KR20230146001A - 뉴럴 네트워크 기반 하향링크 제어 채널 송수신 방법 - Google Patents
뉴럴 네트워크 기반 하향링크 제어 채널 송수신 방법 Download PDFInfo
- Publication number
- KR20230146001A KR20230146001A KR1020237022539A KR20237022539A KR20230146001A KR 20230146001 A KR20230146001 A KR 20230146001A KR 1020237022539 A KR1020237022539 A KR 1020237022539A KR 20237022539 A KR20237022539 A KR 20237022539A KR 20230146001 A KR20230146001 A KR 20230146001A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- neural network
- weight
- control channel
- control information
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 155
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 126
- 230000005540 biological transmission Effects 0.000 title claims abstract description 72
- 238000004891 communication Methods 0.000 claims description 175
- 230000015654 memory Effects 0.000 claims description 67
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 11
- 230000011664 signaling Effects 0.000 claims description 6
- 239000010410 layer Substances 0.000 description 65
- 238000005516 engineering process Methods 0.000 description 64
- 230000006870 function Effects 0.000 description 60
- 238000013473 artificial intelligence Methods 0.000 description 48
- 238000010586 diagram Methods 0.000 description 44
- 230000008569 process Effects 0.000 description 29
- 238000012545 processing Methods 0.000 description 24
- 230000003287 optical effect Effects 0.000 description 23
- 238000012549 training Methods 0.000 description 20
- 210000004027 cell Anatomy 0.000 description 19
- 210000002569 neuron Anatomy 0.000 description 19
- 238000010801 machine learning Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000004913 activation Effects 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 9
- 210000004556 brain Anatomy 0.000 description 8
- 230000010354 integration Effects 0.000 description 8
- 238000012546 transfer Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 239000000835 fiber Substances 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 230000008054 signal transmission Effects 0.000 description 4
- 241000282412 Homo Species 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 210000004205 output neuron Anatomy 0.000 description 3
- 230000010363 phase shift Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 210000000225 synapse Anatomy 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004984 smart glass Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 241000760358 Enodes Species 0.000 description 1
- 101000741965 Homo sapiens Inactive tyrosine-protein kinase PRAG1 Proteins 0.000 description 1
- 102100038659 Inactive tyrosine-protein kinase PRAG1 Human genes 0.000 description 1
- 230000027311 M phase Effects 0.000 description 1
- 101100533725 Mus musculus Smr3a gene Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 208000013057 hereditary mucoepithelial dysplasia Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/20—Control channels or signalling for resource management
- H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
- H04W72/231—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal the control data signalling from the layers above the physical layer, e.g. RRC or MAC-CE signalling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0009—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the channel coding
- H04L1/0013—Rate matching, e.g. puncturing or repetition of code symbols
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/08—Access restriction or access information delivery, e.g. discovery data delivery
- H04W48/10—Access restriction or access information delivery, e.g. discovery data delivery using broadcasted information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/08—Access restriction or access information delivery, e.g. discovery data delivery
- H04W48/12—Access restriction or access information delivery, e.g. discovery data delivery using downlink control channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/12—Wireless traffic scheduling
Abstract
본 명세서는 뉴럴 네트워크 기반 하향링크 제어 채널 송수신 방법을 제안한다.
Description
본 명세서는 무선 통신 및 AI에 관한 것이다.
무선 통신 시스템은 음성이나 데이터 등과 같은 다양한 종류의 통신 서비스를 제공하기 위해 광범위하게 전개될 뿐 아니라, AI를 통신 시스템에 접목하고자 하는 시도가 급증하고 있다. 시도되고 있는 AI 접목 방식들을 크게 AI 지원을 위해 통신 기술을 발전시키는 AI를 위한 통신(communications for AI: C4AI)과 통신 성능의 향상을 위한 AI를 활용하는 통신을 위한 AI(AI for communications: AI4C)로 구분할 수 있다. AI4C 영역에서는 채널 인코더/디코더를 단 대 단(end-to-end)의 오토인코더(autoencoder)로 대체하여 설계 효율을 올리고자 하는 시도가 있다. C4AI 영역에서는 분산 학습(Distributed learning)의 한 기법인 연합 학습(Federated learning)으로 장치의 원 자료(raw data)의 공유 없이 모델의 가중치(weight)나 기울기(gradient)만을 서버와 공유함으로써 개인정보는 보호하면서 공통 예측 모델을 업데이트하는 방법이 있다. 그리고, 분산 추론(split inference)으로 장치, 네트워크 엣지(Network Edge) 및 클라우드 서버(Cloud Server)의 부하(load)를 분산시키는 방법 등이 있다.
본 명세서는 뉴럴 네트워크 기반 하향링크 제어 채널 송수신 방법을 제안한다.
본 명세서에 따르면, 제어 정보를 뉴럴 네트워크에 기반하여 전송하는 방법을 제안함으로써, 전송 성능 및 효율이 증가한다.
본 명세서의 구체적인 일례를 통해 얻을 수 있는 효과는 이상에서 나열된 효과로 제한되지 않는다. 예를 들어, 관련된 기술분야의 통상의 지식을 자긴 자(a person having ordinary skill in the related art)가 본 명세서로부터 이해하거나 유도할 수 있는 다양한 기술적 효과가 존재할 수 있다. 이에 따라 본 명세서의 구체적인 효과는 본 명세서에 명시적으로 기재된 것에 제한되지 않고, 본 명세서의 기술적 특징으로부터 이해되거나 유도될 수 있는 다양한 효과를 포함할 수 있다.
이하에 첨부되는 도면들은 본 개시에 관한 이해를 돕기 위한 것으로, 상세한 설명과 함께 본 개시에 대한 실시 예들을 제공할 수 있다. 다만, 본 개시의 기술적 특징이 특정 도면에 한정되는 것은 아니며, 각 도면에서 개시하는 특징들은 서로 조합되어 새로운 실시 예로 구성될 수 있다. 각 도면에서의 참조 번호(reference numerals)들은 구조적 구성요소(structural elements)를 의미할 수 있다.
도 1은 본 개시에 적용 가능한 통신 시스템 예시를 나타낸 도면이다.
도 2는 본 개시에 적용 가능한 무선 기기의 예시를 나타낸 도면이다.
도 3은 본 개시에 적용 가능한 무선 기기의 다른 예시를 나타낸 도면이다.
도 4는 본 개시에 적용 가능한 휴대 기기의 예시를 나타낸 도면이다.
도 5는 본 개시에 적용 가능한 차량 또는 자율 주행 차량의 예시를 나타낸 도면이다.
도 6은 본 개시에 적용 가능한 이동체의 예시를 나타낸 도면이다.
도 7은 본 개시에 적용 가능한 XR 기기의 예시를 나타낸 도면이다.
도 8은 본 개시에 적용 가능한 로봇의 예시를 나타낸 도면이다.
도 9는 본 개시에 적용 가능한 AI(Artificial Intelligence)의 예시를 나타낸 도면이다.
도 10은 본 개시에 적용 가능한 물리 채널들 및 이들을 이용한 신호 전송 방법을 나타낸 도면이다.
도 11은 본 개시에 적용 가능한 무선 인터페이스 프로토콜(Radio Interface Protocol)의 제어평면(Control Plane) 및 사용자 평면(User Plane) 구조를 나타낸 도면이다.
도 12는 본 개시에 적용 가능한 전송 신호를 처리하는 방법을 나타낸 도면이다.
도 13은 본 개시에 적용 가능한 무선 프레임의 구조를 나타낸 도면이다.
도 14는 본 개시에 적용 가능한 슬롯 구조를 나타낸 도면이다.
도 15는 본 개시에 적용 가능한 6G 시스템에서 제공 가능한 통신 구조의 일례를 나타낸 도면이다.
도 16은 본 개시에 적용 가능한 전자기 스펙트럼을 나타낸 도면이다.
도 17은 본 개시에 적용 가능한 THz 통신 방법을 나타낸 도면이다.
도 18은 본 개시에 적용 가능한 THz 무선 통신 송수신기를 나타낸 도면이다.
도 19는 본 개시에 적용 가능한 THz 신호 생성 방법을 나타낸 도면이다.
도 20은 본 개시에 적용 가능한 무선 통신 송수신기를 나타낸 도면이다.
도 21은 본 개시에 적용 가능한 송신기 구조를 나타낸 도면이다.
도 22는 본 개시에 적용 가능한 변조기 구조를 나타낸 도면이다.
도 23은 뉴럴 네트워크 모델의 일례를 도시한 것이다.
도 24는 뉴럴 네트워크에서 활성화된 노드의 일례를 도시한 것이다.
도 25는 체인 룰을 이용한 기울기 계산의 일례를 도시한 것이다.
도 26은 RNN의 기본 구조의 일례를 도시한 것이다.
도 27은 오토인코더의 일례를 도시한 것이다.
도 28은 터보 오토인코더의 인코더 구조 및 디코더 구조의 일례를 도시한 것이다.
도 29는 본 명세서의 일부 구현에 따른 기지국의 뉴럴 네트워크 전송기에 기반한 제어 채널 전송 방법의 일례에 대한 순서도이다.
도 30은 랜덤 접속 절차를 설명하기 위한 것이다.
도 1은 본 개시에 적용 가능한 통신 시스템 예시를 나타낸 도면이다.
도 2는 본 개시에 적용 가능한 무선 기기의 예시를 나타낸 도면이다.
도 3은 본 개시에 적용 가능한 무선 기기의 다른 예시를 나타낸 도면이다.
도 4는 본 개시에 적용 가능한 휴대 기기의 예시를 나타낸 도면이다.
도 5는 본 개시에 적용 가능한 차량 또는 자율 주행 차량의 예시를 나타낸 도면이다.
도 6은 본 개시에 적용 가능한 이동체의 예시를 나타낸 도면이다.
도 7은 본 개시에 적용 가능한 XR 기기의 예시를 나타낸 도면이다.
도 8은 본 개시에 적용 가능한 로봇의 예시를 나타낸 도면이다.
도 9는 본 개시에 적용 가능한 AI(Artificial Intelligence)의 예시를 나타낸 도면이다.
도 10은 본 개시에 적용 가능한 물리 채널들 및 이들을 이용한 신호 전송 방법을 나타낸 도면이다.
도 11은 본 개시에 적용 가능한 무선 인터페이스 프로토콜(Radio Interface Protocol)의 제어평면(Control Plane) 및 사용자 평면(User Plane) 구조를 나타낸 도면이다.
도 12는 본 개시에 적용 가능한 전송 신호를 처리하는 방법을 나타낸 도면이다.
도 13은 본 개시에 적용 가능한 무선 프레임의 구조를 나타낸 도면이다.
도 14는 본 개시에 적용 가능한 슬롯 구조를 나타낸 도면이다.
도 15는 본 개시에 적용 가능한 6G 시스템에서 제공 가능한 통신 구조의 일례를 나타낸 도면이다.
도 16은 본 개시에 적용 가능한 전자기 스펙트럼을 나타낸 도면이다.
도 17은 본 개시에 적용 가능한 THz 통신 방법을 나타낸 도면이다.
도 18은 본 개시에 적용 가능한 THz 무선 통신 송수신기를 나타낸 도면이다.
도 19는 본 개시에 적용 가능한 THz 신호 생성 방법을 나타낸 도면이다.
도 20은 본 개시에 적용 가능한 무선 통신 송수신기를 나타낸 도면이다.
도 21은 본 개시에 적용 가능한 송신기 구조를 나타낸 도면이다.
도 22는 본 개시에 적용 가능한 변조기 구조를 나타낸 도면이다.
도 23은 뉴럴 네트워크 모델의 일례를 도시한 것이다.
도 24는 뉴럴 네트워크에서 활성화된 노드의 일례를 도시한 것이다.
도 25는 체인 룰을 이용한 기울기 계산의 일례를 도시한 것이다.
도 26은 RNN의 기본 구조의 일례를 도시한 것이다.
도 27은 오토인코더의 일례를 도시한 것이다.
도 28은 터보 오토인코더의 인코더 구조 및 디코더 구조의 일례를 도시한 것이다.
도 29는 본 명세서의 일부 구현에 따른 기지국의 뉴럴 네트워크 전송기에 기반한 제어 채널 전송 방법의 일례에 대한 순서도이다.
도 30은 랜덤 접속 절차를 설명하기 위한 것이다.
이하의 실시 예들은 본 개시의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 개시의 실시 예를 구성할 수도 있다. 본 개시의 실시 예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시 예의 일부 구성이나 특징은 다른 실시 예에 포함될 수 있고, 또는 다른 실시 예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 본 개시의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당업자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 본 개시를 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
본 명세서에서 본 개시의 실시예들은 기지국과 이동국 간의 데이터 송수신 관계를 중심으로 설명되었다. 여기서, 기지국은 이동국과 직접적으로 통신을 수행하는 네트워크의 종단 노드(terminal node)로서의 의미가 있다. 본 문서에서 기지국에 의해 수행되는 것으로 설명된 특정 동작은 경우에 따라서는 기지국의 상위 노드(upper node)에 의해 수행될 수도 있다.
즉, 기지국을 포함하는 다수의 네트워크 노드들(network nodes)로 이루어지는 네트워크에서 이동국과의 통신을 위해 수행되는 다양한 동작들은 기지국 또는 기지국 이외의 다른 네트워크 노드들에 의해 수행될 수 있다. 이때, '기지국'은 고정국(fixed station), Node B, eNB(eNode B), gNB(gNode B), ng-eNB, 발전된 기지국(advanced base station, ABS) 또는 억세스 포인트(access point) 등의 용어에 의해 대체될 수 있다.
또한, 본 개시의 실시 예들에서 단말(terminal)은 사용자 기기(user equipment, UE), 이동국(mobile station, MS), 가입자국(subscriber station, SS), 이동 가입자 단말(mobile subscriber station, MSS), 이동 단말(mobile terminal) 또는 발전된 이동 단말(advanced mobile station, AMS) 등의 용어로 대체될 수 있다.
또한, 송신단은 데이터 서비스 또는 음성 서비스를 제공하는 고정 및/또는 이동 노드를 말하고, 수신단은 데이터 서비스 또는 음성 서비스를 수신하는 고정 및/또는 이동 노드를 의미한다. 따라서, 상향링크의 경우, 이동국이 송신단이 되고, 기지국이 수신단이 될 수 있다. 마찬가지로, 하향링크의 경우, 이동국이 수신단이 되고, 기지국이 송신단이 될 수 있다.
본 개시의 실시 예들은 무선 접속 시스템들인 IEEE 802.xx 시스템, 3GPP(3rd Generation Partnership Project) 시스템, 3GPP LTE(Long Term Evolution) 시스템, 3GPP 5G(5th generation) NR(New Radio) 시스템 및 3GPP2 시스템 중 적어도 하나에 개시된 표준 문서들에 의해 뒷받침될 수 있으며, 특히, 본 개시의 실시 예들은 3GPP TS(technical specification) 38.211, 3GPP TS 38.212, 3GPP TS 38.213, 3GPP TS 38.321 및 3GPP TS 38.331 문서들에 의해 뒷받침 될 수 있다.
또한, 본 개시의 실시 예들은 다른 무선 접속 시스템에도 적용될 수 있으며, 상술한 시스템으로 한정되는 것은 아니다. 일 예로, 3GPP 5G NR 시스템 이후에 적용되는 시스템에 대해서도 적용 가능할 수 있으며, 특정 시스템에 한정되지 않는다.
즉, 본 개시의 실시 예들 중 설명하지 않은 자명한 단계들 또는 부분들은 상기 문서들을 참조하여 설명될 수 있다. 또한, 본 문서에서 개시하고 있는 모든 용어들은 상기 표준 문서에 의해 설명될 수 있다.
이하, 본 개시에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 개시의 예시적인 실시 형태를 설명하고자 하는 것이며, 본 개시의 기술 구성이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 본 개시의 실시 예들에서 사용되는 특정 용어들은 본 개시의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 개시의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
이하의 기술은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 등과 같은 다양한 무선 접속 시스템에 적용될 수 있다.
하기에서는 이하 설명을 명확하게 하기 위해, 3GPP 통신 시스템(e.g.(예, LTE, NR 등)을 기반으로 설명하지만 본 발명의 기술적 사상이 이에 제한되는 것은 아니다. LTE는 3GPP TS 36.xxx Release 8 이후의 기술을 의미할 수 있다. 세부적으로, 3GPP TS 36.xxx Release 10 이후의 LTE 기술은 LTE-A로 지칭되고, 3GPP TS 36.xxx Release 13 이후의 LTE 기술은 LTE-A pro로 지칭될 수 있다. 3GPP NR은 TS 38.xxx Release 15 이후의 기술을 의미할 수 있다. 3GPP 6G는 TS Release 17 및/또는 Release 18 이후의 기술을 의미할 수 있다. "xxx"는 표준 문서 세부 번호를 의미한다. LTE/NR/6G는 3GPP 시스템으로 통칭될 수 있다.
본 개시에 사용된 배경기술, 용어, 약어 등에 관해서는 본 발명 이전에 공개된 표준 문서에 기재된 사항을 참조할 수 있다. 일 예로, 36.xxx 및 38.xxx 표준 문서를 참조할 수 있다.
이하에서는 본 개시에 적용 가능한 통신 시스템에 대해 설명한다.
이로 제한되는 것은 아니지만, 본 문서에 개시된 본 개시의 다양한 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 기기들 간에 무선 통신/연결(예, 5G)을 필요로 하는 다양한 분야에 적용될 수 있다.
이하, 도면을 참조하여 보다 구체적으로 예시한다. 이하의 도면/설명에서 동일한 도면 부호는 다르게 기술하지 않는 한, 동일하거나 대응되는 하드웨어 블록, 소프트웨어 블록 또는 기능 블록을 예시할 수 있다.
도 1은 본 개시에 적용되는 통신 시스템 예시를 도시한 도면이다. 도 1을 참조하면, 본 개시에 적용되는 통신 시스템(100)은 무선 기기, 기지국 및 네트워크를 포함한다. 여기서, 무선 기기는 무선 접속 기술(예, 5G NR, LTE)을 이용하여 통신을 수행하는 기기를 의미하며, 통신/무선/5G 기기로 지칭될 수 있다. 이로 제한되는 것은 아니지만, 무선 기기는 로봇(100a), 차량(100b-1, 100b-2), XR(extended reality) 기기(100c), 휴대 기기(hand-held device)(100d), 가전(home appliance)(100e), IoT(Internet of Thing) 기기(100f), AI(artificial intelligence) 기기/서버(100g)를 포함할 수 있다. 예를 들어, 차량은 무선 통신 기능이 구비된 차량, 자율 주행 차량, 차량간 통신을 수행할 수 있는 차량 등을 포함할 수 있다. 여기서, 차량(100b-1, 100b-2)은 UAV(unmanned aerial vehicle)(예, 드론)를 포함할 수 있다. XR 기기(100c)는 AR(augmented reality)/VR(virtual reality)/MR(mixed reality) 기기를 포함하며, HMD(head-mounted device), 차량에 구비된 HUD(head-up display), 텔레비전, 스마트폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지(signage), 차량, 로봇 등의 형태로 구현될 수 있다. 휴대 기기(100d)는 스마트폰, 스마트패드, 웨어러블 기기(예, 스마트워치, 스마트글래스), 컴퓨터(예, 노트북 등) 등을 포함할 수 있다. 가전(100e)은 TV, 냉장고, 세탁기 등을 포함할 수 있다. IoT 기기(100f)는 센서, 스마트 미터 등을 포함할 수 있다. 예를 들어, 기지국(120), 네트워크(130)는 무선 기기로도 구현될 수 있으며, 특정 무선 기기(120a)는 다른 무선 기기에게 기지국/네트워크 노드로 동작할 수도 있다.
