KR20230156362A - 무선 통신 시스템에서 채널 추정 및 이동성 향상을 위한 방법 및 장치 - Google Patents
무선 통신 시스템에서 채널 추정 및 이동성 향상을 위한 방법 및 장치 Download PDFInfo
- Publication number
- KR20230156362A KR20230156362A KR1020237033520A KR20237033520A KR20230156362A KR 20230156362 A KR20230156362 A KR 20230156362A KR 1020237033520 A KR1020237033520 A KR 1020237033520A KR 20237033520 A KR20237033520 A KR 20237033520A KR 20230156362 A KR20230156362 A KR 20230156362A
- Authority
- KR
- South Korea
- Prior art keywords
- channel
- reselection
- cell selection
- channel estimation
- models
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 77
- 238000004891 communication Methods 0.000 title abstract description 34
- 230000006872 improvement Effects 0.000 title description 5
- 238000013459 approach Methods 0.000 claims abstract description 49
- 230000004913 activation Effects 0.000 claims abstract description 18
- 230000009849 deactivation Effects 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims description 166
- 238000013473 artificial intelligence Methods 0.000 claims description 91
- 230000005540 biological transmission Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 26
- 238000005516 engineering process Methods 0.000 description 28
- 238000012545 processing Methods 0.000 description 27
- 230000011664 signaling Effects 0.000 description 27
- 230000006870 function Effects 0.000 description 16
- 238000010295 mobile communication Methods 0.000 description 11
- 101150096310 SIB1 gene Proteins 0.000 description 9
- 230000004048 modification Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 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
- 101100533725 Mus musculus Smr3a gene Proteins 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access
- H04W74/002—Transmission of channel access control information
- H04W74/004—Transmission of channel access control information in the uplink, i.e. towards network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/20—Monitoring; Testing of receivers
- H04B17/24—Monitoring; Testing of receivers with feedback of measurements to the transmitter
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- 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
- H04L1/0002—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate
- H04L1/0003—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate by switching between different modulation schemes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/34—Reselection control
- H04W36/38—Reselection control by fixed network equipment
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/20—Selecting an access point
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/06—TPC algorithms
- H04W52/14—Separate analysis of uplink or downlink
- H04W52/146—Uplink power control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/22—TPC being performed according to specific parameters taking into account previous information or commands
- H04W52/223—TPC being performed according to specific parameters taking into account previous information or commands predicting future states of the transmission
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
- H04W52/246—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters where the output power of a terminal is based on a path parameter calculated in said terminal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0446—Resources in time domain, e.g. slots or frames
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access
- H04W74/08—Non-scheduled access, e.g. ALOHA
- H04W74/0833—Random access procedures, e.g. with 4-step access
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/02—Processing of mobility data, e.g. registration information at HLR [Home Location Register] or VLR [Visitor Location Register]; Transfer of mobility data, e.g. between HLR, VLR or external networks
- H04W8/08—Mobility data transfer
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
- H04W8/24—Transfer of terminal data
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Electromagnetism (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Security & Cryptography (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
본 개시는 보다 높은 데이터 전송률을 지원하기 위한 5G 또는 6G 통신 시스템에 관한 것이다. UL 채널 예측, DL 채널 추정 또는 셀 선택/재선택 중 하나를 위한 ML/AI 설정 정보는 UL 채널 예측, DL 채널 추정 또는 셀 선택/재선택을 위한 ML 어프로치(ML approach)의 활성화/비활성화 중 하나 이상; UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택에 사용될 하나 이상의 ML 모델들; UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택을 위한 하나 이상의 ML 모델들에 대한 트레이닝된 모델 파라미터들; 및/또는 기지국에서 UE로부터 수신된 UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택을 위한 ML 모델 파라미터들이 사용될지 여부를 포함한다. ML/AI 설정 정보가 BS로부터 UE로 송신되며, UE는 UL 채널 예측, DL 채널 추정 또는 셀 선택/재선택을 위한 하나 이상의 ML 모델들을 업데이트하기 위한 UE 보조 정보를 BS로 송신한다.
Description
본 개시는 일반적으로 무선 통신 시스템에 관한 것이며, 보다 구체적으로는 채널 추정 및 이동성 향상을 위한 통신 장비의 기계 학습 및/또는 인공 지능에 관한 것이다.
5G 이동 통신 기술은 빠른 전송 속도와 새로운 서비스가 가능하도록, 넓은 주파수 대역을 정의하고 있으며, 3.5GHz 등 "6GHz 미만" 대역은 물론 28GHz와 39GHz 등 밀리미터파(㎜Wave)로 불리는 "6GHz 초과" 대역에서도 구현이 가능하다. 또한, 6G 이동 통신 기술의 경우(비욘드 5G 시스템이라 불리어짐), 5G 이동 통신 기술 대비 50배 빨라진 전송 속도와, 10분의 1로 줄어든 초저(Ultra Low) 레이턴시를 달성하기 위해 테라헤르츠(Terahertz) 대역(예를 들면, 95GHz 내지 3THz 대역)에서의 구현이 고려되고 있다.
5G 이동 통신 기술의 초기에는, 초광대역 서비스(enhanced Mobile BroadBand, eMBB), 고신뢰/초저지연 통신(Ultra Reliable & Low Latency Communications, URLLC), 대규모 기계식 통신(massive Machine-Type Communications, mMTC)에 대한 서비스 지원과 성능 요구 사항 만족을 목표로, mmWave에서의 전파 경로 손실 완화 및 전파 전송 거리 증가를 위한 빔포밍 및 거대 배열 다중 입출력(Massive MIMO), 초고주파수 자원의 효율적 활용을 위한 뉴머롤로지(복수 개의 서브캐리어 간격 운용 등)와 슬롯 포맷에 대한 동적 운영, 다중 빔 전송 및 광대역을 지원하기 위한 초기 액세스 기술, BWP(BandWidth Part)의 정의 및 운영, 대용량 데이터 전송을 위한 LDPC(Low Density Parity Check) 부호와 제어 정보의 신뢰성 높은 전송을 위한 폴라 코드(Polar Code)와 같은 새로운 채널 코딩 방법, L2 선-처리(L2 pre-processing), 특정 서비스에 특화된 전용 네트워크를 제공하는 네트워크 슬라이싱 등에 대한 표준화가 진행되었다.
현재, 5G 이동 통신 기술이 지원하고자 했던 서비스들을 고려하여 초기의 5G 이동 통신 기술 개선 및 성능 향상을 위한 논의가 진행 중에 있으며, 차량이 전송하는 자신의 위치 및 상태 정보에 기반하여 자율주행 차량의 주행판단을 돕고 사용자의 편의를 증대하기 위한 V2X(Vehicle-to-Everything), 비면허 대역에서 각종 규제 상 요구 사항들에 부합하는 시스템 동작을 목적으로 하는 NR-U(New Radio Unlicensed), NR UE 전력 절감, 지상 네트워크와의 통신이 불가능한 지역에서 커버리지 확보를 위한 UE-위성 직접 통신인 NTN(Non-Terrestrial Network), 포지셔닝 등의 기술에 대한 물리 계층 표준화가 진행 중이다.
또한, 타 산업과의 연계 및 융합을 통한 새로운 서비스를 지원하는 IIoT(Industrial Internet of Things), 무선 백홀 링크와 액세스 링크를 통합 지원하여 네트워크 서비스 지역 확장을 위한 노드를 제공하는 IAB(Integrated Access and Backhaul), 조건부 핸드오버 및 DAPS(Dual Active Protocol Stack) 핸드오버를 포함하는 이동성 향상, 랜덤 액세스 절차를 간소화하는 2 스텝 랜덤 액세스(2-step RACH for NR) 등의 기술에 대한 무선 인터페이스 아키텍처/프로토콜 분야의 표준화가 진행 중에 있다. 또한 네트워크 기능 가상화(Network Functions Virtualization, NFV) 및 소프트웨어 정의 네트워킹(SDN) 기술의 접목을 위한 5G 베이스라인 아키텍처(예를 들면, Service based Architecture, Service based Interface), UE 위치에 기반하여 서비스를 제공받는 모바일 엣지 컴퓨팅(Mobile Edge Computing, MEC) 등에 대한 시스템 아키텍처/서비스 분야의 표준화도 진행 중이다.
이와 같은 5G 이동 통신 시스템이 상용화될 시에, 폭발적인 증가 추세에 있는 커넥티드 기기들이 통신 네트워크에 연결될 것이며, 이에 따라 5G 이동 통신 시스템의 기능 및 성능 강화와 커넥티드 기기들의 통합 운용이 필요할 것으로 예상된다. 이를 위해, AR(Augmented Reality), VR(Virtual Reality), MR(Mixed Reality) 등을 효율적으로 지원하기 위한 확장 현실(XR), 인공 지능(Artificial Intelligence, AI) 및 기계 학습(Machine Learning, ML)을 이용한 5G 성능 개선 및 복잡도 감소, AI 서비스 지원, 메타버스 서비스 지원, 드론 통신 등에 대한 새로운 연구가 진행될 예정이다.
또한, 이러한 5G 이동 통신 시스템의 발전은 6G 이동 통신 기술의 테라헤르츠 대역에서의 커버리지 보장을 위한 신규 파형, 전차원 다중입출력(Full Dimensional MIMO:FD-MIMO), 어레이 안테나(Array Antenna), 대규모 안테나(Large Scale Antenna)와 같은 다중 안테나 전송 기술, 테라헤르츠 대역 신호의 커버리지를 개선하기 위해 메타물질(Metamaterial) 기반 렌즈 및 안테나, OAM(Orbital Angular Momentum)을 이용한 고차원 공간 다중화 기술, RIS(Reconfigurable Intelligent Surface) 기술 뿐만 아니라, 6G 이동 통신 기술의 주파수 효율 향상 및 시스템 네트워크 개선을 위한 전이중화 기술, 위성, AI(Artificial Intelligence)를 설계 단계에서부터 활용하고 종단간(End-to-End) AI 지원 기능을 내재화하여 시스템 최적화를 실현하는 AI 기반 통신 기술, UE 연산 능력의 한계를 넘어서는 복잡도의 서비스를 초고성능 통신과 컴퓨팅 자원을 활용하여 실현하는 차세대 분산 컴퓨팅 기술 등의 개발에 기반이 될 수 있을 것이다.
본 개시는 무선 통신 시스템에서 채널 추정 및 이동성 향상을 위한 방법 및 장치를 제공한다.
일 실시예에서, UL 채널 예측, DL 채널 추정 또는 셀 선택/재선택 중 하나를 위한 ML/AI 설정 정보는, UL 채널 예측, DL 채널 추정 또는 셀 선택/재선택을 위한 ML 어프로치(ML approach)의 활성화/비활성화 중 하나 이상; UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택에 사용될 하나 이상의 ML 모델들; UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택을 위한 하나 이상의 ML 모델들에 대한 트레이닝된 모델 파라미터들; 및/또는 기지국에서 UE로부터 수신된 UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택을 위한 ML 모델 파라미터들이 사용될지 여부를 포함한다. ML/AI 설정 정보가 BS로부터 UE로 송신되며, UE는 UL 채널 예측, DL 채널 추정 또는 셀 선택/재선택을 위한 하나 이상의 ML 모델들을 업데이트하기 위한 UE 보조 정보를 BS로 송신한다.
본 개시의 실시예들에 따르면, 무선 통신 시스템에서 채널 추정 및 이동성 향상을 위한 방법 및 장치가 제공된다.
본 개시 및 그 이점에 대한 보다 완전한 이해를 위해, 이제 첨부 도면과 함께 다음의 설명을 참조한다.
도 1은 본 개시의 다양한 실시예들에 따른 인공 지능 및/또는 기계 학습을 이용하는 예시적인 네트워크 시스템을 도시한 것이다.
도 2는 본 개시의 다양한 실시예들에 따른 인공 지능 및/또는 기계 학습을 이용하는 예시적인 기지국(BS)을 도시한 것이다.
도 3은 본 개시의 다양한 실시예들에 따른 인공 지능 및/또는 기계 학습을 이용하는 네트워크 컴퓨팅 시스템에서 통신하기 위한 예시적인 전자 장치를 도시한 것이다.
도 4는 본 개시의 실시예들에 따른 UL 채널 예측을 위한 AI/ML 기술들을 지원하기 위한 BS 동작의 일 예를 나타내는 예시적인 흐름도를 도시한 것이다.
도 5는 본 개시의 실시예들에 따른 UL 채널 예측을 위한 AI/ML 기술들을 지원하기 위한 UE 동작의 일 예를 나타내는 예시적인 흐름도를 도시한 것이다.
도 6은 본 개시의 실시예들에 따른 DL 채널 추정을 위한 AI/ML 기술들을 지원하기 위한 BS 동작의 일 예를 나타내는 예시적인 흐름도를 도시한 것이다.
도 7은 본 개시의 실시예들에 따른 DL 채널 추정을 위한 AI/ML 기술들을 지원하기 위한 UE 동작의 일 예를 나타내는 예시적인 흐름도를 도시한 것이다.
도 8은 본 개시의 실시예들에 따른 셀 선택/재선택을 위한 AI/ML 기술들을 지원하기 위한 BS 동작의 일 예를 나타내는 예시적인 흐름도를 도시한 것이다.
도 9는 본 개시의 실시예들에 따른 셀 선택/재선택을 위한 AI/ML 기술들을 지원하기 위한 UE 동작의 일 예를 나타내는 예시적인 흐름도를 도시한 것이다.
도 10은 본 개시의 실시예들에 따른 UE 보조 정보 보고를 위한 새로운 MAC CE의 일 예를 도시한 것이다.
도 11은 본 개시의 실시예들에 따른 기지국 구성의 블록도의 일 예를 도시한 것이다.
도 12는 본 개시의 실시예들에 따른 단말 구조의 블록도의 일 예를 도시한 것이다.
도 1은 본 개시의 다양한 실시예들에 따른 인공 지능 및/또는 기계 학습을 이용하는 예시적인 네트워크 시스템을 도시한 것이다.
도 2는 본 개시의 다양한 실시예들에 따른 인공 지능 및/또는 기계 학습을 이용하는 예시적인 기지국(BS)을 도시한 것이다.
도 3은 본 개시의 다양한 실시예들에 따른 인공 지능 및/또는 기계 학습을 이용하는 네트워크 컴퓨팅 시스템에서 통신하기 위한 예시적인 전자 장치를 도시한 것이다.
