KR20240023108A - 오토 인코더를 이용하는 무선 통신 시스템에서 신호를 송수신하기 위한 방법 및 이를 위한 장치 - Google Patents

Abstract

본 명세서는 오토 인코더를 이용하는 무선 통신 시스템에서 신호를 송수신하기 위한 방법을 제공한다.
보다 구체적으로, 송신단에 의해서 수행되는 상기 방법은, 수신단으로, (i) 채널 추정 및 (ii) 상기 데이터의 전송을 위한 특정 오토 인코더의 결정과 관련된 QCI(Quantized Channel Information) 인덱스(index)를 계산하기 위한 참조 신호를 전송하는 단계; 상기 수신단으로부터, 상기 QCI 인덱스를 포함하는 피드백(feedback)을 수신하는 단계; 및 상기 수신단으로, (i) 상기 QCI 인덱스 및 (ii) 사전 정의된 대응 관계 정보에 기초하여 결정되는 상기 특정 오토 인코더를 이용하여 상기 데이터를 전송하는 단계를 포함하되, 상기 대응 관계 정보는 복소 채널 공간을 양자화(Quantization)하여 구성한 복수의 양자화 채널(Quantized Channel)과 상기 복수의 양자화 채널에 기초하여 사전 학습(pre-training)된 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고, 상기 복수의 양자화 채널은, 상기 복수의 양자화 채널 중 어느 하나의 양자화 채널과 관련된 실제 채널과 상기 어느 하나의 양자화 채널 간의 오차에 기초한 특정 조건을 만족하도록 양자화되는 것을 특징으로 한다.

Description

오토 인코더를 이용하는 무선 통신 시스템에서 신호를 송수신하기 위한 방법 및 이를 위한 장치

본 명세서는 오토 인코더를 이용하여 신호를 송수신하기 위한 것으로, 보다 구체적으로 오토 인코더를 이용하는 무선 통신 시스템에서 신호를 송수신하기 위한 방법 및 이를 위한 장치에 관한 것이다.

무선 통신 시스템이 음성이나 데이터 등과 같은 다양한 종류의 통신 서비스를 제공하기 위해 광범위하게 전개되고 있다. 일반적으로 무선통신 시스템은 가용한 시스템 자원(대역폭, 전송 파워 등)을 공유하여 다중 사용자와의 통신을 지원할 수 있는 다중 접속(multiple access) 시스템이다. 다중 접속 시스템의 예들로는 CDMA(Code Division Multiple Access) 시스템, FDMA(Frequency Division Multiple Access) 시스템, TDMA(Time Division Multiple Access) 시스템, SDMA(Space Division Multiple Access), OFDMA(Orthogonal Frequency Division Multiple Access) 시스템, SC-FDMA(Single Carrier Frequency Division Multiple Access) 시스템, IDMA (Interleave Division Multiple Access) 시스템 등이 있다.

본 명세서는 오토 인코더를 이용하는 무선 통신 시스템에서 신호를 송수신하기 위한 방법 및 이를 위한 장치를 제공함에 목적이 있다.

또한, 본 명세서는 오토 인코더를 이용하는 무선 통신 시스템에서 양자화된 다중 복소 채널에 대한 다중 오토 인코더를 운용하기 위한 방법 및 이를 위한 장치를 제공함에 목적이 있다.

또한, 본 명세서는 오토 인코더를 이용하는 무선 통신 시스템에서 복소 채널의 채널 행렬을 구성하는 채널 벡터 별로 양자화된 다중 복소 채널에 대한 다중 오토 인코더를 운용하기 위한 방법 및 이를 위한 장치를 제공함에 목적이 있다.

또한, 본 명세서는 오토 인코더를 이용하는 무선 통신 시스템에서 복소 채널의 채널 행렬 별로 양자화된 다중 복소 채널에 대한 다중 오토 인코더를 운용하기 위한 방법 및 이를 위한 장치를 제공함에 목적이 있다.

또한, 본 명세서는 오토 인코더를 이용하는 무선 통신 시스템에서 양자화된 다중 복소 채널에 대한 다중 오토 인코더를 사용하여 시변하는 채널 환경에 대해 적응적으로 송수신단 간의 동작을 변경하기 위한 방법 및 이를 위한 장치를 제공함에 목적이 있다.

본 명세서에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 명세서는 오토 인코더(auto encoder)를 이용하는 무선 통신 시스템에서 신호를 송수신 하기 위한 방법 및 이를 위한 장치를 제공한다.

보다 구체적으로, 본 명세서는, 오토 인코더(auto encoder)를 이용하는 무선 통신 시스템에서 송신단이 데이터를 전송하기 위한 방법은, 수신단으로, (i) 채널 추정 및 (ii) 상기 데이터의 전송을 위한 특정 오토 인코더의 결정과 관련된 QCI(Quantized Channel Information) 인덱스(index)를 계산하기 위한 참조 신호를 전송하는 단계; 상기 수신단으로부터, 상기 QCI 인덱스를 포함하는 피드백(feedback)을 수신하는 단계; 및 상기 수신단으로, (i) 상기 QCI 인덱스 및 (ii) 사전 정의된 대응 관계 정보에 기초하여 결정되는 상기 특정 오토 인코더를 이용하여 상기 데이터를 전송하는 단계를 포함하되, 상기 대응 관계 정보는 복소 채널 공간을 양자화(Quantization)하여 구성한 복수의 양자화 채널(Quantized Channel)과 상기 복수의 양자화 채널에 기초하여 사전 학습(pre-training)된 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고, 상기 복수의 양자화 채널은, 상기 복수의 양자화 채널 중 어느 하나의 양자화 채널과 관련된 실제 채널과 상기 어느 하나의 양자화 채널 간의 오차에 기초한 특정 조건을 만족하도록 양자화되는 것을 특징으로 한다.

또한, 본 명세서는, 상기 특정 조건은 상기 실제 채널과 상기 어느 하나의 양자화 채널 간의 상기 오차에 기초하여 결정되는 상호 상관(cross correlation)의 값이 사전 설정된 값 이하가 되도록 하는 조건인 것을 특징으로 할 수 있다.

또한, 본 명세서는, (i) 송신단 안테나 수(N_t)와 수신단 안테나 수(N_r)의 곱(N_tN_r) 및 (ii) 상기 특정 채널과 상기 어느 하나의 양자화 채널 간의 상기 오차에 기초하여 상기 복수의 양자화 채널을 나타내기 위한 양자화 비트 수(q)가 결정되고, 상기 복수의 양자화 채널의 개수는 2^q 개인 것을 특징으로 할 수 있다.

또한, 본 명세서는, 상기 2^q 개의 상기 복수의 양자화 채널 각각에 대응되는 오토 인코더들을 사전 학습시키는 단계를 더 포함하되, 상기 복수의 오토 인코더는 상기 사전 학습시킨 오토 인코더들로 구성되는 것을 특징으로 할 수 있다.

또한, 본 명세서는, QCI 인덱스를 포함하는 피드백은 일정 주기로 수신되고, 상기 일정 주기는 상기 특정 오토 인코더에 대응되는 특정 양자화 채널이 상기 특정 조건을 만족하는 상태가 유지되는 시간에 기초하여 결정되는 것을 특징으로 할 수 있다.

또한, 본 명세서는, 상기 특정 양자화 채널이 상기 특정 조건을 만족하는 상태가 유지되는 시간은 상기 상호 상관 계수 및 상기 수신단의 이동 속도에 기초하여 결정되는 것을 특징으로 할 수 있다.

또한, 본 명세서는, 상기 수신단으로, 상기 일정 주기를 설정하기 위한 신호를 전송하는 단계를 포함하되, 상기 일정 주기는 상기 특정 양자화 채널이 상기 특정 조건을 만족하는 상태가 유지되는 시간보다 작은 값으로 설정되는 것을 특징으로 할 수 있다.

또한, 본 명세서는, 상기 복수의 양자화 채널은 채널 행렬(channel matrix)을 구성하는 적어도 하나의 채널 벡터(channel vector)에 대하여 각각 구성되는 것을 특징으로 할 수 있다.

또한, 본 명세서는, 상기 대응 관계 정보는, 상기 적어도 하나의 채널 벡터에 대하여 각각 구성된 상기 복수의 양자화 채널에 기초하여 조합된 복수의 양자화 채널 조합과 상기 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고, 상기 복수의 양자화 채널 조합과 상기 복수의 오토 인코더가 서로 맵핑되고, 상기 양자화 채널 조합은 상기 적어도 하나의 채널 벡터에 각각 대응되는 적어도 하나의 양자화 채널을 포함하는 것을 특징으로 할 수 있다.

또한, 본 명세서는, 상기 QCI 인덱스는 상기 복수의 양자화 채널 조합 중 하나의 양자화 채널 조합을 나타내고, 상기 대응 관계 정보에 기초하여, 상기 하나의 양자화 채널 조합에 맵핑되는 하나의 오토 인코더가 상기 특정 오토 인코더로 결정되는 것을 특징으로 할 수 있다.

또한, 본 명세서는, 상기 대응 관계 정보는, 상기 적어도 하나의 채널 벡터에 대하여 각각 구성된 상기 복수의 양자화 채널과 상기 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고, 상기 적어도 하나의 채널 벡터에 대하여 각각 구성된 상기 복수의 양자화 채널과 상기 복수의 오토 인코더가 서로 맵핑되는 것을 특징으로 할 수 있다.

또한, 본 명세서는, 상기 QCI 인덱스는, 상기 적어도 하나의 채널 벡터 각각에 대하여, 상기 복수의 양자화 채널 중 하나의 양자화 채널을 나타내고, 상기 대응 관계 정보에 기초하여, 상기 적어도 하나의 채널 벡터 각각에 대하여, 상기 하나의 양자화 채널에 맵핑되는 하나의 오토 인코더가 결정되고, 상기 적어도 하나의 채널 벡터 각각에 대하여 결정된 하나의 오토 인코더가 상기 특정 오토 인코더인 것을 특징으로 할 수 있다.

또한, 본 명세서는, 상기 복수의 양자화 채널은 채널 행렬에 대하여 구성되고, 상기 대응 관계 정보는, 상기 채널 행렬에 대하여 구성된 상기 복수의 양자화 채널과 상기 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고, 상기 채널 행렬에 대하여 구성된 상기 복수의 양자화 채널과 상기 복수의 오토 인코더가 서로 맵핑되는 것을 특징으로 할 수 있다.

또한, 본 명세서는, 상기 QCI 인덱스는 상기 채널 행렬에 대하여 구성된 상기 복수의 양자화 채널 중 하나의 양자화 채널을 나타내고, 상기 대응 관계 정보에 기초하여, 상기 하나의 양자화 채널에 맵핑되는 하나의 오토 인코더가 상기 특정 오토 인코더로 결정되는 것을 특징으로 할 수 있다.

또한, 본 명세서는, 상기 대응 관계 정보에 기초하여, (i) 상기 복수의 오토 인코더 각각은 상기 복수의 양자화 채널 중 하나의 양자화 채널에 맵핑되거나, (ii) 상기 복수의 오토 인코더 각각은 상기 복수의 양자화 채널 중 적어도 둘 이상의 양자화 채널에 맵핑되는 것을 특징으로 할 수 있다.

또한, 본 명세서는, 오토 인코더(auto encoder)를 이용하는 무선 통신 시스템에서 신호를 송수신하기 위한 송신단에 있어서, 무선 신호를 전송하기 위한 전송기(transmitter); 무선 신호를 수신하기 위한 수신기(receiver); 적어도 하나의 프로세서; 및 상기 적어도 하나의 프로세서에 동작 가능하게 접속 가능하고, 상기 적어도 하나의 프로세서에 의해 실행될 때, 동작들을 수행하는 지시(instruction)들을 저장하는 적어도 하나의 컴퓨터 메모리를 포함하며, 상기 동작들은, 수신단으로, (i) 채널 추정 및 (ii) 상기 데이터의 전송을 위한 특정 오토 인코더의 결정과 관련된 QCI(Quantized Channel Information) 인덱스(index)를 계산하기 위한 참조 신호를 전송하는 단계; 상기 수신단으로부터, 상기 QCI 인덱스를 포함하는 피드백(feedback)을 수신하는 단계; 및 상기 수신단으로, (i) 상기 QCI 인덱스 및 (ii) 사전 정의된 대응 관계 정보에 기초하여 결정되는 상기 특정 오토 인코더를 이용하여 상기 데이터를 전송하는 단계를 포함하되, 상기 대응 관계 정보는 복소 채널 공간을 양자화(Quantization)하여 구성한 복수의 양자화 채널(Quantized Channel)과 상기 복수의 양자화 채널에 기초하여 사전 학습(pre-training)된 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고, 상기 복수의 양자화 채널은, 상기 복수의 양자화 채널 중 어느 하나의 양자화 채널과 관련된 실제 채널과 상기 어느 하나의 양자화 채널 간의 오차에 기초한 특정 조건을 만족하도록 양자화되는 것을 특징으로 한다.

또한, 본 명세서는, 오토 인코더(auto encoder)를 이용하는 무선 통신 시스템에서 수신단이 데이터를 수신하기 위한 방법은, 송신단으로부터, (i) 채널 추정 및 (ii) 상기 데이터의 수신을 위한 특정 오토 인코더의 결정과 관련된 QCI(Quantized Channel Information) 인덱스(index)를 계산하기 위한 참조 신호를 수신하는 단계; 상기 송신단으로, 상기 QCI 인덱스를 포함하는 피드백(feedback)을 전송하는 단계; 및 상기 송신단으로부터, (i) 상기 QCI 인덱스 및 (ii) 사전 정의된 대응 관계 정보에 기초하여 결정되는 상기 특정 오토 인코더를 이용하여 상기 데이터를 수신하는 단계를 포함하되, 상기 대응 관계 정보는 복소 채널 공간을 양자화(Quantization)하여 구성한 복수의 양자화 채널(Quantized Channel)과 상기 복수의 양자화 채널에 기초하여 사전 학습(pre-training)된 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고, 상기 복수의 양자화 채널은, 상기 복수의 양자화 채널 중 어느 하나의 양자화 채널과 관련된 실제 채널과 상기 어느 하나의 양자화 채널 간의 오차가 특정 조건을 만족하도록 양자화되는 것을 특징으로 한다.

또한, 본 명세서는, 오토 인코더(auto encoder)를 이용하는 무선 통신 시스템에서 신호를 송수신하기 위한 수신단에 있어서, 무선 신호를 전송하기 위한 전송기(transmitter); 무선 신호를 수신하기 위한 수신기(receiver); 적어도 하나의 프로세서; 및 상기 적어도 하나의 프로세서에 동작 가능하게 접속 가능하고, 상기 적어도 하나의 프로세서에 의해 실행될 때, 동작들을 수행하는 지시(instruction)들을 저장하는 적어도 하나의 컴퓨터 메모리를 포함하며, 상기 동작들은, 송신단으로부터, (i) 채널 추정 및 (ii) 상기 데이터의 수신을 위한 특정 오토 인코더의 결정과 관련된 QCI(Quantized Channel Information) 인덱스(index)를 계산하기 위한 참조 신호를 수신하는 단계; 상기 송신단으로, 상기 QCI 인덱스를 포함하는 피드백(feedback)을 전송하는 단계; 및 상기 송신단으로부터, (i) 상기 QCI 인덱스 및 (ii) 사전 정의된 대응 관계 정보에 기초하여 결정되는 상기 특정 오토 인코더를 이용하여 상기 데이터를 수신하는 단계를 포함하되, 상기 대응 관계 정보는 복소 채널 공간을 양자화(Quantization)하여 구성한 복수의 양자화 채널(Quantized Channel)과 상기 복수의 양자화 채널에 기초하여 사전 학습(pre-training)된 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고, 상기 복수의 양자화 채널은, 상기 복수의 양자화 채널 중 어느 하나의 양자화 채널과 관련된 실제 채널과 상기 어느 하나의 양자화 채널 간의 오차가 특정 조건을 만족하도록 양자화되는 것을 특징으로 한다.

또한, 본 명세서는, 하나 이상의 명령어들을 저장하는 비일시적 컴퓨터 판독 가능 매체(computer readable medium, CRM)에 있어서, 하나 이상의 프로세서들에 의해 실행 가능한 하나 이상의 명령어들은 송신단이, 수신단으로, (i) 채널 추정 및 (ii) 상기 데이터의 전송을 위한 특정 오토 인코더의 결정과 관련된 QCI(Quantized Channel Information) 인덱스(index)를 계산하기 위한 참조 신호를 전송하도록 하고, 상기 수신단으로부터, 상기 QCI 인덱스를 포함하는 피드백(feedback)을 수신하도록 하고, 상기 수신단으로, (i) 상기 QCI 인덱스 및 (ii) 사전 정의된 대응 관계 정보에 기초하여 결정되는 상기 특정 오토 인코더를 이용하여 상기 데이터를 전송하도록 하되, 상기 대응 관계 정보는 복소 채널 공간을 양자화(Quantization)하여 구성한 복수의 양자화 채널(Quantized Channel)과 상기 복수의 양자화 채널에 기초하여 사전 학습(pre-training)된 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고, 상기 복수의 양자화 채널은, 상기 복수의 양자화 채널 중 어느 하나의 양자화 채널과 관련된 실제 채널과 상기 어느 하나의 양자화 채널 간의 오차에 기초한 특정 조건을 만족하도록 양자화되는 것을 특징으로 한다.

