를 통해 확보된감소된 기준 신호 자원은 인접 셀 기지국 또는 단말에서 전송하는 기준 신호의 측정을 위하여 사용할 수 있다. 이와 같은 경우에 수신기는 데이터 수신 절차에서 측정한 인접 셀로부터의 간섭 채널을 이용하여 간섭 억제 수신기(일 예로, MMSE-IRC(minimum mean square error-interference rejection combiner))를 적용하여 수신 신호의 신호 품질(일 예로 SINR)을 향상시킬 수 있다. Referring to FIG. 9 , the base station can perform data transmission using resources secured through reference signal density reduction, thereby increasing the transmission rate. In contrast, the reduced reference signal resource secured through reference signal density reduction can be used for measurement of a reference signal transmitted from a neighboring cell base station or terminal. In this case, the receiver applies an interference suppression receiver (eg, MMSE-IRC (minimum mean square error-interference rejection combiner)) using an interference channel from a neighboring cell measured in the data reception procedure to determine the signal quality of the received signal. (For example, SINR) can be improved.

기지국은 인접 셀 기지국 또는 단말 등의 송신 장치의 전송 정보를 생성할 수 있다. 이때, 전송 정보는 데이터 전송 방향에 대한 정보, 자원 할당에 대한 정보 등을 포함할 수 있다. 여기서, 데이터 전송 방향에 대한 정보는 하향링크 전송 방향 또는 상향링크 전송 방향을 지시할 수 있다. 그리고, 자원 할당에 대한 정보는 할당된 주파수 및 시간 자원에 대한 정보일 수 있다. 이때, 자원 할당에 대한 정보는 상향링크의 전송의 경우에 주파수 호핑 여부를 포함할 수 있다. 이와 같은 전송 정보는 여러 종류일 수 있고, 인덱스를 사용하여 구별될 수 있다.The base station may generate transmission information of a transmitting device such as a neighbor cell base station or a terminal. In this case, the transmission information may include information on a data transmission direction, information on resource allocation, and the like. Here, the information on the data transmission direction may indicate a downlink transmission direction or an uplink transmission direction. Also, information on resource allocation may be information on allocated frequency and time resources. In this case, the resource allocation information may include frequency hopping in the case of uplink transmission. Such transmission information may be of various types and may be distinguished using an index.

한편, 기지국은 기준 신호 밀도 감소를 통해 확보된 기준 신호 자원의 활용과 관련하여 하향 링크 자원 할당시 자원 재활용 설정 정보를 생성할 수 있다. 이때, 생성되는 자원 재활용 설정 정보는 확보된 자원들에서 데이터 자원 밀도에 대한 정보, 데이터 자원 오프셋에 대한 정보, 인접 셀의 전송 정보 등을 포함할 수 있다. 여기서, 데이터 자원 밀도에 대한 정보는 0, 1/2, 1 등일 수 있다. 그리고, 데이터 자원 오프셋에 대한 정보는 데이터 자원에 대한 오프셋 값을 포함할 수 있다. 인접 셀의 전송 정보는 인접 셀의 전송 정보의 인덱스에 의해 지시될 수 있다. 기지국은 생성된 자원 재활용 설정 정보를 수신기(예컨대, 단말)에 전달할 수 있다. 수신기는 기지국으로부터 자원 재활용 설정 정보를 수신할 수 있다.Meanwhile, the base station may generate resource recycling setting information when allocating downlink resources in relation to utilization of reference signal resources secured through reference signal density reduction. At this time, the generated resource recycling setting information may include information on data resource density, information on data resource offset, transmission information of neighboring cells, and the like in the secured resources. Here, information on data resource density may be 0, 1/2, 1, and the like. Also, the information on the data resource offset may include an offset value for the data resource. Transmission information of a neighboring cell may be indicated by an index of transmission information of a neighboring cell. The base station may deliver the generated resource recycling setting information to a receiver (eg, terminal). The receiver may receive resource recycling setting information from the base station.

이에 따라, 기지국은 확보된 자원 중에서 데이터 자원을 제외한 나머지 자원에서 기준 신호 및 데이터를 전송하지 않을 수 있다. 수신기는 인접 셀 전송 정보를 참고하여 해당 자원에서 인접 셀의 기준 신호를 수신할 수 있다. 또한, 수신기는 인접 셀의 기준 신호를 수신하여 간섭 채널 정보를 구성한 후에 해당 인접 셀의 전송 자원과 겹치는 자원의 데이터를 수신하기 위한 간섭 채널 정보로 활용할 수 있다.Accordingly, the base station may not transmit reference signals and data in resources other than data resources among the secured resources. A receiver may receive a reference signal of a neighboring cell in a corresponding resource by referring to neighboring cell transmission information. In addition, the receiver may configure interference channel information by receiving the reference signal of the neighboring cell, and then use it as interference channel information for receiving data of resources overlapping transmission resources of the corresponding neighboring cell.

도 10은 통신 시스템에서 채널 추정 성능 평가 방법의 제2 실시예를 나타내는 흐름도이다.10 is a flowchart illustrating a second embodiment of a method for evaluating channel estimation performance in a communication system.

도 10을 참조하면, 기지국은 단말에 채널 추정 성능 하락 평가 기능을 설정하기 위한 채널 추정 성능 하락 평가 설정 정보를 생성할 수 있다. 이때, 채널 추정 성능 평가 하락 설정 정보는 채널 추정에 대한 성능 하락 평가 간격에 대한 정보, 성능 하락 평가시 성능 평가 반복 횟수에 대한 정보, 하락 임계값에 대한 정보 등을 포함할 수 있다. 여기서, 하락 임계값은 미리 설정된 값일 수 있다. 이러한 하락 임계값은 향상 임계값과 동일할 수 있다.Referring to FIG. 10 , a base station may generate channel estimation performance degradation evaluation setting information for setting a channel estimation performance degradation evaluation function in a terminal. In this case, the channel estimation performance evaluation drop setting information may include information about a performance drop evaluation interval for channel estimation, information about the number of iterations of performance evaluation in performance drop evaluation, information about a drop threshold, and the like. Here, the drop threshold may be a preset value. This drop threshold may be equal to the enhancement threshold.

기지국은 생성된 채널 추정 성능 하락 평가 설정 정보를 단말의 제2 채널 추정부로 전송할 수 있다. 그러면, 단말의 제2 채널 추정부는 기지국으로부터 채널 추정 성능 하락 평가 설정 정보를 수신할 수 있다. 그리고, 단말의 제2 채널 추정부는 수신한 채널 추정 성능 하락 평가 설정 정보에 따라 채널 추정 성능 하락 평가 기능을 설정할 수 있다. The base station may transmit the generated channel estimation performance degradation evaluation setting information to the second channel estimation unit of the terminal. Then, the second channel estimator of the terminal may receive channel estimation performance degradation evaluation setting information from the base station. And, the second channel estimator of the terminal may set a channel estimation performance degradation evaluation function according to the received channel estimation performance degradation evaluation setting information.

한편, 기지국은 단말을 향하여 기준 신호를 전송할 수 있다. 단말에 포함되어 있는 제1 채널 추정부는 기준 신호를 수신하여 채널 추정을 수행할 수 있다. 또한, 기지국은 단말을 향하여 기준 방송 신호를 전송할 수 있다. 여기서, 기준 방송 신호는 SSB 블록 등 주기적으로 방송되는 신호일 수 있다. 이에 따라, 단말의 제1 채널 추정부는 기준 신호를 이용하여 추정된 채널에 기초하여 기준 방송 신호를 수신할 수 있다. Meanwhile, the base station may transmit a reference signal toward the terminal. A first channel estimator included in the terminal may perform channel estimation by receiving a reference signal. In addition, the base station may transmit a reference broadcast signal toward the terminal. Here, the reference broadcasting signal may be a periodically broadcasting signal such as an SSB block. Accordingly, the first channel estimator of the terminal may receive a reference broadcast signal based on a channel estimated using the reference signal.

그리고, 단말의 제1 채널 추정부는 수신한 기준 방송 신호에 대한 수신 성능을 평가할 수 있다. 이때, 단말의 제1 채널 추정부는 기준 방송 신호에 대한 수신 성능의 평가를 성능 하락 평가 반복 횟수에 따라 여러 차례를 수행할 수 있다. And, the first channel estimator of the terminal may evaluate the reception performance of the received reference broadcasting signal. In this case, the first channel estimator of the terminal may evaluate the reception performance of the reference broadcast signal several times according to the number of repetitions of performance degradation evaluation.

이때, 단말의 제1 채널 추정부에서 평가한 수신 성능을 나타내는 지표는 기준 방송 신호 수신 시의 LLR일 수 있다. 단말의 제1 채널 추정부는 성능 하락 평가 반복 횟수에 따라 수행한 여러 차례의 수신 성능들의 평균값을 산출할 수 있다(S1001). 일 예로, 단말의 제1 채널 추정부에서 평가한 수신 성능들의 평균값은 기본 평균 LLR값일 수 있다. 여기서, 기본 평균 LLR값은 기본선 LLR 값으로 다르게 표현할 수 있다.In this case, the indicator representing the reception performance evaluated by the first channel estimator of the terminal may be the LLR at the time of receiving the reference broadcast signal. The first channel estimator of the terminal may calculate an average value of reception performances performed several times according to the number of iterations of performance degradation evaluation (S1001). For example, the average value of reception performances evaluated by the first channel estimator of the terminal may be a basic average LLR value. Here, the basic average LLR value may be differently expressed as a baseline LLR value.

한편, 기지국은 단말을 향하여 기준 신호를 전송할 수 있다. 그러면, 단말에 포함되어 있는 제2 채널 추정부는 기준 신호를 수신하여 적용중인 채널 추정 인공 지능 모델을 사용하여 채널 추정을 할 수 있다. 또한, 기지국은 단말을 향하여 기준 방송 신호를 전송할 수 있다. 여기서, 기준 방송 신호는 SSB 블록 등 주기적으로 방송되는 신호일 수 있다. 이에 따라, 단말의 제2 채널 추정부는 적용중인 채널 추정 인공 지능 모델을 사용하여 추정한 채널을 통하여 기준 방송 신호를 수신할 수 있다. Meanwhile, the base station may transmit a reference signal toward the terminal. Then, the second channel estimator included in the terminal may receive the reference signal and perform channel estimation using the currently applied channel estimation artificial intelligence model. In addition, the base station may transmit a reference broadcast signal toward the terminal. Here, the reference broadcasting signal may be a periodically broadcasting signal such as an SSB block. Accordingly, the second channel estimator of the terminal may receive the reference broadcast signal through the channel estimated using the currently applied channel estimation artificial intelligence model.

그리고, 단말의 제2 채널 추정부는 추정된 채널에 기초하여 수신된 기준 방송 신호의 수신 성능을 평가할 수 있다. 이때, 단말의 제2 채널 추정부는 기준 방송 신호에 대한 수신 성능의 평가를 성능 하락 평가 반복 횟수에 따라 여러 차례를 수행할 수 있다. 이때, 단말의 제2 채널 추정부에서 평가한 수신 성능을 나타내는 지표는 기준 방송 신호 수신 시의 LLR일 수 있다. 그 결과, 단말의 제2 채널 추정부는 성능 하락 평가 반복 횟수에 따라 여러 차례를 통하여 수신한 기준 방송 신호들에 대하여 평가한 수신 성능들의 평균값을 산출할 수 있다(S1002). 일 예로, 단말의 제2 채널 추정부에서 평가한 수신 성능들의 평균값은 적용 인공 지능 평균 LLR값일 수 있다. 여기서, 적용 인공 지능 평균 LLR값은 적용 인공 지능 LLR 값으로 다르게 표현할 수 있다.And, the second channel estimator of the terminal may evaluate reception performance of the received reference broadcast signal based on the estimated channel. In this case, the second channel estimator of the terminal may evaluate the reception performance of the reference broadcast signal several times according to the number of repetitions of performance degradation evaluation. In this case, the indicator representing the reception performance evaluated by the second channel estimator of the terminal may be the LLR when the reference broadcast signal is received. As a result, the second channel estimator of the terminal may calculate an average value of the reception performances evaluated for the reference broadcast signals received several times according to the number of repetitions of performance degradation evaluation (S1002). For example, the average value of the reception performances evaluated by the second channel estimator of the terminal may be an applied artificial intelligence average LLR value. Here, the applied artificial intelligence average LLR value may be differently expressed as the applied artificial intelligence LLR value.

