KR20230169948A - Fdd mimo 시스템에서 csi 피드백을 위한 기계학습 또는 인공지능 기술 지원 방법 및 장치 - Google Patents

Fdd mimo 시스템에서 csi 피드백을 위한 기계학습 또는 인공지능 기술 지원 방법 및 장치 Download PDF

Info

Publication number
KR20230169948A
KR20230169948A KR1020237032125A KR20237032125A KR20230169948A KR 20230169948 A KR20230169948 A KR 20230169948A KR 1020237032125 A KR1020237032125 A KR 1020237032125A KR 20237032125 A KR20237032125 A KR 20237032125A KR 20230169948 A KR20230169948 A KR 20230169948A
Authority
KR
South Korea
Prior art keywords
csi
reporting
settings
assisted
prediction
Prior art date
Application number
KR1020237032125A
Other languages
English (en)
Inventor
프라나브 마다디
전정호
조준영
차오양 예
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Publication of KR20230169948A publication Critical patent/KR20230169948A/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/51—Allocation or scheduling criteria for wireless resources based on terminal or device properties
    • 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
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0636—Feedback format
    • H04B7/0645—Variable feedback
    • H04B7/065—Variable contents, e.g. long-term or short-short
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0658—Feedback reduction
    • 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
    • H04L1/0023—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the signalling
    • H04L1/0026—Transmission of channel quality indication
    • 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
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/21—Control channels or signalling for resource management in the uplink direction of a wireless link, i.e. towards the network
    • 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
    • H04W72/232—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 physical layer, e.g. DCI signalling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W80/00—Wireless network protocols or protocol adaptations to wireless operation
    • H04W80/02—Data link layer protocols

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 개시는 LTE(Long Term Evolution)와 같은 4G 통신 시스템을 넘어 더 높은 데이터 전송률을 지원하기 위한 5G 통신 시스템 또는 6G 통신 시스템에 관한 것이다. 기계학습(ML) 지원 채널 상태 정보(CSI) 보고 또는 ML 지원 CSI 예측은, ML 지원 CSI 예측 및 인공지능 채널 특징 정보(AI-CFI) 보고 중 적어도 하나를 활성화 또는 비활성화 하는 지시자를 포함하는 CSI 보고 설정들(CSI reporting configurations)을 수신하는 동작을 포함한다. ML 모델 훈련이 수행되거나 훈련된 ML 모델 파라미터들이 수신되고, CSI 보고 설정들 중 적어도 하나에 해당하는 CSI 참조 신호들이 수신된다. ML 지원 CSI 예측이 활성화된 경우, CSI 보고 설정들은 미래 CSI 예측을 위한 타이밍 오프셋 및 ML 지원 CSI 예측에 사용되는 ML 모델에 대한 지시자를 포함하는 ML 설정들을 더 포함한다. AI-CFI 보고가 활성화된 경우, CSI 보고 설정들은 AI-CFI의 보고를 위한 설정 및 ML 지원 CSI 피드백 결정에 사용되는 ML 모델에 대한 지시자를 포함하는 ML 설정들을 더 포함한다.

