KR20240050289A

KR20240050289A - 인공지능 및 머신러닝을 이용한 빔 관리에서의 모델 모니터링 방법 및 장치

Info

Publication number: KR20240050289A
Application number: KR1020230134641A
Authority: KR
Inventors: 이은종
Original assignee: 주식회사 케이티
Priority date: 2022-10-11
Filing date: 2023-10-10
Publication date: 2024-04-18

Abstract

본 실시예들은 인공지능 및 머신러닝을 이용한 빔 관리에서의 모델 모니터링 방법 및 장치에 대한 것으로, 단말에 대하여 구성된 참조 신호와 관련하여, AI/ML 모델의 모니터링을 위한 참조 신호의 제2 참조 신호 자원 셋 구성 정보를 수신하는 단계, 제2 참조 신호 자원 셋 구성 정보에 기초하여, 참조 신호에 대한 신호 세기 또는 신호 품질을 측정하는 단계 및 참조 신호의 측정값을 AI/ML 모델을 통하여 추론된 참조 신호의 예측값과 비교하여, AI/ML 모델의 성능 결과를 보고하는 단계를 포함하는 방법을 제공한다.

Description

인공지능 및 머신러닝을 이용한 빔 관리에서의 모델 모니터링 방법 및 장치{METHOD AND APPARATUS FOR MODEL MONITORING IN AI/ML BASED BEAM MANAGEMENT}

본 실시예들은 차세대 무선 액세스 망(이하, "NR[New Radio]"라 함)에서 인공지능 및 머신러닝을 이용한 빔 관리에서의 모델 모니터링 방법 및 장치에 대해서 제안한다.

3GPP는 최근 차세대 무선 액세스 기술(다시 말하면, 5G 무선 액세스 기술)에 대한 연구를 위한 스터디 아이템인 "Study on New Radio Access Technology"를 승인하고, 이를 기반으로 RAN WG1에서는 각각 NR(New Radio)을 위한 프레임 구조(frame structure), 채널 코딩 및 변조(channel coding & modulation), 파형 및 다중 접속 방식(waveform & multiple access scheme) 등에 대한 설계가 진행 중이다. NR은 LTE에 대비하여 향상된 데이터 전송률뿐만 아니라 세분화되고 구체화된 사용 시나리오(usage scenario) 별로 요구되는 다양한 QoS 요구(QoS requirements)를 만족시킬 수 있는 설계가 이루어지도록 요구되고 있다.

NR의 대표적 사용 시나리오로서 eMBB(enhancement Mobile BroadBand), mMTC(massive Machine Type Communication) 및 URLLC(Ultra Reliable and Low Latency Communications)가 정의되었으며, 각각의 사용 시나리오 별 요구를 만족시키기 위하여 LTE 대비 플렉서블한 프레임 구조 설계가 요구되고 있다.

각각의 서비스 요건(usage scenario)은 데이터 속도(data rates), 지연속도(latency), 신뢰도(reliability), 커버리지(coverage) 등에 대한 요구가 서로 상이하기 때문에 임의의 NR 시스템을 구성하는 주파수 대역을 통해 각각의 사용 시나리오별 요구를 효율적으로 만족시키기 위한 방법으로서 서로 다른 뉴머롤로지(numerology)(예를 들어, 서브캐리어 스페이싱(subcarrier spacing), 서브프레임(subframe), TTI(Transmission Time Interval) 등) 기반의 무선 자원 유닛(unit)을 효율적으로 멀티플렉싱(multiplexing)하는 방안에 대한 필요성이 제기되고 있다.

이러한 측면의 일환으로, 인공지능 및 머신러닝 기술을 무선 통신 분야에 도입하고 있으며, 이에 따라 적용될 AI/ML 모델에 대한 관리를 수행할 수 있도록 하는 구체적인 설계가 필요하게 된다.

본 개시의 실시예들은, NR에서 인공지능 및 머신러닝을 이용한 빔 관리에서의 모델 모니터링 방법 및 장치를 제공할 수 있다.

일 측면에서, 본 실시예들은 단말(user equipment; UE)이 인공지능 및 머신러닝(AI/ML)을 이용한 빔 관리에서의 모델 모니터링(monitoring)을 수행하는 방법에 있어서, 단말에 대하여 구성된 참조 신호(reference signal, RS)와 관련하여, AI/ML 모델의 모니터링을 위한 참조 신호의 제2 참조 신호 자원 셋(resource set) 구성 정보를 수신하는 단계, 제2 참조 신호 자원 셋 구성 정보에 기초하여, 참조 신호에 대한 신호 세기 또는 신호 품질을 측정하는 단계 및 참조 신호의 측정값을 AI/ML 모델을 통하여 추론된 참조 신호의 예측값과 비교하여, AI/ML 모델의 성능 결과를 보고하는 단계를 포함하는 방법을 제공할 수 있다.

다른 측면에서, 본 실시예들은 기지국이 인공지능 및 머신러닝을 이용한 빔 관리에서의 모델 모니터링을 수행하는 방법에 있어서, 단말에 대하여 구성된 참조 신호(reference signal, RS)와 관련하여, AI/ML 모델의 모니터링을 위한 참조 신호의 제2 참조 신호 자원 셋(resource set) 구성 정보를 전송하는 단계, 제2 참조 신호 자원 셋 구성 정보에 기초하여, 참조 신호를 전송하는 단계 및 참조 신호의 측정값을 AI/ML 모델을 통하여 추론된 참조 신호의 예측값과 비교하여 획득된 AI/ML 모델의 성능 결과를 수신하는 단계를 포함하는 방법을 제공할 수 있다.

또 다른 측면에서, 본 실시예들은 인공지능 및 머신러닝(AI/ML)을 이용한 빔 관리에서의 모델 모니터링(monitoring)을 수행하는 단말(user equipment; UE)에 있어서, 송신부, 수신부 및 송신부와 수신부의 동작을 제어하는 제어부를 포함하되, 제어부는, 단말에 대하여 구성된 참조 신호(reference signal, RS)와 관련하여, AI/ML 모델의 모니터링을 위한 참조 신호의 제2 참조 신호 자원 셋(resource set) 구성 정보를 수신하고, 제2 참조 신호 자원 셋 구성 정보에 기초하여, 참조 신호에 대한 신호 세기 또는 신호 품질을 측정하고, 참조 신호의 측정값을 AI/ML 모델을 통하여 추론된 참조 신호의 예측값과 비교하여, AI/ML 모델의 성능 결과를 보고하는 단말을 제공할 수 있다.

또 다른 측면에서, 본 실시예들은 인공지능 및 머신러닝을 이용한 빔 관리에서의 모델 모니터링을 수행하는 기지국에 있어서, 송신부, 수신부 및 송신부와 수신부의 동작을 제어하는 제어부를 포함하되, 제어부는, 단말에 대하여 구성된 참조 신호(reference signal, RS)와 관련하여, AI/ML 모델의 모니터링을 위한 참조 신호의 제2 참조 신호 자원 셋(resource set) 구성 정보를 전송하고, 제2 참조 신호 자원 셋 구성 정보에 기초하여, 참조 신호를 전송하고, 참조 신호의 측정값을 AI/ML 모델을 통하여 추론된 참조 신호의 예측값과 비교하여 획득된 AI/ML 모델의 성능 결과를 수신하는 기지국을 제공할 수 있다.

본 실시예들에 의하면, NR에서 인공지능 및 머신러닝을 이용한 빔 관리에서의 모델 모니터링 방법 및 장치를 제공할 수 있다.

본 실시예들에 의하면, AI/ML 모델 모니터링에서 추가적인 빔 측정의 부담을 최소화하면서, 지속적인 모델 모니터링을 통해 셀과의 연결 끊김 현상을 최소화하는 AI/ML 모델 모니터링 방법을 제공할 수 있다.

도 1은 본 실시예가 적용될 수 있는 NR 무선 통신 시스템에 대한 구조를 간략하게 도시한 도면이다.
도 2는 본 실시예가 적용될 수 있는 NR 시스템에서의 프레임 구조를 설명하기 위한 도면이다.
도 3은 본 실시예가 적용될 수 있는 무선 접속 기술이 지원하는 자원 그리드를 설명하기 위한 도면이다.
도 4는 본 실시예가 적용될 수 있는 무선 접속 기술이 지원하는 대역폭 파트를 설명하기 위한 도면이다.
도 5는 본 실시예가 적용될 수 있는 무선 접속 기술에서의 동기 신호 블록을 예시적으로 도시한 도면이다.
도 6는 본 실시예가 적용될 수 있는 무선 접속 기술에서의 랜덤 액세스 절차를 설명하기 위한 도면이다.
도 7은 CORESET에 대해서 설명하기 위한 도면이다.
도 8은 기지국이 빔 전송 동작을 수행할 때, 서로 다른 위치에서의 두 단말이 초기 빔 측정을 수행하는 동작을 설명하기 위한 도면이다.
도 9는 단말 및 기지국의 초기 접속 절차를 설명하기 위한 예시적 도면이다.
도 10 및 도 11은 단말에 할당되는 후보 빔을 설정하는 것을 설명하기 위한 도면이다.
도 12는 빔 관리를 위한 프로시저를 설명하기 위한 도면이다.
도 13 내지 도 15는 보고 방식에 따른 빔 보고 방법을 설명하기 위한 도면이다.
도 16은 일 실시예에 따른 단말이 인공지능 및 머신러닝을 이용한 빔 관리에서의 모델 모니터링을 수행하는 절차를 도시한 도면이다.
도 17은 일 실시예에 따른 기지국이 인공지능 및 머신러닝을 이용한 빔 관리에서의 모델 모니터링을 수행하는 절차를 도시한 도면이다.
도 18 및 도 19는 일 실시예에 따른 AI/ML을 이용한 빔 측정 및 빔 예측을 수행하는 동작을 설명하기 위한 도면이다.
도 20은 일 실시예에 따른 단말이 모델 추론을 수행하는 경우의 단말 및 기지국 동작을 설명하기 위한 도면이다.
도 21은 일 실시예에 따른 기지국이 모델 추론을 수행하는 경우의 단말 및 기지국 동작을 설명하기 위한 도면이다.
도 22는 또 다른 실시예에 의한 단말의 구성을 보여주는 도면이다.
도 23은 또 다른 실시예에 의한 기지국의 구성을 보여주는 도면이다.

이하, 본 개시의 일부 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성 요소들에 참조부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 실시예들을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 기술 사상의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다. 본 명세서 상에서 언급된 "포함한다", "갖는다", "이루어진다" 등이 사용되는 경우 "~만"이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성 요소를 단수로 표현한 경우에 특별한 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함할 수 있다.

또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질, 차례, 순서 또는 개수 등이 한정되지 않는다.

구성 요소들의 위치 관계에 대한 설명에 있어서, 둘 이상의 구성 요소가 "연결", "결합" 또는 "접속" 등이 된다고 기재된 경우, 둘 이상의 구성 요소가 직접적으로 "연결", "결합" 또는 "접속"될 수 있지만, 둘 이상의 구성 요소와 다른 구성 요소가 더 "개재"되어 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다. 여기서, 다른 구성 요소는 서로 "연결", "결합" 또는 "접속"되는 둘 이상의 구성 요소 중 하나 이상에 포함될 수도 있다.

구성 요소들이나, 동작 방법이나 제작 방법 등과 관련한 시간적 흐름 관계에 대한 설명에 있어서, 예를 들어, "~후에", "~에 이어서", "~다음에", "~전에" 등으로 시간적 선후 관계 또는 흐름적 선후 관계가 설명되는 경우, "바로" 또는 "직접"이 사용되지 않는 이상 연속적이지 않은 경우도 포함할 수 있다.

한편, 구성 요소에 대한 수치 또는 그 대응 정보(예: 레벨 등)가 언급된 경우, 별도의 명시적 기재가 없더라도, 수치 또는 그 대응 정보는 각종 요인(예: 공정상의 요인, 내부 또는 외부 충격, 노이즈 등)에 의해 발생할 수 있는 오차 범위를 포함하는 것으로 해석될 수 있다.

본 명세서에서의 무선 통신 시스템은 음성, 데이터 패킷 등과 같은 다양한 통신 서비스를 무선자원을 이용하여 제공하기 위한 시스템을 의미하며, 단말과 기지국 또는 코어 네트워크 등을 포함할 수 있다.

이하에서 개시하는 본 실시예들은 다양한 무선 접속 기술을 사용하는 무선 통신 시스템에 적용될 수 있다. 예를 들어, 본 실시예들은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(timedivision multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(singlecarrier frequency division multiple access) 또는 NOMA(non-orthogonal multiple access) 등과 같은 다양한 무선 접속 기술에 적용될 수 있다. 또한, 무선 접속 기술은 특정 접속 기술을 의미하는 것뿐만 아니라 3GPP, 3GPP2, WiFi, Bluetooth, IEEE, ITU 등 다양한 통신 협의기구에서 제정하는 각 세대별 통신 기술을 의미할 수 있다. 예를 들어, 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 datarates for GSM evolution)와 같은 무선 기술로 구현될 수 있다. OFDMA는 IEEE(institute of electrical andelectronics engineers) 802.11(Wi-Fi), IEEE 802.16(WiMAX), IEEE 802-20, E-UTRA(evolved UTRA) 등과 같은 무선 기술로 구현될 수 있다. IEEE 802.16m은 IEEE 802.16e의 진화로, IEEE 802.16e에 기반한 시스템과의 하위 호환성(backward compatibility)를 제공한다. UTRA는 UMTS(universal mobile telecommunications system)의 일부이다. 3GPP(3rd generation partnership project) LTE(long term evolution)은 E-UTRA(evolved-UMTSterrestrial radio access)를 사용하는 E-UMTS(evolved UMTS)의 일부로써, 하향링크에서 OFDMA를 채용하고 상향링크에서 SC-FDMA를 채용한다. 이와 같이 본 실시예들은 현재 개시되거나 상용화된 무선 접속 기술에 적용될 수 있고, 현재 개발 중이거나 향후 개발될 무선 접속 기술에 적용될 수도 있다.

한편, 본 명세서에서의 단말은 무선 통신 시스템에서 기지국과 통신을 수행하는 무선 통신 모듈을 포함하는 장치를 의미하는 포괄적 개념으로서, WCDMA, LTE, NR, HSPA 및 IMT-2020(5G 또는 New Radio) 등에서의 UE(User Equipment)는 물론, GSM에서의 MS(Mobile Station), UT(User Terminal), SS(Subscriber Station), 무선 기기(wireless device) 등을 모두 포함하는 개념으로 해석되어야 할 것이다. 또한, 단말은 사용 형태에 따라 스마트 폰과 같은 사용자 휴대 기기가 될 수도 있고, V2X 통신 시스템에서는 차량, 차량 내의 무선 통신 모듈을 포함하는 장치 등을 의미할 수도 있다. 또한, 기계 형태 통신(Machine Type Communication) 시스템의 경우에 기계 형태 통신이 수행되도록 통신 모듈을 탑재한 MTC 단말, M2M 단말, URLLC 단말 등을 의미할 수도 있다.