또한, 본 명세서는, 하나 이상의 메모리들 및 상기 하나 이상의 메모리들과 기능적으로 연결되어 있는 하나 이상의 프로세서들을 포함하는 장치에 있어서, 상기 하나 이상의 프로세서들은 상기 장치가, 수신단으로, (i) 채널 추정 및 (ii) 상기 데이터의 전송을 위한 특정 오토 인코더의 결정과 관련된 QCI(Quantized Channel Information) 인덱스(index)를 계산하기 위한 참조 신호를 전송하도록 하고, 상기 수신단으로부터, 상기 QCI 인덱스를 포함하는 피드백(feedback)을 수신하도록 하고,상기 수신단으로, (i) 상기 QCI 인덱스 및 (ii) 사전 정의된 대응 관계 정보에 기초하여 결정되는 상기 특정 오토 인코더를 이용하여 상기 데이터를 전송하도록 하되, 상기 대응 관계 정보는 복소 채널 공간을 양자화(Quantization)하여 구성한 복수의 양자화 채널(Quantized Channel)과 상기 복수의 양자화 채널에 기초하여 사전 학습(pre-training)된 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고, 상기 복수의 양자화 채널은, 상기 복수의 양자화 채널 중 어느 하나의 양자화 채널과 관련된 실제 채널과 상기 어느 하나의 양자화 채널 간의 오차에 기초한 특정 조건을 만족하도록 양자화되는 것을 특징으로 한다.

본 명세서는 오토 인코더를 이용하는 무선 통신 시스템에서 신호를 송수신할 수 있는 효과가 있다.

또한, 본 명세서는 오토 인코더를 이용하는 무선 통신 시스템에서 양자화된 다중 복소 채널에 대한 다중 오토 인코더를 운용할 수 있는 효과가 있다.

또한, 본 명세서는 오토 인코더를 이용하는 무선 통신 시스템에서 복소 채널의 채널 행렬을 구성하는 채널 벡터 별로 양자화된 다중 복소 채널에 대한 다중 오토 인코더를 운용할 수 있는 효과가 있다.

또한, 본 명세서는 오토 인코더를 이용하는 무선 통신 시스템에서 복소 채널의 채널 행렬 별로 양자화된 다중 복소 채널에 대한 다중 오토 인코더를 운용할 수 있는 효과가 있다.

또한, 본 명세서는 오토 인코더를 이용하는 무선 통신 시스템에서 양자화된 다중 복소 채널에 대한 다중 오토 인코더를 사용하여 시변하는 채널 환경에 대해 적응적으로 송수신단 간의 동작을 변경할 수 있는 효과가 있다.

또한, 본 명세서는 오토 인코더를 이용하는 무선 통신 시스템에서 채널 환경이 변화하더라도 오토 인코더를 이용하는 무선 통신 시스템의 성능을 유지할 수 있는 효과가 있다.

본 명세서에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
도 1은 3GPP 시스템에 이용되는 물리 채널들 및 일반적인 신호 전송을 예시한다.
도 2는 6G 시스템에서 제공 가능한 통신 구조의 일례를 나타낸 도이다.
도 3은 퍼셉트론 구조의 일례를 나타낸 도이다.
도 4는 다층 퍼셉트론 구조의 일례를 나타낸 도이다.
도 5는 심층 신경망의 일례를 나타낸 도이다.
도 6은 컨볼루션 신경망의 일례를 나타낸 도이다.
도 7은 컨볼루션 신경망에서의 필터 연산의 일례를 나타낸 도이다.
도 8은 순환 루프가 존재하는 신경망 구조의 일례를 나타낸다.
도 9는 순환 신경망의 동작 구조의 일례를 나타낸다.
도 10은 오프라인 학습에 기초한 딥러닝 기반의 AI 알고리즘이 통신 환경에 적용되는 방식의 일 예를 나타낸 도이다.도 11
도 11은 오프라인 학습에 기초한 딥러닝 기반의 AI 알고리즘이 통신 환경에 적용되는 방식의 또 다른 일 예를 나타낸 도이다.
도 12는 양자화된 복소 MIMO 채널 공간의 예시들을 나타낸 도이다.도 31
도 13은 오토 인코더가 적용된 통신 시스템의 일 예를 나타낸 도이다.
도 14는 양자화된 복소 채널 공간의 일 예를 나타낸 도이다.
도 15는 단말의 이동속도에 따른 목표 성능이 유지되기 위한 조건을 나타낸 도이다.
도 16은 오토 인코더가 적용된 통신 시스템의 또 다른 일 예를 나타낸 도이다.
도 17은 채널 행렬(Channel Matrix)의 열 벡터(Column Vector)를 개별적으로 양자화하여 복소 채널 공간을 양자화하는 방법의 일 예를 나타낸 도이다.
도 18은 채널 행렬(Channel Matrix)의 열 벡터(Column Vector)를 개별적으로 양자화하여 구성된 양자화 채널과 오토 인코더 간의 대응 관계 구성 방법의 일 예를 나타낸 도이다.
도 19는 채널 행렬(Channel Matrix)의 열 벡터(Column Vector)를 개별적으로 양자화하여 구성된 양자화 채널과 오토 인코더 간의 대응 관계 구성 방법의 또 다른 일 예를 나타낸 도이다.
도 20은 채널 행렬(Channel Matrix)의 열 벡터(Column Vector)를 스택화(stacked)하여 구성한 스택형 채널에 기초하여 복소 채널 공간을 양자화하는 방법의 일 예를 나타낸 도이다.
도 21은 채널 행렬(Channel Matrix)의 열 벡터(Column Vector)를 스택화(stacked)하여 구성한 스택형 양자화 채널과 오토 인코더 간의 대응 관계 구성 방법의 일 예를 나타낸 도이다.
도 22는 FDD 시스템에서 동작하는 다중 오토 인코더 시스템에서의 송/수신단 간의 동작의 일 예를 나타낸 흐름도이다.
도 23은 TDD 시스템에서 동작하는 다중 오토 인코더 시스템에서의 송/수신단 간의 동작의 일 예를 나타낸 흐름도이다.
도 24는 본 명세서에서 제안하는 오토 인코더를 이용하는 무선 통신 시스템에서 데이터를 전송하기 위한 방법의 일례를 나타낸 순서도이다.
도 25는 본 발명에 적용되는 통신 시스템을 예시한다.
도 26은 본 발명에 적용될 수 있는 무선 기기를 예시한다.
도 27은 전송 신호를 위한 신호 처리 회로를 예시한다.
도 28은 본 발명에 적용되는 무선 기기의 다른 예를 나타낸다.
도 29는 본 발명에 적용되는 휴대 기기를 예시한다.
도 30은 본 발명에 적용되는 차량 또는 자율 주행 차량을 예시한다.
도 31은 본 발명에 적용되는 차량을 예시한다.
도 32는 본 발명에 적용되는 XR 기기를 예시한다.
도 33은 본 발명에 적용되는 로봇을 예시한다.
도 34는 본 발명에 적용되는 AI 기기를 예시한다.

이하의 기술은 CDMA, FDMA, TDMA, OFDMA, SC-FDMA 등과 같은 다양한 무선 접속 시스템에 사용될 수 있다. CDMA는 UTRA(Universal Terrestrial Radio Access)나 CDMA2000과 같은 무선 기술로 구현될 수 있다. TDMA는 GSM(Global System for Mobile communications)/GPRS(General Packet Radio Service)/EDGE(Enhanced Data Rates for GSM Evolution)와 같은 무선 기술로 구현될 수 있다. OFDMA는 IEEE 802.11 (Wi-Fi), IEEE 802.16 (WiMAX), IEEE 802-20, E-UTRA(Evolved UTRA) 등과 같은 무선 기술로 구현될 수 있다. UTRA는 UMTS(Universal Mobile Telecommunications System)의 일부이다. 3GPP(3rd Generation Partnership Project) LTE(Long Term Evolution)은 E-UTRA를 사용하는 E-UMTS(Evolved UMTS)의 일부이고 LTE-A(Advanced)/LTE-A pro는 3GPP LTE의 진화된 버전이다. 3GPP NR(New Radio or New Radio Access Technology)는 3GPP LTE/LTE-A/LTE-A pro의 진화된 버전이다. 3GPP 6G는 3GPP NR의 진화된 버전일 수 있다.

설명을 명확하게 하기 위해, 3GPP 통신 시스템(예, LTE, NR 등)을 기반으로 설명하지만 본 발명의 기술적 사상이 이에 제한되는 것은 아니다. LTE는 3GPP TS 36.xxx Release 8 이후의 기술을 의미한다. 세부적으로, 3GPP TS 36.xxx Release 10 이후의 LTE 기술은 LTE-A로 지칭되고, 3GPP TS 36.xxx Release 13 이후의 LTE 기술은 LTE-A pro로 지칭된다. 3GPP NR은 TS 38.xxx Release 15 이후의 기술을 의미한다. 3GPP 6G는 TS Release 17 및/또는 Release 18 이후의 기술을 의미할 수 있다. "xxx"는 표준 문서 세부 번호를 의미한다. LTE/NR/6G는 3GPP 시스템으로 통칭될 수 있다. 본 발명의 설명에 사용된 배경기술, 용어, 약어 등에 관해서는 본 발명 이전에 공개된 표준 문서에 기재된 사항을 참조할 수 있다. 예를 들어, 다음 문서를 참조할 수 있다.

3GPP LTE

- 36.211: Physical channels and modulation

- 36.212: Multiplexing and channel coding

- 36.213: Physical layer procedures

- 36.300: Overall description

- 36.331: Radio Resource Control (RRC)

3GPP NR

- 38.211: Physical channels and modulation

- 38.212: Multiplexing and channel coding

- 38.213: Physical layer procedures for control

- 38.214: Physical layer procedures for data

- 38.300: NR and NG-RAN Overall Description

- 38.331: Radio Resource Control (RRC) protocol specification

물리 채널 및 프레임 구조

물리 채널 및 일반적인 신호 전송

도 1은 3GPP 시스템에 이용되는 물리 채널들 및 일반적인 신호 전송을 예시한다. 무선 통신 시스템에서 단말은 기지국으로부터 하향링크(Downlink, DL)를 통해 정보를 수신하고, 단말은 기지국으로 상향링크(Uplink, UL)를 통해 정보를 전송한다. 기지국과 단말이 송수신하는 정보는 데이터 및 다양한 제어 정보를 포함하고, 이들이 송수신 하는 정보의 종류/용도에 따라 다양한 물리 채널이 존재한다.

단말은 전원이 켜지거나 새로이 셀에 진입한 경우 기지국과 동기를 맞추는 등의 초기 셀 탐색(Initial cell search) 작업을 수행한다(S11). 이를 위해, 단말은 기지국으로부터 주 동기 신호(Primary Synchronization Signal, PSS) 및 부 동기 신호(Secondary Synchronization Signal, SSS)을 수신하여 기지국과 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. 그 후, 단말은 기지국으로부터 물리 방송 채널(Physical Broadcast Channel, PBCH)를 수신하여 셀 내 방송 정보를 획득할 수 있다. 한편, 단말은 초기 셀 탐색 단계에서 하향링크 참조 신호(Downlink Reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다.

초기 셀 탐색을 마친 단말은 물리 하향링크 제어 채널(Physical Downlink Control Channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(Physical Downlink Control Channel; PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S12).

한편, 기지국에 최초로 접속하거나 신호 송신을 위한 무선 자원이 없는 경우, 단말은 기지국에 대해 임의 접속 과정(Random Access Procedure, RACH)을 수행할 수 있다(S13 내지 S16). 이를 위해, 단말은 물리 임의 접속 채널(Physical Random Access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로 송신하고(S13 및 S15), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 응답 메시지((RAR(Random Access Response) message)를 수신할 수 있다. 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 절차(Contention Resolution Procedure)를 수행할 수 있다(S16).

상술한 바와 같은 절차를 수행한 단말은 이후 일반적인 상/하향링크 신호 송신 절차로서 PDCCH/PDSCH 수신(S17) 및 물리 상향링크 공유 채널(Physical Uplink Shared Channel, PUSCH)/물리 상향링크 제어 채널(Physical Uplink Control Channel; PUCCH) 송신(S18)을 수행할 수 있다. 특히 단말은 PDCCH를 통하여 하향링크 제어 정보(Downlink Control Information, DCI)를 수신할 수 있다. 여기서, DCI는 단말에 대한 자원 할당 정보와 같은 제어 정보를 포함하며, 사용 목적에 따라 포맷이 서로 다르게 적용될 수 있다.

한편, 단말이 상향링크를 통해 기지국에 송신하는 또는 단말이 기지국으로부터 수신하는 제어 정보는 하향링크/상향링크 ACK/NACK 신호, CQI(Channel Quality Indicator), PMI(Precoding Matrix 인덱스), RI(Rank Indicator) 등을 포함할 수 있다. 단말은 상술한 CQI/PMI/RI 등의 제어 정보를 PUSCH 및/또는 PUCCH를 통해 송신할 수 있다.

상향링크 및 하향링크 채널의 구조

하향링크 채널 구조

기지국은 후술하는 하향링크 채널을 통해 관련 신호를 단말에게 전송하고, 단말은 후술하는 하향링크 채널을 통해 관련 신호를 기지국으로부터 수신한다.

(1) 물리 하향링크 공유 채널(PDSCH)

PDSCH는 하향링크 데이터(예, DL-shared channel transport block, DL-SCH TB)를 운반하고, QPSK(Quadrature Phase Shift Keying), 16 QAM(Quadrature Amplitude Modulation), 64 QAM, 256 QAM 등의 변조 방법이 적용된다. TB를 인코딩하여 코드워드(codeword)가 생성된다. PDSCH는 다수의 코드워드들을 나를 수 있다. 코드워드(codeword) 별로 스크램블링(scrambling) 및 변조 매핑(modulation mapping)이 수행되고, 각 코드워드로부터 생성된 변조 심볼들은 하나 이상의 레이어로 매핑된다(Layer mapping). 각 레이어는 DMRS(Demodulation Reference Signal)과 함께 자원에 매핑되어 OFDM 심볼 신호로 생성되고, 해당 안테나 포트를 통해 전송된다.

(2) 물리 하향링크 제어 채널(PDCCH)

PDCCH는 하향링크 제어 정보(DCI)를 운반하고 QPSK 변조 방법 등이 적용된다. 하나의 PDCCH는 AL(Aggregation Level)에 따라 1, 2, 4, 8, 16 개 등의 CCE(Control Channel Element)로 구성된다. 하나의 CCE는 6개의 REG(Resource Element Group)로 구성된다. 하나의 REG는 하나의 OFDM 심볼과 하나의 (P)RB로 정의된다.

단말은 PDCCH 후보들의 세트에 대한 디코딩(일명, 블라인드 디코딩)을 수행하여 PDCCH를 통해 전송되는 DCI를 획득한다. 단말이 디코딩하는 PDCCH 후보들의 세트는 PDCCH 검색 공간(Search Space) 세트라 정의한다. 검색 공간 세트는 공통 검색 공간 (common search space) 또는 단말-특정 검색 공간 (UE-specific search space)일 수 있다. 단말은 MIB 또는 상위 계층 시그널링에 의해 설정된 하나 이상의 검색 공간 세트 내 PDCCH 후보를 모니터링하여 DCI를 획득할 수 있다.

상향링크 채널 구조

단말은 후술하는 상향링크 채널을 통해 관련 신호를 기지국으로 전송하고, 기지국은 후술하는 상향링크 채널을 통해 관련 신호를 단말로부터 수신한다.

(1) 물리 상향링크 공유 채널(PUSCH)

PUSCH는 상향링크 데이터(예, UL-shared channel transport block, UL-SCH TB) 및/또는 상향링크 제어 정보(UCI)를 운반하고, CP-OFDM (Cyclic Prefix - Orthogonal Frequency Division Multiplexing) 파형(waveform), DFT-s-OFDM (Discrete Fourier Transform - spread - Orthogonal Frequency Division Multiplexing) 파형 등에 기초하여 전송된다. PUSCH가 DFT-s-OFDM 파형에 기초하여 전송되는 경우, 단말은 변환 프리코딩(transform precoding)을 적용하여 PUSCH를 전송한다. 일 예로, 변환 프리코딩이 불가능한 경우(예, transform precoding is disabled) 단말은 CP-OFDM 파형에 기초하여 PUSCH를 전송하고, 변환 프리코딩이 가능한 경우(예, transform precoding is enabled) 단말은 CP-OFDM 파형 또는 DFT-s-OFDM 파형에 기초하여 PUSCH를 전송할 수 있다. PUSCH 전송은 DCI 내 UL 그랜트에 의해 동적으로 스케줄링 되거나, 상위 계층(예, RRC) 시그널링 (및/또는 Layer 1(L1) 시그널링(예, PDCCH))에 기초하여 반-정적(semi-static)으로 스케줄링 될 수 있다(configured grant). PUSCH 전송은 코드북 기반 또는 비-코드북 기반으로 수행될 수 있다.

(2) 물리 상향링크 제어 채널(PUCCH)

PUCCH는 상향링크 제어 정보, HARQ-ACK 및/또는 스케줄링 요청(SR)을 운반하고, PUCCH 전송 길이에 따라 다수의 PUCCH들로 구분될 수 있다.