무선 기기(100a~100f)는 기지국(120)을 통해 네트워크(130)와 연결될 수 있다. 무선 기기(100a~100f)에는 AI 기술이 적용될 수 있으며, 무선 기기(100a~100f)는 네트워크(130)를 통해 AI 서버(100g)와 연결될 수 있다. 네트워크(130)는 3G 네트워크, 4G(예, LTE) 네트워크 또는 5G(예, NR) 네트워크 등을 이용하여 구성될 수 있다. 무선 기기(100a~100f)는 기지국(120)/네트워크(130)를 통해 서로 통신할 수도 있지만, 기지국(120)/네트워크(130)를 통하지 않고 직접 통신(예, 사이드링크 통신(sidelink communication))할 수도 있다. 예를 들어, 차량들(100b-1, 100b-2)은 직접 통신(예, V2V(vehicle to vehicle)/V2X(vehicle to everything) communication)을 할 수 있다. 또한, IoT 기기(100f)(예, 센서)는 다른 IoT 기기(예, 센서) 또는 다른 무선 기기(100a~100f)와 직접 통신을 할 수 있다.
무선 기기(100a~100f)/기지국(120), 기지국(120)/기지국(120) 간에는 무선 통신/연결(150a, 150b, 150c)이 이뤄질 수 있다. 여기서, 무선 통신/연결은 상향/하향링크 통신(150a)과 사이드링크 통신(150b)(또는, D2D 통신), 기지국간 통신(150c)(예, relay, IAB(integrated access backhaul))과 같은 다양한 무선 접속 기술(예, 5G NR)을 통해 이뤄질 수 있다. 무선 통신/연결(150a, 150b, 150c)을 통해 무선 기기와 기지국/무선 기기, 기지국과 기지국은 서로 무선 신호를 송신/수신할 수 있다. 예를 들어, 무선 통신/연결(150a, 150b, 150c)은 다양한 물리 채널을 통해 신호를 송신/수신할 수 있다. 이를 위해, 본 개시의 다양한 제안들에 기반하여, 무선 신호의 송신/수신을 위한 다양한 구성정보 설정 과정, 다양한 신호 처리 과정(예, 채널 인코딩/디코딩, 변조/복조, 자원 매핑/디매핑 등), 자원 할당 과정 등 중 적어도 일부가 수행될 수 있다.
도 2는 본 개시에 적용될 수 있는 무선 기기의 예시를 도시한 도면이다.
도 2를 참조하면, 제1 무선 기기(200a)와 제2 무선 기기(200b)는 다양한 무선 접속 기술(예, LTE, NR)을 통해 무선 신호를 송수신할 수 있다. 여기서, {제1 무선 기기(200a), 제2 무선 기기(200b)}은 도 1의 {무선 기기(100x), 기지국(120)} 및/또는 {무선 기기(100x), 무선 기기(100x)}에 대응할 수 있다.
제1 무선 기기(200a)는 하나 이상의 프로세서(202a) 및 하나 이상의 메모리(204a)를 포함하며, 추가적으로 하나 이상의 송수신기(206a) 및/또는 하나 이상의 안테나(208a)을 더 포함할 수 있다. 프로세서(202a)는 메모리(204a) 및/또는 송수신기(206a)를 제어하며, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(202a)는 메모리(204a) 내의 정보를 처리하여 제1 정보/신호를 생성한 뒤, 송수신기(206a)을 통해 제1 정보/신호를 포함하는 무선 신호를 전송할 수 있다. 또한, 프로세서(202a)는 송수신기(206a)를 통해 제2 정보/신호를 포함하는 무선 신호를 수신한 뒤, 제2 정보/신호의 신호 처리로부터 얻은 정보를 메모리(204a)에 저장할 수 있다. 메모리(204a)는 프로세서(202a)와 연결될 수 있고, 프로세서(202a)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(204a)는 프로세서(202a)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 여기서, 프로세서(202a)와 메모리(204a)는 무선 통신 기술(예, LTE, NR)을 구현하도록 설계된 통신 모뎀/회로/칩의 일부일 수 있다. 송수신기(206a)는 프로세서(202a)와 연결될 수 있고, 하나 이상의 안테나(208a)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신기(206a)는 송신기 및/또는 수신기를 포함할 수 있다. 송수신기(206a)는 RF(radio frequency) 유닛과 혼용될 수 있다. 본 개시에서 무선 기기는 통신 모뎀/회로/칩을 의미할 수도 있다.
제2 무선 기기(200b)는 하나 이상의 프로세서(202b), 하나 이상의 메모리(204b)를 포함하며, 추가적으로 하나 이상의 송수신기(206b) 및/또는 하나 이상의 안테나(208b)를 더 포함할 수 있다. 프로세서(202b)는 메모리(204b) 및/또는 송수신기(206b)를 제어하며, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(202b)는 메모리(204b) 내의 정보를 처리하여 제3 정보/신호를 생성한 뒤, 송수신기(206b)를 통해 제3 정보/신호를 포함하는 무선 신호를 전송할 수 있다. 또한, 프로세서(202b)는 송수신기(206b)를 통해 제4 정보/신호를 포함하는 무선 신호를 수신한 뒤, 제4 정보/신호의 신호 처리로부터 얻은 정보를 메모리(204b)에 저장할 수 있다. 메모리(204b)는 프로세서(202b)와 연결될 수 있고, 프로세서(202b)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(204b)는 프로세서(202b)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 여기서, 프로세서(202b)와 메모리(204b)는 무선 통신 기술(예, LTE, NR)을 구현하도록 설계된 통신 모뎀/회로/칩의 일부일 수 있다. 송수신기(206b)는 프로세서(202b)와 연결될 수 있고, 하나 이상의 안테나(208b)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신기(206b)는 송신기 및/또는 수신기를 포함할 수 있다 송수신기(206b)는 RF 유닛과 혼용될 수 있다. 본 개시에서 무선 기기는 통신 모뎀/회로/칩을 의미할 수도 있다.
이하, 무선 기기(200a, 200b)의 하드웨어 요소에 대해 보다 구체적으로 설명한다. 이로 제한되는 것은 아니지만, 하나 이상의 프로토콜 계층이 하나 이상의 프로세서(202a, 202b)에 의해 구현될 수 있다. 예를 들어, 하나 이상의 프로세서(202a, 202b)는 하나 이상의 계층(예, PHY(physical), MAC(media access control), RLC(radio link control), PDCP(packet data convergence protocol), RRC(radio resource control), SDAP(service data adaptation protocol)와 같은 기능적 계층)을 구현할 수 있다. 하나 이상의 프로세서(202a, 202b)는 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 하나 이상의 PDU(Protocol Data Unit) 및/또는 하나 이상의 SDU(service data unit)를 생성할 수 있다. 하나 이상의 프로세서(202a, 202b)는 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 메시지, 제어정보, 데이터 또는 정보를 생성할 수 있다. 하나 이상의 프로세서(202a, 202b)는 본 문서에 개시된 기능, 절차, 제안 및/또는 방법에 따라 PDU, SDU, 메시지, 제어정보, 데이터 또는 정보를 포함하는 신호(예, 베이스밴드 신호)를 생성하여, 하나 이상의 송수신기(206a, 206b)에게 제공할 수 있다. 하나 이상의 프로세서(202a, 202b)는 하나 이상의 송수신기(206a, 206b)로부터 신호(예, 베이스밴드 신호)를 수신할 수 있고, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 PDU, SDU, 메시지, 제어정보, 데이터 또는 정보를 획득할 수 있다.
하나 이상의 프로세서(202a, 202b)는 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 또는 마이크로 컴퓨터로 지칭될 수 있다. 하나 이상의 프로세서(202a, 202b)는 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합에 의해 구현될 수 있다. 일 예로, 하나 이상의 ASIC(application specific integrated circuit), 하나 이상의 DSP(digital signal processor), 하나 이상의 DSPD(digital signal processing device), 하나 이상의 PLD(programmable logic device) 또는 하나 이상의 FPGA(field programmable gate arrays)가 하나 이상의 프로세서(202a, 202b)에 포함될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 펌웨어 또는 소프트웨어를 사용하여 구현될 수 있고, 펌웨어 또는 소프트웨어는 모듈, 절차, 기능 등을 포함하도록 구현될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 수행하도록 설정된 펌웨어 또는 소프트웨어는 하나 이상의 프로세서(202a, 202b)에 포함되거나, 하나 이상의 메모리(204a, 204b)에 저장되어 하나 이상의 프로세서(202a, 202b)에 의해 구동될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 코드, 명령어 및/또는 명령어의 집합 형태로 펌웨어 또는 소프트웨어를 사용하여 구현될 수 있다.
하나 이상의 메모리(204a, 204b)는 하나 이상의 프로세서(202a, 202b)와 연결될 수 있고, 다양한 형태의 데이터, 신호, 메시지, 정보, 프로그램, 코드, 지시 및/또는 명령을 저장할 수 있다. 하나 이상의 메모리(204a, 204b)는 ROM(read only memory), RAM(random access memory), EPROM(erasable programmable read only memory), 플래시 메모리, 하드 드라이브, 레지스터, 캐쉬 메모리, 컴퓨터 판독 저장 매체 및/또는 이들의 조합으로 구성될 수 있다. 하나 이상의 메모리(204a, 204b)는 하나 이상의 프로세서(202a, 202b)의 내부 및/또는 외부에 위치할 수 있다. 또한, 하나 이상의 메모리(204a, 204b)는 유선 또는 무선 연결과 같은 다양한 기술을 통해 하나 이상의 프로세서(202a, 202b)와 연결될 수 있다.
하나 이상의 송수신기(206a, 206b)는 하나 이상의 다른 장치에게 본 문서의 방법들 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 전송할 수 있다. 하나 이상의 송수신기(206a, 206b)는 하나 이상의 다른 장치로부터 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 수신할 수 있다. 예를 들어, 하나 이상의 송수신기(206a, 206b)는 하나 이상의 프로세서(202a, 202b)와 연결될 수 있고, 무선 신호를 송수신할 수 있다. 예를 들어, 하나 이상의 프로세서(202a, 202b)는 하나 이상의 송수신기(206a, 206b)가 하나 이상의 다른 장치에게 사용자 데이터, 제어 정보 또는 무선 신호를 전송하도록 제어할 수 있다. 또한, 하나 이상의 프로세서(202a, 202b)는 하나 이상의 송수신기(206a, 206b)가 하나 이상의 다른 장치로부터 사용자 데이터, 제어 정보 또는 무선 신호를 수신하도록 제어할 수 있다. 또한, 하나 이상의 송수신기(206a, 206b)는 하나 이상의 안테나(208a, 208b)와 연결될 수 있고, 하나 이상의 송수신기(206a, 206b)는 하나 이상의 안테나(208a, 208b)를 통해 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 송수신하도록 설정될 수 있다. 본 문서에서, 하나 이상의 안테나는 복수의 물리 안테나이거나, 복수의 논리 안테나(예, 안테나 포트)일 수 있다. 하나 이상의 송수신기(206a, 206b)는 수신된 사용자 데이터, 제어 정보, 무선 신호/채널 등을 하나 이상의 프로세서(202a, 202b)를 이용하여 처리하기 위해, 수신된 무선 신호/채널 등을 RF 밴드 신호에서 베이스밴드 신호로 변환(Convert)할 수 있다. 하나 이상의 송수신기(206a, 206b)는 하나 이상의 프로세서(202a, 202b)를 이용하여 처리된 사용자 데이터, 제어 정보, 무선 신호/채널 등을 베이스밴드 신호에서 RF 밴드 신호로 변환할 수 있다. 이를 위하여, 하나 이상의 송수신기(206a, 206b)는 (아날로그) 오실레이터 및/또는 필터를 포함할 수 있다.
이하에서는 본 개시에 적용 가능한 무선 기기 구조에 대해 설명한다.
도 3은 본 개시에 적용되는 무선 기기의 다른 예시를 도시한 도면이다.
도 3을 참조하면, 무선 기기(300)는 도 2의 무선 기기(200a, 200b)에 대응하며, 다양한 요소(element), 성분(component), 유닛/부(unit), 및/또는 모듈(module)로 구성될 수 있다. 예를 들어, 무선 기기(300)는 통신부(310), 제어부(320), 메모리부(330) 및 추가 요소(340)를 포함할 수 있다. 통신부는 통신 회로(312) 및 송수신기(들)(314)을 포함할 수 있다. 예를 들어, 통신 회로(312)는 도 2의 하나 이상의 프로세서(202a, 202b) 및/또는 하나 이상의 메모리(204a, 204b)를 포함할 수 있다. 예를 들어, 송수신기(들)(314)는 도 2의 하나 이상의 송수신기(206a, 206b) 및/또는 하나 이상의 안테나(208a, 208b)을 포함할 수 있다. 제어부(320)는 통신부(310), 메모리부(330) 및 추가 요소(340)와 전기적으로 연결되며 무선 기기의 제반 동작을 제어한다. 예를 들어, 제어부(320)는 메모리부(330)에 저장된 프로그램/코드/명령/정보에 기반하여 무선 기기의 전기적/기계적 동작을 제어할 수 있다. 또한, 제어부(320)는 메모리부(330)에 저장된 정보를 통신부(310)을 통해 외부(예, 다른 통신 기기)로 무선/유선 인터페이스를 통해 전송하거나, 통신부(310)를 통해 외부(예, 다른 통신 기기)로부터 무선/유선 인터페이스를 통해 수신된 정보를 메모리부(330)에 저장할 수 있다.
추가 요소(340)는 무선 기기의 종류에 따라 다양하게 구성될 수 있다. 예를 들어, 추가 요소(340)는 파워 유닛/배터리, 입출력부(input/output unit), 구동부 및 컴퓨팅부 중 적어도 하나를 포함할 수 있다. 이로 제한되는 것은 아니지만, 무선 기기(300)는 로봇(도 1, 100a), 차량(도 1, 100b-1, 100b-2), XR 기기(도 1, 100c), 휴대 기기(도 1, 100d), 가전(도 1, 100e), IoT 기기(도 1, 100f), 디지털 방송용 단말, 홀로그램 장치, 공공 안전 장치, MTC 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, AI 서버/기기(도 1, 140), 기지국(도 1, 120), 네트워크 노드 등의 형태로 구현될 수 있다. 무선 기기는 사용-예/서비스에 따라 이동 가능하거나 고정된 장소에서 사용될 수 있다.
도 3에서 무선 기기(300) 내의 다양한 요소, 성분, 유닛/부, 및/또는 모듈은 전체가 유선 인터페이스를 통해 상호 연결되거나, 적어도 일부가 통신부(310)를 통해 무선으로 연결될 수 있다. 예를 들어, 무선 기기(300) 내에서 제어부(320)와 통신부(310)는 유선으로 연결되며, 제어부(320)와 제1 유닛(예, 130, 140)은 통신부(310)를 통해 무선으로 연결될 수 있다. 또한, 무선 기기(300) 내의 각 요소, 성분, 유닛/부, 및/또는 모듈은 하나 이상의 요소를 더 포함할 수 있다. 예를 들어, 제어부(320)는 하나 이상의 프로세서 집합으로 구성될 수 있다. 예를 들어, 제어부(320)는 통신 제어 프로세서, 어플리케이션 프로세서(application processor), ECU(electronic control unit), 그래픽 처리 프로세서, 메모리 제어 프로세서 등의 집합으로 구성될 수 있다. 다른 예로, 메모리부(330)는 RAM, DRAM(dynamic RAM), ROM, 플래시 메모리(flash memory), 휘발성 메모리(volatile memory), 비-휘발성 메모리(non-volatile memory) 및/또는 이들의 조합으로 구성될 수 있다.
이하에서는 본 개시에 적용 가능한 휴대 기기에 대해 설명한다.
도 4는 본 개시에 적용되는 휴대 기기의 예시를 도시한 도면이다.
도 4는 본 개시에 적용되는 휴대 기기를 예시한다. 휴대 기기는 스마트폰, 스마트패드, 웨어러블 기기(예, 스마트 워치, 스마트 글래스), 휴대용 컴퓨터(예, 노트북 등)을 포함할 수 있다. 휴대 기기는 MS(mobile station), UT(user terminal), MSS(mobile subscriber station), SS(subscriber station), AMS(advanced mobile station) 또는 WT(wireless terminal)로 지칭될 수 있다.
도 4를 참조하면, 휴대 기기(400)는 안테나부(408), 통신부(410), 제어부(420), 메모리부(430), 전원공급부(440a), 인터페이스부(440b) 및 입출력부(440c)를 포함할 수 있다. 안테나부(408)는 통신부(410)의 일부로 구성될 수 있다. 블록 410~430/440a~440c는 각각 도 3의 블록 310~330/340에 대응한다.
통신부(410)는 다른 무선 기기, 기지국들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(420)는 휴대 기기(400)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 제어부(420)는 AP(application processor)를 포함할 수 있다. 메모리부(430)는 휴대 기기(400)의 구동에 필요한 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다. 또한, 메모리부(430)는 입/출력되는 데이터/정보 등을 저장할 수 있다. 전원공급부(440a)는 휴대 기기(400)에게 전원을 공급하며, 유/무선 충전 회로, 배터리 등을 포함할 수 있다. 인터페이스부(440b)는 휴대 기기(400)와 다른 외부 기기의 연결을 지원할 수 있다. 인터페이스부(440b)는 외부 기기와의 연결을 위한 다양한 포트(예, 오디오 입/출력 포트, 비디오 입/출력 포트)를 포함할 수 있다. 입출력부(440c)는 영상 정보/신호, 오디오 정보/신호, 데이터, 및/또는 사용자로부터 입력되는 정보를 입력 받거나 출력할 수 있다. 입출력부(440c)는 카메라, 마이크로폰, 사용자 입력부, 디스플레이부(440d), 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다.
일 예로, 데이터 통신의 경우, 입출력부(440c)는 사용자로부터 입력된 정보/신호(예, 터치, 문자, 음성, 이미지, 비디오)를 획득하며, 획득된 정보/신호는 메모리부(430)에 저장될 수 있다. 통신부(410)는 메모리에 저장된 정보/신호를 무선 신호로 변환하고, 변환된 무선 신호를 다른 무선 기기에게 직접 전송하거나 기지국에게 전송할 수 있다. 또한, 통신부(410)는 다른 무선 기기 또는 기지국으로부터 무선 신호를 수신한 뒤, 수신된 무선 신호를 원래의 정보/신호로 복원할 수 있다. 복원된 정보/신호는 메모리부(430)에 저장된 뒤, 입출력부(440c)를 통해 다양한 형태(예, 문자, 음성, 이미지, 비디오, 햅틱)로 출력될 수 있다.
이하에서는 본 개시에 적용 가능한 무선 기기 종류에 대해 설명한다.
도 5는 본 개시에 적용되는 차량 또는 자율 주행 차량의 예시를 도시한 도면이다.
도 5는 본 개시에 적용되는 차량 또는 자율 주행 차량을 예시한다. 차량 또는 자율 주행 차량은 이동형 로봇, 차량, 기차, 유/무인 비행체(aerial vehicle, AV), 선박 등으로 구현될 수 있으며, 차량의 형태로 한정되는 것은 아니다.
도 5를 참조하면, 차량 또는 자율 주행 차량(500)은 안테나부(508), 통신부(510), 제어부(520), 구동부(540a), 전원공급부(540b), 센서부(540c) 및 자율 주행부(540d)를 포함할 수 있다. 안테나부(550)는 통신부(510)의 일부로 구성될 수 있다. 블록 510/530/540a~540d는 각각 도 4의 블록 410/430/440에 대응한다.
통신부(510)는 다른 차량, 기지국(예, 기지국, 노변 기지국(road side unit) 등), 서버 등의 외부 기기들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(520)는 차량 또는 자율 주행 차량(500)의 요소들을 제어하여 다양한 동작을 수행할 수 있다. 제어부(520)는 ECU(electronic control unit)를 포함할 수 있다. 구동부(540a)는 차량 또는 자율 주행 차량(500)을 지상에서 주행하게 할 수 있다. 구동부(540a)는 엔진, 모터, 파워 트레인, 바퀴, 브레이크, 조향 장치 등을 포함할 수 있다. 전원공급부(540b)는 차량 또는 자율 주행 차량(500)에게 전원을 공급하며, 유/무선 충전 회로, 배터리 등을 포함할 수 있다. 센서부(540c)는 차량 상태, 주변 환경 정보, 사용자 정보 등을 얻을 수 있다. 센서부(540c)는 IMU(inertial measurement unit) 센서, 충돌 센서, 휠 센서(wheel sensor), 속도 센서, 경사 센서, 중량 감지 센서, 헤딩 센서(heading sensor), 포지션 모듈(position module), 차량 전진/후진 센서, 배터리 센서, 연료 센서, 타이어 센서, 스티어링 센서, 온도 센서, 습도 센서, 초음파 센서, 조도 센서, 페달 포지션 센서 등을 포함할 수 있다. 자율 주행부(540d)는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등을 구현할 수 있다.