Description

FDD MIMO 시스템에서 CSI 피드백을 위한 기계학습 또는 인공지능 기술 지원 방법 및 장치
본 개시는 일반적으로 통신 장비에서 기계학습(machine learning)의 적용에 관한 것으로, 보다 구체적으로 개선된 채널 상태 정보(channel state information) 피드백에 관한 것이다.
4세대(4G) 또는 LTE(Long Term Evolution) 통신 시스템의 배치 이후 증가된 무선 데이터 트래픽에 대한 수요를 충족시키고 또한 다양한 수직 애플리케이션들(vertical applications)을 가능하게 하기 위해, 개선된 5세대(5G) 및/또는NR(New Radio) 또는 pre-5G/NR 통신 시스템을 개발하고 배치하기 위한 노력을 해왔다. 따라서, 5G/NR 또는 pre-5G/NR 통신 시스템은 'Beyond 4G Network' 또는 'Post LTE 시스템'이라고도 한다. 5G/NR 통신 시스템은 더 높은 데이터 속도를 달성하기 위해 28 GHz 또는 60 GHz 대역과 같이 더 높은 주파수(mmWave) 대역에서 구현되거나, 강건한 커버리지 및 이동성 지원이 가능하도록 6 GHz와 같이 더 낮은 주파수 대역에서 구현되는 것으로 고려된다. 전파(radio wave)의 전파 손실을 감소시키고, 송신 거리를 증가시키기 위해, 빔포밍(beamforming), 대용량 MIMO(massive multiple-input multiple-output), 전차원 MIMO(FD-MIMO), 어레이 안테나, 아날로그 빔포밍, 대규모 안테나 기술 등이 5G/NR 통신 시스템에서 논의된다.
또한, 5G/NR 통신 시스템에서, 첨단 소형 셀, 클라우드 RAN(radio access network), 초 고밀도 네트워크, D2D 통신, 무선 백홀, 이동 네트워크, 협력 통신, CoMP(Coordinated Multi-Point), 수신 단 간섭 제거 등을 기반으로 시스템 네트워크 개선을 위한 개발이 진행되고 있다.
본 개시의 특정 실시예가 5G 시스템, 6세대(6G) 시스템 또는 테라헤르츠(THz) 대역을 사용할 수 있는 이후 릴리스에서 구현될 수 있으므로 5G 시스템 및 이와 관련된 기술들에 대한 논의는 참조용이다. 다만, 본 개시는 어떤 특정 클래스의 시스템 또는 그와 관련된 주파수 대역에 제한되지 않으며, 본 개시의 실시예는 어떠한 주파수 대역과도 연계하여 활용될 수 있다. 예를 들어, 본 개시의 양상은 5G 통신 시스템의 배치, 6G 통신 시스템, 또는 테라헤르츠(THz) 대역을 사용하는 통신에도 적용될 수 있다.
여러 세대를 거친 무선통신의 발전을 고려하면, 음성통화, 멀티미디어 서비스, 데이터 서비스 등 사람을 대상으로 하는 서비스들 위주로 기술이 개발되어 왔다. 5G 통신 시스템의 상용화에 따라서 연결된 기기들(connected devices)의 수가 기하급수적으로 증가할 것으로 예상된다. 이들은 점점 더 통신 네트워크에 연결될 것이다. 연결된 사물들(connected things)의 예로는 차량, 로봇, 드론(drones), 가전제품, 디스플레이, 다양한 인프라와 연결된 스마트 센서, 건설기계, 공장 설비 등이 있다. 모바일 기기들은 증강현실 안경, 가상현실 헤드셋, 홀로그램 장치 등의 다양한 폼팩터로 진화할 것으로 예상된다. 6G 시대(6G era)에 수천억 대의 기기들과 사물들을 연결하여 다양한 서비스를 제공하기 위해, 개선된 6G 통신 시스템 개발을 위한 노력이 지속돼 왔다. 이러한 이유로, 6G 통신 시스템은 beyond-5G 시스템이라고 지칭된다.
2030년경에 상용화될 것으로 예상되는 6G 통신 시스템은 테라(1,000 기가)급 bps의 최대 데이터 전송률(peak data rate)과 100μsec 미만의 무선 지연(radio latency)을 가지게 될 것이며, 따라서 5G 통신 시스템보다 50배 빠르며 무선 지연은 그것의 1/10이 될 것이다.
이와 같은 높은 데이터 전송률과 초저지연을 달성하기 위해, 6G 통신 시스템을 테라헤르츠 대역(예, 95GHz~3THz 대역)에서 구현하는 것이 고려되고 있다. 5G에 도입된 mmWave 대역보다 테라헤르츠 대역에서 경로 손실과 대기 흡수가 심하여, 신호 전송 거리(즉, 커버리지)를 확보할 수 있는 기술이 더욱 중요해질 것으로 예상된다. 커버리지 확보를 위한 주요 기술로서, 무선 주파수(RF) 소자, 안테나, OFDM(orthogonal frequency division multiplexing)보다 커버리지가 좋은 새로운 파형(waveforms), 빔포밍(beamforming) 및 대규모 MIMO(multiple input multiple output), 전차원 MIMO(full dimensional MIMO), 어레이 안테나, 대규모 안테나와 같은 다중 안테나 전송 기술 등을 개발할 필요가 있다. 또한, 메타물질(metamaterial) 기반의 렌즈 및 안테나, 궤도 각운동량(orbital angular momentum, OAM), 재구성가능 지능형 표면(reconfigurable intelligent surface, RIS) 등 테라헤르츠 대역 신호의 커버리지 향상을 위한 신기술에 대한 논의가 진행 중이다.
또한, 스펙트럼 효율성과 전체적인 네트워크 성능을 개선하기 위해 6G 통신 시스템을 위해 다음과 같은 기술이 개발된다: 상향링크 전송과 하향링크 전송이 동시에 동일한 주파수 자원을 사용할 수 있도록 하는 전이중(full-duplex) 기술; 위성, 고고도 무선국(high altitude platform station, HAPS) 등을 통합적으로 활용하기 위한 네트워크 기술; 모바일 기지국 등을 지원하고 네트워크 운영 최적화 및 자동화 등을 가능하게 하는 개선된 네트워크 구조; 스펙트럼 사용 예측에 기반한 충돌 회피를 통한 동적 스펙트럼 공유(dynamic spectrum sharing) 기술; 6G 개발 및 종단간 인공지능 지원 기능 내재화를 위해 설계 단계부터 AI를 이용하여 전체적인 네트워크 운영의 개선을 위한 무선 통신에서 인공지능(AI)의 활용; 및 네트워크를 통해 도달 가능한 초고성능 통신 및 컴퓨팅 자원(예, 모바일 에지 컴퓨팅(MEC), 클라우드 등)를 통해 단말(UE) 컴퓨팅 능력의 한계를 극복하기 위한 차세대 분산 컴퓨팅 기술. 또한, 6G 통신 시스템에 사용될 새로운 프로토콜 설계, 하드웨어 기반의 보안 환경 구현 및 데이터의 안전한 사용을 위한 메커니즘 개발, 프라이버시 유지를 위한 기술 개발 등을 통해, 기기들 간의 연결성 강화, 네트워크 최적화, 네트워크 엔터티의 소프트웨어화 촉진, 무선 통신의 개방성 증가를 위한 시도가 계속되고 있다.
P2M(person to machine), M2M(machine to machine) 등 초연결 6G 통신 시스템의 연구개발을 통해 다음 단계의 초연결 경험(next hyper-connected experience)이 가능할 것으로 기대된다. 특히, 진정한 몰입형 확장현실(XR), 고정밀 모바일 홀로그램, 디지털 복제(digital replica) 등의 서비스가 6G 통신 시스템을 통해 제공될 수 있을 것으로 기대된다. 또한, 보안 및 신뢰성 향상을 위한 원격 수술(remote surgery), 산업 자동화, 응급 대응(emergency response) 등의 서비스를 6G 통신 시스템을 통해 제공하여, 이러한 기술들이 산업, 의료, 자동차, 가전 등 다양한 분야에 적용될 수 있다.
고해상도 CSI를 보고하기 위한 오버헤드(비트 수)가 클 수 있다. 5G NR에서, 공간 및 주파수 도메인 모두에서 상관 관계를 활용하여 피드백 오버헤드를 줄이는 Type II CSI 코드북(codebook)이 도입되었다. 5G UE에서 구현하기 어려울 정도로 오버헤드는 여전히 높다. 따라서 큰 MU(multi-user)-MIMO(multiple-input multiple-output) 성능 이득을 유지하면서 CSI 오버헤드를 압축(감소)하는 것이 바람직하다. 본 개시는 적어도 상기 문제점을 해결하기 위한 것이다. 따라서, 본 개시의 일 측면은 FDD MU-MIMO 시스템에서 고해상도 CSE 피드백과 관련된 오버헤드 감소라는 특정한 목적을 위해 통신 시스템에서 AI/ML 기술을 지원하기 위한 방법 및 장치를 제공한다.
기계 학습 지원 채널 상태 정보 보고(machine learning(ML) assisted channel state information(CSI) reporting) 또는 ML 지원 CSI 예측(ML assisted CSI prediction)은, ML 지원 CSI 예측 및 인공지능 채널 특징 정보(artificial intelligence channel feature information, AI-CFI) 보고 중 적어도 하나를 활성화 또는 비활성화하는 지시자를 포함하는 CSI 보고 설정들(CSI reporting configurations)을 수신하는 동작을 포함한다. ML 모델 훈련(ML model training)이 수행되거나 훈련된 ML 모델 파라미터들(trained ML model parameters)이 수신되고, CSI 보고 설정들 중 적어도 하나에 해당하는 CSI 참조 신호가 수신된다. ML 지원 CSI 예측이 활성화된 경우, CSI 보고 설정은 미래 CSI 예측을 위한 타이밍 오프셋 및 ML 지원 CSI 예측에 사용되는 ML 모델에 대한 지시자를 포함하는 ML 설정(ML configuration)을 더 포함한다. AI-CFI 보고가 활성화된 경우, CSI 보고 설정은 AI-CFI의 보고를 위한 설정 및 ML 지원 CSI 피드백 결정에 사용되는 ML 모델에 대한 지시자를 포함하는 ML 설정을 더 포함한다.
일 실시예에서, 방법은 기계학습(ML) 지원 채널 상태 정보(CSI) 보고 또는 ML 지원 CSI 예측 중 하나를 지원하기 위한 사용자 장비(UE)의 능력을 지시하는 동작을 포함한다. 상기 방법은 설정을 수신하는 동작을 포함하며, 여기서 설정은 ML 지원 CSI 예측 및 ML 지원 CSI 보고 중 적어도 하나를 활성화 또는 비활성화하는 하나 이상의 지시자를 포함한다. 방법은 ML 모델의 훈련 또는 훈련된 ML 모델 파라미터들의 수신 중 하나를 수행하는 동작, 및 설정들 중 적어도 하나에 해당하는 CSI 참조 신호를 수신하는 동작을 더 포함하고, 여기서 ML 지원 CSI 예측이 활성화된 경우, 상기 설정은 미래 CSI 예측을 위한 타이밍 오프셋, 및 ML 지원 CSI 예측에 사용되는 ML 모델에 대한 지시자를 포함하는 ML 설정을 더 포함한다. 방법은 예측된 CSI를 결정하고 피드백으로서 전송하는 동작을 더 포함하고, 여기서 ML 지원 CSI 보고가 활성화된 경우, 상기 설정은 CSI 보고 수량(CSI report quantity)에 대한 설정, 인공지능 채널 특징 정보(AI-CFI), 및 ML 지원 CSI 보고에 사용되는 ML 모델에 대한 지시자를 포함하는 ML 설정을 더 포함한다. 방법은 상기 설정에 기초하여 CSI 참조 신호를 측정하는 동작, 및 AI-CFI를 포함하는 CSI 보고(CSI report)를 전송하는 동작을 더 포함한다.
제2 실시예에서, 사용자 장비(UE)는 기계 학습(ML) 지원 채널 상태 정보(CSI) 보고 또는 ML 지원 CSI 예측 중 하나를 지원하기 위한 UE의 능력을 지시하고 및 설정을 수신하도록 설정된 송수신부를 포함하는데, 여기서 상기 설정은 ML 지원 CSI 예측 및 ML 지원 지원 CSI 보고 중 적어도 하나를 활성화하거나 비활성화하는 하나 이상의 지시자를 포함한다. UE는 ML 모델의 훈련 또는 훈련된 ML 모델 파라미터들의 수신 중의 하나를 수행하도록 설정된 프로세서를 포함하고, 여기서 송수신부는 상기 설정들 중 적어도 하나에 대응하는 CSI 참조 신호를 수신하도록 설정된다. ML 지원 CSI 예측이 활성화된 경우, 상기 설정은 미래 CSI 예측을 위한 타이밍 오프셋, 및 ML 지원 CSI 예측에 사용되는 ML 모델에 대한 지시자를 포함하는 ML 설정을 더 포함한다. 프로세서는 예측된 CSI를 결정하고 피드백으로서 전송하도록 더 설정된다. ML 지원 CSI 보고가 활성화된 경우, 상기 설정은 CSI 보고 수량(CSI report quantity)에 대한 설정, 인공지능 채널 특징 정보(AI-CFI), 및 ML 지원 CSI 보고에 사용되는 ML 모델에 대한 지시자를 포함하는 ML 설정을 더 포함한다. 프로세서는 설정에 기초하여 CSI 참조 신호를 측정하고 AI-CFI를 포함하는 CSI 보고를 전송하도록 더 설정된다.
다른 실시예에서, 기지국(BS)은 기계 학습(ML) 지원 채널 상태 정보(CSI) 보고 또는 ML 지원 CSI 예측 중 하나를 지원하기 위한 사용자 장비(UE)의 능력에 대한 지시자를 획득하도록 설정된 송수신부를 포함한다. 송수신부는 설정을 전송하도록 설정되며, 여기서 상기 설정은 ML 지원 CSI 예측 및 ML 지원 CSI 보고 중 적어도 하나를 활성화 또는 비활성화하는 하나 이상의 지시자를 포함한다. UE는 ML 모델의 훈련 또는 훈련된 ML 모델 파라미터들의 수신 중 하나를 수행하도록 설정되고, 여기서 송수신부는 상기 설정들 중 적어도 하나에 대응하는 CSI 참조 신호를 수신하도록 설정된다. ML 지원 CSI 예측이 활성화된 경우, 상기 설정은 미래 CSI 예측을 위한 타이밍 오프셋, 및 ML 지원 CSI 예측에 사용되는 ML 모델에 대한 지시자를 포함하는 ML 설정을 더 포함한다. UE는 예측된 CSI를 결정하고 피드백으로서 송신하도록 더 설정된다. ML 지원 CSI 보고가 활성화된 경우, 상기 설정은 CSI 보고 수량(CSI report quantity)에 대한 설정, 인공지능 채널 특징 정보(AI-CFI), 및 ML 지원 CSI 보고에 사용되는 ML 모델에 대한 지시자를 포함하는 ML 설정을 더 포함한다. UE는 설정에 기초하여 CSI 참조 신호를 측정하고, AI-CFI를 포함하는 CSI 보고를 전송하도록 더 설정된다.
전술된 실시예의 하나에서, ML 지원 CSI 보고가 설정된 경우, AI-CFI는 채널의 압축된 지식(compressed knowledge)에 해당하는 ML 모델의 양자화된 출력(quantized output) 및 채널의 관련 특징(relevant features)에 해당하는 ML 모델의 양자화된 출력 중 적어도 하나를 포함한다.
전술된 실시예의 하나에서, 상기 설정은 AI-CFI를 설정하기 위한 정보를 포함하고, 여기서 상기 정보는 ML 모델의 출력을 양자화하기 위해 사용될 양자화 방법, 사용될 양자화 비트의 수, 원본 CSI에서 AI-CFI로의 압축 비율, 또는 CSI 피드백 비트의 총 수 중 하나이다.
전술된 실시예의 하나에서, 상기 설정은 ML 모델의 선택에 사용되는 추가적인 정보를 포함하고, 추가적인 정보는 신호 대 잡음 비(SNR) 범위를 포함한다.
전술된 실시예의 하나에서, 상기 설정은 트리거에 기초하여 ML 지원 CSI 보고와 ML 지원 없는 CSI 보고(CSI reporting without ML assistance) 사이의 동적 전환(dynamic switching)을 설정한다. 상기 트리거는 다음 중 하나를 포함한다: 물리적 상향링크 공유 채널(PUSCH) 상의 비주기적 및 반영구적 보고의 경우 트리거는 하향링크 제어 정보(DCI) 포맷 0_1 내의 CSI 포맷 필드 또는 비주기적 또는 반영구적 트리거 이벤트의 목록에서 보고 설정 식별자(report configuration identifier) 중의 하나이며, 물리적 상향링크 제어 채널(PUCCH) 상의 반영구적 보고의 경우 트리거는 매체 액세스 제어 - 제어 요소(MAC-CE) 내의 전용 필드(dedicated field)이다.
전술된 실시예의 하나에서, ML 지원 CSI 예측이 활성화된 경우, 미래의 CSI 예측을 위한 타이밍 오프셋은 무선 자원 제어(RRC) 메시지를 통해 설정된 고정 값 또는 값들의 집합 중 하나로서 수신된다.
전술된 실시예의 하나에서, 상기 설정은 현재 즉각적 CSI(current instant CSI) 보고와 다음에서 선택된 트리거 메커니즘을 이용한 ML 기반 미래 예측된 CSI (ML-based future predicted CSI) 보고 간에 동적으로 전환된다: 물리적 상향링크 공유 채널(PUSCH) 상의 비주기적 및 반영구적 보고에 대해, 하향링크 제어 정보(DCI) 포맷 0_1 내의 필드, 비주기적 CSI 보고 트리거의 목록 중 하나에서 보고 설정 식별자, 또는 PUSCH 상의 반영구적 CSI 보고를 위한 정보 요소들(information element) 중의 하나, 또는 물리적 상향링크 제어 채널(PUCCH) 상의 반영구적 보고에 대해 상기 트리거는 매체 액세스 제어 - 제어 요소(MAC-CE) 내의 전용 필드이다.