도 4는 본 개시의 실시예들에 따른 UL 채널 예측을 위한 AI/ML 기술들을 지원하기 위한 BS 동작의 일 예를 나타내는 예시적인 흐름도를 도시한 것이다.
도 5는 본 개시의 실시예들에 따른 UL 채널 예측을 위한 AI/ML 기술들을 지원하기 위한 UE 동작의 일 예를 나타내는 예시적인 흐름도를 도시한 것이다.
도 6은 본 개시의 실시예들에 따른 DL 채널 추정을 위한 AI/ML 기술들을 지원하기 위한 BS 동작의 일 예를 나타내는 예시적인 흐름도를 도시한 것이다.
도 7은 본 개시의 실시예들에 따른 DL 채널 추정을 위한 AI/ML 기술들을 지원하기 위한 UE 동작의 일 예를 나타내는 예시적인 흐름도를 도시한 것이다.
도 8은 본 개시의 실시예들에 따른 셀 선택/재선택을 위한 AI/ML 기술들을 지원하기 위한 BS 동작의 일 예를 나타내는 예시적인 흐름도를 도시한 것이다.
도 9는 본 개시의 실시예들에 따른 셀 선택/재선택을 위한 AI/ML 기술들을 지원하기 위한 UE 동작의 일 예를 나타내는 예시적인 흐름도를 도시한 것이다.
도 10은 본 개시의 실시예들에 따른 UE 보조 정보 보고를 위한 새로운 MAC CE의 일 예를 도시한 것이다.
도 11은 본 개시의 실시예들에 따른 기지국 구성의 블록도의 일 예를 도시한 것이다.
도 12는 본 개시의 실시예들에 따른 단말 구조의 블록도의 일 예를 도시한 것이다.
[최적의 모드]
본 개시는 무선 통신 시스템에서 채널 추정 및 이동성 향상을 위한 방법 및 장치를 제공한다.
UL 채널 예측, DL 채널 추정 또는 셀 선택/재선택 중 하나를 위한 ML/AI 설정 정보는 UL 채널 예측, DL 채널 추정 또는 셀 선택/재선택을 위한 ML 어프로치(ML approach)의 활성화/비활성화 중 하나 이상; UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택에 사용될 하나 이상의 ML 모델들; UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택을 위한 하나 이상의 ML 모델들에 대한 트레이닝된 모델 파라미터들; 및/또는 기지국에서 UE로부터 수신된 UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택을 위한 ML 모델 파라미터들이 사용될지 여부를 포함한다. ML/AI 설정 정보가 BS로부터 UE로 송신되며, UE는 UL 채널 예측, DL 채널 추정 또는 셀 선택/재선택을 위한 하나 이상의 ML 모델들을 업데이트하기 위한 UE 보조 정보를 BS로 송신한다.
일 실시예에서, UE는 UL 채널 예측, DL 채널 추정 또는 셀 선택/재선택 중 하나를 위한 ML/AI 설정 정보를 기지국으로부터 수신하도록 구성된 트랜시버를 포함한다. ML/AI 설정 정보는 UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택을 위한 ML 어프로치(ML approach)의 활성화/비활성화 중 하나 이상; UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택에 사용될 하나 이상의 ML 모델들; UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택을 위한 하나 이상의 ML 모델들에 대한 트레이닝된 모델 파라미터들; 및/또는 기지국에서 UE로부터 수신된 UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택을 위한 ML 모델 파라미터들이 사용될지 여부를 포함한다. 트랜시버는 UL 채널 예측, DL 채널 추정 또는 셀 선택/재선택을 위한 하나 이상의 ML 모델들을 업데이트하기 위한 UE 보조 정보를 송신하도록 구성된다. UE는 트랜시버에 동작 가능하게 커플링된 프로세서를 포함하며, 이 프로세서는 ML/AI 설정 정보에 기초하여 UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택을 위한 하나 이상의 ML 모델들을 업데이트하기 위한 UE 보조 정보를 생성하도록 구성된다.
다른 실시예에서, 방법은 UE에서 기지국으로부터, UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택 중 하나를 위한 ML/AI 설정 정보를 수신하는 단계를 포함한다. ML/AI 설정 정보는 UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택을 위한 ML 어프로치(ML approach)의 활성화/비활성화 중 하나 이상; UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택에 사용될 하나 이상의 ML 모델들; UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택을 위한 하나 이상의 ML 모델들에 대한 트레이닝된 모델 파라미터들; 및/또는 기지국에서 UE로부터 수신된 UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택을 위한 ML 모델 파라미터들이 사용될지 여부를 포함한다. 이 방법은 UE에서, ML/AI 설정 정보에 기초하여 UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택을 위한 하나 이상의 ML 모델들을 업데이트하기 위한 UE 보조 정보를 생성하는 단계를 포함한다. 이 방법은 UE로부터 기지국으로, UL 채널 예측, DL 채널 추정 또는 셀 선택/재선택을 위한 하나 이상의 ML 모델들을 업데이트하기 위한 UE 보조 정보를 송신하는 단계를 더 포함한다.
제 3 실시예에서, BS는 UL 채널 예측, DL 채널 추정 또는 셀 선택/재선택 중 하나를 위한 ML/AI 설정 정보를 UE로 송신하도록 구성된 트랜시버를 포함한다. ML/AI 설정 정보는 UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택을 위한 ML 어프로치의 활성화/비활성화 중 하나 이상; UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택에 사용될 하나 이상의 ML 모델들; UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택을 위한 하나 이상의 ML 모델들에 대한 트레이닝된 모델 파라미터들; 및/또는 기지국에서 UE로부터 수신된 UL 채널 예측, DL 채널 추정, 또는 셀 선택/재선택을 위한 ML 모델 파라미터들이 사용될지 여부를 포함한다. 트랜시버는 UL 채널 예측, DL 채널 추정 또는 셀 선택/재선택을 위한 하나 이상의 ML 모델들을 업데이트하기 위한 UE 보조 정보를 UE로부터 수신하도록 구성된다. UE는 트랜시버에 동작 가능하게 커플링되고 ML/AI 설정 정보를 생성하도록 구성된 프로세서를 포함한다.
상기 실시예들 중 어느 하나의 실시예에 있어서, UL 채널 예측을 위한 하나 이상의 ML 모델들을 업데이트하기 위한 UE 보조 정보는 예측된 UL 채널 상태에 대한 UE 추론; 예측된 채널 상태에 기초하여 후속 UL 송신을 위해 UE에 의해 자율적으로 선택되는 MCS의 MCS 인덱스; UL 채널 예측을 위한 하나 이상의 ML 모델들을 업데이트하기 위한 로컬 트레이닝에 기초하는 ML 모델 파라미터 업데이트들; 및/또는 UE에서의 로컬 데이터 중 하나 이상을 포함할 수 있다.
상기 실시예들 중 어느 하나의 실시예에 있어서, UE에서의 로컬 데이터는 UE 위치, UE 궤적/이동성, UE 속도, UE 배향, UE 배터리 레벨, 추정된 지연 및 도플러 확산, 경험한 오류율, 경험한 서비스 품질, 추정된 채널 상태, 추론 결과들, 또는 업데이트된 모델 파라미터들 중 하나 이상을 포함할 수 있다.
상기 실시예들 중 어느 하나의 실시예에 있어서, UE는 UE에서의 추론 결과에 대응하는 예측된 UL 채널 상태에 기초하여 후속 UL 송신을 위한 트랜시버에 의한 송신 전력을 자율적으로 조정하도록 구성될 수 있다. 또한 BS는 UE에서의 추론 결과에 대응하는 예측된 UL 채널 상태에 기초하여 자율적으로 조정된 송신 전력으로 트랜시버에 의해 UE로부터 후속 UL 송신을 수신하도록 구성될 수 있다.
상기 실시예들 중 어느 하나의 실시예에 있어서, UE에서 DL 채널 추정을 위한 ML/AI 어프로치가 활성화된 경우 제 1 DL 기준 신호 패턴이 지정될 수 있으며, UE에서 DL 채널 추정을 위한 ML/AI 어프로치가 비활성화된 경우 제 2 DL 기준 신호 패턴이 지정될 수 있다.
상기 실시예들 중 어느 하나의 실시예에 있어서, ML/AI 설정 정보는 셀 선택/재선택 파라미터들을 포함할 수 있다. 셀 선택/재선택에 관한 UE 보조 정보는 UE가 MAC(Medium Access Control) 제어 요소(CE)를 사용하여 비활성 모드 또는 유휴 모드 중 하나에 있는 동안 보고되도록 구성될 수 있다. 타이머가 셀 선택/재선택에 관한 UE 보조 정보의 보고 빈도를 제한할 수도 있다.
다른 기술적 특징들이 하기 도면, 설명 및 청구범위로부터 당업자에게 용이하게 명백할 수 있다.
[발명에 대한 모드]
아래의 상세한 설명에 들어가기 전에, 본 특허 명세서 전체에 걸쳐 사용되는 특정 단어 및 어구들의 정의를 기재하는 것이 도움이 될 수 있다. 용어 "커플(couple)" 및 그 파생어는 둘 이상의 요소가 서로 물리적으로 접촉하고 있는지 여부에 관계없이 둘 이상의 요소 사이의 직접 또는 간접 통신을 나타낸다. 용어 "송신(transmit)", "수신(receive)" 및 "통신(communicate)" 그리고 그 파생어는 직접 통신 및 간접 통신 모두를 포함한다. 용어 "포함한다(include)" 및 "구성한다(comprise)" 그리고 그 파생어는 제한이 아닌 포함을 의미한다. 용어 "또는(or)"은 포괄적 용어로써, '및/또는'을 의미한다. 어구 "~와 관련되다(associated with)" 및 그 파생어는 ~을 포함한다(include), ~에 포함된다(be included within), ~와 결합하다(interconnect with), ~을 함유하다(contain), ~에 함유되어 있다(be contained within), ~에 연결한다(connect to or with), ~와 결합하다(couple to or with), ~ 전달한다(be communicable with), 와 협력하다(cooperate with), ~를 끼우다(interleave), ~을 나란히 놓다(juxtapose), ~에 인접하다(be proximate to), 구속하다/구속되다(be bound to or with), 소유하다(have), 속성을 가지다(have a property of), ~와 관계를 가지다(have a relationship to or with) 등을 의미한다. 용어 "컨트롤러(controller)"는 적어도 하나의 동작을 제어하는 어떤 장치, 시스템 또는 그 일부를 의미한다. 이러한 컨트롤러는 하드웨어 또는 하드웨어와 소프트웨어의 조합 및/또는 펌웨어로 구현될 수 있다. 특정 컨트롤러와 관련된 기능은 로컬 또는 원격으로 중앙 집중식으로 처리(centralized)되거나 또는 분산식으로 처리(distributed)될 수 있다. 어구 "적어도 하나"는, 그것이 항목들의 나열과 함께 사용될 경우, 나열된 항목들 중 하나 이상의 상이한 조합이 사용될 수 있음을 의미한다. 예를 들어, "A, B 및 C 중 적어도 하나"는 A, B, C, A 및 B, A 및 C, B 및 C, 및 A 및 B 및 C의 조합 중 임의의 것을 포함한다. 마찬가지로, "세트"라는 용어는 하나 이상을 의미한다. 따라서, 항목들의 세트는 단일 항목 또는 둘 이상의 항목 모음일 수 있다.
또한, 아래에서 설명되는 다양한 기능들은 하나 이상의 컴퓨터 프로그램에 의해 구현되거나 지원될 수 있으며, 이들 각각은 컴퓨터 판독 가능한 프로그램 코드로 형성되고 컴퓨터 판독 가능한 매체에 구현된다. 용어 "애플리케이션" 및 "프로그램"은 하나 이상의 컴퓨터 프로그램, 소프트웨어 컴포넌트, 명령어 세트, 프로시저, 함수, 객체, 클래스, 인스턴스, 관련 데이터, 혹은 적합한 컴퓨터 판독 가능한 프로그램 코드에서의 구현용으로 구성된 그것의 일부를 지칭한다. 어구 "컴퓨터 판독 가능한 프로그램 코드"는 소스 코드, 오브젝트 코드, 및 실행 가능한 코드를 포함하는 컴퓨터 코드의 종류를 포함한다. 어구 "컴퓨터 판독 가능한 매체"는 ROM(read only memory), RAM(random access memory), 하드 디스크 드라이브, 컴팩트 디스크(CD), 디지털 비디오 디스크(DVD), 혹은 임의의 다른 타입의 메모리와 같은, 컴퓨터에 의해 액세스될 수 있는 임의의 타입의 매체를 포함한다. "비-일시적인" 컴퓨터 판독 가능한 매체는 유선, 무선, 광학, 일시적인 전기적 또는 다른 신호들을 전달시키는 통신 링크를 제외한다. 비일시적 컴퓨터 판독 가능한 매체는 데이터가 영구적으로 저장되는 매체 그리고 재기록이 가능한 광디스크 또는 소거 가능한 메모리 장치와 같은, 데이터가 저장되어 나중에 덮어 씌어지는 매체를 포함한다.
다른 특정 단어 및 어구에 대한 정의가 이 특허 명세서 전반에 걸쳐 제공된다. 당업자는 대부분의 경우가 아니더라도 다수의 경우에 있어서, 이러한 정의는 종래에 뿐만 아니라 그러한 정의된 단어 및 어구의 향후 사용에 적용될 수 있음을 이해해야 한다.
본 명세서에 포함된 도면 및 본 개시의 원리들을 설명하기 위해 사용된 다양한 실시예들은 단지 설명을 위한 것이며 어떠한 방식으로도 본 개시의 범위를 제한하는 것으로 해석되어서는 안 된다. 또한, 당업자는 본 개시의 원리가 적절하게 구성된 임의의 무선 통신 시스템에서 구현될 수 있음을 이해할 것이다.
약어:
ML: Machine Learning
AI
: Artificial Intelligence
gNB: Next Generation Node B
BS
: Base Station
UE
: User Equipment
NR
: New Radio
3GPP: 3rd Generation Partnership Project
SIB: System Information Block
DCI: Downlink Control Information
PDCCH: Physical Downlink Control Channel
PDSCH: Physical Downlink Shared Channel
PUCCH: Physical Uplink Control Channel
PUSCH: Physical Uplink Shared Channel
RRC: Radio Resource Control
DL: Downlink
UL: Uplink
LTE: Long-Term Evolution
BWP: Bandwidth Part
MCS: Modulation and Coding Scheme
최근 인공 지능(artificial intelligence, AI) 또는 기계 학습(machine learning, ML)의 발전은 다양한 응용 분야에서 새로운 기회를 가져왔다. 무선 통신은 복잡한 문제를 해결하고 시스템 성능을 개선하기 위해 AI/ML 기술들을 활용하기 시작한 이러한 영역들 중 하나이다. 본 개시는 일반적으로 무선 통신 시스템에 관한 것이며, 보다 구체적으로는 무선 통신 시스템에서 채널 추정 및 이동성 동작을 위한 AI/ML 기술들을 지원하는 것에 관한 것이다. 무선 통신 시스템에서 채널 추정 및 이동성 동작을 위한 AI/ML 기술들을 지원하는 전체 프레임워크 및 대응하는 시그널링 세부 사항이 본 개시에서 논의된다.