일 예로, 통신부(510)는 외부 서버로부터 지도 데이터, 교통 정보 데이터 등을 수신할 수 있다. 자율 주행부(540d)는 획득된 데이터를 기반으로 자율 주행 경로와 드라이빙 플랜을 생성할 수 있다. 제어부(520)는 드라이빙 플랜에 따라 차량 또는 자율 주행 차량(500)이 자율 주행 경로를 따라 이동하도록 구동부(540a)를 제어할 수 있다(예, 속도/방향 조절). 자율 주행 도중에 통신부(510)는 외부 서버로부터 최신 교통 정보 데이터를 비/주기적으로 획득하며, 주변 차량으로부터 주변 교통 정보 데이터를 획득할 수 있다. 또한, 자율 주행 도중에 센서부(540c)는 차량 상태, 주변 환경 정보를 획득할 수 있다. 자율 주행부(540d)는 새로 획득된 데이터/정보에 기반하여 자율 주행 경로와 드라이빙 플랜을 갱신할 수 있다. 통신부(510)는 차량 위치, 자율 주행 경로, 드라이빙 플랜 등에 관한 정보를 외부 서버로 전달할 수 있다. 외부 서버는 차량 또는 자율 주행 차량들로부터 수집된 정보에 기반하여, AI 기술 등을 이용하여 교통 정보 데이터를 미리 예측할 수 있고, 예측된 교통 정보 데이터를 차량 또는 자율 주행 차량들에게 제공할 수 있다.
도 6은 본 개시에 적용되는 이동체의 예시를 도시한 도면이다.
도 6을 참조하면, 본 개시에 적용되는 이동체는 운송수단, 기차, 비행체 및 선박 중 적어도 어느 하나로 구현될 수 있다. 또한, 본 개시에 적용되는 이동체는 다른 형태로 구현될 수 있으며, 상술한 실시 예로 한정되지 않는다.
이때, 도 6을 참조하면, 이동체(600)은 통신부(610), 제어부(620), 메모리부(630), 입출력부(640a) 및 위치 측정부(640b)를 포함할 수 있다. 여기서, 블록 610~630/640a~640b는 각각 도 3의 블록 310~330/340에 대응한다.
통신부(610)는 다른 이동체, 또는 기지국 등의 외부 기기들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(620)는 이동체(600)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 메모리부(630)는 이동체(600)의 다양한 기능을 지원하는 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다. 입출력부(640a)는 메모리부(630) 내의 정보에 기반하여 AR/VR 오브젝트를 출력할 수 있다. 입출력부(640a)는 HUD를 포함할 수 있다. 위치 측정부(640b)는 이동체(600)의 위치 정보를 획득할 수 있다. 위치 정보는 이동체(600)의 절대 위치 정보, 주행선 내에서의 위치 정보, 가속도 정보, 주변 차량과의 위치 정보 등을 포함할 수 있다. 위치 측정부(640b)는 GPS 및 다양한 센서들을 포함할 수 있다.
일 예로, 이동체(600)의 통신부(610)는 외부 서버로부터 지도 정보, 교통 정보 등을 수신하여 메모리부(630)에 저장할 수 있다. 위치 측정부(640b)는 GPS 및 다양한 센서를 통하여 이동체 위치 정보를 획득하여 메모리부(630)에 저장할 수 있다. 제어부(620)는 지도 정보, 교통 정보 및 이동체 위치 정보 등에 기반하여 가상 오브젝트를 생성하고, 입출력부(640a)는 생성된 가상 오브젝트를 이동체 내 유리창에 표시할 수 있다(651, 652). 또한, 제어부(620)는 이동체 위치 정보에 기반하여 이동체(600)가 주행선 내에서 정상적으로 운행되고 있는지 판단할 수 있다. 이동체(600)가 주행선을 비정상적으로 벗어나는 경우, 제어부(620)는 입출력부(640a)를 통해 이동체 내 유리창에 경고를 표시할 수 있다. 또한, 제어부(620)는 통신부(610)를 통해 주변 이동체들에게 주행 이상에 관한 경고 메세지를 방송할 수 있다. 상황에 따라, 제어부(620)는 통신부(610)를 통해 관계 기관에게 이동체의 위치 정보와, 주행/이동체 이상에 관한 정보를 전송할 수 있다.
도 7은 본 개시에 적용되는 XR 기기의 예시를 도시한 도면이다. XR 기기는 HMD, 차량에 구비된 HUD(head-up display), 텔레비전, 스마트폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지(signage), 차량, 로봇 등으로 구현될 수 있다.
도 7을 참조하면, XR 기기(700a)는 통신부(710), 제어부(720), 메모리부(730), 입출력부(740a), 센서부(740b) 및 전원 공급부(740c)를 포함할 수 있다. 여기서, 블록 710~730/740a~740c은 각각 도 3의 블록 310~330/340에 대응할 수 있다.
통신부(710)는 다른 무선 기기, 휴대 기기, 또는 미디어 서버 등의 외부 기기들과 신호(예, 미디어 데이터, 제어 신호 등)를 송수신할 수 있다. 미디어 데이터는 영상, 이미지, 소리 등을 포함할 수 있다. 제어부(720)는 XR 기기(700a)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 예를 들어, 제어부(720)는 비디오/이미지 획득, (비디오/이미지) 인코딩, 메타데이터 생성 및 처리 등의 절차를 제어 및/또는 수행하도록 구성될 수 있다. 메모리부(730)는 XR 기기(700a)의 구동/XR 오브젝트의 생성에 필요한 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다.
입출력부(740a)는 외부로부터 제어 정보, 데이터 등을 획득하며, 생성된 XR 오브젝트를 출력할 수 있다. 입출력부(740a)는 카메라, 마이크로폰, 사용자 입력부, 디스플레이부, 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다. 센서부(740b)는 XR 기기 상태, 주변 환경 정보, 사용자 정보 등을 얻을 수 있다. 센서부(740b)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB(red green blue) 센서, IR(infrared) 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰 및/또는 레이더 등을 포함할 수 있다. 전원공급부(740c)는 XR 기기(700a)에게 전원을 공급하며, 유/무선 충전 회로, 배터리 등을 포함할 수 있다.
일 예로, XR 기기(700a)의 메모리부(730)는 XR 오브젝트(예, AR/VR/MR 오브젝트)의 생성에 필요한 정보(예, 데이터 등)를 포함할 수 있다. 입출력부(740a)는 사용자로부터 XR 기기(700a)를 조작하는 명령을 획득할 수 있으며, 제어부(720)는 사용자의 구동 명령에 따라 XR 기기(700a)를 구동시킬 수 있다. 예를 들어, 사용자가 XR 기기(700a)를 통해 영화, 뉴스 등을 시청하려고 하는 경우, 제어부(720)는 통신부(730)를 통해 컨텐츠 요청 정보를 다른 기기(예, 휴대 기기(700b)) 또는 미디어 서버에 전송할 수 있다. 통신부(730)는 다른 기기(예, 휴대 기기(700b)) 또는 미디어 서버로부터 영화, 뉴스 등의 컨텐츠를 메모리부(730)로 다운로드/스트리밍 받을 수 있다. 제어부(720)는 컨텐츠에 대해 비디오/이미지 획득, (비디오/이미지) 인코딩, 메타데이터 생성/처리 등의 절차를 제어 및/또는 수행하며, 입출력부(740a)/센서부(740b)를 통해 획득한 주변 공간 또는 현실 오브젝트에 대한 정보에 기반하여 XR 오브젝트를 생성/출력할 수 있다.
또한, XR 기기(700a)는 통신부(710)를 통해 휴대 기기(700b)와 무선으로 연결되며, XR 기기(700a)의 동작은 휴대 기기(700b)에 의해 제어될 수 있다. 예를 들어, 휴대 기기(700b)는 XR 기기(700a)에 대한 콘트롤러로 동작할 수 있다. 이를 위해, XR 기기(700a)는 휴대 기기(700b)의 3차원 위치 정보를 획득한 뒤, 휴대 기기(700b)에 대응하는 XR 개체를 생성하여 출력할 수 있다.
도 8은 본 개시에 적용되는 로봇의 예시를 도시한 도면이다. 일 예로, 로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류될 수 있다. 이때, 도 8을 참조하면, 로봇(800)은 통신부(810), 제어부(820), 메모리부(830), 입출력부(840a), 센서부(840b) 및 구동부(840c)를 포함할 수 있다. 여기서, 블록 810~830/840a~840c은 각각 도 3의 블록 310~330/340에 대응할 수 있다.
통신부(810)는 다른 무선 기기, 다른 로봇, 또는 제어 서버 등의 외부 기기들과 신호(예, 구동 정보, 제어 신호 등)를 송수신할 수 있다. 제어부(820)는 로봇(800)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 메모리부(830)는 로봇(800)의 다양한 기능을 지원하는 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다. 입출력부(840a)는 로봇(800)의 외부로부터 정보를 획득하며, 로봇(800)의 외부로 정보를 출력할 수 있다. 입출력부(840a)는 카메라, 마이크로폰, 사용자 입력부, 디스플레이부, 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다.
센서부(840b)는 로봇(800)의 내부 정보, 주변 환경 정보, 사용자 정보 등을 얻을 수 있다. 센서부(840b)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 레이더 등을 포함할 수 있다.
구동부(840c)는 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 구동부(840c)는 로봇(800)을 지상에서 주행하거나 공중에서 비행하게 할 수 있다. 구동부(840c)는 액츄에이터, 모터, 바퀴, 브레이크, 프로펠러 등을 포함할 수 있다.
도 9는 본 개시에 적용되는 AI 기기의 예시를 도시한 도면이다. 일 예로, AI 기기는 TV, 프로젝터, 스마트폰, PC, 노트북, 디지털방송용 단말기, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), 라디오, 세탁기, 냉장고, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 9를 참조하면, AI 기기(900)는 통신부(910), 제어부(920), 메모리부(930), 입/출력부(940a/940b), 러닝 프로세서부(940c) 및 센서부(940d)를 포함할 수 있다. 블록 910~930/940a~940d는 각각 도 3의 블록 310~330/340에 대응할 수 있다.
통신부(910)는 유무선 통신 기술을 이용하여 다른 AI 기기(예, 도 1, 100x, 120, 140)나 AI 서버(도 1, 140) 등의 외부 기기들과 유무선 신호(예, 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등)를 송수신할 수 있다. 이를 위해, 통신부(910)는 메모리부(930) 내의 정보를 외부 기기로 전송하거나, 외부 기기로부터 수신된 신호를 메모리부(930)로 전달할 수 있다.
제어부(920)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 기기(900)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 제어부(920)는 AI 기기(900)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다. 예를 들어, 제어부(920)는 러닝 프로세서부(940c) 또는 메모리부(930)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 기기(900)의 구성 요소들을 제어할 수 있다. 또한, 제어부(920)는 AI 장치(900)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리부(930) 또는 러닝 프로세서부(940c)에 저장하거나, AI 서버(도 1, 140) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
메모리부(930)는 AI 기기(900)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예를 들어, 메모리부(930)는 입력부(940a)로부터 얻은 데이터, 통신부(910)로부터 얻은 데이터, 러닝 프로세서부(940c)의 출력 데이터, 및 센싱부(940)로부터 얻은 데이터를 저장할 수 있다. 또한, 메모리부(930)는 제어부(920)의 동작/실행에 필요한 제어 정보 및/또는 소프트웨어 코드를 저장할 수 있다.
입력부(940a)는 AI 기기(900)의 외부로부터 다양한 종류의 데이터를 획득할 수 있다. 예를 들어, 입력부(920)는 모델 학습을 위한 학습 데이터, 및 학습 모델이 적용될 입력 데이터 등을 획득할 수 있다. 입력부(940a)는 카메라, 마이크로폰 및/또는 사용자 입력부 등을 포함할 수 있다. 출력부(940b)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다. 출력부(940b)는 디스플레이부, 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다. 센싱부(940)는 다양한 센서들을 이용하여 AI 기기(900)의 내부 정보, AI 기기(900)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 얻을 수 있다. 센싱부(940)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰 및/또는 레이더 등을 포함할 수 있다.
러닝 프로세서부(940c)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 러닝 프로세서부(940c)는 AI 서버(도 1, 140)의 러닝 프로세서부와 함께 AI 프로세싱을 수행할 수 있다. 러닝 프로세서부(940c)는 통신부(910)를 통해 외부 기기로부터 수신된 정보, 및/또는 메모리부(930)에 저장된 정보를 처리할 수 있다. 또한, 러닝 프로세서부(940c)의 출력 값은 통신부(910)를 통해 외부 기기로 전송되거나/되고, 메모리부(930)에 저장될 수 있다.
이하에서는 물리 채널들 및 일반적인 신호 전송에 대해 설명한다.
무선 접속 시스템에서 단말은 하향링크(downlink, DL)를 통해 기지국으로부터 정보를 수신하고, 상향링크(uplink, UL)를 통해 기지국으로 정보를 전송할 수 있다. 기지국과 단말이 송수신하는 정보는 일반 데이터 정보 및 다양한 제어 정보를 포함하고, 이들이 송수신 하는 정보의 종류/용도에 따라 다양한 물리 채널이 존재한다.
도 10은 본 개시에 적용되는 물리 채널들 및 이들을 이용한 신호 전송 방법을 도시한 도면이다.
전원이 꺼진 상태에서 다시 전원이 켜지거나, 새로이 셀에 진입한 단말은 S1011 단계에서 기지국과 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다. 이를 위해 단말은 기지국으로부터 주 동기 채널(primary synchronization channel, P-SCH) 및 부 동기 채널(secondary synchronization channel, S-SCH)을 수신하여 기지국과 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다.
그 후, 단말은 기지국으로부터 물리 방송 채널(physical broadcast channel, PBCH) 신호를 수신하여 셀 내 방송 정보를 획득할 수 있다. 한편, 단말은 초기 셀 탐색 단계에서 하향링크 참조 신호 (DL RS: Downlink Reference Signal)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 단말은 S1012 단계에서 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 물리 하향링크 제어 채널 정보에 따른 물리 하향링크 공유 채널(physical downlink control channel, PDSCH)을 수신하여 조금 더 구체적인 시스템 정보를 획득할 수 있다.
이후, 단말은 기지국에 접속을 완료하기 위해 이후 단계 S1013 내지 단계 S1016과 같은 임의 접속 과정(random access procedure)을 수행할 수 있다. 이를 위해 단말은 물리 임의 접속 채널(physical random access channel, PRACH)을 통해 프리앰블 (preamble)을 전송하고(S1013), 물리 하향링크 제어 채널 및 이에 대응하는 물리 하향링크 공유 채널을 통해 프리앰블에 대한 RAR(random access response)를 수신할 수 있다(S1014). 단말은 RAR 내의 스케줄링 정보를 이용하여 PUSCH(physical uplink shared channel)을 전송하고(S1015), 물리 하향링크 제어채널 신호 및 이에 대응하는 물리 하향링크 공유 채널 신호의 수신과 같은 충돌 해결 절차(contention resolution procedure)를 수행할 수 있다(S1016).
상술한 바와 같은 절차를 수행한 단말은 이후 일반적인 상/하향링크 신호 전송 절차로서 물리 하향링크 제어 채널 신호 및/또는 물리 하향링크 공유 채널 신호의 수신(S1017) 및 물리 상향링크 공유 채널(physical uplink shared channel, PUSCH) 신호 및/또는 물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 신호의 전송(S1018)을 수행할 수 있다.
단말이 기지국으로 전송하는 제어정보를 통칭하여 상향링크 제어정보(uplink control information, UCI)라고 지칭한다. UCI는 HARQ-ACK/NACK(hybrid automatic repeat and request acknowledgement/negative-ACK), SR(scheduling request), CQI(channel quality indication), PMI(precoding matrix indication), RI(rank indication), BI(beam indication) 정보 등을 포함한다. 이때, UCI는 일반적으로 PUCCH를 통해 주기적으로 전송되지만, 실시 예에 따라(예, 제어정보와 트래픽 데이터가 동시에 전송되어야 할 경우) PUSCH를 통해 전송될 수 있다. 또한, 네트워크의 요청/지시에 의해 단말은 PUSCH를 통해 UCI를 비주기적으로 전송할 수 있다.
도 11은 본 개시에 적용되는 무선 인터페이스 프로토콜(radio interface protocol)의 제어평면(control plane) 및 사용자 평면(user plane) 구조를 도시한 도면이다.
도 11을 참조하면, 엔티티 1(Entity 1)은 단말(user equipment, UE)일 수 있다. 이때, 단말이라 함은 상술한 도 1 내지 도 9에서 본 개시가 적용되는 무선 기기, 휴대 기기, 차량, 이동체, XR 기기, 로봇 및 AI 중 적어도 어느 하나일 수 있다. 또한, 단말은 본 개시가 적용될 수 있는 장치를 지칭하는 것으로 특정 장치나 기기로 한정되지 않을 수 있다.
엔티티 2(Entity 2)는 기지국일 수 있다. 이때, 기지국은 eNB, gNB 및 ng-eNB 중 적어도 어느 하나일 수 있다. 또한, 기지국은 단말로 하향링크 신호를 전송하는 장치를 지칭할 수 있으며, 특정 타입이나 장치로 한정되지 않을 수 있다. 즉, 기지국은 다양한 형태나 타입으로 구현될 수 있으며, 특정 형태로 한정되지 않을 수 있다.
엔티티 3(Entity 3)은 네트워크 장치 또는 네트워크 펑션을 수행하는 기기일 수 있다. 이때, 네트워크 장치는 이동성을 관리하는 코어망 노드(core network node)(e.g. MME(mobility management entity), AMF(access and mobility management function) 등)일 수 있다. 또한, 네트워크 펑션은 네트워크 기능을 수행하기 위해 구현되는 펑션(function)을 의미할 수 있으며, 엔티티 3은 펑션이 적용된 기기일 수 있다. 즉, 엔티티 3은 네트워크 기능을 수행하는 펑션이나 기기를 지칭할 수 있으며, 특정 형태의 기기로 한정되지 않는다.
제어평면은 단말(user equipment, UE)과 네트워크가 호를 관리하기 위해서 이용하는 제어 메시지들이 전송되는 통로를 의미할 수 있다. 또한, 사용자평면은 애플리케이션 계층에서 생성된 데이터, 예를 들어, 음성 데이터 또는 인터넷 패킷 데이터 등이 전송되는 통로를 의미할 수 있다. 이때, 제1 계층인 물리계층은 물리채널(physical channel)을 이용하여 상위 계층에게 정보 전송 서비스(information transfer service)를 제공할 수 있다. 물리계층은 상위에 있는 매체접속제어(medium access control) 계층과는 전송채널을 통해 연결되어 있다. 이때, 전송채널을 통해 매체접속제어 계층과 물리계층 사이에 데이터가 이동할 수 있다. 송신 측과 수신 측의 물리계층 사이는 물리채널을 통해 데이터가 이동할 수 있다. 이때, 물리채널은 시간과 주파수를 무선 자원으로 활용한다.