한편, 단말의 제2 채널 추정부는 적용중인 인공 지능 모델을 사용하여 추정한 채널에 기초한 적용 인공 지능 LLR 값과 기본 LLR 값을 비교할 수 있다. 그리고, 단말의 제2 채널 추정부는 적용 인공 지능 LLR 값과 기본 LLR 값의 차이값을 산출할 수 있다. 이때, 차이값은 기본 LLR 값에서 적용 인공 지능 LLR 값을 감산한 값일 수 있다. 그런 후에, 단말의 제2 채널 추정부는 차이값이 하락 임계값 이상인지를 판단할 수 있다(S1003). Meanwhile, the second channel estimator of the terminal may compare the applied artificial intelligence LLR value based on the channel estimated using the applied artificial intelligence model and the basic LLR value. And, the second channel estimator of the terminal may calculate a difference between the applied artificial intelligence LLR value and the basic LLR value. In this case, the difference value may be a value obtained by subtracting the applied artificial intelligence LLR value from the basic LLR value. Then, the second channel estimator of the terminal may determine whether the difference value is greater than or equal to the drop threshold (S1003).

단말의 제2 채널 추정부는 판단 결과, 산출한 차이값이 하락 임계값 이상이면 적용중인 채널 추정 인공 지능 모델을 사용하기 어려울 정도로 채널 추정 성능이 하락한 것으로 판단할 수 있다. 이에 따라, 단말의 제2 채널 추정부는 평가한 채널 추정의 성능 하락 평가 결과를 기지국에 전송하여 채널 추정 성능 하락 평가를 보고할 수 있다. 여기서, 성능 하락 평가 결과는 적용중인 채널 추정 인공 지능 모델을 사용하여 추정한 채널에 기초한 적용 인공 지능 LLR 값일 수 있다. 또는, 성능 하락 평가 결과는 기본 LLR 값과 적용중인 채널 추정 인공 지능 모델을 사용하여 추정한 채널에 기초한 적용 인공 지능 LLR 값의 차이값일 수 있다.As a result of the determination, the second channel estimator of the terminal may determine that the channel estimation performance has deteriorated to such an extent that it is difficult to use the currently applied channel estimation artificial intelligence model if the calculated difference value is greater than or equal to the drop threshold. Accordingly, the second channel estimator of the terminal may transmit a performance degradation evaluation result of the evaluated channel estimation to the base station to report the channel estimation performance degradation evaluation. Here, the performance degradation evaluation result may be an applied artificial intelligence LLR value based on a channel estimated using the currently applied channel estimation artificial intelligence model. Alternatively, the performance degradation evaluation result may be a difference between a basic LLR value and an applied artificial intelligence LLR value based on a channel estimated using the currently applied channel estimation artificial intelligence model.

그러면, 기지국은 단말의 제2 채널 추정부로부터 성능 하락 평가 결과를 수신할 수 있다. 그리고, 기지국은 적용중인 채널 추정 인공 지능 모델을 단말이 사용하기 어려울 정도로 채널 추정 성능이 하락한 것으로 판단할 수 있다.Then, the base station may receive a performance degradation evaluation result from the second channel estimator of the terminal. In addition, the base station may determine that channel estimation performance has deteriorated to such an extent that it is difficult for the terminal to use the channel estimation artificial intelligence model being applied.

한편, 단말의 제2 채널 추정부는 평가된 채널 추정 성능 하락을 보고하지 않을 수 있다. 그리고, 단말에 포함되어 있는 제2 채널 추정부는 기준 신호를 수신하여 적용중인 채널 추정 인공 지능 모델을 제외한 각각의 채널 추정 인공 지능 모델을 사용하여 채널 추정을 할 수 있다. 이후에, 기지국은 단말을 향하여 기준 방송 신호를 전송할 수 있다. 여기서, 기준 방송 신호는 SSB 블록 등 주기적으로 방송되는 신호일 수 있다. 이에 따라, 단말의 제2 채널 추정부는 적용중인 채널 추정 인공 지능 모델을 제외한 채널 추정 인공 지능 모델들을 사용하여 추정된 각각의 채널을 통하여 기준 방송 신호를 수신할 수 있다. Meanwhile, the second channel estimator of the terminal may not report the estimated channel estimation performance degradation. In addition, the second channel estimator included in the terminal may receive the reference signal and perform channel estimation using each channel estimation artificial intelligence model except for the currently applied channel estimation artificial intelligence model. After that, the base station may transmit a reference broadcasting signal toward the terminal. Here, the reference broadcasting signal may be a periodically broadcasting signal such as an SSB block. Accordingly, the second channel estimator of the terminal may receive the reference broadcast signal through each channel estimated using channel estimation artificial intelligence models other than the applied channel estimation artificial intelligence model.

그리고, 단말의 제2 채널 추정부는 각각의 추정된 채널에 기초하여 수신된 기준 방송 신호의 수신 성능을 평가할 수 있다. 이때, 단말의 제2 채널 추정부는 기준 방송 신호에 대한 수신 성능의 평가를 성능 하락 평가 반복 횟수에 따라 여러 차례를 수행할 수 있다. 이때, 단말의 제2 채널 추정부에서 평가한 수신 성능을 나타내는 지표는 기준 방송 신호 수신 시 LLR일 수 있다. 그 결과, 단말의 제2 채널 추정부는 성능 하락 평가 반복 횟수에 따라 여러 차례를 통하여 수신한 기준 방송 신호들에 대하여 평가한 수신 성능들의 평균값을 산출할 수 있다. 일 예로, 단말의 제2 채널 추정부에서 평가한 수신 성능들의 평균값은 인공 지능 평균 LLR값일 수 있다. 여기서, 인공 지능 평균 LLR값은 인공 지능 LLR 값으로 다르게 표현할 수 있다.And, the second channel estimator of the terminal may evaluate the reception performance of the received reference broadcast signal based on each estimated channel. In this case, the second channel estimator of the terminal may evaluate the reception performance of the reference broadcast signal several times according to the number of repetitions of performance degradation evaluation. In this case, the indicator representing the reception performance evaluated by the second channel estimator of the terminal may be the LLR when the reference broadcast signal is received. As a result, the second channel estimator of the terminal may calculate an average value of reception performances evaluated for the reference broadcast signals received several times according to the number of repetitions of performance degradation evaluation. For example, the average value of reception performances evaluated by the second channel estimator of the terminal may be an artificial intelligence average LLR value. Here, the artificial intelligence average LLR value may be differently expressed as an artificial intelligence LLR value.

한편, 단말의 제2 채널 추정부는 적용중인 채널 추정 인공 지능 모델을 제외한 각각의 인공 지능 모델을 사용하여 추정한 각각의 채널에 기초한 각각의 인공 지능 LLR 값과 기본 LLR 값을 비교할 수 있다. 그리고, 단말의 제2 채널 추정부는 각각의 인공 지능 LLR 값과 기본 LLR 값의 차이값을 산출할 수 있다. 이때, 차이값은 기본 LLR 값에서 각각의 인공 지능 LLR 값을 감산한 값일 수 있다. 그런 후에, 단말의 제2 채널 추정부는 차이값이 성능 임계값 이상인지를 판단할 수 있다. 여기서, 성능 임계값은 미리 설정된 값일 수 있다. 이러한 성능 임계값은 향상 임계값과 동일할 수 있다.Meanwhile, the second channel estimator of the terminal may compare each artificial intelligence LLR value based on each channel estimated using each artificial intelligence model except for the channel estimation artificial intelligence model being applied to the basic LLR value. And, the second channel estimator of the terminal may calculate a difference between each artificial intelligence LLR value and a basic LLR value. In this case, the difference value may be a value obtained by subtracting each artificial intelligence LLR value from the basic LLR value. After that, the second channel estimator of the terminal may determine whether the difference value is greater than or equal to the performance threshold value. Here, the performance threshold may be a preset value. This performance threshold may be equal to the enhancement threshold.

단말의 제2 채널 추정부는 판단 결과, 산출한 차이값이 성능 임계값 이상인 채널 추정 인공 지능 모델들을 선정할 수 있다. 그리고, 단말의 제2 채널 추정부는 적용중인 채널 추정 인공 지능 모델을 선정된 채널 추정 인공 지능 모델들에서 어느 하나의 인공 지능 모델로 변경하여 변경된 채널 추정 인공 지능 모델을 사용하여 채널 추정을 수행할 수 있다. 이때, 기지국은 선정된 채널 추정 인공 지능 모델들에 대한 성능 평가 결과를 고려하여 어느 하나의 인공 지능 모델로 변경하여 채널 추정을 수행할 수 있다. 일 예로, 기지국은 선정된 채널 추정 인공 지능 모델들에서 성능 평가 결과가 가장 우수한 채널 추정 인공 지능 모델로 변경하여 채널 추정을 수행할 수 있다. 여기서, 가장 우수한 성능 평가 결과를 가지는 채널 추정 인공 지능 모델은 가장 큰 차이값을 가지는 경우일 수 있다. 여기서, 가장 우수한 성능 평가 결과를 가지는 채널 추정 인공 지능 모델은 최대 차이값을 가지는 경우일 수 있다. 또는, 가장 우수한 성능 평가 결과를 가지는 채널 추정 인공 지능 모델은 최대 인공 지능 LLR값을 가지는 경우일 수 있다.As a result of the determination, the second channel estimation unit of the terminal may select channel estimation artificial intelligence models having a calculated difference value equal to or greater than a performance threshold value. In addition, the second channel estimator of the terminal may perform channel estimation using the changed channel estimation artificial intelligence model by changing the applied channel estimation artificial intelligence model from the selected channel estimation artificial intelligence models to any one artificial intelligence model. there is. At this time, the base station may perform channel estimation by changing to one artificial intelligence model in consideration of performance evaluation results of the selected artificial intelligence channel estimation models. For example, the base station may perform channel estimation by changing the channel estimation artificial intelligence model having the best performance evaluation result from the selected channel estimation artificial intelligence models. Here, the channel estimation artificial intelligence model having the best performance evaluation result may have the largest difference value. Here, the channel estimation artificial intelligence model having the best performance evaluation result may have a maximum difference value. Alternatively, the channel estimation artificial intelligence model having the best performance evaluation result may have the maximum artificial intelligence LLR value.

이후에, 단말의 제2 채널 추정부는 변경된 채널 추정 인공 지능 모델에 대한 모델 식별자에 대한 정보를 기지국으로 전송하면서 채널 추정 인공 지능 모델의 변경을 요청할 수 있다(S1004). 이때, 단말의 제2 채널 추정부는 변경된 채널 추정 인공 지능 모델에 대하여 평가한 채널 추정의 성능 평가 결과를 기지국에 전송할 수 있다. 여기서, 성능 평가 결과는 채널 추정 인공 지능 모델을 사용하여 추정한 채널에 기초한 인공 지능 LLR 값일 수 있다. 또는, 성능 평가 결과는 기본 LLR 값과 채널 추정 인공 지능 모델을 사용하여 추정한 채널에 기초한 인공 지능 LLR 값과 기본 LLR 값의 차이값일 수 있다.Thereafter, the second channel estimator of the terminal may request a change of the channel estimation artificial intelligence model while transmitting information on a model identifier for the changed channel estimation artificial intelligence model to the base station (S1004). At this time, the second channel estimator of the terminal may transmit a performance evaluation result of channel estimation evaluated for the changed channel estimation artificial intelligence model to the base station. Here, the performance evaluation result may be an artificial intelligence LLR value based on a channel estimated using a channel estimation artificial intelligence model. Alternatively, the performance evaluation result may be a difference between the basic LLR value and the artificial intelligence LLR value based on the channel estimated using the channel estimation artificial intelligence model and the basic LLR value.