6G 시스템 일반

6G (무선통신) 시스템은 (i) 디바이스 당 매우 높은 데이터 속도, (ii) 매우 많은 수의 연결된 디바이스들, (iii) 글로벌 연결성(global connectivity), (iv) 매우 낮은 지연, (v) 배터리-프리(battery-free) IoT 디바이스들의 에너지 소비를 낮추고, (vi) 초고신뢰성 연결, (vii) 머신 러닝 능력을 가지는 연결된 지능 등에 목적이 있다. 6G 시스템의 비젼은 intelligent connectivity, deep connectivity, holographic connectivity, ubiquitous connectivity와 같은 4가지 측면일 수 있으며, 6G 시스템은 아래 표 1과 같은 요구 사항을 만족시킬 수 있다. 즉, 표 1은 6G 시스템의 요구 사항의 일례를 나타낸 표이다.

6G 시스템은 Enhanced mobile broadband (eMBB), Ultra-reliable low latency communications (URLLC), massive machine-type communication (mMTC), AI integrated communication, Tactile internet, High throughput, High network capacity, High energy efficiency, Low backhaul and access network congestion, Enhanced data security와 같은 핵심 요소(key factor)들을 가질 수 있다.

도 2는 6G 시스템에서 제공 가능한 통신 구조의 일례를 나타낸 도이다.

6G 시스템은 5G 무선통신 시스템보다 50배 더 높은 동시 무선통신 연결성을 가질 것으로 예상된다. 5G의 key feature인 URLLC는 6G 통신에서 1ms보다 적은 단-대-단(end-to-end) 지연을 제공함으로써 보다 더 주요한 기술이 될 것이다. 6G 시스템은 자주 사용되는 영역 스펙트럼 효율과 달리 체적 스펙트럼 효율이 훨씬 우수할 것이다. 6G 시스템은 매우 긴 배터리 수명과 에너지 수확을 위한 고급 배터리 기술을 제공할 수 있어, 6G 시스템에서 모바일 디바이스들은 별도로 충전될 필요가 없을 것이다. 6G에서 새로운 네트워크 특성들은 다음과 같을 수 있다.

- 위성 통합 네트워크(Satellites integrated network): 글로벌 모바일 집단을 제공하기 위해 6G는 위성과 통합될 것으로 예상된다.

- 연결된 인텔리전스(Connected intelligence): "연결된 사물”에서 "연결된 지능"으로 무선 진화가 업데이트될 것이다. AI는 통신 절차의 각 단계(또는 후술할 신호 처리의 각 절차)에서 적용될 수 있다.

- 무선 정보 및 에너지 전달의 완벽한 통합(Seamless integration wireless information and energy transfer)

- 유비쿼터스 슈퍼 3D 연결(Ubiquitous super 3D connectivity): 드론 및 매우 낮은 지구 궤도 위성의 네트워크 및 핵심 네트워크 기능에 접속은 6G 유비쿼터스에서 슈퍼 3D 연결을 만들 것이다.

위와 같은 6G의 새로운 네트워크 특성들에서 몇 가지 일반적인 요구 사항은 다음과 같을 수 있다.

- 스몰 셀 네트워크(small cell networks): 스몰 셀 네트워크의 아이디어는 셀룰러 시스템에서 처리량, 에너지 효율 및 스펙트럼 효율 향상의 결과로 수신 신호 품질을 향상시키기 위해 도입되었다. 결과적으로, 스몰 셀 네트워크는 5G 및 비욘드 5G (5GB) 이상의 통신 시스템에 필수적인 특성이다. 따라서, 6G 통신 시스템 역시 스몰 셀 네트워크의 특성을 채택한다.

- 초 고밀도 이기종 네트워크(Ultra-dense heterogeneous network): 초 고밀도 이기종 네트워크들은 6G 통신 시스템의 또 다른 중요한 특성이 될 것이다. 이기종 네트워크로 구성된 멀티-티어 네트워크는 전체 QoS를 개선하고 비용을 줄인다.

- 대용량 백홀(High-capacity backhaul): 백홀 연결은 대용량 트래픽을 지원하기 위해 대용량 백홀 네트워크로 특징 지어진다. 고속 광섬유 및 자유 공간 광학 (FSO) 시스템이 이 문제에 대한 가능한 솔루션일 수 있다.

- 모바일 기술과 통합된 레이더 기술: 통신을 통한 고정밀 지역화(또는 위치 기반 서비스)는 6G 무선통신 시스템의 기능 중 하나이다. 따라서, 레이더 시스템은 6G 네트워크와 통합될 것이다.

- 소프트화 및 가상화(Softwarization and virtualization): 소프트화 및 가상화는 유연성, 재구성성 및 프로그래밍 가능성을 보장하기 위해 5GB 네트워크에서 설계 프로세스의 기초가 되는 두 가지 중요한 기능이다. 또한, 공유 물리적 인프라에서 수십억 개의 장치가 공유될 수 있다.

6G 시스템의 핵심 구현 기술

인공 지능(Artificial Intelligence)

6G 시스템에 가장 중요하며, 새로 도입될 기술은 AI이다. 4G 시스템에는 AI가 관여하지 않았다. 5G 시스템은 부분 또는 매우 제한된 AI를 지원할 것이다. 그러나, 6G 시스템은 완전히 자동화를 위해 AI가 지원될 것이다. 머신 러닝의 발전은 6G에서 실시간 통신을 위해 보다 지능적인 네트워크를 만들 것이다. 통신에 AI를 도입하면 실시간 데이터 전송이 간소화되고 향상될 수 있다.

최근에는 AI를 무선 통신 시스템과 통합하려고 하는 시도들이 나타나고 있으나, 이는 application layer, network layer, wireless resource management and allocation 분야에 집중되어 왔다. 그러나, 이러한 연구는 점점 MAC layer 와 Physical layer로 발전하고 있으며, 특히 물리계층에서 딥러닝을 무선 전송(wireless transmission)과 결합하고자 하는 시도들이 나타나고 있다.

AI 기반의 물리계층 전송은, 근본적인 신호 처리 및 통신 메커니즘에 있어서, 전통적인 통신 프레임워크가 아니라 AI 드라이버에 기초한 신호 처리 및 통신 메커니즘을 적용하는 것을 의미한다. 예를 들어, 딥러닝 기반의 채널 코딩 및 디코딩(channel coding and decoding), 딥러닝 기반의 신호 추정(estimation) 및 검출(detection), 딥러닝 기반의 MIMO mechanism, AI 기반의 자원 스케줄링(scheduling) 및 할당(allocation) 등을 포함할 수 있다.

머신 러닝은 채널 추정 및 채널 트래킹을 위해 사용될 수 있으며, DL(downlink)의 물리 계층(physical layer)에서 전력 할당(power allocation), 간섭 제거 (interference cancellation) 등에 사용될 수 있다. 또한, 머신 러닝은 MIMO 시스템에서 안테나 선택, 전력 제어(power control), 심볼 검출(symbol detection) 등에도 사용될 수 있다.

머신 러닝은 사람이 할 수 있거나 혹은 하기 어려운 작업을 대신해낼 수 있는 기계를 만들어내기 위해 기계를 학습시키는 일련의 동작을 의미한다. 머신 러닝을 위해서는 데이터와 러닝 모델이 필요하다. 머신 러닝에서 데이터의 학습 방법은 크게 3가지 즉, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 그리고 강화 학습(reinforcement learning)으로 구분될 수 있다.

신경망 학습은 출력의 오류를 최소화하기 위한 것이다. 신경망 학습은 반복적으로 학습 데이터를 신경망에 입력시키고 학습 데이터에 대한 신경망의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 신경망의 에러를 신경망의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation) 하여 신경망의 각 노드의 가중치를 업데이트하는 과정이다.

지도 학습은 학습 데이터에 정답이 라벨링된 학습 데이터를 사용하며 비지도 학습은 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 지도 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링된 데이터 일 수 있다. 라벨링된 학습 데이터가 신경망에 입력되고 신경망의 출력(카테고리)과 학습 데이터의 라벨을 비교하여 오차(error)가 계산될 수 있다. 계산된 오차는 신경망에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 신경망의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learing rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 신경망의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 신경망의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 신경망의 학습 초기에는 높은 학습률을 사용하여 신경망이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다

데이터의 특징에 따라 학습 방법은 달라질 수 있다. 예를 들어, 통신 시스템 상에서 송신단에서 전송한 데이터를 수신단에서 정확하게 예측하는 것을 목적으로 하는 경우, 비지도 학습 또는 강화 학습 보다는 지도 학습을 이용하여 학습을 수행하는 것이 바람직하다.

러닝 모델은 인간의 뇌에 해당하는 것으로서, 가장 기본적인 선형 모델을 생각할 수 있으나, 인공 신경망(artificial neural networks)와 같은 복잡성이 높은 신경망 구조를 러닝 모델로 사용하는 머신 러닝의 패러다임을 딥러닝(deep learning)이라 한다.

학습(learning) 방식으로 사용하는 신경망 코어(neural network cord)는 크게 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine) 방식이 있다.

인공 신경망(artificial neural network)은 여러 개의 퍼셉트론을 연결한 예시이다.

도 3을 참조하면, 입력 벡터 x=(x1,x2,...,xd) 가 입력되면 각 성분에 가중치(W1,W2,...,Wd)를 곱하고, 그 결과를 모두 합산한 후, 활성함수 σ() 를 적용하는 전체 과정을 퍼셉트론(perceptron)이라 한다. 거대한 인공 신경망 구조는 도 3에 도시한 단순화된 퍼셉트론 구조를 확장하여 입력벡터를 서로 다른 다 차원의 퍼셉트론에 적용할 수도 있다. 설명의 편의를 위해 입력값 또는 출력값을 노드(node)라 칭한다.

한편, 도 3에 도시된 퍼셉트론 구조는 입력값, 출력값을 기준으로 총 3개의 층(layer)로 구성되는 것으로 설명할 수 있다. 1st layer와 2nd layer 사이에는 (d+1) 차원의 퍼셉트론 H개, 2nd layer와 3rd layer 사이에는 (H+1)차원 퍼셉트론이 K 개 존재하는 인공신경망을 도 4와 같이 표현할 수 있다.

입력벡터가 위치하는 층을 입력층(input layer), 최종 출력값이 위치하는 층을 출력층(output layer), 입력층과 출력층 사이에 위치하는 모든 층을 은닉층(hidden layer)라 한다. 도 4의 예시는 3개의 층이 개시되나, 실제 인공신경망 층의 개수를 카운트할 때는 입력층을 제외하고 카운트하므로 총 2개의 층으로 볼 수 있다. 인공신경망은 기본 블록의 퍼셉트론을 2차원적으로 연결되어 구성된다.

전술한 입력층, 은닉층, 출력층은 다층 퍼셉트론 뿐 아니라 후술할 CNN, RNN 등 다양한 인공신경망 구조에서 공동적으로 적용될 수 있다. 은닉층의 개수가 많아질수록 인공신경망이 깊어진 것이며, 충분히 깊어진 인공신경망을 러닝모델로 사용하는 머신러닝 패러다임을 딥러닝(Deep Learning)이라 한다. 또한 딥러닝을 위해 사용하는 인공신경망을 심층 신경망(DNN: Deep neural network)라 한다.

도 5에 도시된 심층 신경망은 은닉층+출력층이 8개로 구성된 다층 퍼셉트론이다. 상기 다층 퍼셉트론 구조를 완전 연결 신경망(fully-connected neural network)이라 표현한다. 완전 연결 신경망은 서로 같은 층에 위치하는 노드 간에는 연결 관계가 존재하지 않으며, 인접한 층에 위치한 노드들 간에만 연결 관계가 존재한다. DNN은 완전 연결 신경망 구조를 가지고 다수의 은닉층과 활성함수들의 조합으로 구성되어 입력과 출력 사이의 상관관계 특성을 파악하는데 유용하게 적용될 수 있다. 여기서 상관관계 특성은 입출력의 결합확률(joint probability)을 의미할 수 있다. 도 5는 심층 신경망 예시를 나타낸 도이다.

한편, 복수의 퍼셉트론을 서로 어떻게 연결하느냐에 따라 전술한 DNN과 다른 다양한 인공 신경망 구조를 형성할 수 있다.

DNN은 하나의 층 내부에 위치한 노드들이 1차원적의 세로 방향으로 배치되어 있다. 그러나, 도 6은 노드들이 2차원적으로 가로 w개, 세로 h개의 노드가 배치할 경우를 가정할 수 있다(도 6의 컨볼루션 신경망 구조). 이 경우, 하나의 입력노드에서 은닉층으로 이어지는 연결과정에서 연결 하나당 가중치가 부가되므로 총 hХw 개의 가중치를 고려해야한다. 입력층에 hХw 개의 노드가 존재하므로 인접한 두 층 사이에는 총 h2w2 개의 가중치가 필요하다.

도 6은 컨볼루션 신경망의 일례를 나타낸 도이다.

도 6의 컨볼루션 신경망은 연결개수에 따라 가중치의 개수가 기하급수적으로 증가하는 문제가 있어 인접한 층 간의 모든 모드의 연결을 고려하는 대신, 크기가 작은 필터(filter)가 존재하는 것으로 가정하여 도 6에서와 같이 필터가 겹치는 부분에 대해서는 가중합 및 활성함수 연산을 수행하도록 한다.

하나의 필터는 그 크기만큼의 개수에 해당하는 가중치를 가지며, 이미지 상의 어느 특정한 특징을 요인으로 추출하여 출력할 수 있도록 가중치의 학습이 이루어질 수 있다. 도 6에서는 3Х3 크기의 필터가 입력층의 가장 좌측 상단 3Х3 영역에 적용되고, 해당 노드에 대한 가중합 및 활성함수 연산을 수행한 결과 출력값을 z22에 저장한다.

상기 필터는 입력층을 스캔하면서 가로,세로 일정 간격 만큼 이동하면서 가중합 및 활성함수 연산을 수행하고 그 출력값을 현재 필터의 위치에 위치시킨다. 이러한 연산 방식은 컴퓨터 비전(computer vision) 분야에서 이미지에 대한 컨볼루션(convolution) 연산과 유사하여 이러한 구조의 심층 신경망을 컨볼루션 신경망(CNN: convolutional neural network)라 하고, 컨볼루션 연산 결과 생성되는 은닉층을 컨볼루션 층(convolutional layer)라 한다. 또한, 복수의 컨볼루션 층이 존재하는 신경망을 심층 컨볼루션 신경망(DCNN: Deep convolutional)이라 한다.

도 7은 컨볼루션 신경망에서의 필터 연산의 일례를 나타낸 도이다.

컨볼루션 층에서는 현재 필터가 위치한 노드에서, 상기 필터가 커버하는 영역에 위치한 노드만을 포괄하여 가중합을 계산함으로써, 가중치의 개수를 줄여줄 수 있다. 이로 인해, 하나의 필터가 로컬(local) 영역에 대한 특징에 집중하도록 이용될 수 있다. 이에 따라 CNN은 2차원 영역 상의 물리적 거리가 중요한 판단 기준이 되는 이미지 데이터 처리에 효과적으로 적용될 수 있다. 한편, CNN은 컨볼루션 층의 직전에 복수의 필터가 적용될 수 있으며, 각 필터의 컨볼루션 연산을 통해 복수의 출력 결과를 생성할 수도 있다.

한편, 데이터 속성에 따라 시퀀스(sequence) 특성이 중요한 데이터들이 있을 수 있다. 이러한 시퀀스 데이터들의 길이 가변성, 선후 관계를 고려하여 데이터 시퀀스 상의 원소를 매 시점(timestep) 마다 하나씩 입력하고, 특정 시점에 출력된 은닉층의 출력 벡터(은닉 벡터)를, 시퀀스 상의 바로 다음 원소와 함께 입력하는 방식을 인공 신경망에 적용한 구조를 순환 신경망 구조라 한다.

도 8을 참조하면, 순환 신경망(RNN: recurrent neural netwok)은 데이터 시퀀스 상의 어느 시선 t의 원소 (x1(t), x2(t), ,..., xd(t))를 완전 연결 신경망에 입력하는 과정에서, 바로 이전 시점 t-1은 은닉 벡터 (z1(t1), z2(t1),..., zH(t1))을 함께 입력하여 가중합 및 활성함수를 적용하는 구조이다. 이와 같이 은닉 벡터를 다음 시점으로 전달하는 이유는 앞선 시점들에서의 입력 벡터속 정보들이 현재 시점의 은닉 벡터에 누적된 것으로 간주하기 때문이다.

도 8은 순환 루프가 존재하는 신경망 구조의 일례를 나타낸다.

도 8을 참조하면, 순환 신경망은 입력되는 데이터 시퀀스에 대하여 소정의 시점 순서대로 동작한다.

시점　1에서의 입력 벡터　 (x1(t), x2(t), ,..., xd(t))가 순환 신경망에 입력되었을 때의 은닉 벡터　(z1(1),z2(1),...,zH(1))가 시점　2의 입력 벡터　 (x1(2),x2(2),...,xd(2))와 함께 입력되어 가중합 및 활성 함수를 통해 은닉층의 벡터　 (z1(2),z2(2) ,...,zH(2))를 결정한다. 이러한 과정은 시점　2, 시점　3, ,,, 시점 T 까지 반복적으로 수행된다.

도 9는 순환 신경망의 동작 구조의 일례를 나타낸다.

한편, 순환 신경망 내에서 복수의 은닉층이 배치될 경우, 이를 심층 순환 신경망(DRNN: Deep recurrent neural network)라 한다. 순환 신경망은 시퀀스 데이터(예를 들어, 자연어 처리(natural language processing)에 유용하게 적용되도록 설계되어 있다.