다른 기술적 특징들은 다음의 도면, 설명 및 청구범위로부터 당업자에게 어렵지 않게 명백해질 것이다.
아래의 "상세한 설명"에 들어가기 전에 본 특허 문서 전체에서 사용되는 특정 단어와 구의 정의를 설명하는 것이 유리할 수 있을 것이다. "결합(couple) "이라는 용어와 그 파생어는 서로 물리적으로 접촉하는지 여부에 관계없이 둘 이상의 요소들 간의 직접적 또는 간접적 통신을 의미한다. "전송(transmit)", "수신(receive)" 및 "통신(communicate)"이라는 용어들과 그 파생어들은 직접 및 간접 통신을 모두 포괄한다. "포함(include)" 이나 "포함(comprise)"이라는 용어 및 그 파생어는 제한 없는 포함을 의미한다. "또는(or)"은 "및/또는"을 의미하는 포괄적인(inclusive) 용어이다. "연관된(associated with)"이라는 어구 및 이의 파생어는 포함하다, 포함되다, 상호 연결되다, 포함하다(contain), 포함되다, 연결하다, 결합하다, 통신 가능하다, 협력하다, 끼워넣다, 병치하다, 근접하다, ~에 속박되다, 소유하다, ~의 특성을 갖다, ~와 관계를 맺다 등을 포함하고자 한다. "제어부(controller)"라는 용어는 적어도 하나의 동작을 제어하는 어떠한 장치, 시스템 또는 그 일부를 의미한다. 이러한 제어부는 하드웨어, 또는 하드웨어와 소프트웨어 및/또는 펌웨어의 조합으로 구현될 수 있다. 특정 제어부와 관련된 기능은 국부적이든 원격이든 중앙 집중화되거나 분산될 수 있다. "적어도 하나(at least one of)"라는 어구는 항목들의 목록과 함께 사용될 때 나열된 항목 중 하나 이상의 서로 다른 조합이 사용될 수 있으며 목록에서 하나의 항목만 필요할 수도 있음을 의미한다. 예를 들어, "A, B, C 중 적어도 하나"는 A, B, C, A와 B, A와 C, B와 C, A와 B와 C의 조합들 중 어느 하나를 포함한다. 유사하게, "집합(set)"이라는 용어는 하나 이상을 의미한다. 따라서 항목의 집합은 단일 항목 또는 둘 이상의 항목들의 집단(collection)일 수 있다.
또한, 아래에서 설명되는 다양한 기능들은 하나 이상의 컴퓨터 프로그램에 의해 구현되거나 지원될 수 있으며, 각각의 컴퓨터 프로그램은 컴퓨터 판독가능 프로그램 코드로부터 만들어지고 컴퓨터 판독가능 매체에 담긴다. "애플리케이션" 및 "프로그램"이라는 용어는, 적절한 컴퓨터 판독 가능 프로그램 코드로의 구현에 적합한, 하나 이상의 컴퓨터 프로그램, 소프트웨어 구성요소(components), 명령어(instructions) 집합, 절차, 함수, 객체, 클래스, 인스턴스, 관련 데이터, 또는 그 일부를 지칭한다. "컴퓨터 판독 가능 프로그램 코드(computer readable program code)"라는 어구는 소스 코드, 목적 코드 및 실행 가능 코드를 포함한 모든 유형의 컴퓨터 코드를 포함한다. "컴퓨터 판독 가능 매체"라는 어구는, 읽기 전용 메모리(ROM), 랜덤 액세스 메모리(RAM), 하드 디스크 드라이브, 컴팩트 디스크(CD), 디지털 비디오 디스크(DVD) 또는 기타 유형의 메모리와 같은, 컴퓨터에 의해 액세스될 수 있는 모든 유형의 매체를 포함한다. "비일과성(non-transitory)" 컴퓨터 판독 가능 매체는 일과성의(transitory) 전기적 또는 기타 신호를 전송하는 유선, 무선, 광학 또는 기타 통신 링크를 배제한다(exclude). 비일과성 컴퓨터 판독 가능 매체는 데이터를 영구적으로 저장할 수 있는 매체, 및 재기록 가능한 광 디스크 또는 지울 수 있는 메모리 장치와 같이 데이터를 저장하고 나중에 덮어쓸 수 있는 매체를 포함한다.
다른 특정 단어 및 구문에 대한 정의들은 이 특허 문서 전반에 걸쳐 제공된다. 당업자는 대부분은 아니지만 많은 경우에 이러한 정의들이 이렇게 정의된 단어 및 구의 이전 사용뿐만 아니라 미래 사용에도 적용됨을 이해하여야 한다.
본 개시의 이점 및 현저한 특징은, 첨부된 도면과 함께 본 개시의 바람직한 실시예를 개시하는, 다음의 상세한 설명으로부터 당업자에게 명백해질 것이다. 따라서 본 개시에서 FDD MU-MIMO 시스템에서 고해상도 CSI 피드백과 관련된 오버헤드 감소가 효율적으로 수행될 수 있다.
본 개시 및 그 장점들의 보다 완전한 이해를 위해, 이하 다음의 설명이 첨부된 도면들과 함께 참조된다.
도 1은 본 개시의 다양한 실시예에 따른 FDD MIMO 통신에서 CSI 피드백을 위해 기계학습을 활용하는 예시적인 네트워크 시스템을 도시한다.
도 2는 본 개시의 다양한 실시예에 따른 FDD MIMO 통신에서 CSI 피드백을 위해 기계학습을 활용하는 예시적인 기지국(BS)을 도시한다.
도 3은 본 개시의 다양한 실시예에 따른 FDD MIMO 통신에서 CSI 피드백을 위해 기계학습을 활용하는 네트워크 컴퓨팅 시스템에서 통신하기 위한 예시적인 전자 장치(electronic device)를 도시한다.
도 4는 본 개시의 실시예에 따른 CSI 피드백을 위한 AI/ML 기술을 지원하는 BS 동작(들)의 예에 대한 순서도를 도시한다.
도 5는 본 개시의 실시예에 따른 UE에서 추정된 CSI로부터 AI-CFI의 생성을 도시하는 예이다.
도 6은 본 개시의 실시예에 따른 CSI 피드백을 위한 AI/ML 기술을 지원하는 UE 동작의 예에 대한 순서도를 도시한다.
도 7은 본 개시의 실시예에 따른 CSI의 미래 예측을 위한 AI/ML 기술을 지원하는 기지국 동작의 예에 대한 순서도를 도시한다.
도 8은 본 개시의 실시예에 따른 CSI의 미래 예측을 위한 AI/ML 기술을 지원하는 UE 동작의 예에 대한 순서도를 도시한다.
도 9는 본 개시의 실시예에 따른 CSI-ReportConfig IE에 첨가된 추가적인 필드들의 예를 도시한다.
도 10은 본 개시의 실시 예에 따른 CSI-AperiodicTriggerStateList IE의 필드들의 예를 도시한다.
도 11은 본 개시의 실시예에 따른 AI/ML 기반 CSI 피드백을 가능하게 하는 2개의 가능한 새로운 실시예를 강조하는 비주기적 CSI 보고 트리거링 과정을 예시한다.
도 12는 본 개시의 실시예에 따른 CSI-AperiodicTriggerStateList IE의 필드들의 예를 도시한다.
도 13은 본 개시의 실시예에 따른 PUCCH 활성화/비활성화 MAC CE 상의 반영구적 CSI 보고를 예시한다.
도 14는 본 개시의 실시예에 따른 기지국이 채널 디코딩을 위해 UL 부분 상호성(partial reciprocity) 정보를 이용하는 장치를 도시한다.
도 15는 본 개시의 실시예에 따른 CSI-ReportConfig에 첨가된 추가적인 필드들의 예를 나타낸다.
여기에 포함된 도면들 및 본 개시의 원리를 설명하기 위해 사용되는 다양한 실시예들은 단지 예시를 위한 것이며, 어떠한 방식으로든 본 개시의 범위를 제한하는 것으로 해석되어서는 안 된다. 또한, 당업자는 본 개시의 원리가 적절하게 구비된 어떤 무선 통신 시스템에서 구현될 수 있음을 이해할 것이다.
참고 문헌:
[1] 3GPP TS 38.331 Rel-16 v16.3.1, "NR; 무선 자원 제어 프로토콜 규격(Radio Resource Control(RRC) protocol specification)", 2021년 1월.
[2] 3GPP TS 38.214 Rel-16 v16.4.0, "NR; 데이터를 위한 물리 계층 절차(Physical layer procedures for data)", 2021년 1월.
[3] 3GPP TS 38.321 Rel-16 v16.3.0, "NR; 매체 액세스 제어 프로토콜 규격 (Medium Access Control (MAC) protocol specification)", 2021년 1월.
상기 식별된 참고문헌은 참조로써 여기에 포함된다.
약어:
3GPP Third Generation Partnership Project(3세대 파트너십 프로젝트)
ML Machine Learning(기계학습)
AI Artificial Intelligence(인공지능)
gNB Base Station(기지국)
UE User Equipment(사용자 장비)
NR New Radio
FDD Frequency Division Duplex(주파수 분할 듀플렉스)
TDD Time Division Duplex(시분할 듀플렉스)
CSI Channel State information(채널 상태 정보)
RI Rank Indicator(랭크 지시자)
CQI Channel Quality Indicator(채널 품질 지시자)
PMI Precoding Matrix Indicator(프리코딩 행렬 지시자)
LI Layer Indicator(계층 지시자)
CRI CSI-RS Resource Indicator(CSI-RS 자원 지시자)
AI-CFI Artificial Intelligent-Channel Feature Information(인공지능 채널 특징 정보)
SCell Secondary Cell(세컨더리 셀)
SpCell Special Cell(특수 셀)
PCell Primary Cell(프라이머리 셀)
RAT Radio Access Technology(무선 액세스 기술)
RRC Radio Resource Control(무선 자원 제어)
DCI Downlink Control Information(하향링크 제어 정보)
MAC CE Medium Access Control - Control Element(매체 액세스 제어 - 제어 요소)
DL Downlink(하향링크)
UL Uplink(상향링크)
LTE Long-Term Evolution
대규모 다중-입력 다중-출력(massive multiple-input multiple-output, massive MIMO)은 5세대 무선 통신 시스템에서 핵심 기술 중 하나로 널리 간주된다. 더 큰 안테나 어레이를 사용하여 이러한 시스템은 스펙트럼과 에너지 효율성을 모두 높일 수 있으며, 시스템 성능을 최대화하기 위해 고차 다중 사용자(multi-user, MU)-MIMO 전송을 추가로 지원할 수 있다.
MIMO 전송 방식의 핵심 구성 요소 중 하나는 기지국 또는 gNB(gNodeB)에서 채널 상태 정보(CSI)의 획득이다. 특히 MU-MIMO의 경우 높은 MU 성능을 보장하기 위해서 정확한 CSI의 가용성이 요구된다. 주파수 분할 듀플렉스(FDD) 시스템에서, CSI는 gNB의 CSI 참조 신호(CSI-RS) 전송 및 이동국(mobile station) 또는 사용자 장비(UE)의 CSI 계산 및 피드백을 이용하여 획득된다.
기존의 CSI 피드백 프레임워크는 프리코딩 행렬 지시자(PMI), 랭크 지시자(RI) 및 채널 품질 지시자(CQI)의 세 가지 구성 요소의 형태로서 '암묵적' 이다. UE는 사실상 단일 사용자(single-user, SU) 전송의 가정하에 하향링크(DL) 채널 추정을 이용하여 이러한 구성 요소들을 유도한다. PMI 피드백은 DL 채널 강도(channel strength)가 강한 DL 채널 고유벡터들(DL channel eigenvectors)에 해당하며, 3GPP에서 정의한 프리코딩 행렬 코드북(pre-coding matrix codebook)의 요소에 대한 인덱스이다. 채널의 강도(strength)는 CQI 형태로 피드백 되고, 우세한 고유벡터들(dominant eigenvectors)의 수는 RI로 지시된다.
CSI를 유도하는 동안 내재된 SU 가정으로 인해 이러한 암시적 CSI 피드백은 MU 전송에 적합하지 않다. 이러한 문제를 인식하고, 3GPP는 Rel. 14 LTE에서 '고급 CSI 코드북'이라는 선형 결합(linear combination, LC) 코드북을 기반으로 하여 고해상도 CSI 보고에 대한 규격 지원을 제공하였다. 그러나, 고해상도 CSI를 보고하기 위한 오버헤드(비트 수)가 클 수 있다. 5G NR에서, 공간 및 주파수 도메인 모두에서 상관 관계를 활용하여 피드백 오버헤드를 줄이는 Type II CSI 코드북이 도입되었다. 5G UE에서 구현하기 어려울 정도로 오버헤드는 여전히 높다. 따라서 큰 MU-MIMO 성능 이득을 유지하면서 CSI 오버헤드를 압축(감소)하는 것이 바람직하다.
기존 압축 감지(compressed sensing, CS)는 제대로 동작하지 못하는데, 즉 큰 압축률에서 채널 행렬이 충분히 성기지 않기(not sparse) 때문에 재구성된 채널과 원래 채널의 유사도가 20% 미만 이다. 한편, 딥 러닝(deep learning)은 컴퓨터 비전과 신호 처리에서 큰 성공을 거두었다. 구체적으로, 딥 러닝 기반 방법들이 이미지 압축 업무를 지배하였는데, 이는 연구자들에게 신경망(neural network, NN)을 이용하여 CSI 매트릭스를 압축하는 동기를 부여한다.
인공지능(AI)/기계학습(ML) 알고리즘을 통신 네트워크에 적용하는 것이 많은 관심을 끌었다. AI/ML 알고리즘은 네트워크와 UE 측 모두에서 5G 네트워크 전개에 사용될 것이라고 언급되었다. 일반적으로, AI는 과거의 훈련 데이터(training data)를 기반으로 네트워크가 더 빠르고 현명한 결정을 내릴 수 있도록 돕는 도구이다. 표준화 지원의 잠재적 이점은 피드백/제어 시그널링 오버헤드 감소, 보다 정확한 피드백, 기지국과 UE 간의 조정이 필요한 더 나은 AI 알고리즘을 가능하게 하는 것이다. 이러한 잠재적 이점은 예를 들어 처리량 및 신뢰성 측면에서 더 나은 시스템 성능으로 전환될 것이다.
본 개시는 FDD MU-MIMO 시스템에서 고해상도 CSI 피드백의 경우에 오버헤드 감소를 가능하게 하기 위해 무선 통신 시스템 특히 기지국 및 UE에서 AI/ML 기술을 지원하기 위한 프레임워크를 제시한다. 대응하는 시그널링 세부 사항들이 본 개시에서 논의된다.
본 개시는 FDD MU-MIMO 시스템에서 고해상도 CSI 피드백과 연관된 오버헤드의 감소라는 특정 목적을 위해 통신 시스템에서 AI/ML 기술의 지원에 관한 것이다. 딥 러닝 기반 압축 기술을 사용하여 CSI 보고를 위한 AI/ML 접근 방식을 설정하는 기술, 장치 및 방법이 개시되며, 특히 비주기적/반지속적 CSI 보고를 위한 상세한 설정 방법과 시스템의 다양한 구성 요소에서 시그널링 방법 동작이 논의되었다.
본 개시의 실시예는 CSI 피드백과 연관된 오버헤드를 감소시키기 위해 AI/ML 기술을 활용하는 임의의 통신 시스템에 일반적으로 적용 가능하다.
예시적인 실시예에 대한 설명이 아래에 제공된다.
텍스트와 도면은 단지 독자가 본 개시를 이해하는 데 도움이 되는 예로서만 제공된다. 그것들은 어떠한 방식으로든 본 개시의 범위를 제한하는 것으로 의도되지 않으며 그렇게 해석되어서도 안 된다. 특정 실시예 및 예가 제공되었지만, 여기의 개시에 기초하여, 도시된 실시예 및 예의 변경이 본 개시의 범위를 벗어나지 않고 이루어질 수 있다는 것이 당업자에게 명백할 것이다.
본 개시의 측면, 특징 및 장점은 단지 몇 개의 특정 실시예 및 구현을 예시함으로써 다음의 상세한 설명으로부터 어렵지 않게 분명해진다. 본 개시의 주제는 또한 기타 다른 실시예를 가능하게 하며, 여러 세부 사항들은 모두 본 개시의 정신과 범위를 벗어나지 않고 다양하고 명백한 측면에서 수정될 수 있다. 따라서, 도면 및 설명은 본질적으로 예시적인 것이며 비제한적인 것으로 간주되어야 한다. 본 개시는 첨부 도면 상의 수치(figures)에 있어서 제한이 아닌 예로서 예시된다.
본 개시 전반에 걸쳐, 도 1, 도 2 등과 같은 모든 도면은 본 개시의 실시예에 따른 예를 도시한다. 각 도면에 대해 그 도면에 도시된 해당 실시예는 단지 예시를 위한 것이다. 각 도면에 도시된 구성요소들 중 하나 이상은 언급된 기능을 수행하도록 설정된 특수 회로로 구현될 수 있거나, 구성요소들 중 하나 이상은 언급된 기능을 수행하기 위한 명령어(instructions)를 실행하는 하나 이상의 프로세서에 의해 구현될 수 있다. 본 개시의 범위를 벗어나지 않고 다른 실시예가 사용될 수 있다. 또한, 도면에 대한 설명은 서로 다른 실시예가 구현될 수 있는 방식에 대한 물리적 또는 구조적 제한을 암시하고자 하는 것이 아니다. 본 개시의 서로 다른 실시예들은 적절하게 구비된 어떤 통신 시스템에서도 구현될 수 있다.