본 개시는 통신 시스템에서 AI/ML 기술들의 지원에 관한 것이다. 채널 추정 및 이동성 동작들을 위한 AI/ML 어프로치(approach)들의 구성을 위한 기술, 장치 및 방법, 특히 다양한 AI/ML 알고리즘 및 대응하는 모델 파라미터에 대한 세부 구성 방법, 및 채널 추정 및 이동성 동작들을 위해 시스템의 다양한 구성 요소들에서 트레이닝 및 추론 동작들을 지원하기 위한 시그널링 방법이 논의되었다.
본 개시의 양태, 특징 및 이점은 단순히 다수의 특정 실시예 및 구현을 예시하는 것에 의해, 다음의 상세한 설명으로부터 쉽게 명백해진다. 본 개시의 주제는 다른 상이한 실시예들이 가능하며, 몇몇 세부 사항은 모두 본 개시의 사상 및 범위를 벗어나지 않고 다양한 명백한 측면들에서 수정될 수 있다. 따라서, 도면 및 설명은 제한적인 것이 아니라 본질적으로 예시적인 것으로 간주되어야 한다. 본 개시는 첨부 도면에서 제한이 아닌 예로서 도시되어 있다.
본 명세서 전반에 걸쳐, 도 1, 도 2 등과 같은 모든 도면은 본 개시의 실시예들에 따른 예들을 도시한 것이다. 각각의 도면에 있어서, 도면에 도시된 대응하는 실시예는 단지 설명을 위한 것이다. 각 도면에 도시된 하나 이상의 구성 요소는 언급된 기능을 수행하도록 구성된 특수 회로로 구현될 수 있거나, 하나 이상의 구성 요소는 언급된 기능을 수행하기 위한 명령어들을 실행하는 적어도 하나의 프로세서에 의해 구현될 수 있다. 본 개시의 범위를 벗어나지 않고 다른 실시예들이 사용될 수 있다. 또한, 도면의 설명은 상이한 실시예들이 구현될 수 있는 방식에 대한 물리적 또는 구조적 제한을 나타내는 것을 의미하지 않는다. 본 개시의 상이한 실시예들은 임의의 적절하게 구성된 통신 시스템에서 구현될 수 있다.
아래의 흐름도들은 본 개시의 원리들에 따라 구현될 수 있는 예시적인 방법들을 도시한 것이며 다양한 변경 및 수정이 여기의 흐름도들에 예시된 방법들에 대하여 이루어질 수 있다. 예를 들어, 일련의 단계들로 도시되어 있지만 각 도면의 다양한 단계들은 중첩되거나 병렬로 발생하거나 다른 순서로 발생하거나 여러 번 발생할 수 있다. 다른 예에서, 단계들은 생략되거나 다른 단계들로 대체될 수도 있다.
도 1은 본 개시의 다양한 실시예들에 따른 채널 추정 및 이동성 향상에서 인공 지능 및/또는 기계 학습을 이용하는 예시적인 네트워크 시스템을 도시한 것이다. 도 1에 도시된 무선 네트워크의 실시예는 단지 설명을 위한 것이다. 무선 네트워크(100)에 대한 다른 실시예들이 본 개시의 범위를 일탈하지 않는 범위 내에서 사용될 수 있다.
도 1에 도시된 바와 같이, 무선 네트워크(100)는 BS(base station)(101), BS(102) 및 BS(103)를 포함한다. BS(101)는 BS(102) 및 BS(103)와 통신한다. BS(101)는 또한 인터넷, 독점 IP 네트워크 또는 다른 데이터 네트워크와 같은 적어도 하나의 인터넷 프로토콜(Internet Protocol, IP) 네트워크(130)와 통신한다.
BS(102)는 BS(102)의 커버리지 영역(120) 내에 있는 제 1 복수의 사용자 단말(UE)들에게, 네트워크(130)에의 무선 광대역 액세스를 제공한다. 제 1 복수의 UE는 소기업(small business; SB)에 위치될 수 있는 UE(111); 기업(enterprise; E)에 위치될 수 있는 UE(112); WiFi 핫스팟(HS)에 위치될 수 있는 UE(113); 제 1 거주지(R1)에 위치될 수 있는 UE(114); 제 2 거주지(R2)에 위치될 수 있는 UE(115); 및 셀 폰, 무선 랩탑, 무선 PDA 등과 같은 모바일 장치(M)일 수 있는 UE(116)를 포함한다. BS(103)는 BS(103)의 커버리지 영역(125) 내에 있는 제 2 복수의 UE들에게, 네트워크(130)에의 무선 광대역 액세스를 제공한다. 제 2 복수의 UE들은 UE(115) 및 UE(116)를 포함한다. 몇몇 실시예들에서, BS들(101-103) 중 하나 이상의 BS들은 5G, LTE, LTE-A(LTE Advanced), WiMAX, WiFi, NR 또는 다른 무선 통신 기술들을 사용하여 서로 간에 및 UE들(111-116)과 통신할 수 있다.
네트워크 타입에 따라, "기지국" 또는 "BS" 대신에 노드 B, 진화된 노드 B("eNodeB" 또는 "eNB"), 5G 노드 B("gNodeB" 또는 "gNB") 또는 "액세스 포인트"와 같은 다른 잘 알려진 용어가 사용될 수 있다. 편의를 위해, "기지국" 및/또는 "BS"라는 용어는 원격 단말에 무선 액세스를 제공하는 네트워크 인프라스트럭처 구성 요소를 지칭하기 위해 본 개시에서 사용된다. 또한, 네트워크의 타입에 따라 "사용자 단말" 또는 "UE" 대신에 "이동국"(또는 "MS"), "가입자국"(또는 "SS"), "원격 단말", "무선 단말" 또는 "사용자 장치"와 같은 다른 잘 알려진 용어가 사용될 수 있다. 편의를 위해, "사용자 단말" 및 "UE"라는 용어는, UE가 이동 장치(예컨대, 휴대 전화기 또는 스마트 폰)이든 일반적으로 고려되는 고정 장치(예컨대, 데스크탑 컴퓨터 또는 벤딩 머신)이든 간에, BS에 무선으로 액세스하는 원격 무선 장비를 지칭하는 것으로 본 특허 명세서에서는 사용된다.
점선은 예시 및 설명만을 위해 거의 원형으로 도시되는 커버리지 영역(120 및 125)의 대략적인 범위를 보여준다. BS들과 연관된 커버리지 영역들, 예를 들어 커버리지 영역들(120 및 125)은 BS들의 구성, 및 자연 및 인공 장애물들과 관련된 무선 환경의 변화에 따라, 불규칙한 형태들을 포함하는 다른 형태들을 가질 수 있음을 명확하게 이해해야 한다.
도 1이 무선 네트워크(100)의 일 예를 도시하고 있지만, 다양한 변경들이 도 1에 대하여 이루어질 수 있다. 예를 들어, 무선 네트워크(100)는 임의의 적절한 배열로 임의의 개수의 BS들 및 임의의 개수의 UE들을 포함할 수 있다. 또한, BS(101)는 임의의 개수의 UE들과 직접 통신하여, 이 UE들에게 네트워크(130)로의 무선 광대역 액세스를 제공할 수 있다. 유사하게, 각각의 BS(102-103)는 네트워크(130)와 직접 통신하여, UE들에게 네트워크(130)로의 직접 무선 광대역 액세스를 제공할 수 있다. 또한, BS들(101, 102, 및/또는 103)은 외부 전화 네트워크들 또는 다른 타입의 데이터 네트워크들과 같은 다른 또는 추가의 외부 네트워크들에의 액세스를 제공할 수 있다.
도 2는 본 개시의 다양한 실시예들에 따른 채널 추정 및 이동성 향상에서 인공 지능 및/또는 기계 학습을 이용하는 예시적인 기지국(BS)을 도시한 것이다. 도 2에 도시된 BS(200)의 실시예는 단지 설명을 위한 것이며, 도 1의 BS들(101, 102 및 103)은 동일하거나 유사한 구성을 가질 수 있다. 그러나, BS들은 각종의 다양한 구성들로 이루어지며, 도 2는 BS에 대한 임의의 특정 구현으로 본 개시의 범위를 제한하지 않는다.
도 2에 도시된 바와 같이, BS(200)는 복수의 안테나들(280a-280n), 복수의 RF(radio frequency) 트랜시버들(282a-282n), 송신(TX 또는 Tx) 처리 회로(284), 및 수신(RX 또는 Rx) 처리 회로(286)를 포함한다. 또한, BS(200)는 컨트롤러/프로세서(288), 메모리(290), 및 백홀 또는 네트워크 인터페이스(292)를 포함한다.
RF 트랜시버들(282a-282n)은, 안테나들(280a-280n)로부터, 네트워크(100) 내에서 UE들에 의해 송신되는 신호들과 같은 내향(incoming) RF 신호들을 수신한다. RF 트랜시버들(282a-282n)은 내향 RF 신호들을 하향 변환(down-convert)하여, IF 또는 기저대역 신호들을 생성한다. IF 또는 기저대역 신호들은, 기저대역 또는 IF 신호들을 필터링하고, 디코딩하고, 및/또는 디지털화하는 것에 의하여 처리된 기저대역 신호들을 생성하는 RX 처리 회로(286)로 송신된다. RX 처리 회로(286)는 처리된 기저 대역 신호를 추가의 처리를 위해 컨트롤러/프로세서(288)로 송신한다.
TX 처리 회로(284)는 컨트롤러/프로세서(288)로부터 (음성 데이터(voice data), 웹 데이터, 이메일 또는 대화형 비디오 게임 데이터(interactive video game data)와 같은) 아날로그 또는 디지털 데이터를 수신한다. TX 처리 회로(284)는, 외향(outgoing) 기저대역 데이터를 인코딩, 멀티플렉싱, 및/또는 디지털화하여, 처리된 기저대역 또는 IF 신호들을 생성한다. RF 트랜시버(282a-282n)는 TX 처리 회로(284)로부터 외향 처리된 기저 대역 또는 IF 신호를 수신하고, 기저 대역 또는 IF 신호를 안테나(280a-280n)를 통해 송신되는 RF 신호로 상향 변환한다.
컨트롤러/프로세서(288)는 BS(200)의 전반적인 동작을 제어하는 하나 이상의 프로세서들 또는 다른 처리 장치들을 포함할 수 있다. 예를 들어, 컨트롤러/프로세서(288)는, 잘 알려진 원리들에 따라 RF 트랜시버들(282a-282n), RX 처리 회로(286), 및 TX 처리 회로(284)에 의해 순방향 채널 신호들의 수신 및 역방향 채널 신호들의 송신을 제어할 수 있다. 컨트롤러/프로세서(288)는 아래에서 더 자세히 설명되는 더 진보된 무선 통신 기능 및/또는 프로세스와 같은 추가 기능도 지원할 수 있다. 예를 들어, 컨트롤러/프로세서(288)는 복수의 안테나들(280a-280n)로부터의 외향 신호들이 원하는 방향으로 효과적으로 조종하기 위해 다르게 가중 처리되는 빔포밍 또는 지향성 라우팅 동작들을 지원할 수 있다. 다양한 다른 기능 중 임의의 것이 컨트롤러/프로세서(288)에 의해 BS(200)에서 지원될 수 있다. 일부 실시예들에서, 컨트롤러/프로세서(288)는 적어도 하나의 마이크로프로세서 또는 마이크로컨트롤러를 포함한다.
컨트롤러/프로세서(288)는 또한 기본 OS(operating system)와 같은 메모리(290)에 상주하는 프로그램 및 다른 프로세스를 실행할 수 있다. 컨트롤러/프로세서(288)는 실행 프로세스에 의한 요구에 따라 메모리(290) 내로 또는 메모리(380) 밖으로 데이터를 이동할 수 있다.
컨트롤러/프로세서(288)는 백홀 또는 네트워크 인터페이스(292)에도 연결된다. 백홀 또는 네트워크 인터페이스(292)는, BS(200)가 백홀 연결을 통해 또는 네트워크를 통해 다른 장치들 또는 시스템들과 통신하는 것을 가능하게 한다. 인터페이스(292)는 임의의 적절한 유선 또는 무선 연결(들)을 통한 통신들을 지원할 수 있다. 예를 들어, BS(200)가 셀룰러 통신 시스템(예컨대, 6G, 5G, LTE, 또는 LTE-A를 지원하는 것)의 일부로서 구현되는 경우, 인터페이스(292)는, BS(200)가 유선 또는 무선 백홀 연결을 통해 다른 BS들과 통신하는 것을 가능하게 할 수 있다. BS(200)가 액세스 포인트로서 구현되는 경우, 인터페이스(292)는, BS(200)가 유선 또는 무선 로컬 영역 네트워크를 통해 또는 유선 또는 무선 연결을 통해 더 큰 네트워크(예컨대, 인터넷)로 송신하는 것을 가능하게 한다. 인터페이스(292)는 유선 또는 무선 연결, 예를 들어 이더넷 또는 RF 트랜시버를 통한 통신들을 지원하는 임의의 적절한 구조를 포함한다.
메모리(290)는 컨트롤러/프로세서(288)와 결합된다. 메모리(290)의 일부는 RAM을 포함할 수 있으며, 메모리(290)의 다른 일부는 플래시 메모리 또는 다른 ROM을 포함할 수 있다.
아래에서 더 자세히 설명하는 바와 같이, 네트워크 컴퓨팅 시스템의 기지국들은 다른 이웃 BS들과의 간섭 관계들에 따라 동기화 소스 BS 또는 슬레이브 BS로서 할당될 수 있다. 일부 실시예들에서, 이 할당은 공유 스펙트럼 관리자에 의해 제공될 수 있다. 다른 실시예들에서, 이 할당은 네트워크 컴퓨팅 시스템의 BS들에 의해 동의될 수 있다. 동기화 소스 BS들은 슬레이브 BS들의 송신 타이밍을 설정하기 위해 OSS를 슬레이브 BS들로 송신한다.