그러면, 기지국은 단말의 제2 채널 추정부로부터 변경된 채널 추정 인공 지능 모델에 대한 모델 식별자에 대한 정보를 수신할 수 있고, 변경된 인공 지능 모델에 대한 변경 요청을 수신할 수 있다. 또한, 기지국은 단말의 제2 채널 추정부로부터 변경된 채널 추정 인공 지능 모델에 대하여 평가한 채널 추정의 성능 평가 결과를 수신할 수 있다. 이에 따라, 기지국은 해당 수신기가 변경된 채널 추정 인공 지능 모델에 기반하여 향상된 채널 추정 성능을 얻을 수 있는 것을 인지할 수 있다. 이에 기반하여, 기지국은 수신한 변경된 채널 추정 인공 지능 모델에 대한 모델 식별자에 대한 정보에 기반하여 변경된 채널 추정 인공 지능 모델을 적용하여 채널 추정을 수행하여 향상된 채널 추정 성능을 얻을 수 있다.Then, the base station may receive information on a model identifier for the changed channel estimation artificial intelligence model from the second channel estimator of the terminal, and may receive a change request for the changed artificial intelligence model. In addition, the base station may receive a performance evaluation result of channel estimation evaluated for the changed channel estimation artificial intelligence model from the second channel estimation unit of the terminal. Accordingly, the base station can recognize that the corresponding receiver can obtain improved channel estimation performance based on the changed artificial intelligence model for channel estimation. Based on this, the base station may obtain improved channel estimation performance by performing channel estimation by applying the changed channel estimation artificial intelligence model based on information on the model identifier of the changed channel estimation artificial intelligence model received.

이와 같은 채널 추정 하락 성능 평가는 단말의 제2 채널 추정부에서 성능 하락 평가 간격에 따른 간격으로 주기적으로 수행될 수 있다. Such channel estimation drop performance evaluation may be periodically performed by the second channel estimator of the terminal at intervals according to performance drop evaluation intervals.

한편, 기지국은 단말을 향하여 기준 신호를 전송할 수 있다. 그러면, 단말에 포함되어 있는 제2 채널 추정부는 기준 신호를 수신하여 적용중인 채널 추정 인공 지능 모델을 사용하여 채널 추정을 할 수 있다. 또한, 기지국은 단말을 향하여 기준 방송 신호를 전송할 수 있다. 여기서, 기준 방송 신호는 SSB 블록 등 주기적으로 방송되는 신호일 수 있다. Meanwhile, the base station may transmit a reference signal toward the terminal. Then, the second channel estimator included in the terminal may receive the reference signal and perform channel estimation using the currently applied channel estimation artificial intelligence model. In addition, the base station may transmit a reference broadcast signal toward the terminal. Here, the reference broadcasting signal may be a periodically broadcasting signal such as an SSB block.

이에 따라, 단말의 제2 채널 추정부는 적용중인 채널 추정 인공 지능 모델을 사용하여 추정한 채널을 통하여 기준 방송 신호를 수신을 시도할 수 있다. 하지만, 단말의 제2 채널 추정부는 추정한 채널을 통하여 기준 방송 신호의 수신에 실패할 수 있다. 이때, 단말은 제1 채널 추정부를 사용하여 채널을 추정할 수 있다. 그리고, 단말의 제1 채널 추정부는 추정한 채널을 사용하여 기준 방송 신호를 수신할 수 있다. 이때, 단말의 제1 채널 추정부는 기준 방송 신호의 수신에 성공할 수 있다. 이처럼, 단말의 제2 채널 추정부의 기준 방송 신호의 수신 실패가 일정 기간 지속될 수 있고, 단말의 제1 채널 추정부의 기준 방송 신호의 수신 성공이 일정 기간 지속될 수 있다. Accordingly, the second channel estimator of the terminal may attempt to receive the reference broadcast signal through the channel estimated using the currently applied channel estimation artificial intelligence model. However, the second channel estimator of the terminal may fail to receive the reference broadcast signal through the estimated channel. At this time, the terminal may estimate the channel using the first channel estimator. And, the first channel estimator of the terminal may receive the reference broadcast signal using the estimated channel. At this time, the first channel estimator of the terminal may succeed in receiving the reference broadcast signal. In this way, reception failure of the reference broadcasting signal by the second channel estimating unit of the terminal may continue for a certain period of time, and reception success of the reference broadcasting signal by the first channel estimating unit of the terminal may continue for a predetermined period of time.

이와 같은 경우에 단말의 제2 채널 추정부는 적용중인 채널 추정 인공 지능 모델을 사용하기 어려울 정도로 채널 추정 성능이 하락한 것으로 판단할 수 있다. 이에 따라, 단말의 제2 채널 추정부는 평가한 채널 추정의 하락 성능 평가 결과를 기지국에 전송하여 채널 추정 성능 평가 하락을 보고할 수 있다. 여기서, 성능 하락 평가 결과는 적용중인 채널 추정 인공 지능 모델을 사용하여 추정한 채널에서 수신 실패 사실과 실패 기간에 대한 정보를 포함할 수 있다. 그러면, 기지국은 단말의 제2 채널 추정부로부터 성능 하락 평가 결과를 수신할 수 있다. 그리고, 기지국은 적용중인 채널 추정 인공 지능 모델을 단말이 사용하기 어려울 정도로 채널 추정 성능이 하락한 것으로 판단할 수 있다.In this case, the second channel estimator of the terminal may determine that the channel estimation performance has deteriorated to the extent that it is difficult to use the currently applied channel estimation artificial intelligence model. Accordingly, the second channel estimator of the terminal may report the degradation of the channel estimation performance evaluation by transmitting the evaluation result of the evaluated degradation performance of the channel estimation to the base station. Here, the performance degradation evaluation result may include information on the fact of reception failure and the failure period in the channel estimated using the channel estimation artificial intelligence model being applied. Then, the base station may receive a performance degradation evaluation result from the second channel estimator of the terminal. In addition, the base station may determine that channel estimation performance has deteriorated to such an extent that it is difficult for the terminal to use the channel estimation artificial intelligence model being applied.

도 11은 채널 추정 인공 지능 모델 정보의 전송 방법의 제1 실시예를 설명하는 개념도이다.11 is a conceptual diagram illustrating a first embodiment of a method for transmitting channel estimation artificial intelligence model information.

도 11을 참조하면, 기지국의 채널 추정 인공 지능 모델 저장부는 모델 식별자에 의해 식별되는 채널 추정 인공 지능 모델들에 대한 정보를 보유하고 있을 수 있다. 그리고, 기지국은 모델 식별자 정보를 포함하여 채널 추정 인공 지능 모델들에 대한 정보를 단말의 제2 채널 추정부에 전달할 수 있다. 단말의 제2 채널 추정부는 기지국으로부터 모델 식별자 정보를 포함하여 채널 추정 인공 지능 모델들에 대한 정보를 수신하여 채널 추정 인공 지능 모델 저장부에 저장할 수 있다. 단말의 제2 채널 추정부는 채널 추정 인공 지능 모델 저장부에 저장된 채널 추정 인공 지능 모델들을 사용하여 채널을 추정할 수 있다.Referring to FIG. 11 , a channel estimation artificial intelligence model storage unit of a base station may hold information on channel estimation artificial intelligence models identified by model identifiers. In addition, the base station may transmit information on channel estimation artificial intelligence models, including model identifier information, to the second channel estimation unit of the terminal. The second channel estimator of the terminal may receive information on channel estimation artificial intelligence models including model identifier information from the base station and store the information in the channel estimation artificial intelligence model storage unit. The second channel estimator of the terminal may estimate a channel using channel estimation artificial intelligence models stored in the channel estimation artificial intelligence model storage unit.

도 12은 채널 추정 인공 지능 모델 정보의 전송 방법의 제2 실시예를 설명하는 순서도이다.12 is a flowchart illustrating a second embodiment of a method for transmitting channel estimation artificial intelligence model information.

도 12을 참조하면, 기지국의 채널 추정 인공 지능 모델 저장부는 모델 식별자에 의해 식별되는 채널 추정 인공 지능 모델들에 대한 정보를 보유하고 있을 수 있다. 한편, 단말은 접속 절차를 통하여 기지국에 접속할 수 있다(S1201). 그리고, 단말은 기지국에 채널 특성 정보를 전달하면서 채널 추정 인공 지능 모델들에 대한 정보를 요청할 수 있다(S1202). 여기서, 채널 특성 정보의 대상이 되는 채널은 기지국으로부터 단말로 향하는 하향 링크 채널일 수 있다. 그리고, 채널 특성 정보는 하향링크 채널의 최대 도플러 주파수, 지연 분산 등의 값을 포함할 수 있다. Referring to FIG. 12 , a channel estimation artificial intelligence model storage unit of a base station may hold information on channel estimation artificial intelligence models identified by model identifiers. Meanwhile, the terminal may access the base station through an access procedure (S1201). Then, the terminal may request information on channel estimation artificial intelligence models while transmitting channel characteristic information to the base station (S1202). Here, the target channel of the channel characteristic information may be a downlink channel from the base station to the terminal. And, the channel characteristic information may include values such as a maximum Doppler frequency and a delay variance of the downlink channel.

그러면, 기지국은 단말로부터 채널 특성 정보를 포함하는 채널 추정 인공 지능 모델들에 대한 정보 전달의 요청을 수신할 수 있다. 이에 따라, 기지국은 단말로부터 수신한 채널 특성 정보에 기반하여 단말에 적합한 채널 추정 인공 모델들을 선정할 수 있다. 이때, 기지국은 단말의 위치 등을 더 고려하여 단말에 적합한 채널 추정 인공 모델들을 선정할 수 있다. 그리고, 기지국은 모델 식별자 정보를 포함하여 선정한 채널 추정 인공 지능 모델들에 대한 정보를 단말에 전달할 수 있다(S1203). 이때, 기지국은 채널 추정 인공 지능 모델들에 대한 정보를 압축하여 단말에 전달할 수 있다. 단말은 기지국으로부터 모델 식별자 정보를 포함하여 채널 추정 인공 지능 모델들에 대한 정보를 수신하여 압축을 해제하여 채널 추정 인공 지능 모델 저장부에 저장할 수 있다. 단말은 채널 추정 인공 지능 모델 저장부에 저장된 채널 추정 인공 지능 모델들을 사용하여 채널을 추정할 수 있다.Then, the base station may receive a request for transmitting information about channel estimation artificial intelligence models including channel characteristic information from the terminal. Accordingly, the base station may select channel estimation artificial models suitable for the terminal based on the channel characteristic information received from the terminal. In this case, the base station may select channel estimation artificial models suitable for the terminal by further considering the location of the terminal. And, the base station may transmit information about the selected artificial intelligence models for channel estimation, including model identifier information, to the terminal (S1203). In this case, the base station may compress information on channel estimation artificial intelligence models and transmit the compressed information to the terminal. The terminal may receive information on channel estimation artificial intelligence models including model identifier information from the base station, decompress the information, and store the information in the channel estimation artificial intelligence model storage unit. The terminal may estimate a channel using channel estimation artificial intelligence models stored in the channel estimation artificial intelligence model storage unit.

도 13은 채널 추정 인공 지능 모델 정보의 전송 방법의 제3 실시예를 설명하는 순서도이다.13 is a flowchart illustrating a third embodiment of a method for transmitting channel estimation artificial intelligence model information.

도 13을 참조하면, 기지국은 단말에 채널 추정 성능 하락 평가 기능을 설정하기 위한 채널 추정 성능 하락 평가 설정 정보를 생성할 수 있다. 이때, 채널 추정 성능 평가 하락 설정 정보는 채널 추정에 대한 성능 하락 평가 간격에 대한 정보, 성능 하락 평가시 성능 평가 반복 횟수에 대한 정보, 하락 임계값에 대한 정보 등을 포함할 수 있다. Referring to FIG. 13 , a base station may generate channel estimation performance degradation evaluation setting information for setting a channel estimation performance degradation evaluation function in a terminal. In this case, the channel estimation performance evaluation drop setting information may include information about a performance drop evaluation interval for channel estimation, information about the number of iterations of performance evaluation in performance drop evaluation, information about a drop threshold, and the like.