학습(learning) 방식으로 사용하는 신경망 코어로서 DNN, CNN, RNN 외에 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.

용어 정의

설명의 편의를 위해, 본 명세서에서는 아래와 같은 기호/약어/용어가 혼용될 수 있다.

- AE: AutoEncoder

- NN: Neural Network

통신 환경에 적용될 수 있는 딥러닝 기반의 AI 알고리즘은 오프라인 학습(Offline Learning)과 온라인 학습(Online Learning)으로 구분될 수 있다. 오프라인 학습은 통신 시스템이 활성화 되기 전에 학습이 완료되고, 딥러닝 AI 알고리즘은 학습된 결과에 기초하여 통신 환경에서 동작하는 것으로 가정될 수 있다. 반면, 온라인 학습은 통신 시스템이 활성화 된 이후에도 학습이 이루어지며, 딥러닝 AI 알고리즘은 업데이트(update)된 학습 결과를 활성화된 통신 시스템에 적응적으로 반영하여 동작하는 것으로 가정될 수 있다.

일반적으로, 고정된 통신 환경(채널 환경)에 대해서 훈련 데이터가 학습되었다고 가정할 때, 딥러닝 기반의 AI 알고리즘의 성능은 최적에 가까운 성능을 가질 수 있다. 하지만, 통신 환경(채널 환경)은 시변하므로, 변화하는 통신 환경(채널 환경)을 모두 포함해서 동작하는 AI 알고리즘을 개발하는 것은 용이하지 않을 수 있다.

도 10은 오프라인 학습에 기초한 딥러닝 기반의 AI 알고리즘이 통신 환경에 적용되는 방식의 일 예를 나타낸 도이다. 보다 구체적으로, 도 10은 실제 통신(채널) 환경과 학습이 완료된 통신(채널) 환경이 동일한 수준에 있는 경우에 관한 것이다.

도 10(a)를 참조하면, 송수신단 다중안테나 시스템이 구성하는 복소 채널 공간은 구(Sphere)로 나타내어지는 공간으로 표현될 수 있다. 이 때, 특정 채널 벡터(Vector) H_trained는 복소 채널 공간 상의 특정 방향을 나타낼 수 있다. H_trained는 오프라인 학습이 수행되는 특정한 통신 환경을 의미한다. H_trained에 대해서 오프라인으로 학습이 완료된 경우, 딥러닝 기반의 AI 알고리즘은 최적에 가까운 성능을 가질 수 있다. 여기서, AI 알고리즘은 오토 인코더(Autoencoder) 또는 AI 디텍터(Detector) 등일 수 있다. 실제 송수신단 통신(채널) 환경이 상기 H_trained와 같은 채널 상태인 경우, 통신 시스템은 최적 성능을 달성할 수 있다. 도 10(b)를 참조하면, H_trained 채널에 대한 오프라인 학습이 완료된 AI 알고리즘의 성능이 최적의 성능에 가까이 있음이 확인될 수 있다.

도 11은 오프라인 학습에 기초한 딥러닝 기반의 AI 알고리즘이 통신 환경에 적용되는 방식의 또 다른 일 예를 나타낸 도이다. 보다 구체적으로, 도 11은 실제 통신(채널) 환경과 학습이 완료된 통신(채널) 환경이 동일한 수준에 있지 않은 경우에 관한 것이다.

채널 변화에 의해 딥러닝 기반의 AI 알고리즘이 학습을 완료한 통신(채널) 환경에 해당하는 벡터 H_trained의 방향과 실제 통신(채널) 환경에 해당하는 벡터 H_real의 방향의 복소 공간 상에서의 거리가 멀어지게 되면, 통신 시스템의 성능은 감소하게 된다. 도 11(a)를 참조하면, 채널 변화에 의해 딥러닝 기반의 AI 알고리즘이 학습을 완료한 통신(채널) 환경에 해당하는 벡터 H_trained의 방향과 실제 통신(채널) 환경에 해당하는 벡터 H_real의 방향의 복소 공간 상에서의 거리는 ΔH만큼 떨어져있음을 알 수 있다. 일 예로, 송신 안테나의 수 Nt=5이고, 수신 안테나의 수 Nr=20인 통신 시스템에서, 고정된 채널 H_trained에 대해 딥러닝 기반의 AI 알고리즘을 학습하고, 학습된 파라미터들에 기초하여 구성된 DNN MIMO(multi-input multi-output) 디코더(Decoder)가 사용될 수 있다. 이 때, 실제 채널 H_real = H_trained +ΔH[여기서, ΔH ~ CN(0, σ2)]라고 할 때, 도 11(b)는 H_trained와 H_real의 변화량 ΔH를 결정하는 σ2에 따른 성능 변화를 나타낸다. 도 11(b)를 참조하면, 학습된 채널과 실제 채널이 완벽하게 일치 할 때(σ2=0) 통신 시스템은 최적 성능을 달성할 수 있다. 반면, 학습된 채널과 실제 채널의 채널 복소 공간 상에서의 거리가 멀어질 때 BER 성능은 감소된다.

학습된 채널과 실제 채널의 차이 발생으로 인한 성능 감소를 개선하기 위해, 통신 시스템(e.g., B5G, 6G, B6G 등)의 시변하는 채널에 대하여 송수신단의 동작이 적응적으로 변경되도록 하는 방법이 사전에 정의되어야 한다. 보다 구체적으로, 송수신단 동작이 적응적으로 변경되도록 하는 상기 방법은 동작 변경을 허용할 수 있는 형태의 송수신단 약속으로 사전에 정의되어야 하며, 동작 변경을 숭수신단 간에 지시(indication) 할 수 있는 방법이 정의되어야 한다.

기존 통신 시스템(예를 들어, 3GPP LTE/NR 등)에서, 송수신단 사이의 채널에 대한 정보를 송수신단 간에 교환하기 위한 채널 상태 정보(Channel State Information: CSI)는 PMI(precoding matrix indicator), CQI(channel quality information), RI(rank indicator), LI(layer indicator) 등으로 구성될 수 있다. 수신단은 CSI 피드백(Feedback)을 수행하고, 송신단은 CSI 피드백을 통해 수신단으로의 채널을 인지할 수 있다. 따라서, 송수신단 간의 채널은 CSI를 구성하는 PMI, CQI, RI, LI 비트(bits) 수만큼 양자화된(Quantized) 개념이며, 2^(number of PMI, CQI, RI, LI bits)개 이하의 프리코더(Precoder)가 사용될 수 있다. 즉, 송수신단 사이의 채널은 2^(# of PMI, CQI, RI, LR bits)개로 양자화되어(Quantized) 송수신단의 채널에 대한 정보의 전송을 위해 사용된다.

송수신단 다중 안테나 시스템에 의해 형성된 복소 MIMO 채널(Complex MIMO Channel)을 양자화(Quantization)한다는 것은 복소 채널(Complex Channel)을 표현하는 단위 구(Unit Sphere) 공간을 다양한 방법으로 양자화하는 것을 의미할 수 있다. 이 때, 복소 채널 공간을 양자화하는 방법으로는 RVQ(Random Vector Quantization), GLP(Grassmannian Line Packing), CVT(Centroidal Voronoi tessellation), 큐브 분할 코드북(Cube split Codebook) 등의 다양한 방법이 있을 수 있다.

도 12는 양자화된 복소 MIMO 채널 공간의 예시들을 나타낸 도이다. 도 12(a)는 큐브 분할 코드북에 기초하여 양자화된 복소 MIMO 채널 공간을 나타내며, 도 12(b)는 CVT에 기초하여 양자화된 복소 MIMO 채널 공간을 나타낸다. 양자화된 복소 채널 공간은 복수 개의 양자화된 채널들로 구성되며, 양자화된 채널이 커버(cover)하는 영역 내에 포함된 연속적인 채널들은 양자화된 영역에 맵핑될 수 있다.

본 명세서는 제한된 피드백(Limited Feedback)이 적용되는 통신 시스템에서 양자화된 채널(Quantized Channel) 별로 송수신단의 오토 인코더를 정의하여 학습하고, 이를 운용하는 방법은 제안한다. 이하에서, 설명의 편의를 위해, 양자화된 채널은 양자화 채널 등 이와 동일 유사하게 해석되는 범위에서 다양하게 표현될 수 있다.

다중 오토 인코더 디자인(Multiple Autoencoder Design) - 방법 1

이하에서, 복소 채널 공간에서 양자화된 채널(Quantized Channel)에 기초하여 송수신단의 오토 인코더를 정의하는 방법에 대해서 구체적으로 설명하기에 앞서, 도 13을 참조하여 딥러닝 기반 AI 알고리즘이 적용된 오토 인코더(Autoencoder)의 기본 구조에 대해서 살펴본다.

도 13은 오토 인코더가 적용된 통신 시스템의 일 예를 나타낸 도이다.

도 13에서, 송신단(1310)은 전송하고자 하는 데이터(data) s를 송신단 뉴럴 네트워크(Tx NN)에 입력 시켜 인코딩된 데이터 x를 생성한다. 이후, 송신단(1310)은 생성된 인코딩된 데이터 x를 채널(channel)을 통해 수신단(1320)으로 전송한다. 이후, 수신단(1320)은 채널을 통해 전달 받은 신호 y를 수신단 뉴럴 네트워크(Rx NN)에 입력 시키고, 확률 벡터(Probability Vector) p을 출력 받아 data s를 복호 한다. 여기서, 송신단 뉴럴 네트워크, 채널 및 수신단 뉴럴 네트워크는 전체적으로 하나의 뉴럴 네트워크로 구성될 수 있으며, 하나의 뉴럴 네트워크로서 학습될 수 있다.

위와 같이 송신단 뉴럴 네트워크, 채널 및 수신단 뉴럴 네트워크를 전체적으로 하나의 뉴럴 네트워크로 해석하는 경우, 송신단 뉴럴 네트워크는 송신단 오토 인코더(Tx Autoencoder: Tx AE), 수신단 뉴럴 네트워크는 수신단 오토 인코더(Rx Autoencoder: Rx AE)로 구분하여 호칭될 수 있다. 또한, 전체 뉴럴 네트워크는 오토 인코더(Autoencoder: AE)로 통칭될 수 있다. 송신단 뉴럴 네트워크, 채널 및 수신단 뉴럴 네트워크를 전체적으로 하나의 뉴럴 네트워크로 해석하는 경우, 오토 인코더는 하나의 고정된 채널에 대해서 학습될 수 있다. 이 때, 학습된 하나의 고정된 채널과 실제 채널 간의 차이가 커지는 경우, 하나의 고정된 채널에 대해서 학습된 오토 인코더의 성능 감쇠를 초래된다.

본 방법에서는, 목표 성능(Target Performance)을 기준으로 학습 채널(Training Channel)과 실제 채널(Real Channel) 사이의 차이(오차)[σ2]를 설정하고, (i) σ2에 따른 양자화된 채널(Quantized Channel) 구성 방법 및 (ii) 각 양자화된 채널에 대응하는 오토 인코더들로 구성된 오토 인코더 셋(AE Set)을 구성하는 방법이 제안된다.

다중 안테나 기반 송수신 시스템에서, 임의의 MIMO 채널은

의 복소 채널 공간을 구성하며, 이는

과 같이 표현될 수 있다. 여기서,

및

는 각각 송신단 안테나 수 및 수신단 안테나 수를 의미한다. 오토 인코더가 적용된

의 다중 안테나 송수신 시스템의 목표 성능이 사전 학습된 채널과 실제 채널 사이의 차이 σ2를 허용하는 것으로 설정되는 경우, H_real(실제 채널) = H_trained(학습된 채널) +ΔH과 같이 표현될 수 있으며, 여기서, ΔH ~ CN(0, σ2)으로 표현할 수 있다. 다시 말해, 목표 성능이 사전 학습된 채널과 실제 채널 사이의 차이 σ2를 허용하는 것으로 설정된다는 것은, 양자화된 채널 공간 상에서 특정한 양자화된 채널이 커버하는 영역에 포함되는 임의의 실제 채널과 상기 특정한 양자화된 채널과의 차이는 상기 특정한 양자화된 채널이 커버하는 영역 내에서 항상 σ2 이하가 되도록 복소 채널 공간이 양자화 되는 것을 의미한다.

이 때, H_trained이 단위 벡터(unit vector)[크기가 1]라고 할 때, H_real과 H_trained의 상호 상관(Cross Correlation)은 H_real의 정규화된(크기가 1인) 벡터(Normalized Vector)와 기준 벡터 H_trained 간의 내적 연산에 norm 연산을 적용하여 계산될 수 있다. 즉, 상기 상호 상관은 아래의 수학식과 같이 표현될 수 있다.

상기 수학식 1에 기초하여 계산된 상호 상관의 값이 클수록, H_real과 H_trained의 차이는 크지 않은 것으로 해석될 수 있다.

채널 오차(Channel Difference) σ2과 상호 상관(Cross Correlation) 사이의 관계는 아래와 같이 정리될 수 있다. 이 때, 채널 오차 σ2과 상호 상관 기준은 상대적인 값으로 표현되므로, 채널의 복소 차원과 무관하다.

- σ2 = 0.1 -> Cross Correlation = 약 0.95

- σ2 = 0.3 -> Cross Correlation = 약 0.87

- σ2 = 0.5 -> Cross Correlation = 약 0.8

- σ2 = 1 -> Cross Correlation = 약 0.7

복소 채널 공간

는 임의의 양자화 방식을 사용하여 양자화 될 수 있다. 여기서, 상기 양자화 방식은 RVQ(Random Vector Quantization), GLP(Grassmannian Line Packing), CVT(Centroidal Voronoi tessellation), 큐브 분할 코드북(Cube split Codebook) 등의 방법을 포함할 수 있다.

이 때, 위의 관계식을 기초로 시스템에서 정의된 목표 성능을 만족하는 채널 오차(Channel Difference) σ2 값과 관계된 상호 상관을 항상 만족하는 채널 양자화(Channel Quantization)가 필요하다. 다시 말해, 복소 채널 공간은, 양자화된 채널 공간의 특정한 양자화된 채널이 커버하는 영역에 포함된 임의의 실제 채널과 상기 특정한 양자화된 채널과의 상호 상관의 값이 상기 특정한 양자화된 채널이 커버하는 영역 내에서는 항상 목표 성능 σ2에 기초하여 결정되는 상호 상관의 값 이하가 되도록 양자화 되어야 한다.

도 14는 양자화된 복소 채널 공간의 일 예를 나타낸 도이다. 보다 구체적으로, 도 14는 복소 채널 공간

가 RVQ 방식으로 양자화된 것에 관한 것이다. 도 14(a)를 참조하면, 임의적으로 생성된 복소 단위 벡터(Randomly Generated Complex Unit Vector) H(i)는

를 만족하며, 여기서,

이고, q=quantization bits(양자화 비트)이다. H(i)는 양자화 채널 벡터라고도 호칭될 수 있으며, RVQ에 의해 생성된 코드북(Codebook)은 Set of H(i)로 정의될 수 있다. 다시 말해, 복소 채널 공간

은 2^q개의 양자화 채널 H(i)로 구성된 양자화 채널 공간으로 양자화된다. 1411은 Set of H(i)에 포함된 하나의 양자화 채널 벡터 H(i)가 커버하는 영역을 나타낸다. 양자화 채널 벡터 H(i)는 양자화 채널 벡터 H(i)가 커버하는 영역의 중심(center)에 대한 벡터이다.

도 14 (b)는,

복소 차원(Complex Dimension)에 대해서 복소 채널 공간을 RVQ 방식으로 양자화한 경우에 대한, 양자화 비트(quantization bits) q의 값에 따른 상호 상관(Cross Correlation)을 나타낸다. 예를 들어,

=4일 때, q=2이면 상호 상관의 값은 약 0.7이며, 이 때, 임의의 양자화 채널 벡터 H(i)가 커버하는 영역은 상기 임의의 양자화 채널 벡터 H(i)과의 상호 상관의 값이 0.7 이상인 실제 채널의 채널 벡터들로 구성된다.

도 14(b)에서, 채널 오차(Channel Difference) σ2 값에 기초하여 결정되는 상호 상관의 값이 커질수록, 양자화 비트 값 q가 커지는 것을 알 수 있다. 다시 말해, 양자화 비트 값 q가 클수록, 복소 채널 공간은 더 세분화되어 양자화될 수 있고, 이 때 하나의 양자화 채널 벡터가 커버하는 영역은 좁아진다. 따라서, 양자화 채널 벡터가 커버하는 영역에 포함된 실제 채널 벡터들은 양자화 채널 벡터와 가까이 위치하게 되어 상호 상관의 값이 증가하게 된다.

목표 성능을 만족시킬 수 있는 사전 학습된 오토 인코더의 개수는 오토 인코더가 적용된

의 다중 안테나 송수신 시스템의 목표 성능인 사전 학습된 채널(Pre-trained Channel)과 실제 채널(Real Channel) 사이의 차이 σ2에 기초하여 정의될 수 있다. 예를 들어, 사전 학습된 채널(양자화 채널)과 실제 채널 간의 오차 σ2를 0.5까지 허용하는 경우, σ2와 상호 상관의 관계에 따라 0.8의 상호 상관이 보장되어야 한다. 따라서, 사전 학습된 채널(양자화 채널)과 실제 채널 간의 오차 σ2를 0.5까지 허용하는 경우, 복소 채널 차원에 따라 요구되는 오토 인코더의 개수와의 관계는 아래와 같이 정의될 수 있다.