하기의 순서도들은 본 개시의 원리에 따라 구현될 수 있는 예시적인 방법들을 도시하고, 여기의 순서도들에 도시된 방법들에 다양한 변경이 이루어질 수 있다. 예를 들어, 일련의 단계들로서 도시되지만, 각 도면에서 다양한 단계들이 중첩되거나 병렬로 발생하거나 다른 순서로 발생하거나 여러 번 나타날 수 있다. 다른 예에서, 단계들은 생략되거나 또는 다른 단계로 대체될 수 있다.
도 1은 본 개시의 다양한 실시예에 따른 FDD MIMO 통신에서 CSI 피드백을 위해 기계학습을 활용하는 예시적인 네트워크 시스템을 도시한다. 도 1에 도시된 무선 네트워크(100)의 실시예는 단지 예시를 위한 것이다. 무선 네트워크(100)의 다른 실시예가 본 개시의 범위를 벗어나지 않고 사용될 수 있다.
도 1에 도시된 바와 같이, 무선 네트워크(100)는 기지국(BS)(101), BS(102), 및 BS(103)를 포함한다. BS(101)는 BS(102) 및 BS(103)와 통신한다. BS(101)는 또한 인터넷, 전용(proprietary) 인터넷 프로토콜(IP) 네트워크, 또는 다른 데이터 네트워크와 같은 적어도 하나의 IP 네트워크(130)와 통신한다.
BS(102)는 BS(102)의 커버리지 영역(120) 내의 복수의 제1 사용자 장비(UE)를 위해 네트워크(130)에 대한 무선 광대역 액세스(wireless broadband access)를 제공한다. 복수의 제1 UE는 소기업(SB)에 위치할 수 있는 UE(111), 기업(E)에 위치할 수 있는 UE(112), WiFi 핫스팟(HS)에 위치할 수 있는 UE(113), 제1 거주지(R1)에 위치할 수 있는 UE(114), 제2 거주지(R2)에 위치할 수 있는 UE(115), 및 휴대폰, 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) 내의 복수의 제2 UE에게 네트워크(130)에 대한 무선 광대역 액세스를 제공한다. 복수의 제2 UE는 UE(115) 및 UE(116)를 포함한다. 일부 실시예에서, BS들(101-103) 중 하나 이상은 5G, LTE, LTE Advanced(LTE-A), WiMAX, WiFi, NR, 또는 기타 무선 통신 기술을 이용하여 서로 및 UE들(111-116)과 통신할 수 있다.
네트워크 유형에 따라 "기지국" 또는 "BS" 대신에, 노드 B, 진화된 노드 B("eNodeB" 또는 "eNB"), 5G 노드 B("gNodeB" 또는 "gNB") 또는 "액세스 포인트"등 잘 알려진 다른 용어가 사용될 수 있다. 편의상, "기지국" 및/또는 "BS"라는 용어는 원격 단말에 무선 액세스를 제공하는 네트워크 인프라 구성요소를 지칭하기 위해 본 개시에서 사용된다. 또한, 네트워크 유형에 따라 "사용자 장비(user equipment, UE)" 대신에, "이동국(MS)", "가입자국(SS)", "원격 단말", "무선 단말", 또는 "사용자 장치"와 같은 잘 알려진 다른 용어가 사용될 수 있다. 편의상, 본 특허 문서에서, UE가 모바일 장치(예, 휴대폰 또는 스마트폰)인지 또는 일반적으로 고정식 장치(예, 데스크톱 컴퓨터 또는 자동 판매기)로 간주되던지, BS에 무선으로 접속하는 원격 무선 장비를 지칭하기 위해 "사용자 장비" 및 "UE"라는 용어가 사용된다.
점선은 커버리지 영역들(120, 125)의 대략적인 범위를 나타내며, 이들은 단지 예시 및 설명의 목적으로 대략적인 원형으로 도시되어 있다. 커버리지 영역들(120, 125)과 같은 BS와 관련된 커버리지 영역은, BS의 구성 및 자연적 및 인위적인 장애물들과 연관된 무선 환경의 변화에 따라, 불규칙한 모양을 포함하여 다른 형태를 가질 수 있음을 분명히 이해하여야 한다.
도 1은 무선 네트워크(100)의 한 예를 보여주지만 도 1에 다양한 변경이 이루어질 수 있다. 예를 들어, 무선 네트워크(100)는 어떤 적절한 배치에서 임의의 수의 BS 및 임의의 수의 UE를 포함할 수 있다. 또한, BS(101)는 임의의 수의 UE와 직접적으로 통신할 수 있고 이러한 UE들에게 네트워크(130)에 대한 무선 광대역 액세스를 제공할 수 있다. 유사하게, 각 BS(102-103)는 네트워크(130)와 직접적으로 통신할 수 있고 UE들에게 네트워크(130)에 대한 직접 무선 광대역 액세스를 제공할 수 있다. 또한, BS들(101, 102 및/또는 103)은 외부 전화 네트워크 또는 다른 유형의 데이터 네트워크와 같은 다른 또는 추가적인 외부 네트워크에 대한 액세스를 제공할 수 있다.
도 2는 본 개시의 다양한 실시예에 따른 FDD MIMO 통신에서 CSI 피드백을 위해 기계학습을 활용하는 예시적인 기지국(BS)을 도시한다. 도 2에 도시된 BS(200)의 실시예는 단지 예시를 위한 것이며, 도 1의 BS들(101 및 103)은 동일하거나 유사한 구성을 가질 수 있다. 그러나, BS들은 매우 다양한 구성을 가지며, 도 2는 본 개시의 범위를 BS의 어떤 특정 구현에 제한하지 않는다.
도 2에 도시된 바와 같이, BㅑS(200)는 복수의 안테나들(280a-280n), 복수의 무선 주파수(RF) 송수신부들(282a-282n), 송신(TX 또는 Tx) 처리 회로(284), 및 수신(RX 또는 Rx) 처리 회로(286)를 포함한다. BS(200)는 또한 제어부/프로세서(288), 메모리(2900), 및 백홀 또는 네트워크 인터페이스(292)를 포함한다.
RF 송수신부들(282a-282n)은, 네트워크(100) 상의 UE들에 의해 전송되는 신호와 같은, 들어오는(incoming) RF 신호들을 안테나들(280a-280n)로부터 수신한다. RF 송수신부들(282a-282n)은 들어오는 RF 신호들을 하향 변환하여(down-convert) IF 또는 기저대역 신호들을 생성한다. IF 또는 기저대역 신호들은 RX 처리 회로(286)로 전송되고, RX 처리 회로(286)는 기저대역 또는 IF 신호들을 필터링, 디코딩 및/또는 디지털화함으로써 처리된 기저대역 신호들을 생성한다. RX 처리 회로(286)는 추가적인 처리를 위해 처리된 기저대역 신호들을 제어부/프로세서(288)로 전송한다.
TX 처리 회로(284)는 제어부/프로세서(288)로부터 아날로그 또는 디지털 데이터(예, 음성 데이터, 웹 데이터, 이메일, 또는 대화형 비디오 게임 데이터)를 수신한다. TX 처리 회로(284)는 나가는(outgoing) 기저대역 데이터를 인코딩, 다중화 및/또는 디지털화하여 처리된 기저대역 또는 IF 신호들을 생성한다. RF 송수신부들(282a-282n)는 TX 처리 회로(284)로부터 처리된 나가는 기저대역 또는 IF 신호들을 수신하고, 기저대역 또는 IF 신호들을 안테나들(280a-280n)을 통해 전송되는 RF 신호들로 상향 변환한다(up-convert).
제어부/프로세서(288)는 BS(200)의 전체적인 동작을 제어하는 하나 이상의 프로세서 또는 기타 처리 장치를 포함할 수 있다. 예를 들어, 제어부/프로세서(288)는 잘 알려진 원리에 따라 RF 송수신부들(282a-282n), RX 처리 회로(286) 및 TX 처리 회로(284)에 의한 순방향 채널 신호들의 수신 및 역방향 채널 신호들의 송신을 제어할 수 있다. 제어부/프로세서(288)는 더 진보된 무선 통신 기능 및/또는 아래에서 더 자세히 설명되는 과정과 같은 추가 기능도 지원할 수 있다. 예를 들어, 제어부/프로세서(288)는 나가는 신호들을 원하는 방향으로 효과적으로 조종하기(steer) 위해 다중 안테나(280a-280n)로부터 나가는 신호들에게 서로 다른 가중치를 부여하는 빔 형성 또는 방향성 라우팅 동작을 지원할 수 있다. 제어부/프로세서(288)에 의해 BS(200)에서 매우 다양한 기타 기능들이 지원될 수 있다. 일부 실시예에서, 제어부/프로세서(288)는 적어도 하나의 마이크로프로세서 또는 마이크로컨트롤러를 포함한다.
제어부/프로세서(288)는 또한 기본 운영체제(OS)와 같은 메모리(290)에 상주하는 프로그램 및 기타 프로세스를 실행할 수 있다. 제어부/프로세서(288)는 실행중인 프로세스에 의해 요구되는 대로 데이터를 메모리(290)로 또는 메모리(290)에서 이동할 수 있다.
제어부/프로세서(288)는 또한 백홀 또는 네트워크 인터페이스(292)와 결합된다. 백홀 또는 네트워크 인터페이스(292)는 BS(200)가 백홀 연결 또는 네트워크를 통해 다른 장치 또는 시스템과 통신 가능하게 한다. 인터페이스(292)는 어떤 적합한 유선 또는 무선 연결(들)을 통한 통신을 지원할 수 있다. 예를 들어, BS(200)가 (6G, 5G, LTE 또는 LTE-A를 지원하는 것과 같은) 셀룰러 통신 시스템의 일부로서 구현될 경우, 인터페이스(292)는 BS(200)가 유선 또는 무선 백홀 연결을 통해 다른 BS와 통신하도록 허용할 수 있다. BS(200)가 액세스 포인트로서 구현될 경우, 인터페이스(292)는 BS(200)가 유선 또는 무선 로컬 영역 네트워크를 통해 또는 유선 또는 무선 연결을 통해 (인터넷과 같은) 더 큰 네트워크와 통신하도록 허용할 수 있다. 인터페이스(292)는 이더넷 또는 RF 송수신부와 같은 유선 또는 무선 연결을 통한 통신을 지원하는 어떤 적합한 구조를 포함한다.
메모리(290)는 제어부/프로세서(288)와 결합된다. 메모리(290)의 일부는 RAM을 포함할 수 있고, 메모리(290)의 다른 일부는 플래시 메모리 또는 기타 ROM을 포함할 수 있다.
아래에서 더 자세히 설명되는 것처럼, 네트워크 컴퓨팅 시스템에서 기지국은 다른 이웃 BS와의 간섭 관계에 기초하여 동기화 소스(synchronization source) BS 또는 종속 BS(slave BS)로 지정될 수 있다. 일부 실시예에서, 이 지정(assignment)은 공유 스펙트럼 관리자(shared spectrum manager)에 의해 제공될 수 있다. 다른 실시예에서, 지정은 네트워크 컴퓨팅 시스템에서 BS들에 의해 합의될 수 있다. 종속 BS들의 송신 타이밍 수립을 위해, 동기화 소스 BS는 OSS를 종속 BS들에게 전송한다.
도 2는 BS(200)의 일 예를 도시하지만, 도 2에 다양한 변경이 이루어질 수 있다. 예를 들어, BS(200)는 도 2에 도시된 각 구성요소를 임의의 개수로 포함할 수 있다. 특정한 예로서, 액세스 포인트는 복수의 인터페이스(292)를 포함할 수 있고, 제어부/프로세서(288)는 서로 다른 네트워크 주소들 간에 데이터를 라우팅하는 라우팅 기능을 지원할 수 있다. 다른 특정 예로서, 하나의 TX 처리 회로(284) 및 하나의 RX 처리 회로(286)를 포함하는 것으로 도시되어 있지만, BS(200)는 이 각각에 대해 여러 개(예를 들어, RF 송수신부 당 하나)를 포함할 수 있다. 또한, 도 2의 다양한 구성 요소들이 결합되거나, 더 세분화되거나, 생략될 수 있으며, 또한 특정 필요에 따라 부가 구성요소가 추가될 수 있다.
도 3은 본 개시의 다양한 실시예에 따른 FDD MIMO 통신에서 CSI 피드백을 위해 기계학습을 활용하여 네트워크 컴퓨팅 시스템에서 통신하기 위한 예시적인 전자 장치를 도시한다. 도 3에 도시된 UE(116)의 실시예는 단지 예시를 위한 것이며, 도 1의 UE들(111-115, 117-119)은 동일하거나 유사한 구성을 가질 수 있다. 그러나, UE들은 매우 다양한 구성을 가지며, 도 3은 본 개시의 범위를 UE의 어떤 특정한 구현에 제한하지 않는다.
도 3에 도시된 바와 같이, UE(116)는 안테나(301), RF 송수신부(302), TX 처리 회로(303), 마이크로폰(304), 및 수신(RX) 처리 회로(305)를 포함한다. UE(116)는 또한 스피커(306), 제어부 또는 프로세서(307), 입력/출력(I/O) 인터페이스(IF)(308), 터치스크린 디스플레이(310), 및 메모리(311)를 포함한다. 메모리(311)는 OS(312) 및 하나 이상의 애플리케이션(313)을 포함한다.
RF 송수신부(302)는 네트워크(100)의 gNB에 의해 송신된 들어오는 RF 신호를 안테나(301)로부터 수신한다. RF 송수신부(302)는 들어오는 RF 신호를 하향 변환하여 IF 또는 기저대역 신호를 생성한다. IF 또는 기저대역 신호는, 기저대역 또는 IF 신호를 필터링, 디코딩 및/또는 디지털화함으로써 처리된 기저대역 신호를 생성하는 RX 처리 회로(305)로 전송된다. RX 처리 회로(305)는 처리된 기저대역 신호를 스피커(306)로 전송하거나(음성 데이터와 같은 경우), 추가 처리를 위해 프로세서(307)로 전송한다(웹 브라우징 데이터와 같은 경우).
TX 처리 회로(303)는 마이크로폰(304)으로부터 아날로그 또는 디지털 음성 데이터를 수신하거나, 프로세서(340)로부터 (웹 데이터, 이메일, 또는 대화형 비디오 게임 데이터와 같은) 기타 나가는 기저대역 데이터를 수신한다. TX 처리 회로(303)는 나가는 기저대역 데이터를 인코딩, 다중화 및/또는 디지털화하여 처리된 기저대역 또는 IF 신호를 생성한다. RF 송수신부(302)는 처리된 나가는 기저대역 또는 IF 신호를 TX 처리 회로(303)로부터 수신하고, 기저대역 또는 IF 신호를 안테나(301)를 통해 전송되는 RF 신호로 상향 변환한다.
프로세서(307)는 하나 이상의 프로세서 또는 기타 처리 장치를 포함할 수 있고, UE(116)의 전반적인 동작을 제어하기 위해 메모리(311)에 저장된 OS(312)를 실행할 수 있다. 예를 들어, 프로세서(340)는 잘 알려진 원리에 따라 RF 송수신부(302), RX 처리 회로(305), 및 TX 처리 회로(303)에 의한 순방향 채널 신호의 수신 및 역방향 채널 신호의 송신을 제어할 수 있다. 일부 실시예에서, 프로세서(307)는 적어도 하나의 마이크로프로세서 또는 마이크로컨트롤러를 포함한다.
프로세서(307)는 또한 상향링크 채널 상의 CSI 보고를 위한 프로세스와 같은 메모리(311)에 상주하는 다른 프로세스 및 프로그램을 실행할 수 있다. 프로세서(307)는 실행중인 프로세스에 의해 요구되는 대로 데이터를 메모리(311)로 또는 메모리(311)에서 이동할 수 있다. 일부 실시예에서, 프로세서(307)는 OS(312)에 기반하여 또는 gNB 또는 조작자로부터 수신된 신호에 응답하여 애플리케이션(313)을 실행하도록 설정된다. 프로세서(307)는 또한 I/O 인터페이스(309)에 결합되는데, 이 I/O 인터페이스(309)는 UE(116)에게 랩탑 컴퓨터 및 핸드헬드 컴퓨터와 같은 다른 장치에 연결하는 능력을 제공한다. I/O 인터페이스(309)는 이러한 액세서리와 프로세서(307) 사이의 통신 경로이다.
프로세서(307)는 또한 터치스크린 디스플레이(310)에 결합된다. UE(116)의 사용자는 데이터를 UE(116)에 입력하기 위해 터치스크린 디스플레이(310)를 이용할 수 있다. 터치스크린 디스플레이(310)는 액정 디스플레이, 발광 다이오드 디스플레이, 또는 웹 사이트와 같은 것으로부터의 텍스트 및/또는 적어도 제한된 그래픽을 렌더링할 수 있는 다른 디스플레이일 수 있다.
메모리(311)는 프로세서(307)와 결합된다. 메모리(311)의 일부는 RAM을 포함할 수 있고, 메모리(311)의 다른 일부는 플래시 메모리 또는 기타 ROM을 포함할 수 있다.
도 3은 UE(116)의 일례를 도시하지만, 도 3에 다양한 변경이 이루어질 수 있다. 예를 들어, 도 3의 다양한 구성 요소들은 결합되거나, 더 세분화되거나, 생략될 수 있으며, 또한 특정 필요에 따라 부가 구성 요소가 추가될 수 있다. 특정 예로서, 프로세서(307)는 하나 이상의 중앙 처리 장치(CPU) 및 하나 이상의 그래픽 처리 장치(GPU)와 같은 복수의 프로세서들로 분할될 수 있다. 또한, 도 3은 이동전화 또는 스마트폰으로 설정된 UE(116)를 도시하지만, UE들은 다른 유형의 이동 또는 고정식 장치로서 동작하도록 설정될 수 있다.
일 실시예에서, AI/ML 기술을 지원하는 프레임워크는 BS 및 UE 측에서 수행되는 오프라인 훈련 및 추론 동작, UE에서의 인코딩과 BS에서의 디코딩 기능을 가진 자동 인코더 아키텍처(auto-encoder architecture)의 사용을 포함한다.
도 4는 본 개시의 실시예에 따른 CSI 피드백을 위한 AI/ML 기술을 지원하기 위한 BS 동작(들)의 예에 대한 순서도를 도시한다. 도 4는 AI/ML 기술을 사용하여 CSI 피드백을 지원하기 위해 BS 측에서 동작하는 방법(400)의 예이다. 동작 401에서, BS는 이하에서 설명되는 바와 같이 UE 능력 정보(UE capability information) 예를 들어 CSI 피드백을 위한 ML 접근 방식에 대한 지원을 수신한다. 능력 정보에 대한 보고는 PUCCH 및/또는 PUSCH를 통해 수신될 수 있다. 능력 정보 보고를 위해 새로운 UCI 타입, 새로운 PUCCH 포맷 및/또는 새로운 MAC CE가 정의될 수 있다.