한편, 기지국은 단말을 향하여 기준 신호를 전송할 수 있다. 단말에 포함되어 있는 제1 채널 추정부는 기준 신호를 수신하여 채널 추정을 수행할 수 있다. 이후에, 기지국은 단말을 향하여 기준 방송 신호를 전송할 수 있다(S1301). 여기서, 기준 방송 신호는 SSB 블록 등 주기적으로 방송되는 신호일 수 있다. 이에 따라, 단말의 제1 채널 추정부는 추정된 채널을 통하여 기준 방송 신호를 수신할 수 있다. Meanwhile, the base station may transmit a reference signal toward the terminal. A first channel estimator included in the terminal may perform channel estimation by receiving a reference signal. Thereafter, the base station may transmit a reference broadcasting signal toward the terminal (S1301). Here, the reference broadcasting signal may be a periodically broadcasting signal such as an SSB block. Accordingly, the first channel estimator of the terminal may receive the reference broadcast signal through the estimated channel.

이때, 단말의 제1 채널 추정부에서 평가한 수신 성능을 나타내는 지표는 기준 방송 신호 수신 시 LLR일 수 있다. 단말의 제1 채널 추정부는 성능 하락 평가 반복 횟수에 따라 수행한 여러 차례의 수신 성능들의 평균값을 산출할 수 있다. 일 예로, 단말의 제1 채널 추정부에서 평가한 수신 성능들의 평균값은 기본 평균 LLR값일 수 있다. 여기서, 기본 평균 LLR값은 기본선 LLR 값으로 다르게 표현할 수 있다.In this case, the indicator representing the reception performance evaluated by the first channel estimator of the terminal may be the LLR when the reference broadcast signal is received. The first channel estimator of the terminal may calculate an average value of reception performances performed several times according to the number of iterations of performance degradation evaluation. For example, the average value of reception performances evaluated by the first channel estimator of the terminal may be a basic average LLR value. Here, the basic average LLR value may be differently expressed as a baseline LLR value.

한편, 단말에 포함되어 있는 제2 채널 추정부는 기준 신호를 수신하여 적용중인 채널 추정 인공 지능 모델을 사용하여 채널 추정을 할 수 있다. 또한, 단말의 제2 채널 추정부는 적용중인 채널 추정 인공 지능 모델을 사용하여 수신한 기준 방송 신호에 대하여 추정된 채널에 대하여 수신 성능을 평가할 수 있다. 이때, 단말의 제2 채널 추정부는 기준 방송 신호에 대한 수신 성능의 평가를 성능 하락 평가 반복 횟수에 따라 여러 차례를 수행할 수 있다. 이때, 단말의 제2 채널 추정부에서 평가한 수신 성능을 나타내는 지표는 수신 시의 LLR일 수 있다. 그 결과, 단말의 제2 채널 추정부는 성능 하락 평가 반복 횟수에 따라 여러 차례를 통하여 수신한 기준 방송 신호들에 대하여 평가한 수신 성능들의 평균값을 산출할 수 있다. 일 예로, 단말의 제2 채널 추정부에서 평가한 수신 성능들의 평균값은 적용 인공 지능 평균 LLR값일 수 있다. 여기서, 적용 인공 지능 평균 LLR값은 적용 인공 지능 LLR 값으로 다르게 표현할 수 있다.Meanwhile, a second channel estimator included in the terminal may receive a reference signal and perform channel estimation using an applied channel estimation artificial intelligence model. In addition, the second channel estimator of the terminal may evaluate reception performance of a channel estimated with respect to a received reference broadcasting signal using an artificial intelligence model for estimating a channel being applied. In this case, the second channel estimator of the terminal may evaluate the reception performance of the reference broadcast signal several times according to the number of repetitions of performance degradation evaluation. In this case, the indicator representing the reception performance evaluated by the second channel estimator of the terminal may be the LLR at the time of reception. As a result, the second channel estimator of the terminal may calculate an average value of reception performances evaluated for the reference broadcast signals received several times according to the number of repetitions of performance degradation evaluation. For example, the average value of the reception performances evaluated by the second channel estimator of the terminal may be an applied artificial intelligence average LLR value. Here, the applied artificial intelligence average LLR value may be differently expressed as the applied artificial intelligence LLR value.

한편, 단말의 제2 채널 추정부는 적용중인 인공 지능 모델을 사용하여 추정한 채널에 기초한 적용 인공 지능 LLR 값과 기본 LLR 값을 비교하여 성능 하락을 평가할 수 있다(S1302). 이때, 단말의 제2 채널 추정부는 적용 인공 지능 LLR 값과 기본 LLR 값의 차이값을 산출할 수 있다. 여기서, 차이값은 기본 LLR 값에서 적용 인공 지능 LLR 값을 감산한 값일 수 있다. 그런 후에, 단말의 제2 채널 추정부는 차이값이 하락 임계값 이상인지를 판단할 수 있다. Meanwhile, the second channel estimator of the terminal may evaluate performance degradation by comparing the applied artificial intelligence LLR value based on the channel estimated using the applied artificial intelligence model with the basic LLR value (S1302). At this time, the second channel estimator of the terminal may calculate a difference between the applied artificial intelligence LLR value and the basic LLR value. Here, the difference value may be a value obtained by subtracting the applied artificial intelligence LLR value from the basic LLR value. Then, the second channel estimator of the terminal may determine whether the difference value is greater than or equal to the drop threshold value.

단말의 제2 채널 추정부는 판단 결과, 산출한 차이값이 하락 임계값 이상이면 적용중인 채널 추정 인공 지능 모델을 사용하기 어려울 정도로 채널 추정 성능이 하락한 것으로 판단할 수 있다. 이에 따라, 단말의 제2 채널 추정부는 평가한 채널 추정의 하락 성능 평가 결과를 기지국에 전송하여 채널 추정 성능 평가 하락을 보고할 수 있다(S1303). 여기서, 성능 하락 평가 결과는 적용중인 채널 추정 인공 지능 모델을 사용하여 추정한 채널에 기초한 적용 인공 지능 LLR 값일 수 있다. 또는, 성능 하락 평가 결과는 기본 LLR 값과 적용중인 채널 추정 인공 지능 모델을 사용하여 추정한 채널에 기초한 적용 인공 지능 LLR 값과 기본 LLR 값의 차이값일 수 있다. 또한, 성능 하락 평가 결과는 채널 특성 정보를 포함할 수 있다. 여기서, 채널 특성 정보의 대상이 되는 채널은 기지국으로부터 단말로 향하는 하향 링크 채널일 수 있다. 그리고, 채널 특성 정보는 하향링크 채널의 최대 도플러 주파수, 지연 분산 등의 값을 포함할 수 있다. As a result of the determination, the second channel estimator of the terminal may determine that the channel estimation performance has deteriorated to such an extent that it is difficult to use the currently applied channel estimation artificial intelligence model if the calculated difference value is greater than or equal to the drop threshold. Accordingly, the second channel estimator of the terminal may report the degradation of the channel estimation performance evaluation by transmitting the evaluation result of the evaluated degradation performance of the channel estimation to the base station (S1303). Here, the performance degradation evaluation result may be an applied artificial intelligence LLR value based on a channel estimated using the currently applied channel estimation artificial intelligence model. Alternatively, the performance degradation evaluation result may be a difference between the basic LLR value and the applied artificial intelligence LLR value based on the channel estimated using the currently applied channel estimation artificial intelligence model and the basic LLR value. Also, the performance degradation evaluation result may include channel characteristic information. Here, the target channel of the channel characteristic information may be a downlink channel from the base station to the terminal. And, the channel characteristic information may include values such as a maximum Doppler frequency and a delay variance of the downlink channel.

이에 따라, 기지국은 단말로부터 수신한 채널 특성 정보를 포함하는 성능 하락 평가 결과 보고에 기반하여 단말에 적합한 채널 추정 인공 지능 모델로 변경할 수 있다(S1304). 이때, 기지국은 단말의 위치 등을 더 고려하여 단말에 적합한 채널 추정 인공 모델로 변경할 수 있다. 그리고, 기지국은 모델 식별자 정보를 포함하여 변경한 채널 추정 인공 지능 모델에 대한 정보를 단말에 전달할 수 있다(S1305). 이때, 기지국은 채널 추정 인공 지능 모델에 대한 정보를 압축하여 단말에 전달할 수 있다. 단말은 기지국으로부터 모델 식별자 정보를 포함하여 채널 추정 인공 지능 모델에 대한 정보를 수신하여 압축을 해제하여 채널 추정 인공 지능 모델 저장부에 저장할 수 있다. 단말은 채널 추정 인공 지능 모델 저장부에 저장된 채널 추정 인공 지능 모델을 사용하여 채널을 추정할 수 있다(S1306).Accordingly, the base station may change to a channel estimation artificial intelligence model suitable for the terminal based on the performance degradation evaluation result report including the channel characteristic information received from the terminal (S1304). At this time, the base station may change the channel estimation artificial model suitable for the terminal by further considering the location of the terminal. And, the base station may transmit information about the changed channel estimation artificial intelligence model including the model identifier information to the terminal (S1305). At this time, the base station may compress information on the channel estimation artificial intelligence model and transmit it to the terminal. The terminal may receive information on the channel estimation artificial intelligence model including the model identifier information from the base station, decompress the information, and store the information in the channel estimation artificial intelligence model storage unit. The terminal may estimate a channel using the channel estimation artificial intelligence model stored in the channel estimation artificial intelligence model storage unit (S1306).

한편, 단말은 채널 특성을 주기적으로 측정하여 변화 정도를 평가할 수 있다. 단말은 채널 특성에 대한 변화 정도의 평가 결과에 따라 채널 특성의 변화를 기지국에 보고할 수 있다. 이러한, 변화된 채널 특성의 보고는 채널 추정 인공 지능 모델의 성능 하락과 무관할 수 있다. 이때, 단말은 채널 특성 정보와 함께 채널 추정 성능 정도를 기지국에 보고할 수 있다.Meanwhile, the terminal may periodically measure the channel characteristics to evaluate the degree of change. The terminal may report the change in channel characteristics to the base station according to the evaluation result of the degree of change in the channel characteristics. Reporting of such changed channel characteristics may be irrelevant to performance degradation of the channel estimation artificial intelligence model. At this time, the terminal may report the degree of channel estimation performance to the base station together with the channel characteristic information.

그러면, 기지국은 단말로부터 채널 특성 변화 보고를 수신할 수 있다. 그리고, 기지국은 적용중인 채널 추정 인공 지능 모델을 단말이 사용하기 어려울 정도로 채널 특성이 변화된 것으로 판단할 수 있다. 이에 따라, 기지국은 단말로부터 수신한 채널 특성 정보에 기반하여 단말에 적합한 채널 추정 인공 모델로 변경할 수 있다. 이때, 기지국은 단말의 위치 등을 더 고려하여 단말에 적합한 채널 추정 인공 모델로 변경할 수 있다. 그리고, 기지국은 모델 식별자 정보를 포함하여 변경한 채널 추정 인공 지능 모델에 대한 정보를 단말에 전달할 수 있다. 이때, 기지국은 채널 추정 인공 지능 모델에 대한 정보를 압축하여 단말에 전달할 수 있다. 단말은 기지국으로부터 모델 식별자 정보를 포함하여 채널 추정 인공 지능 모델에 대한 정보를 수신하여 압축을 해제하여 채널 추정 인공 지능 모델 저장부에 저장할 수 있다. 단말은 채널 추정 인공 지능 모델 저장부에 저장된 채널 추정 인공 지능 모델을 사용하여 채널을 추정할 수 있다.Then, the base station may receive a channel characteristic change report from the terminal. In addition, the base station may determine that the channel characteristics have changed to such an extent that it is difficult for the terminal to use the channel estimation artificial intelligence model being applied. Accordingly, the base station may change to an artificial channel estimation model suitable for the terminal based on the channel characteristic information received from the terminal. At this time, the base station may change the channel estimation artificial model suitable for the terminal by further considering the location of the terminal. And, the base station may transmit information about the changed channel estimation artificial intelligence model including the model identifier information to the terminal. At this time, the base station may compress information on the channel estimation artificial intelligence model and transmit it to the terminal. The terminal may receive information on the channel estimation artificial intelligence model including the model identifier information from the base station, decompress the information, and store the information in the channel estimation artificial intelligence model storage unit. The terminal may estimate a channel using the channel estimation artificial intelligence model stored in the channel estimation artificial intelligence model storage unit.