- N_tN_r = 4 -> q>=5 -> 2⁵ = 32개 이상의 AE

- N_tN_r = 8 -> q>=10 -> 2¹⁰ = 1024개 이상의 AE

- N_tN_r = 12 -> q>=15 -> 2¹⁵ = 32768 개 이상의 AE

- N_tN_r = 16 -> q>=16 -> 2¹⁶ =65536개 이상의 AE

따라서, 상기 조건을 만족하는 다중 오토 인코더를 사전-학습(Pre-training)함으로써, 전체 채널 공간에 적응적으로 적용될 수 있는 오프라인 학습 기반 다중 오토 인코더 시스템이 구성될 수 있다.

정리하면, 복소 채널 공간은 복수의 양자화 채널로 양자화될 수 있다. 이 때, 상기 복수의 양자화 채널은 상기 복수의 양자화 채널 중 어느 하나의 양자화 채널이 커버하는 영역에 포함된 실제 채널과 상기 어느 하나의 양자화 채널 간의 오차에 기초한 특정 조건을 만족하도록 양자화되는 것으로 이해될 수 있다. 이 때, 상기 특정 조건은 실제 채널과 상기 어느 하나의 양자화 채널 간의 오차에 기초하여 결정되는 상호 상관의 값이 사전 설정된 값 이하가 되도록 하는 조건일 수 있다.

다중 오토 인코더 구성 방법 정리

앞서 설명한 다중 오토 인코더 구성 방법에 대한 내용들은 아래와 같은 순서에 따라 진행될 수 있다.

1) 다중 오토 인코더 시스템에서는, N_tN_r의 수와 목표 성능을 만족하는 채널 오차 σ2 값을 기준으로 양자화 비트 q가 도출된다.

2)사전에 정의된 임의의 양자화 방법을 통해, N_tXN_r 복소 차원에 대해서 복소 채널 공간을 양자화 비트 q로 양자화 한다. 즉, 복소 채널 공간은 2^q개의 양자화 채널들로 구성되는 양자화 채널 공간으로 양자화된다.

3) 2^q개의 양자화 채널 H(i) 각각에 대해서 사전 학습을 수행한다. 즉, 2^q개의 양자화 채널 H(i)각각에 대해서 오토 인코더를 학습시킨다.

4) 각 양자화 채널에 기초하여 사전 학습된 파라미터가 적용된 오토 인코더를 구성한다.

5) 1) - 4)의 동작을 통해서 2^q개의 다중 오토 인코더 세트가 구성된다.

이하에서, 사전에 정의된 임의의 양자화 방법을 통해 양자화된 채널들은 양자화된 채널 정보(Quantized Channel Information: QCI)로 정의될 수 있고, 양자화된 채널들의 인덱스(Index)를 QCI 인덱스라고 호칭할 수 있다.

QCI 인덱스 피드백 주기 설정 방법

시변 채널은 Jakes Model에 기반하여 시간 변동 요소(Time Varying Factor)가 유지되는 시간이 결정될 수 있다. 예를 들어, 도플러 주파수(Doppler Frequency) Fd에 의해 시간에 따른 채널 변화가 결정되며, 목표 성능(Target Performance)을 만족하는 채널 상태가 유지되는 시간 내에 피드백이 수행되는 주기

의 설정이 요구된다. 상기 피드백은 수신단에서의 채널 측정에 기초한 QCI 인덱스를 포함하는 피드백일 수 있다.

일반적으로 Jakes Model은 시간 상관 계수(Time Correlation Coefficient)

에 의해 아래의 수학식 2와 같이 표현될 수 있다.

여기서,

이고,

는 zeroth order Bessel function이며,

는 도플러 분산(Doppler Spread),

는 채널 정보 피드백(Channel Information Feedback)에 대한 시간 지연(time delay), E~CN(0,1)이다. 실제 채널과 양자화 채널 간의 관계는 H_real = H_trained +ΔH where ΔH ~ CN(0, σ2)와 같이 정리되므로, 이를 시간 상관 계수

에 대해 정리하면,

일 때까지 목표 성능이 유지되는 것을 알 수 있다. 따라서,

의 관계식이 도출된다.

도 15는 단말의 이동속도에 따른 목표 성능이 유지되기 위한 조건을 나타낸 도이다. 보다 구체적으로, 도 15는 중심 주파수(center frequency) fc=2GHz인 통신 시스템에서의 단말의 이동속도에 따른 목표 성능이 유지되는 조건을 나타낸 도이다.

도 15를 참조하면, 단말의 이동속도에 따른 목표 성능이 유지되는 조건은 아래와 같이 정리될 수 있다.

σ2 = 0.1 ->

= 약 0.9535 -> 즉, velocity=3km/h일 때,

=16ms (1503)

σ2 = 0.3 ->

= 약 0.8771 -> 즉, velocity=3km/h일 때,

=22ms(1504)

σ2 = 0.5 ->

= 약 0.8165 -> 즉, velocity=3km/h일 때,

=27ms(1505)

σ2 = 1 ->

= 약 0.7071 -> 즉, velocity=3km/h일 때,

=34ms(1506)

σ2 = 0.5 ->

= 약 0.8165 -> 즉, velocity=30km/h일 때,

=4ms(1502)

σ2 = 0.5 ->

= 약 0.8165 -> 즉, velocity=100km/h일 때,

=2ms(1501)

다중 오토 인코더와 양자화된 채널 피드백(Quantized Channel Feedback)의 연결은 상기 피드백 주기 조건

동안 유지된다. 즉, 양자화된 채널 기반 다중 오토 인코더를 결정하기 위한 수신단의 피드백 주기는 상기 주기

이내로 설정되어야 한다. 다시 말해, 채널 환경이 측정된 시점으로부터 상기 주기

동안은 기 결정된 QCI 인덱스에 해당하는 양자화 채널에 대응되는 오토 인코더가 최적의 성능을 발휘할 수 있지만, 상기 주기

이후에는 실제 채널에 해당하는 채널 벡터가 QCI 인덱스에 해당하는 양자화 채널이 커버하는 영역 밖에 있게 되므로, 상기 주기

내에서 오토 인코더의 선택이 변경되어야 한다.

다중 오토 인코더 구조 - 방법 2

본 방법은 복소 채널 공간을 양자화(Quantization)하여 구성한 복수의 양자화 채널(Quantized Channel)과 오토 인코더 간의 맵핑(연결) 방법에 관한 것이다.

딥러닝 기반 AI 알고리즘이 적용된 오토 인코더를 사용하는 송신단/수신단(Tx/Rx)은 사전에 정의된 다중 오토 인코더(Multiple AE)를 보유하고 있으며, 송신단에서 송신단 오토 인코더를 동작 시키고, 수신단에서 수신단 오토 인코더를 동작 시킨다. 다중 오토 인코더 중에서 데이터 송수신을 위해 사용되는 오토 인코더의 선택은 QCI 의 선택에 의해 이루어질 수 있다.

즉, 복소 채널 공간을 양자화하여 구성한 복수의 양자화 채널들에 대해 각각 학습된 오토 인코더들에 대한 정보는 오토 인코더를 사용하는 송신단/수신단에 미리 설정되어 있을 수 있다. 오토 인코더들에 대한 정보는 양자화 채널에 대응되는 모든 QCI와 상기 양자화 채널에 대해 학습된 모든 오토 인코더와의 맵핑 관계를 포함할 수 있다. 상기 오토 인코더들에 대한 정보는 대응 관계 정보라고 호칭될 수 있고, 상기 대응 관계 정보는 복소 채널 공간을 양자화하여 구성한 복수의 양자화 채널과 상기 복수의 양자화 채널에 기초하여 사전 학습된 복수의 오토 인코더 간의 대응 관계와 관련된 정보일 수 있다. 송신단/수신단은 QCI가 결정되면, 상기 대응 관계 정보에 기초하여 결정된 QCI와 맵핑된 오토 인코더를 인식할 수 있다.

도 16은 오토 인코더가 적용된 통신 시스템의 또 다른 일 예를 나타낸 도이다. 도 16의 통신 시스템은 전체 복소 채널 공간에 대한 채널 양자화가 수행되고, 양자화된 채널들에 기초하여 복수의 오토 인코더가 사용된다는 점에서 도 13의 통신 시스템과 차이점이 있다. 도 16에서는 도 13에서 설명된 동작과의 차이점을 위주로 설명하도록 한다.

도 16은, 복수 채널 공간이 복수의 양자화 채널들에 기초하여 양자화되므로, 채널 추정(channel estimation)과 양자화(quantization)(1621)이 수행된다. 또한, 도 16은, 복수의 양자화 채널들에 기초하여 복수의 오토 인코더가 사용되므로, 송신단/수신단에서 각각 송신단 오토 인코더 선택(1612) 및 수신단 오토 인코더 선택(1622)이 수행된다. 이 때, 송신단에서의 송신단 오토 인코더 선택(1612)이전에, 수신단은 송신단으로 QCI와 CQI를 포함하는 피드백을 전송할 수 있다. 송신단/수신단은 선택된 오토 인코더를 사용하여 데이터 전송/데이터 수신을 수행할 수 있다.

이하에서, 복소 채널 공간을 양자화하여 구성한 복수의 양자화 채널과 사전 학습된 복수의 오토 인코더 간의 대응 관계를 구성하는 구체적인 방법들에 대해서 살펴보도록 한다.

공간 다중화를 위한 채널 벡터 양자화(Channel Vector Quantization for Spatial Multiplexing) - 제안 1

본 제안은 MIMO 채널의 공간 다중화(Spatial Multiplexing)를 지원하기 위해, 채널 행렬(Channel Matrix)의 열 벡터(Column Vector)(채널 벡터)를 개별적으로 양자화하는 방법에 관한 것이다. 개별적으로 양자화된 열 벡터(채널 벡터) 별로 수행되는 QCI와 CQI에 대한 피드백은 아래와 같이 구성될 수 있다.

- 양자화된 채널 코드북(Quantized Channel Codebook, QCC):

이 때, 채널 벡터 별로 N개의 양자화 채널이 구성된다.

- 채널 벡터(Channel Vector):

.

이 때, 송신단 안테나 수만큼의 채널 벡터가 구성된다.

- 양채화 채널 정보(Quantized Channel Information, QCI): 채널 벡터 별로 QCI가 구성된다. 이 때, 채널 벡터 별 QCI는 아래의 수학식으로 표현될 수 있다.

즉, N개의 양자화 채널들 중, 임의의 실제 채널 벡터 h_i에 대하여, h_ic_j ^H의 값을 최대로 만들어주는 특정한 양자화 채널 c_j가 실제 채널 벡터 h_i에 대응될 수 있다. 또한, 특정한 양자화 채널 c_j는 적어도 하나의 실제 채널 벡터 h_i에 대응될 수 있다.

- 채널 품질 정보(Channel Quality Information, CQI):

- 피드백(feedback): QCI*Nt, CQI*Nt

여기서, QCI 및 CQI는 각각 채널 벡터 별로 피드백 된다.

도 17은 채널 행렬(Channel Matrix)의 열 벡터(Column Vector)를 개별적으로 양자화하여 복소 채널 공간을 양자화하는 방법의 일 예를 나타낸 도이다. 보다 구체적으로, 도 17은 채널 행렬이 4개의 열 벡터로 구성되는 경우에 관한 것이다.

도 17을 참조하면, 채널 행렬 H(1710)은 4개의 채널 행렬(1711 내지 1714)로 구성됨을 알 수 있다. 4개의 채널 행렬(1711 내지 1714) 각각에 대하여 QCI(n1, n2, n3 및 n4)가 각각 구성되고, CQI(g(h--₁), g(h--₂), g(h--₃) 및 g(h--₄))가 각각 구성됨을 알 수 있다.

(제안 1-1) QCI 조합에 기초한 QCI-오토 인코더 대응 관계 구성

채널 행렬을 구성하는 채널 벡터에 대하여 각각 QCI가 구성되므로, 하나의 채널 행렬에 대해 다수개의 QCI가 구성된다. 따라서, 본 제안에서는, 채널 벡터 각각에 대응되는 QCI의 조합에 대해서 하나의 오토 인코더를 대응시키는 방법이 제안된다. 즉, 본 제안에서는, QCI의 조합으로 특정 지어지는 양자화 채널에 대해서 하나의 오토 인코더가 학습될 수 있다.

이 때, 오토 인코더 인덱스와 QCI 조합 간의 대응 관계는 아래의 수학식 4와 같이 정리될 수 있다.

도 18은 채널 행렬(Channel Matrix)의 열 벡터(Column Vector)를 개별적으로 양자화하여 구성된 양자화 채널과 오토 인코더 간의 대응 관계 구성 방법의 일 예를 나타낸 도이다. 보다 구체적으로, 도 18은 채널 벡터 각각에 대응되는 QCI들의 조합에 대해서 오토 인코더가 대응되도록 대응 관계를 구성한 경우에 관한 것이다.

도 18을 참조하면, 송신 오토 인코더와 수신단 오토 인코더가 서로 연결되어 하나의 오토 인코더를 구성하며, 복수의 오토 인코더들로 구성된 다중 오토 인코더 셋(1810)이 구성된다. 또한, 채널 벡터 각각에 대한 QCI 인덱스들이 조합 가능한 모든 경우를 포함하는 QCI 조합(1820)이 구성된다. 이 때, 다중 오토 인코더 셋(1820)에 포함된 오토 인코더들과 QCI 조합(1820)에 포함된 QCI 조합들이 각각 서로 맵핑된다. 오토 인코더들 각각은 QCI의 조합으로 특정 지어지는 양자화 채널들 각각에 대해서 사전 학습된다. 다중 오토 인코더 셋(1820)에 포함된 오토 인코더들과 QCI 조합(1820)에 포함된 QCI 조합들 간의 대응 관계에 대한 정보가 사전에 송신단/수신단에 설정될 수 있다.

수신단이 송신단으로 피드백하는 QCI 인덱스는 QCI 조합(1820)에 포함된 QCI 조합들 중 하나의 양자화 채널 조합을 나타낼 수 있다. 수신단과 송신단은 대응 관계에 대한 정보에 기초하여 각각 통신을 위해 사용될 오토 인코더를 결정할 수 있다.

(제안 1-2) 개별적인 QCI에 기초한 QCI-오토 인코더 대응 관계 구성

채널 행렬을 구성하는 채널 벡터에 대하여 각각 QCI가 구성되므로, 하나의 채널 행렬에 대해 다수개의 QCI가 구성된다. 앞서 설명한 제안 1-1과 달리, 본 제안에서는 채널 벡터 각각에 대응되는 QCI에 대해서 각각 오토 인코더가 대응시키는 방법이 제안된다. 즉, 본 제안에서는, 채널 행렬을 구성하는 복수의 채널 벡터들 중, 하나의 채널 벡터에 대응되는 QCI로 특정 지어지는 양자화 채널에 대해서 하나의 오토 인코더가 학습될 수 있다.

이 때, 오토 인코더 인덱스와 QCI 조합 간의 대응 관계는 아래의 수학식 5와 같이 정리될 수 있다.

즉, 하나의 채널 벡터에 대해 하나의 QCI가 존재하며, 채널 벡터 별로 오토 인코더가 선택될 수 있다.

도 19는 채널 행렬(Channel Matrix)의 열 벡터(Column Vector)를 개별적으로 양자화하여 구성된 양자화 채널과 오토 인코더 간의 대응 관계 구성 방법의 또 다른 일 예를 나타낸 도이다. 보다 구체적으로, 도 19는 채널 벡터 각각에 대응되는 QCI에 대해서 각각 하나의 오토 인코더가 대응되도록 대응 관계를 구성한 경우에 관한 것이다.

도 19를 참조하면, 송신 오토 인코더와 수신단 오토 인코더가 서로 연결되어 하나의 오토 인코더를 구성하며, 복수의 오토 인코더들로 구성된 다중 오토 인코더 셋(1911 내지 1910+Nt)들이 채널 행렬을 구성하는 채널 벡터들에 대해서 각각 구성된다. 또한, 채널 벡터를 양자화하여 구성된 양자화 채널에 대응되는 QCI 인덱스들(1921 내지1920+Nt)이 채널 벡터 별로 구성된다. 이 때, 채널 벡터 별로, 다중 오토 인코더 셋(1911 내지 1910+Nt)에 포함된 오토 인코더들과 QCI 인덱스들(1921 내지1920+Nt)에 포함된 QCI들이 각각 서로 맵핑된다. 채널 벡터 별로, 오토 인코더들 각각은 QCI 인덱스에 의해 특정 지어지는 양자화 채널들 각각에 대해서 사전 학습된다.

채널 행렬의 벡터화를 통한 스택형 채널 양자화(Stacked Channel Quantization via vectorization of channel matrix) - 제안 2

본 제안은 MIMO 채널의 채널 행렬을 벡터화(vectorization)하여 하나의 스택형 채널 벡터로 구성하여 양자화 하는 방법에 관한 것이다. 여기서, 스택형 채널 벡터(Stacked Channel Vector)는 채널 행렬의 열 벡터(Column Vector)들을 벡터화하여 구성된다. 따라서, 하나의 스택형 채널 벡터에 대해서 QCI와 CQI에 대한 피드백이 수행된다. 채널 행렬의 열 벡터(Column Vector)들이 벡터화되어 양자화된 스택형 채널에 대해 수행되는 QCI와 CQI에 대한 피드백은 아래와 같이 구성될 수 있다.