동작 402에서, BS는 AI 기반 CSI 피드백 메커니즘의 활성화 및 비활성화를 포함하는 CSI 관련 설정을 UE에게 전송한다. AI 기반 CSI 피드백이 활성화 되는 경우, 동작 403에서, BS는 AI/ML 관련 설정 정보를 UE에게 전송하는데, 이 설정 정보는 사용된 AI/ML 모델에 관한 정보 - 일 실시예에서, 사용된 AI/ML 모델은 UE에서 인코딩하고 BS에서 디코딩하는 자동 인코더(auto-encoder)일 수 있음 - 및 모델의 훈련된 모델 파라미터들을 포함할 수 있다. 일 실시예에서, 모델 훈련은 오프라인으로 수행될 수 있고(예, 모델 훈련이 네트워크의 외부에서 수행됨), 또한 가중치(weights)의 값, 편향(biases), 활성화 함수(activation functions) 및 사용된 서로 다른 신경망 계층들(neural network layers)을 포함할 수 있지만 이에 제한되지 않는 훈련된 모델 파라미터들은 BS 및 UE로 전송될 수 있다. 이 실시예에서, BS는 CSI 피드백을 위해 UE에서 사용되는 ML 모델(동작 404에서 BS에 의해 수신됨)을 인지하고, UE에 의해 전송된 피드백 정보를 해석할 수 있다, 즉, 자동 인코더 기반 CSI 피드백의 예에서 BS는 UE에 의해 전송된 피드백을 해석하기 위해 적절한 디코더를 사용할 것이다. 설정 정보의 일부 또는 전부는 예를 들어 MIB, SIB1 또는 기타 SIB와 같은 시스템 정보(system information)에 의해 셀 특정 정보(cell-specific information)의 일부로서 브로드캐스트 될 수 있다. 대안적으로, 설정 정보의 일부 또는 전부가 UE 특정(UE-specific) 시그널링 또는 그룹 특정(group-specific) 시그널링으로 전송될 수 있다. 시그널링 방법에 대한 상세한 내용은 아래에서 논의된다.
CSI 보고 파라미터(PMI, RI, CQI, L1, CRI), CSI 설정 유형(주기적, 반영구적 PUCCH, 반영구적 PUSCH, 비주기적), 보고 주파수 설정(주파수 입도, 즉 광대역/부대역), 코드북 설정(Type-1/Type-2 코드북 파라미터) 등과 같은 상위 계층 CSI 보고 설정(higher layer CSI reporting configuration)은 RRC 메시지를 이용하여 UE에 전송된다. 일 실시예에서, CSI 보고 파라미터를 BS에서 CSI의 재구성을 위한 충분한 정보가 포함된 CSI(채널 상태 정보)의 압축된 AI/ML 모델 추출 특징을 참조하는 AI 기반 채널 특징 정보(AI-CFI, AI based channel feature information)로 설정함으로써 AI 기반 CSI 피드백이 활성화된다. 기존 CSI 피드백 메커니즘과 달리, AI 기반 CSI 피드백의 경우 AI/ML 모델을 이용하여 최소 비트 수로 고해상도 채널을 표현한다. 이러한 채널의 압축된 표현(compressed representation)은 BS로 전송되는 AI-CFI 정보이다.
도 5는 본 개시의 실시예에 따른 UE에서 추정된 CSI(estimated CSI)로부터 AI-CFI를 생성하는 예를 도시한다. 일 예(500)에서, 고해상도 추정된 채널 정보(501)(즉, 각 서브캐리어 레벨의 공간 주파수 도메인 채널)는 UE에서 합성곱 신경망(convolutional neural network, CNN)과 같은 인코더(502)에 대한 입력일 수 있는데, 인코더(502)는 도 5에 도시된 바와 같이 특정 고정 길이의 AI-CFI(503)를 생성하기 위해 다양한 특징 맵(feature maps) 및 완전 연결 계층(fully connected layer)을 추출한다. 그런 다음 AI-CFI는 BS로 전송된다. AI-CFI를 이용하여, 기지국은 AI/ML 기반 디코더(AI/ML based decoder)를 이용하여 채널을 재구성할 수 있다. BS는 RRC 메시지의 AI-CFI 설정 정보 요소(IE)를 사용하여 AI-CFI를 추가로 설정할 수 있다. 일 실시예에서, 설정된 AI-CFI의 크기는 AI-CFI의 전송에 사용되는 비트들의 수, 즉 CSI 피드백과 관련된 오버헤드를 지칭한다. 다른 실시예에서, AI-CFI의 크기는 압축 비(compression ratio), 즉 원래 CSI의 피드백 비트들과 AI-CFI의 비를 나타낼 수 있다. CSI 보고 설정 정보(CSI report configuration information)의 일부 또는 전부는 RRC IE CSI-ReportConfig에 설정된다. 일 실시예에서, AI 방법과 연관된 모든 CSI 보고 설정 정보는 AI 방법을 이용하는 CSI 피드백에 대한 보고 설정을 규정하는 새로운 IE CSI-AIReportConfig에 설정된다. 시그널링 방법과 해당 IE에 대한 상세한 사항은 아래에서 논의된다.
릴리스 15의 Type-2와 같은 기존 CSI 피드백 메커니즘에서 CSI 압축은 공간 이산 푸리에 변환(spatial DFT) 기저 집합(basis set)이 안테나 설정 및 오버샘플링 인자들을 기반으로 UE에서 생성되는 공간 도메인(SD)에서만 행해진다. 그 후, 안테나 편파들 및 부대역에 걸쳐 공통인 L개의 직교 DFT 빔(orthogonal DFT beams)이 선택된다. 부대역 당 우세한 고유벡터들(dominant eigenvectors per subband)은 선택된 L개 빔들의 선형 결합(LC)으로 표현된다. 피드백과 관련된 오버헤드는 L 기저 선택, 진폭 및 위상 값들을 전달하는 비트들을 포함하는데, 32개의 송신 안테나와 4개의 수신 안테나를 갖는 L=4의 특정 설정에 대해 이는 351비트가 된다. AI 방법을 사용하면, 도 5와 같은 CNN 아키텍처를 이용하는 상관 관계를 활용함으로써, 훨씬 적은 오버헤드(~100 비트)를 사용하고 더 나은 해상도로 동일한 부대역 당 우세 고유벡터 정보를 전송할 수 있다.
동작 106에서, BS는 CSI 참조 신호를 UE에게 전송하고, 그 후 UE는 CSI 보고들을 전송한다. 주기적인 CSI 보고는 RRC 메시지에 설정된 파라미터들을 기반으로 하는 반면, 비주기적 CSI 보고는 DCI에 의해 트리거 되거나, PUSCH 상의 DCI + MAC CE 반영구적 CSI 보고는 DCI에 의해 트리거 되거나, PUCCH 상의 반영구적 CSI 보고는 MAC CE에 의해 활성화/비활성화 된다. 기존의 Type-2 코드북 기반 CSI 피드백 메커니즘에서 보고 파라미터 AI-CFI를 이용하는 AI/ML 기반 CSI 피드백 메커니즘으로 전환하는 것과 같이, 하나의 CSI 보고 설정에서 다른 CSI 보고 설정으로 동적으로 전환하기 위해 다양한 트리거링 방법이 사용된다. 일 실시예에서, DCI/MAC CE의 일 필드는 기존 CSI 피드백 메커니즘과 AI 기반 CSI 피드백 메커니즘 사이를 동적으로 전환하는 데 사용될 수 있다.
트리거링 과정의 일부로서, 일 실시예에서, DCI 포맷 0_1의 CSI 요청(CSI request) 필드는 CSI-AperidicTriggerStateList에 설정된 비주기적 트리거 상태의 인덱스, CSI-SemiPersistentOnPUSCH-TriggerStateList에 설정된 PUSCH 상 반영구적 트리거 상태에 대한 인덱스, 또는 MAC CE(비주기적 CSI 트리거 상태 하위 선택 MAC CE)에 정의된 코드포인트(codepoint)를 지정하는데, 여기서 보고 포맷이 CFI로 설정된 추가적인 CSI 설정 보고 상태(CSI configuration reporting states)가 RRC 메시지의 트리거 상태 목록(trigger state lists)에 추가된다. 다른 실시예에서, DCI 포맷 0_1의 CSI 포맷 필드는 CSI 보고 포맷이, CSI 요청 필드에 지정된 PUSCH 상 비주기적/반영구적 트리거 상태 인덱스에 대해, 코드북 기반 또는 AI/ML 기반이 되도록 지정하는데, 여기서 추가적인 설정 보고 상태를 기존 트리거 상태 목록에 포함시킬 필요가 없다. 트리거 설정 및 트리거 과정에 대한 보다 자세한 내용은 아래에서 논의된다.
도 6은 본 개시의 실시예에 따른 CSI 피드백을 위한 AI/ML 기술을 지원하기 위한 UE 동작의 예에 대한 순서도를 예시한다. 도 6은 AI/ML 기술을 사용하여 CSI 피드백을 지원하기 위해 UE 측에서 동작하는 방법(600)의 예를 도시한다.
동작 601에서, AI/ML 지원 CSI 피드백을 지원하는 UE의 AI/ML 능력이 BS에게 보고된다. 이러한 능력은 아래에 설명된 AI/ML 모델 훈련 및/또는 추론에 대한 지원을 포함한다. 능력 정보의 보고는 PUCCH 및/또는 PUSCH를 통해 이루어질 수 있다. 능력 정보 보고를 위해 새로운 UCI 타입, 새로운 PUCCH 포맷, 및/또는 새로운 MAC CE가 정의될 수 있다.
동작 602에서, UE는 BS로부터 AI 기반 CSI 피드백 메커니즘의 활성화 또는 비활성화를 포함하여 CSI 관련 설정(들)을 수신한다. AI 기반 CSI 피드백이 활성화된 경우, UE는 사용된 AI/ML 모델 및 모델의 훈련된 모델 파라미터 등의 AI/ML 관련 설정 정보 또한 수신한다. 설정 정보의 일부 또는 전부는 예를 들어 MIB(마스터 정보 블록), SIB1(시스템 정보 블록 1) 또는 기타 SIB와 같은 시스템 정보에 의해 셀 특정 정보의 일부로 브로드캐스트 될 수 있다. 대안적으로, 설정 정보의 일부 또는 전부가 UE 특정 시그널링 또는 그룹 특정 시그널링으로 전송될 수 있다. 시그널링 방법에 대한 보다 상세한 내용은 아래에서 논의된다.
UE는 RRC 메시지를 이용하여 UE에 대한, CSI 보고 파라미터(PMI, RI, CQI, L1, CRI, AI-CFI), CSI 설정 유형(주기적, 반영구적 PUCCH, 반영구적 PUSCH, 비주기적), 보고 주파수 설정(주파수 입도, 즉 광대역/부대역), 코드북 설정(Type-1/Type-2 코드북 파라미터), AI-CFI 설정(AI-CFI의 크기) 등과 같은 상위 계층 CSI 보고 설정을 수신한다. CSI 보고 설정 정보의 일부 또는 전부는 RRC IE인 CSI-ReportConfig에 설정된다. 일 실시예에서, AI 방법과 연관된 모든 CSI 보고 설정 정보는 AI 방법을 이용하여 CSI 피드백에 대한 보고 설정을 지정하는 새로운 IE인 CSI-AIReportConfig에 설정된다. 시그널링 방법과 해당 IE에 대한 자세한 내용은 아래에서 논의된다.
동작 603에서, UE는 BS로부터 CSI 참조 신호(들)를 수신하고, 그 후에 UE는 CSI 보고를 전송한다. 주기적 CSI 보고는 RRC 메시지에 설정된 파라미터를 기반으로 하는 반면, 비주기적 CSI 보고는 DCI 또는 DCI + MAC CE에 의해 트리거 된다. PUSCH 상의 반영구적 CSI 보고는 DCI에 의해 트리거 되고, PUCCH 상의 반영구적 CSI 보고는 MAC CE에 의해 활성화/비활성화 된다. DCI 트리거(DCI trigger) 는, Type-2 코드북 기반 CSI 피드백 메커니즘에서 보고 파라미터 CFI를 이용하는 AI/ML 기반 CSI 피드백 메커니즘으로 전환하는 것 같이, 하나의 CSI 보고 설정에서 다른 CSI 보고 설정으로 동적으로 전환하는 데에 사용된다. 트리거 설정 및 트리거 과정에 대한 자세한 내용은 아래에서 논의된다.
동작 604에서, UE는 추론, 즉 수신된 CSI 보고 설정 정보, 수신된 트리거 및 트리거링 설정을 기반으로 CSI 채널로부터 압축된 특징(들)의 추출을 수행한다. 예를 들어, UE는 설정된 ML 모델, 모델 파라미터, 및 기지국으로부터 전송된 CSI 보고 파라미터들을 따라 추론 동작을 수행한다. UE는 AI/ML 모델의 추론 결과인 CSI 보고 파라미터 AI-CFI를 포함하는 CSI 보고를 기지국으로 전송한다.
일부 실시예에서, UE에서 AI/ML 모델에 의해 예측된 미래 시간의 CSI에 대한 예측된 피드백을 지원하기 위한 시그널링 방법이 지원된다. 현재 NR에서, 기지국에 보고되는 CSI 피드백은 현재 시점에 UE에 의한 CSI 추정을 기반으로 한다.
BS에게 정보를 중계하는 데 따른 지연 및 BS가 이 정보를 사용하여 UE를 스케줄 하기 위한 프리코딩 행렬(pre-coding matrix)을 생성하는 데 걸리는 시간을 고려하면, 문제의 UE가 이동할 수 있으며, 이로 인해 채널 조건들이 변경되어 피드백 CSI 정보가 최신이 아니게 된다(outdated). 따라서, 이러한 실시예에서, UE의 속도, 위치 및 궤적 정보와 같은 UE에서의 로컬 정보(local information)는 UE가 BS에 의해 스케줄 될 가능성이 더 높은 미래 시간에 UE에 대한 채널 조건을 예측하기 위해 사용된다.
도 7은 본 개시의 실시예에 따른 CSI의 미래 예측을 위한 AI/ML 기술을 지원하기 위한 BS 동작의 예에 대한 순서도를 도시한다. 도 7은 AI/ML 기술을 사용하여 예측된 CSI의 CSI 피드백을 지원하기 위해 BS 측에서 동작하는 방법(700)의 예이다. 동작 701에서, BS는 AI 기반 CSI 예측의 활성화 또는 비활성화를 포함하여 CSI 관련 설정을 UE에게 전송한다. AI 기반 CSI 예측이 활성화된 경우, BS는 사용된 AI/ML 모델, 모델의 훈련된 모델 파라미터 등과 같은 AI/ML 관련 설정 정보를 UE에게 전송한다. 일 실시예에서, 모델 훈련은 오프라인으로 수행될 수 있고(예, 모델 훈련이 네트워크의 외부에서 수행됨), 훈련된 모델 파라미터는 BS에서 UE로 전송될 수 있다. 설정 정보의 일부 또는 전부는 예를 들어 MIB, SIB1 또는 기타 SIB와 같은 시스템 정보에 의해 셀 특정 정보의 일부로서 브로드캐스트 될 수 있다. 대안적으로, 구성 정보의 일부 또는 전부가 UE 특정 시그널링 또는 그룹 특정 시그널링으로 전송될 수 있다.
RRC 메시지를 이용하여 UE에게 전송되는 상위 계층 CSI 보고 설정은, CSI 보고 파라미터(PMI, RI, CQI, L1, CRI, AI-CFI), CSI 설정 유형(주기적, 반영구적 PUCCH, 반영구적 PUSCH, 비주기적), 보고 주파수 설정(주파수 입도, 즉 광대역/부대역), 코드북 설정(Type-1/Type-2 코드북 파라미터), AI-CFI 설정(AI-CFI의 크기), 미래 예측을 위한 타이밍 오프셋 등을 포함한다. 다른 실시예에서, 타이밍 오프셋은 비주기적 CSI 보고를 위한 DCI 또는 MAC CE 즉 트리거가 있는 슬롯 에서 시작하는 슬롯 수에 관한 오프셋일 수 있다. 또 다른 실시예에서, 타이밍 오프셋은, 밀리초(ms)와 같은 시간 단위로, UE가 DCI/MAC CE와 같은 CSI 참조 신호 또는 트리거를 수신하는 순간부터 또는 UE가 CSI 보고서를 전송하도록 설정된 순간부터 시작하는 오프셋(미래의 시간)을 나타낸다. AI/ML 모델은 채널 즉 위에서 언급된 타이밍 오프셋 파라미터로 표시되는 미래 시점의 CSI를 예측하는 데 사용된다.
동작 702에서, BS는 CSI 참조 신호(들)을 UE에 전송하고, 그 후에 UE는 CSI 보고를 전송한다. 주기적 CSI 보고는 RRC 메시지에 설정된 파라미터를 기반으로 하는 반면, 비주기적 CSI 보고는 DCI 또는 DCI + MAC CE에 의해 트리거 된다. PUSCH 상의 반영구적 CSI 보고는 DCI에 의해 트리거 되고, PUCCH 상의 반영구적 CSI 보고는 MAC CE에 의해 활성화/비활성화 된다. 트리거는, 현재 시간의 CSI 기반 피드백에서 타이밍 오프셋 파라미터에 의해 설정된 미래 시간의 AI/ML 예측된 CSI 피드백으로 전환과 같이, 하나의 CSI 보고 설정에서 다른 CSI 보고 설정으로 동적으로 전환하는 데 사용된다. 이러한 동적 전환은 DCI 또는 MAC CE에 추가적인 1-비트 필드를 도입하여 실현될 수 있다. 자세한 내용은 아래에서 언급된다.
일 실시예에서, 타이밍 오프셋 값은 RRC 메시지에 설정되며, 0의 값은 CSI를 예측하기 위한 AI/ML 모델의 비활성화를 나타낸다. 다른 실시예에서, 타이밍 오프셋 값은 RRC 메시지에 설정되고, CSI 예측의 활성화/비활성화는 DCI/MAC CE에 의해 지시된다. 또 다른 실시예에서, 타이밍 오프셋이 RRC 메시지이고 미리 결정된 값들의 집합으로부터 값을 취할 수 있고 또한 DCI/MAC CE가 CSI 예측을 위해 선택될 값을 지시하는 하이브리드 모델이 사용될 수 있다. 일 실시예에서, CSI 예측이 활성화된 경우, 예측된 CSI의 피드백은 코드북 기반과 같은 기존의 방법에 근거하거나 이전 실시예(들)에서와 같이 AI/ML 모델에 근거할 수 있다. CSI 보고 설정 정보의 일부 또는 전부는 RRC IE인 CSI-ReportConfig에 설정되며, 트리거 설정은 DCI 포맷 0_1/MAC CE로 설정된다. 일 실시예에서, AI 방법과 연관된 모든 CSI 보고 설정 정보는 AI 방법을 이용하는 CSI 피드백에 대한 보고 설정을 지정하는 새로운 IE인 CSI-AIReportConfig에 설정된다. 시그널링 방법, 트리거 설정, 트리거 과정, 및 해당 IE에 대한 자세한 내용은 아래에서 논의된다.