한편, 이동 통신 네트워크의 수신기는 인공 지능 모델에 기반한 채널 추정 동작을 수행하여 성능 향상을 얻을 수 있다. 이때, 수신기는 인공 지능 모델을 자체적으로 가지고 있을 수 있다. 또한, 기지국이 인공 지능 모델을 관리하면서 수신기에 관리하고 있는 인공 지능 모델에 대한 정보를 전송할 수 있다. Meanwhile, a receiver of a mobile communication network may perform a channel estimation operation based on an artificial intelligence model to improve performance. At this time, the receiver may have an artificial intelligence model itself. In addition, while the base station manages the artificial intelligence model, it can transmit information about the artificial intelligence model being managed to the receiver.

그러면, 단말은 기지국으로부터 인공 지능 모델에 대한 정보를 수신하여 이를 적용하여 채널 추정을 수행할 수 있다. 이때, 인공 지능 모델은 충분히 학습되지 않을 수 있다. 또한, 채널 환경은 수시로 변화될 수 있다. 이와 같은 경우에 인공 지능 모델을 사용한 채널 추정은 성능 향상의 정도가 크지 않을 수 있다. Then, the terminal may perform channel estimation by receiving information on the artificial intelligence model from the base station and applying the information. At this time, the artificial intelligence model may not be sufficiently learned. In addition, the channel environment may change from time to time. In this case, channel estimation using an artificial intelligence model may not improve performance significantly.

채널 추정 인공 지능 모델은 실제 채널 환경을 겪지 않은 상황에서 시뮬레이션 등을 통하여 실제 다양한 환경에서 좋은 성능을 낼 수 있도록 사전 학습될 수 있다. 이처럼 시뮬레이션 환경에서 사전 학습된 인공 지능 모델은 좋은 성능을 나타내기 어려울 수 있다. 이에 따라, 본 개시는 이러한 어려움을 해결하기 위하여 실제 환경에서 동작을 준비할 수 있는 인공 지능 모델의 업데이트 방법을 제안할 수 있다. 또는, 본 개시는 이러한 어려움을 해결하기 위하여 실제 환경에서 동작 중인 인공 지능 모델의 업데이트 방법을 제안할 수 있다.The channel estimation artificial intelligence model may be pre-trained to produce good performance in various real environments through simulation in a situation where it has not experienced an actual channel environment. As such, artificial intelligence models pre-trained in a simulation environment can be difficult to show good performance. Accordingly, the present disclosure may propose a method for updating an artificial intelligence model capable of preparing an operation in a real environment in order to solve this difficulty. Alternatively, the present disclosure may propose a method for updating an artificial intelligence model operating in a real environment in order to solve such difficulties.

제안된 인공 지능 모델의 업데이트 방법은 인공 지능 모델에 기반한 채널 추정을 수행하는 단계에서 이루어질 수 있다. 이러한 업데이트 방법은 데이터 수신에 성공한 경우에 인공 지능 모델의 성능을 더 향상시킬 수 있도록 학습을 통하여 이루어질 수 있다. 이를 위하여 수신기는 심층 신경망(deep neural network)의 기울기 벡터를 생성할 수 있다.The proposed method of updating the artificial intelligence model can be performed in the step of performing channel estimation based on the artificial intelligence model. Such an update method may be performed through learning so as to further improve the performance of the artificial intelligence model when data reception is successful. To this end, the receiver may generate a gradient vector of a deep neural network.

도 14는 심층 신경망의 기울기 벡터 생성 방법의 제1 실시예를 나타내는 도면이다.14 is a diagram illustrating a method of generating a gradient vector of a deep neural network according to a first embodiment.

도 14를 참조하면, 수신기는 데이터 수신 절차를 수행할 때, 수신 자원에서의 수신 신호에 대한 정보(Y)를 생성하여 메모리에 저장할 수 있다(S1401). 수신기는 데이터 수신에 성공한 경우에 송신 데이터를 파악할 수 있다(S1402). 그리고, 수신기는 송신 데이터를 이용하여 송신 절차를 다시 수행하여 송신 신호에 대한 정보(X)를 생성할 수 있다(S1403). 이후에, 수신기는 송신 신호에 대한 정보와 수신 신호에 대한 정보를 이용하여 실제 채널 정보(H)를 생성할 수 있다(S1404). 그리고, 수신기는 인공 지능 모델을 이용하여 추정한 채널 정보 (H')와 실제 채널 정보(H)를 비교하여 오차 정보를 생성할 수 있다(S1405). 이후에, 수신기는 후방 전파(back propagation) 방법을 적용하여 심층 신경망의 기울기 벡터를 생성할 수 있다(S1406).Referring to FIG. 14 , when performing a data reception procedure, the receiver may generate and store information Y on a received signal in a reception resource in a memory (S1401). The receiver can determine the transmission data when data reception is successful (S1402). Then, the receiver may perform the transmission procedure again using the transmission data to generate information (X) on the transmission signal (S1403). Thereafter, the receiver may generate actual channel information (H) using the information on the transmitted signal and the information on the received signal (S1404). The receiver may generate error information by comparing channel information (H') estimated using the artificial intelligence model with actual channel information (H) (S1405). Thereafter, the receiver may generate a gradient vector of the deep neural network by applying a back propagation method (S1406).

도 15는 채널 추정 인공 지능 모델의 업데이트 방법의 제1 실시예를 나타내는 순서도이다.15 is a flowchart illustrating a first embodiment of a method for updating a channel estimation artificial intelligence model.

도 15를 참조하면, 기지국은 인공 지능 모델에 대한 업데이트 설정 정보를 생성할 수 있다. 여기서, 업데이트 설정 정보는 기울기 벡터 생성 주기에 대한 정보와 기울기 벡터 전송 주기에 대한 정보를 포함할 수 있다. 기지국은 생성한 업데이트 설정 정보를 단말로 전송할 수 있다(S1501). 그러면, 단말은 업데이트 설정 정보를 수신할 수 있고, 수신한 업데이트 설정 정보에서 기울기 벡터 생성 주기와 기울기 벡터 전송 주기를 인식할 수 있다.Referring to FIG. 15, a base station may generate update setting information for an artificial intelligence model. Here, the update setting information may include information about a gradient vector generation period and information about a gradient vector transmission period. The base station may transmit the generated update setting information to the terminal (S1501). Then, the terminal can receive update setting information and recognize a gradient vector generation period and a gradient vector transmission period from the received update setting information.

한편, 기지국은 하향링크 데이터를 단말로 계속하여 전송할 수 있다(S1502). 그러면, 단말은 기지국으로부터 하향링크 데이터를 수신할 수 있고, 데이터 수신 절차를 수행할 때, 수신 자원에서의 수신 신호에 대한 정보(Y)를 생성하여 메모리에 저장할 수 있다. 단말은 데이터 수신에 성공한 경우에 송신 데이터를 파악할 수 있다. 그리고, 단말은 송신 데이터를 이용하여 송신 절차를 다시 수행하여 송신 신호에 대한 정보(X)를 생성할 수 있다. 이후에, 단말은 송신 신호에 대한 정보와 수신 신호에 대한 정보를 이용하여 실제 채널 정보(H)를 생성할 수 있다. Meanwhile, the base station may continuously transmit downlink data to the terminal (S1502). Then, the terminal can receive downlink data from the base station, and when performing a data reception procedure, it can generate information (Y) on the received signal in the reception resource and store it in memory. When data reception is successful, the terminal can determine transmission data. Then, the terminal may generate information (X) on the transmission signal by performing the transmission procedure again using the transmission data. After that, the terminal can generate actual channel information (H) using the information on the transmitted signal and the information on the received signal.

그리고, 단말은 인공 지능 모델을 이용하여 추정한 채널 정보 (H')와 실제 채널 정보(H)를 비교하여 오차 정보를 생성할 수 있다. 이후에, 단말은 후방 전파 방법을 적용하여 심층 신경망의 기울기 벡터를 생성할 수 있다. 단말은 이와 같은 기울기 벡터를 생성하는 과정을 기울기 벡터 생성 주기에 따라 주기적으로 수행할 수 있다(S1503).In addition, the terminal may generate error information by comparing channel information (H′) estimated using an artificial intelligence model with actual channel information (H). Thereafter, the terminal may generate the gradient vector of the deep neural network by applying the back propagation method. The terminal may periodically perform the process of generating the gradient vector according to the gradient vector generation period (S1503).

이후에, 단말은 생성한 기울기 벡터에 대한 정보를 기지국으로 주기적으로 전송할 수 있다(S1504). 단말은 생성된 기울기 벡터를 모두 더한 기울기 벡터를 기지국으로 기울기 벡터 전송 주기에 따라 전송할 수 있다. 또한, 단말은 기울기 벡터를 생성하는데 사용한 인공 지능 모델에 대한 정보를 기지국으로 전송할 수 있다. 이에 따라, 기지국은 단말로부터 주기적으로 기울기 벡터에 대한 정보를 수신할 수 있고, 인공 지능 모델을 주기적으로 업데이트할 수 있다(S1505). 이때, 기지국은 기울기 벡터를 생성하는데 사용한 인공 지능 모델에 대한 정보를 함께 수신할 수 있어 기울기 벡터를 생성하는데 사용한 인공 지능 모델에 대한 정보를 파악할 수 있다.Thereafter, the terminal may periodically transmit information on the generated gradient vector to the base station (S1504). The terminal may transmit a gradient vector obtained by adding all the generated gradient vectors to the base station according to a gradient vector transmission period. In addition, the terminal may transmit information about the artificial intelligence model used to generate the gradient vector to the base station. Accordingly, the base station may periodically receive information on the gradient vector from the terminal and periodically update the artificial intelligence model (S1505). At this time, the base station can receive information on the artificial intelligence model used to generate the gradient vector together, so that information on the artificial intelligence model used to generate the gradient vector can be grasped.

한편, 단말은 기울기 벡터를 생성할 때마다 인공 지능 모델을 업데이트할 수 있다. 또는 단말은 기울기 벡터를 기지국으로 전송할 때마다 인공 지능 모델을 업데이트할 수 있다. 이처럼, 단말은 자체적으로 인공 지능 모델을 가지고 있는 경우, 위와 같이 기울기 벡터를 생성한 후 인공 지능 모델의 심층 신경망 각 요소에 기울기 벡터만큼 더하는 방법을 통하여 모델을 업데이트 할 수 있다. Meanwhile, the terminal may update the artificial intelligence model whenever a gradient vector is generated. Alternatively, the terminal may update the artificial intelligence model whenever the gradient vector is transmitted to the base station. As such, when the terminal has its own artificial intelligence model, the model may be updated by generating the gradient vector as described above and then adding the gradient vector to each element of the deep neural network of the artificial intelligence model.

만약 단말은 인공 지능 모델을 통한 수신에 성공하지 못한 경우에도, 기본 채널 추정 모델을 통하여 데이터 수신이 성공하는 경우에 이와 마찬가지로 송신 신호 및 채널 정보를 복원하여 인공 지능 모델의 성능을 향상시키기 위한 기울기 벡터 생성 및 모델 업데이트 동작을 수행할 수 있다.Even if the terminal does not succeed in reception through the artificial intelligence model, when data reception succeeds through the basic channel estimation model, the terminal restores the transmitted signal and channel information similarly to the gradient vector for improving the performance of the artificial intelligence model. Create and model update operations can be performed.

이처럼 단말은 인공 지능 모델의 업데이트를 위하여 실제 전송되는 데이터를 통하여 기울기 벡터를 생성할 수 있다. 하지만, 이를 위해서 단말은 데이터를 수신 한 이후, 다시 송신 데이터로부터 송신 신호를 생성하는 절차를 수행할 수 있다. 또한, 단말은 수신시 모든 자원의 채널을 메모리에 저장할 수 있다. 이는 처리 능력 및 메모리의 제약이 있는 단말이 학습을 어렵게 만드는 요인이 될 수 있다. 이를 해결하기 위하여 기지국은 인공 지능 모델 학습을 보다 용이하게 하기 위하여 수신기에게 사전에 알려진 전용 신호를 데이터 전송 자원에서 전송할 수 있다.As such, the terminal may generate a gradient vector through actually transmitted data to update the artificial intelligence model. However, for this purpose, the terminal may perform a procedure of generating a transmission signal from the transmission data again after receiving the data. In addition, the terminal may store channels of all resources in memory when receiving. This may be a factor that makes learning difficult for a terminal having limitations in processing capability and memory. In order to solve this problem, the base station may transmit a dedicated signal previously known to the receiver in data transmission resources in order to more easily learn the artificial intelligence model.