- 양자화된 채널 코드북(Quantized Channel Codebook, QCC):

- 스택형 채널 벡터(Stacked Channel Vector):

- 양채화 채널 정보(Quantized Channel Information, QCI): 스택화된 채널 행렬에 대해서 QCI가 구성된다. 이 때, 스택화된 채널 행렬에 대한 QCI는 아래의 수학식으로 표현될 수 있다.

즉, N개의 양자화 채널들 중, 임의의 (스택형) 실제 채널 행렬 h^s에 대하여, h^sc_j ^H의 값을 최대로 만들어주는 특정한 양자화 채널 c_j가 실제 채널 벡터 h^s에 대응될 수 있다. 또한, 특정한 양자화 채널 c_j는 적어도 하나의 실제 채널 행렬 h^s에 대응될 수 있다.

- 채널 품질 정보(Channel Quality Information, CQI):

or SNR or SINR

- 피드백(Feedback): QCI, CQI

여기서, QCI 및 CQI는 하나의 행렬 벡터에 대해서 피드백 된다.

도 20은 채널 행렬(Channel Matrix)의 열 벡터(Column Vector)를 스택화(stacked)하여 구성한 스택형 채널에 기초하여 복소 채널 공간을 양자화하는 방법의 일 예를 나타낸 도이다. 보다 구체적으로, 도 20은 4개의 채널 벡터로 구성된 채널 행렬을 스택화하는 경우에 관한 것이다. 도 20을 참조하면, 채널 행렬은 4개의 채널 벡터로 구성되고, 4개의 채널 벡터를 스택화하여, 4개의 채널 벡터가 하나의 벡터 열(2011 내지 2014)로 구성된 하나의 스택형 채널이 구성됨을 알 수 있다. QCI와 CQI는 하나의 스택형 채널에 대해서 피드백 될 수 있다.

채널 행렬을 구성하는 채널 벡터를 스택화하고, 스택화된 채널 벡터들로 구성된 하나의 채널 행렬에 대해서 QCI가 구성되므로, 하나의 채널 행렬에 대해 하나의 QCI가 구성된다. 따라서, 본 제안에서는, 하나의 채널 행렬에 대응되는 QCI에 대해서 하나의 오토 인코더를 대응시키는 방법이 제안된다. 즉, 본 제안에서는, QCI에 의해서 특정지어지는 하나의 스택형 양자화 채널에 대해서 하나의 오토 인코더가 학습될 수 있다.

이 때, 오토 인코더 인덱스와 QCI 인덱스 간의 대응 관계는 아래의 수학식 7과 같이 정리될 수 있다.

도 21은 채널 행렬(Channel Matrix)의 열 벡터(Column Vector)를 스택화(stacked)하여 구성한 스택형 양자화 채널과 오토 인코더 간의 대응 관계 구성 방법의 일 예를 나타낸 도이다.

도 21을 참조하면, 송신 오토 인코더와 수신단 오토 인코더가 서로 연결되어 하나의 오토 인코더를 구성하며, 복수의 오토 인코더들(2111-1 내지 2111-N)로 구성된 다중 오토 인코더 셋(2111)이 채널 행렬을 구성하는 채널 벡터들에 대해서 각각 구성된다. 또한, 채널 행렬의 채널 벡터를 스택화하여 구성된 스택형 양자화 채널에 대응되는 QCI 인덱스들(2121-1 내지 2121-N)로 구성된 CQI 인덱스 셋(2121)이 구성된다. 이 때, 다중 오토 인코더 셋(2111)에 포함된 오토 인코더들(2111-1 내지 2111-N)과 QCI 인덱스 셋(2121)에 포함된 QCI 인덱스들이 각각 서로 맵핑된다. 오토 인코더들 각각은 QCI 인덱스에 의해 특정 지어지는 스택형 양자화 채널들 각각에 대해서 사전 학습된다.

추가적으로, QCI는 채널 행렬 H가 양자화된 것(Quantized Version)으로 정의되는 앞서 설명한 방법과 달리, QCI는 기존 통신 시스템에서 사용되는 방법 또는 새로운 방법으로 정의될 수 있다. 보다 구체적으로, QCI는 기존 통신 시스템의 CSI 피드백의 구성요소인 PMI, CQI, RI, LI 중 하나 또는 적어도 하나 이상으로(조합으로) 정의될 수 있다.

QCI 인덱스 i는 오토 인코더 인덱스와 연결(Tied) 된다. 이 때, 오토 인코더 인덱스와 QCI 인덱스는 1:1로 연결(대응)되거나, 1:M으로 연걸(대응)될 수 있다.

오토 인코더 인덱스와 QCI 인덱스는 1:1로 연결(대응)되는 경우, 다중 오토 인코더의 수가 QCI 수와 같으므로, 사전 학습의 복잡도가 커질 수 있고, 송/수신단은 모든 오토 인코더에 대한 파라미터를 저장하고 있어야 하므로 많은 메모리가 필요할 수 있다. 반면에, 모든 양자화 채널에 대응되는 오토 인코더가 사용되므로, 높은 통신 성능이 기대될 수 있다.

오토 인코더 인덱스와 QCI 인덱스는 1:M으로 연결(대응)되는 경우, 다중 오토 인코더의 수가 QCI 수보다 적으므로, 사전 학습의 복잡도가 줄어들 수 있고, 송/수신단은 일부 오토 인코더에 대한 파라미터만을 저장할 수 있으므로, 메모리가 절약될 수 있다. 반면에, 복수 개의 양자화 채널에 하나의 오토 인코더가 사용되므로, 오토 인코더 인덱스와 QCI 인덱스는 1:1로 연결(대응)되는 경우보다 통신 성능은 저하될 수 있다. 오토 인코더 인덱스와 QCI 인덱스는 1:M으로 연결(대응)되는 경우는, 오토 인코더 인덱스와 QCI 인덱스는 1:1로 연결(대응)되는 경우에서의 인접한 양자화 채널들을 그룹핑하여 하나의 양자화 채널로 구성하는 것으로 이해될 수 있다.

추가적으로, 송/수신단이 오토 인코더 인덱스와 QCI 인덱스가 1:1로 연결(대응)되는 대응 관계 정보에 기초하여 통신할 지, 오토 인코더 인덱스와 QCI 인덱스가 1:M으로 연결(대응)되는 대응 관계 정보에 기초하여 통신할 지 여부는 통신 환경에 따라 결정될 수 있다. 즉, 오토 인코더 인덱스와 QCI 인덱스가 1:1로 연결(대응)되는 대응 관계 정보에 기초하여 통신할 지, 오토 인코더 인덱스와 QCI 인덱스가 1:M으로 연결(대응)되는 대응 관계 정보에 기초하여 통신할 지 여부에 대한 정보가 송/수신단 간에 교환될 수 있다.

시그널링 - 방법 3

앞서 설명한, 오토 인코더 인덱스와 QCI 인덱스의 연결 관계를 기반으로 동작하는 다중 오토 인코더 시스템은 FDD (Frequency-division Duplexing) 시스템 또는 TDD (Time-division Duplexing) 시스템을 기반으로 동작할 수 있다.

이하에서, FDD 시스템에서 동작하는 다중 오토 인코더 시스템에서의 송/수신단 간의 동작 및 TDD 시스템에서 동작하는 다중 오토 인코더 시스템에서의 송/수신단 간의 동작을 순서대로 살펴보도록 한다.

Operation of Multiple AE System (FDD Case)

도 22는 FDD 시스템에서 동작하는 다중 오토 인코더 시스템에서의 송/수신단 간의 동작의 일 예를 나타낸 흐름도이다.

도 22를 참조하여, FDD 시스템에서 동작하는 다중 오토 인코더 시스템에서의 송/수신단 간의 동작을 설명하도록 한다.

S2200: 송신단과 수신단은 사전에 정의된 다중 오토 인코더 정보를 보유하고 있다. 상기 다중 오토 인코더 정보는, 앞서 설명한, 복소 채널 공간을 양자화(Quantization)하여 구성한 복수의 양자화 채널(Quantized Channel)과 상기 복수의 양자화 채널에 기초하여 사전 학습(pre-training)된 복수의 오토 인코더 간의 대응 관계와 관련된 정보일 수 있다. 이 때, 상기 다중 오토 인코더 정보에 포함될 수 있는 다중 오토 인코더의 상세 구조 및 파라미터는 송/수신단 디바이스(Device)의 설계 단계에서 구현되거나, 통신 시스템으로의 초기 접속(Initial Access)단계에서 브로드캐스트/멀티캐스트/유니캐스트(Broadcast/Multicast/Unicast) 방식을 통해서 송/수신단 간에 교환될 수 있다. 또한, 다중 오토 인코더의 상세 구조 및 파라미터는 시스템 시작(System Launch) 이후에 업데이트(Update)되거나 온라인 학습을 통해 실시간으로 업데이트 될 수 있다.

S2210: 이후, 송신단은 수신단으로 참조 신호(Reference Signal)를 전송한다.

S2220: 이후, 수신단은 상기 참조 신호에 기초하여 채널 추정(Channel Estimation) 및 QCI 인덱스 계산을 수행한다. 이 때, QCI 인덱스 계산을 위한 양자화(Quantization) 방식은 송/수신단 디바이스의 설계 단계에서 구현되거나, 통신 시스템의 초기 접속 단계에서 브로드캐스트/멀티캐스트/유니캐스트 방식으로 송/수신단 사이에서 교환될 수 있다. 또한, QCI 인덱스 계산을 위한 양자화 방식은 시스템 시작(System Launch) 이후에 업데이트(Update)되거나 온라인 학습을 통해 실시간으로 업데이트 될 수 있다.

S2230: 다음, 수신단은 계산된 QCI 인덱스와 CQI 인덱스를 송신단으로 피드백 한다.

S2241, S2242: 송신단과 수신단은 각각 QCI 정보에 기초하여 각각 송신단 오토 인코더 및 수신단 오토 인코더를 각각 선택(결정) 한다.

S2250, S2260: 이후, 송신단은 선택된 송신단 오토 인코더를 통해 전송하고자 하는 데이터를 인코딩하고, 인코딩된 데이터를 수신단으로 전송한다.

S2270: 수신단은 송신단으로부터 수신 받은 신호를 선택된 수신단 오토 인코더를 통해 복호한다.

Operation of Multiple AE System (TDD Case)

도 23은 TDD 시스템에서 동작하는 다중 오토 인코더 시스템에서의 송/수신단 간의 동작의 일 예를 나타낸 흐름도이다.

도 23을 참조하여, TDD 시스템에서 동작하는 다중 오토 인코더 시스템에서의 송/수신단 간의 동작을 설명하도록 한다.

S2300: 송신단과 수신단은 사전에 정의된 다중 오토 인코더 정보를 보유하고 있다. 상기 다중 오토 인코더 정보는, 앞서 설명한, 복소 채널 공간을 양자화(Quantization)하여 구성한 복수의 양자화 채널(Quantized Channel)과 상기 복수의 양자화 채널에 기초하여 사전 학습(pre-training)된 복수의 오토 인코더 간의 대응 관계와 관련된 정보일 수 있다. 이 때, 상기 다중 오토 인코더 정보에 포함될 수 있는 다중 오토 인코더의 상세 구조 및 파라미터는 송/수신단 디바이스(Device)의 설계 단계에서 구현되거나, 통신 시스템으로의 초기 접속(Initial Access)단계에서 브로드캐스트/멀티캐스트/유니캐스트(Broadcast/Multicast/Unicast) 방식을 통해서 송/수신단 간에 교환될 수 있다. 또한, 다중 오토 인코더의 상세 구조 및 파라미터는 시스템 시작(System Launch) 이후에 업데이트(Update)되거나 온라인 학습을 통해 실시간으로 업데이트 될 수 있다.

S2310: 이후, 수신단은 송신단으로 참조 신호(Reference Signal)를 전송한다.

S2320: 다음, 송신단은 상기 참조 신호에 기초하여 채널 추정(Channel Estimation) 및 QCI 인덱스 계산을 수행한다. 이 때, QCI 인덱스 계산을 위한 양자화(Quantization) 방식은 송/수신단 디바이스의 설계 단계에서 구현되거나, 통신 시스템의 초기 접속 단계에서 브로드캐스트/멀티캐스트/유니캐스트 방식으로 송/수신단 사이에서 교환될 수 있다. 또한, QCI 인덱스 계산을 위한 양자화 방식은 시스템 시작(System Launch) 이후에 업데이트(Update)되거나 온라인 학습을 통해 실시간으로 업데이트 될 수 있다.

S2330: 다음, 송신단은 계산된 QCI 정보에 기초하여 송신단 오토 인코더를 선택(결정) 한다.

S2340, S2350: 이후, 송신단은 선택된 송신단 오토 인코더를 통해 전송하고자 하는 데이터를 인코딩하고, 인코딩된 데이터를 참조 신호와 함께 수신단으로 전송한다.

S2360: 수신단은 상기 참조 신호에 기초하여 채널 추정(Channel Estimation) 및 QCI 인덱스 계산을 수행한다.

S2370: 다음, 수신단은 계산된 QCI 인덱스에 기초하여 수신단 오토 인코더를 선택한다.

S2380: 이후, 수신단은 송신단으로부터 수신 받은 신호를 선택된 수신단 오토 인코더를 통해 복호한다.

상기 절차를 Signal Flow로 도식화 하면 하기와 같다.

앞서 설명된 다중 오토 인코더는 MIMO 채널 차원(Channel Dimension)[

Complex Dimension]에 따라 다른 방식으로 동작될 수 있다. MIMO 채널 차원의 증가에 따라 더 큰 양자화 비트(Quantization bit) 수가 요구 될 수 있으므로, MIMO 채널 차원에 따라 다중 오토 인코더 셋(Multiple AE Set)이 다른 방식으로 정의될 수 있다.

먼저, MIMO 채널 차원이 큰 값을 갖는 경우, 시스템에서 정의한 목표 성능(Target Performance)을 만족하는 채널 오차(Channel Difference) σ2 값과 관계된 상호 상관(Cross Correlation)을 항상 만족하는 채널 양자화를 위해서는 매우 큰 양자화 비트 q가 요구 될 수 있다. 이 경우, 매우 높은 학습 복잡도(Training Complexity)와 다중 오토 인코더 운용을 위한 메모리(Memory)가 요구된다. 따라서, 이와 같은 문제를 해결하기 위해, 본 명세서는 기존 CSI 피드백(Feedback) 및 기존 채널 코딩/변조(Channel Coding/Modulation)와 적응적으로 동작하는 다중 오토 인코더 운용을 추가적으로 제안한다.

보다 구체적으로, 기존 MIMO 채널에 대한 CSI 피드백이 PMI, CQI, RI, LI 비트 수만큼 양자화된 개념으로 구성될 때, 2^(number of PMI, CQI, RI, LR bits)개 이하의 프리코더가 사용될 수 있다. 이 때, 기존 통신 시스템의 CSI 피드백에 대한 2^(number of PMI, CQI, RI, LR bits)개의 경우의 수 중에서, 일부의 경우는 통신 시스템이 사전 학습된 오토 인코더에 연결되어 동작하고, 나머지 경우는 통신 시스템이 기존 통신시스템의 프리코더가 적용되어 동작할 수 있다. 통신 시스템이 사전 학습된 오토 인코더에 연결되어 동작하는 경우, 오토 인코더에 의해 채널 인코딩 및 변조가 수행될 수 있다. 반면에, 통신 시스템이 기존 통신 시스템의 프리코더가 적용되어 동작하는 경우, 송신단에서 기존 통신 시스템의 채널 코딩(예를 들어, LDPC, Polar Code 등) 동작 및 변조(예를 들어, BPSK, QAM 등) 동작이 수행되며, 수신단에서는 신호 복호를 위한 동작이 수행될 수 있다.

즉, 복소 채널 공간은 PMI, CQI, RI, LI 비트 수만큼 양자화된다. 상기 양자화된 복소 채널 공간의 전체 양자화 채널들 중, 일부의 양자화 채널에 대해서만 오토 인코더가 학습된다. 또한, 나머지 양자화 채널에 대해서는 기존 통신 시스템의 동작이 수행될 수 있다. 따라서, 송/수신단이 상기 일부의 양자화 채널에 대응되는 PMI, CQI, RI, LI 값으로 구성된 CSI 피드백을 송/수신하는 경우, 송/수신단은 오토 인코더를 사용하여 동작할 수 있다. 이 때, 오토 인코더와 연결된 CSI 피드백 값에 대한 정보는 사전에 송/수신단 사이에서 교환될 수 있다. 보다 구체적으로, 오토 인코더와 연결된 CSI 피드백 값에 대한 정보는 특정 양자화된 채널에 대응하는 CSI 피드백 값과 특정 오토 인코더 간의 맵핑 관계를 나타내는 정보일 수 있다. 이와 같은 동작을 통해, MIMO 채널 차원이 매우 큰 경우에도, 특정 채널에 대해서는 오토 인코더를 사용함으로써 통신 시스템이 최적의 성능 얻을 수 있다.

도 24는 본 명세서에서 제안하는 오토 인코더를 이용하는 무선 통신 시스템에서 데이터를 전송하기 위한 방법의 일례를 나타낸 순서도이다.

보다 구체적으로, 오토 인코더(auto encoder)를 이용하는 무선 통신 시스템에서 송신단은, 수신단으로, (i) 채널 추정 및 (ii) 상기 데이터의 전송을 위한 특정 오토 인코더의 결정과 관련된 QCI(Quantized Channel Information) 인덱스(index)를 계산하기 위한 참조 신호를 전송한다(S2410).