도 2가 BS(200)의 일 예를 도시하고 있지만, 다양한 변경들이 도 2에 대하여 이루어질 수 있다. 예를 들어, BS(200)는 도 2에 나타낸 각 컴포넌트에 대한 임의의 개수를 포함할 수 있다. 일 특정 예로서, 액세스 포인트는 다수의 인터페이스들(292)을 포함할 수 있고, 컨트롤러/프로세서(288)는 상이한 네트워크 주소들 사이에서 데이터를 라우팅하는 라우팅 기능들을 지원할 수 있다. 다른 특정 예로서, 단일 인스턴스의 TX 처리 회로(284) 및 단일 인스턴스의 RX 처리 회로(286)를 포함하는 것으로 도시되어 있지만, BS(200)는 각각에 대한 복수의 인스턴스들을 포함할 수 있다(예컨대, RF 트랜시버당 하나). 또한, 도 2의 각종 컴포넌트들이 조합되거나, 더 세분화되거나, 생략될 수 있으며, 특정 필요들에 따라 추가의 컴포넌트들이 부가될 수도 있다.
도 3은 본 개시의 다양한 실시예들에 따른 채널 추정 및 이동성 향상에서 인공 지능 및/또는 기계 학습을 이용하는 네트워크 컴퓨팅 시스템에서 통신하기 위한 예시적인 전자 장치를 도시한 것이다. 도 3에 도시된 UE(116)의 실시예는 단지 설명을 위한 것이며, 도 1의 UE들(111-115 및 117-119)은 동일하거나 유사한 구성을 가질 수 있다. 그러나, UE들은 각종의 다양한 구성들로 이루어지며, 도 3은 UE에 대한 임의의 특정 구현으로 본 개시의 범위를 제한하지 않는다.
도 3에 도시된 바와 같이, UE(116)는 안테나(301), 무선 주파수(radio frequency, RF) 트랜시버(302), TX 처리 회로(303), 마이크로폰(304), 및 수신(RX) 처리 회로(305)를 포함한다. 또한, UE(116)는 스피커(306), 컨트롤러 또는 프로세서(307), 입/출력(I/O) 인터페이스(IF)(308), 터치스크린 디스플레이(310) 및 메모리(311)를 포함한다. 메모리(311)는 OS(312) 및 하나 이상의 애플리케이션들(313)을 포함한다.
RF 트랜시버(302)는 네트워크(100)의 gNB에 의해 송신되는 내향 RF 신호를 안테나(301)로부터 수신한다. RF 트랜시버(302)는 수신 RF 신호를 하향 변환하여 IF나 기저대역 신호를 생성한다. IF 또는 기저대역 신호는, 그 기저대역 또는 IF 신호를 필터링하고, 디코딩하고, 및/또는 디지털화하는 것에 의해 처리된 기저대역 신호를 생성하는 RX 처리 회로(305)로 송신된다. RX 처리 회로(305)는 그 처리된 기저대역 신호를, 스피커(306)로 송신하거나(예컨대, 음성 데이터), 또는 추가 처리를 위해 프로세서(307)로 송신한다(예컨대, 웹 브라우징 데이터).
TX 처리 회로(303)는 마이크로폰(304)으로부터 아날로그 또는 디지털 음성 데이터를 수신하거나 또는 프로세서(307)로부터 다른 외향 기저대역 데이터(예컨대, 웹 데이터, 이-메일, 또는 쌍방향 비디오 게임 데이터)를 수신한다. TX 처리 회로(303)는 그 외향 기저대역 데이터를 인코딩, 멀티플렉싱, 및/또는 디지털화하여, 처리된 기저대역 또는 IF 신호를 생성한다. RF 트랜시버(302)는 TX 처리 회로(303)로부터 외향 처리된 기저대역 또는 IF 신호를 수신하고, 기저대역 또는 IF 신호를 안테나(301)를 통해 송신되는 RF 신호로 상향 변환한다.
프로세서(307)는 하나 이상의 프로세서들 또는 다른 처리 장치들을 포함할 수 있으며, 메모리(311)에 저장된 OS(312)를 실행함으로써 UE(116)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(307)는 잘 알려진 원리들에 따라 RF 트랜시버(302), RX 처리 회로(305), 및 TX 처리 회로(303)에 의해 순방향 채널 신호들의 수신 및 역방향 채널 신호들을 송신을 제어할 수 있다. 몇몇 실시예들에서, 프로세서(307)는 적어도 하나의 마이크로프로세서 또는 마이크로컨트롤러를 포함한다.
프로세서(307)는 또한 상향링크 채널에서 채널 상태 정보(CSI) 보고를 위한 프로세스들과 같은 메모리(311)에 상주하는 다른 프로세스 및 프로그램을 실행할 수 있다. 프로세서(307)는 실행 프로세스에 의한 요구에 따라 메모리(311) 내로 또는 외부로 데이터를 이동할 수 있다. 몇몇 실시예들에서, 프로세서(307)는 OS(312)에 기초하여 또는 gNB들 또는 오퍼레이터로부터 수신된 신호들에 따라 애플리케이션들(313)을 실행하도록 구성된다. 또한, 프로세서(307)는, 랩탑 컴퓨터 및 휴대용 컴퓨터와 같은 다른 장치들에 연결되는 능력을 UE(116)에게 제공하는 I/O 인터페이스(309)에 커플링되어 있다. I/O 인터페이스(309)는 이 주변기기들과 프로세서(307) 간의 통신 경로이다.
프로세서(307)는 또한 터치스크린 디스플레이(310)에 커플링된다. UE(116)의 사용자는 터치스크린 디스플레이(310)를 사용하여 UE(116)에 데이터를 입력할 수 있다. 터치스크린 디스플레이(310)는 예를 들어, 웹 사이트들로부터의 텍스트 및/또는 적어도 제한된 그래픽들을 렌더링할 수 있는 액정 표시 장치, 발광 다이오드 디스플레이, 또는 다른 디스플레이일 수 있다.
메모리(311)는 프로세서(307)에 커플링된다. 메모리(311)의 일부는 RAM을 포함할 수 있으며, 메모리(311)의 다른 일부는 플래시 메모리 또는 다른 ROM을 포함할 수 있다.
도 3이 UE(116)의 일 예를 도시하고 있지만, 다양한 변경들이 도 3에 대하여 이루어질 수 있다. 예를 들어, 도 3의 각종 컴포넌트들은 조합되거나, 더 세분화되거나, 생략될 수 있으며, 특정 필요들에 따라 추가 컴포넌트들이 부가될 수도 있다. 일 특정 예로서, 프로세서(307)는 복수의 프로세서들, 예를 들어 하나 이상의 중앙 처리 유닛(CPU)들 및 하나 이상의 그래픽 처리 유닛(GPU)들로 분할될 수 있다. 또한, 도 3이 이동 전화기나 스마트 폰과 같이 구성된 UE(116)를 도시하고 있지만, UE들은 다른 타입의 이동 또는 고정 장치들로서 동작하도록 구성될 수도 있다.
도 4는 본 개시의 실시예들에 따른 UL 채널 예측을 위한 AI/ML 기술들을 지원하기 위한 BS 동작의 일 예를 나타내는 예시적인 흐름도를 도시한 것이다.
도 4는 UL 채널 예측을 위한 AI/ML 기술들을 지원하기 위해 BS 측에서 동작하는 방법(400)의 일 예이다. 동작 401에서, BS는 UL 채널 예측을 위한 AI/ML 어프로치(AI/ML approach)의 지원을 포함하는, UE 능력 정보를 UE로부터 수신한다. 동작 402에서, BS는 UL 채널 예측을 위한 ML 어프로치의 활성화/비활성화, 사용되는 ML 모델, 트레이닝된 모델 파라미터들, 및/또는 UE에 의해 보고된 모델 파라미터 업데이트들이 사용될지 여부와 같은 AI/ML 관련 설정 정보를 포함할 수 있는 설정 정보를 UE에 송신한다. 일 실시예에서, 모델 트레이닝은 BS 측에서 수행될 수 있다. 대안적으로는, 모델 트레이닝이 다른 네트워크 엔티티(예를 들어, O-RAN에서 정의된 RAN 지능형 컨트롤러)에서 수행될 수 있으며, 트레이닝된 모델 파라미터들이 BS로 송신될 수 있다. 또 다른 실시예에서는, 모델 트레이닝이 오프라인으로 수행될 수 있으며(예를 들어, 모델 트레이닝이 네트워크 외부에서 수행됨), 트레이닝된 모델 파라미터들이 BS 또는 네트워크 엔티티로 송신될 수 있다. 설정 정보의 일부 또는 전부는 예를 들어 MIB, SIB1 또는 다른 SIB와 같은 시스템 정보에 의해, 셀 특정 정보의 일부로서 브로드캐스트될 수 있다. 대안적으로는, 설정 정보의 일부 또는 전부가 UE 특정 시그널링 또는 그룹 특정 시그널링으로서 송신될 수도 있다. 시그널링 방법에 대한 보다 상세한 내용이 아래에서 설명된다. 동작 106에서, BS는 하나 또는 다수의 UE로부터 보조 정보(assistance information)를 수신한다. 보조 정보는 후술하는 바와 같은, UL 채널 상태에 대한 UE 추론 결과, MCS 선택, 및/또는 모델 업데이트에 사용될 수 있는 ML 모델 파라미터 업데이트들을 포함할 수 있다.
도 5는 본 개시의 실시예들에 따른 UL 채널 예측을 위한 AI/ML 기술들을 지원하기 위한 UE 동작의 일 예를 나타내는 예시적인 흐름도를 도시한 것이다.
도 5는 UL 채널 예측을 위한 AI/ML 기술들을 지원하기 위해 UE 측에서 동작하는 방법(500)의 일 예를 도시한 것이다. 동작 501에서, UE는 UL 채널 예측을 위한 ML 어프로치의 지원을 포함하는 능력 정보를 BS에게 보고한다. 동작 502에서, UE는 UL 채널 예측을 위한 ML 어프로치의 활성화/비활성화, 사용되는 ML 모델, 트레이닝된 모델 파라미터들 및/또는 UE에 의해 보고된 모델 파라미터 업데이트들이 사용될 것인지 여부와 같은 설정 정보를 수신한다. 설정 정보의 일부 또는 전부는 예를 들어 MIB, SIB1 또는 다른 SIB와 같은 시스템 정보에 의해, 셀 특정 정보의 일부로서 브로드캐스트될 수 있다. 대안적으로는, 설정 정보의 일부 또는 전부가 UE 특정 시그널링 또는 그룹 특정 시그널링으로서 송신될 수도 있다. 시그널링 방법에 대한 보다 상세한 내용이 아래에서 설명된다. 동작 503에서, UE는 수신된 설정 정보 및 로컬 데이터(UE 위치, UE 궤적, 추정된 채널 상태, 추론 결과 또는 업데이트된 모델 파라미터들 중 하나 이상을 포함할 수 있음)에 기초하여 추론을 수행한다. 예를 들어, UE는 설정된 ML 모델 및 모델 파라미터들에 따라, 추정된 DL 채널(예를 들어, DL CSI 기준 신호(CSI-RS)들 또는 복조 기준 신호(DMRS)들에 기초하여), BS 위치 및/또는 UE 위치 등과 같은 BS로부터 송신된 데이터 및/또는 로컬 데이터를 사용하여, 추론 동작을 수행한다. 일 예에서, 추론 결과는 예측된 UL 채널 상태일 수 있다. 예측된 UL 채널 상태에 기초하여, UE는 MCS 인덱스를 자율적으로 선택하고/하거나 그에 따라 송신 전력을 조정할 수 있다. 다른 예에서, 추론 결과는 후속 UL 송신을 위한 MCS 인덱스 및/또는 송신 전력일 수 있다. 동작 504에서, UE는 보조 정보를 BS로 송신한다. 보조 정보는 후술하는 바와 같은 모델 업데이트에 사용될 수 있는, UE에서의 로컬 데이터, UL 채널 상태와 같은 추론 결과들, MCS 선택 및/또는 로컬 트레이닝에 기초하여 업데이트된 모델 파라미터들 등과 같은 정보를 포함할 수 있다. 일 예에서, 연합 학습(federated learning) 어프로치가 미리 정의되거나 설정될 수 있으며, 여기서 UE는 설정에 따라(예를 들어, UE로부터 송신된 업데이트된 모델 파라미터들이 사용되는지 여부에 따라), UE에서 이용 가능한 로컬 데이터에 기초하여 모델 트레이닝을 수행하고 업데이트된 모델 파라미터들을 보고할 수 있다.
UE가 추론 결과에 기초하여 UL 송신을 위한 MCS 인덱스를 자율적으로 선택하는 실시예의 경우, MCS 인덱스는 PUCCH 또는 PUSCH 송신에서 전달되는 UCI의 일부로서 보고될 수 있다. 예를 들어, UCI는 PUSCH에서 다중화될 수 있으며, 여기서 UCI의 일부가 PUSCH에 대해 선택된 MCS 인덱스를 전달한다. UCI 송신을 위한 MCS 인덱스는 미리 정의되거나 RRC 시그널링을 통해 반정적으로 설정될 수 있다. BS는 먼저 UCI를 디코딩할 수 있고, 이 UCI가 BS 측에서 기지의(known) MCS와 함께 미리 정의된 자원 요소(RE)에서 송신될 수 있으며, 검출된 정보에 기초하여, 해당 MCS가 이 PUSCH에서 나머지 UL 데이터 수신에 사용될 수 있다.
일 실시예에서는, AI/ML 기술들이 DL 채널 추정을 위해 사용될 수 있다.
도 6은 본 개시의 실시예들에 따른 DL 채널 추정을 위한 AI/ML 기술들을 지원하기 위한 BS 동작의 일 예를 나타내는 예시적인 흐름도를 도시한 것이다.
도 6은 DL 채널 추정을 위한 AI/ML 기술들을 지원하기 위해 BS 측에서 동작하는 방법(600)의 일 예이다. 동작 601에서, BS는 DL 채널 추정을 위한 AI/ML 어프로치의 지원을 포함하는 UE 능력 정보를 UE로부터 수신한다. 동작 602에서, BS는 설정 정보를 UE로 송신하며, 이 설정 정보는 DL 채널 추정을 위한 ML 어프로치의 활성화/비활성화, 사용되는 ML 모델, 트레이닝된 모델 파라미터들, UE에 의해 보고된 모델 파라미터 업데이트들이 사용될 것인지 여부, 및/또는 DL 기준 신호 패턴과 같은 AI/ML 관련 설정 정보를 포함할 수 있다. 예를 들어, DL 채널 추정을 위한 AI/ML 어프로치가 활성화되는 경우들과 DL 채널 추정을 위한 AI/ML 어프로치가 비활성화되는 경우들에 대해 서로 다른 DL 기준 신호(예를 들어, DMRS) 패턴들이 정의될 수 있다. 구체적으로, DL 채널 추정을 위한 AI/ML 어프로치가 활성화되는 경우들에 대해 덜 밀집된 DL 기준 신호들이 사용될 수 있다. DL 채널 추정을 위한 AI/ML 어프로치가 각각 활성화 및 비활성화되는 경우들에 대응하는, 두 세트의 DL 기준 신호 패턴들이 미리 정의될 수 있다. 그리고 DL 기준 신호 패턴들 중 하나는 AI/ML 어프로치의 활성화 또는 비활성화 여부에 따라, DL 기준 신호 패턴들의 세트로부터 설정될 수 있다. 모델 트레이닝 동작과 관련하여, 일 실시예에서, 모델 트레이닝은 BS 측에서 수행될 수 있다. 대안적으로는, 모델 트레이닝이 다른 네트워크 엔티티(예를 들어, O-RAN(Open Radio Access Network)에서 정의된 RAN 지능형 컨트롤러(RAN Intelligent Controller))에서 수행될 수도 있으며, 트레이닝된 모델 파라미터들이 BS로 송신될 수 있다. 또 다른 실시예에서는, 모델 트레이닝이 오프라인으로 수행될 수 있으며(예를 들어, 모델 트레이닝이 네트워크 외부에서 수행됨), 트레이닝된 모델 파라미터들이 BS 또는 네트워크 엔티티로 송신될 수 있다. 설정 정보의 일부 또는 전부는 예를 들어 MIB, SIB1 또는 다른 SIB와 같은 시스템 정보에 의해, 셀 특정 정보의 일부로서 브로드캐스트될 수 있다. 대안적으로는, 설정 정보의 일부 또는 전부가 UE 특정 시그널링 또는 그룹 특정 시그널링으로서 송신될 수도 있다. 시그널링 방법에 대한 보다 상세한 내용이 아래에서 설명된다. 동작 603에서, BS는 하나 또는 다수의 UE로부터 보조 정보를 수신한다. 보조 정보는 후술하는 바와 같은, 모델 업데이트에 사용될 정보를 포함할 수 있다.
도 7은 본 개시의 실시예들에 따른 DL 채널 추정을 위한 AI/ML 기술들을 지원하기 위한 UE 동작의 일 예를 나타내는 예시적인 흐름도를 도시한 것이다.
도 7은 DL 채널 추정을 위한 AI/ML 기술들을 지원하기 위해 UE 측에서 동작하는 방법(700)의 일 예이다. 동작 701에서, UE는 DL 채널 추정을 위한 AI/ML 어프로치의 지원을 포함하는 자신의 능력 정보를 BS에 보고한다. 동작 702에서, UE는 DL 채널 추정을 위한 ML 어프로치의 활성화/비활성화, DL 채널 추정에 사용되는 ML 모델, 트레이닝된 모델 파라미터들, UE에 의해 보고된 모델 파라미터 업데이트들이 사용될 것인지 여부, 및/또는 DL 기준 신호 패턴의 실정(예를 들어, DMRS 설정)과 같은 AI/ML 기술들과 관련된 정보를 포함하는 설정 정보를 수신한다. 설정 정보의 일부 또는 전부는 예를 들어 MIB, SIB1 또는 다른 SIB와 같은 시스템 정보에 의해, 셀 특정 정보의 일부로서 브로드캐스트될 수 있다. 대안적으로는, 설정 정보의 일부 또는 전부가 UE 특정 시그널링 또는 그룹 특정 시그널링으로서 송신될 수도 있다. 시그널링 방법에 대한 보다 상세한 내용이 아래에서 설명된다. 동작 703에서, UE는 설정 정보에 기초하여 채널 추정을 수행한다. 예를 들어, UE는 설정된 ML 모델, 모델 파라미터들 및 DL 기준 신호 패턴에 따라 추론 동작을 수행하여 추정된 DL 채널을 획득한다. 동작 704에서, UE는 설정 정보에 기초하여 UE 측에서 이용 가능한 데이터를 사용하여 모델을 트레이닝할 수 있다. 예를 들어, 이 설정이 UE로부터의 모델 파라미터 업데이트들이 모델 업데이트에 사용된다는 것일 경우 UE는 모델을 트레이닝한다. 동작 705에서, UE는 보조 정보를 BS로 송신한다. 이 보조 정보는 후술하는 바와 같은, 모델 업데이트에 사용될 수 있는, 로컬 트레이닝에 기초하여 업데이트된 모델 파라미터들을 포함할 수 있다.
일 실시예에서는, AI/ML 기술들이 셀 선택/재선택에 사용될 수 있다.
도 8은 본 개시의 실시예들에 따른 셀 선택/재선택을 위한 AI/ML 기술들을 지원하기 위한 BS 동작의 일 예를 나타내는 예시적인 흐름도를 도시한 것이다.
도 8은 셀 재선택을 위한 AI/ML 기술들을 지원하기 위해 BS 측에서 동작하는 방법(800)의 일 예이다. 동작 801에서, BS는 셀 선택/재선택을 위한 ML 어프로치의 활성화/비활성화, 사용되는 ML 모델, 트레이닝된 모델 파라미터들 및/또는 UE에 의해 보고된 모델 파라미터 업데이트들이 사용될 것인지 여부와 같은 AI/ML 관련 설정 정보를 포함할 수 있는 설정 정보를 UE에 브로드캐스트한다. 일 예에서, 설정 정보는 셀 선택/재선택 파라미터들, 예를 들어, 정보 요소(IE) IntraFreqNeighCellInfo 및/또는 IE InterFreqCarrierFreqInfo에서 전달되는 정보와 같은 셀 선택/재선택을 위해 NR에서 SIB3 및/또는 SIB4에 의해 제공되는 정보의 일부 또는 전부를 포함할 수도 있다. 일 실시예에서는, 모델 트레이닝이 BS 측에서 수행될 수 있다. 대안적으로는, 모델 트레이닝이 다른 네트워크 엔티티(예를 들어, O-RAN에서 정의된 RAN 지능형 컨트롤러)에서 수행될 수 있으며, 트레이닝된 모델 파라미터들이 BS로 송신될 수 있다. 또 다른 실시예에서는, 모델 트레이닝이 오프라인으로 수행될 수 있으며(예를 들어, 모델 트레이닝이 네트워크 외부에서 수행됨), 트레이닝된 모델 파라미터들이 BS 또는 네트워크 엔티티로 송신될 수 있다. 다른 실시예에서는, BS 또는 네트워크 엔티티가 하나 또는 다수의 UE로부터 수신된 모델 파라미터 업데이트들에 기초하여 모델 파라미터들을 업데이트하는 연합 학습이 사용될 수 있다. 설정 정보는 예를 들어 MIB, SIB1 또는 다른 SIB와 같은 시스템 정보에 의해, 셀 특정 정보의 일부로서 브로드캐스트될 수 있다. 동작 802에서, BS는 하나 또는 다수의 UE로부터 보조 정보를 수신한다. 보조 정보는 후술하는 바와 같은, 모델 업데이트에 사용될 정보를 포함할 수 있다.
도 9는 본 개시의 실시예들에 따른 셀 선택/재선택을 위한 AI/ML 기술들을 지원하기 위한 UE 동작의 일 예를 나타내는 예시적인 흐름도를 도시한 것이다.
도 9는 셀 선택/재선택을 위한 AI/ML 기술들을 지원하기 위해 UE 측에서 동작하는 방법(900)의 일 예이다. 동작 901에서, UE는 셀 선택/재선택을 위한 ML 어프로치의 활성화/비활성화, 셀 선택/재선택에 사용되는 ML 모델, 트레이닝된 모델 파라미터들, 및/또는 UE에 의해 보고된 모델 파라미터 업데이트들이 사용될 것인지 여부와 같은 AI/ML 기술들과 관련된 정보를 포함하는, 설정 정보를 수신한다. 동작 902에서, UE는 설정 정보에 기초하여 셀 선택/재선택에 대한 추론을 수행한다. 예를 들어, UE는 설정된 ML 모델, 모델 파라미터들 및 로컬 가용 데이터에 따라 셀 선택/재선택에 대한 추론 동작을 수행한다. 동작 903에서, UE는 셀 재선택을 수행한다. 예를 들어, 셀 재선택은 UE에 의해 획득된 추론 결과에 기초할 수 있다. 동작 904에서, UE는 설정 정보에 기초하여 UE 측에서 이용 가능한 데이터를 사용하여 모델을 트레이닝할 수 있다. 예를 들어, 이 설정이 UE로부터의 모델 파라미터 업데이트들이 모델 업데이트에 사용된다는 것일 경우 UE는 모델을 트레이닝한다. 동작 905에서, UE는 보조 정보를 BS로 송신한다. 이 보조 정보는 모델 업데이트에 사용될 수 있는, 로컬 트레이닝에 기초하여 업데이트된 모델 파라미터들을 포함할 수 있다. 보조 정보를 보고하기 위해, 다음과 같은 실시예들이 사용될 수 있다.
일 실시예에서는, UE 보조 정보가 비활성/유휴 모드에서 보고될 수 있으며, 새로운 MAC-CE(medium access control-control element)가 정의될 수 있다. 이 MAC-CE는, 4 스텝 RACH(Random Access Channel) 절차가 사용되는 경우에는 Msg3에서, 2 스텝 RACH 절차가 사용되는 경우에는 Msg1에서 전달될 수 있다. 비활성/유휴 모드에 있는 UE는 RACH 절차를 수행함으로써 UE 보조 정보를 보고하게 된다. 이 보고의 트리거링과 관련하여, 일 예에서, BS는, 예를 들어 UE가 비활성/유휴 모드에 있을 때 특정 듀레이션 이후에 또는 셀 선택/재선택 측정의 특정 시간들 이후에 또는 보고를 위한 일정 기간 등에서, UE가 보조 정보를 보고하도록 하는 트리거링 이벤트를 브로드캐스트할 수 있다. 다른 예에서, 이 설정은 보조 정보를 보고할 때 UE에게 맡겨질 수 있다. 너무 빈번한 보고를 제한하기 위해 타이머가 설정되거나 미리 정의될 수 있으며, 즉, UE가 보고를 송신한 이후에 타이머가 시작될 수 있으며 타이머가 만료되기 전에는 추가 보고가 송신되지 않는다. 타이머가 설정될 수 있는 경우, 이 타이머 설정은 예를 들어 셀 선택/재선택을 위한 AI/ML 어프로치에 대한 설정 정보의 일부로서 BS에 의해 브로드캐스트될 수 있다.
다른 실시예에서, UE는 보조 정보를 보고하기 위해 UE가 RRC 연결될 때까지 대기할 수 있다. 이 경우, 후술하는 바와 같은, RRC 연결 모드에서의 다른 동작들과 유사하게 보고가 설계될 수 있다.
AI/ML 기술들과 관련된 설정 정보(예를 들어, 동작들(402, 502, 602, 702, 801 또는 901))는 다음 정보 중 하나 이상을 포함할 수 있다:
다양한 유스 케이스들에 대한 ML 어프로치 활성화/비활성화
일 실시예에서, 설정 정보는 특정 동작/유스 케이스에 대한 AI/ML 기술들이 활성화 또는 비활성화되는지 여부를 포함할 수 있다. 하나 또는 다수의 동작들/유스 케이스들이 미리 정의될 수 있다. 예를 들어, 각각의 "UL 채널 예측", "DL 채널 추정", "셀 선택/재선택" 등과 같은 하나의 동작에 대응하는 인덱스 1, 2, ..., N을 갖는 N개의 미리 정의된 동작들이 있을 수 있다. 이 설정이 활성화되는 동작들의 인덱스들을 나타내거나, 또는 각 동작에 대한 AI/ML 어프로치를 활성화 또는 비활성화하는 부울(Boolean) 파라미터가 있을 수 있다.
일 실시예에서, 설정 정보는 어떤 AI/ML 모델 또는 알고리즘이 특정 동작/유스 케이스(들)에 사용될 것인지를 포함할 수 있다. 예를 들어, 선형 회귀, 이차 회귀, 강화 학습 알고리즘, 심층 신경망 등과 같은 하나의 ML 알고리즘에 각각 대응하는, 인덱스 1, 2, ..., M을 갖는 M개의 미리 정의된 ML 알고리즘이 있을 수 있다. 일 예에서, 연합 학습은 ML 알고리즘의 하나로 정의될 수 있다. 대안적으로, 어프로치가 연합 학습을 기반으로 하는지 여부를 정의하는 다른 파라미터가 있을 수 있다.
다른 실시예에서는, 유스 케이스 및 AI/ML 어프로치가 공동으로 설정될 수 있다. 예를 들어, 각각의 모드가 특정 ML 알고리즘을 사용하는 특정 동작/유스 케이스에 대응하는, K개의 미리 정의된 동작 모드들이 있을 수 있다. 하나 이상의 모드들이 설정될 수 있다. 표 1은 설정 정보가 동작들/유스 케이스들 및 ML 알고리즘들을 활성화하는 하나 이상의 모드 인덱스들을 포함할 수 있는, 이 실시예의 일 예를 제공한다. 표 1의 하나 이상의 열들은 다른 실시예들에서 선택적일 수 있다. 예를 들어, 셀 선택/재선택을 위한 AI/ML 어프로치에 대한 설정은 이 표와 별개일 수 있고, 다른 시그널링 방법에서 지시될 수 있으며(예를 들면, 시스템 정보(예를 들어, MIB, SIB1 또는 다른 SIB)에서 브로드캐스트될 수 있음), 다른 동작들을 위한 AI/ML 어프로치에 대한 설정 정보는 UE 특정 또는 그룹 특정 시그널링을 통해 지시될 수 있다.
표 1. 다양한 동작들/유스 케이스들, ML 알고리즘들 및/또는 대응하는 키 모델 파라미터들이 미리 정의될 수 있는, AI/ML 동작 모드들의 예
설정 정보는 ML 알고리즘들의 모델 파라미터들을 포함할 수 있다. 일 실시예에서는, 다음의 ML 알고리즘들 중 하나 이상이 정의될 수 있으며, ML 알고리즘들에 대해 아래에 나열된 모델 파라미터들 중 하나 이상이 설정 정보의 일부로서 미리 정의되거나 설정될 수 있다.
선형 회귀, 이차 회귀 등과 같은 지도 학습 알고리즘들
이러한 타입의 알고리즘들에 대한 모델 파라미터들은 특징들(예를 들면, 특징들의 수 및 특징들이 무엇인지), 회귀에 대한 가중치, 정규화(예를 들면, L1 또는 L2 정규화) 및/또는 정규화 파라미터들을 포함할 수 있다.
예를 들어, 다음과 같은 회귀 모델이 사용될 수 있으며, 여기서
이고,
이 목적은
이며,
여기서 N은 트레이닝 샘플들의 수이고, M은 특징들의 수이고, w는 가중치이고, x(j) 및 y(j)는 j번째 트레이닝 샘플이고, 
는 베이시스 함수이고(예를 들면, 선형 회귀의 경우 
), λ는 정규화 파라미터이며, 
는 L2 정규화 항이다.
강화 학습 알고리즘에 대한 모델 파라미터들은 상태들의 세트, 액션들의 세트, 상태 전이 확률(state transition probability) 및/또는 보상 함수(reward function)를 포함할 수 있다.
예를 들어, 상태들의 세트는 DL 채널 추정을 위한 UE 위치, 위성 위치, UE 궤적 및/또는 위성 궤적을 포함하거나, 또는 UL 채널 예측을 위한 UE 위치, 위성 위치, UE 궤적, 위성 궤적 및/또는 추정된 DL 채널을 포함하거나, 또는 핸드오버 동작을 위한 위치, 위성 위치, UE 궤적, 위성 궤적, 추정된 DL 채널, 측정된 SINR(signal to interference plus noise ratio), RSRP(reference signal received power) 및/또는 RSRQ(reference signal received quality), 현재 연결된 셀 및/또는 셀 배치 등을 포함할 수 있다.
또 다른 예로서, 액션들의 세트는 DL 채널 추정을 위한 가능 DL 채널 상태 세트를 포함하거나, 또는 UL 채널 예측을 위한 가능 UL 채널 상태 세트, MCS 인덱스들 및/또는 UL 송신 전력을 포함하거나, 또는 핸드오버 동작을 위한 연결될 셀들의 세트 등을 포함할 수 있다.
또 다른 예에서는, 상태 전이 확률이 이용 가능하지 않을 수도 있으며, 따라서 모델 파라미터들의 일부로서 포함되지 않을 수도 있다. 이 경우, Q-학습(Q-learning)과 같은 다른 학습 알고리즘들이 사용될 수 있다.
심층 신경망들에 대한 모델 파라미터들은 레이어들의 수, 각 레이어의 뉴트론들의 수, 이전 레이어의 각 뉴트론에서 다음 레이어의 각 뉴트론까지의 가중치 및 편향, 활성화 함수, 입력들(예를 들면, 입력 디멘전 및/또는 또는 입력들이 무엇인지), 출력들(예를 들면, 출력 디멘전 및/또는 출력들이 무엇인지) 등을 포함할 수 있다.
연합 학습 알고리즘들의 모델 파라미터들은 손실 함수와 같은 사용될 ML 모델, ML 모델에 대한 초기 파라미터들, UE가 로컬 트레이닝 및/또는 보고를 위해 설정되는지 여부, 폴링(polling) 전의 로컬 트레이닝에 대한 반복 횟수, 각 학습 반복에 대한 로컬 배치 크기 및/또는 학습 레이트 등을 포함할 수 있다.
일 실시예에서, 설정 정보의 일부 또는 전부는 예를 들어 MIB, SIB1 또는 다른 SIB와 같은 시스템 정보에 의해, 셀 특정 정보의 일부로서 브로드캐스트될 수 있다. 대안적으로는, 설정 정보의 지시를 위한 새로운 SIB가 도입될 수 있다. 예를 들어, 특정 동작/유스 케이스를 위한 ML 어프로치의 활성화/비활성화, ML 모델 및/또는 모델 파라미터들이 브로드캐스트될 수 있으며, 예를 들면, 셀 재선택 동작을 위한 ML 어프로치의 활성화/비활성화, 사용되는 ML 모델 및/또는 모델 파라미터들이 브로드캐스트될 수 있다. 표 2는 SIB1을 통해 설정 정보를 송신하는 일 예(굵은 글씨로 지시된 새로운 파라미터)를 제공하며, 여기서는 K개의 동작 모드들이 미리 정의되고 하나의 모드가 설정될 수 있다. 다른 예들에서는, 다수의 모드들이 설정될 수 있다.
표 2. ML/AI 기술들의 설정을 위한 정보 요소(IE) SIB1 수정의 예
표 2에서, ml-Operationmode는 특정 동작을 위한 ML 어프로치의 활성화와 활성화된 ML 모델의 조합을 나타낸다.
다른 실시예에서는, 설정 정보의 일부 또는 전부가 UE 특정 시그널링에 의해 송신될 수 있다. 설정 정보는 설정되는 모든 DL/UL BWP들 간에 공통적이거나 BWP 특정적일 수 있다. 예를 들어, IE PDSCH-ServingCellConfig 또는 IE BWP-DownlinkDedicated의 IE PDSCH-Config와 같은 UE 특정 RRC 시그널링이, DL 채널 추정을 위한 ML 어프로치의 활성화/비활성화, 사용되는 ML 모델 및 /또는 DL 채널 추정을 위한 모델 파라미터들의 설정을 포함할 수 있다. 다른 예로서, IE PUSCH-ServingCellConfig 또는 IE BWP-UplinkDedicated의 IE PUSCH-Config와 같은 UE 특정 RRC 시그널링이, UL 채널 예측을 위한 ML 어프로치의 활성화/비활성화, 사용되는 ML 모델 및/또는 UL 채널 예측을 위한 모델 파라미터들의 설정을 포함할 수 있다.
표 3은 IE PDSCH-ServingCellConfig를 통한 DL 채널 추정을 위한 설정의 일 예를 제공한다. 이 예에서는, DL 채널 추정을 위한 ML 어프로치가 부울(BOOLEAN) 파라미터를 통해 활성화 또는 비활성화되며, 사용되는 ML 모델/알고리즘이 1 내지 M의 인덱스를 통해 지시된다. 일부 예들에서는, 모델에 사용되는 ML 모델과 파라미터들의 조합이 미리 정의될 수 있으며, 1 내지 M의 각 인덱스는 특정 ML 모델 및 모델 파라미터들의 세트에 대응한다. 대안적으로, 각 동작/유스 케이스에 대한 하나 또는 다수 개의 ML 모델/알고리즘이 정의될 수 있으며, IE의 파라미터들의 세트가 그에 따라 모델 파라미터들에 대한 값들을 나타낼 수 있다.
표 3. ML/AI 기술들의 설정을 위한 IE PDSCH-ServingCellConfig 수정의 예
또 다른 실시예에서, 설정 정보의 일부 또는 전부가 그룹 특정 시그널링에 의해 송신될 수 있다. UE 그룹 특정 RNTI는 예를 들어, 값 0001-FFEF 또는 예비된 값 FFF0-FFFD를 사용하여, 설정될 수 있다. 그룹 특정 RNTI는 UE 특정 RRC 시그널링을 통해 설정될 수 있다. UE들의 그룹핑은 UE들이 경험하고 있는 환경들을 고려하여 다양한 방식으로 이루어질 수 있다. UE들의 그룹에 대한 공통 시그널링을 통해, 개별 시그널링으로 인한 오버헤드가 발생하지 않으면서 각각의 개별 UE의 상황에 맞게 AI/ML 동작들의 설정이 조정될 수 있다. UL 채널 예측 또는 DL 채널 추정 유스 케이스들의 경우, 일 예로서, BS와 UE 사이의 상대 속도로 인한 도플러 시프트와 다중 경로 지연 프로파일에 따라 달라지는 채널을 위한 시간 및 주파수 도메인들 모두에서 정밀한 채널 상태 정보(CSI)가 필요하다. 일 실시예에서는, 유사한 다중 경로 지연 프로파일 또는 도플러 시프트 하의 UE들이 그룹핑되어 공통 RNTI를 할당받을 수 있다. 그 후에, 특정 유스 케이스를 위한 AI/ML 어프로치의 활성화, AI/ML 모델의 설정, 또는 주어진 AI/ML 모델에 대한 파라미터들의 설정이 그룹 공통 시그널링을 통해 수행될 수 있다. 셀 선택/재선택 유스 케이스의 경우, 다른 예로서, 결정이 RSRP 및/또는 RSRQ와 같은 평균 채널 강도 메트릭을 기반으로 한다. 이러한 메트릭들은 UE 속도, 이동 궤적, 셀 간 간섭 레벨 등에 따라 달라진다. 따라서, 유사한 이동 속도/궤적, 및 셀 간 경험 레벨 하의 UE들이 그룹핑되어 공통 RNTI를 할당받을 수 있다.
ML/AI 기술들과 관련된 UE 보조 정보(예를 들어, 동작들(403, 504, 603, 705 또는 802))는 다음 정보 중 하나 이상을 포함할 수 있다.
UE 추론 결과, MCS 선택 등과 같은 UE 측에서 이용 가능한 정보
모델 파라미터들, 예를 들어, UE 측에서의 로컬 트레이닝에 기반한 모델 파라미터들의 업데이트들이 BS에 보고될 수 있으며, 이것이 예를 들어 연합 학습 어프로치들에서, 모델 업데이트들에 사용될 수 있다. 업데이트된 모델 파라미터들의 보고는 설정에 따라 달라질 수 있다. 예를 들어, UE로부터의 모델 파라미터 업데이트들이 사용되지 않는 것으로 설정되는 경우, UE는 모델 파라미터 업데이트들을 보고하지 않을 수 있다. 한편, 설정이 UE로부터의 모델 파라미터 업데이트들이 모델 업데이트에 사용될 수 있는 것인 경우, UE는 모델 파라미터 업데이트들을 보고할 수 있다.
연결 모드 UE들의 경우, 보조 정보의 보고가 PUCCH 및/또는 PUSCH를 통해 이루어질 수 있다. 보조 정보 보고를 위한 새로운 UCI(uplink control information) 타입, 새로운 PUCCH 포맷 및/또는 새로운 MAC-CE가 정의될 수 있다. NR의 기존 UCI는 SR(Scheduling Request), HARQ ACK(Hybrid Automatic Repeat Request Acknowledgement) 및 CQI(Channel Quality Information)를 포함한다. 이러한 기존 UCI 외에도, 새로운 UAI(UE Assistance Information) UCI가 정의될 수 있다. UAI UCI는 다음으로 구성될 수 있다:
UE 위치: 이 필드는 미리 정의된 좌표 시스템(예를 들면, ECEF(Earth-Centered Earth-Fixed) 좌표 시스템)에서 UE의 위치를 나타낸다.
UE 속도: 이 필드는 특정 단위(예를 들면, 킬로미터/시(km/h) 또는 마일/시(mi/h))의 UE 이동 속도를 나타낸다. 현재 UE의 절대 속도 또는 이전 시그널링된 값에 비교되는 상대 속도 변화가 나타내질 수 있다.
UE 궤적: 이 필드는 미리 정의된 좌표 시스템(예를 들면, ECEF(Earth-Centered Earth-Fixed) 좌표 시스템)에서 UE의 방향을 나타낸다.
추정된 DL 지연 확산(Estimated DL Delay Spread): 이 필드는 DL 채널의 지연 확산에 대한 UE의 추정치를 나노초 단위로 나타낸다. 지연 확산은 특정 범위의 값들로 분할될 수 있으며 해당 범위의 인덱스가 나타내질 수 있다.
추정된 DL 도플러 확산(Estimated DL Doppler Spread): 이 필드는 DL 채널의 도플러 확산에 대한 UE의 추정치를 Hertz 단위로 나타낸다. 도플러 확산은 특정 범위의 값들로 분할될 수 있으며 해당 범위의 인덱스가 나타내질 수 있다.
추론 결과(Inference Result, IR): 이 필드는 모델 추론 결과 필드를 포함하는 옥텟의 존재를 나타낸다. IR 필드가 1로 설정되면, 모델 추론 결과 필드를 포함하는 옥텟이 존재한다. IR 필드가 0으로 설정되면, 모델 추론 결과 필드를 포함하는 옥텟이 존재하지 않는다.
모델 추론 결과(Model Inference Result): 이 필드는 UE에서의 ML 모델 추론 결과를 나타낸다. 일 예에서, 이 필드는 UL 채널 예측 유스 케이스에 대한 UL 채널 주파수/시간 도메인 채널 선택성, UL MCS, UL 공간 레이어들, UL 송신 전력의 측정을 포함할 수 있다. DL 채널 추정의 다른 예에서, 이 필드는 전송 블록(TB)당, 코드 블록 그룹(CBG)당, 또는 코드 블록(CB)당 HARQ ACK/NACK(negative acknowledgement)을 포함할 수 있다. 또한 이 필드는 스케줄링된 전체 TB에 대한 코딩되지 않은 BER(bit error rate)을 포함하거나 또는 시간/주파수 자원에서의 보다 미세한 그래뉼레러티를 가질 수 있다. 또한 이 필드는 채널 추정 오류들의 특정 측정을 포함할 수도 있다. 셀 선택/재선택의 다른 예에서, 이 필드는 셀 선택/재선택의 빈도 및 핑퐁 효과(ping-pong effect)와 관련된 측정을 포함할 수도 있다.
도 10은 본 개시의 실시예들에 따른 UE 보조 정보 보고를 위한 새로운 MAC CE의 일 예를 도시한 것이다. UAI UCI는 UE 위치, UE 궤적, 추정된 DL 지연 확산, 추정된 DL 도플러 확산 및 모델 추론 결과 필드를 포함한다.
트리거링 방법과 관련하여, 일 실시예에서는, 보고가 예를 들어 UE 특정 RRC 시그널링을 통해, 주기적으로 트리거링될 수 있다.
다른 실시예에서, 이 보고는 반지속적이거나 또는 비주기적일 수 있다. 예를 들어, 이 보고는 DCI에 의해 트리거링될 수 있으며, 보고 트리거링을 위한 새로운 필드(예를 들면, 1 비트 트리거링 필드)가 DCI에 도입될 수 있다. 일 예에서, AI/ML 기술들을 지원하기 위해 UE 보조 정보의 보고 설정에 IE CSI-ReportConfig와 유사한 IE가 도입될 수 있다. 또 다른 실시예에서, 이 보고는 특정 이벤트를 통해 트리거링될 수 있다. 예를 들어, UE는 RRC 비활성 및/또는 유휴 모드에 들어가기 전에 모델 파라미터 업데이트들을 보고할 수 있다. UE가 모델 파라미터 업데이트들을 보고해야 하는지 여부는 설정, 예를 들어 UE가 모델 파라미터 업데이트들을 보고해야 하는지 여부에 관한 RRC 시그널링을 통한 설정에 추가로 의존할 수 있다.
표 4는 UE 보조 정보 보고의 설정을 위한 IE의 일 예를 제공하며, 보고가 주기적인지, 반지속적인지 또는 비주기적인지 여부, 보고 송신을 위한 자원들 및/또는 보고 내용이 포함될 수 있다. 'parameter1' 내지 'parameterN' 및 가능한 값들 'X1' 내지 'XN' 및 'Y1 내지 YN'이 예들로서 나열되어 있으며, 모델 파라미터들의 설정을 위한 다른 가능한 방법이 제외되지 않는다. 또한, 'UE-location'에 있어서, (일 예로서) UE 위치들의 세트가 미리 정의되어 있는 경우, UE는 인덱스 L1, L2 등을 통해 미리 정의된 위치 중 하나를 보고할 수 있다. 그러나, UE 위치 보고를 위한 다른 방법이 제외되지 않는다.
표 4. ML/AI 기술들의 지원을 위한 UE 보조 정보 보고 설정을 위한 IE의 예
본 개시가 예시적인 실시예로 설명되었지만, 다양한 변경 및 수정이 당업자에게 제안될 수 있다. 본 개시는 첨부된 청구항들의 범위 내에 속하는 그러한 변경 및 수정을 포함하는 것으로 의도된다.
도 11은 일 실시예에 따른 기지국의 내부 구성의 블록도이다.
도 11에 도시된 바와 같이, 일 실시예에 따른 기지국은 트랜시버(1112), 메모리(1120) 및 프로세서(1130)를 포함할 수 있다. 기지국의 트랜시버(1112), 메모리(1120) 및 프로세서(1130)는 전술한 기지국의 통신 방법에 따라 동작할 수 있다. 그러나, 기지국의 구성 요소들이 이에 한정되는 것은 아니다. 예를 들어, 기지국은 위에서 설명된 것보다 더 많거나 더 적은 구성 요소를 포함할 수도 있다. 또한, 프로세서(1130), 트랜시버(1112) 및 메모리(1120)는 하나의 칩으로 구현될 수 있다. 또한, 프로세서(1130)는 적어도 하나의 프로세서를 포함할 수 있다.
트랜시버(1112)는 기지국 수신기 및 기지국 송신기를 총칭하는 것이며 단말과 신호를 송수신할 수 있다. 단말과 송수신하는 신호에는 제어 정보 및 데이터가 포함될 수 있다. 트랜시버(1112)는 송신 신호의 주파수를 상향 변환 및 증폭하는 RF 송신기 및 수신 신호의 주파수를 저잡음 증폭 및 하향 변환하는 RF 수신기를 포함할 수 있다. 그러나, 이것은 트랜시버(1112)의 일 예일 뿐이며, 트랜시버(1112)의 구성 요소가 RF 송신기 및 RF 수신기에 한정되는 것은 아니다
또한, 트랜시버(1112)는 무선 채널을 통해 신호를 수신하여 프로세서(1130)로 출력하고, 프로세서(1130)에서 출력되는 신호를 무선 채널을 통해 송신할 수 있다.
메모리(1120)는 기지국의 동작들에 필요한 프로그램 및 데이터를 저장할 수 있다. 또한, 메모리(1120)는 기지국이 획득한 신호에 포함된 제어 정보 또는 데이터를 저장할 수 있다. 메모리(1120)는 ROM(Read-Only Memory), RAM(Random Access Memory), 하드 디스크, CD-ROM, DVD 등과 같은 저장 매체 또는 저장 매체의 조합일 수 있다.
프로세서(1130)는 기지국이 상술한 바와 같이 동작하도록 하는 일련의 프로세스들을 제어할 수 있다. 예를 들어, 트랜시버(1112)는 단말이 송신한 제어 신호를 포함하는 데이터 신호를 수신하고, 프로세서(1130)는 단말이 송신한 제어 신호 및 데이터 신호의 수신 결과를 결정할 수 있다.
도 12는 본 개시의 실시예에 따른 단말의 내부 구조를 나타내는 블록도이다. 도 12에 도시된 바와 같이, 본 개시의 단말은 트랜시버(1212), 메모리(1220) 및 프로세서(1230)를 포함할 수 있다. 단말의 트랜시버(1212), 메모리(1220) 및 프로세서(1230)는 전술한 단말의 통신 방법에 따라 동작할 수 있다. 그러나, 단말의 구성 요소가 이에 한정되지 않는다. 예를 들어, 단말은 위에서 설명된 것보다 더 많거나 더 적은 구성 요소들을 포함할 수도 있다. 또한, 프로세서(1230), 트랜시버(1212) 및 메모리(1220)는 하나의 칩으로 구현될 수 있다. 또한, 프로세서(1230)는 적어도 하나의 프로세서를 포함할 수 있다.
트랜시버(1212)는 단말 수신기 및 단말 송신기를 통칭하며, 기지국과 신호를 송수신할 수 있다. 기지국과 송수신하는 신호는 제어 정보 및 데이터를 포함할 수 있다. 트랜시버(1212)는 송신 신호의 주파수를 상향 변환 및 증폭하는 RF 송신기와, 수신 신호의 주파수를 저잡음 증폭 및 하향 변환하는 RF 수신기를 포함할 수 있다. 그러나, 이것은 트랜시버(1212)의 일 예일 뿐이며, 트랜시버(1212)의 구성 요소가 RF 송신기 및 RF 수신기에 한정되는 것은 아니다
또한, 트랜시버(1212)는 무선 채널을 통해 신호를 수신하여 프로세서(1230)로 출력하고, 프로세서(1230)에서 출력되는 신호를 무선 채널을 통해 송신할 수 있다.
메모리(1220)는 단말의 동작들에 필요한 프로그램 및 데이터를 저장할 수 있다. 또한, 메모리(1220)는 단말에 의해 획득된 신호에 포함된 제어 정보 또는 데이터를 저장할 수 있다. 메모리(1220)는 ROM, RAM, 하드 디스크, CD-ROM, DVD 등과 같은 저장 매체 또는 이들의 조합일 수 있다.
프로세서(1230)는 단말이 상술한 바와 같이 동작하도록 하는 일련의 프로세스들을 제어할 수 있다. 예를 들어, 트랜시버(1212)는 제어 신호를 포함하는 데이터 신호를 수신할 수 있고, 프로세서(1230)는 데이터 신호의 수신 결과를 결정할 수 있다.
청구 범위 또는 본 개시의 상세한 설명에 기재된 실시예들에 따른 방법들은 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다.
전기적 구조들 및 방법들이 소프트웨어로 구현하는 경우, 하나 이상의 프로그램(소프트웨어 모듈)을 저장하는 컴퓨터 판독 가능 저장 매체가 제공될 수 있다. 컴퓨터 판독 가능 저장 매체에 저장되는 하나 이상의 프로그램은, 전자 장치 내의 하나 이상의 프로세서에 의해 실행 가능하도록 설정된다. 하나 이상의 프로그램은 본 개시의 청구항 또는 상세한 설명에 기재된 실시예들에 따른 방법들을 실행하게 하는 명령어들을 포함한다.
프로그램들(예를 들면, 소프트웨어 모듈, 소프트웨어)은 RAM(random access memory), 플래시 메모리를 포함하는 불휘발성 메모리, ROM(Read Only Memory), EEPROM(Electrically Erasable Programmable Read Only Memory), 자기 디스크 저장 장치, CD-ROM(Compact Disc-ROM), DVD:Digital Versatile Disc), 다른 타입의 광학 저장 장치, 또는 마그네틱 카세트에 저장될 수 있다. 대안적으로, 프로그램들은 전술한 메모리 장치들의 일부 또는 전부의 조합을 포함하는 메모리 시스템에 저장될 수 있다. 또한, 각 메모리 장치는 복수로 포함될 수 있다.
또한, 프로그램은 인터넷, 인트라넷, LAN(Local Area Network), WLAN(Wide LAN), 또는 SAN(Storage Area Network)과 같은 통신 네트워크, 또는 이들의 조합으로 설정된 통신 네트워크를 통하여 액세스할 수 있는 부착 가능한(attachable) 저장 장치에 저장될 수 있다. 저장 장치는 외부 포트를 통해 본 개시의 실시예들에 따른 장치에 연관될 수 있다. 통신 네트워크 상의 다른 저장 장치가 또한 본 개시의 실시예들을 수행하는 장치에 연관될 수 있다.
상술한 본 개시의 실시예들에서, 본 개시에 포함되는 구성 요소들은 실시예들에 따라 단수 또는 복수로 표현된다. 다만, 설명의 편의를 위해 단수 또는 복수의 형태를 적절히 선택하는 것이며, 본 개시가 이에 한정되는 것은 아니다. 이와 같이 복수형으로 표현된 요소가 단일 요소로 설정될 수도 있고, 단수형으로 표현된 요소가 복수 요소들로 설정될 수도 있다.
위의 흐름도들은 본 개시의 원리들에 따라 구현될 수 있는 예시적인 방법들을 도시한 것이며 다양한 변경 및 수정이 여기의 흐름도들에 도시된 방법들에 대하여 이루어질 수 있다. 예를 들어, 일련의 단계들로 도시되어 있지만 각 도면의 다양한 단계들은 중첩되거나 병렬로 발생하거나 다른 순서로 발생하거나 여러 번 발생할 수 있다. 다른 예에서, 단계들은 생략되거나 다른 단계들로 대체될 수도 있다.
본 개시가 예시적인 실시예로 설명되었지만, 당업자라면 다양한 변경 및 수정을 제안할 수 있다. 본 개시는 첨부된 청구항들의 범위 내에 속하는 그러한 변경 및 수정을 포함하는 것으로 의도된다. 본 출원의 어떠한 설명도 임의의 특정 요소, 단계 또는 기능이 청구 범위에 포함되어야 하는 필수 요소임을 나타내는 것으로 해석되어서는 안 된다. 특허된 주제의 범위는 청구범위에 의해 정의된다.
Claims (15)
- 사용자 단말(UE)에 있어서,
기지국으로부터, 상향링크(UL) 채널 예측, 하향링크(DL) 채널 추정, 또는 셀 선택/재선택 중 하나를 위한 ML/AI(machine learning/artificial intelligence) 설정 정보를 수신하도록 구성되는 트랜시버로서, 상기 ML/AI 설정 정보는,
상기 UL 채널 예측, 상기 DL 채널 추정, 또는 셀 선택/재선택을 위한 ML 어프로치(ML approach)의 활성화/비활성화 중 하나 이상,
상기 UL 채널 예측, 상기 DL 채널 추정, 또는 셀 선택/재선택에 사용될 하나 이상의 ML 모델들,
상기 UL 채널 예측, 상기 DL 채널 추정, 또는 셀 선택/재선택을 위한 상기 하나 이상의 ML 모델들에 대한 트레이닝된 모델 파라미터들, 또는
상기 기지국에서 상기 UE로부터 수신된 상기 UL 채널 예측, 상기 DL 채널 추정, 또는 셀 선택/재선택을 위한 ML 모델 파라미터들이 사용될지 여부를 포함하는, 상기 트랜시버; 및
상기 트랜시버에 동작 가능하게 커플링된 프로세서로서, 상기 ML/AI 설정 정보에 기초하여 상기 UL 채널 예측, 상기 DL 채널 추정, 또는 셀 선택/재선택을 위한 상기 하나 이상의 ML 모델들을 업데이트하기 위한 UE 보조 정보를 생성하도록 구성되는, 상기 프로세서를 포함하며,
상기 트랜시버는 상기 UL 채널 예측, 상기 DL 채널 추정 또는 셀 선택/재선택을 위한 상기 하나 이상의 ML 모델들을 업데이트하기 위한 상기 UE 보조 정보를 송신하도록 더 구성되는, 사용자 단말(UE). - 제 1 항에 있어서,
상기 UL 채널 예측을 위한 상기 하나 이상의 ML 모델들을 업데이트하기 위한 상기 UE 보조 정보는,
예측된 UL 채널 상태에 대한 UE 추론,
상기 예측된 채널 상태에 기초하여 후속 UL 송신을 위해 UE에 의해 자율적으로 선택되는 MCS(modulation and coding scheme)의 MCS 인덱스,
상기 UL 채널 예측을 위한 상기 하나 이상의 ML 모델들을 업데이트하기 위한 로컬 트레이닝에 기초하는 ML 모델 파라미터 업데이트들, 또는
상기 UE에서의 로컬 데이터
중 하나 이상을 포함하는, 사용자 단말(UE). - 제 1 항에 있어서,
상기 UE에서의 로컬 데이터는 UE 위치, UE 궤적/이동성, UE 속도, UE 배향, UE 배터리 레벨, 추정된 지연 및 도플러 확산, 경험한 오류율, 경험한 서비스 품질, 추정된 채널 상태, 추론 결과들, 또는 업데이트된 모델 파라미터들 중 하나 이상을 포함하는, 사용자 단말(UE). - 제 1 항에 있어서,
상기 트랜시버는 상기 UE에서의 추론 결과에 대응하는 예측된 UL 채널 상태에 기초하여 후속 UL 송신을 위한 송신 전력을 자율적으로 조정하도록 더 구성되는, 사용자 단말(UE). - 제 4 항에 있어서,
상기 UE에서의 상기 추론 결과는 예측된 채널 상태, MCS(modulation and coding scheme) 인덱스 선택, 송신 주파수 범위 선택, 송신 시간 자원 선택, 송신 타이밍 어드밴스, 또는 송신 전력 중 하나 이상을 포함하는, 사용자 단말(UE). - 제 1 항에 있어서,
상기 UE에서 상기 DL 채널 추정을 위한 ML/AI 어프로치가 활성화된 경우 제 1 DL 기준 신호 패턴이 지정되고, 상기 UE에서 상기 DL 채널 추정을 위한 ML/AI 어프로치가 비활성화된 경우 제 2 DL 기준 신호 패턴이 지정되는, 사용자 단말(UE). - 제 1 항에 있어서,
상기 ML/AI 설정 정보는 셀 선택/재선택 파라미터들을 포함하며, 또한
셀 선택/재선택에 관한 상기 UE 보조 정보는 상기 UE가 MAC(medium access control) 제어 요소(CE)를 사용하여 유휴 모드 또는 비활성 모드 중 하나에 있는 동안 보고되도록 구성되거나, 또는
타이머가 셀 선택/재선택에 관한 상기 UE 보조 정보의 보고 빈도를 제한하는, 사용자 단말(UE). - 방법에 있어서,
사용자 단말(UE)에서 기지국으로부터, 상향링크(UL) 채널 예측, 하향링크(DL) 채널 추정, 또는 셀 선택/재선택 중 하나를 위한 ML/AI(machine learning/artificial intelligence) 설정 정보를 수신하는 단계로서, 상기 ML/AI 설정 정보는,
상기 UL 채널 예측, 상기 DL 채널 추정, 또는 셀 선택/재선택을 위한 ML 어프로치의 활성화/비활성화 중 하나 이상,
상기 UL 채널 예측, 상기 DL 채널 추정, 또는 셀 선택/재선택에 사용될 하나 이상의 ML 모델들,
상기 UL 채널 예측, 상기 DL 채널 추정, 또는 셀 선택/재선택을 위한 상기 하나 이상의 ML 모델들에 대한 트레이닝된 모델 파라미터들, 또는
상기 기지국에서 상기 UE로부터 수신된 상기 UL 채널 예측, 상기 DL 채널 추정, 또는 셀 선택/재선택을 위한 ML 모델 파라미터들이 사용될지 여부를 포함하는, 상기 수신하는 단계;
상기 UE에서, 상기 ML/AI 설정 정보에 기초하여 상기 UL 채널 예측, 상기 DL 채널 추정, 또는 셀 선택/재선택을 위한 상기 하나 이상의 ML 모델들을 업데이트하기 위한 UE 보조 정보를 생성하는 단계; 및
상기 UE로부터 상기 기지국으로, 상기 UL 채널 예측, 상기 DL 채널 추정 또는 셀 선택/재선택을 위한 상기 하나 이상의 ML 모델들을 업데이트하기 위한 상기 UE 보조 정보를 송신하는 단계
를 포함하는, 방법. - 제 8 항에 있어서,
상기 UL 채널 예측을 위한 상기 하나 이상의 ML 모델들을 업데이트하기 위한 상기 UE 보조 정보는,
예측된 UL 채널 상태에 대한 UE 추론,
상기 예측된 채널 상태에 기초하여 후속 UL 송신을 위해 UE에 의해 자율적으로 선택되는 MCS(modulation and coding scheme)의 MCS 인덱스,
상기 UL 채널 예측을 위한 상기 하나 이상의 ML 모델들을 업데이트하기 위한 로컬 트레이닝에 기초하는 ML 모델 파라미터 업데이트들, 또는
상기 UE에서의 로컬 데이터
중 하나 이상을 포함하는, 방법. - 제 8 항에 있어서,
상기 UE에서의 로컬 데이터는 UE 위치, UE 궤적/이동성, UE 속도, UE 배향, UE 배터리 레벨, 추정된 지연 및 도플러 확산, 경험한 오류율, 경험한 서비스 품질, 추정된 채널 상태, 추론 결과들, 또는 업데이트된 모델 파라미터들 중 하나 이상을 포함하는, 방법. - 제 8 항에 있어서,
상기 UE에서의 추론 결과에 대응하는 예측된 UL 채널 상태에 기초하여 후속 UL 송신을 위한 송신 전력을 자율적으로 조정하는 단계를 더 포함하는, 방법. - 제 11 항에 있어서,
상기 UE에서의 상기 추론 결과는 예측된 채널 상태, MCS(modulation and coding scheme) 인덱스 선택, 송신 주파수 범위 선택, 송신 시간 자원 선택, 송신 타이밍 어드밴스, 또는 송신 전력 중 하나 이상을 포함하는, 방법. - 제 8 항에 있어서,
상기 UE에서 상기 DL 채널 추정을 위한 ML/AI 어프로치가 활성화된 경우 제 1 DL 기준 신호 패턴이 지정되고, 상기 UE에서 상기 DL 채널 추정을 위한 ML/AI 어프로치가 비활성화된 경우 제 2 DL 기준 신호 패턴이 지정되는, 방법. - 제 8 항에 있어서,
상기 ML/AI 설정 정보는 셀 선택/재선택 파라미터들을 포함하며, 또한
셀 선택/재선택에 관한 상기 UE 보조 정보는 상기 UE가 MAC(medium access control) 제어 요소(CE)를 사용하여 유휴 모드 또는 비활성 모드 중 하나에 있는 동안 보고되도록 구성되거나, 또는
타이머가 셀 선택/재선택에 관한 상기 UE 보조 정보의 보고 빈도를 제한하는, 방법. - 기지국(BS)에 있어서,
상향링크(UL) 채널 예측, 하향링크(DL) 채널 추정, 또는 셀 선택/재선택 중 하나를 위한 ML/AI(machine learning/artificial intelligence) 설정 정보를 생서하도록 구성되는 프로세서로서, 상기 ML/AI 설정 정보는,
상기 UL 채널 예측, 상기 DL 채널 추정, 또는 셀 선택/재선택을 위한 ML 어프로치의 활성화/비활성화 중 하나 이상,
상기 UL 채널 예측, 상기 DL 채널 추정, 또는 셀 선택/재선택에 사용될 하나 이상의 ML 모델들,
상기 UL 채널 예측, 상기 DL 채널 추정, 또는 셀 선택/재선택을 위한 상기 하나 이상의 ML 모델들에 대한 트레이닝된 모델 파라미터들, 또는
상기 기지국에서 상기 UE로부터 수신된 상기 UL 채널 예측, 상기 DL 채널 추정, 또는 셀 선택/재선택을 위한 ML 모델 파라미터들이 사용될지 여부를 포함하는, 상기 프로세서, 및
상기 프로세서에 동작 가능하게 커플링된 트랜시버로서,
상기 ML/AI 설정 정보를 사용자 단말(UE)로 송신하고,
상기 UE로부터, 상기 UL 채널 예측, 상기 DL 채널 추정, 또는 셀 선택/재선택을 위한 상기 하나 이상의 ML 모델들을 업데이트하기 위한 UE 보조 정보를 수신하도록 구성되는, 상기 트랜시버
를 포함하는, 기지국(BS).
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202163157485P | 2021-03-05 | 2021-03-05 | |
| US63/157,485 | 2021-03-05 | ||
| US17/653,442 US20220294666A1 (en) | 2021-03-05 | 2022-03-03 | Method for support of artificial intelligence or machine learning techniques for channel estimation and mobility enhancements |
| US17/653,442 | 2022-03-03 | ||
| PCT/KR2022/003105 WO2022186659A1 (en) | 2021-03-05 | 2022-03-04 | Method and apparatus for channel estimation and mobility enhancements in wireless communication system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230156362A true KR20230156362A (ko) | 2023-11-14 |
Family
ID=83154291
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237033520A KR20230156362A (ko) | 2021-03-05 | 2022-03-04 | 무선 통신 시스템에서 채널 추정 및 이동성 향상을 위한 방법 및 장치 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20220294666A1 (ko) |
| EP (1) | EP4298742A4 (ko) |
| KR (1) | KR20230156362A (ko) |
| WO (1) | WO2022186659A1 (ko) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11190408B2 (en) * | 2019-10-30 | 2021-11-30 | At&T Intellectual Property I, L.P. | Method and apparatus for controlling disaggregated radio access networks |
| US12069699B2 (en) * | 2020-03-27 | 2024-08-20 | Qualcomm Incorporated | Joint broadcast and unicast design for multiple-input multiple-output systems |
| US20220407745A1 (en) * | 2021-06-15 | 2022-12-22 | Samsung Electronics Co., Ltd. | Method and apparatus for reference symbol pattern adaptation |
| US20230093963A1 (en) * | 2021-09-28 | 2023-03-30 | Qualcomm Incorporated | Artificial intelligence based enhancements for idle and inactive state operations |
| TWI828324B (zh) * | 2022-09-22 | 2024-01-01 | 中華電信股份有限公司 | 基於線上強化學習之無線通訊參數調整系統及其方法 |
| WO2024065239A1 (en) * | 2022-09-28 | 2024-04-04 | Qualcomm Incorporated | Hierarchical channel measurement resource beam shape indication for ue based predictive beam measurement |
| WO2024065617A1 (en) * | 2022-09-30 | 2024-04-04 | Apple Inc. | Ue mobility enhancements |
| GB2622868A (en) * | 2022-09-30 | 2024-04-03 | Nokia Technologies Oy | Devices, methods and apparatuses for channel prediction |
| EP4387339A1 (en) * | 2022-12-15 | 2024-06-19 | Thales Dis France Sas | Connectivity management in devices compliant with several technologies |
| CN118317356A (zh) * | 2023-01-06 | 2024-07-09 | 华为技术有限公司 | 一种通信方法、网络设备和终端设备 |
| WO2024164177A1 (zh) * | 2023-02-08 | 2024-08-15 | Oppo广东移动通信有限公司 | 无线通信的方法及设备 |
| WO2024208498A1 (en) * | 2023-04-06 | 2024-10-10 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Ai/ml models in wireless communication networks |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019194648A1 (en) * | 2018-04-05 | 2019-10-10 | Lg Electronics Inc. | Method for performing cell reselection and device supporting the same |
| US11665576B2 (en) * | 2018-08-10 | 2023-05-30 | Verizon Patent And Licensing Inc. | Systems and methods for wireless low latency traffic scheduler |
| US10673546B2 (en) * | 2018-09-27 | 2020-06-02 | Nokia Solutions And Networks Oy | Scell selection and optimization for telecommunication systems |
| WO2020080989A1 (en) * | 2018-10-19 | 2020-04-23 | Telefonaktiebolaget Lm Ericsson (Publ) | Handling of machine learning to improve performance of a wireless communications network |
| US11463980B2 (en) * | 2019-02-22 | 2022-10-04 | Huawei Technologies Co., Ltd. | Methods and apparatuses using sensing system in cooperation with wireless communication system |
| EP4014457B1 (en) * | 2019-08-13 | 2024-04-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for transmission configuration |
| US12001943B2 (en) * | 2019-08-14 | 2024-06-04 | Google Llc | Communicating a neural network formation configuration |
| US11258565B2 (en) * | 2019-08-30 | 2022-02-22 | Huawei Technologies Co., Ltd. | Sparse reference signal-related signaling apparatus and methods |
| US20230354121A1 (en) * | 2019-12-20 | 2023-11-02 | Sony Group Corporation | Communications device, infrastructure equipment and methods for performing handover using a model based on machine learning |
| KR20220130664A (ko) * | 2020-01-17 | 2022-09-27 | 인텔 코포레이션 | 무선 인터페이스 엔진들 및 무선 가상 머신들을 포함하는 재구성가능한 무선 시스템들 |
| US20230319656A1 (en) * | 2020-03-25 | 2023-10-05 | Lg Electronics Inc. | Method and apparatus for transmitting and receiving wireless signal in wireless communication system |
| US20230269606A1 (en) * | 2020-05-05 | 2023-08-24 | Nokia Technologies Oy | Measurement configuration for local area machine learning radio resource management |
| US20220386249A1 (en) * | 2021-05-26 | 2022-12-01 | Qualcomm Incorporated | Techniques for scaling a transmit power limit |
| US20220386151A1 (en) * | 2021-06-01 | 2022-12-01 | Qualcomm Incorporated | Techniques for machine learning based peak to average power ratio reduction |
| US20230041404A1 (en) * | 2021-08-06 | 2023-02-09 | Qualcomm Incorporated | Determining a beam failure instance count for beam failure detection |
-
2022
- 2022-03-03 US US17/653,442 patent/US20220294666A1/en active Pending
- 2022-03-04 WO PCT/KR2022/003105 patent/WO2022186659A1/en active Application Filing
- 2022-03-04 EP EP22763640.4A patent/EP4298742A4/en active Pending
- 2022-03-04 KR KR1020237033520A patent/KR20230156362A/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| EP4298742A4 (en) | 2024-08-28 |
| EP4298742A1 (en) | 2024-01-03 |
| US20220294666A1 (en) | 2022-09-15 |
| WO2022186659A1 (en) | 2022-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20230156362A (ko) | 무선 통신 시스템에서 채널 추정 및 이동성 향상을 위한 방법 및 장치 | |
| US20220287104A1 (en) | Method and apparatus for support of machine learning or artificial intelligence techniques in communication systems | |
| EP3482505B1 (en) | Systems and methods for ue-specific beam management for high frequency wireless communication | |
| US20230006913A1 (en) | Method and apparatus for channel environment classification | |
| US11924659B2 (en) | Pose-based beam update techniques for wireless communications | |
| CN116965097A (zh) | 支持通信系统中切换管理的机器学习或人工智能技术的方法和装置 | |
| CN117561693A (zh) | 用于参考符号模式适配的方法和装置 | |
| KR20230169154A (ko) | Ue 개시 빔 활성화 방법 및 장치 | |
| KR20230131949A (ko) | 셀 간 동작을 위한 빔 관리, 측정 및 보고를 위한 방법 및 장치 | |
| KR20240140924A (ko) | 무선 통신 시스템에서 설정 가능한 측정 리소스 및 보고를 위한 방법 및 장치 | |
| WO2024103197A1 (en) | Overhead reduction for feedback on beam prediction results | |
| WO2023212916A1 (en) | Machine learning for beam prediction | |
| WO2024207250A1 (en) | Accuracy and capabilities for cross frequency-range beam prediction | |
| US20240089875A1 (en) | Relay operation with energy state modes | |
| US20240022311A1 (en) | Slot aggregation triggered by beam prediction | |
| WO2024152339A1 (en) | Opportunistic time domain beam prediction reporting | |
| US20240032039A1 (en) | Uplink control opportunities for uplink carrier switching | |
| WO2024092482A1 (en) | Overlapping measurement gaps in layer one and layer three measurements | |
| WO2024124477A1 (en) | Techniques for beam management | |
| WO2023184070A1 (en) | Differential demodulation reference signal based channel quality reporting | |
| WO2023207769A1 (en) | Predictive beam management mode switching | |
| US20240007887A1 (en) | Sensing and signaling of inter-user equipment (ue) cross link interference characteristics | |
| US20230308349A1 (en) | Method and apparatus for reference symbol pattern adaptation | |
| US20240340122A1 (en) | Multiple antenna port sounding reference signal transmission using sets of symbols | |
| WO2024164296A1 (en) | Techniques for autonomous time domain beam prediction |