도 16은 전용 신호의 제1 실시예를 나타내는 개념도이다.16 is a conceptual diagram illustrating a first embodiment of a dedicated signal.

도 16을 참조하면, 전용 신호는 복조 기준 신호(demodulation reference signal)와 같은 형태일 수 있다. 기지국은 하나의 심볼에 4개의 복조 기준 신호를 배치할 수 있다. 이에 따라, 기지국은 두개의 심볼을 사용하여 8개의 복호 기준 신호를 전송할 수 있다. 이와 같은 전용 신호는 특정 단말을 목적으로 전송할 수 있다. 또는, 이와 같은 전용 신호는 셀 내의 모든 단말에서 수신하여 학습할 수 있도록 전송할 수도 있다. 이처럼 기지국이 전용 신호를 특정 단말을 목적으로 전송하는 경우, 신호 생성을 위한 초기 값으로 단말 고유 접속 번호를 사용할 수 있다. 또는, 기지국이 전용 신호를 셀 내 모든 단말을 목적으로 전송하는 경우, 초기 값으로 셀 고유 번호를 사용할 수 있다.Referring to FIG. 16, the dedicated signal may be in the same form as a demodulation reference signal. The base station can arrange 4 demodulation reference signals in one symbol. Accordingly, the base station can transmit 8 decoding reference signals using two symbols. Such a dedicated signal may be transmitted for a specific terminal purpose. Alternatively, such a dedicated signal may be transmitted so that all terminals in the cell can receive and learn it. In this way, when a base station transmits a dedicated signal for a specific terminal, a terminal-specific access number may be used as an initial value for signal generation. Alternatively, when a base station transmits a dedicated signal to all terminals in a cell, a cell-specific number may be used as an initial value.

도 17은 전용 신호의 제2 실시예를 나타내는 개념도이다.17 is a conceptual diagram illustrating a second embodiment of a dedicated signal.

도 17을 참조하면, 전용 신호는 데이터 전송 자원에서 전송될 수 있다. 이와 같은 전용 신호는 특정 단말을 목적으로 전송할 수 있다. 또는, 이와 같은 전용 신호는 셀 내의 모든 단말에서 수신하여 학습할 수 있도록 전송할 수도 있다. 이처럼 기지국이 전용 신호를 특정 단말을 목적으로 전송하는 경우, 신호 생성을 위한 초기 값으로 단말 고유 접속 번호를 사용할 수 있다. 또는, 기지국이 전용 신호를 셀 내 모든 단말을 목적으로 전송하는 경우, 초기 값으로 셀 고유 번호를 사용할 수 있다.Referring to FIG. 17, a dedicated signal may be transmitted in data transmission resources. Such a dedicated signal may be transmitted for a specific terminal purpose. Alternatively, such a dedicated signal may be transmitted so that all terminals in the cell can receive and learn it. In this way, when a base station transmits a dedicated signal for a specific terminal, a terminal-specific access number may be used as an initial value for signal generation. Alternatively, when a base station transmits a dedicated signal to all terminals in a cell, a cell-specific number may be used as an initial value.

도 18은 채널 추정 인공 지능 모델의 업데이트 방법의 제2 실시예를 나타내는 순서도이다.18 is a flowchart illustrating a second embodiment of a method for updating a channel estimation artificial intelligence model.

도 18을 참조하면, 기지국은 인공 지능 모델에 대한 업데이트 설정 정보를 생성할 수 있다. 여기서, 업데이트 설정 정보는 기울기 벡터 생성 주기에 대한 정보와 기울기 벡터 전송 주기에 대한 정보를 포함할 수 있다. 기지국은 생성한 업데이트 설정 정보를 단말로 전송할 수 있다(S1801). 그러면, 단말은 업데이트 설정 정보를 수신할 수 있고, 수신한 업데이트 설정 정보에서 기울기 벡터 생성 주기와 기울기 벡터 전송 주기를 인식할 수 있다.Referring to FIG. 18, a base station may generate update setting information for an artificial intelligence model. Here, the update setting information may include information about a gradient vector generation period and information about a gradient vector transmission period. The base station may transmit the generated update setting information to the terminal (S1801). Then, the terminal can receive update setting information and recognize a gradient vector generation period and a gradient vector transmission period from the received update setting information.

한편, 기지국은 알려진 전용 데이터 전송을 위해서 자원 할당 절차를 통해서 단말에게 전송 자원 위치를 알 수 있도록 할 수 있다. 이를 위하여 기지국은 알려진 전용 데이터임을 표시하는 표시자에 대한 정보, 주파수 자원 할당 정보, 시간 자원 할당 정보, 전용 데이터 생성을 위한 안테나 포트 정보(일예로 최대 안테나 포트 개수) 등을 포함하는 하향링크 제어 정보(downlink control information, DCI)를 생성할 수 있다. 그리고, 기지국은 단말로 생성한 하향링크 제어 정보를 전송할 수 있다(S1802). 이때, 기지국은 개별 단말을 목적으로 하는 경우에 C-RNTI(cell RNTI)를 이용하여 스크램블 된 DCI 메시지를 단말로 전송하여 해당 단말에서만 수신할 수 있도록 할 수 있다. 이와 달리, 기지국은 셀 내 모든 단말들을 목적으로 하는 경우는 AICE-RNTI(AI based CE RNTI)와 같이 모든 단말들이 수신할 수 있도록 공통된 값으로 스크램블 된 DCI 메시지를 전송할 수 있다. 그러면, 단말은 DCI 메시지를 수신할 수 있고, 전용 신호를 수신할 수 있는 시간 및 주파수 자원 등을 알 수 있다.Meanwhile, the base station may allow the terminal to know the transmission resource location through a resource allocation procedure for known dedicated data transmission. To this end, the base station provides downlink control information including information about an indicator indicating that it is known dedicated data, frequency resource allocation information, time resource allocation information, antenna port information for generating dedicated data (for example, the maximum number of antenna ports), and the like. (downlink control information, DCI) can be created. And, the base station may transmit the generated downlink control information to the terminal (S1802). In this case, the base station may transmit the scrambled DCI message to the terminal using C-RNTI (cell RNTI) when targeting an individual terminal so that only the corresponding terminal can receive it. In contrast, when targeting all terminals in a cell, the base station may transmit a scrambled DCI message with a common value so that all terminals can receive it, such as AICE-RNTI (AI based CE RNTI). Then, the terminal can receive the DCI message and know time and frequency resources capable of receiving the dedicated signal.

한편, 기지국은 전용 데이터를 단말로 계속하여 전송할 수 있다(S1803). 그러면, 단말은 기지국으로부터 DCI에 기반하여 전용 데이터를 수신할 수 있고, 데이터 수신 절차를 수행할 때, 수신 자원에서의 수신 신호에 대한 정보(Y)를 생성하여 메모리에 저장할 수 있다. 단말은 전용 데이터 수신에 성공한 경우에 전용 데이터를 파악할 수 있다. 그리고, 단말은 전용 데이터를 이용하여 송신 신호에 대한 정보(X)를 생성할 수 있다. 이후에, 단말은 송신 신호에 대한 정보와 수신 신호에 대한 정보를 이용하여 실제 채널 정보(H)를 생성할 수 있다. Meanwhile, the base station may continuously transmit dedicated data to the terminal (S1803). Then, the terminal may receive dedicated data based on the DCI from the base station, and when performing a data reception procedure, information (Y) on the received signal in the reception resource may be generated and stored in memory. When the terminal succeeds in receiving the dedicated data, it can determine the dedicated data. And, the terminal can generate information (X) on the transmission signal using the dedicated data. After that, the terminal can generate actual channel information (H) using the information on the transmitted signal and the information on the received signal.

그리고, 단말은 인공 지능 모델을 이용하여 추정한 채널 정보(H')와 실제 채널 정보(H)를 비교하여 오차 정보를 생성할 수 있다. 이후에, 단말은 후방 전파 방법을 적용하여 심층 신경망의 기울기 벡터를 생성할 수 있다. 단말은 이와 같은 기울기 벡터를 생성하는 과정을 기울기 벡터 생성 주기에 따라 주기적으로 수행할 수 있다(S1804).In addition, the terminal may generate error information by comparing the channel information (H') estimated using the artificial intelligence model and the actual channel information (H). Thereafter, the terminal may generate the gradient vector of the deep neural network by applying the back propagation method. The terminal may periodically perform the process of generating the gradient vector according to the gradient vector generation period (S1804).

이후에, 단말은 생성한 기울기 벡터에 대한 정보를 기지국으로 주기적으로 전송할 수 있다(S1805). 단말은 생성된 기울기 벡터들을 모두 더한 기울기 벡터를 기지국으로 기울기 벡터 전송 주기에 따라 전송할 수 있다. 또한, 단말은 기울기 벡터를 생성하는데 사용한 인공 지능 모델에 대한 정보를 기지국으로 전송할 수 있다. 이에 따라, 기지국은 단말로부터 주기적으로 기울기 벡터에 대한 정보를 수신할 수 있고, 인공 지능 모델을 주기적으로 업데이트할 수 있다(S1806). 이때, 기지국은 기울기 벡터를 생성하는데 사용한 인공 지능 모델에 대한 정보를 함께 수신할 수 있어 기울기 벡터를 생성하는데 사용한 인공 지능 모델에 대한 정보를 파악할 수 있다.Thereafter, the terminal may periodically transmit information on the generated gradient vector to the base station (S1805). The terminal may transmit a gradient vector obtained by adding all the generated gradient vectors to the base station according to a gradient vector transmission period. In addition, the terminal may transmit information about the artificial intelligence model used to generate the gradient vector to the base station. Accordingly, the base station may periodically receive information on the gradient vector from the terminal, and may periodically update the artificial intelligence model (S1806). At this time, the base station can receive information on the artificial intelligence model used to generate the gradient vector together, so that information on the artificial intelligence model used to generate the gradient vector can be grasped.

도 19는 통신 시스템에서 채널 추정 성능 평가 방법의 제3 실시예를 나타내는 흐름도이다.19 is a flowchart illustrating a third embodiment of a method for evaluating channel estimation performance in a communication system.

도 19를 참조하면, 기지국은 단말에 채널 추정 성능 평가 기능을 설정하기 위한 채널 추정 성능 평가 설정 정보를 생성할 수 있다. 이때, 채널 추정 성능 평가 설정 정보는 채널 추정에 대한 성능 평가 간격에 대한 정보, 성능 평가시 성능 평가 반복 횟수에 대한 정보, 임계값에 대한 정보 등을 포함할 수 있다. 또한, 채널 추정 성능 평가 설정 정보는 전용 신호 정보를 포함할 수 있다. 이때, 전용 신호 정보는 전용 데이터임을 표시하는 표시자에 대한 정보, 주파수 자원 할당 정보, 시간 자원 할당 정보, 전용 데이터 생성을 위한 안테나 포트 정보(일예로 최대 안테나 포트 개수) 등을 포함할 수 있다. Referring to FIG. 19 , a base station may generate channel estimation performance evaluation setting information for setting a channel estimation performance evaluation function in a terminal. In this case, the channel estimation performance evaluation setting information may include information about a performance evaluation interval for channel estimation, information about the number of iterations of performance evaluation in performance evaluation, information about a threshold value, and the like. Also, channel estimation performance evaluation setting information may include dedicated signal information. In this case, the dedicated signal information may include information on an indicator indicating dedicated data, frequency resource allocation information, time resource allocation information, and antenna port information for generating dedicated data (for example, the maximum number of antenna ports).

한편, 기지국은 단말을 향하여 기준 신호를 전송할 수 있다. 단말에 포함되어 있는 제1 채널 추정부는 기준 신호를 수신하여 채널 추정을 수행할 수 있다. 또한, 기지국은 단말을 향하여 전용 신호를 전송할 수 있다. 이에 따라, 단말의 제1 채널 추정부는 추정된 채널을 통하여 전용 신호를 수신할 수 있다. 그리고, 단말의 제1 채널 추정부는 수신한 전용 신호에 대한 수신 성능을 평가할 수 있다. Meanwhile, the base station may transmit a reference signal toward the terminal. A first channel estimator included in the terminal may perform channel estimation by receiving a reference signal. In addition, the base station may transmit a dedicated signal toward the terminal. Accordingly, the first channel estimator of the terminal may receive a dedicated signal through the estimated channel. And, the first channel estimator of the terminal may evaluate the reception performance of the received dedicated signal.

이때, 단말의 제1 채널 추정부는 전용 신호에 대한 수신 성능의 평가를 성능 평가 반복 횟수에 따라 여러 차례를 수행할 수 있다. 이때, 단말의 제1 채널 추정부에서 평가한 수신 성능을 나타내는 지표는 전용 신호 수신 시 LLR일 수 있다. 단말의 제1 채널 추정부는 성능 평가 반복 횟수에 따라 수행한 여러 차례의 수신 성능들의 평균값을 산출할 수 있다(S1901). 일 예로, 단말의 제1 채널 추정부에서 평가한 수신 성능들의 평균값은 기본 평균 LLR값일 수 있다. 여기서, 기본 평균 LLR값은 기본선 LLR 값으로 다르게 표현할 수 있다.In this case, the first channel estimator of the terminal may evaluate the reception performance of the dedicated signal several times according to the number of repetitions of the performance evaluation. In this case, the indicator representing the reception performance evaluated by the first channel estimator of the terminal may be the LLR when the dedicated signal is received. The first channel estimator of the terminal may calculate an average value of multiple reception performances performed according to the number of iterations of the performance evaluation (S1901). For example, the average value of reception performances evaluated by the first channel estimator of the terminal may be a basic average LLR value. Here, the basic average LLR value may be differently expressed as a baseline LLR value.

한편, 기지국은 단말을 향하여 기준 신호를 전송할 수 있다. 그러면, 단말에 포함되어 있는 제2 채널 추정부는 기준 신호를 수신하여 각각의 채널 추정 인공 지능 모델을 사용하여 채널 추정을 할 수 있다. 또한, 기지국은 단말을 향하여 전용 신호를 전송할 수 있다. 이에 따라, 단말의 제2 채널 추정부는 채널 추정 인공 지능 모델들을 사용하여 추정된 각각의 채널을 통하여 전용 신호를 수신할 수 있다. Meanwhile, the base station may transmit a reference signal toward the terminal. Then, the second channel estimator included in the terminal may receive the reference signal and perform channel estimation using each channel estimation artificial intelligence model. In addition, the base station may transmit a dedicated signal toward the terminal. Accordingly, the second channel estimator of the terminal may receive a dedicated signal through each channel estimated using channel estimation artificial intelligence models.

그리고, 단말의 제2 채널 추정부는 수신한 전용 신호에 대한 각각의 추정된 채널에 대하여 수신 성능을 평가할 수 있다. 이때, 단말의 제2 채널 추정부는 전용 신호에 대한 수신 성능의 평가를 성능 평가 반복 횟수에 따라 여러 차례를 수행할 수 있다. 이때, 단말의 제2 채널 추정부에서 평가한 수신 성능을 나타내는 지표는 전용 신호 수신 시 LLR일 수 있다. And, the second channel estimator of the terminal may evaluate reception performance for each estimated channel for the received dedicated signal. In this case, the second channel estimator of the terminal may evaluate the reception performance of the dedicated signal several times according to the number of repetitions of the performance evaluation. In this case, the indicator representing the reception performance evaluated by the second channel estimator of the terminal may be the LLR when the dedicated signal is received.

그 결과, 단말의 제2 채널 추정부는 성능 평가 반복 횟수에 따라 여러 차례를 통하여 수신한 전용 신호들에 대하여 평가한 수신 성능들의 평균값을 산출할 수 있다(S1902). 일 예로, 단말의 제2 채널 추정부에서 평가한 수신 성능들의 평균값은 인공 지능 평균 LLR값일 수 있다. 여기서, 인공 지능 평균 LLR값은 인공 지능 LLR 값으로 다르게 표현할 수 있다.As a result, the second channel estimator of the terminal may calculate an average value of reception performances evaluated for the dedicated signals received several times according to the number of repetitions of the performance evaluation (S1902). For example, the average value of reception performances evaluated by the second channel estimator of the terminal may be an artificial intelligence average LLR value. Here, the artificial intelligence average LLR value may be differently expressed as an artificial intelligence LLR value.

한편, 단말의 제2 채널 추정부는 각각의 인공 지능 모델을 사용하여 추정한 각각의 채널에 기초한 각각의 인공 지능 LLR 값과 기본 LLR 값을 비교할 수 있다. 그리고, 단말의 제2 채널 추정부는 각각의 인공 지능 LLR 값과 기본 LLR 값의 차이값을 산출할 수 있다. 그런 후에, 단말의 제2 채널 추정부는 차이값이 특정 임계값 이상인지를 판단할 수 있다(S1903). Meanwhile, the second channel estimator of the terminal may compare each artificial intelligence LLR value based on each channel estimated using each artificial intelligence model with the basic LLR value. And, the second channel estimator of the terminal may calculate a difference between each artificial intelligence LLR value and a basic LLR value. After that, the second channel estimator of the terminal may determine whether the difference value is greater than or equal to a specific threshold value (S1903).

단말의 제2 채널 추정부는 판단 결과, 산출한 차이값이 특정 임계값 이상인 채널 추정 인공 지능 모델들을 선정할 수 있다. 그리고, 단말의 제2 채널 추정부는 특정 임계값 이상인 차이값을 가지는 선정된 채널 추정 인공 지능 모델들에 대한 모델 식별자들에 대한 정보를 기지국으로 전송하면서 채널 추정 인공 지능 모델의 적용을 요청할 수 있다(S1904). As a result of the determination, the second channel estimator of the terminal may select channel estimation artificial intelligence models having a calculated difference value greater than or equal to a specific threshold value. In addition, the second channel estimator of the terminal may request application of the channel estimation artificial intelligence model while transmitting information on model identifiers for selected channel estimation artificial intelligence models having a difference value equal to or greater than a specific threshold to the base station ( S1904).

이때, 단말의 제2 채널 추정부는 선정된 채널 추정 인공 지능 모델들의 각각에 대하여 평가한 채널 추정의 성능 평가 결과를 기지국에 전송할 수 있다. 여기서, 성능 평가 결과는 채널 추정 인공 지능 모델을 사용하여 추정한 채널에 기초한 인공 지능 LLR 값일 수 있다. 또는, 성능 평가 결과는 기본 LLR 값과 채널 추정 인공 지능 모델을 사용하여 추정한 채널에 기초한 인공 지능 LLR 값과 기본 LLR 값의 차이값일 수 있다.At this time, the second channel estimator of the terminal may transmit a performance evaluation result of channel estimation evaluated for each of the selected artificial intelligence models for channel estimation to the base station. Here, the performance evaluation result may be an artificial intelligence LLR value based on a channel estimated using a channel estimation artificial intelligence model. Alternatively, the performance evaluation result may be a difference between the basic LLR value and the artificial intelligence LLR value based on the channel estimated using the channel estimation artificial intelligence model and the basic LLR value.

여기서, 성능 평가 결과는 채널 추정 인공 지능 모델을 사용하여 추정한 채널에서 평가한 인공 지능 LLR 값일 수 있다. 또는, 성능 평가 결과는 채널 추정 인공 지능 모델을 사용하여 추정한 채널에 기초한 인공 지능 LLR 값과 기본 LLR 값의 차이값일 수 있다.Here, the performance evaluation result may be an artificial intelligence LLR value evaluated on a channel estimated using a channel estimation artificial intelligence model. Alternatively, the performance evaluation result may be a difference between an artificial intelligence LLR value based on a channel estimated using a channel estimation artificial intelligence model and a basic LLR value.

일 예로, 기지국은 선정된 채널 추정 인공 지능 모델들에 서 성능 평가 결과가 가장 우수한 채널 추정 인공 지능 모델을 적용하여 채널 추정을 수행할 수 있다. 여기서, 가장 우수한 성능 평가 결과를 가지는 채널 추정 인공 지능 모델은 가장 큰 차이값을 가지는 경우일 수 있다. For example, the base station may perform channel estimation by applying a channel estimation artificial intelligence model having the best performance evaluation result among selected channel estimation artificial intelligence models. Here, the channel estimation artificial intelligence model having the best performance evaluation result may have the largest difference value.

한편, 단말의 제2 채널 추정부는 특정 임계값 이상인 차이값을 가지는 선정된 채널 추정 인공 지능 모델들에서 최대 차이값을 가지는(또는 최대 인공 지능 LLR값을 가지는) 채널 추정 인공 지능 모델에 대한 모델 식별자에 대한 정보를 기지국으로 전송하면서 인공 지능 모델의 적용을 요청할 수도 있다. 그러면, 기지국은 단말의 제2 채널 추정부로부터 선정된 채널 추정 인공 지능 모델들에서 최대 차이값을 가지는 채널 추정 인공 지능 모델에 대한 모델 식별자 정보를 수신할 수 있고, 선정된 인공 지능 모델에 대한 적용 요청을 수신할 수 있다.Meanwhile, the second channel estimator of the terminal has a model identifier for a channel estimation artificial intelligence model having a maximum difference value (or having a maximum artificial intelligence LLR value) among selected channel estimation artificial intelligence models having a difference value equal to or greater than a specific threshold. Application of the artificial intelligence model may be requested while transmitting information about the to the base station. Then, the base station may receive model identifier information for a channel estimation artificial intelligence model having a maximum difference among selected artificial intelligence models for channel estimation from the second channel estimation unit of the terminal, and apply the selected artificial intelligence model. request can be received.

일 예로 채널 추정 인공 지능 모델에 대한 정보는 채널의 특징을 지연 확산(delay spread) 및 도플러 주파수 천이(doppler frequency shift)로 표현하여, 두 값을 양자화 한 정보일 수 있다. 이 외에도 채널 추정 인공 지능 모델에 대한 정보는 신호 대 잡음비(signal to interference plus noise ratio, SINR) 등의 정보를 포함할 수 있다.For example, the information on the channel estimation artificial intelligence model may be information obtained by quantizing the two values by expressing channel characteristics as delay spread and Doppler frequency shift. In addition, the information on the channel estimation artificial intelligence model may include information such as a signal to interference plus noise ratio (SINR).

한편, 단말은 하나 또는 둘 이상의 기준 신호 패턴을 가상으로 생성할 수 있다. 그리고, 단말은 생성한 가상 기준 신호 패턴 별로 채널 추정 성능을 평가할 수 있다. Meanwhile, the terminal may virtually generate one or more reference signal patterns. And, the terminal can evaluate channel estimation performance for each generated virtual reference signal pattern.

도 20은 가상 기준 신호 패턴의 제1 실시예를 나타내는 개념도이다.20 is a conceptual diagram illustrating a first embodiment of a virtual reference signal pattern.

도 20을 참조하면, 가상 기준 신호 패턴은 기본 기준 신호 패턴에서 기준 신호를 감소시킨 패턴일 수 있다. 가상 기준 신호 패턴 정보는 기본 기준 신호의 위치 정보에 기본 신호 감소 정보를 추가하여 표현할 수 있다. 이러한 가상 기준 신호 패턴 정보는 DMRS 매핑 유형 정보, DMRS 설정 유형 정보, DMRS 길이 정보, DMRS 추가 위치 정보, DMRS 타입 A 위치 정보, 자원 감소 단위 정보, 밀도 감소 정보 등을 포함할 수 있다. 여기서, 자원 감소 단위 정보는 CDM 그룹 또는 RB 중에서 하나일 수 있다. 밀도 감소 정도 정보는 1/2, 1/3, 1/4 등의 감소 정도를 포함할 수 있다.Referring to FIG. 20 , the virtual reference signal pattern may be a pattern obtained by reducing the reference signal from the basic reference signal pattern. The virtual reference signal pattern information may be expressed by adding basic signal reduction information to position information of the basic reference signal. This virtual reference signal pattern information may include DMRS mapping type information, DMRS configuration type information, DMRS length information, DMRS additional location information, DMRS type A location information, resource reduction unit information, density reduction information, and the like. Here, the resource reduction unit information may be either a CDM group or an RB. Density reduction degree information may include reduction degrees such as 1/2, 1/3, and 1/4.

한편, 단말은 전용 신호 수신 시에 다양한 가상 기준 신호 패턴을 조합하여 예상 채널 추정 성능을 추정할 수 있다. 그리고, 단말은 인공 지능 모델을 사용하여 추정한 채널의 성능 향상이 판별되는 경우에 기지국에 이를 보고할 때 사용한 가상 기준 신호 패턴 정보를 추가로 전송할 수 있다. 기지국은 단말로부터 가상 기준 신호 패턴 정보를 수신할 수 있다. 이후에, 기지국은 데이터 전송에서 사용할 기준 신호의 밀도를 결정하기 위하여 단말에서 사용한 가상 기준 신호 패턴 정보를 활용할 수 있다. Meanwhile, when receiving a dedicated signal, the terminal may estimate expected channel estimation performance by combining various virtual reference signal patterns. In addition, when the performance improvement of the channel estimated using the artificial intelligence model is determined, the terminal may additionally transmit virtual reference signal pattern information used when reporting it to the base station. The base station may receive virtual reference signal pattern information from the terminal. After that, the base station may utilize the virtual reference signal pattern information used by the terminal to determine the density of the reference signal to be used in data transmission.

한편, 본 개시의 모델 성능 평가, 적용, 모델 변경 등 절차는 단말에서 동작하는 다른 인공 지능 기능을 위해서도 적용할 수 있다. 이때, 적용가능한 인공 지능 기능들은 아래와 같을 수 있다.Meanwhile, the procedures of model performance evaluation, application, model change, etc. of the present disclosure can also be applied to other artificial intelligence functions operating in the terminal. In this case, applicable artificial intelligence functions may be as follows.

- 빔 예측(Beam prediction) (공간 도메인(Spatial domain), 시간 도메인(Time domain)) 인공 지능 기능 - Beam prediction (Spatial domain, Time domain) artificial intelligence function

- CSI(channel status/state information) 압축(compression), CSI 예측(prediction) 등의 인공 지능 기능- Artificial intelligence functions such as CSI (channel status/state information) compression and CSI prediction

- 위치 예측(positioning prediction) 등의 인공 지능 기능 - Artificial intelligence functions such as positioning prediction

일 예로, CSI 압축은 도 4의 S402 대신 인공 지능 기반 CSI 압축의 성능을 평가한 후, 성능 이득이 있는 경우, 모델 적용을 요청할 수 있다. 도 10의 경우도 마찬가지로 적용될 수 있다. 도13의 경우에도, 성능이 하락되는 경우, 모델 변경도 적용될 수 있다.For example, CSI compression may evaluate the performance of artificial intelligence-based CSI compression instead of S402 of FIG. 4 , and then request model application if there is a performance gain. The same can be applied to the case of FIG. 10 . Even in the case of FIG. 13, when performance is degraded, model change may also be applied.

본 개시의 실시 예에 따른 방법의 동작은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 또는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 정보가 저장되는 모든 종류의 기록장치를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산 방식으로 컴퓨터로 읽을 수 있는 프로그램 또는 코드가 저장되고 실행될 수 있다.The operation of the method according to an embodiment of the present disclosure can be implemented as a computer readable program or code on a computer readable recording medium. A computer-readable recording medium includes all types of recording devices in which information that can be read by a computer system is stored. In addition, computer-readable recording media may be distributed to computer systems connected through a network to store and execute computer-readable programs or codes in a distributed manner.

또한, 컴퓨터가 읽을 수 있는 기록매체는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. 프로그램 명령은 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.In addition, the computer-readable recording medium may include hardware devices specially configured to store and execute program instructions, such as ROM, RAM, and flash memory. The program command may include high-level language codes that can be executed by a computer using an interpreter or the like as well as machine code generated by a compiler.

본 개시의 일부 측면들은 장치의 문맥에서 설명되었으나, 그것은 상응하는 방법에 따른 설명 또한 나타낼 수 있고, 여기서 블록 또는 장치는 방법 단계 또는 방법 단계의 특징에 상응한다. 유사하게, 방법의 문맥에서 설명된 측면들은 또한 상응하는 블록 또는 아이템 또는 상응하는 장치의 특징으로 나타낼 수 있다. 방법 단계들의 몇몇 또는 전부는 예를 들어, 마이크로프로세서, 프로그램 가능한 컴퓨터 또는 전자 회로와 같은 하드웨어 장치에 의해(또는 이용하여) 수행될 수 있다. 몇몇의 실시 예에서, 가장 중요한 방법 단계들의 적어도 하나 이상은 이와 같은 장치에 의해 수행될 수 있다.Although some aspects of the present disclosure have been described in the context of an apparatus, it may also represent a description according to a corresponding method, where a block or apparatus corresponds to a method step or feature of a method step. Similarly, aspects described in the context of a method may also be represented by a corresponding block or item or a corresponding feature of a device. Some or all of the method steps may be performed by (or using) a hardware device such as, for example, a microprocessor, programmable computer, or electronic circuitry. In some embodiments, at least one or more of the most important method steps may be performed by such a device.

실시 예들에서, 프로그램 가능한 로직 장치(예를 들어, 필드 프로그래머블 게이트 어레이)가 여기서 설명된 방법들의 기능의 일부 또는 전부를 수행하기 위해 사용될 수 있다. 실시 예들에서, 필드 프로그래머블 게이트 어레이(field-programmable gate array)는 여기서 설명된 방법들 중 하나를 수행하기 위한 마이크로프로세서(microprocessor)와 함께 작동할 수 있다. 일반적으로, 방법들은 어떤 하드웨어 장치에 의해 수행되는 것이 바람직하다.In embodiments, a programmable logic device (eg, a field programmable gate array) may be used to perform some or all of the functions of the methods described herein. In embodiments, a field-programmable gate array may operate in conjunction with a microprocessor to perform one of the methods described herein. Generally, methods are preferably performed by some hardware device.

이상 본 개시의 바람직한 실시 예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 개시의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 개시를 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although it has been described with reference to the preferred embodiments of the present disclosure, those skilled in the art can variously modify and change the present disclosure within the scope not departing from the spirit and scope of the present disclosure described in the claims below. You will understand that you can.

Claims

As a method of operating a terminal equipped with a channel estimation artificial intelligence model in a communication system,
receiving a first signal A from a base station and performing primary channel estimation using the channel estimation artificial intelligence model; and
Receiving downlink data from the base station using the estimated channel,
How the terminal operates.

The method of claim 1,
receiving performance evaluation setting information including information on a first threshold from the base station;
performing secondary channel estimation by receiving a second signal A from the base station;
calculating a first reception performance indicator by receiving a first signal B from the base station based on the second channel estimation;
receiving the third signal A from the base station and performing tertiary channel estimation using a channel estimation artificial intelligence model;
calculating a second reception performance indicator by receiving a second signal B from the base station based on the third channel estimation; and
Requesting application of the channel estimation artificial intelligence model to the base station when the second reception performance indicator is greater than the first threshold value than the first reception performance indicator,
How the terminal operates.

The method of claim 2,
The primary reception performance index is a log likelihood ratio (LLR) value upon reception of the first signal B, and the secondary reception performance index is an LLR value upon reception of the second signal B.
How the terminal operates.

The method of claim 2,
The performance evaluation setting information further includes information on the number of repetitions of performance evaluation,
The terminal uses an average value obtained by performing multiple reception performance evaluations according to the number of repetitions of the performance evaluation as the first reception performance index or the second reception performance index.
How the terminal operates.

The method of claim 2,
The third signal A is a signal in which the density of the second signal A is reduced in units of code division multiplexing (CDM) groups or a signal in which the density of the second signal A is reduced in units of resource blocks (RBs),
How the terminal operates.

The method of claim 1,
Receiving from the base station density reduction setting information including at least one of information on a resource reduction unit, information on a degree of density reduction, or information on an offset per symbol for signal A, from the base station,
The terminal receives the first signal A based on density reduction setting information,
How the terminal operates.

The method of claim 1,
receiving a fourth signal A from the base station and performing fourth channel estimation using the channel estimation artificial intelligence model;
calculating a third reception performance index by receiving a third signal B from the base station based on the fourth order channel estimation; and
Further comprising reporting a performance degradation result of the channel estimation artificial intelligence model to the base station when the first reception performance indicator is greater than or equal to a second threshold value than the third reception performance indicator.
How the terminal operates.

The method of claim 7,
The performance degradation result includes channel characteristic information,
receiving, by the terminal, information on a channel estimation artificial intelligence model changed based on the channel characteristic information from the base station; and
Further comprising performing channel estimation using the modified channel estimation artificial intelligence model.
How the terminal operates.

The method of claim 1,
Receiving update setting information including information on a gradient vector generation period and information on a gradient vector transmission period from the base station; and
Calculating a gradient vector value of a deep neural network based on the data according to the gradient vector generation period,
How the terminal operates.

The method of claim 9,
Transmitting the calculated gradient vector value to the base station according to the gradient vector transmission period,
How the terminal operates.

The method of claim 9,
Further comprising the step of updating the channel estimation artificial intelligence model using the calculated gradient vector value,
How the terminal operates.

The method of claim 9,
Calculating a gradient vector value based on the downlink data includes:
generating information about a received signal from the downlink data;
identifying transmission data from the downlink data;
generating information about a transmission signal from the transmission data;
generating actual channel information using information on the transmitted signal and information on the received signal;
generating error information by comparing channel information estimated using the channel estimation artificial intelligence model with actual channel information; and
Calculating the gradient vector value of the deep neural network by applying a back propagation method to the error information,
How the terminal operates.

The method of claim 2,
Each of the first signal B and the second signal B is a reference broadcast signal or a dedicated signal,
How the terminal operates.

As a method of operating a base station in a communication system,
Receiving first channel characteristic information from a terminal;
Selecting a channel estimation artificial intelligence model suitable for the terminal based on the first channel characteristic information;
Transmitting information about the selected channel estimation artificial intelligence model to the terminal;
Transmitting a first signal A used for channel estimation and a first signal B used for reception performance evaluation to the terminal; and
Receiving a primary reception performance indicator for the channel estimation artificial intelligence model from the terminal,
A method of operating a base station.

The method of claim 14,
Receiving a model change request signal including second channel characteristic information from the terminal;
Selecting a changed channel estimation artificial intelligence model based on the secondary channel characteristic information; and
Further comprising transmitting information on the changed channel estimation artificial intelligence model to the terminal,
A method of operating a base station.

The method of claim 14,
Receiving a second reception performance indicator including second channel characteristic information from the terminal;
selecting a changed artificial intelligence model for estimating a channel based on the secondary channel characteristic information when the secondary reception performance indicator is lower than the first reception performance indicator by a threshold value; and
Further comprising transmitting information on the changed channel estimation artificial intelligence model to the terminal,
A method of operating a base station.

The method of claim 14,
Transmitting updater setting information including information about a gradient vector generation period and information about a gradient vector transmission period to the terminal;
Transmitting downlink data to the terminal according to the gradient vector generation period;
receiving a gradient vector value calculated based on the downlink data according to the gradient vector transmission period from the terminal; and
Further comprising updating the channel estimation artificial intelligence model based on the gradient vector value,
A method of operating a base station.

As a method of operating a terminal in a communication system,
Receiving transmission information of dedicated data from a base station;
performing channel estimation using a channel estimation artificial intelligence model; and
Calculating a gradient vector value based on a channel estimation result using the channel estimation artificial intelligence model and a result of receiving the dedicated data,
How the terminal operates.

The method of claim 18
Further comprising transmitting the calculated gradient vector value to the base station,
How the terminal operates.

The method of claim 18
Further comprising the step of updating the channel estimation artificial intelligence model using the calculated gradient vector value,
How the terminal operates.