다음, 상기 송신단은, 상기 수신단으로부터, 상기 QCI 인덱스를 포함하는 피드백(feedback)을 수신한다(S2420).

이후, 상기 송신단은 상기 수신단으로, (i) 상기 QCI 인덱스 및 (ii) 사전 정의된 대응 관계 정보에 기초하여 결정되는 상기 특정 오토 인코더를 이용하여 상기 데이터를 전송한다(S2430).

이 때, 상기 대응 관계 정보는 복소 채널 공간을 양자화(Quantization)하여 구성한 복수의 양자화 채널(Quantized Channel)과 상기 복수의 양자화 채널에 기초하여 사전 학습(pre-training)된 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고, 상기 복수의 양자화 채널은, 상기 복수의 양자화 채널 중 어느 하나의 양자화 채널과 관련된 실제 채널과 상기 어느 하나의 양자화 채널 간의 오차에 기초한 특정 조건을 만족하도록 양자화된다.

무선 통신 시스템에 사용되는 장치

이로 제한되는 것은 아니지만, 상술한 본 발명의 다양한 제안들은 기기들간에 무선 통신/연결(예, 5G)을 필요로 하는 다양한 분야에 적용될 수 있다.

이하, 도면을 참조하여 보다 구체적으로 예시한다. 이하의 도면/설명에서 동일한 도면 부호는 다르게 기술하지 않는 한, 동일하거나 대응되는 하드웨어 블록, 소프트웨어 블록 또는 기능 블록을 예시할 수 있다.

도 25는 본 발명에 적용되는 통신 시스템을 예시한다.

도 25를 참조하면, 본 발명에 적용되는 통신 시스템(1)은 무선 기기, 기지국 및 네트워크를 포함한다. 여기서, 무선 기기는 무선 접속 기술(예, 5G NR(New RAT), LTE(Long Term Evolution))을 이용하여 통신을 수행하는 기기를 의미하며, 통신/무선/5G 기기로 지칭될 수 있다. 이로 제한되는 것은 아니지만, 무선 기기는 로봇(100a), 차량(100b-1, 100b-2), XR(eXtended Reality) 기기(100c), 휴대 기기(Hand-held device)(100d), 가전(100e), IoT(Internet of Thing) 기기(100f), AI기기/서버(400)를 포함할 수 있다. 예를 들어, 차량은 무선 통신 기능이 구비된 차량, 자율 주행 차량, 차량간 통신을 수행할 수 있는 차량 등을 포함할 수 있다. 여기서, 차량은 UAV(Unmanned Aerial Vehicle)(예, 드론)를 포함할 수 있다. XR 기기는 AR(Augmented Reality)/VR(Virtual Reality)/MR(Mixed Reality) 기기를 포함하며, HMD(Head-Mounted Device), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 스마트폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지(signage), 차량, 로봇 등의 형태로 구현될 수 있다. 휴대 기기는 스마트폰, 스마트패드, 웨어러블 기기(예, 스마트워치, 스마트글래스), 컴퓨터(예, 노트북 등) 등을 포함할 수 있다. 가전은 TV, 냉장고, 세탁기 등을 포함할 수 있다. IoT 기기는 센서, 스마트미터 등을 포함할 수 있다. 예를 들어, 기지국, 네트워크는 무선 기기로도 구현될 수 있으며, 특정 무선 기기(200a)는 다른 무선 기기에게 기지국/네트워크 노드로 동작할 수도 있다.

도 26은 본 발명에 적용될 수 있는 무선 기기를 예시한다.

도 26을 참조하면, 제1 무선 기기(100)와 제2 무선 기기(200)는 다양한 무선 접속 기술(예, LTE, NR)을 통해 무선 신호를 송수신할 수 있다. 여기서, {제1 무선 기기(100), 제2 무선 기기(200)}은 도 25의 {무선 기기(100x), 기지국(200)} 및/또는 {무선 기기(100x), 무선 기기(100x)}에 대응할 수 있다.

제1 무선 기기(100)는 하나 이상의 프로세서(102) 및 하나 이상의 프로세서(102)의 동작과 관련한 다양한 정보를 저장하는 하나 이상의 메모리(104)를 포함하며, 추가적으로 하나 이상의 송수신기(106) 및/또는 하나 이상의 안테나(108)을 더 포함할 수 있다. 프로세서(102)는 메모리(104) 및/또는 송수신기(106)를 제어하며, 앞에서 설명/제안한 기능, 절차 및/또는 방법들을 구현하도록 구성될 수 있다.

도 27은 전송 신호를 위한 신호 처리 회로를 예시한다.

도 27을 참조하면, 신호 처리 회로(1000)는 스크램블러(1010), 변조기(1020), 레이어 매퍼(1030), 프리코더(1040), 자원 매퍼(1050), 신호 생성기(1060)를 포함할 수 있다. 이로 제한되는 것은 아니지만, 도 27의 동작/기능은 도 27의 프로세서(102, 202) 및/또는 송수신기(106, 206)에서 수행될 수 있다. 도 27의 하드웨어 요소는 도 26의 프로세서(102, 202) 및/또는 송수신기(106, 206)에서 구현될 수 있다. 예를 들어, 블록 1010~1060은 도 26의 프로세서(102, 202)에서 구현될 수 있다. 또한, 블록 1010~1050은 도 26의 프로세서(102, 202)에서 구현되고, 블록 1060은 도 26의 송수신기(106, 206)에서 구현될 수 있다.

코드워드는 도 27의 신호 처리 회로(1000)를 거쳐 무선 신호로 변환될 수 있다. 여기서, 코드워드는 정보블록의 부호화된 비트 시퀀스이다. 정보블록은 전송블록(예, UL-SCH 전송블록, DL-SCH 전송블록)을 포함할 수 있다. 무선 신호는 도 1의 다양한 물리 채널(예, PUSCH, PDSCH)을 통해 전송될 수 있다.

구체적으로, 코드워드는 스크램블러(1010)에 의해 스크램블된 비트 시퀀스로 변환될 수 있다. 각 전송 레이어의 변조 심볼들은 프리코더(1040)에 의해 해당 안테나 포트(들)로 매핑될 수 있다(프리코딩). 프리코더(1040)의 출력 z는 레이어 매퍼(1030)의 출력 y를 N*M의 프리코딩 행렬 W와 곱해 얻을 수 있다. 여기서, N은 안테나 포트의 개수, M은 전송 레이어의 개수이다. 여기서, 프리코더(1040)는 복소 변조 심볼들에 대한 트랜스폼(transform) 프리코딩(예, DFT 변환)을 수행한 이후에 프리코딩을 수행할 수 있다. 또한, 프리코더(1040)는 트랜스폼 프리코딩을 수행하지 않고 프리코딩을 수행할 수 있다. 자원 매퍼(1050)는 각 안테나 포트의 변조 심볼들을 시간-주파수 자원에 매핑할 수 있다.

무선 기기에서 수신 신호를 위한 신호 처리 과정은 도 27의 신호 처리 과정(1010~1060)의 역으로 구성될 수 있다.

도 28은 본 발명에 적용되는 무선 기기의 다른 예를 나타낸다. 무선 기기는 사용-예/서비스에 따라 다양한 형태로 구현될 수 있다.

도 28을 참조하면, 무선 기기(100, 200)는 도 26의 무선 기기(100,200)에 대응하며, 다양한 요소(element), 성분(component), 유닛/부(unit), 및/또는 모듈(module)로 구성될 수 있다. 예를 들어, 무선 기기(100, 200)는 통신부(110), 제어부(120), 메모리부(130) 및 추가 요소(140)를 포함할 수 있다. 통신부는 통신 회로(112) 및 송수신기(들)(114)을 포함할 수 있다. 예를 들어, 제어부(120)는 메모리부(130)에 저장된 프로그램/코드/명령/정보에 기반하여 무선 기기의 전기적/기계적 동작을 제어할 수 있다. 또한, 제어부(120)는 메모리부(130)에 저장된 정보를 통신부(110)을 통해 외부(예, 다른 통신 기기)로 무선/유선 인터페이스를 통해 전송하거나, 통신부(110)를 통해 외부(예, 다른 통신 기기)로부터 무선/유선 인터페이스를 통해 수신된 정보를 메모리부(130)에 저장할 수 있다.

추가 요소(140)는 무선 기기의 종류에 따라 다양하게 구성될 수 있다. 예를 들어, 추가 요소(140)는 파워 유닛/배터리, 입출력부(I/O unit), 구동부 및 컴퓨팅부 중 적어도 하나를 포함할 수 있다. 이로 제한되는 것은 아니지만, 무선 기기는 로봇(도 25, 100a), 차량(도 25, 100b-1, 100b-2), XR 기기(도 25, 100c), 휴대 기기(도 25, 100d), 가전(도 25, 100e), IoT 기기(도 25, 100f), 디지털 방송용 단말, 홀로그램 장치, 공공 안전 장치, MTC 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, AI 서버/기기(도 25, 400), 기지국(도 25, 200), 네트워크 노드 등의 형태로 구현될 수 있다. 무선 기기는 사용-예/서비스에 따라 이동 가능하거나 고정된 장소에서 사용될 수 있다.

이하, 도 28의 구현 예에 대해 도면을 참조하여 보다 자세히 설명한다.

도 29는 본 발명에 적용되는 휴대 기기를 예시한다.

도 29를 참조하면, 휴대 기기(100)는 안테나부(108), 통신부(110), 제어부(120), 메모리부(130), 전원공급부(140a), 인터페이스부(140b) 및 입출력부(140c)를 포함할 수 있다. 안테나부(108)는 통신부(110)의 일부로 구성될 수 있다. 블록 110~130/140a~140c는 각각 도 28의 블록 110~130/140에 대응한다.

통신부(110)는 다른 무선 기기, 기지국들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(120)는 휴대 기기(100)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 제어부(120)는 AP(Application Processor)를 포함할 수 있다. 메모리부(130)는 휴대 기기(100)의 구동에 필요한 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다. 또한, 메모리부(130)는 입/출력되는 데이터/정보 등을 저장할 수 있다. 전원공급부(140a)는 휴대 기기(100)에게 전원을 공급하며, 유/무선 충전 회로, 배터리 등을 포함할 수 있다. 인터페이스부(140b)는 휴대 기기(100)와 다른 외부 기기의 연결을 지원할 수 있다. 인터페이스부(140b)는 외부 기기와의 연결을 위한 다양한 포트(예, 오디오 입/출력 포트, 비디오 입/출력 포트)를 포함할 수 있다. 입출력부(140c)는 영상 정보/신호, 오디오 정보/신호, 데이터, 및/또는 사용자로부터 입력되는 정보를 입력 받거나 출력할 수 있다. 입출력부(140c)는 카메라, 마이크로폰, 사용자 입력부, 디스플레이부(140d), 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다.

도 30은 본 발명에 적용되는 차량 또는 자율 주행 차량을 예시한다. 차량 또는 자율 주행 차량은 이동형 로봇, 차량, 기차, 유/무인 비행체(Aerial Vehicle, AV), 선박 등으로 구현될 수 있다.

도 30을 참조하면, 차량 또는 자율 주행 차량(100)은 안테나부(108), 통신부(110), 제어부(120), 구동부(140a), 전원공급부(140b), 센서부(140c) 및 자율 주행부(140d)를 포함할 수 있다. 안테나부(108)는 통신부(110)의 일부로 구성될 수 있다. 블록 110/130/140a~140d는 각각 도 28의 블록 110/130/140에 대응한다.

통신부(110)는 다른 차량, 기지국(e.g. 기지국, 노변 기지국(Road Side unit) 등), 서버 등의 외부 기기들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(120)는 차량 또는 자율 주행 차량(100)의 요소들을 제어하여 다양한 동작을 수행할 수 있다. 제어부(120)는 ECU(Electronic Control Unit)를 포함할 수 있다. 구동부(140a)는 차량 또는 자율 주행 차량(100)을 지상에서 주행하게 할 수 있다. 구동부(140a)는 엔진, 모터, 파워 트레인, 바퀴, 브레이크, 조향 장치 등을 포함할 수 있다. 전원공급부(140b)는 차량 또는 자율 주행 차량(100)에게 전원을 공급하며, 유/무선 충전 회로, 배터리 등을 포함할 수 있다. 다양한 종류의 센서들을 포함할 수 있는 센서부(140c)는 차량 상태, 주변 환경 정보, 사용자 정보 등을 얻을 수 있다. 자율 주행부(140d)는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등을 구현할 수 있다.

도 31은 본 발명에 적용되는 차량을 예시한다. 차량은 운송수단, 기차, 비행체, 선박 등으로도 구현될 수 있다.

도 31을 참조하면, 차량(100)은 통신부(110), 제어부(120), 메모리부(130), 입출력부(140a) 및 위치 측정부(140b)를 포함할 수 있다. 여기서, 블록 110~130/140a~140b는 각각 도 28의 블록 110~130/140에 대응한다.

통신부(110)는 다른 차량, 또는 기지국 등의 외부 기기들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(120)는 차량(100)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 메모리부(130)는 차량(100)의 다양한 기능을 지원하는 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다. 입출력부(140a)는 메모리부(130) 내의 정보에 기반하여 AR/VR 오브젝트를 출력할 수 있다. 입출력부(140a)는 HUD를 포함할 수 있다. 위치 측정부(140b)는 차량(100)의 위치 정보를 획득할 수 있다. 위치 정보는 차량(100)의 절대 위치 정보, 주행선 내에서의 위치 정보, 가속도 정보, 주변 차량과의 위치 정보 등을 포함할 수 있다. 위치 측정부(140b)는 GPS 및 다양한 센서들을 포함할 수 있다.

도 32는 본 발명에 적용되는 XR 기기를 예시한다. XR 기기는 HMD, 차량에 구비된 HUD(Head-Up Display), 텔레비전, 스마트폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지(signage), 차량, 로봇 등으로 구현될 수 있다.

도 32를 참조하면, XR 기기(100a)는 통신부(110), 제어부(120), 메모리부(130), 입출력부(140a), 센서부(140b) 및 전원공급부(140c)를 포함할 수 있다. 여기서, 블록 110~130/140a~140c은 각각 도 28의 블록 110~130/140에 대응한다.

통신부(110)는 다른 무선 기기, 휴대 기기, 또는 미디어 서버 등의 외부 기기들과 신호(예, 미디어 데이터, 제어 신호 등)를 송수신할 수 있다. 미디어 데이터는 영상, 이미지, 소리 등을 포함할 수 있다. 제어부(120)는 XR 기기(100a)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 예를 들어, 제어부(120)는 비디오/이미지 획득, (비디오/이미지) 인코딩, 메타데이터 생성 및 처리 등의 절차를 제어 및/또는 수행하도록 구성될 수 있다. 메모리부(130)는 XR 기기(100a)의 구동/XR 오브젝트의 생성에 필요한 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다. 입출력부(140a)는 외부로부터 제어 정보, 데이터 등을 획득하며, 생성된 XR 오브젝트를 출력할 수 있다. 입출력부(140a)는 카메라, 마이크로폰, 사용자 입력부, 디스플레이부, 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다. 센서부(140b)는 XR 기기 상태, 주변 환경 정보, 사용자 정보 등을 얻을 수 있다. 센서부(140b)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰 및/또는 레이더 등을 포함할 수 있다. 전원공급부(140c)는 XR 기기(100a)에게 전원을 공급하며, 유/무선 충전 회로, 배터리 등을 포함할 수 있다.

또한, XR 기기(100a)는 통신부(110)를 통해 휴대 기기(100b)와 무선으로 연결되며, XR 기기(100a)의 동작은 휴대 기기(100b)에 의해 제어될 수 있다. 예를 들어, 휴대 기기(100b)는 XR 기기(100a)에 대한 콘트롤러로 동작할 수 있다. 이를 위해, XR 기기(100a)는 휴대 기기(100b)의 3차원 위치 정보를 획득한 뒤, 휴대 기기(100b)에 대응하는 XR 개체를 생성하여 출력할 수 있다.

도 33은 본 발명에 적용되는 로봇을 예시한다. 로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류될 수 있다.

도 33을 참조하면, 로봇(100)은 통신부(110), 제어부(120), 메모리부(130), 입출력부(140a), 센서부(140b) 및 구동부(140c)를 포함할 수 있다. 여기서, 블록 110~130/140a~140c은 각각 도 28의 블록 110~130/140에 대응한다.

통신부(110)는 다른 무선 기기, 다른 로봇, 또는 제어 서버 등의 외부 기기들과 신호(예, 구동 정보, 제어 신호 등)를 송수신할 수 있다. 제어부(120)는 로봇(100)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 메모리부(130)는 로봇(100)의 다양한 기능을 지원하는 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다. 입출력부(140a)는 로봇(100)의 외부로부터 정보를 획득하며, 로봇(100)의 외부로 정보를 출력할 수 있다. 입출력부(140a)는 카메라, 마이크로폰, 사용자 입력부, 디스플레이부, 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다. 센서부(140b)는 로봇(100)의 내부 정보, 주변 환경 정보, 사용자 정보 등을 얻을 수 있다. 센서부(140b)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 레이더 등을 포함할 수 있다. 구동부(140c)는 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 구동부(140c)는 로봇(100)을 지상에서 주행하거나 공중에서 비행하게 할 수 있다. 구동부(140c)는 액츄에이터, 모터, 바퀴, 브레이크, 프로펠러 등을 포함할 수 있다.