동작 703에서, BS는 BS에 의해 설정된 설정에 기초하여 UE로부터 CSI 보고를 수신한다.
도 8은 본 개시의 실시예에 따른 CSI의 미래 예측을 위한 AI/ML 기술을 지원하기 위한 UE 동작의 예에 대한 순서도를 도시한다. 도 8은 AI/ML 기술을 사용하여 예측된 CSI에 대한 CSI 피드백을 지원하기 위해 UE 측에서 동작하는 방법(400)의 예이다. 동작 801에서, UE는 BS로부터 설정 정보를 수신하는데, 이 설정 정보는 사용된 AI/ML 모델, 모델의 훈련된 모델 파라미터 등에 관한 정보를 포함할 수 있다.
UE는 또한 RRC 메시지를 이용하여, CSI 보고 파라미터(PMI, RI, CQI, L1, CRI, AI-CFI), CSI 설정 유형(주기적, 반영구적 PUCCH, 반영구적 PUSCH, 비주기적), 보고 주파수 설정(주파수 입도, 즉 광대역/부대역), 코드북 설정(Type-1/Type-2 코드북 파라미터), AI-CFI 설정(AI-CFI의 크기), 미래 예측을 위한 타이밍 오프셋 등과 같은, 상위 계층 CSI 보고 설정을 BS로부터 수신한다. 동작 802에서, UE는 BS로부터 CSI 참조 신호(들)를 수신하고, 그 후 UE는 CSI 보고를 전송한다. 주기적 CSI 보고는 RRC 메시지에 설정된 파라미터를 기반으로 하는 반면, 비주기적 CSI 보고는 DCI 또는 DCI + MAC CE에 의해 트리거 된다. PUSCH 상의 반영구적 CSI 보고는 DCI에 의해 트리거 되고, PUCCH 상의 반영구적 CSI 보고는 MAC CE에 의해 활성화/비활성화 된다. 트리거는, 현재 시간의 CSI 기반 피드백에서 타이밍 오프셋 파라미터에 의해 설정된 미래 시간의 AI/ML 예측된 CSI 피드백으로 전환과 같이, 하나의 CSI 보고 설정에서 다른 CSI 보고 설정으로 동적으로 전환하는 데 사용된다. 시그널링 방법, 트리거 설정, 트리거 과정 및 대응되는 IE에 대한 자세한 내용은 아래에서 논의된다.
동작 803에서, UE는 속도, 움직임의 궤적, 위치 등의 로컬 정보를 이용하여 미래 시간 단계의 CSI를 예측하고, BS에 의해 설정된 보고 파라미터 즉 코드북 기반 PMI 또는 AI/ML 기반 AI-CFI를 사용하여 예측된 CSI에 대한 CSI 보고를 전송한다.
AI/ML 기술과 관련된 설정 정보(예, 동작 401, 602, 701, 801 에서)는 다음 정보 중 하나 또는 복수를 포함할 수 있다.
ML 모델/알고리즘 및 모델 파라미터들
설정 정보는 CSI 피드백에 사용될 AI/ML 모델 또는 알고리즘을, 손실 함수(loss function), 활성화 함수(activation function), ML 모델에 대해 훈련된 파라미터 등에 제한되거나 제한되지 않을 수 있는 ML 알고리즘의 모델 파라미터들과 함께 포함할 수 있다.
일 실시예에서, 설정 정보의 일부 또는 전부는 예를 들어 MIB, SIB1 또는 기타 SIB와 같은 시스템 정보에 의해 셀 특정 정보의 일부로서 브로드캐스트 될 수 있다. 대안적으로, 설정 정보 지시를 위해 새로운 SIB가 도입될 수 있다. 예를 들어, CSI 피드백을 위해 사용될 ML 모델 및/또는 모델 파라미터들이 브로드캐스트 될 수 있다. 다른 예로, 모델 파라미터의 갱신이 브로드캐스트 될 수 있다. 다른 실시예에서, 설정 정보의 일부 또는 전부가 UE 특정 RRC 시그널링과 같은 UE 특정 시그널링에 의해 전송될 수 있다. 또 다른 실시예에서, 설정 정보의 일부 또는 전부가 그룹 특정 시그널링(group-specific signaling)에 의해 전송될 수 있다. UE 그룹 특정 RNTI(UE group-specific RNTI)는 예를 들어 값 0001-FFEF 또는 예약된 값 FFF0-FFFD를 사용하여 설정될 수 있다. 그룹 특정 RNTI는 UE 특정 RRC 시그널링을 통해 설정될 수 있다.
상위 계층 CSI 보고 설정을 위해, BS는 RRC 메시지를 이용하여 CSI 보고 설정을 UE에게 전송한다. 도 9에 예시된 바와 같이, 정보 요소 CSI-ReportConfig는, CSI 보고 파라미터(PMI, RI, L1, CRI, CQI), CSI 설정 유형(주기적, 반영구적 PUCCH, 반영구적 PUSCH, 비주기적), 보고 주파수 설정(주파수 입도, 즉 광대역/부대역), 코드북 설정(Type-1/Type-2 코드북 파라미터), 그룹 기반 빔 보고 활성화 등과 같은, 다양한 파라미터들을 포함한다 [3GPP 38.331].
본 개시에서, AI-CFI(AI-channel feature information, AI-채널 특징 정보)라는 이름이 붙은 추가적인 CSI 보고 파라미터는 UE에 배치된 AI/ML 모델의 출력이다. 일 실시예에서, BS는 AI/ML 기반 CSI 피드백 보고를 단독 CSI 보고 파라미터로 설정함으로써 AI/ML 기반 CSI 피드백 보고만을 가능하게 할 수 있다. 다른 실시예에서, BS는 보고 파라미터를 PMI, RI 및 AI-CFI 모두를 포함하도록 설정함으로써 AI/ML 기반 CSI 피드백을 원래의 피드백 메커니즘과 함께 활성화할 수 있다. 또 다른 실시예에서, BS는 CFI를 보고 파라미터로 설정하지 않는 선택을 하여 AI/ML 기반 CSI 피드백 메커니즘을 효과적으로 비활성화할 수 있다. 이 보고 파라미터는 UE에서 추정된 CSI로부터 추출된 압축된 특징이며, 이는 CSI를 재구성하기 위해 BS에 의해 이용될 수 있다. 본 개시에서, 비트 수, 특징을 추출하는 동안 고려될 압축 비율 등과 같은 이 보고 파라미터의 세부 사항을 설정하기 위해 AiCfiConfig라는 추가 필드 또한 포함된다. 일 실시예에서, 이 필드는 [1,M] 범위의 정수일 수 있으며, 이는 압축 비율이
Figure pct00001
임을 의미한다. 도 9는 IE CSI-ReportConfig의 추가적인 필드들을 예시한다.
비주기적 CSI 보고 트리거링의 경우, DCI 포맷 0_1에서 CSI 요청 필드는 CSI-AperiodicTriggerStateList에 설정된 비주기적 트리거 상태에 대한 인덱스 또는 MAC CE(비주기적 CSI 트리거 상태 하위 선택 MAC CE)에 정의된 코드 포인트를 지정할 수 있다. DCI 필드 "CSI 요청"의 각 코드포인트는 하나의 트리거 상태와 연관된다(TS 38.321, 6.1.3.13 절 참조). 예를 들어, 이 필드의 비트 길이가 CSI-AperiodicTriggerStateList의 모든 항목을 가리키도록 충분히 크게 설정된다면, 해당 필드는 CSI-AperiodicTriggerStateList의 항목 목록(item list)을 직접 지시할 수 있다. 그러나, 비트 길이가 충분히 크지 않은 경우, 이 필드는 CSI-AperiodicTriggerStateList의 부분 집합을 정의하는 MAC CE의 코드 포인트 인덱스를 가리킬 수 있다. DCI 포맷에서 CSI 요청 필드의 비트 길이는 RRC 메시지, 특히 IE CSI-MeasConfig의 reportTriggerSize ∈{1,2,3,4,5,6} 필드에 의해 지정된다.
도 10에 예시된 IE는 비주기적 트리거 상태들(aperiodic trigger states) 의 목록을 UE에 설정하는 데 사용될 수 있다. 트리거 상태와 관련된 값을 수신하면, UE는 CSI-RS, CSI-IM 및/또는 SSB(참조 신호들)의 측정 및 해당 트리거 상태에 대해 associatedReportConfigInfoList CSI-AperiodicTriggerStateList에 있는 모든 항목에 따라 L1 상의 비주기적 보고를 수행할 수 있다. associatedReportConfigInfoList의 각 항목은 reportconfigId들의 목록을 지정한다.
일 실시예에서, 새로운 설정 상태가, CFI로 설정된 CSI 보고 포맷 즉 AI/ML 기반 CSI 피드백을 갖는 보고 설정을 포함하는 관련 보고 설정 목록(associated report configuration list)를 갖는, RRC IE CSI-AperiodicTriggerStateList의 CSI-비주기적 트리거 상태 목록에 추가될 수 있다. 일 예에서, CSI-AperiodicTriggerStateList에서 목록의 크기 증가를 수용하기 위해, IE CSI-MeasConfig의 reportTriggerSize ∈{1,2,3,4,5,6} 필드에 의해 설정되는 DCI 포맷 0_1의 CSI 요청 필드에 대한 가능한 비트 크기를 늘릴 수 있다, 즉, IE CSI-MeasConfig의 reportTriggerSize 필드는 {1,2,3,4,5,6,7,8}에 속할 수 있다.
다른 실시예에서, 새로운 단일 비트 필드 CSI 포맷이 DCI 포맷 0_1에 도입될 수 있는데, 여기서 1로 설정된 필드는 CSI-RS, CSI-IM 및/또는 SSB(참조 신호들) 측정 및 CSI 피드백을 위한 AI/ML 기반 포맷을 이용하여 해당 트리거 상태에 대한 CSI-AperiodicTriggerStateList의 associatedReportConfigInfoList에 있는 모든 항목에 따라 L1 상의 비주기적 보고를 수행함을 의미한다.
비주기적 트리거 과정의 실시예가 도 1에 그림으로 예시되어 있다. DCI의 CSI 요청 비트 필드는 하나의 트리거 상태(associatedReportConfigInfoList)와 연관된다. 3GPP에 따르면, CSI 요청은 도 11에 도시된 바와 같이 둘 이상의 측정 보고를 트리거 할 수 있다(aperiodicTriggerStateList의 단일 목록과 연관된 복수의 reportConfigId). csi-ReportConfigToAddModList에서, resourcesForChannelMeasurement, csi-IM-ResourcesForInterference 및 nzp-CSI-RS-ResourcesForInterference와 같이, csi-ResourceConfigToAddModList의 csi-ResourceConfigId에 매핑 되는 정보 요소들과 연관된 reportConfigId의 목록이 UE에 설정된다.
일 실시예에서, 트리거 상태의 목록이 증가되는데(도 11에서 인덱스 > N 추가), 이러한 새로운 상태 하의 reportConfigId가 AI/ML 기반 CSI 피드백 용으로 설정된다. 다른 실시예에서, DCI에서 새로운 단일 비트 필드 CSI 포맷이 도입되는데, 이는 CSI 요청의 필드에 의해 참조되는 트리거 상태의 reportConfigId에 대해 기존 또는 AI/ML 기반 피드백 메커니즘을 사용할지 여부를 나타낸다. 두 실시예 모두 도 11에서 타원으로 강조되어 있다.
반영구적 CSI 보고 트리거링: PUSCH 상의 반영구적 CSI 보고에 대한 트리거링은 DCI 포맷 0_1의 CSI 요청 필드에 의해 수행되고, 여기서 인덱스는 도 12에 도시된 바와 같이 CSI-SemiPertantOnPUSCH-TriggerStateList IE에 설정된 트리거 상태를 지칭한다. PUSCH 상의 반영구적 CSI 보고에 대한 AI/ML 기반 CSI 피드백을 지원하는 실시예는 앞서 언급된 비주기적 경우와 유사하다.
PUCCH 상의 반영구적 CSI 보고에 대한 활성화/비활성화는 전용 16 비트 - 서빙 셀 ID용으로 예약된 5 비트, BWP(대역폭 부분)용으로 예약된 2 비트, 및 csi-ReportConfigToAddModList 내의 반영구적 CSI 보고 설정의 활성화/비활성화 상태를 나타내는 단일 비트 필드 Si - 를 이용하는 MAC CE에 의해 수행된다. S0 는 지정된 BWP에서 반영구적 CSI 보고를 위한 PUCCH 자원을 포함하고 및 semiPersistantOnPUCCH으로 설정된 유형을 갖는 목록 내에서 가장 낮은 CSI-ReportConfigId를 갖는 보고 설정을 지칭한다.
일 실시예에서, AI/ML 기반 CSI 피드백을 지칭하는 새로운 CSI-ReportConfidId들을 트리거 하기 위해 동일한 필드 Si가 사용될 수 있다. 다른 실시예에서, 예약된 비트들 R 중 하나가, CSI-ReportConfigId에 대한 CSI 보고 포맷이 코드북 기반 또는 AI/ML 기반 CSI 피드백을 사용하는지 여부를 나타내는 새로운 단일 비트 필드 CsiF(CSI 포맷)로 대체될 수 있다.
UL 부분 상호성(partial reciprocity)을 이용한 재구성: AI/ML 기반 CSI 피드백 메커니즘을 사용할 때, 기지국은 UE로부터 수신한 추출된 특징(AI-CFI)으로부터 채널 행렬(CSI)을 재구성한다. 이 실시예에서, 기지국에서 이용 가능한 UL 부분 상호성 정보와 같은 추가적인 지원 정보가 도 14에 도시된 바와 같이 재구성을 향상시키기 위해 사용된다. UE는 SRS(sounding reference signal) 정보를 BS으로 전송하고, BS가 전송한 CSI-RS를 기반으로 채널을 추정한다. UE에서, AI/ML 모델을 사용하여 CSI의 특징 정보, 즉 BS에서 채널을 재구성하기에 충분한 정보를 가지고 있는 AI-CFI를 추출한다. AI-CFI 정보를 수신한 후, BS는 UL 상호성 정보를 BS의 AI/ML 모델에 대한 입력으로 추가로 사용하여 고해상도 채널의 재구성을 개선하는 데 도움을 줄 수 있다.
향후 예측을 위한 CSI 보고 및 트리거 설정: BS는 RRC 메시지를 이용하여 CSI 보고 설정(들)을 UE에게 전송한다. 정보 요소 CSI-ReportConfig는, CSI 보고 파라미터(PMI, RI, CQI), CSI 설정 유형(주기적, 반영구적 PUCCH, 반영구적 PUSCH, 비주기적), 보고 주파수 설정(주파수 입도, 즉 광대역/부대역), 코드북 설정(Type-1/Type-2 코드북 파라미터), 그룹 기반 빔 보고 활성화 등과 같은 다양한 파라미터들을 포함한다.
미래 시점의 CSI 예측을 가능하게 하기 위해, 도 15에 예시된 바와 같이 추가적 필드 CsiPred-timeoffset가 IE CSI-ReportConfig에 포함된다. 일 실시예에서, 타이밍 오프셋 값은 RRC 메시지에 설정되는데, 0의 값은 CSI를 예측하기 위한 AI/ML 모델의 비활성화를 나타낸다.
다른 실시예에서, 비주기적 CSI 보고 설정에 대해, 타이밍 오프셋 값이 RRC 메시지에 설정되고, CSI 예측의 활성화/비활성화는 DCI 포맷 0_1에 추가적 단일 비트 필드 'CSI 예측'을 도입하는 DCI에 의해 지시된다. CSI 예측 값이 0으로 설정되면 AI/ML 방법에 기반한 CSI 예측이 비활성화됨을 의미하고, 값 1은 RRC 메시지 CSI-ReportConfig에 설정된 CsiPred-timeoffset 필드에 지시된 대로 미래 시간 단계에서 AI/ML 기반 CSI 예측의 활성화를 의미한다. 또 다른 실시예에서, 비주기적 CSI 보고 설정을 위해 하이브리드 모델이 사용될 수 있는데, 여기서 RRC 메시지 CSI-ReportConfig에서 타이밍 오프셋은 미리 결정된 값들의 집합(예: 길이
Figure pct00002
)에서 그 값을 취할 수 있고, DCI는
Figure pct00003
사이의 값을 취하는 새로운 필드 'CSI 예측'을 DCI 포맷 0_1에 도입함으로써 CSI 예측을 위해 선택될 값을 나타낸다.
PUSCH 상의 반영구적 CSI 보고는 이전과 동일한 방법을 따를 수 있고, PUCCH 상의 반영구적 CSI 보고의 경우, CSI-ReportConfig에 설정된 시간 오프셋에서 AI/ML 기반 CSI 예측을 활성화/비활성화하는 예약된 비트 대신에, 새로운 단일 비트 필드 CsiP(CSI 예측)가 도입될 수 있다.
또 다른 실시예에서, CSI 보고 설정들(주기적, 반영구적, 비주기적) 중 CSI 예측이 활성화되는 경우, 예측된 CSI의 피드백은 코드북 기반과 같은 기존의 방법을 기반으로 할 수도 있고 AI/ML 모델을 기반으로 할 수도 있다.
본 개시는 예시적인 실시예를 통해 설명되었으나, 다양한 변경 및 수정이 당업자에게 시사될 수 있다. 본 개시는 이러한 변경 및 수정을 첨부된 청구범위의 범위 내에 포함하도록 의도된다.