제2 계층의 매체접속제어(medium access control, MAC) 계층은 논리채널(logical channel)을 통해 상위계층인 무선링크제어(radio link control, RLC) 계층에 서비스를 제공한다. 제2 계층의 RLC 계층은 신뢰성 있는 데이터 전송을 지원할 수 있다. RLC 계층의 기능은 MAC 내부의 기능 블록으로 구현될 수도 있다. 제2 계층의 PDCP(packet data convergence protocol) 계층은 대역폭이 좁은 무선 인터페이스에서 IPv4 나 IPv6 와 같은 IP 패킷을 효율적으로 전송하기 위해 불필요한 제어정보를 줄여주는 헤더 압축(header compression) 기능을 수행할 수 있다. 제3 계층의 최하부에 위치한 무선 자원제어(radio resource control, RRC) 계층은 제어평면에서만 정의된다. RRC 계층은 무선 베어러(radio bearer, RB)들의 설정(configuration), 재설정(re-configuration) 및 해제(release)와 관련되어 논리채널, 전송채널 및 물리채널들의 제어를 담당할 수 있다. RB는 단말과 네트워크 간의 데이터 전달을 위해 제2 계층에 의해 제공되는 서비스를 의미할 수 있다. 이를 위해, 단말과 네트워크의 RRC 계층은 서로 RRC 메시지를 교환할 수 있다. RRC 계층의 상위에 있는 NAS(non-access stratum) 계층은 세션 관리(session management)와 이동성 관리(mobility management) 등의 기능을 수행할 수 있다. 기지국을 구성하는 하나의 셀은 다양한 대역폭 중 하나로 설정되어 여러 단말에게 하향 또는 상향 전송 서비스를 제공할 수 있다. 서로 다른 셀은 서로 다른 대역폭을 제공하도록 설정될 수 있다. 네트워크에서 단말로 데이터를 전송하는 하향 전송채널은 시스템 정보를 전송하는 BCH(broadcast channel), 페이징 메시지를 전송하는 PCH(paging channel), 사용자 트래픽이나 제어 메시지를 전송하는 하향 SCH(shared channel) 등이 있다. 하향 멀티캐스트 또는 방송 서비스의 트래픽 또는 제어 메시지의 경우, 하향 SCH를 통해 전송될 수도 있고, 또는 별도의 하향 MCH(Multicast Channel)을 통해 전송될 수도 있다. 한편, 단말에서 네트워크로 데이터를 전송하는 상향 전송채널로는 초기 제어 메시지를 전송하는 RACH(random access channel), 사용자 트래픽이나 제어 메시지를 전송하는 상향 SCH(shared channel)가 있다. 전송채널의 상위에 있으며, 전송채널에 매핑되는 논리채널(logical channel)로는 BCCH(broadcast control channel), PCCH(paging control channel), CCCH(common control channel), MCCH(multicast control channel) 및 MTCH(multicast traffic channel) 등이 있다.
도 12는 본 개시에 적용되는 전송 신호를 처리하는 방법을 도시한 도면이다. 일 예로, 전송 신호는 신호 처리 회로에 의해 처리될 수 있다. 이때, 신호 처리 회로(1200)는 스크램블러(1210), 변조기(1220), 레이어 매퍼(1230), 프리코더(1240), 자원 매퍼(1250), 신호 생성기(1260)를 포함할 수 있다. 이때, 일 예로, 도 12의 동작/기능은 도 2의 프로세서(202a, 202b) 및/또는 송수신기(206a, 206b)에서 수행될 수 있다. 또한, 일 예로, 도 12의 하드웨어 요소는 도 2의 프로세서(202a, 202b) 및/또는 송수신기(206a, 206b)에서 구현될 수 있다. 일 예로, 블록 1010~1060은 도 2의 프로세서(202a, 202b)에서 구현될 수 있다. 또한, 블록 1210~1250은 도 2의 프로세서(202a, 202b)에서 구현되고, 블록 1260은 도 2의 송수신기(206a, 206b)에서 구현될 수 있으며, 상술한 실시 예로 한정되지 않는다.
코드워드는 도 12의 신호 처리 회로(1200)를 거쳐 무선 신호로 변환될 수 있다. 여기서, 코드워드는 정보블록의 부호화된 비트 시퀀스이다. 정보블록은 전송블록(예, UL-SCH 전송블록, DL-SCH 전송블록)을 포함할 수 있다. 무선 신호는 도 10의 다양한 물리 채널(예, PUSCH, PDSCH)을 통해 전송될 수 있다. 구체적으로, 코드워드는 스크램블러(1210)에 의해 스크램블된 비트 시퀀스로 변환될 수 있다. 스크램블에 사용되는 스크램블 시퀀스는 초기화 값에 기반하여 생성되며, 초기화 값은 무선 기기의 ID 정보 등이 포함될 수 있다. 스크램블된 비트 시퀀스는 변조기(1220)에 의해 변조 심볼 시퀀스로 변조될 수 있다. 변조 방식은 pi/2-BPSK(pi/2-binary phase shift keying), m-PSK(m-phase shift keying), m-QAM(m-quadrature amplitude modulation) 등을 포함할 수 있다.
복소 변조 심볼 시퀀스는 레이어 매퍼(1230)에 의해 하나 이상의 전송 레이어로 매핑될 수 있다. 각 전송 레이어의 변조 심볼들은 프리코더(1240)에 의해 해당 안테나 포트(들)로 매핑될 수 있다(프리코딩). 프리코더(1240)의 출력 z는 레이어 매퍼(1230)의 출력 y를 N*M의 프리코딩 행렬 W와 곱해 얻을 수 있다. 여기서, N은 안테나 포트의 개수, M은 전송 레이어의 개수이다. 여기서, 프리코더(1240)는 복소 변조 심볼들에 대한 트랜스폼(transform) 프리코딩(예, DFT(discrete fourier transform) 변환)을 수행한 이후에 프리코딩을 수행할 수 있다. 또한, 프리코더(1240)는 트랜스폼 프리코딩을 수행하지 않고 프리코딩을 수행할 수 있다.
자원 매퍼(1250)는 각 안테나 포트의 변조 심볼들을 시간-주파수 자원에 매핑할 수 있다. 시간-주파수 자원은 시간 도메인에서 복수의 심볼(예, CP-OFDMA 심볼, DFT-s-OFDMA 심볼)을 포함하고, 주파수 도메인에서 복수의 부반송파를 포함할 수 있다. 신호 생성기(1260)는 매핑된 변조 심볼들로부터 무선 신호를 생성하며, 생성된 무선 신호는 각 안테나를 통해 다른 기기로 전송될 수 있다. 이를 위해, 신호 생성기(1260)는 IFFT(inverse fast fourier transform) 모듈 및 CP(cyclic prefix) 삽입기, DAC(digital-to-analog converter), 주파수 상향 변환기(frequency uplink converter) 등을 포함할 수 있다.
무선 기기에서 수신 신호를 위한 신호 처리 과정은 도 12의 신호 처리 과정(1210~1260)의 역으로 구성될 수 있다. 일 예로, 무선 기기(예, 도 2의 200a, 200b)는 안테나 포트/송수신기를 통해 외부로부터 무선 신호를 수신할 수 있다. 수신된 무선 신호는 신호 복원기를 통해 베이스밴드 신호로 변환될 수 있다. 이를 위해, 신호 복원기는 주파수 하향 변환기(frequency downlink converter), ADC(analog-to-digital converter), CP 제거기, FFT(fast fourier transform) 모듈을 포함할 수 있다. 이후, 베이스밴드 신호는 자원 디-매퍼 과정, 포스트코딩(postcoding) 과정, 복조 과정 및 디-스크램블 과정을 거쳐 코드워드로 복원될 수 있다. 코드워드는 복호(decoding)를 거쳐 원래의 정보블록으로 복원될 수 있다. 따라서, 수신 신호를 위한 신호 처리 회로(미도시)는 신호 복원기, 자원 디-매퍼, 포스트코더, 복조기, 디-스크램블러 및 복호기를 포함할 수 있다.
도 13은 본 개시에 적용 가능한 무선 프레임의 구조를 도시한 도면이다.
NR 시스템에 기초한 상향링크 및 하향링크 전송은 도 13과 같은 프레임에 기초할 수 있다. 이때, 하나의 무선 프레임은 10ms의 길이를 가지며, 2개의 5ms 하프-프레임(half-frame, HF)으로 정의될 수 있다. 하나의 하프-프레임은 5개의 1ms 서브프레임(subframe, SF)으로 정의될 수 있다. 하나의 서브프레임은 하나 이상의 슬롯으로 분할되며, 서브프레임 내 슬롯 개수는 SCS(subcarrier spacing)에 의존할 수 있다. 이때, 각 슬롯은 CP(cyclic prefix)에 따라 12개 또는 14개의 OFDM(A) 심볼들을 포함할 수 있다. 일반 CP(normal CP)가 사용되는 경우, 각 슬롯은 14개의 심볼들을 포함할 수 있다. 확장 CP(extended CP)가 사용되는 경우, 각 슬롯은 12개의 심볼들을 포함할 수 있다. 여기서, 심볼은 OFDM 심볼(또는, CP-OFDM 심볼), SC-FDMA 심볼(또는, DFT-s-OFDM 심볼)을 포함할 수 있다.
표 1은 일반 CP가 사용되는 경우, SCS에 따른 슬롯 별 심볼의 개수, 프레임 별 슬롯의 개수 및 서브프레임 별 슬롯의 개수를 나타내고, 표 2는 확장된 CSP가 사용되는 경우, SCS에 따른 슬롯 별 심볼의 개수, 프레임 별 슬롯의 개수 및 서브프레임 별 슬롯의 개수를 나타낸다.
상기 표 1 및 표 2에서, Nslot symb 는 슬롯 내 심볼의 개수를 나타내고, Nframe,μ slot는 프레임 내 슬롯의 개수를 나타내고, Nsubframe,μ slot는 서브프레임 내 슬롯의 개수를 나타낼 수 있다.
또한, 본 개시가 적용 가능한 시스템에서, 하나의 단말에게 병합되는 복수의 셀들간에 OFDM(A) 뉴모놀로지(numerology)(예, SCS, CP 길이 등)가 상이하게 설정될 수 있다. 이에 따라, 동일한 개수의 심볼로 구성된 시간 자원(예, SF, 슬롯 또는 TTI)(편의상, TU(time unit)로 통칭)의 (절대 시간) 구간이 병합된 셀들 간에 상이하게 설정될 수 있다.
NR은 다양한 5G 서비스들을 지원하기 위한 다수의 numerology(또는 SCS(subcarrier spacing))를 지원할 수 있다. 예를 들어, SCS가 15kHz인 경우, 전통적인 셀룰러 밴드들에서의 넓은 영역(wide area)를 지원하며, SCS가 30kHz/60kHz인 경우, 밀집한-도시(dense-urban), 더 낮은 지연(lower latency) 및 더 넓은 캐리어 대역폭(wider carrier bandwidth)를 지원하며, SCS가 60kHz 또는 그보다 높은 경우, 위상 잡음(phase noise)를 극복하기 위해 24.25GHz보다 큰 대역폭을 지원할 수 있다.
NR 주파수 밴드(frequency band)는 2가지 type(FR1, FR2)의 주파수 범위(frequency range)로 정의된다. FR1, FR2는 아래 표와 같이 구성될 수 있다. 또한, FR2는 밀리미터 웨이브(millimeter wave, mmW)를 의미할 수 있다.
또한, 일 예로, 본 개시가 적용 가능한 통신 시스템에서 상술한 뉴모놀로지(numerology)가 다르게 설정될 수 있다. 일 예로, 상술한 FR2보다 높은 주파수 대역으로 테라헤르츠 웨이브(Terahertz wave, THz) 대역이 사용될 수 있다. THz 대역에서 SCS는 NR 시스템보다 더 크게 설정될 수 있으며, 슬롯 수도 상이하게 설정될 수 있으며, 상술한 실시 예로 한정되지 않는다. THz 대역에 대해서는 하기에서 후술한다.
도 14는 본 개시에 적용 가능한 슬롯 구조를 도시한 도면이다.
하나의 슬롯은 시간 도메인에서 복수의 심볼을 포함한다. 예를 들어, 보통 CP의 경우 하나의 슬롯이 7개의 심볼을 포함하나, 확장 CP의 경우 하나의 슬롯이 6개의 심볼을 포함할 수 있다. 반송파(carrier)는 주파수 도메인에서 복수의 부반송파(subcarrier)를 포함한다. RB(Resource Block)는 주파수 도메인에서 복수(예, 12)의 연속한 부반송파로 정의될 수 있다.
또한, BWP(Bandwidth Part)는 주파수 도메인에서 복수의 연속한 (P)RB로 정의되며, 하나의 뉴모놀로지(numerology)(예, SCS, CP 길이 등)에 대응될 수 있다.
반송파는 최대 N개(예, 5개)의 BWP를 포함할 수 있다. 데이터 통신은 활성화된 BWP를 통해서 수행되며, 하나의 단말한테는 하나의 BWP만 활성화될 수 있다. 자원 그리드에서 각각의 요소는 자원요소(Resource Element, RE)로 지칭되며, 하나의 복소 심볼이 매핑될 수 있다.
이하에서는 6G 통신 시스템에 대해 설명한다.
6G (무선통신) 시스템은 (i) 디바이스 당 매우 높은 데이터 속도, (ii) 매우 많은 수의 연결된 디바이스들, (iii) 글로벌 연결성(global connectivity), (iv) 매우 낮은 지연, (v) 배터리-프리(battery-free) IoT 디바이스들의 에너지 소비를 낮추고, (vi) 초고신뢰성 연결, (vii) 머신 러닝 능력을 가지는 연결된 지능 등에 목적이 있다. 6G 시스템의 비젼은 “intelligent connectivity”, “deep connectivity”, “holographic connectivity”, “ubiquitous connectivity”와 같은 4가지 측면일 수 있으며, 6G 시스템은 하기 표 4와 같은 요구 사항을 만족시킬 수 있다. 즉, 표 4는 6G 시스템의 요구 사항을 나타낸 표이다.
이때, 6G 시스템은 향상된 모바일 브로드밴드(enhanced mobile broadband, eMBB), 초-저지연 통신(ultra-reliable low latency communications, URLLC), mMTC (massive machine type communications), AI 통합 통신(AI integrated communication), 촉각 인터넷(tactile internet), 높은 스루풋(high throughput), 높은 네트워크 능력(high network capacity), 높은 에너지 효율(high energy efficiency), 낮은 백홀 및 접근 네트워크 혼잡(low backhaul and access network congestion) 및 향상된 데이터 보안(enhanced data security)과 같은 핵심 요소(key factor)들을 가질 수 있다.
도 15는 본 개시에 적용 가능한 6G 시스템에서 제공 가능한 통신 구조의 일례를 도시한 도면이다.
도 15를 참조하면, 6G 시스템은 5G 무선통신 시스템보다 50배 더 높은 동시 무선통신 연결성을 가질 것으로 예상된다. 5G의 핵심 요소(key feature)인 URLLC는 6G 통신에서 1ms보다 적은 단-대-단(end-to-end) 지연을 제공함으로써 보다 더 주요한 기술이 될 것으로 예상된다. 이때, 6G 시스템은 자주 사용되는 영역 스펙트럼 효율과 달리 체적 스펙트럼 효율이 훨씬 우수할 것이다. 6G 시스템은 매우 긴 배터리 수명과 에너지 수확을 위한 고급 배터리 기술을 제공할 수 있어, 6G 시스템에서 모바일 디바이스들은 별도로 충전될 필요가 없을 수 있다. 또한, 6G에서 새로운 네트워크 특성들은 다음과 같을 수 있다.
- 위성 통합 네트워크(Satellites integrated network): 글로벌 모바일 집단을 제공하기 위해 6G는 위성과 통합될 것으로 예상된다. 지상파, 위성 및 공중 네트워크를 하나의 무선통신 시스템으로 통합은 6G에 매우 중요할 수 있다.
- 연결된 인텔리전스(connected intelligence): 이전 세대의 무선 통신 시스템과 달리 6G는 혁신적이며, “연결된 사물”에서 "연결된 지능"으로 무선 진화가 업데이트될 것이다. AI는 통신 절차의 각 단계(또는 후술할 신호 처리의 각 절차)에서 적용될 수 있다.
- 무선 정보 및 에너지 전달의 완벽한 통합(seamless integration wireless information and energy transfer): 6G 무선 네트워크는 스마트폰들과 센서들과 같이 디바이스들의 배터리를 충전하기 위해 전력을 전달할 것이다. 그러므로, 무선 정보 및 에너지 전송 (WIET)은 통합될 것이다.
- 유비쿼터스 슈퍼 3D 연결(ubiquitous super 3-dimemtion connectivity): 드론 및 매우 낮은 지구 궤도 위성의 네트워크 및 핵심 네트워크 기능에 접속은 6G 유비쿼터스에서 슈퍼 3D 연결을 만들 것이다.
위와 같은 6G의 새로운 네트워크 특성들에서 몇 가지 일반적인 요구 사항은 다음과 같을 수 있다.
- 스몰 셀 네트워크(small cell networks): 스몰 셀 네트워크의 아이디어는 셀룰러 시스템에서 처리량, 에너지 효율 및 스펙트럼 효율 향상의 결과로 수신 신호 품질을 향상시키기 위해 도입되었다. 결과적으로, 스몰 셀 네트워크는 5G 및 비욘드 5G (5GB) 이상의 통신 시스템에 필수적인 특성이다. 따라서, 6G 통신 시스템 역시 스몰 셀 네트워크의 특성을 채택한다.
- 초 고밀도 이기종 네트워크(ultra-dense heterogeneous network): 초 고밀도 이기종 네트워크들은 6G 통신 시스템의 또 다른 중요한 특성이 될 것이다. 이기종 네트워크로 구성된 멀티-티어 네트워크는 전체 QoS를 개선하고 비용을 줄인다.
- 대용량 백홀(high-capacity backhaul): 백홀 연결은 대용량 트래픽을 지원하기 위해 대용량 백홀 네트워크로 특징 지어진다. 고속 광섬유 및 자유 공간 광학 (FSO) 시스템이 이 문제에 대한 가능한 솔루션일 수 있다.
- 모바일 기술과 통합된 레이더 기술: 통신을 통한 고정밀 지역화(또는 위치 기반 서비스)는 6G 무선통신 시스템의 기능 중 하나이다. 따라서, 레이더 시스템은 6G 네트워크와 통합될 것이다.
- 소프트화 및 가상화(softwarization and virtualization): 소프트화 및 가상화는 유연성, 재구성성 및 프로그래밍 가능성을 보장하기 위해 5GB 네트워크에서 설계 프로세스의 기초가 되는 두 가지 중요한 기능이다. 또한, 공유 물리적 인프라에서 수십억 개의 장치가 공유될 수 있다.
이하에서는 6G 시스템의 핵심 구현 기술에 대해 설명한다.
- 인공 지능(artificial Intelligence, AI)
6G 시스템에 가장 중요하며, 새로 도입될 기술은 AI이다. 4G 시스템에는 AI가 관여하지 않았다. 5G 시스템은 부분 또는 매우 제한된 AI를 지원할 것이다. 그러나, 6G 시스템은 완전히 자동화를 위해 AI가 지원될 것이다. 머신 러닝의 발전은 6G에서 실시간 통신을 위해 보다 지능적인 네트워크를 만들 것이다. 통신에 AI를 도입하면 실시간 데이터 전송이 간소화되고 향상될 수 있다. AI는 수많은 분석을 사용하여 복잡한 대상 작업이 수행되는 방식을 결정할 수 있다. 즉, AI는 효율성을 높이고 처리 지연을 줄일 수 있다.
핸드 오버, 네트워크 선택, 자원 스케줄링과 같은 시간 소모적인 작업은 AI를 사용함으로써 즉시 수행될 수 있다. AI는 M2M, 기계-대-인간 및 인간-대-기계 통신에서도 중요한 역할을 할 수 있다. 또한, AI는 BCI(brain computer interface)에서 신속한 통신이 될 수 있다. AI 기반 통신 시스템은 메타 물질, 지능형 구조, 지능형 네트워크, 지능형 장치, 지능형 인지 라디오(radio), 자체 유지 무선 네트워크 및 머신 러닝에 의해 지원될 수 있다.