본 명세서의 기지국 또는 셀은 네트워크 측면에서 단말과 통신하는 종단을 지칭하며, 노드-B(Node-B), eNB(evolved Node-B), gNB(gNode-B), LPN(Low Power Node), 섹터(Sector), 싸이트(Site), 다양한 형태의 안테나, BTS(Base Transceiver System), 액세스 포인트(Access Point), 포인트(예를 들어, 송신포인트, 수신포인트, 송수신포인트), 릴레이 노드(Relay Node), 메가 셀, 매크로 셀, 마이크로 셀, 피코 셀, 펨토 셀, RRH(Remote Radio Head), RU(Radio Unit), 스몰 셀(small cell) 등 다양한 커버리지 영역을 모두 포괄하는 의미이다. 또한, 셀은 주파수 도메인에서의 BWP(Bandwidth Part)를 포함하는 의미일 수 있다. 예를 들어, 서빙 셀은 단말의 Activation BWP를 의미할 수 있다.

앞서 나열된 다양한 셀은 하나 이상의 셀을 제어하는 기지국이 존재하므로 기지국은 두 가지 의미로 해석될 수 있다. 1) 무선 영역과 관련하여 메가 셀, 매크로 셀, 마이크로 셀, 피코 셀, 펨토 셀, 스몰 셀(small cell)을 제공하는 장치 그 자체이거나, 2) 무선 영역 그 자체를 지시할 수 있다. 1)에서 소정의 무선 영역을 제공하는 장치들이 동일한 개체에 의해 제어되거나 무선 영역을 협업으로 구성하도록 상호 작용하는 모든 장치들을 모두 기지국으로 지시한다. 무선 영역의 구성 방식에 따라 포인트, 송수신 포인트, 송신 포인트, 수신 포인트 등은 기지국의 일 실시 예가 된다. 2)에서 사용자 단말의 관점 또는 이웃하는 기지국의 입장에서 신호를 수신하거나 송신하게 되는 무선 영역 그 자체를 기지국으로 지시할 수도 있다.

본 명세서에서 셀(Cell)은 송수신 포인트로부터 전송되는 신호의 커버리지 또는 송수신 포인트(transmission point 또는 transmission/reception point)로부터 전송되는 신호의 커버리지를 가지는 요소 반송파(component carrier), 그 송수신 포인트 자체를 의미할 수 있다.

상향링크(Uplink, UL, 또는 업링크)는 단말에 의해 기지국으로 데이터를 송수신하는 방식을 의미하며, 하향링크(Downlink, DL, 또는 다운링크)는 기지국에 의해 단말로 데이터를 송수신하는 방식을 의미한다. 하향링크(downlink)는 다중 송수신 포인트에서 단말로의 통신 또는 통신 경로를 의미할 수 있으며, 상향링크(uplink)는 단말에서 다중 송수신 포인트로의 통신 또는 통신 경로를 의미할 수 있다. 이때, 하향링크에서 송신기는 다중 송수신 포인트의 일부분일 수 있고, 수신기는 단말의 일부분일 수 있다. 또한, 상향링크에서 송신기는 단말의 일부분일 수 있고, 수신기는 다중 송수신 포인트의 일부분일 수 있다.

상향링크와 하향링크는, PDCCH(Physical Downlink Control CHannel), PUCCH(Physical Uplink Control CHannel) 등과 같은 제어 채널을 통하여 제어 정보를 송수신하고, PDSCH(Physical Downlink Shared CHannel), PUSCH(Physical Uplink Shared CHannel) 등과 같은 데이터 채널을 구성하여 데이터를 송수신한다. 이하에서는 PUCCH, PUSCH, PDCCH 및 PDSCH 등과 같은 채널을 통해 신호가 송수신되는 상황을 'PUCCH, PUSCH, PDCCH 및 PDSCH를 전송, 수신한다'는 형태로 표기하기도 한다.

설명을 명확하게 하기 위해, 이하에서는 본 기술 사상을 3GPP LTE/LTE-A/NR(New RAT) 통신 시스템을 위주로 기술하지만 본 기술적 특징이 해당 통신 시스템에 제한되는 것은 아니다.

3GPP에서는 4G(4th-Generation) 통신 기술에 대한 연구 이후에 ITU-R의 차세대 무선 접속 기술의 요구사항에 맞추기 위한 5G(5th-Generation)통신 기술을 개발한다. 구체적으로, 3GPP는 5G 통신 기술로 LTE-Advanced 기술을 ITU-R의 요구사항에 맞추어 향상시킨 LTE-A pro와 4G 통신 기술과는 별개의 새로운 NR 통신 기술을 개발한다. LTE-A pro와 NR은 모두 5G 통신 기술을 의미하는 것으로, 이하에서는 특정 통신 기술을 특정하는 경우가 아닌 경우에 NR을 중심으로 5G 통신 기술을 설명한다.

NR에서의 운영 시나리오는 기존 4G LTE의 시나리오에서 위성, 자동차, 그리고 새로운 버티컬 등에 대한 고려를 추가하여 다양한 동작 시나리오를 정의하였으며, 서비스 측면에서 eMBB(Enhanced Mobile Broadband) 시나리오, 높은 단말 밀도를 가지되 넓은 범위에 전개되어 낮은 데이터 레이트(data rate)와 비동기식 접속이 요구되는 mMTC(Massive Machine Communication) 시나리오, 높은 응답성과 신뢰성이 요구되고 고속 이동성을 지원할 수 있는 URLLC(Ultra Reliability and Low Latency) 시나리오를 지원한다.

이러한 시나리오를 만족하기 위해서 NR은 새로운 waveform 및 프레임 구조 기술, 낮은 지연속도(Low latency) 기술, 초고주파 대역(mmWave) 지원 기술, 순방향 호환성(Forward compatible) 제공 기술이 적용된 무선 통신 시스템을 개시한다. 특히, NR 시스템에서는 순방향(Forard) 호환성을 제공하기 위해서 유연성 측면에서 다양한 기술적 변화를 제시하고 있다. NR의 주요 기술적 특징은 아래에서 도면을 참조하여 설명한다.

도 1은 본 실시예가 적용될 수 있는 NR 시스템에 대한 구조를 간략하게 도시한 도면이다.

도 1을 참조하면, NR 시스템은 5GC(5G Core Network)와 NR-RAN파트로 구분되며, NG-RAN은 사용자 평면(SDAP/PDCP/RLC/MAC/PHY) 및 UE(User Equipment)에 대한 제어 평면(RRC) 프로토콜 종단을 제공하는 gNB와 ng-eNB들로 구성된다. gNB 상호 또는 gNB와 ng-eNB는 Xn 인터페이스를 통해 상호 연결된다. gNB와 ng-eNB는 각각 NG 인터페이스를 통해 5GC로 연결된다. 5GC는 단말 접속 및 이동성 제어 기능 등의 제어 평면을 담당하는 AMF (Access and Mobility Management Function)와 사용자 데이터에 제어 기능을 담당하는 UPF (User Plane Function)를 포함하여 구성될 수 있다. NR에서는 6GHz 이하 주파수 대역(FR1, Frequency Range 1)과 6GHz 이상 주파수 대역(FR2, Frequency Range 2)에 대한 지원을 모두 포함한다.

gNB는 단말로 NR 사용자 평면 및 제어 평면 프로토콜 종단을 제공하는 기지국을 의미하고, ng-eNB는 단말로 E-UTRA 사용자 평면 및 제어 평면 프로토콜 종단을 제공하는 기지국을 의미한다. 본 명세서에서 기재하는 기지국은 gNB 및 ng-eNB를 포괄하는 의미로 이해되어야 하며, 필요에 따라 gNB 또는 ng-eNB를 구분하여 지칭하는 의미로 사용될 수도 있다.

NR에서는 하향링크 전송을 위해서 Cyclic prefix를 사용하는 CP-OFDM 웨이브 폼을 사용하고, 상향링크 전송을 위해서 CP-OFDM 또는 DFT-s-OFDM을 사용한다. OFDM 기술은 MIMO(Multiple Input Multiple Output)와 결합이 용이하며, 높은 주파수 효율과 함께 저 복잡도의 수신기를 사용할 수 있다는 장점을 가지고 있다.

한편, NR에서는 전술한 3가지 시나리오별로 데이터 속도, 지연속도, 커버리지 등에 대한 요구가 서로 상이하기 때문에 임의의 NR 시스템을 구성하는 주파수 대역을 통해 각각의 시나리오별 요구사항을 효율적으로 만족시킬 필요가 있다. 이를 위해서, 서로 다른 복수의 뉴머롤러지(numerology) 기반의 무선 자원을 효율적으로 멀티플렉싱(multiplexing)하기 위한 기술이 제안되었다.

구체적으로, NR 전송 뉴머롤러지는 서브캐리어 간격(sub-carrier spacing)과 CP(Cyclic prefix)에 기초하여 결정되며, 아래 표 1과 같이 15 kHz를 기준으로 μ 값이 2의 지수 값으로 사용되어 지수적으로 변경된다.

μ	서브캐리어 간격	Cyclic prefix	Supported for data	Supported for synch
0	15	Normal	Yes	Yes
1	30	Normal	Yes	Yes
2	60	Normal, Extended	Yes	No
3	120	Normal	Yes	Yes
4	240	Normal	No	Yes

위 표 1과 같이 NR의 뉴머롤러지는 서브캐리어 간격에 따라 5가지로 구분될 수 있다. 이는 4G 통신 기술 중 하나인 LTE의 서브캐리어 간격이 15 kHz로 고정되는 것과는 차이가 있다. 구체적으로, NR에서 데이터 전송을 위해서 사용되는 서브캐리어 간격은 15, 30, 60, 120 kHz 이고, 동기 신호 전송을 위해서 사용되는 서브캐리어 간격은 15, 30, 12, 240 kHz 이다. 또한, 확장 CP는 60 kHz 서브캐리어 간격에만 적용된다. 한편, NR에서의 프레임 구조(frame structure)는 1ms의 동일한 길이를 가지는 10개의 서브프레임(subframe)으로 구성되는 10ms의 길이를 가지는 프레임(frame)이 정의된다. 하나의 프레임은 5ms의 하프 프레임으로 나뉠 수 있으며, 각 하프 프레임은 5개의 서브프레임을 포함한다. 15 kHz 서브캐리어 간격의 경우에 하나의 서브프레임은 1개의 슬롯(slot)으로 구성되고, 각 슬롯은 14개의 OFDM 심볼(symbol)로 구성된다. 도 2는 본 실시예가 적용될 수 있는 NR 시스템에서의 프레임 구조를 설명하기 위한 도면이다.

도 2를 참조하면, 슬롯은 노멀 CP의 경우에 고정적으로 14개의 OFDM 심볼로 구성되나, 슬롯의 시간 도메인에서 길이는 서브캐리어 간격에 따라 달라질 수 있다. 예를 들어, 15 kHz 서브캐리어 간격을 가지는 뉴머롤러지의 경우에 슬롯은 1ms 길이로 서브프레임과 동일한 길이로 구성된다. 이와 달리, 30 kHz 서브캐리어 간격을 가지는 뉴머롤러지의 경우에 슬롯은 14개의 OFDM 심볼로 구성되나, 0.5ms의 길이로 하나의 서브프레임에 두 개의 슬롯이 포함될 수 있다. 즉, 서브프레임과 프레임은 고정된 시간 길이를 가지고 정의되며, 슬롯은 심볼의 개수로 정의되어 서브캐리어 간격에 따라 시간 길이가 달라질 수 있다.

한편, NR은 스케줄링의 기본 단위를 슬롯으로 정의하고, 무선 구간의 전송 지연을 감소시키기 위해서 미니 슬롯(또는 서브 슬롯 또는 non-slot based schedule)도 도입하였다. 넓은 서브캐리어 간격을 사용하면 하나의 슬롯의 길이가 반비례하여 짧아지기 때문에 무선 구간에서의 전송 지연을 줄일 수 있다. 미니 슬롯(또는 서브 슬롯)은 URLLC 시나리오에 대한 효율적인 지원을 위한 것으로 2, 4, 7개 심볼 단위로 스케줄링이 가능하다.

또한, NR은 LTE와 달리 상향링크 및 하향링크 자원 할당을 하나의 슬롯 내에서 심볼 레벨로 정의하였다. HARQ 지연을 줄이기 위해 전송 슬롯 내에서 바로 HARQ ACK/NACK을 송신할 수 있는 슬롯 구조가 정의되었으며, 이러한 슬롯 구조를 자기 포함(self-contained) 구조로 명명하여 설명한다.

NR에서는 총 256개의 슬롯 포맷을 지원할 수 있도록 설계되었으며, 이중 62개의 슬롯 포맷이 3GPP Rel-15에서 사용된다. 또한, 다양한 슬롯의 조합을 통해서 FDD 또는 TDD 프레임을 구성하는 공통 프레임 구조를 지원한다. 예를 들어, 슬롯의 심볼이 모두 하향링크로 설정되는 슬롯 구조와 심볼이 모두 상향링크로 설정되는 슬롯 구조 및 하향링크 심볼과 상향링크 심볼이 결합된 슬롯 구조를 지원한다. 또한, NR은 데이터 전송이 하나 이상의 슬롯에 분산되어 스케줄링됨을 지원한다. 따라서, 기지국은 슬롯 포맷 지시자(SFI, Slot Format Indicator)를 이용하여 단말에 슬롯이 하향링크 슬롯인지, 상향링크 슬롯인지 또는 플렉시블 슬롯인지를 알려줄 수 있다. 기지국은 단말 특정하게(UE-specific) RRC 시그널링을 통해서 구성된 테이블의 인덱스를 SFI를 이용하여 지시함으로써 슬롯 포맷을 지시할 수 있으며, DCI(Downlink Control Information)를 통해서 동적으로 지시하거나 RRC를 통해서 정적 또는 준정적으로 지시할 수도 있다.

NR에서의 물리 자원(physical resource)과 관련하여, 안테나 포트(antenna port), 자원 그리드(resource grid), 자원 요소(resource element), 자원 블록(resource block), 대역폭 파트(bandwidth part) 등이 고려된다.

안테나 포트는 안테나 포트 상의 심볼이 운반되는 채널이 동일한 안테나 포트 상의 다른 심볼이 운반되는 채널로부터 추론될 수 있도록 정의된다. 하나의 안테나 포트 상의 심볼이 운반되는 채널의 광범위 특성(large-scale property)이 다른 안테나 포트 상의 심볼이 운반되는 채널로부터 추론될 수 있는 경우, 2 개의 안테나 포트는 QC/QCL(quasi co-located 또는 quasi co-location) 관계에 있다고 할 수 있다. 여기에서, 광범위 특성은 지연 확산(Delay spread), 도플러 확산(Doppler spread), 주파수 시프트(Frequency shift), 평균 수신 파워(Average received power) 및 수신 타이밍(Received Timing) 중 하나 이상을 포함한다.

도 3은 본 실시예가 적용될 수 있는 무선 접속 기술이 지원하는 자원 그리드를 설명하기 위한 도면이다.

도 3을 참조하면, 자원 그리드(Resource Grid)는 NR이 동일 캐리어에서 복수의 뉴머롤러지를 지원하기 때문에 각 뉴머롤러지에 따라 자원 그리드가 존재할 수 있다. 또한, 자원 그리드는 안테나 포트, 서브캐리어 간격, 전송 방향에 따라 존재할 수 있다.

자원 블록(resource block)은 12개의 서브캐리어로 구성되며, 주파수 도메인 상에서만 정의된다. 또한, 자원 요소(resource element)는 1개의 OFDM 심볼과 1개의 서브캐리어로 구성된다. 따라서, 도 3에서와 같이 하나의 자원 블록은 서브캐리어 간격에 따라 그 크기가 달라질 수 있다. 또한, NR에서는 자원 블록 그리드를 위한 공통 참조점 역할을 수행하는 "Point A"와 공통 자원 블록, 가상 자원 블록 등을 정의한다.