도 34는 본 발명에 적용되는 AI 기기를 예시한다. AI 기기는 TV, 프로젝터, 스마트폰, PC, 노트북, 디지털방송용 단말기, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), 라디오, 세탁기, 냉장고, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.

도 34를 참조하면, AI 기기(100)는 통신부(110), 제어부(120), 메모리부(130), 입/출력부(140a/140b), 러닝 프로세서부(140c) 및 센서부(140d)를 포함할 수 있다. 블록 110~130/140a~140d는 각각 도 28의 블록 110~130/140에 대응한다.

통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 기기(예, 도 31, 100x, 200, 400)나 AI 서버(200) 등의 외부 기기들과 유무선 신호(예, 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등)를 송수신할 수 있다. 이를 위해, 통신부(110)는 메모리부(130) 내의 정보를 외부 기기로 전송하거나, 외부 기기로부터 수신된 신호를 메모리부(130)로 전달할 수 있다.

제어부(120)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 기기(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 제어부(120)는 AI 기기(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.

메모리부(130)는 AI 기기(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다.

입력부(140a)는 AI 기기(100)의 외부로부터 다양한 종류의 데이터를 획득할 수 있다. 출력부(140b)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다. 출력부(140b)는 디스플레이부, 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다. 센싱부(140)는 다양한 센서들을 이용하여 AI 기기(100)의 내부 정보, AI 기기(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 얻을 수 있다. 센싱부(140)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰 및/또는 레이더 등을 포함할 수 있다.

러닝 프로세서부(140c)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 러닝 프로세서부(140c)는 AI 서버(도 31, 400)의 러닝 프로세서부와 함께 AI 프로세싱을 수행할 수 있다. 러닝 프로세서부(140c)는 통신부(110)를 통해 외부 기기로부터 수신된 정보, 및/또는 메모리부(130)에 저장된 정보를 처리할 수 있다. 또한, 러닝 프로세서부(140c)의 출력 값은 통신부(110)를 통해 외부 기기로 전송되거나/되고, 메모리부(130)에 저장될 수 있다.

이상에서 설명된 실시 예들은 본 발명의 구성요소들과 특징들이 소정 형태로 결합된 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려되어야 한다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 발명의 실시 예를 구성하는 것도 가능하다. 본 발명의 실시 예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시 예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다. 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시 예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함시킬 수 있음은 자명하다.

본 발명에 따른 실시 예는 다양한 수단, 예를 들어, 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 본 발명의 일 실시 예는 하나 또는 그 이상의 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서, 콘트롤러, 마이크로 콘트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.

펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 일 실시 예는 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차, 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리는 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.

본 발명은 본 발명의 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있음은 통상의 기술자에게 자명하다. 따라서, 상술한 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

본 발명은 3GPP LTE/LTE-A, 5G 시스템에 적용되는 예를 중심으로 설명하였으나, 3GPP LTE/LTE-A, 5G 시스템 이외에도 다양한 무선 통신 시스템에 적용하는 것이 가능하다.

Claims (20)

1. 오토 인코더(auto encoder)를 이용하는 무선 통신 시스템에서 송신단이 데이터를 전송하기 위한 방법은,
   수신단으로, (i) 채널 추정 및 (ii) 상기 데이터의 전송을 위한 특정 오토 인코더의 결정과 관련된 QCI(Quantized Channel Information) 인덱스(index)를 계산하기 위한 참조 신호를 전송하는 단계;
   상기 수신단으로부터, 상기 QCI 인덱스를 포함하는 피드백(feedback)을 수신하는 단계; 및
   상기 수신단으로, (i) 상기 QCI 인덱스 및 (ii) 사전 정의된 대응 관계 정보에 기초하여 결정되는 상기 특정 오토 인코더를 이용하여 상기 데이터를 전송하는 단계를 포함하되,
   상기 대응 관계 정보는 복소 채널 공간을 양자화(Quantization)하여 구성한 복수의 양자화 채널(Quantized Channel)과 상기 복수의 양자화 채널에 기초하여 사전 학습(pre-training)된 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고,
   상기 복수의 양자화 채널은, 상기 복수의 양자화 채널 중 어느 하나의 양자화 채널과 관련된 실제 채널과 상기 어느 하나의 양자화 채널 간의 오차에 기초한 특정 조건을 만족하도록 양자화되는 것을 특징으로 하는 방법.
2. 제 1 항에 있어서,
   상기 특정 조건은 상기 실제 채널과 상기 어느 하나의 양자화 채널 간의 상기 오차에 기초하여 결정되는 상호 상관(cross correlation)의 값이 사전 설정된 값 이하가 되도록 하는 조건인 것을 특징으로 하는 방법.
3. 제 2 항에 있어서,
   (i) 송신단 안테나 수(N_r)와 수신단 안테나 수(N_t)의 곱(N_tN_r)및 (ii) 상기 특정 채널과 상기 어느 하나의 양자화 채널 간의 상기 오차에 기초하여 상기 복수의 양자화 채널을 나타내기 위한 양자화 비트 수(q)가 결정되고,
   상기 복수의 양자화 채널의 개수는 2^q 개인 것을 특징으로 하는 방법.
4. 제 3 항에 있어서,
   상기 2^q개의 상기 복수의 양자화 채널 각각에 대응되는 오토 인코더들을 사전 학습시키는 단계를 더 포함하되,
   상기 복수의 오토 인코더는 상기 사전 학습시킨 오토 인코더들로 구성되는 것을 특징으로 하는 방법.
5. 제 2 항에 있어서,
   상기 QCI 인덱스를 포함하는 피드백은 일정 주기로 수신되고,
   상기 일정 주기는 상기 특정 오토 인코더에 대응되는 특정 양자화 채널이 상기 특정 조건을 만족하는 상태가 유지되는 시간에 기초하여 결정되는 것을 특징으로 하는 방법.
6. 제 5 항에 있어서,
   상기 특정 양자화 채널이 상기 특정 조건을 만족하는 상태가 유지되는 시간은 상기 상호 상관 계수 및 상기 수신단의 이동 속도에 기초하여 결정되는 것을 특징으로 하는 방법.
7. 제 6 항에 있어서,
   상기 수신단으로, 상기 일정 주기를 설정하기 위한 신호를 전송하는 단계를 포함하되,
   상기 일정 주기는 상기 특정 양자화 채널이 상기 특정 조건을 만족하는 상태가 유지되는 시간보다 작은 값으로 설정되는 것을 특징으로 하는 방법.
8. 제 3 항에 있어서,
   상기 복수의 양자화 채널은 채널 행렬(channel matrix)을 구성하는 적어도 하나의 채널 벡터(channel vector)에 대하여 각각 구성되는 것을 특징으로 하는 방법.
9. 제 8 항에 있어서,
   상기 대응 관계 정보는, 상기 적어도 하나의 채널 벡터에 대하여 각각 구성된 상기 복수의 양자화 채널에 기초하여 조합된 복수의 양자화 채널 조합과 상기 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고,
   상기 복수의 양자화 채널 조합과 상기 복수의 오토 인코더가 서로 맵핑되고,
   상기 양자화 채널 조합은 상기 적어도 하나의 채널 벡터에 각각 대응되는 적어도 하나의 양자화 채널을 포함하는 것을 특징으로 하는 방법.
10. 제 9 항에 있어서,
    상기 QCI 인덱스는 상기 복수의 양자화 채널 조합 중 하나의 양자화 채널 조합을 나타내고,
    상기 대응 관계 정보에 기초하여, 상기 하나의 양자화 채널 조합에 맵핑되는 하나의 오토 인코더가 상기 특정 오토 인코더로 결정되는 것을 특징으로 하는 방법.
11. 제 8 항에 있어서,
    상기 대응 관계 정보는, 상기 적어도 하나의 채널 벡터에 대하여 각각 구성된 상기 복수의 양자화 채널과 상기 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고,
    상기 적어도 하나의 채널 벡터에 대하여 각각 구성된 상기 복수의 양자화 채널과 상기 복수의 오토 인코더가 서로 맵핑되는 것을 특징으로 하는 방법.
12. 제 11 항에 있어서,
    상기 QCI 인덱스는, 상기 적어도 하나의 채널 벡터 각각에 대하여, 상기 복수의 양자화 채널 중 하나의 양자화 채널을 나타내고,
    상기 대응 관계 정보에 기초하여, 상기 적어도 하나의 채널 벡터 각각에 대하여, 상기 하나의 양자화 채널에 맵핑되는 하나의 오토 인코더가 결정되고,
    상기 적어도 하나의 채널 벡터 각각에 대하여 결정된 하나의 오토 인코더가 상기 특정 오토 인코더인 것을 특징으로 하는 방법.
13. 제 3 항에 있어서,
    상기 복수의 양자화 채널은 채널 행렬에 대하여 구성되고,
    상기 대응 관계 정보는, 상기 채널 행렬에 대하여 구성된 상기 복수의 양자화 채널과 상기 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고,
    상기 채널 행렬에 대하여 구성된 상기 복수의 양자화 채널과 상기 복수의 오토 인코더가 서로 맵핑되는 것을 특징으로 하는 방법.
14. 제 13 항에 있어서,
    상기 QCI 인덱스는 상기 채널 행렬에 대하여 구성된 상기 복수의 양자화 채널 중 하나의 양자화 채널을 나타내고,
    상기 대응 관계 정보에 기초하여, 상기 하나의 양자화 채널에 맵핑되는 하나의 오토 인코더가 상기 특정 오토 인코더로 결정되는 것을 특징으로 하는 방법.
15. 제 1 항에 있어서,
    상기 대응 관계 정보에 기초하여, (i) 상기 복수의 오토 인코더 각각은 상기 복수의 양자화 채널 중 하나의 양자화 채널에 맵핑되거나, (ii) 상기 복수의 오토 인코더 각각은 상기 복수의 양자화 채널 중 적어도 둘 이상의 양자화 채널에 맵핑되는 것을 특징으로 하는 방법.
16. 오토 인코더(auto encoder)를 이용하는 무선 통신 시스템에서 신호를 송수신하기 위한 송신단에 있어서,
    무선 신호를 전송하기 위한 전송기(transmitter);
    무선 신호를 수신하기 위한 수신기(receiver);
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서에 동작 가능하게 접속 가능하고, 상기 적어도 하나의 프로세서에 의해 실행될 때, 동작들을 수행하는 지시(instruction)들을 저장하는 적어도 하나의 컴퓨터 메모리를 포함하며,
    상기 동작들은,
    수신단으로, (i) 채널 추정 및 (ii) 상기 데이터의 전송을 위한 특정 오토 인코더의 결정과 관련된 QCI(Quantized Channel Information) 인덱스(index)를 계산하기 위한 참조 신호를 전송하는 단계;
    상기 수신단으로부터, 상기 QCI 인덱스를 포함하는 피드백(feedback)을 수신하는 단계; 및
    상기 수신단으로, (i) 상기 QCI 인덱스 및 (ii) 사전 정의된 대응 관계 정보에 기초하여 결정되는 상기 특정 오토 인코더를 이용하여 상기 데이터를 전송하는 단계를 포함하되,
    상기 대응 관계 정보는 복소 채널 공간을 양자화(Quantization)하여 구성한 복수의 양자화 채널(Quantized Channel)과 상기 복수의 양자화 채널에 기초하여 사전 학습(pre-training)된 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고,
    상기 복수의 양자화 채널은, 상기 복수의 양자화 채널 중 어느 하나의 양자화 채널과 관련된 실제 채널과 상기 어느 하나의 양자화 채널 간의 오차에 기초한 특정 조건을 만족하도록 양자화되는 것을 특징으로 하는 송신단.
17. 오토 인코더(auto encoder)를 이용하는 무선 통신 시스템에서 수신단이 데이터를 수신하기 위한 방법은,
    송신단으로부터, (i) 채널 추정 및 (ii) 상기 데이터의 수신을 위한 특정 오토 인코더의 결정과 관련된 QCI(Quantized Channel Information) 인덱스(index)를 계산하기 위한 참조 신호를 수신하는 단계;
    상기 송신단으로, 상기 QCI 인덱스를 포함하는 피드백(feedback)을 전송하는 단계; 및
    상기 송신단으로부터, (i) 상기 QCI 인덱스 및 (ii) 사전 정의된 대응 관계 정보에 기초하여 결정되는 상기 특정 오토 인코더를 이용하여 상기 데이터를 수신하는 단계를 포함하되,
    상기 대응 관계 정보는 복소 채널 공간을 양자화(Quantization)하여 구성한 복수의 양자화 채널(Quantized Channel)과 상기 복수의 양자화 채널에 기초하여 사전 학습(pre-training)된 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고,
    상기 복수의 양자화 채널은, 상기 복수의 양자화 채널 중 어느 하나의 양자화 채널과 관련된 실제 채널과 상기 어느 하나의 양자화 채널 간의 오차가 특정 조건을 만족하도록 양자화되는 것을 특징으로 하는 방법.
18. 오토 인코더(auto encoder)를 이용하는 무선 통신 시스템에서 신호를 송수신하기 위한 수신단에 있어서,
    무선 신호를 전송하기 위한 전송기(transmitter);
    무선 신호를 수신하기 위한 수신기(receiver);
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서에 동작 가능하게 접속 가능하고, 상기 적어도 하나의 프로세서에 의해 실행될 때, 동작들을 수행하는 지시(instruction)들을 저장하는 적어도 하나의 컴퓨터 메모리를 포함하며,
    상기 동작들은,
    송신단으로부터, (i) 채널 추정 및 (ii) 상기 데이터의 수신을 위한 특정 오토 인코더의 결정과 관련된 QCI(Quantized Channel Information) 인덱스(index)를 계산하기 위한 참조 신호를 수신하는 단계;
    상기 송신단으로, 상기 QCI 인덱스를 포함하는 피드백(feedback)을 전송하는 단계; 및
    상기 송신단으로부터, (i) 상기 QCI 인덱스 및 (ii) 사전 정의된 대응 관계 정보에 기초하여 결정되는 상기 특정 오토 인코더를 이용하여 상기 데이터를 수신하는 단계를 포함하되,
    상기 대응 관계 정보는 복소 채널 공간을 양자화(Quantization)하여 구성한 복수의 양자화 채널(Quantized Channel)과 상기 복수의 양자화 채널에 기초하여 사전 학습(pre-training)된 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고,
    상기 복수의 양자화 채널은, 상기 복수의 양자화 채널 중 어느 하나의 양자화 채널과 관련된 실제 채널과 상기 어느 하나의 양자화 채널 간의 오차가 특정 조건을 만족하도록 양자화되는 것을 특징으로 하는 수신단.
19. 하나 이상의 명령어들을 저장하는 비일시적 컴퓨터 판독 가능 매체(computer readable medium, CRM)에 있어서,
    하나 이상의 프로세서들에 의해 실행 가능한 하나 이상의 명령어들은 송신단이,
    수신단으로, (i) 채널 추정 및 (ii) 상기 데이터의 전송을 위한 특정 오토 인코더의 결정과 관련된 QCI(Quantized Channel Information) 인덱스(index)를 계산하기 위한 참조 신호를 전송하도록 하고,
    상기 수신단으로부터, 상기 QCI 인덱스를 포함하는 피드백(feedback)을 수신하도록 하고,
    상기 수신단으로, (i) 상기 QCI 인덱스 및 (ii) 사전 정의된 대응 관계 정보에 기초하여 결정되는 상기 특정 오토 인코더를 이용하여 상기 데이터를 전송하도록 하되,
    상기 대응 관계 정보는 복소 채널 공간을 양자화(Quantization)하여 구성한 복수의 양자화 채널(Quantized Channel)과 상기 복수의 양자화 채널에 기초하여 사전 학습(pre-training)된 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고,
    상기 복수의 양자화 채널은, 상기 복수의 양자화 채널 중 어느 하나의 양자화 채널과 관련된 실제 채널과 상기 어느 하나의 양자화 채널 간의 오차에 기초한 특정 조건을 만족하도록 양자화되는 것을 특징으로 하는 비일시적 컴퓨터 판독 가능 매체.
20. 하나 이상의 메모리들 및 상기 하나 이상의 메모리들과 기능적으로 연결되어 있는 하나 이상의 프로세서들을 포함하는 장치에 있어서,
    상기 하나 이상의 프로세서들은 상기 장치가,
    수신단으로, (i) 채널 추정 및 (ii) 상기 데이터의 전송을 위한 특정 오토 인코더의 결정과 관련된 QCI(Quantized Channel Information) 인덱스(index)를 계산하기 위한 참조 신호를 전송하도록 하고,
    상기 수신단으로부터, 상기 QCI 인덱스를 포함하는 피드백(feedback)을 수신하도록 하고,
    상기 수신단으로, (i) 상기 QCI 인덱스 및 (ii) 사전 정의된 대응 관계 정보에 기초하여 결정되는 상기 특정 오토 인코더를 이용하여 상기 데이터를 전송하도록 하되,
    상기 대응 관계 정보는 복소 채널 공간을 양자화(Quantization)하여 구성한 복수의 양자화 채널(Quantized Channel)과 상기 복수의 양자화 채널에 기초하여 사전 학습(pre-training)된 복수의 오토 인코더 간의 대응 관계와 관련된 정보이고,
    상기 복수의 양자화 채널은, 상기 복수의 양자화 채널 중 어느 하나의 양자화 채널과 관련된 실제 채널과 상기 어느 하나의 양자화 채널 간의 오차에 기초한 특정 조건을 만족하도록 양자화되는 것을 특징으로 하는 장치.

Images