최근 AI를 무선 통신 시스템과 통합하려고 하는 시도들이 나타나고 있으나, 이는 어플리케이션 계층(application layer), 네트워크 계층(network layer) 특히, 딥 러닝은 무선 자원 관리 및 할당(wireless resource management and allocation) 분야에 집중되어 왔다. 그러나, 이러한 연구는 점점 MAC 계층 및 물리 계층으로 발전하고 있으며, 특히 물리계층에서 딥 러닝을 무선 전송(wireless transmission)과 결합하고자 하는 시도들이 나타나고 있다. AI 기반의 물리계층 전송은, 근본적인 신호 처리 및 통신 메커니즘에 있어서, 전통적인 통신 프레임워크가 아니라 AI 드라이버에 기초한 신호 처리 및 통신 메커니즘을 적용하는 것을 의미한다. 예를 들어, 딥러닝 기반의 채널 코딩 및 디코딩(channel coding and decoding), 딥러닝 기반의 신호 추정(estimation) 및 검출(detection), 딥러닝 기반의 MIMO(multiple input multiple output) 매커니즘(mechanism), AI 기반의 자원 스케줄링(scheduling) 및 할당(allocation) 등을 포함할 수 있다.
머신 러닝은 채널 추정 및 채널 트래킹을 위해 사용될 수 있으며, DL(downlink)의 물리 계층(physical layer)에서 전력 할당(power allocation), 간섭 제거(interference cancellation) 등에 사용될 수 있다. 또한, 머신 러닝은 MIMO 시스템에서 안테나 선택, 전력 제어(power control), 심볼 검출(symbol detection) 등에도 사용될 수 있다.
그러나 물리계층에서의 전송을 위한 DNN의 적용은 아래와 같은 문제점이 있을 수 있다.
딥러닝 기반의 AI 알고리즘은 훈련 파라미터를 최적화하기 위해 수많은 훈련 데이터가 필요하다. 그러나 특정 채널 환경에서의 데이터를 훈련 데이터로 획득하는데 있어서의 한계로 인해, 오프라인 상에서 많은 훈련 데이터를 사용한다. 이는 특정 채널 환경에서 훈련 데이터에 대한 정적 훈련(static training)은, 무선 채널의 동적 특성 및 다이버시티(diversity) 사이에 모순(contradiction)이 생길 수 있다.
또한, 현재 딥 러닝은 주로 실제 신호(real signal)을 대상으로 한다. 그러나, 무선 통신의 물리 계층의 신호들은 복소 신호(complex signal)이다. 무선 통신 신호의 특성을 매칭시키기 위해 복소(complex) 도메인 신호의 검출하는 신경망(neural network)에 대한 연구가 더 필요하다.
이하, 머신 러닝에 대해 보다 구체적으로 살펴본다.
머신 러닝은 사람이 할 수 있거나 혹은 하기 어려운 작업을 대신해낼 수 있는 기계를 만들어 내기 위해 기계를 학습시키는 일련의 동작을 의미한다. 머신 러닝을 위해서는 데이터와 러닝 모델이 필요하다. 머신 러닝에서 데이터의 학습 방법은 크게 3가지 즉, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 그리고 강화 학습(reinforcement learning)으로 구분될 수 있다.
신경망 학습은 출력의 오류를 최소화하기 위한 것이다. 신경망 학습은 반복적으로 학습 데이터를 신경망에 입력시키고 학습 데이터에 대한 신경망의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 신경망의 에러를 신경망의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation) 하여 신경망의 각 노드의 가중치를 업데이트하는 과정이다.
지도 학습은 학습 데이터에 정답이 라벨링된 학습 데이터를 사용하며 비지도 학습은 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 지도 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링된 데이터 일 수 있다. 라벨링된 학습 데이터가 신경망에 입력되고 신경망의 출력(카테고리)과 학습 데이터의 라벨을 비교하여 오차(error)가 계산될 수 있다. 계산된 오차는 신경망에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 신경망의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 신경망의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 신경망의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 신경망의 학습 초기에는 높은 학습률을 사용하여 신경망이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다
데이터의 특징에 따라 학습 방법은 달라질 수 있다. 예를 들어, 통신 시스템 상에서 송신단에서 전송한 데이터를 수신단에서 정확하게 예측하는 것을 목적으로 하는 경우, 비지도 학습 또는 강화 학습 보다는 지도 학습을 이용하여 학습을 수행하는 것이 바람직하다.
러닝 모델은 인간의 뇌에 해당하는 것으로서, 가장 기본적인 선형 모델을 생각할 수 있으나, 인공 신경망(artificial neural networks)와 같은 복잡성이 높은 신경망 구조를 러닝 모델로 사용하는 머신 러닝의 패러다임을 딥러닝(deep learning)이라 한다.
학습(learning) 방식으로 사용하는 신경망 코어(neural network cord)는 크게 심층 신경망(deep neural networks, DNN), 합성곱 신경망(convolutional deep neural networks, CNN), 순환 신경망(recurrent boltzmann machine, RNN) 방식이 있으며, 이러한 러닝 모델이 적용될 수 있다.
이하에서는 THz(Terahertz) 통신에 대해 설명한다.
6G 시스템에서 THz 통신이 적용될 수 있다. 일 예로, 데이터 전송률은 대역폭을 늘려 높일 수 있다. 이것은 넓은 대역폭으로 sub-THz 통신을 사용하고, 진보된 대규모 MIMO 기술을 적용하여 수행될 수 있다.
도 16은 본 개시에 적용 가능한 전자기 스펙트럼을 도시한 도면이다. 일 예로, 도 16을 참조하면, 밀리미터 이하의 방사선으로도 알려진 THz파는 일반적으로 0.03mm-3mm 범위의 해당 파장을 가진 0.1THz와 10THz 사이의 주파수 대역을 나타낸다. 100GHz-300GHz 대역 범위(Sub THz 대역)는 셀룰러 통신을 위한 THz 대역의 주요 부분으로 간주된다. Sub-THz 대역 mmWave 대역에 추가하면 6G 셀룰러 통신 용량은 늘어난다. 정의된 THz 대역 중 300GHz-3THz는 원적외선 (IR) 주파수 대역에 있다. 300GHz-3THz 대역은 광 대역의 일부이지만 광 대역의 경계에 있으며, RF 대역 바로 뒤에 있다. 따라서, 이 300 GHz-3 THz 대역은 RF와 유사성을 나타낸다.
THz 통신의 주요 특성은 (i) 매우 높은 데이터 전송률을 지원하기 위해 광범위하게 사용 가능한 대역폭, (ii) 고주파에서 발생하는 높은 경로 손실 (고 지향성 안테나는 필수 불가결)을 포함한다. 높은 지향성 안테나에서 생성된 좁은 빔 폭은 간섭을 줄인다. THz 신호의 작은 파장은 훨씬 더 많은 수의 안테나 소자가 이 대역에서 동작하는 장치 및 BS에 통합될 수 있게 한다. 이를 통해 범위 제한을 극복할 수 있는 고급 적응형 배열 기술을 사용할 수 있다.
이하에서는 광 무선 기술(optical wireless technology)에 대해 설명한다.
OWC(optical wireless communication) 기술은 가능한 모든 장치-대-액세스 네트워크를 위한 RF 기반 통신 외에도 6G 통신을 위해 계획되었다. 이러한 네트워크는 네트워크-대-백홀/프론트홀 네트워크 연결에 접속한다. OWC 기술은 4G 통신 시스템 이후 이미 사용되고 있으나 6G 통신 시스템의 요구를 충족시키기 위해 더 널리 사용될 것이다. 광 충실도(light fidelity), 가시광 통신, 광 카메라 통신 및 광 대역에 기초한 FSO(free space optical) 통신과 같은 OWC 기술은 이미 잘 알려진 기술이다. 광 무선 기술 기반의 통신은 매우 높은 데이터 속도, 낮은 지연 시간 및 안전한 통신을 제공할 수 있다. LiDAR(light detection and ranging) 또한 광 대역을 기반으로 6G 통신에서 초 고해상도 3D 매핑을 위해 이용될 수 있다.
이하에서는 FSO 백홀 네트워크에 대해 설명한다.
FSO 시스템의 송신기 및 수신기 특성은 광섬유 네트워크의 특성과 유사하다. 따라서, FSO 시스템의 데이터 전송은 광섬유 시스템과 비슷하다. 따라서, FSO는 광섬유 네트워크와 함께 6G 시스템에서 백홀 연결을 제공하는 좋은 기술이 될 수 있다. FSO를 사용하면, 10,000km 이상의 거리에서도 매우 장거리 통신이 가능하다. FSO는 바다, 우주, 수중, 고립된 섬과 같은 원격 및 비원격 지역을 위한 대용량 백홀 연결을 지원한다. FSO는 셀룰러 기지국 연결도 지원한다.
이하에서는 대규모 MIMO 기술에 대해 설명한다.
스펙트럼 효율을 향상시키는 핵심 기술 중 하나는 MIMO 기술을 적용하는 것이다. MIMO 기술이 향상되면 스펙트럼 효율도 향상된다. 따라서, 6G 시스템에서 대규모 MIMO 기술이 중요할 것이다. MIMO 기술은 다중 경로를 이용하기 때문에 데이터 신호가 하나 이상의 경로로 전송될 수 있도록 다중화 기술 및 THz 대역에 적합한 빔 생성 및 운영 기술도 중요하게 고려되어야 한다.
이하에서는 블록 체인에 대해 설명한다.
블록 체인은 미래의 통신 시스템에서 대량의 데이터를 관리하는 중요한 기술이 될 것이다. 블록 체인은 분산 원장 기술의 한 형태로서, 분산 원장은 수많은 노드 또는 컴퓨팅 장치에 분산되어 있는 데이터베이스이다. 각 노드는 동일한 원장 사본을 복제하고 저장한다. 블록 체인은 P2P(peer to peer) 네트워크로 관리된다. 중앙 집중식 기관이나 서버에서 관리하지 않고 존재할 수 있다. 블록 체인의 데이터는 함께 수집되어 블록으로 구성된다. 블록은 서로 연결되고 암호화를 사용하여 보호된다. 블록 체인은 본질적으로 향상된 상호 운용성(interoperability), 보안, 개인 정보 보호, 안정성 및 확장성을 통해 대규모 IoT를 완벽하게 보완한다. 따라서, 블록 체인 기술은 장치 간 상호 운용성, 대용량 데이터 추적성, 다른 IoT 시스템의 자율적 상호 작용 및 6G 통신 시스템의 대규모 연결 안정성과 같은 여러 기능을 제공한다.
이하에서는 3D 네트워킹에 대해 설명한다.
6G 시스템은 지상 및 공중 네트워크를 통합하여 수직 확장의 사용자 통신을 지원한다. 3D BS는 저궤도 위성 및 UAV를 통해 제공될 것이다. 고도 및 관련 자유도 측면에서 새로운 차원을 추가하면 3D 연결이 기존 2D 네트워크와 상당히 다르다.
이하에서는 양자 커뮤니케이션에 대해 설명한다.
6G 네트워크의 맥락에서 네트워크의 감독되지 않은 강화 학습이 유망하다. 지도 학습 방식은 6G에서 생성된 방대한 양의 데이터에 레이블을 지정할 수 없다. 비지도 학습에는 라벨링이 필요하지 않다. 따라서, 이 기술은 복잡한 네트워크의 표현을 자율적으로 구축하는 데 사용할 수 있다. 강화 학습과 비지도 학습을 결합하면 진정한 자율적인 방식으로 네트워크를 운영할 수 있다.
이하에서는 무인 항공기에 대해 설명한다.
UAV(unmanned aerial vehicle) 또는 드론은 6G 무선 통신에서 중요한 요소가 될 것이다. 대부분의 경우, UAV 기술을 사용하여 고속 데이터 무선 연결이 제공된다. 기지국 엔티티는 셀룰러 연결을 제공하기 위해 UAV에 설치된다. UAV는 쉬운 배치, 강력한 가시선 링크 및 이동성이 제어되는 자유도와 같은 고정 기지국 인프라에서 볼 수 없는 특정 기능을 가지고 있다. 천재 지변 등의 긴급 상황 동안, 지상 통신 인프라의 배치는 경제적으로 실현 가능하지 않으며, 때로는 휘발성 환경에서 서비스를 제공할 수 없다. UAV는 이러한 상황을 쉽게 처리할 수 있다. UAV는 무선 통신 분야의 새로운 패러다임이 될 것이다. 이 기술은 eMBB, URLLC 및 mMTC 인 무선 네트워크의 세 가지 기본 요구 사항을 용이하게 한다. UAV는 또한, 네트워크 연결성 향상, 화재 감지, 재난 응급 서비스, 보안 및 감시, 오염 모니터링, 주차 모니터링, 사고 모니터링 등과 같은 여러 가지 목적을 지원할 수 있다. 따라서, UAV 기술은 6G 통신에 가장 중요한 기술 중 하나로 인식되고 있다.
이하에서는 셀-프리 통신(cell-free Communication)에 대해 설명한다.
여러 주파수와 이기종 통신 기술의 긴밀한 통합은 6G 시스템에서 매우 중요하다. 결과적으로, 사용자는 디바이스에서 어떤 수동 구성을 만들 필요 없이 네트워크에서 다른 네트워크로 원활하게 이동할 수 있다. 사용 가능한 통신 기술에서 최상의 네트워크가 자동으로 선택된다. 이것은 무선 통신에서 셀 개념의 한계를 깨뜨릴 것이다. 현재, 하나의 셀에서 다른 셀로의 사용자 이동은 고밀도 네트워크에서 너무 많은 핸드 오버를 야기하고, 핸드 오버 실패, 핸드 오버 지연, 데이터 손실 및 핑퐁 효과를 야기한다. 6G 셀-프리 통신은 이 모든 것을 극복하고 더 나은 QoS를 제공할 것이다. 셀-프리 통신은 멀티 커넥티비티 및 멀티-티어 하이브리드 기술과 장치의 서로 다른 이기종 라디오를 통해 달성될 것이다.
이하에서는 무선 정보 및 에너지 전송 통합(wireless information and energy transfer, WIET)에 대해 설명한다.
WIET은 무선 통신 시스템과 같이 동일한 필드와 웨이브(wave)를 사용한다. 특히, 센서와 스마트폰은 통신 중 무선 전력 전송을 사용하여 충전될 것이다. WIET은 배터리 충전 무선 시스템의 수명을 연장하기 위한 유망한 기술이다. 따라서, 배터리가 없는 장치는 6G 통신에서 지원될 것이다.
이하에서는 센싱과 커뮤니케이션의 통합에 대해 설명한다.
자율 무선 네트워크는 동적으로 변화하는 환경 상태를 지속적으로 감지하고 서로 다른 노드간에 정보를 교환할 수 있는 기능이다. 6G에서, 감지는 자율 시스템을 지원하기 위해 통신과 긴밀하게 통합될 것이다.
이하에서는 액세스 백홀 네트워크의 통합에 대해 설명한다.
6G에서 액세스 네트워크의 밀도는 엄청날 것이다. 각 액세스 네트워크는 광섬유와 FSO 네트워크와 같은 백홀 연결로 연결된다. 매우 많은 수의 액세스 네트워크들에 대처하기 위해, 액세스 및 백홀 네트워크 사이에 긴밀한 통합이 있을 것이다.
이하에서는 홀로그램 빔포밍에 대해 설명한다.
빔포밍은 특정 방향으로 무선 신호를 전송하기 위해 안테나 배열을 조정하는 신호 처리 절차이다. 스마트 안테나 또는 진보된 안테나 시스템의 하위 집합이다. 빔포밍 기술은 높은 신호 대 잡음비, 간섭 방지 및 거부, 높은 네트워크 효율과 같은 몇 가지 장점이 있다. 홀로그램 빔포밍(hologram beamforming, HBF)은 소프트웨어-정의된 안테나를 사용하기 때문에 MIMO 시스템과 상당히 다른 새로운 빔포밍 방법이다. HBF는 6G에서 다중 안테나 통신 장치에서 신호의 효율적이고 유연한 전송 및 수신을 위해 매우 효과적인 접근 방식이 될 것이다.
이하에서는 빅 데이터 분석에 대해 설명한다.
빅 데이터 분석은 다양한 대규모 데이터 세트 또는 빅 데이터를 분석하기 위한 복잡한 프로세스이다. 이 프로세스는 숨겨진 데이터, 알 수 없는 상관 관계 및 고객 성향과 같은 정보를 찾아 완벽한 데이터 관리를 보장한다. 빅 데이터는 비디오, 소셜 네트워크, 이미지 및 센서와 같은 다양한 소스에서 수집된다. 이 기술은 6G 시스템에서 방대한 데이터를 처리하는 데 널리 사용된다.
이하에서는 LIS(large intelligent surface)에 대해 설명한다.
THz 대역 신호의 경우 직진성이 강하여 방해물로 인한 음영 지역이 많이 생길 수 있는데, 이러한 음영 지역 근처에 LIS 설치함으로써 통신 권역을 확대하고 통신 안정성 강화 및 추가적인 부가 서비스가 가능한 LIS 기술이 중요하게 된다. LIS는 전자기 물질(electromagnetic materials)로 만들어진 인공 표면(artificial surface)이고, 들어오는 무선파와 나가는 무선파의 전파(propagation)을 변경시킬 수 있다. LIS는 매시브 MIMO의 확장으로 보여질 수 있으나, 매시브 MIMO와 서로 다른 어레이(array) 구조 및 동작 메커니즘이 다르다. 또한, LIS는 수동 엘리먼트(passive elements)를 가진 재구성 가능한 리플렉터(reflector)로서 동작하는 점 즉, 활성(active) RF 체인(chain)을 사용하지 않고 신호를 수동적으로만 반사(reflect)하는 점에서 낮은 전력 소비를 가지는 장점이 있다. 또한, LIS의 수동적인 리플렉터 각각은 입사되는 신호의 위상 편이를 독립적으로 조절해야 하기 때문에, 무선 통신 채널에 유리할 수 있다. LIS 컨트롤러를 통해 위상 편이를 적절히 조절함으로써, 반사된 신호는 수신된 신호 전력을 부스트(boost)하기 위해 타겟 수신기에서 모여질 수 있다.
이하에서는 테라헤르츠(THz) 무선 통신에 대해 설명한다.
도 17은 본 개시에 적용 가능한 THz 통신 방법을 도시한 도면이다.
도 17을 참조하면, THz 무선통신은 대략 0.1~10THz(1THz=1012Hz)의 진동수를 가지는 THz파를 이용하여 무선통신을 이용하는 것으로, 100GHz 이상의 매우 높은 캐리어 주파수를 사용하는 테라헤르츠(THz) 대역 무선통신을 의미할 수 있다. THz파는 RF(Radio Frequency)/밀리미터(mm)와 적외선 대역 사이에 위치하며, (i) 가시광/적외선에 비해 비금속/비분극성 물질을 잘 투과하며 RF/밀리미터파에 비해 파장이 짧아 높은 직진성을 가지며 빔 집속이 가능할 수 있다.
또한, THz파의 광자 에너지는 수 meV에 불과하기 때문에 인체에 무해한 특성이 있다. THz 무선통신에 이용될 것으로 기대되는 주파수 대역은 공기 중 분자 흡수에 의한 전파 손실이 작은 D-밴드(110GHz~170GHz) 혹은 H-밴드(220GHz~325GHz) 대역일 수 있다. THz 무선통신에 대한 표준화 논의는 3GPP 이외에도 IEEE 802.15 THz WG(working group)을 중심으로 논의되고 있으며, IEEE 802.15의 TG(task group)(예, TG3d, TG3e)에서 발행되는 표준문서는 본 명세서에서 설명되는 내용을 구체화하거나 보충할 수 있다. THz 무선통신은 무선 인식(wireless cognition), 센싱(sensing), 이미징(imaging), 무선 통신(wireless), THz 네비게이션(navigation) 등에 응용될 수 있다.