도 4는 본 실시예가 적용될 수 있는 무선 접속 기술이 지원하는 대역폭 파트를 설명하기 위한 도면이다.

NR에서는 캐리어 대역폭이 20Mhz로 고정된 LTE와 달리 서브캐리어 간격별로 최대 캐리어 대역폭이 50Mhz에서 400Mhz로 설정된다. 따라서, 모든 단말이 이러한 캐리어 대역폭을 모두 사용하는 것을 가정하지 않는다. 이에 따라서 NR에서는 도 4에 도시된 바와 같이 캐리어 대역폭 내에서 대역폭 파트(BWP)를 지정하여 단말이 사용할 수 있다. 또한, 대역폭 파트는 하나의 뉴머롤러지와 연계되며 연속적인 공통 자원 블록의 서브 셋으로 구성되고, 시간에 따라 동적으로 활성화될 수 있다. 단말에는 상향링크 및 하향링크 각각 최대 4개의 대역폭 파트가 구성되고, 주어진 시간에 활성화된 대역폭 파트를 이용하여 데이터가 송수신된다.

페어드 스펙트럼(paired spectrum)의 경우 상향링크 및 하향링크 대역폭 파트가 독립적으로 설정되며, 언페어드 스펙트럼(unpaired spectrum)의 경우 하향링크와 상향링크 동작 간에 불필요한 주파수 리튜닝(re-tunning)을 방지하기 위해서 하향링크와 상향링크의 대역폭 파트가 중심 주파수를 공유할 수 있도록 쌍을 이루어 설정된다.

NR에서 단말은 기지국에 접속하여 통신을 수행하기 위해서 셀 검색 및 랜덤 액세스 절차를 수행한다.

셀 검색은 기지국이 전송하는 동기 신호 블록(SSB, Synchronization Signal Block)를 이용하여 단말이 해당 기지국의 셀에 동기를 맞추고, 물리계층 셀 ID를 획득하며, 시스템 정보를 획득하는 절차이다.

도 5는 본 실시예가 적용될 수 있는 무선 접속 기술에서의 동기 신호 블록을 예시적으로 도시한 도면이다.

도 5를 참조하면, SSB는 각각 1개 심볼 및 127개 서브캐리어를 점유하는 PSS(primarysynchronization signal) 및 SSS(secondary synchronization signal) 및 3개의 OFDM 심볼 및 240 개의 서브캐리어에 걸쳐있는 PBCH로 구성된다.

단말은 시간 및 주파수 도메인에서 SSB를 모니터링하여 SSB를 수신한다.

SSB는 5ms 동안 최대 64번 전송될 수 있다. 다수의 SSB는 5ms 시간 내에서 서로 다른 전송 빔으로 전송되며, 단말은 전송에 사용되는 특정 하나의 빔을 기준으로 볼 때에는 20ms의 주기마다 SSB가 전송된다고 가정하고 검출을 수행한다. 5ms 시간 내에서 SSB 전송에 사용할 수 있는 빔의 개수는 주파수 대역이 높을수록 증가할 수 있다. 예를 들어, 3GHz 이하에서는 최대 4개의 SSB 빔 전송이 가능하며, 3~6GHz까지의 주파수 대역에서는 최대 8개, 6GHz 이상의 주파수 대역에서는 최대 64개의 서로 다른 빔을 사용하여 SSB를 전송할 수 있다.

SSB는 하나의 슬롯에 두 개가 포함되며, 서브캐리어 간격에 따라 아래와 같이 슬롯 내에서의 시작 심볼과 반복 횟수가 결정된다.

한편, SSB는 종래 LTE의 SS와 달리 캐리어 대역폭의 센터 주파수에서 전송되지 않는다. 즉, SSB는 시스템 대역의 중심이 아닌 곳에서도 전송될 수 있고, 광대역 운영을 지원하는 경우 주파수 도메인 상에서 복수의 SSB가 전송될 수 있다. 이에 따라서, 단말은 SSB를 모니터링하는 후보 주파수 위치인 동기 래스터(synchronization raster)를 이용하여 SSB를 모니터링한다. 초기 접속을 위한 채널의 중심 주파수 위치 정보인 캐리어래스터(carrier raster)와 동기 래스터는 NR에서 새롭게 정의되었으며, 동기 래스터는 캐리어래스터에 비해서, 주파수 간격이 넓게 설정되어 있어서, 단말의 빠른 SSB 검색을 지원할 수 있다.

단말은 SSB의 PBCH를 통해서 MIB를 획득할 수 있다. MIB(Master Information Block)는 단말이 네트워크가 브로드캐스팅하는 나머지 시스템 정보(RMSI, Remaining Minimum System Information)를 수신하기 위한 최소 정보를 포함한다. 또한, PBCH는 시간 도메인 상에서의 첫 번째 DM-RS 심볼의 위치에 대한 정보, SIB1을 단말이 모니터링하기 위한 정보(예를 들어, SIB1 뉴머롤러지 정보, SIB1 CORESET에 관련된 정보, 검색 공간 정보, PDCCH 관련 파라미터 정보 등), 공통 자원 블록과 SSB 사이의 오프셋 정보(캐리어 내에서의 절대 SSB의 위치는 SIB1을 통해서 전송) 등을 포함할 수 있다. 여기서, SIB1 뉴머롤러지 정보는 단말이 셀 검색 절차를 완료한 이후에 기지국에 접속하기 위한 랜덤 액세스 절차에서 사용되는 일부 메시지에서도 동일하게 적용된다. 예를 들어, 랜덤 액세스 절차를 위한 메시지 1 내지 4 중 적어도 하나에 SIB1의 뉴머롤러지 정보가 적용될 수 있다.

전술한 RMSI는 SIB1(System Information Block 1)을 의미할 수 있으며, SIB1은 셀에서 주기적으로(ex, 160ms) 브로드캐스팅 된다. SIB1은 단말이 초기 랜덤 액세스 절차를 수행하는데 필요한 정보를 포함하며, PDSCH를 통해서 주기적으로 전송된다. 단말이 SIB1을 수신하기 위해서는 PBCH를 통해서 SIB1 전송에 사용되는 뉴머롤러지 정보, SIB1의 스케줄링에 사용되는 CORESET(Control Resource Set) 정보를 수신해야 한다. 단말은 CORESET 내에서 SI-RNTI를 이용하여 SIB1에 대한 스케줄링 정보를 확인하고, 스케줄링 정보에 따라 SIB1을 PDSCH 상에서 획득한다. SIB1을 제외한 나머지 SIB들은 주기적으로 전송될 수도 있고, 단말의 요구에 따라 전송될 수도 있다.

도 6는 본 실시예가 적용될 수 있는 무선 접속 기술에서의 랜덤 액세스 절차를 설명하기 위한 도면이다.

도 6을 참조하면, 셀 검색이 완료되면 단말은 기지국으로 랜덤 액세스를 위한 랜덤 액세스 프리앰블을 전송한다. 랜덤 액세스 프리앰블은 PRACH를 통해서 전송된다. 구체적으로, 랜덤 액세스 프리앰블은 주기적으로 반복되는 특정 슬롯에서 연속된 무선 자원으로 구성되는 PRACH를 통해서 기지국으로 전송된다. 일반적으로, 단말이 셀에 초기 접속하는 경우에 경쟁 기반 랜덤 액세스 절차를 수행되며, 빔 실패 복구(BFR, Beam Failure Recovery)를 위해서 랜덤 액세스를 수행하는 경우에는 비경쟁 기반 랜덤 액세스 절차가 수행된다.

단말은 전송한 랜덤 액세스 프리앰블에 대한 랜덤 액세스 응답을 수신한다. 랜덤 액세스 응답에는 랜덤 액세스 프리앰블식별자(ID), UL Grant (상향링크 무선자원), 임시 C-RNTI(Temporary Cell - Radio Network Temporary Identifier) 그리고 TAC(Time Alignment Command) 이 포함될 수 있다. 하나의 랜덤 액세스 응답에는 하나 이상의 단말들을 위한 랜덤 액세스 응답 정보가 포함될 수 있기 때문에, 랜덤 액세스 프리앰블식별자는 포함된 UL Grant, 임시 C-RNTI 그리고 TAC가 어느 단말에게 유효한지를 알려주기 위하여 포함될 수 있다. 랜덤 액세스 프리앰블식별자는 기지국이 수신한 랜덤 액세스 프리앰블에 대한식별자일 수 있다. TAC는 단말이 상향 링크 동기를 조정하기 위한 정보로서 포함될 수 있다. 랜덤 액세스 응답은 PDCCH상의 랜덤 액세스 식별자, 즉 RA-RNTI(Random Access - Radio Network Temporary Identifier)에 의해지시될 수 있다.

유효한 랜덤 액세스 응답을 수신한 단말은 랜덤 액세스 응답에 포함된 정보를 처리하고, 기지국으로 스케줄링된 전송을 수행한다. 예를 들어, 단말은 TAC을 적용시키고, 임시 C-RNTI를 저장한다. 또한, UL Grant를 이용하여, 단말의 버퍼에 저장된 데이터 또는 새롭게 생성된 데이터를 기지국으로 전송한다. 이 경우 단말을 식별할 수 있는 정보가 포함되어야 한다.

마지막으로 단말은 경쟁 해소를 위한 하향링크 메시지를 수신한다.

NR에서의 하향링크 제어채널은 1~3 심볼의 길이를 가지는 CORESET(Control Resource Set)에서 전송되며, 상/하향 스케줄링 정보와 SFI(Slot format Index), TPC(Transmit Power Control) 정보 등을 전송한다.

이와 같이 NR에서는 시스템의 유연성을 확보하기 위해서, CORESET 개념을 도입하였다. CORESET(Control Resource Set)은 하향링크 제어 신호를 위한 시간-주파수 자원을 의미한다. 단말은 CORESET 시간-주파수 자원에서 하나 이상의 검색 공간을 사용하여 제어 채널 후보를 디코딩할 수 있다. CORESET 별 QCL(Quasi CoLocation) 가정을 설정하였으며, 이는 종래 QCL에 의해서 가정되는 특성인 지연 스프레드, 도플러 스프레드, 도플러 쉬프트, 평균 지연 외에 아날로그 빔 방향에 대한 특성을 알리기 위한 목적으로 사용된다.

도 7은 CORESET에 대해서 설명하기 위한 도면이다.

도 7을 참조하면, CORESET은 하나의 슬롯 내에서 캐리어 대역폭 내에서 다양한 형태로 존재할 수 있으며, 시간 도메인 상에서 CORESET은 최대 3개의 OFDM 심볼로 구성될 수 있다. 또한, CORESET은 주파수 도메인 상에서 캐리어 대역폭까지 6개의 자원 블록의 배수로 정의된다.

첫 번째 CORESET은 네트워크로부터 추가 구성 정보 및 시스템 정보를 수신할 수 있도록 초기 대역폭 파트 구성의 일부로 MIB를 통해서 지시된다. 기지국과의 연결 설정 후에 단말은 RRC 시그널링을 통해서 하나 이상의 CORESET 정보를 수신하여 구성할 수 있다.

본 명세서에서 NR(New Radio)과 관련한 주파수, 프레임, 서브프레임, 자원, 자원블록, 영역(region), 밴드, 서브밴드, 제어채널, 데이터채널, 동기신호, 각종 참조신호, 각종 신호 또는 각종 메시지는 과거 또는 현재 사용되는 의미 또는 장래 사용되는 다양한 의미로 해석될 수 있다.

보다 넓은 대역폭 동작(Wider bandwidth operations)

기존 LTE 시스템(system)의 경우, 임의의 LTC CC(Component Carrier)에 대한 확장성 있는(scalable) 대역폭 동작(bandwidth operation)을 지원하였다. 즉, 주파수 배포 시나리오(deployment scenario)에 따라 임의의 LTE 사업자는 하나의 LTE CC를 구성함에 있어서, 최소 1.4 MHz부터 최대 20 MHz의 대역폭을 구성할 수 있었고, 노멀(normal) LTE 단말은 하나의 LTE CC에 대해 20 MHz 대역폭(bandwidth)의 송수신 캐퍼빌리티(capability)를 지원하였다.

하지만, NR의 경우, 하나의 광대역(wideband) NR CC를 통해 서로 다른 송수신 대역폭 캐퍼빌리티(bandwidth capability)를 갖는 NR 단말에 대한 지원이 가능하도록 그 설계가 이루어지고 있으며, 이에 따라 임의의 NR CC에 대해 세분화된 대역폭으로 구성된 하나 이상의 대역폭 파트(BWP, bandwidth part(s))를 구성하여, 단말 별로 서로 다른 대역폭 파트 구성(bandwidth part configuration) 및 활성화(activation)를 통해 플렉시블(flexible)한 보다 넓은 대역폭 동작(wider bandwidth operation)을 지원하도록 요구되고 있다.

구체적으로 NR에서는 단말 관점에서 구성된 하나의 서빙 셀(serving cell)을 통해 하나 이상의 대역폭 파트(bandwidth part)를 구성할 수 있으며, 해당 단말은 해당 서빙 셀(serving cell)에서 하나의 하향링크 대역폭 파트(DL bandwidth part)와 하나의 상향링크 대역폭 파트(UL bandwidth part)를 활성화(activation)하여 상/하향 링크 데이터 송수신을 위해 사용하도록 정의되었다. 또한 해당 단말에서 복수의 서빙 셀(serving cell)이 설정된 경우, 즉 CA이 적용된 단말에 대해서도 각각의 서빙 셀(serving cell) 별로 하나의 하향링크 대역폭 파트 및/또는 상향링크 대역폭 파트를 활성화(activation)하여 해당 서빙 셀(serving cell)의 무선 자원을 이용하여 상/하향 링크 데이터 송수신을 위해 사용하도록 정의되었다.

구체적으로 임의의 서빙 셀(serving cell)에서 단말의 최초 액세스 절차(initial access procedure)를 위한 최초 대역폭 파트(initial bandwidth part)가 정의되며, 각각의 단말 별로 dedicated RRC signalling을 통해 하나 이상의 단말 특정(UE-specific) 대역폭 파트(bandwidth part(s))가 구성되고, 또한 각각의 단말 별로 폴백 동작(fallback operation)을 위한 디폴트 대역폭 파트(default bandwidth part)가 정의될 수 있다.

단, 임의의 서빙 셀(serving cell)에서 단말의 캐퍼빌리티(capability) 및 대역폭 파트(bandwidth part(s)) 구성에 따라 동시에 복수의 하향링크 및/또는 상향링크 대역폭 파트를 활성화(activation)하여 사용하도록 정의할 수 있으나, NR rel-15에서는 임의의 단말에서 임의의 시간에 하나의 하향링크 대역폭 파트(DL bandwidth part) 및 상향링크 대역폭 파트(UL bandwidth part)만을 활성화(activation)하여 사용하도록 정의되었다.

본 개시는 AI/ML을 이용하여 빔 관리를 수행할 수 있는 단말에 대해 deployed AI/ML의 정확도(accuracy)를 측정하기 위한 방안으로 모델 모니터링을 위한 빔을 결정하는 단계 및 이와 연관된 새로운 참조 신호(RS) 자원을 정의하는 방법에 관한 것이다.

Beam management in 3GPP NR

3GPP NR의 빔 관리 방법은 초기 접속(initial access) 단계와 셀 연결(connection establishment) 이후 단계로 나눌 수 있다. 초기 접속 프로시저를 수행하는 단말은 RACH procedure를 통해 단말의 initial Tx/Rx 빔을 설정한다. 셀 연결이 없는 단말에게 gNB tx. beam 설정을 제공하기 위해 기지국은 서로 다른 방향의 빔이 매핑된 SSB를 주기적으로 반복 전송(e.g., default의 경우, 5ms 이내에 SSB들이 20ms 주기로 전송됨)한다. 단말은 주기적으로 전송되는 SSBs에 대한 신호 측정을 통해 qualified SSB를 선택하고, 해당 SSB에 대해 매핑된 PRACH preamble을 전송함으로써 selected tx beam에 대한 정보를 기지국에 알릴 수 있다.

도 8은 기지국이 빔 전송 동작을 수행할 때, 서로 다른 위치에서의 두 단말이 초기 빔 측정을 수행하는 동작을 설명하기 위한 도면이다.

도 8을 참조하면, 기지국은 동기신호 블럭(SSB)을 미리 설정된 프레임 내에서 일부 시간 주파수 자원을 사용하여 전송할 수 있다. 이 경우에 기지국은 다양한 빔을 형성하여 빔 스위핑 동작을 수행할 수 있다.

예를 들어, 빔 인덱스 0에서 11까지 공간적으로 구분되어 빔이 전송될 수 있다. 만약, UE 1이 해당 SSB에 대한 측정을 수행하면, 도 8에서와 같이 빔 방향과 매칭되는 빔 인덱스 3번에 대한 신호 세기가 가장 크게 나타나고 주변 빔들에 대해서는 그 세기가 낮게 측정될 것이다. 마찬가지로, UE 2는 위치적 특성으로 빔 인덱스 9번에 대한 신호 세기를 가장 크게 측정할 것이다. 각 단말은 SSB에 대한 신호 세기 측정 결과에 기초하여 랜덤 액세스 절차를 수행하여 기지국에 초기 접속을 수행할 수 있다.

도 9는 단말 및 기지국의 초기 접속 절차를 설명하기 위한 예시적 도면이다.

도 9를 참조하면, NR에서의 초기 접속 프로시저를 수행하는 단말의 동작은 아래와 같이 수행된다.

1. 단말은 시스템 정보 메시지를 통해 초기 접속 단계에서 필요한 셀 관련 파라미터(예를 들어, 각 SSB에 상응하는 PRACH 정보) 정보를 수신한다.

2. 단말은 주기적으로 전송되는 SSB에 대한 RSRP를 측정한다.

3. 단말은 SSB에 대한 측정 결과에 기초하여 빔(SSB) 선택을 수행한다. 예를 들어, 단말은 측정 결과에 기초하여 가장 높은 RSRP를 나타낸 빔을 선택할 수 있다.

4. 단말은 선택된 빔에 상응하는 PRACH 자원에 속하는 프리앰블을 기지국으로 전송함으로써 선택된 초기 빔 정보를 기지국으로 알릴 수 있다.

5. 단말은 전송된 랜덤 액세스 프리앰블에 대한 랜덤 액세스 응답을 선택된 빔을 통해서 수신할 수 있다. 이후, Msg 3 및 Msg 4 송수신을 통해서 초기 셀에 접속을 수행할 수 있다.

위와 같이, 최초 진입한 단말(즉, CBRA(Contention Based Random Access procedure)를 수행하는 단말)의 위치/빔 정보를 모르는 기지국은 연결이 없는 단말의 빔 설정을 위해 셀 공통적으로(cell commonly) 최대 64개의 빔을 설정할 수 있다. 단말은 자신의 위치에서 최적의 빔을 찾기 위해 모든 빔을 순차적으로 측정하는 동작을 수행한다. 이는 셀 내 빔의 수가 많아질수록 빔 선택 및 셀 연결에의 시간 지연을 초래할 뿐만 아니라, 단말이 많은 수의 빔을 측정하도록 함으로써 단말의 전력 소모를 증가시키는 원인이 될 수 있다.

기지국은 전술한 문제를 개선하기 위해 SSB에 대해서는 넓은 빔(wider beam)을 매핑함으로써 초기 접속 단말의 대략적인 위치/빔을 파악하고, 단말이 셀에 접속한 이후 빔 리파인먼트(beam refinement) 동작을 통해 좁은 빔(narrow beam)을 설정하도록 할 수 있다. 그러나, narrow beam은 단말에게 높은 데이터 레이트(data rate)를 제공해 주는 반면, 단말의 움직임이나 환경적 변화에 민감하기 반응하기 때문에 쉽게 끊김 현상이 발생할 수 있는 문제가 있다. 이를 위해 기지국은 단말에게 후보 빔이 매핑된 CSI 자원(CSI-RS/SSB)을, 도 10과 같이, 단말 특정 방식(UE-specific manner)으로 할당함으로써 단말이 주변 빔 세기를 지속적으로 측정하고 기지국으로 측정 결과를 보고하도록 한다. 이는 CSI 자원 구성(resource configuration) 및 CSI 보고 구성(report configuration)을 통해 기지국으로부터 설정될 수 있다.

빔 보고를 설정 받은 단말은 자신에게 할당된 참조 신호(Reference Signal; RS) 측정을 통해 그 결과를 기지국의 설정 기반으로 보고를 수행한다. 이는 3GPP에서 정의한 CSI framework을 따른다. 그러나, 이와 같은 UE-specific CSI 설정 방법은 셀 내 단말 수가 많아질수록 단말 당 할당되는 RS 자원 역시 급격하게 증가하게 되는 문제가 있다. 기지국은 이와 같은 자원 오버헤드 문제를 완화하기 위해 도 11에서 보는 것과 같이 유사한 위치에 있는 단말들에게는 동일 후보 빔(CSI resource)을 할당해주는 방법을 선택할 수 있다(UE group-specific CSI resource configuration). 그러나, 이동성이 서로 다른 단말들이 동일 자원을 공유하게 되면 해당 자원 영역을 벗어나는 단말에게는 새로운 후보 빔 자원을 할당해야 하는 이슈가 발생한다. 높은/중간의 모빌리티(High/medium mobility)를 가지는 단말에게 자원 오버헤드를 줄이기 위한 방법으로 최소한의 후보 빔을 할당하게 되면, 단말은 잦은 RRC 재설정을 겪게 되고 RRC를 통한 후보 빔 재설정은 상대적으로 큰 지연을 발생시키기 때문에 빔 끊김의 원인이 될 수 있다. 기지국은 이와 같은 이슈를 완화하기 위해 CSI 자원 셋(resource set)에 속하는 빔 수를 적절하게 늘리는 방법으로 후보 빔을 운용할 수 있을 것이다. 그러나 단말 입장에서는 늘어난 빔 수로 인해 측정에의 부담이 증가하게 되는 트레이드 오프(trade off) 이슈가 있다.

현재 NR에서의 빔 관리는 물리 계층에서 정의하는 프로시저 측면에서 다음과 같이 크게 3가지 (P1, P2, P3)로 나누어 정의한다. 도 12를 참조하면, P1은 앞서 기술한 초기 접속(initial access) 프로시저를 수행하는 단말의 빔 설정 방법처럼, 송수신포인트 빔 스위핑(TRP beam sweeping)과 단말 빔 스위핑(UE beam sweeping)을 동시에 수행하면서 전송/수신 빔 페어(tx/rx beam pair)를 찾는 동작이다. 커넥티드 모드(Connected mode)로 진입한 단말은 기지국으로부터 후보 빔(CSI resource set) 설정을 통해 설정 받은 빔들이 sweeping 될 것을 인지하고, 먼저 TRP beam에 대한 신호 세기 측정을 수행한다. P2를 통해 단말의 TRP beam이 선택되면, 이후 P3를 통해 기지국은 선택된 하나의 beam을 반복 전송(repetition)한다. 단말은 UE beam sweeping을 수행하면서 UE beam을 선택할 수 있다. 해당 동작에서 UE가 어떤 beam을 선택할지는 단말 구현에 맡긴다. 상기 동작은 DL/UL에 대해 모두 적용될 수 있다.

beam sweeping은 특정 후보 빔(CSI resource set) 설정을 통해 기지국이 단말에게 참조 신호 자원 정보를 알려줌으로써 빔에 대한 정보는 RS 자원 정보와 매핑되어 암묵적으로 알려주는 방법을 사용한다. 즉, 실제 빔 인덱스(index)를 단말에게 알려주기보다는 RS 자원 인디케이터(resource indicator; RI)를 이용하여 RS정보로 implicitly 매핑된 index 정보를 통해 기지국이 본인이 매핑한 빔의 정보를 인지하도록 한다. 이는 3GPP CSI framework을 이용하여 설정되고, 단말은 기지국으로부터 설정받은 자원에 대한 RS의 세기를 측정함으로써 암묵적으로 최적인(Best) 4개의 빔(RI)에 대한 RSRP 정보를 기지국으로 보고한다.

이에 대한 측정 결과를 보고하는 방법 역시 기지국의 RRC 설정에 따르고 있으며, 주기적 보고(Periodic reporting), 비주기적 보고(Aperiodic reporting), 반지속적 보고(Semi persistent reporting)의 3가지 방법 중 하나로 설정하도록 정의하고 있다.

도 13에서 보는 것과 같이, 주기적 CSI 보고 방식은 RRC 설정을 통해 트리거(trigger)된다. RRC 메시지를 통해 CSI 관련 RS 자원 및 보고 방법에 대한 설정을 수신한 단말은, 해당 메시지에 따라 주기적으로 전송되는 RS 수신을 통해 빔에 대한 신호 세기를 측정하고, 이에 대한 결과 값을 주기적으로 보고한다.

도 14는 비주기적 CSI 보고 방식으로, RRC 메시지를 통해 CSI 관련 RS 자원 및 보고 방법을 설정 받더라도 하위 계층으로의 trigger 메시지 없이는 RS를 통한 빔 측정을 수행하지 않는다. MAC CE나 DCI를 통한 트리거 지시(trigger indication)을 수신한 경우에만 해당 indication 기반으로 한 번 전송되는 RS 수신을 통해 빔에 대한 신호 세기를 측정하고, 이에 대한 결과 값을 한 번 보고한다.

도 15는 반지속적 보고 방식으로, 비주기적 CSI 보고 방식과 주기적 보고 방식의 중간 방법이며, RRC 메시지를 통해 CSI 관련 RS 자원 및 보고 방법에 대한 설정을 수신한 단말은, MAC CE에 의해 활성화(activation)된 경우에만 비활성화(deactivation) 메시지를 수신하기 전까지 주기적으로 CSI 보고를 수행한다. MAC CE를 통해 CSI reporting에 대한 deactivation 메시지를 수신하면, CSI 보고를 중지한다.

이와 같은 빔 검색(measurement)에의 지연 및 단말 전력 소모를 개선하기 위해 AI/ML 모델을 적용할 것을 고려되고 있다. 성능 향상 및/또는 복잡성/오버헤드 감소를 위해 AI/ML 기반 알고리즘의 향상된 지원을 가능하게 하는 기능으로 무선 인터페이스를 강화할 수 있다.

AI/ML 모델 적용에 대하여 중점을 둘 사용 케이스로 다음이 포함된다.

o CSI 피드백 향상, 예를 들어 오버헤드 감소, 향상된 정확도, 예측.

o 빔 관리, 예를 들어, 오버헤드 및 대기 시간 감소, 빔 선택 정확도 향상을 위한 시간 및/또는 공간 도메인 예측.

o 예를 들어 NLOS 조건이 심한 시나리오를 포함한 다양한 시나리오에 대한 포지셔닝 정확도 향상.

이와 관련하여, AI/ML 적용 무선 통신에 대하여 다음과 같이 용어가 정의될 수 있다.

데이터 수집(Data collection)은 AI/ML 모델 훈련, 데이터 분석 및 추론을 목적으로 네트워크 노드, 관리 개체 또는 UE가 데이터를 수집하는 프로세스를 의미한다.

AI/ML 모델(AI/ML Model)은 AI/ML 기술을 적용하여 일련의 입력을 기반으로 일련의 출력을 생성하는 데이터 기반 알고리즘을 의미한다. AI/ML 모델 훈련(AI/ML model training)은 입력/출력 관계를 학습하여 AI/ML 모델을 데이터 기반 방식으로 훈련하고, 추론을 위해 훈련된 AI/ML 모델을 얻는 프로세스를 의미한다. AI/ML 모델 추론(AI/ML model Inference)은 훈련된 AI/ML 모델을 사용하여 일련의 입력을 기반으로 일련의 출력을 생성하는 프로세스를 의미한다. AI/ML 모델 검증(AI/ML model validation)은 모델 훈련에 사용된 데이터세트와 다른 데이터세트를 사용하여 AI/ML 모델의 품질을 평가하는 훈련의 하위 프로세스를 의미한다. AI/ML 모델 테스트(AI/ML model testing)는 모델 훈련 및 검증에 사용된 것과 다른 데이터 세트를 사용하여 최종 AI/ML 모델의 성능을 평가하기 위한 훈련의 하위 프로세스를 의미한다. AI/ML 모델 검증과 달리 테스트에서는 모델의 후속 조정을 가정하지 않는다.

UE 측 (AI/ML) 모델(UE-side (AI/ML) model)은 추론이 전적으로 UE에서 수행되는 AI/ML 모델을 의미한다. 네트워크 측 (AI/ML) 모델(Network-side (AI/ML) model)은 추론이 전적으로 네트워크에서 수행되는 AI/ML 모델을 의미한다. 단방향 (AI/ML) 모델(One-sided (AI/ML) model)은 UE 측(AI/ML) 모델 또는 네트워크 측(AI/ML) 모델을 의미한다. 양방향 (AI/ML) 모델(Two-sided (AI/ML) model) 공동 추론이 수행되는 쌍을 이루는 AI/ML 모델을 의미한다.. 여기서 공동 추론은 UE와 네트워크 전반에 걸쳐 추론이 공동으로 수행되는 AI/ML 추론으로 구성된다. 즉, 첫 번째 부분 추론은 먼저 UE에 의해 수행되고 나머지 부분은 gNB에 의해 수행되거나 그 반대의 경우도 마찬가지이다.

AI/ML 모델 전송(AI/ML model transfer)은 수신 측에 알려진 모델 구조의 매개변수 또는 매개변수가 있는 새 모델을 통해 무선 인터페이스를 통해 AI/ML 모델을 전달하는 것을 의미한다. 전송에는 전체 모델 또는 부분 모델이 포함될 수 있다. 모델 다운로드(Model download)는 네트워크에서 UE로 모델 전송을 의미한다. 모델 업로드(Model upload)는 UE에서 네트워크로 모델 전송을 의미한다.

연합 학습/연합 훈련(Federated learning / federated training)은 로컬 데이터 샘플을 사용하여 각각 로컬 모델 훈련을 수행하는 여러 분산형 엣지 노드(예: UE, gNB)에서 AI/ML 모델을 훈련하는 기계 학습 기술을 의미한다. 이 기술에는 모델의 여러 상호 작용이 필요하지만 로컬 데이터 샘플의 교환은 필요하지 않습니다. 오프라인 필드 데이터(Offline field data)는 현장에서 수집하여 AI/ML 모델의 오프라인 학습에 사용되는 데이터이다. 온라인 필드 데이터(Online field data)는 현장에서 수집하여 AI/ML 모델의 온라인 학습에 사용되는 데이터이다.

모델 모니터링(Model monitoring)은 AI/ML 모델의 추론 성능을 모니터링하는 절차를 의미한다.

지도 학습(Supervised learning)은 입력 및 해당 레이블을 통해 모델을 학습하는 프로세스를 의미한다. 비지도 학습(Unsupervised learning)은 레이블이 지정된 데이터 없이 모델을 학습하는 프로세스를 의미한다. 준지도 학습(Semi-supervised learning)은 레이블이 있는 데이터와 레이블이 없는 데이터를 혼합하여 모델을 학습하는 프로세스를 의미한다. 강화 학습(Reinforcement Learning; RL)은 모델이 상호 작용하는 환경에서 모델의 출력(즉, 동작(action))으로 인한 입력(즉, 상태(state))과 피드백 신호(즉, 보상(reward))로부터 AI/ML 모델을 훈련하는 프로세스를 의미한다.

모델 활성화(Model activation)는 특정 기능에 대한 AI/ML 모델을 활성화하는 것을 의미한다. 모델 비활성화(Model deactivation)는 특정 기능에 대한 AI/ML 모델을 비활성화하는 것을 의미한다. 모델 스위칭(Model switching)은 현재 활성화된 AI/ML 모델을 비활성화하고 특정 기능에 대해 다른 AI/ML 모델을 활성화하는 것을 의미한다.

AI/ML 모델 적용 시, 다음과 같은 네트워크-UE 협업 수준이 고려된다.

1. 레벨 x: 협업 없음.

2. Level y: 모델 이전 없이 시그널링 기반 협업.

3. 레벨 z: 모델 전송을 통한 신호 기반 협업.

AI/ML 기반 빔 관리를 위해 특성화 및 기본 성능 평가를 위해 다음과 같이, BM-Case1 및 BM-Case2가 지원된다.

BM-Case1: 빔들의 Set B의 측정 결과를 기반으로 빔들의 Set A에 대한 공간 영역 DL 빔 예측(Spatial-domain DL beam prediction).

BM-Case2: 빔 세트 B의 과거 측정 결과를 기반으로 빔 세트 A에 대한 시간적 DL 빔 예측(Temporal DL beam prediction).

이 경우, BM-Case1 및 BM-Case2의 경우 Set A와 Set B의 빔은 동일한 주파수 범위에 있을 수 있다.

Set B는 Set A의 하위 세트로 구성되거나, Set A는 좁은 빔으로 구성되고 Set B는 넓은 빔으로 구성되는 것과 같이, Set A와 Set B가 다르게 구성될 수 있다. 여기서, Set A는 DL 빔 예측용이고 Set B는 DL 빔 측정용으로 정의될 수 있다.

이하에서는, 구체적으로 인공지능 및 머신러닝을 이용한 빔 관리에서의 모델 모니터링 방법에 대해서 관련 도면을 참조하여 설명하기로 한다.

도 16은 일 실시예에 따른 단말이 인공지능 및 머신러닝을 이용한 빔 관리에서의 모델 모니터링을 수행하는 절차(1600)를 도시한 도면이다.

도 16을 참조하면, 단말은 단말에 대하여 구성된 참조 신호(reference signal, RS)와 관련하여, AI/ML 모델의 모니터링을 위한 참조 신호의 제2 참조 신호 자원 셋(resource set) 구성 정보를 수신할 수 있다(S1610).

단말에 대하여, 예를 들어, CSI-RS 등의 참조 신호가 구성된 경우, 해당 참조 신호에 대한 전체 참조 신호 자원 셋(Set A)이 구성될 수 있다. 이 경우, 전체 참조 신호 자원 셋(Set A)은, 기존의 방식에 따라, 해당 단말에 대하여 구성될 수 있는 참조 신호 자원들의 집합을 의미할 수 있다. 또한, 각 참조 신호 자원은 각각 빔에 상응하도록 구성될 수 있다. 여기서, 참조 신호의 예로, CSI-RS를 기재하였으나, 본 개시에 따른 기술적 사상이 실질적으로 동일하게 적용될 수 있다면, 특정 신호로 한정되는 것은 아니다.

일 예에 따라, 전체 참조 신호 자원 셋(Set A) 내의 각 참조 신호 자원들에서 전송될 수 있는 각 참조 신호들에 대하여, 단말은 신호 세기 또는 신호 품질을 직접 측정한 측정값 대신, AI/ML 모델을 통하여 추론된 예측값을 획득할 수 있다. 이 경우, 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 예측값은, 전체 참조 신호 자원 셋에 기초하여 구성된, 참조 신호의 제1 참조 신호 자원 셋(Set B) 구성 정보에 기초하여 측정된 참조 신호의 측정값을 입력으로 하여 추론될 수 있다.

이를 위하여, 단말은 제2 참조 신호 자원 셋 구성 정보 이외에 제1 참조 신호 자원 셋 구성 정보를 상위계층 시그널링을 통하여 더 수신할 수 있다. 단말은 제1 참조 신호 자원 셋 구성 정보에 기초하여, 제1 참조 신호 자원 셋(Set B) 내의 참조 신호 자원을 통하여 전송되는 참조 신호에 대한 신호 세기 또는 신호 품질을 측정할 수 있다.

이 경우, 제1 참조 신호 자원 셋(Set B)은, 도 18에 도시된 것과 같이, 전체 참조 신호 자원 셋(Set A)의 일부 참조 신호 자원을 포함하는 서브셋(sub set)으로 구성될 수 있다. 또는, 제1 참조 신호 자원 셋(Set B)은, 도 19에 도시된 것과 같이, 전체 참조 신호 자원 셋(Set A)과는 다른 별도의 새로운 참조 신호 자원으로 구성될 수 있다. 이 경우, 제1 참조 신호 자원 셋(Set B)을 구성하는 참조 신호 자원의 개수는 전체 참조 신호 자원 셋(Set A)에 포함된 참조 신호 자원의 개수보다 적게 설정된다.

단말은 제1 참조 신호 자원 셋(Set B) 구성 정보에 기초하여 측정된 참조 신호의 측정값을 AI/ML 모델에 대한 입력으로 하여, 전체 참조 신호 자원 셋(Set A)에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 예측값을 획득할 수 있다. 이 경우, AI/ML 모델은, 제1 참조 신호 자원 셋(Set B)의 측정값을 입력으로 하여 전체 참조 신호 자원 셋(Set A)의 예측값을 추론할 수 있다면, 특정 모델에 한정되지 않고, 공지의 또는 이후 공지될 다양한 모델들을 포함할 수 있다.

단말은 전체 참조 신호 자원 셋(Set A)에 포함된 참조 신호 자원들 중에서 예측값이 가장 높게 추론된 참조 신호 자원부터 순서대로 N개의 참조 신호 자원(Top-N)을 결정할 수 있다. 여기서, N은 자연수로 미리 설정될 수 있다. 다만, 이는 일 예로서, N개의 참조 신호 자원을 결정하는 방식은, 필요에 따라 다르게 설정될 수 있다.

단말이 N개의 참조 신호 자원(Top-N)을 보고하면, 기지국은 보고된 정보를 참조하여 이후 단말과의 통신에서 이용할 최적의 빔을 결정할 수 있다. 기지국은 결정된 빔을 이용하여 단말과의 데이터 송수신을 수행할 수 있다.

이 경우, 전체 참조 신호 자원 셋(Set A)에 대한 예측값을 추론하는데 이용된 AI/ML 모델에 대한 모니터링을 위하여, 제2 참조 신호 자원 셋(Set C) 구성 정보가 구성될 수 있다. 일 예에 따라, 제2 참조 신호 자원 셋 구성 정보는, 참조 신호의 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 AI/ML 모델을 통하여 추론된 예측값에 따라 선택된 적어도 하나의 참조 신호 자원에 기초하여 구성될 수 있다.

일 예에 따라, 제2 참조 신호 자원 셋(Set C)은, 전술한 N개의 참조 신호 자원(Top-N)이 선택되면, N개의 참조 신호 자원으로 구성될 수 있다. 즉, 제2 참조 신호 자원 셋(Set C)에 대응하는 빔들은, 전체 참조 신호 자원 셋(Set A)의 빔들 중, 기지국으로 보고된 top-N에 속하는 빔들로 구성될 수 있다. 기지국은 단말로부터 수신한 top-N에 대한 빔들을 제2 참조 신호 자원 셋(Set C) 구성 정보를 통하여 미리 단말에 할당된 참조 신호 자원에 암묵적으로 매핑할 수 있다.

따라서, 제2 참조 신호 자원 셋 구성 정보는, 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 예측값에 따라 선택된 적어도 하나의 참조 신호 자원이 보고될 때마다 구성될 수 있다. 즉, Top-N에 대한 보고가 이루어질 때마다 단말과 기지국 사이에서, 제2 참조 신호 자원 셋(Set C)이 동적으로 구성될 수 있다.

또한, 제2 참조 신호 자원 셋 구성 정보는, 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 예측값에 따라 선택된 적어도 하나의 참조 신호 자원이 보고되는 시점 또는 제1 참조 신호 자원 셋의 전송 시점을 기준으로 하여, 시간 영역 자원 정보가 구성될 수 있다.

즉, 기지국은 적어도 제1 참조 신호 자원 셋(Set B)과 제2 참조 신호 자원 셋(Set C)을 단말 별로 할당하고, 제2 참조 신호 자원 셋(Set C)은 제1 참조 신호 자원 셋(Set B)과 시간적으로 연관되어 전송되도록 설정할 수 있다. 예를 들어, 제1 참조 신호 자원 셋(Set B)의 측정값에 기초하여 추론된 Top-N에 대한 CSI 보고 시점부터 x 슬롯 이후에 제2 참조 신호 자원 셋(Set C)이 전송되도록 설정될 수 있다. 또는, 제1 참조 신호 자원 셋(Set B)을 통한 참조 신호들의 전송 시점부터 y 슬롯 이후에 제2 참조 신호 자원 셋(Set C)이 전송되도록 설정될 수 있다.

다시 도 16을 참조하면, 단말은 제2 참조 신호 자원 셋 구성 정보에 기초하여, 참조 신호에 대한 신호 세기 또는 신호 품질을 측정(S1620)하고, 참조 신호의 측정값을 AI/ML 모델을 통하여 추론된 참조 신호의 예측값과 비교하여, AI/ML 모델의 성능 결과를 보고할 수 있다(S1630).

단말은 제2 참조 신호 자원 셋(Set C) 구성 정보에 기초하여, 제2 참조 신호 자원 셋을 통하여 전송되는 참조 신호의 신호 세기 또는 신호 품질을 측정할 수 있다. 이 경우, 단말은 해당 참조 신호가 단말이 보고한 Top-N의 빔에 대해 순차적/암묵적으로 매핑되어 전송될 것으로 기대할 수 있다. 즉, 보고된 Top-N에 대한 beam id 또는 RI(resource indicator)에 대한 오름차순/내림차순, 또는 보고된 예측값에 대한 오름차순/내림차순과 같이, 미리 약속된 순서로 제2 참조 신호 자원 셋(Set C)에 속하는 참조 신호 자원에 상응하는 RI가 매핑될 수 있다.

단말은 참조 신호의 측정값을 AI/ML 모델을 통하여 추론된 참조 신호의 예측값과 비교하여 모델의 정확도를 판단할 수 있다. 즉, 단말은 제2 참조 신호 자원 셋(Set C)에 매핑된 각 빔에 대한 측정값을, AI/ML 모델에 의해 도출된 Top-N의 대응되는 각각의 빔에 대한 예측값을 비교하여 모델의 정확도를 판단할 수 있다.

단말은 AI/ML 모델의 정확도, 업데이트 또는 재선택 등의 성능 평가 결과를 기지국으로 보고할 수 있다. 성능 평가 결과에 따라 모델 정확도가 낮은 경우, 단말은 기지국으로 AI/ML 모델 비활성화 및 변경 또는 폴백(fallback)을 요청/지시함으로써 새로운 CSI 자원 설정을 요청할 수 있다.

일 예에 따라, 성능 평가 결과의 보고는 모델 모니터링 결과에 따라 전송될 수도 있고, 생략될 수도 있다. 예를 들어, 성능 평가 결과 모델의 정확도가 소정의 값 이상인 경우 보고가 생략될 수 있다. 또는, 성능 평가 결과의 보고는 모델 모니터링 결과에 관계없이 매번 보고되도록 설정될 수 있다.

이에 따르면, 인공지능 및 머신러닝을 이용한 빔 관리에서의 모델 모니터링 방법 및 장치를 제공할 수 있다. 또한, AI/ML 모델 모니터링에서 추가적인 빔 측정의 부담을 최소화하면서, 지속적인 모델 모니터링을 통해 셀과의 연결 끊김 현상을 최소화하는 AI/ML 모델 모니터링 방법 및 장치를 제공할 수 있다.

도 17은 일 실시예에 따른 기지국이 인공지능 및 머신러닝을 이용한 빔 관리에서의 모델 모니터링을 수행하는 절차(1700)를 도시한 도면이다. 도 16에서 전술한 설명은 중복 설명을 피하기 위하여 생략될 수 있으며, 이 경우 생략된 내용은, 발명의 기술적 사상에 반하지 않는 한, 기지국에 대해서도 실질적으로 동일하게 적용될 수 있다.

도 17을 참조하면, 기지국은 단말에 대하여 구성된 참조 신호(reference signal, RS)와 관련하여, AI/ML 모델의 모니터링을 위한 참조 신호의 제2 참조 신호 자원 셋(resource set) 구성 정보를 전송할 수 있다(S1710).

단말에 대하여, 예를 들어, CSI-RS 등의 참조 신호가 구성된 경우, 해당 참조 신호에 대한 전체 참조 신호 자원 셋(Set A)이 구성될 수 있다. 이 경우, 전체 참조 신호 자원 셋(Set A)은, 기존의 방식에 따라, 해당 단말에 대하여 구성될 수 있는 참조 신호 자원들의 집합을 의미할 수 있다. 또한, 각 참조 신호 자원은 각각 빔에 상응하도록 구성될 수 있다.

이를 위하여, 기지국은 제2 참조 신호 자원 셋 구성 정보 이외에 제1 참조 신호 자원 셋 구성 정보를 상위계층 시그널링을 통하여 더 전송할 수 있다. 단말은 제1 참조 신호 자원 셋 구성 정보에 기초하여, 제1 참조 신호 자원 셋(Set B) 내의 참조 신호 자원을 통하여 전송되는 참조 신호에 대한 신호 세기 또는 신호 품질을 측정할 수 있다.

단말은 제1 참조 신호 자원 셋(Set B) 구성 정보에 기초하여 측정된 참조 신호의 측정값을 AI/ML 모델에 대한 입력으로 하여, 전체 참조 신호 자원 셋(Set A)에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 예측값을 획득할 수 있다.

다시 도 17을 참조하면, 기지국은 제2 참조 신호 자원 셋 구성 정보에 기초하여, 참조 신호를 전송(S1720)하고, 참조 신호의 측정값을 AI/ML 모델을 통하여 추론된 참조 신호의 예측값과 비교하여 획득된 AI/ML 모델의 성능 결과를 수신할 수 있다(S1730).

단말은 제2 참조 신호 자원 셋(Set C) 구성 정보에 기초하여, 제2 참조 신호 자원 셋을 통하여 전송되는 참조 신호의 신호 세기 또는 신호 품질을 측정할 수 있다. 이 경우, 단말은 해당 참조 신호가 단말이 보고한 Top-N의 빔에 대해 순차적/암묵적으로 매핑되어 전송될 것으로 기대할 수 있다. 즉, 기지국은 보고된 Top-N에 대한 beam id 또는 RI(resource indicator)에 대한 오름차순/내림차순, 또는 보고된 예측값에 대한 오름차순/내림차순과 같이, 미리 약속된 순서로 제2 참조 신호 자원 셋(Set C)에 속하는 참조 신호 자원에 상응하는 RI를 매핑시킬 수 있다.

기지국은 AI/ML 모델의 정확도, 업데이트 또는 재선택 등의 성능 평가 결과를 단말로부터 수신할 수 있다. 성능 평가 결과에 따라 모델 정확도가 낮은 경우, 기지국은 단말로부터 AI/ML 모델 비활성화 및 변경 또는 폴백(fallback)을 요청/지시함으로써 새로운 CSI 자원 설정을 요청받을 수 있다.

이하에서는, 관련도면을 참조하여, 인공지능 및 머신러닝을 이용한 빔 관리에서의 모델 모니터링 방법과 관련된 각 실시예에 대하여 구체적으로 설명하기로 한다.

종래 NR에서의 빔 관리(beam management) 동작은 빔 및 단말의 수가 많아질수록 시스템 오버헤드 증가 및 단말의 전력 소모를 증가시키는 문제를 야기한다. 뿐만 아니라 셀 초기 접속 단계에 있는 단말의 경우, 모든 빔을 측정 후 단말이 초기 빔을 선택하는 과정을 거치기 때문에 셀 접속에의 지연을 야기할 수 있다. 이와 같은 문제를 개선하기 위해 일부 빔 측정을 통해 전체 빔 세기를 예측하는 AI/ML 모델을 이용할 것이 제안되고 있으나, 이를 위한 자세한 프로시저나 방안에 대한 내용은 아직 정의되지 않은 상태이다. 본 개시의 기술은 AI/ML을 이용한 효과적인 빔 관리 방안 중에서도 모델 모니터링을 위한 보다 구체적인 동작을 제안하고자 한다.

현재 빔 관리를 위한 AI/ML에 대한 논의가 시작되었고, spatial DL beam prediction(BM-Case1)및 temporal DL beam prediction(BM-Case2)을 sub use case로 논의할 것에 대해 동의되었다. 이는 Set B에 속하는 빔들의 측정을 통해 Set A에 대한 빔의 세기를 예측하도록 한다. Spatial DL beam prediction의 경우, 도 18과 같이, Set B는 Set A의 subset으로 구성될 수 있다. 또는, 도 19와 같이, Set B는 wide beam으로 구성되고 Set A는 narrow beam으로 구성되는 서로 다른 빔들로 구성될 수 있다. temporal DL beam prediction의 경우, 도 18, 도 19의 경우 외에도 Set A와 Set B가 동일한 집합으로 구성된 집합이 추가로 고려된다. Temporal DL beam prediction은 과거 빔 측정 정보를 기반으로 미래 빔 정보를 예측하는 것으로, spatial DL beam prediction이 기반이 되어 전체 빔을 예측한 후 이를 Temporal DL beam prediction에 적용하는 방안이 고려될 수 있다. 이와 같은 이유로 spatial DL beam prediction의 도 18, 도 19의 경우가 기본적인 빔 예측 방안으로 사용될 수 있다.

AI/ML 기반 빔 예측(AI/ML based beam prediction)은 AI/ML 모델의 위치 및 훈련/추론(training/inference) 주체에 따라 서로 다른 프로시저가 정의될 수 있다. 현재 모델 추론(model inference) 동작을 수행하는 주체를 한 노드에서 진행할지, 네트워크(NW) 및 UE가 공동으로(jointly) 진행할 지에 따라, One-sided (AI/ML) model 또는 Two-sided (AI/ML) model로 용어가 정의되었다. 또한, AI/ML based BM 경우 one-sided model만을 고려하기로 결정한 상태이다. 이는 훈련(training)을 어디서 수행하느냐에 따라 협업 레벨(collaboration level)이 결정될 수 있으며, 다음과 같은 4가지 형태로 빔 관리(BM)가 동작할 수 있다.

1. 네트워크 측에서 AI/ML model training 및 inference를 수행.

2. 단말 측에서 AI/ML model training 및 inference를 수행.

3. 네트워크 측에서 AI/ML model training을 수행하고, 단말 측에서 AI/ML model inference를 수행.

4. 단말 측에서 AI/ML model training을 수행하고, 네트워크 측에서 AI/ML model inference를 수행.

전술한 1, 2의 경우, 하나의 노드에서 training/inference가 모두 동작하기 때문에, 무선 인터페이스(air interface)로의 모델 전송(model transfer)을 요구하지 않는다. 다만, AI/ML model을 동작시키기 위해 필요한 정보가 시그널링될 필요가 있을 수 있다. 이는 현재 정의된 collaboration level y (model transfer없이 시그널링만을 송수신)에 해당될 수 있다. 전술한 3, 4의 경우, 서로 다른 노드에서 training과 inference가 동작하기 때문에, air interface로의 model transfer가 요구된다. 이는 현재 정의된 collaboration level z에 해당될 수 있다.

또한, AI/ML을 이용한 빔 관리 방법은 전체 빔(Set A)에 대한 신호 세기를 예측하기 위해 전체 빔 중의 일부 빔, 또는 전체 빔과 다른 빔에 대한 측정을 통해, 전체 빔 측정의 부담 감소뿐만 아니라 RS에 대한 오버헤드 감소 효과를 기대하고 있다. 그러나, 만약 예측된 Set A에 대한 빔들의 예측 값이 정확하지 않다면, AI/ML을 이용하는 방법은 정확하지 않은 빔을 선택하게 함으로써, 잦은 빔 실패를 야기하거나 지속적인 연결 끊김 현상을 야기할 수 있다. 이를 해결하기 위해서는 예측된 빔의 정확도를 지속적으로 모니터링하는 과정도 무엇보다 중요하다. 빔의 정확도를 모니터링하기 위해서는 Set A에 속하는 빔들의 실제 측정값과 예측값의 비교가 필요하지만 Set A에 대한 모든 빔을 추론할 때마다 매번 Set A의 빔을 측정하기에는 단말의 측정 부담이 커지게 된다.

추론(Inference)와 훈련(training)이 수행되는 위치는 모델 모니터링 방법에도 영향을 미칠 수 있다. 즉, inference 주체가 모니터링을 수행하고, 이에 대한 결과값은 training 주체에게 전달되어야 함은 명확하다. 이는 모델 모니터링 결과가 새로운 training을 통해 모델 업데이트를 수행하도록 할 수도 있기 때문이다. 뿐만 아니라 training과 inference를 하나의 노드에서 수행하더라도, 필요에 따라 모델 모니터링의 결과는 새로운 프로시저를 trigger할 수 있기 때문에, 이런 이유로 기지국 또는 단말로, 모델 성능에 따른 피드백(feedback)이 전달될 필요가 있을 수 있다.

본 개시는 전술한 내용을 바탕으로 AI/ML을 이용하여 빔 관리를 수행하는 경우, 효과적인 AI/ML model monitoring을 위한 구체적인 방안에 대해 제안하고자 한다.

본 개시의 기술은 AI/ML model을 이용하여 기지국(NW)과 단말 사이의 빔 관리 프로시저를 수행하는 경우, AI/ML 모델의 추론된 빔들(Set A)의 결과 값(output)에 대한 정확도를 판단하기 위한 방안으로, AI/ML model monitoring을 위한 빔들의 집합으로 구성된 Set C를 정의할 것을 제안한다. 여기서, Set C는 모델 모니터링 목적으로 사용되는 하나 이상의 빔으로 구성되고, 모델 모니터링을 수행하는 노드에 의해 Set A의 서브셋(subset)으로 빔들이 선택/정의될 수 있다.

본 개시에서 Set A는 하향링크 빔 예측(DL beam prediction)을 위한 것이고, Set B는 하향링크 빔 측정(DL beam measurement)을 위한 것으로 정의될 수 있다.

좀 더 구체적으로, 상기 제안된 Set C는 AI/ML모델에 의해 도출된 Set A의 빔들 중 임의의 알고리즘(예를 들어, highest RSRP)에 의해 선택된 N개의 빔(예를 들어, RSRP가 가장 높은 빔 부터 순서대로 N개(top-N))으로 구성될 수 있다. Set C를 구성하는 빔의 정보는 모델 추론 위치에 따라 단말 또는 기지국에 의해 결정될 수 있다. 단말이 모델 추론을 수행하는 경우, Set C는 단말이 모델 추론을 통해 도출된 Set A의 빔들 중, 기지국으로의 보고를 위해 선택된 top-N에 속하는 빔들로 구성될 수 있고, top-N에 대한 보고가 이루어질 때마다 단말과 기지국 사이에 동적으로 구성될 수 있다. 이 때, NW(network)은 단말로부터 수신한 top-N에 대한 빔들을 Set C를 위해 미리 단말에게 할당한 RS 자원에 암묵적으로 매핑해 줌으로써 기지국과 단말이 Set C에 대한 구성을 서로 인지하고 측정을 위한 자원 매핑을 수행할 수 있게 한다. 단말은 AI/ML모델에 의해 추론된 set C에 대한 출력(output)의 결과값과 실제 측정된 set C에 대한 측정값을 비교함으로써 모델 정확도를 판단할 수 있다. NW이 모델 추론을 수행하는 경우에는 기지국에서 모델 추론에 의해 도출된 Set A의 빔들 중 임의로 선택된 빔들로 Set C의 빔들이 구성될 수 있고, 이는 기지국 구현에 따를 수 있다.

여기서, 기지국은 단말이 Set B와 Set C를 구성하는 빔에 대한 신호 세기를 각각 측정하도록 하기 위해, 적어도 두 개의 서로 다른 CSI resource set을 RRC 메시지를 통해 설정할 수 있다. 즉, 적어도 Set B에 속하는 빔들에 매핑된 1^st CSI resource set 과 Set C에 대한 2^nd CSI resource set이 단말 별로 할당될 수 있다. 여기서, Set C를 위한 2^nd CSI resource set은 Set B를 위한 1^st CSI resource set과 시간적으로 연관되어 전송되도록 설정될 수 있다. 좀 더 구체적으로, 1^st CSI resource set에 대한 보고와 연관된 시점(예를 들어, 보고 시점에서 x slots 이후)에 2^nd CSI resource set이 전송되도록 설정될 수 있다.

또한, 2^nd CSI resource set을 통해 측정된 빔들의 신호 세기는 추론된 예측값들과의 비교를 통해 모델 성능을 평가하는데 이용될 수 있다.

일 예에 따라, 단말이 모델 추론을 수행하는 경우에 있어서 단말의 동작을 설명한다. 단말은 AI/ML 모델의 input으로 사용할 빔(set B)을 측정하기 위한 RS 자원 정보(CSI resource set for Set B) 외에도 AI/ML 모델의 성능을 평가하기 위해 사용할 빔(Set C)을 위한 RS 자원 정보(CSI resource set for Model monitoring/Set C)를 추가로 설정받을 수 있다. 이 때, 단말은 모델 추론을 위한 빔 측정(Set B) 이후 해당 추론의 정확도를 판단하기 위한 추가적인 빔 측정(Set C)을 Set B에 대한 보고 시점과 연관되어 수행할 수 있다. 단말은 Set C에 대한 예측값과 측정값을 비교함으로써 모델 정확도를 판단할 수 있다. Set C에 대한 빔의 측정(measurement) 결과에 대한 보고는, 일 예에 따라, 종래의 측정값이 아닌, 해당 모델의 성능 평가 결과(예를 들어, 정확도(accuracy), 모델 업데이트(model update) 또는 재선택(reselection) 등) 또는 폴백 지시(fallback indication; 예를 들어, AI/ML model을 이용하지 않는 빔 관리 프로시저로의 fallback)을 기지국으로 전송할 수 있다.

본 개시의 실시예들에 따른 상세한 프로시저는 모델 추론 위치가 NW(gNB) 또는 UE인지에 따라 다음과 같이 크게 두가지로 정의될 수 있다.

단말이 모델 추론을 수행하는 경우 , 도 20을 참조하면, 단말 및 기지국의 동작은 각각 다음과 같다.

(단말 동작)

1. 단말은 적어도 두 개의 CSI resource set(s)에 대한 정보를 포함한 RRC configuration 메시지를 기지국으로부터 수신할 수 있다.

RRC configuration 메시지는 첫 번째 CSI resource set과 이에 대한 보고 방식 및 두 번째 CSI resource set과 이에 대한 보고 방식에 대한 설정 정보를 포함할 수 있다.

여기서, 첫 번째 CSI resource set에 대한 설정 정보는 종래 기술과 동일하게 구성될 수 있다.

본 개시에 따르면, 첫 번째 CSI resource set과 연관된 두 번째 CSI resource set의 설정 방법 및 보고 방식이 새롭게 정의될 수 있다.

두 번째 CSI resource set에 대한 시간적 자원 정보는 첫 번째 CSI resource set 에 대한 보고 시점과 연관되어 설정될 수 있다.

두 번째 CSI resource set에 속하는 RS resource(빔)의 개수는 첫 번째 CSI resource set을 측정한 단말이 AI/ML 모델을 통해 Set A에 대한 예측값을 추론하고, 이 중 기지국으로 보고하는 빔 개수에 해당하는 N개의 RS resource로 설정될 수 있다. 예를 들어, 두 번째 CSI resource set의 시간 자원 정보는 첫 번째 CSI resource set에 매핑된 빔들의 측정을 기반으로 추론된 Top-N에 대한 CSI 보고 시점 또는 첫번째 CSI resource set의 전송 시점을 기준으로 설정된 값(예를 들어, x slots)이 전송될 수 있다. 여기서 N은 측정값이 높은 순서대로의 N개에 해당하는 Top-N을 의미할 수 있다.

두 번째 CSI resource set에 대한 보고 방식은 종래의 빔 측정 결과를 보고하는 것과 달리, 모델 모니터링 결과 값에 해당하는 요청 정보에 대한 설정을 포함할 수 있다. 예를 들어, 모델 정확도(accuracy), 모델 비활성화/변경 등과 관련된 정보, 또는 fallback indication 등이 보고될 수 있다.

2. 단말은 첫 번째 CSI resource set(Set B)에서 전송되는 RS(s)의 신호 세기를 측정할 수 있다.

3. 단말은 측정된 빔 정보(Set B)를 AI/ML 모델의 입력 값으로 이용하여 전체 빔(Set A)에 대한 예측 값을 추론할 수 있다.

4. 단말은 추론에 의해 도출된 예측 값 중 Top-N에 속하는 빔(Set C)에 대한 정보를 포함한 CSI report를 1의 설정에 따라 기지국으로 전송할 수 있다.

5. 필요시, 단말은 기지국으로부터 새로운 서빙 빔(serving beam)에 대한 정보를 수신할 수 있다. (Beam indication)

6. 단말은 1의 설정에 따라 2^nd CSI resource set에 대한 RS(s)의 신호 세기를 측정한다. 단말은 해당 RS가 단말이 보고한 Top-N의 빔에 대해 순차적/암묵적으로 매핑되어 전송될 것을 기대한다.

여기서, 순차적/암묵적이라는 것은 보고된 Top-N에 대한 beam id 또는 RI(resource indicator)에 대한 오름차순/내림차순, 또는 보고된 예측값(예를 들어, RSRP)에 대한 오름차순/내림차순과 같이, 미리 약속된 순서로 2^nd CSI resource set에 속하는 RS에 상응하는 RI와 매핑됨을 의미할 수 있다.

7. 단말은 2^nd CSI resource set에 대해 매핑된 빔의 측정된 신호 세기와 추론에 의해 도출된 예측 값 Top-N의 값을 비교함으로써 모델의 정확도를 판단할 수 있다.

8. 단말은 1의 설정에 따라, 기지국으로 모델 성능 평가 결과를 전송할 수 있다.

이는 모델 모니터링 결과에 따라 전송될 수도 있고, 생략될 수도 있다. 또는 매번 결과를 알리는 방법이 사용될 수도 있다.

만약, 성능 평가 결과에 따라 모델 정확도가 낮은 경우, 단말은 기지국에게 AI/ML 모델 비활성화 및 변경 또는 fallback을 요청/지시함으로써 새로운 CSI 자원 설정을 요청할 수 있다.

(기지국 동작)

1. 기지국은 적어도 두 개의 CSI resource set(s)에 대한 정보를 포함한 RRC configuration 메시지를 단말로 전송할 수 있다.

여기서, 첫 번째 CSI resource set에 대한 설정 정보는 종래 기술과 동일할 수 있다.

두 번째 CSI resource set에 속하는 RS resource 개수는 단말이 기지국으로 보고하는 빔 개수에 해당하는 N개의 RS resource가 설정될 수 있다. 예를 들어, 시간 자원 정보는 첫 번째 CSI resource set에 매핑된 빔들의 측정을 기반으로 추론된 Top-N에 대한 CSI 보고 시점 또는 첫번째 CSI resource set의 전송 시점을 기준으로 설정된 값(예를 들어, x slots)이 전송될 수 있음을 의미한다.

2. 기지국은 첫 번째 CSI resource set을 이용하여 Set B에 대한 빔들이 매핑된 RS를 1의 설정에 따라 전송할 수다.

3. 기지국은 단말로부터 N개의 빔(Set C)에 대한 정보를 포함한 CSI report를 수신할 수 있다.

4. 필요시, 기지국은 하나의 빔을 선택하여 단말에게 선택된 빔에 대한 정보를 알릴 수 있다. (beam indication)

5 기지국은 3에서 수신한 CSI report에 포함된 빔을 1에서 미리 할당한 2^nd CSI resource set에 대한 RS(s)에 순차적/암묵적으로 매핑하여 전송할 수 있다.

여기서, 순차적/암묵적이라는 것은 단말로부터 보고받은 Top-N에 대한 beam id 또는 RI(resource indicator)에 대한 오름차순/내림차순, 또는 보고된 예측 값(e.g., RSRP)에 대한 오름차순/내림차순과 같이 미리 약속된 순서로 2^nd CSI resource set에 속하는 RS에 상응하는 RI와 매핑됨을 의미한다.

6. 기지국은 단말로부터 모델 성능 평가 결과를 수신할 수 있다.

이는 모델 모니터링 결과에 따라 수신될 수도 있고, 생략될 수도 있다. 또는 매번 결과를 수신하는 방법으로 정의될 수도 있다.

만약, 성능 평가 결과에 따라 모델 정확도가 낮은 경우, 단말은 기지국에게 AI/ML 모델 비활성화 및 변경 또는 fallback을 요청/지시함으로써 새로운 CSI 자원 설정을 요청하는 의미로 해당 결과가 사용될 수 있다.

기지국/NW이 모델 추론을 수행하는 경우 , 도 21을 참조하면, 기지국 및 단말의 동작은 각각 다음과 같다.

(기지국 동작)

1. 기지국은 적어도 두 개의 CSI resource set에 대한 정보를 포함한 RRC configuration 메시지를 단말로 전송할 수 있다.

본 개시에 따르면, 첫 번째 CSI resource set과 연관된 두 번째 CSI resource set의 설정 및 보고 방법에 대해 새롭게 정의될 수 있다.

두 번째 CSI resource set에 대한 시간적 자원 정보는 첫 번째 CSI resource set 에 대한 보고 시점과 연관되어 설정될 수 다. 예를 들어, 시간 자원 정보는 첫 번째 CSI resource set에 매핑된 빔들의 측정에 대한 결과 값에 대한 CSI 보고 시점 또는 첫번째 CSI resource set의 전송 시점을 기준으로 설정된 값(예를 들어, x slots)이 전송될 수 있음을 의미한다.

두 번째 CSI resource set에 대한 보고 시점 정보 역시 첫 번째 CSI resource set 에 대한 보고 시점과 연관되어 설정될 수 있다. 예를 들어, 시간 자원 정보는 첫 번째 CSI resource set에 매핑된 빔들의 측정에 대한 결과 값에 대한 CSI 보고 시점 또는 첫번째 CSI resource set의 전송 시점을 기준으로 설정된 값(예를 들어, y slots)이 전송될 수 있음을 의미한다.

2. 기지국은 첫 번째 CSI resource set을 이용하여 Set B에 대한 빔들이 매핑된 RS를 1의 설정에 따라 전송할 수 있다.

3. 기지국은 단말로부터 상기 첫번째 CSI resource set에 매핑된 빔(Set B)에 대한 측정 값을 포함한 CSI report를 수신할 수 있다.

4. 기지국은 3에서 수신한 CSI report에 포함된 빔 정보를 AI/ML 모델의 입력 값으로 이용하여 전체 빔(Set A)에 대한 예측 값을 추론할 수 있다.

5. 필요시, 기지국은 추론된 빔(Set A)에 대한 예측 값 중, 하나의 빔(best beam)을 선택하여 단말에게 선택된 빔에 대한 정보를 알릴 수 있다.

6. 기지국은 Set A 중 Set B에 속하지 않는 N개의 빔(Set C)을 임의로 선택하여 2^nd CSI resource set의 RS에 매핑하여 1의 설정에 따라 단말에게 전송할 수 있다.

7. 기지국은 단말로부터 Set C에 대한 측정 결과를 1의 설정에 따른 시점에 수신할 수 있다.

8. 기지국은 7에서 수신한 측정 결과와 5에서 추론한 예측 결과 값을 비교하여 모델 모니터링을 수행할 수 있다.

9. 기지국은 모델 성능 평가 결과에 따라 단말에게 새로운 설정을 지시할 수 있다.

이는 모델 모니터링 결과에 따라 전송될 수도 있고, 생략될 수도 있다.

만약, 성능 평가 결과에 따라 모델 정확도가 낮은 경우, 기지국은 AI/ML 모델 비활성화 및 변경, 또는 fallback에 따라 새로운 CSI 자원 설정을 단말로 지시할 수 있다.

(단말 동작)

1. 단말은 적어도 두 개의 CSI resource set에 대한 정보를 포함한 RRC configuration 메시지를 기지국으로부터 수신할 수 있다.

첫 번째 CSI resource set과 이에 대한 보고 방식 및 두 번째 CSI resource set과 이에 대한 보고 방식에 대한 설정 정보를 포함할 수 있다.

두 번째 CSI resource set에 대한 시간적 자원 정보는 첫 번째 CSI resource set 에 대한 보고 시점과 연관되어 설정될 수 있다. 예를 들어, 시간 자원 정보는 첫 번째 CSI resource set에 매핑된 빔들의 측정에 대한 결과 값에 대한 CSI 보고 시점 또는 첫번째 CSI resource set의 전송 시점을 기준으로 설정된 값(e.g., x slots)이 전송될 수 있음을 의미한다.

두 번째 CSI resource set에 대한 보고 시점 정보 역시 첫 번째 CSI resource set 에 대한 보고 시점과 연관되어 설정될 수 있다. 예를 들어, 시간 자원 정보는 첫 번째 CSI resource set에 매핑된 빔들의 측정에 대한 결과 값에 대한 CSI 보고 시점 또는 첫번째 CSI resource set의 전송 시점을 기준으로 설정된 값(e.g., y slots)이 전송될 수 있음을 의미한다.

2. 단말은 첫 번째 CSI resource set을 이용하여 Set B에 대한 빔들이 매핑된 RS의 신호 세기를 1의 설정에 따라 측정할 수 있다.

3. 단말은 기지국으로 상기 첫번째 CSI resource set에 매핑된 빔(Set B)에 대한 측정 값을 포함한 CSI report를 전송/보고할 수 있다.

4. 필요시, 단말은 기지국으로부터 선택된 빔에 대한 정보를 수신할 수 있다. (beam indication)

5. 단말은 1의 설정에 따라 3의 전송 시점과 연관되어 전송되는 2^nd CSI resource set(Set C)의 RS에 대한 신호 세기를 측정할 수 있다.

6. 단말은 5의 측정 결과를 1의 설정에 따른 시점에 기지국으로 보고/전송할 수 있다.

7. 모델 성능 평가 결과에 따라 단말은 기지국으로부터 새로운 설정을 지시 받을 수 있다.

이는 기지국의 모델 모니터링 결과에 따라 전송될 수도 있고, 생략될 수도 있다.

전술한 바와 같이, AI/ML을 이용한 빔 관리 기법을 수행하는 경우, AI/ML 모델의 정확도가 낮은 경우, 잦은 빔 전환 및 연결 끊김 현상으로 통신 품질이 저하되는 현상으로 이어질 수 있다. 이와 같이 잘못된 빔 예측으로 인한 잦은 연결 끊김 현상을 막기 위한 방안으로 AI/ML 모델 추론을 수행하면서 지속적인 모델 모니터링을 수행해야 한다. 그러나 종래의 모델 모니터링 방법은 도출된 모든 빔의 측정을 통해 추론된 빔의 결과값과 비교하도록 함으로써, 모델 모니터링을 추론마다 수행하기에는 큰 측정 부담을 초래했다. 본 개시에 따르면, Set C라는 새로운 빔 집합을 암묵적으로 정의함으로써 모델 모니터링을 위한 설정 시그널링을 최소화하면서, 단말이 모델 정확도를 추론마다 최소한의 빔 측정을 통해 판단하도록 한다. 이는 추가적인 빔 측정에의 부담을 최소화하면서, 지속적인 모델 모니터링을 통해 셀과의 연결 끊김 현상을 최소화하는 효과가 있다.

이하, 도 1 내지 도 21을 참조하여 설명한 본 실시예들의 일부 또는 전부를 수행할 수 있는 단말과 기지국의 구성을 도면을 참조하여 설명한다. 전술한 설명은 중복 설명을 피하기 위하여 생략될 수 있으며, 이 경우 생략된 내용은, 발명의 기술적 사상에 반하지 않는 한, 이하의 설명에 대해서도 실질적으로 동일하게 적용될 수 있다.

도 22는 또 다른 실시예에 의한 단말(2200)의 구성을 보여주는 도면이다.

도 22를 참조하면, 또 다른 실시예에 의한 단말(2200)은 송신부(2220), 수신부(2230) 및 송신부와 수신부를 제어하는 제어부(2210)를 포함한다.

제어부(2210)는 전술한 본 실시예들을 수행하기에 필요한 인공지능 및 머신러닝을 이용한 빔 관리에서의 모델 모니터링 방법에 따른 전반적인 단말(2200)의 동작을 제어한다.

송신부(2220)와 수신부(2230)는 전술한 본 실시예들을 수행하기에 필요한 신호나 메시지, 데이터를 기지국과 송수신하는데 사용된다.

제어부(2210)는 단말에 대하여 구성된 참조 신호(reference signal, RS)와 관련하여, AI/ML 모델의 모니터링을 위한 참조 신호의 제2 참조 신호 자원 셋(resource set) 구성 정보를 수신할 수 있다.

일 예에 따라, 전체 참조 신호 자원 셋(Set A) 내의 각 참조 신호 자원들에서 전송될 수 있는 각 참조 신호들에 대하여, 제어부(2210)는 신호 세기 또는 신호 품질을 직접 측정한 측정값 대신, AI/ML 모델을 통하여 추론된 예측값을 획득할 수 있다. 이 경우, 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 예측값은, 전체 참조 신호 자원 셋에 기초하여 구성된, 참조 신호의 제1 참조 신호 자원 셋(Set B) 구성 정보에 기초하여 측정된 참조 신호의 측정값을 입력으로 하여 추론될 수 있다.

이를 위하여, 제어부(2210)는 제2 참조 신호 자원 셋 구성 정보 이외에 제1 참조 신호 자원 셋 구성 정보를 상위계층 시그널링을 통하여 더 수신할 수 있다. 제어부(2210)는 제1 참조 신호 자원 셋 구성 정보에 기초하여, 제1 참조 신호 자원 셋(Set B) 내의 참조 신호 자원을 통하여 전송되는 참조 신호에 대한 신호 세기 또는 신호 품질을 측정할 수 있다.

제어부(2210)는 제1 참조 신호 자원 셋(Set B) 구성 정보에 기초하여 측정된 참조 신호의 측정값을 AI/ML 모델에 대한 입력으로 하여, 전체 참조 신호 자원 셋(Set A)에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 예측값을 획득할 수 있다.

제어부(2210)는 전체 참조 신호 자원 셋(Set A)에 포함된 참조 신호 자원들 중에서 예측값이 가장 높게 추론된 참조 신호 자원부터 순서대로 N개의 참조 신호 자원(Top-N)을 결정할 수 있다. 여기서, N은 자연수로 미리 설정될 수 있다. 다만, 이는 일 예로서, N개의 참조 신호 자원을 결정하는 방식은, 필요에 따라 다르게 설정될 수 있다.

제어부(2210)가 N개의 참조 신호 자원(Top-N)을 보고하면, 기지국은 보고된 정보를 참조하여 이후 단말과의 통신에서 이용할 최적의 빔을 결정할 수 있다. 기지국은 결정된 빔을 이용하여 단말과의 데이터 송수신을 수행할 수 있다.

제어부(2210)는 제2 참조 신호 자원 셋 구성 정보에 기초하여, 참조 신호에 대한 신호 세기 또는 신호 품질을 측정할 수 있다. 또한, 제어부(2210)는 참조 신호의 측정값을 AI/ML 모델을 통하여 추론된 참조 신호의 예측값과 비교하여, AI/ML 모델의 성능 결과를 보고할 수 있다.

제어부(2210)는 제2 참조 신호 자원 셋(Set C) 구성 정보에 기초하여, 제2 참조 신호 자원 셋을 통하여 전송되는 참조 신호의 신호 세기 또는 신호 품질을 측정할 수 있다. 이 경우, 제어부(2210)는 해당 참조 신호가 단말이 보고한 Top-N의 빔에 대해 순차적/암묵적으로 매핑되어 전송될 것으로 기대할 수 있다.

제어부(2210)는 참조 신호의 측정값을 AI/ML 모델을 통하여 추론된 참조 신호의 예측값과 비교하여 모델의 정확도를 판단할 수 있다. 즉, 제어부(2210)는 제2 참조 신호 자원 셋(Set C)에 매핑된 각 빔에 대한 측정값을, AI/ML 모델에 의해 도출된 Top-N의 대응되는 각각의 빔에 대한 예측값을 비교하여 모델의 정확도를 판단할 수 있다.