Claims (15)

  1. 방법에 있어서,
    기계학습(machine learning, ML) 지원 채널 상태 정보(CSI) 보고(ML assisted CSI reporting) 또는 ML 지원 CSI 예측(ML assisted CSI prediction) 중 하나를 지원하기 위한 사용자 장비(UE)의 능력을 지시하는 동작;
    설정들(configurations)을 수신하는 동작 - 여기서, 상기 설정들은 ML 지원 CSI 예측 및 ML 지원 CSI 보고 중 적어도 하나를 활성화 또는 비활성화 하는 하나 이상의 지시자를 포함함 -;
    ML 모델 훈련을 수행하거나 또는 훈련된 ML 모델 파라미터들을 수신하는 동작; 및
    상기 설정들 중 적어도 하나에 해당하는 CSI 참조 신호들(CSI reference signals)을 수신하는 동작을 포함하고,
    ML 지원 CSI 예측이 활성화된 경우, 상기 설정들은 미래 CSI 예측을 위한 타이밍 오프셋, 및 ML 지원 CSI 예측에 사용되는 ML 모델(ML model)에 대한 지시자를 포함하는 ML 설정들(ML configurations)을 더 포함하며, 및
    상기 방법은 예측된 CSI를 결정하고 피드백으로서 전송하는 동작을 더 포함하고,
    ML 지원 CSI 보고가 활성화된 경우, 상기 설정들은 CSI 보고 수량(CSI report quantity)에 대한 설정, 인공지능 채널 특징 정보(artificial intelligence channel feature information, AI-CFI), 및 ML 지원 CSI 보고에 사용되는 ML 모델에 대한 지시자를 포함하는 ML 설정들을 더 포함하며, 및
    상기 방법은 상기 설정에 기초하여 상기 CSI 참조 신호들을 측정하는 동작, 및 상기 AI-CFI를 포함하는 CSI 보고(CSI report)를 전송하는 동작을 더 포함하는 것을 특징으로 하는 방법.
  2. 제 1 항에 있어서,
    ML 지원 CSI 보고가 설정된 경우, 상기 AI-CFI는 채널의 압축된 지식(compressed knowledge)에 해당하는 ML 모델의 양자화된 출력(quantized output) 및 상기 채널의 관련 특징(relevant features)에 해당하는 ML 모델의 양자화된 출력 중 적어도 하나를 포함하는 것을 특징으로 하는 방법.
  3. 제 1 항에 있어서,
    상기 설정들은 상기 AI-CFI를 설정하기 위한 정보 - 여기서, 상기 정보는 상기 ML 모델의 출력을 양자화하기 위해 사용될 양자화 방법, 사용될 양자화 비트들의 수, 원본 CSI에서 상기 AI-CFI로의 압축 비율, 또는 CSI 피드백 비트들의 총 수 중의 하나임 - 를 포함하는 것을 특징으로 하는 방법.
  4. 제 1 항에 있어서,
    상기 설정들은 상기 ML 모델의 선택에 사용되는 추가적인 정보를 포함하고, 상기 추가적인 정보는 신호 대 잡음 비(SNR) 범위를 포함하는 것을 특징으로 하는 방법.
  5. 제 1 항에 있어서,
    상기 설정들은 트리거에 기초하여 ML 지원 CSI 보고와 ML 지원 없는 CSI 보고(CSI reporting without ML assistance) 사이의 동적 전환(dynamic switching)을 설정하고,
    상기 트리거는
    물리적 상향링크 공유 채널(PUSCH) 상의 비주기적 및 반영구적 보고에 대해서, 상기 트리거는 하향링크 제어 정보(DCI) 포맷 0_1 (DCI format 0_1) 내의 CSI 포맷 필드(CSI format field) 또는 비주기적 또는 반영구적 트리거 이벤트들 (trigger events)의 목록에서 보고 설정 식별자(report configuration identifier) 중의 하나임, 및
    물리적 상향링크 제어 채널(PUCCH) 상의 반영구적 보고에 대해서, 상기 트리거는 매체 액세스 제어-제어 요소(MAC-CE) 내의 전용 필드(dedicated field) 임
    중의 하나를 포함하고,
    ML 지원 CSI 예측이 활성화된 경우, 미래의 CSI 예측을 위한 상기 타이밍 오프셋은 무선 자원 제어(RRC) 메시지를 통해 설정된 고정 값 또는 값들의 집합 중 하나로서 수신되며, 및
    상기 설정들은 현재 즉각적 CSI(current instant CSI) 보고 및 트리거 메커니즘을 이용한 ML 기반 미래 예측된 CSI (ML-based future predicted CSI) 보고 간에 동적으로 전환되고,
    상기 트리거 메커니즘은
    물리적 상향링크 공유 채널(PUSCH) 상의 비주기적 및 반영구적 보고에 대해서, 상기 트리거는 하향링크 제어 정보(DCI) 포맷 0_1 (DCI format 0_1) 내의 필드, 비주기적 CSI 보고 트리거들(aperiodic CSI report triggers)의 목록 중 하나에서 보고 설정 식별자, PUSCH 상의 반영구적 CSI 보고를 위한 정보 요소(information element) 중의 하나임, 또는
    물리적 상향링크 제어 채널(PUCCH) 상의 반영구적 보고에 대해서, 상기 트리거는 매체 액세스 제어-제어 요소(MAC-CE) 내의 전용 필드임
    중에서 선택되는 것을 특징으로 하는 방법.
  6. 사용자 장비(user equipment, UE)에 있어서,
    기계학습(machine learning, ML) 지원 채널 상태 정보(CSI) 보고(ML assisted CSI reporting) 또는 ML 지원 CSI 예측(ML assisted CSI prediction) 중 하나를 지원하기 위한 상기 UE의 능력을 지시하고, ML 지원 CSI 예측 및 ML 지원 CSI 보고 중 적어도 하나를 활성화 또는 비활성화 하는 하나 이상의 지시자를 포함하는 설정들(configurations)을 수신하도록 설정된 송수신부; 및
    ML 모델 훈련을 수행하거나 또는 훈련된 ML 모델 파라미터들을 수신하도록 설정된 프로세서 - 여기서, 상기 송수신부는 상기 설정들 중 적어도 하나에 해당하는 CSI 참조 신호들(CSI reference signals)을 수신하도록 설정됨 - 를 포함하고,
    ML 지원 CSI 예측이 활성화된 경우, 상기 설정들은 미래 CSI 예측을 위한 타이밍 오프셋, 및 ML 지원 CSI 예측에 사용되는 ML 모델(ML model)에 대한 지시자를 포함하는 ML 설정들(ML configurations)을 더 포함하며, 및
    상기 프로세서는 예측된 CSI를 결정하고 피드백으로서 전송하도록 더 설정되고,
    ML 지원 CSI 보고가 활성화된 경우, 상기 설정들은 CSI 보고 수량(CSI report quantity)에 대한 설정, 인공지능 채널 특징 정보(artificial intelligence channel feature information, AI-CFI), 및 ML 지원 CSI 보고에 사용되는 ML 모델에 대한 지시자를 포함하는 ML 설정들을 더 포함하며, 및
    상기 프로세서는 상기 설정에 기초하여 상기 CSI 참조 신호들을 측정하고, 상기 AI-CFI를 포함하는 CSI 보고(CSI report)를 전송하도록 더 설정되는 것을 특징으로 하는 사용자 장비.
  7. 제 6 항에 있어서,
    ML 지원 CSI 보고가 설정된 경우, 상기 AI-CFI는 채널의 압축된 지식(compressed knowledge)에 해당하는 ML 모델의 양자화된 출력(quantized output) 및 상기 채널의 관련 특징(relevant features)에 해당하는 ML 모델의 양자화된 출력 중 적어도 하나를 포함하는 것을 특징으로 하는 사용자 장비.
  8. 제 6 항에 있어서,
    상기 설정들은 상기 AI-CFI를 설정하기 위한 정보 - 여기서, 상기 정보는 상기 ML 모델의 출력을 양자화하기 위해 사용될 양자화 방법, 사용될 양자화 비트들의 수, 원본 CSI에서 상기 AI-CFI로의 압축 비율, 또는 CSI 피드백 비트들의 총 수 중의 하나임 - 를 포함하는 것을 특징으로 하는 사용자 장비.
  9. 제 6 항에 있어서,
    상기 설정들은 상기 ML 모델의 선택에 사용되는 추가적인 정보를 포함하고, 상기 추가적인 정보는 신호 대 잡음 비(SNR) 범위를 포함하는 것을 특징으로 하는 사용자 장비.
  10. 제 6 항에 있어서,
    상기 설정들은 트리거에 기초하여 ML 지원 CSI 보고와 ML 지원 없는 CSI 보고(CSI reporting without ML assistance) 사이의 동적 전환(dynamic switching)을 설정하고,
    상기 트리거는
    물리적 상향링크 공유 채널(PUSCH) 상의 비주기적 및 반영구적 보고에 대해서, 상기 트리거는 하향링크 제어 정보(DCI) 포맷 0_1 (DCI format 0_1) 내의 CSI 포맷 필드(CSI format field) 또는 비주기적 또는 반영구적 트리거 이벤트들 (trigger events)의 목록에서 보고 설정 식별자(report configuration identifier) 중의 하나임, 및
    물리적 상향링크 제어 채널(PUCCH) 상의 반영구적 보고에 대해서, 상기 트리거는 매체 액세스 제어-제어 요소(MAC-CE) 내의 전용 필드(dedicated field) 임
    중의 하나를 포함하고,
    ML 지원 CSI 예측이 활성화된 경우, 미래의 CSI 예측을 위한 상기 타이밍 오프셋은 무선 자원 제어(RRC) 메시지를 통해 설정된 고정 값 또는 값들의 집합 중 하나로서 수신되며, 및
    상기 설정들은 현재 즉각적 CSI(current instant CSI) 보고 및 트리거 메커니즘을 이용한 ML 기반 미래 예측된 CSI (ML-based future predicted CSI) 보고 간에 동적으로 전환되고,
    상기 트리거 메커니즘은
    물리적 상향링크 공유 채널(PUSCH) 상의 비주기적 및 반영구적 보고에 대해서, 상기 트리거는 하향링크 제어 정보(DCI) 포맷 0_1 (DCI format 0_1) 내의 필드, 비주기적 CSI 보고 트리거들(aperiodic CSI report triggers)의 목록 중 하나에서 보고 설정 식별자, PUSCH 상의 반영구적 CSI 보고를 위한 정보 요소(information element) 중의 하나임, 또는
    물리적 상향링크 제어 채널(PUCCH) 상의 반영구적 보고에 대해서, 상기 트리거는 매체 액세스 제어-제어 요소(MAC-CE) 내의 전용 필드임
    중에서 선택되는 것을 특징으로 하는 사용자 장비.
  11. 기지국(base station, BS)에 있어서,
    송수신부(transceiver)를 포함하고,
    상기 송수신부는 기계학습(ML) 지원 채널 상태 정보(CSI) 보고 또는 ML 지원 CSI 예측 중 하나를 지원하기 위한 사용자 장비(UE)의 능력에 대한 지시자를 획득하고, ML 지원 CSI 예측 및 ML 지원 CSI 보고 중 적어도 하나를 활성화 또는 비활성화 하는 하나 이상의 지시자를 포함하는 설정들을 전송하도록 설정되며, - 여기서, 상기 UE는 ML 모델의 훈련 또는 훈련된 ML 모델 파라미터들의 수신 중 하나를 수행하도록 설정됨 - 여기서, 상기 송수신부는 상기 설정들 중 적어도 하나에 대응하는 CSI 참조 신호들을 수신하도록 설정됨 -,
    ML 지원 CSI 예측이 활성화된 경우, 상기 설정들은 미래 CSI 예측을 위한 타이밍 오프셋, 및 ML 지원 CSI 예측에 사용되는 ML 모델에 대한 지시자를 포함하는 ML 설정들을 더 포함하고, 및
    상기 UE는 예측된 CSI를 결정하고 피드백으로서 송신하도록 더 설정되며,
    ML 지원 CSI 보고가 활성화된 경우, 상기 설정들은 CSI 보고 수량(CSI report quantity)에 대한 설정, 인공지능 채널 특징 정보(AI-CFI), 및 ML 지원 CSI 보고에 사용되는 ML 모델에 대한 지시자를 포함하는 ML 설정들을 더 포함하고, 및
    상기 UE는 상기 설정에 기초하여 상기 CSI 참조 신호들을 측정하고, 상기AI-CFI를 포함하는 CSI 보고(CSI report)를 전송하도록 더 설정되는 것을 특징으로 하는 기지국.
  12. 제 11 항에 있어서,
    ML 지원 CSI 보고가 설정된 경우, 상기 AI-CFI는 채널의 압축된 지식(compressed knowledge)에 해당하는 ML 모델의 양자화된 출력(quantized output) 및 상기 채널의 관련 특징(relevant features)에 해당하는 ML 모델의 양자화된 출력 중 적어도 하나를 포함하는 것을 특징으로 하는 기지국.
  13. 제 11 항에 있어서,
    상기 설정들은 상기 AI-CFI를 설정하기 위한 정보 - 여기서, 상기 정보는 상기 ML 모델의 출력을 양자화하기 위해 사용될 양자화 방법, 사용될 양자화 비트들의 수, 원본 CSI에서 상기 AI-CFI로의 압축 비율, 또는 CSI 피드백 비트들의 총 수 중의 하나임 - 를 포함하는 것을 특징으로 하는 기지국.
  14. 제 11 항에 있어서,
    상기 설정들은 상기 ML 모델의 선택에 사용되는 추가적인 정보를 포함하고, 상기 추가적인 정보는 신호 대 잡음 비(SNR) 범위를 포함하는 것을 특징으로 하는 기지국.
  15. 제 11 항에 있어서,
    상기 설정들은 트리거에 기초하여 ML 지원 CSI 보고와 ML 지원 없는 CSI 보고(CSI reporting without ML assistance) 사이의 동적 전환(dynamic switching)을 설정하고,
    상기 트리거는
    물리적 상향링크 공유 채널(PUSCH) 상의 비주기적 및 반영구적 보고에 대해서, 상기 트리거는 하향링크 제어 정보(DCI) 포맷 0_1 (DCI format 0_1) 내의 CSI 포맷 필드(CSI format field), 또는 비주기적 또는 반영구적 트리거 이벤트들 (trigger events)의 목록에서 보고 설정 식별자(report configuration identifier) 중의 하나임, 및
    물리적 상향링크 제어 채널(PUCCH) 상의 반영구적 보고에 대해서, 상기 트리거는 매체 액세스 제어-제어 요소(MAC-CE) 내의 전용 필드(dedicated field) 임
    중의 하나를 포함하고,
    ML 지원 CSI 예측이 활성화된 경우, 미래의 CSI 예측을 위한 상기 타이밍 오프셋은 무선 자원 제어(RRC) 메시지를 통해 설정된 고정 값 또는 값들의 집합 중 하나로서 수신되는 것을 특징으로 하는 기지국.
KR1020237032125A 2021-04-16 2022-04-15 Fdd mimo 시스템에서 csi 피드백을 위한 기계학습 또는 인공지능 기술 지원 방법 및 장치 KR20230169948A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US202163175894P 2021-04-16 2021-04-16
US63/175,894 2021-04-16
US17/658,977 2022-04-12
US17/658,977 US20220338189A1 (en) 2021-04-16 2022-04-12 Method and apparatus for support of machine learning or artificial intelligence techniques for csi feedback in fdd mimo systems
PCT/KR2022/005462 WO2022220642A1 (en) 2021-04-16 2022-04-15 Method and apparatus for support of machine learning or artificial intelligence techniques for csi feedback in fdd mimo systems