구체적으로, 도 17을 참조하면, THz 무선통신 시나리오는 매크로 네트워크(macro network), 마이크로 네트워크(micro network), 나노스케일 네트워크(nanoscale network)로 분류될 수 있다. 매크로 네트워크에서 THz 무선통신은 V2V(vehicle-to-vehicle) 연결 및 백홀/프런트홀(backhaul/fronthaul) 연결에 응용될 수 있다. 마이크로 네트워크에서 THz 무선통신은 인도어 스몰 셀(small cell), 데이터 센터에서 무선 연결과 같은 고정된 point-to-point 또는 multi-point 연결, 키오스크 다운로딩과 같은 근거리 통신(near-field communication)에 응용될 수 있다. 하기 표 5는 THz 파에서 이용될 수 있는 기술의 일례를 나타낸 표이다.
도 18은 본 개시에 적용 가능한 THz 무선 통신 송수신기를 도시한 도면이다.
도 18을 참조하면, THz 무선통신은 THz 발생 및 수신을 위한 방법을 기준으로 분류할 수 있다. THz 발생 방법은 광 소자 또는 전자소자 기반 기술로 분류할 수 있다.
이때, 전자 소자를 이용하여 THz를 발생시키는 방법은 공명 터널링 다이오드(resonant tunneling diode, RTD)와 같은 반도체 소자를 이용하는 방법, 국부 발진기와 체배기를 이용하는 방법, 화합물 반도체 HEMT(high electron mobility transistor) 기반의 집적회로를 이용한 MMIC(monolithic microwave integrated circuits) 방법, Si-CMOS 기반의 집적회로를 이용하는 방법 등이 있다. 도 18의 경우, 주파수를 높이기 위해 체배기(doubler, tripler, multiplier)가 적용되었고, 서브하모닉 믹서를 지나 안테나에 의해 방사된다. THz 대역은 높은 주파수를 형성하므로, 체배기가 필수적이다. 여기서, 체배기는 입력 대비 N배의 출력 주파수를 갖게 하는 회로이며, 원하는 하모닉 주파수에 정합시키고, 나머지 모든 주파수는 걸러낸다. 그리고, 도 18의 안테나에 배열 안테나 등이 적용되어 빔포밍이 구현될 수도 있다. 도 18에서, IF는 중간 주파수(intermediate frequency)를 나타내며, 트리플러(tripler), 멀리플러(multipler)는 체배기를 나타내며, PA는 전력 증폭기(power amplifier)를 나타내며, LNA는 저잡음 증폭기(low noise amplifier), PLL은 위상동기회로(phase-locked loop)를 나타낸다.
도 19는 본 개시에 적용 가능한 THz 신호 생성 방법을 도시한 도면이다. 또한, 도 20은 본 개시에 적용 가능한 무선 통신 송수신기를 도시한 도면이다.
도 19 및 도 20을 참조하면, 광 소자 기반 THz 무선통신 기술은 광소자를 이용하여 THz 신호를 발생 및 변조하는 방법을 말한다. 광 소자 기반 THz 신호 생성 기술은 레이저와 광변조기 등을 이용하여 초고속 광신호를 생성하고, 이를 초고속 광검출기를 이용하여 THz 신호로 변환하는 기술이다. 이 기술은 전자 소자만을 이용하는 기술에 비해 주파수를 증가시키기가 용이하고, 높은 전력의 신호 생성이 가능하며, 넓은 주파수 대역에서 평탄한 응답 특성을 얻을 수 있다. 광소자 기반 THz 신호 생성을 위해서는 도 19에 도시된 바와 같이, 레이저 다이오드, 광대역 광변조기, 초고속 광검출기가 필요하다. 도 19의 경우, 파장이 다른 두 레이저의 빛 신호를 합파하여 레이저 간의 파장 차이에 해당하는 THz 신호를 생성하는 것이다. 도 19에서, 광 커플러(optical coupler)는 회로 또는 시스템 간의 전기적 절연과의 결합을 제공하기 위해 광파를 사용하여 전기신호를 전송하도록 하는 반도체 디바이스를 의미하며, UTC-PD(uni-travelling carrier photo-detector)은 광 검출기의 하나로서, 능동 캐리어(active carrier)로 전자를 사용하며 밴드갭 그레이딩(bandgap grading)으로 전자의 이동 시간을 감소시킨 소자이다. UTC-PD는 150GHz 이상에서 광검출이 가능하다. 도 20에서, EDFA(erbium-doped fiber amplifier)는 어븀이 첨가된 광섬유 증폭기를 나타내며, PD(photo detector)는 광신호를 전기신호로 변환할 수 있는 반도체 디바이스를 나타내며, OSA는 각종 광통신 기능(예, 광전 변환, 전광 변환 등)을 하나의 부품으로 모듈화시킨 광모듈(optical sub assembly)를 나타내며, DSO는 디지털 스토리지 오실로스코프(digital storage oscilloscope)를 나타낸다.
도 21은 본 개시에 적용 가능한 송신기 구조를 도시한 도면이다. 또한, 도 22는 본 개시에 적용 가능한 변조기 구조를 도시한 도면이다.
도 21 및 도 22를 참조하면, 일반적으로 레이저(laser)의 광학 소스(optical source)를 광파 가이드(optical wave guide)를 통과시켜 신호의 위상(phase)등을 변화시킬 수 있다. 이때, 마이크로파 컨택트(microwave contact) 등을 통해 전기적 특성을 변화시킴으로써 데이터를 싣게 된다. 따라서, 광학 변조기 출력(optical modulator output)은 변조된(modulated) 형태의 파형으로 형성된다. 광전 변조기(O/E converter)는 비선형 크리스탈(nonlinear crystal)에 의한 광학 정류(optical rectification) 동작, 광전도 안테나(photoconductive antenna)에 의한 광전 변환(O/E conversion), 광속의 전자 다발(bunch of relativistic electrons)로부터의 방출(emission) 등에 따라 THz 펄스를 생성할 수 있다. 상기와 같은 방식으로 발생한 테라헤르츠 펄스(THz pulse)는 펨토 세컨드(femto second)부터 피코 세컨드(pico second)의 단위의 길이를 가질 수 있다. 광전 변환기(O/E converter)는 소자의 비선형성(non-linearity)을 이용하여, 하향 변환(Down conversion)을 수행한다.
테라헤르츠 스펙트럼의 용도(THz spectrum usage)를 고려할 때, 테라헤르츠 시스템을 위해서 고정된(fixed) 또는 모바일 서비스(mobile service) 용도로써 여러 개의 연속적인 기가헤르츠(contiguous GHz)의 대역들(bands)을 사용할 가능성이 높다. 아웃도어(outdoor) 시나리오 기준에 의하면, 1THz까지의 스펙트럼에서 산소 감쇠(Oxygen attenuation) 102 dB/km를 기준으로 가용 대역폭(Bandwidth)이 분류될 수 있다. 이에 따라 상기 가용 대역폭이 여러 개의 밴드 청크(band chunk)들로 구성되는 프레임워크(framework)가 고려될 수 있다. 상기 프레임워크의 일 예시로 하나의 캐리어(carrier)에 대해 테라헤르츠 펄스(THz pulse)의 길이를 50ps로 설정한다면, 대역폭(BW)은 약 20GHz가 된다.
적외선 대역(infrared band)에서 테라헤르츠 대역(THz band)으로의 효과적인 하향 변환(Down conversion)은 광전 컨버터(O/E converter)의 비선형성(nonlinearity)을 어떻게 활용하는가에 달려 있다. 즉, 원하는 테라헤르츠 대역(THz band)으로 하향 변환(down conversion)하기 위해서는 해당 테라헤르츠 대역(THz band)에 옮기기에 가장 이상적인 비선형성(non-linearity)을 갖는 광전 변환기(O/E converter)의 설계가 요구된다. 만일 타겟으로 하는 주파수 대역에 맞지 않는 광전 변환기(O/E converter)를 사용하는 경우, 해당 펄스(pulse)의 크기(amplitude), 위상(phase)에 대하여 오류(error)가 발생할 가능성이 높다.
단일 캐리어(single carrier) 시스템에서, 광전 변환기 1개를 이용하여 테라헤르츠 송수신 시스템이 구현될 수 있다. 채널 환경에 따라 달라지지만 멀리 캐리어(Multi carrier) 시스템에서, 캐리어 수만큼 광전 변환기가 요구될 수 있다. 특히 전술한 스펙트럼 용도와 관련된 계획에 따라 여러 개의 광대역들을 이용하는 멀티 캐리어 시스템인 경우, 그 현상이 두드러지게 될 것이다. 이와 관련하여 상기 멀티 캐리어 시스템을 위한 프레임 구조가 고려될 수 있다. 광전 변환기를 기반으로 하향 주파수 변환된 신호는 특정 자원 영역(예: 특정 프레임)에서 전송될 수 있다. 상기 특정 자원 영역의 주파수 영역은 복수의 청크(chunk)들을 포함할 수 있다. 각 청크(chunk)는 적어도 하나의 컴포넌트 캐리어(CC)로 구성될 수 있다.
이하에서는 신경망 또는 뉴럴 네트워크(neural network)에 대해 설명한다.
뉴럴 네트워크는 사람의 뇌를 본 따서 만든 머신 러닝 모델이다. 컴퓨터가 잘 할 수 있는 것은 0과 1로 이루어진 사칙연산이다. 기술의 발달로 인해 지금은 컴퓨터가 예전보다도 더 빠른 시간에, 그리고 더 적은 전력으로 훨씬 더 많은 사칙연산을 처리할 수 있다. 반면, 사람은 사칙연산을 컴퓨터만큼 빠르게 할 수 없다. 인간의 뇌는 오직 빠른 사칙연산만을 처리하기 위해 만들어진 것이 아니기 때문이다. 그러나, 인지, 자연어 처리 등 그 이상의 무언가를 처리하기 위해서는 사칙연산 그 너머의 것들을 할 수 있어야 하지만 현재 컴퓨터로는 인간의 뇌가 할 수 있는 수준으로 그런 것들을 처리할 수 없다. 그렇기 때문에 자연언어처리, 컴퓨터 비전 등의 영역에서는 인간과 비슷한 성능을 내는 시스템을 만들 수만 있다면 엄청난 기술적 진보가 일어날 수 있을 것이다. 그렇기 때문에 인간의 능력을 쫓아가는 것 이전에, 먼저 인간의 뇌를 모방해보자라는 아이디어를 낼 수 있을 것이다. 뉴럴 네트워크는 이러한 동기(motivation)로 만들어진 간단한 수학적 모델이다. 우리는 이미 인간의 뇌가 엄청나게 많은 뉴런들과 그것들을 연결하는 시냅스로 구성되어 있다는 사실을 알고 있다. 또한 각각의 뉴런들이 활성화(activate)되는 방식에 따라서 다른 뉴런들도 활성화되거나 활성화되지 않는 등의 동작(action)을 취하게 될 것이다. 그렇다면 이 사실들을 기반으로 다음과 같은 간단한 수학적 모델을 정의하는 것이 가능하다.
도 23은 뉴럴 네트워크 모델의 일례를 도시한 것이다.
먼저 각각의 뉴런들이 노드(node)이고, 그 뉴런들을 연결하는 시냅스가 엣지(edge)인 네트워크를 만드는 것이 가능하다. 각각의 시냅스의 중요도가 다를 수 있으므로 엣지마다 가중치(weight)를 따로 정의하게 되면 도 23과 같은 형태로 네트워크를 만들 수 있다. 보통 뉴럴 네트워크는 방향성 그래프(directed graph)이다. 즉, 정보 전파(information propagation)가 한 방향으로 고정된다는 뜻이다. 만약 비방향성 엣지(undirected edge)를 가지게 되거나 또는 동일한 방향성 엣지(directed edge)가 양방향으로 주어질 경우, 정보 전파가 반복적(recursive)으로 일어나서 결과가 조금 복잡해진다. 이런 경우를 순환 신경망(recurrent neural network: RNN)이라고 하는데, 과거의 데이터를 저장하는 효과가 있기 때문에 최근 음성인식 등의 순차적 데이터(sequential data)를 처리할 때 많이 사용되고 있다. 다중 계층 퍼셉트론(Multi-layer perceptron: MLP) 구조는 방향성 심플 그래프(directed simple graph)이고, 같은 계층(layer)들 안에서는 서로 연결성(connection)이 없다. 즉, 셀프-루프(self-loop)와 평행 엣지(parallel edge)가 없고, 계층과 계층 사이에만 엣지가 존재하며, 서로 인접한 계층끼리만 엣지를 가진다. 즉, 첫번째 계층과 네번째 계층을 직접 연결하는 엣지가 없는 것이다. 앞으로 계층에 대한 특별한 언급이 없다면 이러한 MLP를 가정한다. 이 경우 정보 전파가 앞으로만(forward) 일어나기 때문에 이런 네트워크를 피드-포워드 네트워크(feed-forward network)라고 부르기도 한다.
실제 뇌에서는 각기 다른 뉴런들이 활성화되고, 그 결과가 다음 뉴런으로 전달되고 또 그 결과가 전달되면서 최종 결정을 내리는 뉴런이 활성화되는 방식에 따라 정보를 처리하게 된다. 이 방식을 수학적 모델로 바꿔서 생각해보면, 입력(input) 데이터들에 대한 활성화 조건을 함수(function)로 표현하는 것이 가능할 수 있다. 이것을 활성화 함수 또는 활성 함수(activate function)라고 정의한다. 가장 간단한 활성 함수의 예시는 들어오는 모든 입력 값을 더한 다음, 문턱치(threshold)를 설정하여 이 값이 특정 값을 넘으면 활성화, 그 값을 넘지 못하면 비활성화되도록 하는 함수일 수 있다. 일반적으로 많이 사용되는 여러 종류의 활성 함수가 존재하는데, 이하에서 몇 가지를 소개한다. 편의상 t=∑i(wixi)라고 정의한다. 참고로, 일반적으로는 가중치뿐만 아니라 바이어스(bias)도 고려해야 한다. 이 경우 t=∑i(wixi)+bi가 되지만, 본 명세서에서 바이어스는 가중치와 거의 동일하기 때문에 생략한다. 예를 들어, 값이 항상 1인 x0를 추가한다면, w0가 바이어스가 되므로, 가상의 입력을 가정하고 가중치와 바이어스를 동일하게 취급해도 무방하다.
- 시그모이드 함수(Sigmoid function): f(t)=1/(1+e-t)
- 하이퍼볼릭 탄젠트 함수(tanh function): f(t)=(1-e-t)/(1+e-t)
- 절대 함수: f(t)=||t||
- 정류 선형 단위 함수(Rectified Linear Unit function: ReLU function): f(t)=max(0, t)
따라서, 상기 모델은 우선 노드와 엣지로 이루어진 네트워크의 모양을 정의하고, 각 노드 별 활성 함수를 정의한다. 이렇게 정해진 모델을 조절하는 파라미터의 역할은 엣지의 가중치가 맡게 되며, 가장 적절한 가중치를 찾는 것이 상기 수학적 모델을 트레이닝할 때의 목표가 될 수 있다.
이하에서는 모든 파라미터가 결정되었다고 가정하고 뉴럴 네트워크가 어떻게 결과를 추론(inference)하는지에 대해 설명한다. 뉴럴 네트워크는 먼저 주어진 입력(input)에 대해 다음 계층(layer)의 활성화를 결정하고, 이를 사용해 그 다음 계층의 활성화를 결정한다. 이런 식으로 맨 마지막 계층까지 결정을 하고 나서, 맨 마지막 결정 계층(decision layer)의 결과를 보고 추론을 결정하는 것이다.
도 24는 뉴럴 네트워크에서 활성화된 노드의 일례를 도시한 것이다.
도 24에서 원으로 표시한 노드가 활성화된 노드를 나타낸다. 예를 들어, 분류법(classification)의 경우 마지막 계층에 사용자가 분류하고 싶은 급 또는 클래스(class)의 개수만큼 결정 노드를 만든 다음 그 중 하나의 활성화되는 값을 선택할 수 있다.
뉴럴 네트워크의 활성 함수들은 비선형(non-linear)이고 서로 계층을 이루면서 복잡하게 얽혀 있기 때문에, 뉴럴 네트워크의 가중치 최적화(weight optimization)는 비-컨벡스 최적화(non-convex optimization)일 수 있다. 따라서, 일반적인 경우 뉴럴 네트워크의 파라미터들의 글로벌 최적(global optimum)을 찾는 것은 불가능하다. 그렇기 때문에 보통 경사 하강법(gradient descent: GD)을 사용하여 적당한 값까지 수렴시키는 방법을 사용할 수 있다. 모든 최적화 문제는 타겟 함수(target function)가 정의되어야 해결될 수 있다. 뉴럴 네트워크에서는 마지막 결정 계층에서 실제로 원하는 타겟 출력(target output)과 현재 네트워크가 생성한(produce) 추정 출력(estimated output)끼리의 손실 함수(loss function)을 계산하여 그 값을 최소화하는 방식을 취할 수 있다. 일반적으로 선택하는 손실 함수에는 다음과 같은 함수들이 있다. 한편, d-차원 타겟 출력(d-dimensional target output)을 t=[t1, ..., td], 추정 출력을 x=[x1, ..., xd]로 각각 정의한다. 최적화를 위한 다양한 손실 함수가 사용될 수 있는데, 다음은 대표적인 손실 함수의 예이다.
- 유클리드 손실의 합(sum of Euclidean loss): 
- 소프트맥스 손실(Softmax loss): 
- 교차-엔트로피 손실(Cross-entropy loss): 
이렇게 손실 함수가 주어진다면, 이 값을 주어진 파라미터들에 대해 기울기(gradient)를 구한 다음 그 값들을 사용해 파라미터를 업데이트(update)할 수 있다.
한편, 역전파 알고리즘(backpropagation algorithm)은 체인 룰(chain rule)을 사용해 기울기 계산을 간단하게 만들어주는 알고리즘으로, 각각의 파라미터의 기울기를 계산할 때 평행화(parallelization)가 용이하고, 알고리즘 디자인에 따라 메모리 효율을 증가시킬 수 있으므로 실제 뉴럴 네트워크 업데이트는 역전파 알고리즘을 주로 사용한다. 경사 하강법을 사용하기 위해서는 현재 파라미터에 대한 기울기를 계산해야 하지만, 네트워크가 복잡해지면 그 값을 바로 계산하는 것이 어려울 수 있다. 대신, 역전파 알고리즘에 따르면, 먼저 현재 파라미터를 사용하여 손실(loss)을 계산하고, 각각의 파라미터들이 해당 손실에 대해 얼마만큼의 영향을 미쳤는지 체인 룰을 사용하여 계산하고, 그 값으로 업데이트를 할 수 있다. 따라서, 역전파 알고리즘은 크게 두 가지 단계(phase)로 나눌 수 있는데, 하나는 전파 단계(propagation phase)이며 다른 하나는 가중치 업데이트 단계(weight update phase)이다. 전파 단계에서는 트레이닝 입력 패턴(training input pattern)에서부터 오차(error) 또는 각 뉴런들의 변화량을 계산하며, 가중치 업데이트 단계에서는 앞에서 계산한 값을 사용하여 가중치를 업데이트 시킨다.
구체적으로, 전파 단계에서는 순전파(forward propagation) 또는 역전파(backpropagation)가 수행될 수 있다. 순전파는 입력 트레이닝 데이터로부터 출력을 계산하고, 각 뉴런에서의 오차(error)를 계산한다. 이 때, 입력 뉴런-히든 뉴런(hidden neuron)-출력 뉴런 순으로 정보가 이동하므로 순전파라고 한다. 역전파는 출력 뉴런에서 계산된 오차를 각 엣지들의 가중치를 이용해 바로 이전 계층의 뉴런들이 오차에 얼마나 영향을 미쳤는지 여부를 계산한다. 이 때, 출력 뉴런-히든 뉴런 순으로 정보가 이동하므로 역전파라고 한다.
또한, 가중치 업데이트 단계에서는 체인 룰을 이용해 파라미터들의 가중치를 계산한다. 이 때, 체인 룰을 사용한다는 의미는 도 25와 같이 앞에서 계산된 기울기를 사용하여 현재의 기울기 값을 업데이트한다는 의미일 수 있다.