제어부(2210)는 AI/ML 모델의 정확도, 업데이트 또는 재선택 등의 성능 평가 결과를 기지국으로 보고할 수 있다. 성능 평가 결과에 따라 모델 정확도가 낮은 경우, 제어부(2210)는 기지국으로 AI/ML 모델 비활성화 및 변경 또는 폴백(fallback)을 요청/지시함으로써 새로운 CSI 자원 설정을 요청할 수 있다.

도 23은 또 다른 실시예에 의한 기지국(2300)의 구성을 보여주는 도면이다.

도 23을 참조하면, 또 다른 실시예에 의한 기지국(2300)은 송신부(2320), 수신부(2330) 및 송신부와 수신부를 제어하는 제어부(2310)를 포함한다.

제어부(2310)는 전술한 본 실시예들을 수행하기에 필요한 인공지능 및 머신러닝을 이용한 빔 관리에서의 모델 모니터링 방법에 따른 전반적인 기지국(2300)의 동작 및 중계기의 동작을 제어한다.

송신부(2320)와 수신부(2330)는 전술한 본 실시예들을 수행하기에 필요한 신호나 메시지, 데이터를 단말과 송수신하는데 사용된다.

제어부(2310)는 단말에 대하여 구성된 참조 신호(reference signal, RS)와 관련하여, AI/ML 모델의 모니터링을 위한 참조 신호의 제2 참조 신호 자원 셋(resource set) 구성 정보를 전송할 수 있다.

이를 위하여, 제어부(2310)는 제2 참조 신호 자원 셋 구성 정보 이외에 제1 참조 신호 자원 셋 구성 정보를 상위계층 시그널링을 통하여 더 전송할 수 있다. 단말은 제1 참조 신호 자원 셋 구성 정보에 기초하여, 제1 참조 신호 자원 셋(Set B) 내의 참조 신호 자원을 통하여 전송되는 참조 신호에 대한 신호 세기 또는 신호 품질을 측정할 수 있다.

단말이 N개의 참조 신호 자원(Top-N)을 보고하면, 제어부(2310)는 보고된 정보를 참조하여 이후 단말과의 통신에서 이용할 최적의 빔을 결정할 수 있다. 제어부(2310)는 결정된 빔을 이용하여 단말과의 데이터 송수신을 수행할 수 있다.

일 예에 따라, 제2 참조 신호 자원 셋(Set C)은, 전술한 N개의 참조 신호 자원(Top-N)이 선택되면, N개의 참조 신호 자원으로 구성될 수 있다. 즉, 제2 참조 신호 자원 셋(Set C)에 대응하는 빔들은, 전체 참조 신호 자원 셋(Set A)의 빔들 중, 기지국으로 보고된 top-N에 속하는 빔들로 구성될 수 있다. 제어부(2310)는 단말로부터 수신한 top-N에 대한 빔들을 제2 참조 신호 자원 셋(Set C) 구성 정보를 통하여 미리 단말에 할당된 참조 신호 자원에 암묵적으로 매핑할 수 있다.

즉, 제어부(2310)는 적어도 제1 참조 신호 자원 셋(Set B)과 제2 참조 신호 자원 셋(Set C)을 단말 별로 할당하고, 제2 참조 신호 자원 셋(Set C)은 제1 참조 신호 자원 셋(Set B)과 시간적으로 연관되어 전송되도록 설정할 수 있다. 예를 들어, 제1 참조 신호 자원 셋(Set B)의 측정값에 기초하여 추론된 Top-N에 대한 CSI 보고 시점부터 x 슬롯 이후에 제2 참조 신호 자원 셋(Set C)이 전송되도록 설정될 수 있다. 또는, 제1 참조 신호 자원 셋(Set B)을 통한 참조 신호들의 전송 시점부터 y 슬롯 이후에 제2 참조 신호 자원 셋(Set C)이 전송되도록 설정될 수 있다.

제어부(2310)는 제2 참조 신호 자원 셋 구성 정보에 기초하여, 참조 신호를 전송하고, 참조 신호의 측정값을 AI/ML 모델을 통하여 추론된 참조 신호의 예측값과 비교하여 획득된 AI/ML 모델의 성능 결과를 수신할 수 있다.

단말은 제2 참조 신호 자원 셋(Set C) 구성 정보에 기초하여, 제2 참조 신호 자원 셋을 통하여 전송되는 참조 신호의 신호 세기 또는 신호 품질을 측정할 수 있다. 이 경우, 단말은 해당 참조 신호가 단말이 보고한 Top-N의 빔에 대해 순차적/암묵적으로 매핑되어 전송될 것으로 기대할 수 있다. 즉, 제어부(2310)는 보고된 Top-N에 대한 beam id 또는 RI(resource indicator)에 대한 오름차순/내림차순, 또는 보고된 예측값에 대한 오름차순/내림차순과 같이, 미리 약속된 순서로 제2 참조 신호 자원 셋(Set C)에 속하는 참조 신호 자원에 상응하는 RI를 매핑시킬 수 있다.

제어부(2310)는 AI/ML 모델의 정확도, 업데이트 또는 재선택 등의 성능 평가 결과를 단말로부터 수신할 수 있다. 성능 평가 결과에 따라 모델 정확도가 낮은 경우, 제어부(2310)는 단말로부터 AI/ML 모델 비활성화 및 변경 또는 폴백(fallback)을 요청/지시함으로써 새로운 CSI 자원 설정을 요청받을 수 있다.

전술한 실시예들은 무선 접속 시스템들인 IEEE 802, 3GPP 및 3GPP2 중 적어도 하나에 개시된 표준 문서들에 의해 뒷받침될 수 있다. 즉, 본 실시 예들 중 본 기술적 사상을 명확히 드러내기 위해 설명하지 않은 단계, 구성, 부분들은 전술한 표준 문서들에 의해 뒷받침될 수 있다. 또한, 본 명세서에서 개시하고 있는 모든 용어들은위에서 개시한 표준 문서들에 의해 설명될 수 있다.

상술한 본 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.

하드웨어에 의한 구현의 경우, 본 실시예들에 따른 방법은 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, 컨트롤러, 마이크로 컨트롤러 또는 마이크로 프로세서 등에 의해 구현될 수 있다.

펌웨어나 소프트웨어에 의한 구현의 경우, 본 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 장치, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리 유닛은 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.

또한, 위에서 설명한 "시스템", "프로세서", "컨트롤러", "컴포넌트", "모듈", "인터페이스", "모델", 또는 "유닛" 등의 용어는 일반적으로 컴퓨터 관련 엔티티 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어 또는 실행 중인 소프트웨어를 의미할 수 있다. 예를 들어, 전술한 구성요소는 프로세서에 의해서 구동되는 프로세스, 프로세서, 컨트롤러, 제어 프로세서, 개체, 실행 스레드, 프로그램 및/또는 컴퓨터일 수 있지만 이에 국한되지 않는다. 예를 들어, 컨트롤러 또는 프로세서에서 실행 중인 애플리케이션과 컨트롤러 또는 프로세서가 모두 구성 요소가 될 수 있다. 하나 이상의 구성 요소가 프로세스 및/또는 실행 스레드 내에 있을 수 있으며, 구성 요소들은 하나의 장치(예: 시스템, 컴퓨팅 디바이스 등)에 위치하거나 둘 이상의 장치에 분산되어 위치할 수 있다.

이상의 설명은 본 개시의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 기술 사상의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 또한, 본 실시예들은 본 개시의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이므로 이러한 실시예에 의하여 본 기술 사상의 범위가 한정되는 것은 아니다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims

단말(user equipment; UE)이 인공지능 및 머신러닝(AI/ML)을 이용한 빔 관리에서의 모델 모니터링(monitoring)을 수행하는 방법에 있어서,
상기 단말에 대하여 구성된 참조 신호(reference signal, RS)와 관련하여, AI/ML 모델의 모니터링을 위한 상기 참조 신호의 제2 참조 신호 자원 셋(resource set) 구성 정보를 수신하는 단계;
상기 제2 참조 신호 자원 셋 구성 정보에 기초하여, 상기 참조 신호에 대한 신호 세기 또는 신호 품질을 측정하는 단계; 및
상기 참조 신호의 측정값을 상기 AI/ML 모델을 통하여 추론된 상기 참조 신호의 예측값과 비교하여, 상기 AI/ML 모델의 성능 결과를 보고하는 단계를 포함하는 방법.
제 1 항에 있어서,
상기 제2 참조 신호 자원 셋 구성 정보는,
상기 참조 신호의 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 상기 AI/ML 모델을 통하여 추론된 예측값에 따라 선택된 적어도 하나의 참조 신호 자원에 기초하여 구성되는 방법.
제 2 항에 있어서,
상기 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 예측값은,
상기 전체 참조 신호 자원 셋에 기초하여 구성된, 상기 참조 신호의 제1 참조 신호 자원 셋 구성 정보에 기초하여 측정된 상기 참조 신호의 측정값을 입력으로 하여 추론되는 방법.
제 3 항에 있어서,
상기 제2 참조 신호 자원 셋 구성 정보는,
상기 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 예측값에 따라 선택된 적어도 하나의 참조 신호 자원이 보고되는 시점 또는 상기 제1 참조 신호 자원 셋의 전송 시점을 기준으로 하여, 시간 영역 자원 정보가 구성되는 방법.
제 2 항에 있어서,
상기 제2 참조 신호 자원 셋 구성 정보는,
상기 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 예측값에 따라 선택된 적어도 하나의 참조 신호 자원이 보고될 때마다 구성되는 방법.
기지국이 인공지능 및 머신러닝을 이용한 빔 관리에서의 모델 모니터링을 수행하는 방법에 있어서,
단말에 대하여 구성된 참조 신호(reference signal, RS)와 관련하여, AI/ML 모델의 모니터링을 위한 상기 참조 신호의 제2 참조 신호 자원 셋(resource set) 구성 정보를 전송하는 단계;
상기 제2 참조 신호 자원 셋 구성 정보에 기초하여, 상기 참조 신호를 전송하는 단계; 및
상기 참조 신호의 측정값을 상기 AI/ML 모델을 통하여 추론된 상기 참조 신호의 예측값과 비교하여 획득된 상기 AI/ML 모델의 성능 결과를 수신하는 단계를 포함하는 방법.
제 6 항에 있어서,
상기 제2 참조 신호 자원 셋 구성 정보는,
상기 참조 신호의 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 상기 AI/ML 모델을 통하여 추론된 예측값에 따라 선택된 적어도 하나의 참조 신호 자원에 기초하여 구성되는 방법.
제 7 항에 있어서,
상기 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 예측값은,
상기 전체 참조 신호 자원 셋에 기초하여 구성된, 상기 참조 신호의 제1 참조 신호 자원 셋 구성 정보에 기초하여 측정된 상기 참조 신호의 측정값을 입력으로 하여 추론되는 방법.
제 8 항에 있어서,
상기 제2 참조 신호 자원 셋 구성 정보는,
상기 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 예측값에 따라 선택된 적어도 하나의 참조 신호 자원이 보고되는 시점 또는 상기 제1 참조 신호 자원 셋의 전송 시점을 기준으로 하여, 시간 영역 자원 정보가 구성되는 방법.
제 7 항에 있어서,
상기 제2 참조 신호 자원 셋 구성 정보는,
상기 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 예측값에 따라 선택된 적어도 하나의 참조 신호 자원이 보고될 때마다 구성되는 방법.
인공지능 및 머신러닝(AI/ML)을 이용한 빔 관리에서의 모델 모니터링(monitoring)을 수행하는 단말(user equipment; UE)에 있어서,
송신부;
수신부; 및
상기 송신부 및 상기 수신부의 동작을 제어하는 제어부를 포함하되,
상기 제어부는,
상기 단말에 대하여 구성된 참조 신호(reference signal, RS)와 관련하여, AI/ML 모델의 모니터링을 위한 상기 참조 신호의 제2 참조 신호 자원 셋(resource set) 구성 정보를 수신하고,
상기 제2 참조 신호 자원 셋 구성 정보에 기초하여, 상기 참조 신호에 대한 신호 세기 또는 신호 품질을 측정하고,
상기 참조 신호의 측정값을 상기 AI/ML 모델을 통하여 추론된 상기 참조 신호의 예측값과 비교하여, 상기 AI/ML 모델의 성능 결과를 보고하는 단말.
제 11 항에 있어서,
상기 제2 참조 신호 자원 셋 구성 정보는,
상기 참조 신호의 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 상기 AI/ML 모델을 통하여 추론된 예측값에 따라 선택된 적어도 하나의 참조 신호 자원에 기초하여 구성되는 단말.
제 12 항에 있어서,
상기 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 예측값은,
상기 전체 참조 신호 자원 셋에 기초하여 구성된, 상기 참조 신호의 제1 참조 신호 자원 셋 구성 정보에 기초하여 측정된 상기 참조 신호의 측정값을 입력으로 하여 추론되는 단말.
제 13 항에 있어서,
상기 제2 참조 신호 자원 셋 구성 정보는,
상기 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 예측값에 따라 선택된 적어도 하나의 참조 신호 자원이 보고되는 시점 또는 상기 제1 참조 신호 자원 셋의 전송 시점을 기준으로 하여, 시간 영역 자원 정보가 구성되는 단말.
제 12 항에 있어서,
상기 제2 참조 신호 자원 셋 구성 정보는,
상기 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 예측값에 따라 선택된 적어도 하나의 참조 신호 자원이 보고될 때마다 구성되는 단말.
인공지능 및 머신러닝을 이용한 빔 관리에서의 모델 모니터링을 수행하는 기지국에 있어서,
송신부;
수신부; 및
상기 송신부 및 상기 수신부의 동작을 제어하는 제어부를 포함하되,
상기 제어부는,
단말에 대하여 구성된 참조 신호(reference signal, RS)와 관련하여, AI/ML 모델의 모니터링을 위한 상기 참조 신호의 제2 참조 신호 자원 셋(resource set) 구성 정보를 전송하고,
상기 제2 참조 신호 자원 셋 구성 정보에 기초하여, 상기 참조 신호를 전송하고,
상기 참조 신호의 측정값을 상기 AI/ML 모델을 통하여 추론된 상기 참조 신호의 예측값과 비교하여 획득된 상기 AI/ML 모델의 성능 결과를 수신하는 기지국.
제 16 항에 있어서,
상기 제2 참조 신호 자원 셋 구성 정보는,
상기 참조 신호의 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 상기 AI/ML 모델을 통하여 추론된 예측값에 따라 선택된 적어도 하나의 참조 신호 자원에 기초하여 구성되는 기지국.
제 17 항에 있어서,
상기 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 예측값은,
상기 전체 참조 신호 자원 셋에 기초하여 구성된, 상기 참조 신호의 제1 참조 신호 자원 셋 구성 정보에 기초하여 측정된 상기 참조 신호의 측정값을 입력으로 하여 추론되는 기지국.
제 18 항에 있어서,
상기 제2 참조 신호 자원 셋 구성 정보는,
상기 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 예측값에 따라 선택된 적어도 하나의 참조 신호 자원이 보고되는 시점 또는 상기 제1 참조 신호 자원 셋의 전송 시점을 기준으로 하여, 시간 영역 자원 정보가 구성되는 기지국.
제 17 항에 있어서,
상기 제2 참조 신호 자원 셋 구성 정보는,
상기 전체 참조 신호 자원 셋에 포함된 참조 신호 자원들 각각에서 전송될 수 있는 참조 신호들에 대한 예측값에 따라 선택된 적어도 하나의 참조 신호 자원이 보고될 때마다 구성되는 기지국.