Publications (1)

Publication Number Publication Date
KR20230169948A true KR20230169948A (ko) 2023-12-18

Family

ID=83601949

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237032125A KR20230169948A (ko) 2021-04-16 2022-04-15 Fdd mimo 시스템에서 csi 피드백을 위한 기계학습 또는 인공지능 기술 지원 방법 및 장치

Country Status (5)

Country Link
US (1) US20220338189A1 (ko)
EP (1) EP4302424A1 (ko)
KR (1) KR20230169948A (ko)
CN (1) CN117044125A (ko)
WO (1) WO2022220642A1 (ko)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11838782B2 (en) * 2020-01-31 2023-12-05 Qualcomm Incorporated Measurements on a first band applicable to procedures on a second band
US11825553B2 (en) * 2021-05-05 2023-11-21 Qualcomm Incorporated UE capability for AI/ML
US11818806B2 (en) * 2021-05-18 2023-11-14 Qualcomm Incorporated ML model training procedure
US20230164817A1 (en) * 2021-11-24 2023-05-25 Lenovo (Singapore) Pte. Ltd. Artificial Intelligence Capability Reporting for Wireless Communication
US20230189031A1 (en) * 2021-12-14 2023-06-15 Lenovo (Singapore) Pte. Ltd. Configuring an artificial intelligence based framework
US20230299815A1 (en) * 2022-03-16 2023-09-21 Qualcomm Incorporated Channel estimate or interference reporting in a wireless communications network
WO2024026623A1 (en) * 2022-08-01 2024-02-08 Apple Inc. Life cycle management of ai/ml models in wireless communication systems
WO2024087119A1 (zh) * 2022-10-27 2024-05-02 Oppo广东移动通信有限公司 模型控制方法、装置、设备及介质
WO2024097594A1 (en) * 2022-11-03 2024-05-10 Google Llc Channel state information reporting based on machine learning techniques and on non learning machine techniques
KR20240063478A (ko) * 2022-11-03 2024-05-10 삼성전자주식회사 무선 통신 시스템에서 ai 모델에 기반하여 csi를 보고하기 위한 방법 및 장치
EP4376476A1 (en) * 2022-11-03 2024-05-29 Nokia Technologies Oy Reducing radio signal measurements, and related devices, methods and computer programs
WO2024092729A1 (en) * 2022-11-04 2024-05-10 Google Llc Beam measurement and report accuracy enhancement
WO2024098170A1 (en) * 2022-11-07 2024-05-16 Shenzhen Tcl New Technology Co., Ltd. Wireless communication method and wireless communication device

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10911266B2 (en) * 2018-05-18 2021-02-02 Parallel Wireless, Inc. Machine learning for channel estimation
WO2019228614A1 (en) * 2018-05-29 2019-12-05 Telefonaktiebolaget Lm Ericsson (Publ) Reporting an indication of one or more estimated signal parameters
WO2020213964A1 (en) * 2019-04-16 2020-10-22 Samsung Electronics Co., Ltd. Method and apparatus for reporting channel state information
US11476911B2 (en) * 2019-09-19 2022-10-18 Qualcomm Incorporated System and method for determining channel state information
WO2021064275A1 (en) * 2019-10-02 2021-04-08 Nokia Technologies Oy Radio access information reporting in wireless network

Also Published As

Publication number Publication date
EP4302424A1 (en) 2024-01-10
CN117044125A (zh) 2023-11-10
WO2022220642A1 (en) 2022-10-20
US20220338189A1 (en) 2022-10-20

Similar Documents

Publication Publication Date Title
KR20230169948A (ko) Fdd mimo 시스템에서 csi 피드백을 위한 기계학습 또는 인공지능 기술 지원 방법 및 장치
KR102404935B1 (ko) 개선된 무선 통신 시스템에서 csi 보고를 위한 코드북
US11121835B2 (en) Efficient SRS resource indication methods
US12021779B2 (en) Efficient SRS resource indication methods
KR102348750B1 (ko) 개선된 무선 시스템에서 다중 포인트 송신을 조정하기 위한 장치 및 방법
US9712214B2 (en) Channel state information feedback method for coordinated multi-point system and associated user equipment
US9414371B2 (en) Hierarchical channel sounding and channel state information feedback in massive MIMO systems
US10044477B2 (en) Method and base station for CSI process configuration and method and user equipment for CSI feedback
KR20170091664A (ko) 부분 프리코딩 csi-rs 및 csi 피드백을 위한 다운링크 시그널링 방법 및 장치
KR20190089933A (ko) 개선된 무선 통신 시스템에서 다중 레졸루션 csi 보고를 가능하게 하는 방법 및 장치
US20230118031A1 (en) Neural network adjustment method and apparatus
CN113328772A (zh) 用于信道状态信息参考信号(csi-rs)的方法和装置
JP2018507607A (ja) Ｆｄ−ｍｉｍｏのための拡張ｃｓｉフィードバック
JP2016525808A (ja) 無線通信システムにおいて分割ビームフォーミングのために端末がフィードバック情報を送信する方法及びそのための装置
US11546041B2 (en) Method and apparatus for beamspace processing based on multiple beamspace bases
KR20230144029A (ko) 다른 셀 간 빔 관리의 인디케이션 방법 및 장치
KR20230136614A (ko) 분산 mimo 시스템의 안테나 선택 방법 및 장치
CN116868523A (zh) 用于无线通信系统中的模块化mimo的方法和装置
KR20210018781A (ko) 무선 통신 시스템들에서 csi 파라미터 구성을 위한 방법 및 장치
CN114586435A (zh) 信道状态信息上报方法、基站和用户设备
US20220407745A1 (en) Method and apparatus for reference symbol pattern adaptation
WO2024032088A1 (en) Channel state information omissions from channel state information reports
US20240088968A1 (en) Method and apparatus for support of machine learning or artificial intelligence-assisted csi feedback
WO2024065275A1 (en) Methods and apparatuses for csi reporting
KR20240025502A (ko) 무선 통신 시스템에서 채널 상태 정보를 전송 및 수신하기 위한 방법 및 장치