도 25는 체인 룰을 이용한 기울기 계산의 일례를 도시한 것이다.
도 25는 (δz)/(δx)를 구하는 것이 목적인데, 해당 값을 직접 계산하는 대신, y-계층에서 계산한 미분값(derivative)인 (δz)/(δy) 및 y-계층과 x에 대해서만 관계된 (δy)/(δx)를 사용하여 원하는 값을 계산할 수 있다. 만약 x 이전에 x`라는 파라미터가 별도로 존재한다면, (δz)/(δx)와 (δx`)/(δx)를 사용하여 (δz)/(δx`)를 계산할 수 있다. 따라서, 역전파 알고리즘에서 필요한 것은 현재 업데이트하려는 파라미터의 바로 전 변수(variable)의 미분값 및 현재 파라미터로 바로 전의 변수를 미분한 값이다. 이 과정을 출력 계층에서부터 하나씩 내려오면서 반복한다. 즉, 출력-히든 뉴런 k, 히든 뉴런 k-히든 뉴런 k-1, ..., 히든 뉴런 2-히든 뉴런 1, 히든 뉴런 1-입력의 과정을 거치면서 가중치가 계속 업데이트될 수 있다.
기울기를 계산하면 경사 하강법을 이용하여 파라미터를 업데이트한다. 그러나, 일반적으로 뉴럴 네트워크의 입력 데이터의 개수가 상당히 많기 때문에 정확한 기울기를 계산하기 위해서는 모든 트레이닝 데이터에 대해 기울기를 전부 계산하고, 그 값의 평균을 이용하여 정확한 기울기를 구한 후 업데이트를 한 번 수행하면 된다. 그러나, 이 방법은 비효율적이므로, 확률론적 경사 하강법(stochastic gradient descent: SGD) 방법을 사용할 수 있다.
SGD는 모든 데이터의 기울기에 대해 평균을 취하여 기울기 업데이트를 수행(이를 풀 배치(full batch)라 한다.)하는 대신 일부의 데이터로 미니 배치(mini batch)를 생성하고, 하나의 배치에 대한 기울기만을 계산하여 전체 파라미터를 업데이트할 수 있다. 컨벡스 최적화의 경우, 특정 조건이 만족하면 SGD와 GD가 같은 글로벌 최적으로 수렴하는 것이 증명되어 있지만, 뉴럴 네트워크는 컨벡스가 아니기 때문에 배치를 설정하는 방법에 따라 수렴하는 조건이 바뀐다.
이하에서는 뉴럴 네트워크의 종류에 대해 설명한다.
먼저, CNN(convolution neural network)에 대해 설명한다.
CNN은 음성 인식이나 이미지 인식에 주로 사용되는 신경망의 한 종류이다. 다차원 배열 데이터를 처리하도록 구성되어 있어, 색 이미지와 같은 다차원 배열 처리에 특화되어 있다. 따라서, 이미지 인식 분야에서 딥러닝을 활용한 기법은 대부분 CNN을 기초로 한다. 일반 신경망의 경우, 이미지 데이터를 그대로 처리한다. 즉, 이미지 전체를 하나의 데이터로 생각해서 입력으로 받아들이기 때문에, 이미지의 특성을 찾지 못하고 이미지의 위치가 조금만 달라지거나 왜곡된 경우에 올바른 성능을 내지 못할 수 있다. 그러나, CNN은 이미지를 하나의 데이터가 아닌, 여러 개로 분할하여 처리한다. 이렇게 하면 이미지가 왜곡되더라도 이미지의 부분적 특성을 추출할 수 있어 올바른 성능을 낼 수 있다. CNN은 다음과 같은 용어로 정의할 수 있다.
- 합성곱 또는 컨벌루션(convolution): 합성곱 연산은 두 함수 f, g 가운데 하나의 함수를 반전(reverse), 전이(shift)시킨 다음, 다른 하나의 함수와 곱한 결과를 적분하는 것을 의미한다. 이산 영역(discrete domain)에서는 적분 대신 합을 사용한다.
- 채널(channel): 합성곱을 수행할 때 입력 또는 출력을 구성하는 데이터 열의 개수를 의미한다.
- 필터(filter) 또는 커널(kernel): 입력 데이터에 대해 컨벌루션을 수행하는 함수를 의미한다.
- 딜레이션(dilation): 데이터와 커널에 대해 컨벌루션을 수행할 때 데이터 사이의 간격을 의미한다. 예를 들어, 딜레이션이 2인 경우, 입력 데이터의 2개마다 하나씩 추출하여 커널과 컨벌루션을 수행한다.
- 스트라이드(stride): 컨벌루션을 수행할 때 필터/커널을 쉬프트(shift)하는 간격을 의미한다.
- 패딩(padding): 컨벌루션을 수행할 때, 입력 데이터에 특정 값을 덧붙이는 동작을 의미하며, 상기 특정 값은 주로 0이 사용된다.
- 요인 맵(feature map): 컨벌루션을 수행하여 출력한 결과를 의미한다.
다음으로, RNN(recurrent neural network)에 대해 설명한다.
RNN은 히든 노드가 방향을 가진 엣지로 연결되어 순환 구조(directed cycle)를 이루는 인공신경망의 한 종류이다. 음성, 문자 등 순차적으로 등장하는 데이터 처리에 적합한 모델로 알려져 있는데, CNN과 더불어 최근에 각광 받고 있는 알고리즘이다. 시퀀스 길이에 관계 없이 입력과 출력을 받아들일 수 있는 네트워크 구조이기 때문에, 필요에 따라 다양하고 유연하게 구조를 만들 수 있다는 점이 RNN의 가장 큰 장점이다.
도 26은 RNN의 기본 구조의 일례를 도시한 것이다.
도 26에서 h_t(t=1,2, ...)는 히든 계층(hidden layer)이고, x는 입력, y는 출력을 나타낸다. RNN은 관련 정보와 그 정보를 사용하는 지점 사이 거리가 멀 경우 역전파 시 기울기가 점차 줄어 학습 능력이 크게 저하되는 것으로 알려져 있다. 이를 기울기가 사라지는 문제(vanishing gradient problem)라고 한다. 기울기가 사라지는 문제를 해결하기 위해 제안된 구조가 LSTM(long-short term memory)과 GRU(gated recurrent unit)이다.
이하에서는 오토인코더(autoencoder)에 대해 설명한다.
뉴럴 네트워크를 통신 시스템에 적용하기 위한 다양한 시도가 이루어지고 있다. 그 중에서 물리 계층에 적용하려는 시도는 주로 수신기(receiver)의 특정 기능을 최적화하는 것이 고려되고 있다. 예를 들면, 채널 디코더(channel decoder)를 뉴럴 네트워크로 구성하여 성능을 향상시킬 수 있다. 또는, 다수 개의 송수신 안테나를 가진 MIMO 시스템에서 MIMO 검출기(detector)를 뉴럴 네트워크로 구현하여 성능을 향상시킬 수 있다.
또 다른 접근 방식은 송신기(transmitter), 수신기(receiver) 모두를 뉴럴 네트워크로 구성하여 단 대 단(end-to-end) 관점에서 최적화를 수행하여 성능 향상을 기하는 방식으로, 이를 오토인코더라고 부른다.
도 27은 오토인코더의 일례를 도시한 것이다.
도 27을 참고하면, 입력 신호는 송신기, 채널, 수신기로 차례로 진행한다. 여기서, 일례로, 입력 신호가 5-비트(bit) 신호일 때 5-비트 신호는 32가지로 표현될 수 있고, 이는 32개의 요소를 갖는 1행 또는 1열의 벡터로 표현할 수 있다. 상기 벡터가 송신기, 채널을 통과하여 수신기에 도달하면, 수신기는 검출된 벡터의 내용에 따라 정보를 획득할 수 있다.
도 27의 오토인코더 구조는 입력 데이터 블록 크기(input data block size) K가 증가할수록 복잡도가 지수적으로 증가하는 문제, 즉, 차원의 저주(curse of dimensionality)가 발생한다. 이 경우, 구조화된 송신기를 설계하는 경우 상기 문제를 해결할 수 있다. 일례로, 오토인코더(turbo autoencoder: turbo AE)라고 명명된 구조화된 송신기를 고려할 수 있는데, 터보 오토인코더의 인코더, 디코더 구조는 도 28과 같다.
도 28은 터보 오토인코더의 인코더 구조 및 디코더 구조의 일례를 도시한 것이다. 구체적으로, 도 28의 (a)는 뉴럴 네트워크 인코더 구조를 도시한 것이고, 도 28의 (b)는 뉴럴 네트워크 디코더 구조를 도시한 것이다.
도 28의 (a)는 코드 레이트(code rate)가 1/3인 인코더 구조를 도시한 것으로, fi,θ는 뉴럴 네트워크이고 h(.)는 전력 제한(power constraint)을 나타낸다. 또한, π는 인터리버(interleaver)를 의미한다. 도 28의 (b)는 디코더 구조를 나타낸 것으로, 터보 디코더의 반복 디코딩 방식과 유사한 방법을 채용하고 있고, 각 반복 디코딩 시 2개의 부-디코더(sub-decoder)로 구성되어 있다. 여기서 g0i,j는 i번째 반복 디코딩 시 j번째 부-디코더를 나타낸다.
한편, 단 대 단 성능을 최적화하기 위한 오토인코더는 송신기와 수신기를 모두 뉴럴 네트워크로 구성하여 동작한다. 도 27, 도 28의 (a) 및 (b)와 같이 기존의 오토인코더는 사용자 데이터의 전송을 위해 설계된 것이 대부분이어서, 제어 정보의 전송을 위해서는 제어 정보의 전송에 대한 요구 사항에 따라 설계하는 것이 필요하다.
이에, 본 명세서에서는 공통 제어 정보를 전송하는 채널 중 하나인 PBCH(physical broadcast channel)의 전송기와 수신기를 뉴럴 네트워크로 설계하는 방법 및 하향링크 제어 채널을 전송하는 채널인 PDCCH(physical downlink control channel)의 전송기와 수신기를 뉴럴 네트워크로 설계하는 방법을 제안한다.
이하에서는 본 개시의 제안에 대해 설명한다.
이하의 도면은 본 명세서의 구체적인 일례를 설명하기 위해 작성되었다. 도면에 기재된 구체적인 장치의 명칭이나 구체적인 신호/메시지/필드의 명칭은 예시적으로 제시된 것이므로, 본 명세서의 기술적 특징이 이하의 도면에 사용된 구체적인 명칭에 제한되지 않는다.
PBCH는 시스템 정보 중 MIB(master information block)를 전송하는 물리 채널로, 셀 커버리지(cell coverage)에 속하는 모든 단말들이 셀 검색(cell search)을 통해 동기를 획득한 후 검출을 수행하는 채널이다. LTE/NR 표준에서 PBCH는 일정한 주기로 반복 전송되고, 한 주기 내에서 다수 번 전송되며, 자가-디코딩이 가능한(self-decodable) 특징을 만족하도록 구성될 수 있다.
이하에서는, PBCH에 대한 뉴럴 네트워크 전송기 및 수신기에 대해 설명한다.
일례로, PBCH의 전송 주기를 N 밀리세컨드라 하고, 1 주기 내에 M번 전송된다고 가정하면, PBCH를 M번 전송하는 뉴럴 네트워크 전송기는 다음과 같은 방법으로 설계할 수 있다.
(방법 1-1) 1 주기 내의 전송마다 적용할 가중치 집합(weight set)을 설정하는 방법.
상기 방법 1-1에 따르면, M개의 가중치 집합을 설계/결정하여 매 전송 시에 적용할 가중치 집합을 정의한다. 예를 들어, {W1, ..., WM}을 PBCH 전송에 사용할 뉴럴 네트워크의 가중치 집합이라 하면, WK는 K번째 PBCH 전송에 사용되는 가중치를 의미할 수 있다. 이 때, 각각의 가중치 및 가중치 집합은 표준 등에서 사전에 정의될 수 있고, 전송기 및 수신기 간 공유될 수 있다. 예를 들어, PBCH를 수신하는 수신단은 셀 검색(cell search) 동작에 의해 동기를 획득한 이후이므로, 가중치 집합에 대한 정보는 동기화 신호(synchronization signal)를 통해 전송될 수 있다.
또한, 뉴럴 네트워크 전송기에 사용하는 가중치에 대한 뉴럴 네트워크 수신기의 가중치는 트레이닝을 통해서 설계할 수 있다. 따라서, 매 PBCH 전송에 사용할 뉴럴 네트워크 수신기의 가중치도 표준 등에 의해 사전에 정의될 수 있고, 송신기 및 수신기 간 공유될 수 있다. 따라서, M개의 뉴럴 네트워크 전송기의 가중치-뉴럴 네트워크 수신기의 가중치 쌍이 사전에 정의될 수 있다.
한편, 가중치 집합과 PBCH 전송의 맵핑 방법은 앞서 언급한 방법, 즉, 식별 번호에 따른 맵핑 방법 이외에도 여러 방법이 가능함은 자명하다.
(방법 1-2) PBCH 전송을 위한 최소 코드 레이트(minimum code rate)에 대한 가중치를 설계하는 방법.
상기 방법 1-2에 따르면, PBCH 전송을 위한 최소 코드 레이트를 설정하고, 해당 최소 코드 레이트에 대한 가중치를 설계한다. 매 PBCH 전송은 이와 같은 뉴럴 네트워크 전송기의 출력을 레이트 매칭(rate matching)하여 수행될 수 있다.
즉, 매 PBCH 전송에 대하여 뉴럴 네트워크 전송기의 출력 중 전송되는 부분에 대한 맵핑 정보를 정의하는 것이 필요할 수 있다. 예를 들어, LTE/NR의 리던던시 버전(redundancy version: RV)과 같이 뉴럴 네트워크 전송기의 출력 전체에 M개의 지점을 설정하고, 매 전송 시 M개의 지점 중 이전 전송과 중복되지 않는 위치들 중 하나에서 시작하여 PBCH 전송을 위해 할당된 자원에 해당하는 양만큼 PBCH가 전송될 수 있다.
또한, 뉴럴 네트워크 전송기의 출력에서 펑처링(puncturing)된 심볼은 뉴럴 네트워크 수신기에서 0으로 입력되어 처리될 수 있다. 또한, 다수 번 전송으로 인한 중복된 심볼은 뉴럴 네트워크 수신기의 입력단에서 결합 후 처리하면 성능 향상을 기대할 수 있다.
한편, 뉴럴 네트워크 전송기의 가중치에 대한 뉴럴 네트워크 수신기의 가중치는 트레이닝 과정을 통하여 획득할 수 있다. 즉, 최소 코드 레이트에 해당하는 뉴럴 네트워크 전송기의 가중치-뉴럴 네트워크 수신기의 가중치 쌍이 표준 등에 의해 사전에 정의될 수 있고, 이는 전송기 및 수신기 간 공유될 수 있다.
한편, PDCCH는 단말의 데이터가 송수신되는 데이터 채널에 대한 제어 정보를 전송하는 물리 채널로, 다수 개의 제어 채널 전송을 위한 자원을 사용할 수 있다. 이 때, PDCCH 전송에 사용되는 자원의 양을 집성 레벨(aggregation level: AL)로 표현할 수 있고, 다수 개의 AL을 정의하여 채널 상황 등을 고려하여 상기 자원의 양을 적응적으로 결정할 수 있다. 또한, 시스템 정보가 전송되는 데이터 채널에 대한 PDCCH의 자원 및 설정 정보는 송신기 및 수신기 간 공유될 수 있다.
이하에서는, PDCCH에 대한 뉴럴 네트워크 전송기 및 수신기에 대해 설명한다. 한편, 이하에서는 PDCCH 전송을 위해 L개의 AL을 가정한다. L개의 AL을 지원하기 위한 뉴럴 네트워크 전송기의 설계 방법은 다음과 같다.
(방법 2-1) AL 별로 가중치 집합을 설정하는 방법.
방법 2-1을 참고하면, PDCCH를 통해 전송되는 제어 정보에 기반하여 디코딩을 수행하는 데이터에 따라 송신기 및 수신기 간 가중치 집합을 공유하는 방법이 달라질 수 있다. 시스템 정보의 스케줄링 정보를 포함하는 SIB-1 데이터 전송을 위한 제어 정보를 전송하는 PDCCH의 가중치 집합의 경우, PBCH를 이용하여 관련 정보를 전송하거나 표준 등에 의해 사전에 정의될 수 있다.
이 때, 뉴럴 네트워크 전송기의 가중치뿐만 아니라 뉴럴 네트워크 수신기의 가중치도 함께 전송 또는 정의될 수 있다. 따라서, SIB-1 데이터 전송을 위한 PDCCH의 AL 개수에 해당하는 뉴럴 네트워크 전송기 및 뉴럴 네트워크 수신기의 가중치는 PBCH를 통해 전송되거나 표준 등에 의해 정의될 수 있다. SIB-1 이외의 시스템 정보인 SIB-x 데이터 전송을 위한 제어 정보를 전송하는 PDCCH의 가중치 집합의 경우, SIB-1을 통하여 관련 정보가 전송되거나 표준 등에 의해 사전에 정의될 수 있다. 이 때, 뉴럴 네트워크 전송기의 가중치뿐만 아니라 뉴럴 네트워크 수신기의 가중치도 함께 전송되거나 또는 사전에 정의될 수 있다. 따라서, SIB-1 데이터 전송을 위한 PDCCH의 AL 개수에 해당하는 뉴럴 네트워크 전송기 및 뉴럴 네트워크 수신기의 가중치는 PBCH를 통하여 전송되거나 표준 등에 의해 정의될 수 있다.
또한, 일반적인 단말의 데이터 전송을 위한 제어 정보를 전송하는 PDCCH의 가중치 집합은 RRC 시그널링을 통해 전송기 및 수신기 간 공유될 수 있다. 이 때, 뉴럴 네트워크 전송기의 가중치뿐만 아니라 뉴럴 네트워크 수신기의 가중치도 함께 전송되거나 정의될 수 있다. 따라서, 단말의 데이터 전송을 위한 PDCCH의 AL의 개수에 해당하는 뉴럴 네트워크 전송기 및 뉴럴 네트워크 수신기의 가중치가 RRC 시그널링을 통해 전송될 수 있다.
또한, AL 값들 각각에 대해 다수 개의 뉴럴 네트워크 전송기, 뉴럴 네트워크 수신기의 가중치가 정의될 수 있다. 이와 같은 경우, RRC 시그널링을 이용하여 AL 별로 1개의 뉴럴 네트워크 전송기-뉴럴 네트워크 수신기 가중치 쌍이 선택되어 단말에게 전송될 수 있다.
(방법 2-2) 최대 AL 값에 대한 가중치를 설정하는 방법.
상기 방법 2-2에 따르면, 최대 AL에 대한 가중치를 설정하고, 최대 AL보다 낮은 AL이 설정된 경우, 뉴럴 네트워크 전송기의 출력을 레이트 매칭(rate matching)을 이용하여 PDCCH 전송 심볼을 생성한다. 이 때, 뉴럴 네트워크 전송기의 가중치뿐만 아니라 뉴럴 네트워크 수신기의 가중치도 함께 전송되거나 또는 정의될 수 있다.
또한, 방법 2-1과 마찬가지로, PDCCH로 지시하는 제어 정보로 디코딩을 수행하는 데이터에 따라 전송기 및 수신기 간의 가중치 집합을 공유하는 방법이 달라질 수 있다. 일례로, SIB-1 데이터 전송을 위한 제어 정보를 전송하는 PDCCH의 가중치는 PBCH를 통해 전송되거나 또는 표준 등에 의해 사전에 정의될 수 있다. SIB-x 데이터 전송을 위한 제어 정보를 전송하는 PDCCH의 가중치는 SIB-1를 통해 전송되거나 또는 표준 등에 의해 사전에 정의될 수 있다. 또한, 일반적인 단말의 데이터 전송을 위한 제어 정보를 전송하는 PDCCH의 가중치는 RRC 시그널링에 기반하여 전송될 수 있고, 전송기 및 수신기 간 공유될 수 있다.
한편, 전술한 방법들과 관련하여, 레이트 매칭(rate matching)은 LTE/NR 표준의 방법을 적용할 수 있다. 즉, 매 TTI(transmission time interval)(예를 들어, 심볼, 슬롯 등)마다 전송할 데이터의 양과 실제 채널의 최대 전송량을 맞출 수 있다. 따라서, 일례로, 특정 AL에 대응하는 가중치만 설정되고, 실제 사용되는 AL은 상기 특정 AL과 다른 경우, 최대 AL에 대응하는 가중치에 기반하여 입력 데이터에 대한 뉴럴 네트워크 생성기의 출력을 생성하고, 상기 출력에 대해 실제 사용되는 AL에 맞는 동작, 예를 들어, 펑처링(puncturing), 반복 등을 수행할 수 있다.
도 29는 본 명세서의 일부 구현에 따른 기지국의 뉴럴 네트워크 전송기에 기반한 제어 채널 전송 방법의 일례에 대한 순서도이다.
도 29를 참고하면, 기지국은 제어 정보를 전송할 제어 채널의 종류에 기반하여 상기 뉴럴 네트워크 전송기와 관련된 가중치를 결정한다(S2910). 여기서, 상기 제어 채널이 PBCH임에 기반하여, 상기 기지국은 상기 PBCH의 반복 전송 횟수와 동일한 수의 서로 다른 가중치를 결정할 수 있다. 또한 여기서, 상기 제어 채널이 PDCCH임에 기반하여, 상기 기지국은 최대 집성 레벨(aggregation level: AL)에 대한 가중치를 결정할 수 있다.
또한 여기서, 상기 가중치는 사전에 정의된 것일 수 있다. 다시 말하면, 표준 등에 의해 가중치가 사전에 정의되고, 기지국 및 단말은 상기 가중치를 시그널링 등을 통해 공유할 수 있다. 일례로, 기지국은 S2910 단계에서 가중치를 결정하되, 상기 가중치는 사전에 결정된 것일 수 있다. 이후, 상기 기지국이 상기 가중치에 대한 업데이트 또는 갱신을 수행할 때, 상기 기지국은 가중치를 다시 결정할 수 있다. 여기서, 상기 갱신에 대한 가중치도 사전에 결정된 것일 수 있다.
이후, 기지국은 단말에게 제어 정보를 상기 결정된 가중치에 기반하여 전송한다(S2920). 여기서, 상기 제어 정보는 상기 가중치를 이용하는 상기 뉴럴 네트워크 전송기를 통해 전송될 수 있다.
또한 여기서, 상기 제어 채널이 PBCH임에 기반하여, 상기 제어 정보는 상기 PBCH의 반복 전송 횟수마다 서로 다른 가중치가 설정된 상기 뉴럴 네트워크 전송기를 통해 반복 전송될 수 있다.
또한 여기서, 상기 제어 채널이 PDCCH임에 기반하여, 상기 단말은 상기 제어 정보를 입력 정보로 갖는 상기 뉴럴 네트워크 전송기에 기반하여 출력 정보를 생성하고, 상기 제어 정보에 대해 설정된 집성 레벨에 기반하여 상기 출력 정보에 대해 레이트 매칭(rate matching)을 수행할 수 있다.
한편, 단말의 랜덤 접속 절차는 다음 표와 같이 요약할 수 있다.
도 30은 랜덤 접속 절차를 설명하기 위한 것이다.
도 30에 따르면, 먼저, 단말은 랜덤 접속 절차의 message(Msg) 1로서 상향링크로 PRACH(physical random access channel) 프리앰블을 전송할 수 있다.
2 개의 서로 다른 길이를 갖는 랜덤 접속 프리앰블 시퀀스가 지원된다. 길이 839의 긴 시퀀스는 1.25kHz 및 5kHz의 부반송파 간격에 적용되고, 길이 139의 짧은 시퀀스는 15, 30, 60, 및 120kHz의 부반송파 간격에 적용된다. 긴 시퀀스는 한정되지 않은 집합(inrestricted set) 및 타입 A 및 타입 B의 한정된 집합을 지원하고, 반면 짧은 시퀀스는 오직 한정되지 않은 집합만을 지원한다.
복수의 RACH 프리앰블 포맷들은 하나 이상의 RACH OFDM 심볼들, 상이한 CP(cyclic prefix), 및 보호 시간(guard time)으로 정의된다. 사용할 PRACH 프리앰블 설정은 시스템 정보로 단말에게 제공된다.
Msg1에 대한 응답이 없는 경우, 단말은 규정된 횟수 내에서 파워 램핑된 PRACH 프리앰블을 재전송할 수 있다. 단말은 가장 최근의 추정 경로 손실 및 파워 램핑 카운터에 기반하여 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다. 만약 단말이 빔 스위칭을 수행하면, 파워 램핑 카운터는 변하지 않는다.
본 명세서에 기재된 청구항들은 다양한 방식으로 조합될 수 있다. 예를 들어, 본 명세서의 방법 청구항의 기술적 특징이 조합되어 장치로 구현될 수 있고, 본 명세서의 장치 청구항의 기술적 특징이 조합되어 방법으로 구현될 수 있다. 또한, 본 명세서의 방법 청구항의 기술적 특징과 장치 청구항의 기술적 특징이 조합되어 장치로 구현될 수 있고, 본 명세서의 방법 청구항의 기술적 특징과 장치 청구항의 기술적 특징이 조합되어 방법으로 구현될 수 있다.
본 명세서에서 제안하는 방법들은 단말/엣지 장치 이외에도, 적어도 하나의 프로세서(processor)에 의해 실행됨을 기초로 하는 명령어(instruction)를 포함하는 적어도 하나의 컴퓨터로 읽을 수 있는 기록 매체(computer readable medium) 및 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의해 실행 가능하게 연결되고, 및 명령들을 저장하는 하나 이상의 메모리를 포함하되, 상기 하나 이상의 프로세서는 상기 명령어들을 실행하여 본 명세서에서 제안하는 방법들을 수행하는, 단말을 제어하도록 설정된 장치(apparatus)에 의해서도 수행될 수 있다. 또한, 본 명세서에서 제안하는 방법들에 따르면, 단말/엣지 장치가 수행하는 동작에 대응되는 기지국/엣지 서버에 의한 동작이 고려될 수 있음은 자명하다.
Claims (15)
- 무선 통신 시스템에서 기지국에 의해 수행되는 뉴럴 네트워크 전송기 기반 제어 정보 전송 방법에 있어서,
랜덤 접속 프리앰블을 단말로부터 수신하고,
상기 랜덤 접속 프리앰블에 대한 응답으로 랜덤 접속 응답을 상기 단말에게 전송하고, 및
제어 정보를 전송할 제어 채널의 종류 및 가중치에 기반하여 상기 뉴럴 네트워크 전송기를 통해 상기 단말에게 상기 제어 정보를 전송하되, 상기 제어 채널이 PBCH(physical broadcast channel)임에 기반하여, 상기 가중치는 상기 PBCH의 반복 전송 횟수와 동일한 수의 서로 다른 가중치가 설정되고, 상기 제어 채널이 PDCCH(physical downlink control channel)임에 기반하여, 상기 가중치는 최대 집성 레벨(aggregation level: AL)에 기반하여 설정되고,
상기 제어 정보는 상기 가중치를 이용하는 상기 뉴럴 네트워크 전송기를 통해 전송되고,
상기 제어 채널이 PBCH임에 기반하여, 상기 제어 정보는 상기 PBCH의 반복 전송 횟수마다 서로 다른 가중치가 설정된 상기 뉴럴 네트워크 전송기를 통해 반복 전송되고, 및
상기 제어 채널이 PDCCH임에 기반하여, 상기 기지국은 상기 제어 정보를 입력 정보로 갖는 상기 뉴럴 네트워크 전송기에 기반하여 출력 정보를 생성하고, 상기 제어 정보에 대해 설정된 집성 레벨에 기반하여 상기 출력 정보에 대해 레이트 매칭(rate matching)을 수행하는 것을 특징으로 하는 방법. - 제1항에 있어서,
상기 가중치는 사전에 정의되는 것을 특징으로 하는 방법. - 제1항에 있어서,
상기 기지국은 상기 단말에게 가중치 정보를 전송하고,
상기 가중치 정보는 상기 결정된 가중치를 알려주는 것을 특징으로 하는 방법. - 제2항에 있어서,
상기 제어 채널이 PDCCH이고, 상기 제어 정보가 상기 단말의 데이터 전송과 관련됨에 기반하여, 상기 가중치 정보는 RRC(radio resource control) 시그널링을 통해 전송되는 것을 특징으로 하는 방법. - 제2항에 있어서,
상기 제어 채널이 PDCCH이고, 상기 제어 정보가 SIB(system information block) 1과 관련됨에 기반하여, 상기 가중치 정보는 PBCH를 통해 전송되는 것을 특징으로 하는 방법. - 제2항에 있어서,
상기 제어 채널이 PDCCH이고, 상기 제어 정보가 SIB 1 이외의 다른 SIB와 관련됨에 기반하여, 상기 가중치 정보는 상기 SIB 1에 포함되는 것을 특징으로 하는 방법. - 제1항에 있어서,
상기 PBCH의 반복 전송 횟수가 M이고, 상기 M은 2 이상의 정수임에 기반하여, M개의 서로 다른 상기 가중치가 결정되는 것을 특징으로 하는 방법. - 제1항에 있어서,
상기 가중치는 상기 PBCH에 대한 최소 코드 레이트(minimum code rate)에 기반하여 결정되는 것을 특징으로 하는 방법. - 제8항에 있어서,
상기 기지국은 상기 최소 코드 레이트에 기반하여 상기 제어 정보에 대해 레이트 매칭을 수행하는 것을 특징으로 하는 방법. - 제1항에 있어서,
상기 결정된 가중치는 상기 뉴럴 네트워크 전송기에 대한 전송 가중치 및 뉴럴 네트워크 수신기에 대한 수신 가중치를 포함하고,
상기 뉴럴 네트워크 수신기는 상기 단말에 포함하는 것을 특징으로 하는 방법. - 제1항에 있어서,
상기 기지국 및 상기 단말은 오토인코더(autoencoder)를 구성하는 것을 특징으로 하는 방법. - 제1항에 있어서
상기 단말은 엣지 장치이고, 상기 기지국은 엣지 서버인 것을 특징으로 하는 방법. - 기지국은,
명령어들을 저장하는 하나 이상의 메모리;
하나 이상의 송수신기; 및
상기 하나 이상의 메모리와 상기 하나 이상의 송수신기를 연결하는 하나 이상의 프로세서를 포함하되, 상기 하나 이상의 프로세서는 상기 명령어들을 실행하여,
랜덤 접속 프리앰블을 단말로부터 수신하고,
상기 랜덤 접속 프리앰블에 대한 응답으로 랜덤 접속 응답을 상기 단말에게 전송하고, 및
제어 정보를 전송할 제어 채널의 종류 및 가중치에 기반하여 상기 뉴럴 네트워크 전송기를 통해 상기 단말에게 상기 제어 정보를 전송하되, 상기 제어 채널이 PBCH(physical broadcast channel)임에 기반하여, 상기 가중치는 상기 PBCH의 반복 전송 횟수와 동일한 수의 서로 다른 가중치가 설정되고, 상기 제어 채널이 PDCCH(physical downlink control channel)임에 기반하여, 상기 가중치는 최대 집성 레벨(aggregation level: AL)에 기반하여 설정되고,
상기 제어 정보는 상기 가중치를 이용하는 상기 뉴럴 네트워크 전송기를 통해 전송되고,
상기 제어 채널이 PBCH임에 기반하여, 상기 제어 정보는 상기 PBCH의 반복 전송 횟수마다 서로 다른 가중치가 설정된 상기 뉴럴 네트워크 전송기를 통해 반복 전송되고, 및
상기 제어 채널이 PDCCH임에 기반하여, 상기 기지국은 상기 제어 정보를 입력 정보로 갖는 상기 뉴럴 네트워크 전송기에 기반하여 출력 정보를 생성하고, 상기 제어 정보에 대해 설정된 집성 레벨에 기반하여 상기 출력 정보에 대해 레이트 매칭(rate matching)을 수행하는 것을 특징으로 하는 기지국. - 적어도 하나의 프로세서(processor)에 의해 실행됨을 기초로 하는 명령어(instruction)를 포함하는 적어도 하나의 컴퓨터로 읽을 수 있는 기록 매체(computer readable medium)에 있어서,
랜덤 접속 프리앰블을 단말로부터 수신하고,
상기 랜덤 접속 프리앰블에 대한 응답으로 랜덤 접속 응답을 상기 단말에게 전송하고, 및
제어 정보를 전송할 제어 채널의 종류 및 가중치에 기반하여 상기 뉴럴 네트워크 전송기를 통해 상기 단말에게 상기 제어 정보를 전송하되, 상기 제어 채널이 PBCH(physical broadcast channel)임에 기반하여, 상기 가중치는 상기 PBCH의 반복 전송 횟수와 동일한 수의 서로 다른 가중치가 설정되고, 상기 제어 채널이 PDCCH(physical downlink control channel)임에 기반하여, 상기 가중치는는 최대 집성 레벨(aggregation level: AL)에 기반하여 설정되고,및
상기 제어 정보는 상기 가중치를 이용하는 상기 뉴럴 네트워크 전송기를 통해 전송되고,
상기 제어 채널이 PBCH임에 기반하여, 상기 제어 정보는 상기 PBCH의 반복 전송 횟수마다 서로 다른 가중치가 설정된 상기 뉴럴 네트워크 전송기를 통해 반복 전송되고, 및
상기 제어 채널이 PDCCH임에 기반하여, 상기 프로세서는 상기 제어 정보를 입력 정보로 갖는 상기 뉴럴 네트워크 전송기에 기반하여 출력 정보를 생성하고, 상기 제어 정보에 대해 설정된 집성 레벨에 기반하여 상기 출력 정보에 대해 레이트 매칭(rate matching)을 수행하는 것을 특징으로 하는 장치. - 기지국을 제어하도록 설정된 장치(apparatus)에 있어서, 상기 장치는,
하나 이상의 프로세서; 및
상기 하나 이상의 프로세서에 의해 실행 가능하게 연결되고, 및 명령들을 저장하는 하나 이상의 메모리를 포함하되, 상기 하나 이상의 프로세서는 상기 명령어들을 실행하여,
랜덤 접속 프리앰블을 단말로부터 수신하고,
상기 랜덤 접속 프리앰블에 대한 응답으로 랜덤 접속 응답을 상기 단말에게 전송하고, 및
제어 정보를 전송할 제어 채널의 종류 및 가중치에 기반하여 상기 뉴럴 네트워크 전송기를 통해 상기 단말에게 상기 제어 정보를 전송하되, 상기 제어 채널이 PBCH(physical broadcast channel)임에 기반하여, 상기 가중치는 상기 PBCH의 반복 전송 횟수와 동일한 수의 서로 다른 가중치가 설정되고, 상기 제어 채널이 PDCCH(physical downlink control channel)임에 기반하여, 상기 가중치는 최대 집성 레벨(aggregation level: AL)에 기반하여 설정되고,
상기 제어 정보는 상기 가중치를 이용하는 상기 뉴럴 네트워크 전송기를 통해 전송되고,
상기 제어 채널이 PBCH임에 기반하여, 상기 제어 정보는 상기 PBCH의 반복 전송 횟수마다 서로 다른 가중치가 설정된 상기 뉴럴 네트워크 전송기를 통해 반복 전송되고, 및
상기 제어 채널이 PDCCH임에 기반하여, 상기 기지국은 상기 제어 정보를 입력 정보로 갖는 상기 뉴럴 네트워크 전송기에 기반하여 출력 정보를 생성하고, 상기 제어 정보에 대해 설정된 집성 레벨에 기반하여 상기 출력 정보에 대해 레이트 매칭(rate matching)을 수행하는 것을 특징으로 하는 장치.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2021/002187 WO2022177042A1 (ko) | 2021-02-22 | 2021-02-22 | 뉴럴 네트워크 기반 하향링크 제어 채널 송수신 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230146001A true KR20230146001A (ko) | 2023-10-18 |
Family
ID=82931993
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237022539A KR20230146001A (ko) | 2021-02-22 | 2021-02-22 | 뉴럴 네트워크 기반 하향링크 제어 채널 송수신 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20230146001A (ko) |
| WO (1) | WO2022177042A1 (ko) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11012976B2 (en) * | 2015-07-02 | 2021-05-18 | Qualcomm Incorporated | Broadcast channel repetition |
| US10904871B2 (en) * | 2017-11-29 | 2021-01-26 | Qualcomm Incorporated | Aggregation level specific PDCCH modification |
| EP3994817A1 (en) * | 2019-07-04 | 2022-05-11 | Nokia Technologies Oy | Apparatus, method and sw for harq control |
| US10945294B2 (en) * | 2019-07-12 | 2021-03-09 | Qualcomm Incorporated | Transmitting uplink control information in a two-step random access procedure |
-
2021
- 2021-02-22 KR KR1020237022539A patent/KR20230146001A/ko active Search and Examination
- 2021-02-22 WO PCT/KR2021/002187 patent/WO2022177042A1/ko active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022177042A1 (ko) | 2022-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230231653A1 (en) | Method for transmitting or receiving data in wireless communication system and apparatus therefor | |
| KR20230066020A (ko) | 통신 시스템에서 연합 학습을 수행하기 위한 방법 및 장치 | |
| KR20230066018A (ko) | 자율 주행 시스템에서 v2x 통신 장치의 강화 학습 수행 방법 | |
| EP4187986A1 (en) | Signal transmission and reception method and apparatus for terminal and base station in wireless communication system | |
| KR20230053628A (ko) | 자율 주행 시스템에서 v2x 통신 장치의 강화 학습 수행 방법 | |
| KR20230022827A (ko) | 무선 통신 시스템에서 단말 및 기지국의 신호 송수신 방법 및 장치 | |
| KR20230058400A (ko) | 선택적 가중치 전송에 기반한 연합 학습 방법 및 그 단말 | |
| KR20230039595A (ko) | 무선 통신 시스템에서 주파수 도메인 채널 추정을 위한 uw 생성 방법 및 장치 | |
| US20230325638A1 (en) | Encoding method and neural network encoder structure usable in wireless communication system | |
| US20230232278A1 (en) | Method and device for terminal and base station to transmit and receive signals in wireless communication system | |
| US20240106507A1 (en) | Method and device for adapting learning class-based system to ai mimo | |
| US20230389001A1 (en) | Method and device for performing feedback by terminal and base station in wireless communication system | |
| US20230275686A1 (en) | Method and apparatus for performing channel coding by user equipment and base station in wireless communication system | |
| US20230179327A1 (en) | Method and apparatus for transmitting and receiving signals of user equipment and base station in wireless communication system | |
| KR20230056622A (ko) | 무선 통신 시스템에서 단말 및 기지국의 신호 송수신 방법 및 장치 | |
| KR20230062553A (ko) | 압축 연합 학습 수행 방법 및 장치 | |
| KR20230058046A (ko) | 무선 통신 시스템에서 단말 및 기지국의 신호 송수신 방법 및 장치 | |
| KR20230052844A (ko) | 무선 통신 시스템에서 단말 및 기지국의 신호 송수신 방법 및 장치 | |
| KR20230031892A (ko) | 오토 인코더를 이용하는 무선 통신 시스템에서 신호를 송수신하기 위한 방법 및 이를 위한 장치 | |
| KR20230146001A (ko) | 뉴럴 네트워크 기반 하향링크 제어 채널 송수신 방법 | |
| US20240129920A1 (en) | Method and device for transmitting uplink control information on basis of neural network | |
| US20230300895A1 (en) | Hybrid transmission method and device using side information of local gradients | |
| EP4273763A1 (en) | Data partition-based modulation method and apparatus for federated learning | |
| US20230397018A1 (en) | Digital aircomp signaling | |
| EP4276705A1 (en) | Federated learning method and apparatus based on multi-antenna server and single antenna user configuration |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |